CN113177662A - 带固定分配方案约束的配送车辆路线优化方法 - Google Patents

带固定分配方案约束的配送车辆路线优化方法 Download PDF

Info

Publication number
CN113177662A
CN113177662A CN202110502352.7A CN202110502352A CN113177662A CN 113177662 A CN113177662 A CN 113177662A CN 202110502352 A CN202110502352 A CN 202110502352A CN 113177662 A CN113177662 A CN 113177662A
Authority
CN
China
Prior art keywords
individual
vehicle
individuals
group
fitness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110502352.7A
Other languages
English (en)
Inventor
曾斌
魏耀文
刘松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xiaoshi Express Technology Co ltd
Original Assignee
Shenzhen Xiaoshi Express Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Xiaoshi Express Technology Co ltd filed Critical Shenzhen Xiaoshi Express Technology Co ltd
Priority to CN202110502352.7A priority Critical patent/CN113177662A/zh
Publication of CN113177662A publication Critical patent/CN113177662A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种带固定分配方案约束的配送车辆路线优化方法，包括：生成原生种群，每个个体都是独立的带固定分配方案约束的CVRPTW问题的解，且携带了基因信息与适应度信息，生成每个个体之前都必须满足固定分配的约束；计算出原生族群中每个个体的适应度，并按照适应度从高到低对个体进行排序；按顺序成对取出族群中的两个个体，进行遗传操作；对族群i中的每个个体，按照一定的概率对其进行基因变异操作，若某个个体发生了变异，则用编译后的个体取代原个体；计算族群中每个个体的适应度，将其中适应度最高的个体复制，放入族群i+1中，其适合求解中大规模的带固定分配方案约束的CVRPTW问题，具有对带固定分配方案约束的CVRPTW问题求解质量高、鲁棒性强的特点。

Description

带固定分配方案约束的配送车辆路线优化方法
技术领域
本发明涉及配送车辆路线领域，特别涉及一种带固定分配方案约束的配送车辆路线优化方法。
背景技术
随着互联网经济和贸易的发展，物流业的规模与日俱增，物流配送对经济活动的影响越来越显著。VRP(Vehicle Routing Problem,车辆路线问题)问题是配送优化的关键问题。对配送车辆路线进行优化能够有效降低配送成本，减少配送时间，提升用户满意度，因此研究该问题具有重要的现实意义。
带固定分配方案约束的CVRPTW问题是一类NP(Non-deterministic Polynomial，多项式复杂程度的非确定性问题)完全问题，传统的精确算法难以在合理时间内进行求解，因此，用启发式算法求解近似解是人们研究该问题的一个重要方向。遗传算法是模拟物竞天择的方法，搜索最优解的一种启发式算法，遗传算法解决实际问题的主要难点，在于如何将实际问题的解决方案进行可交叉变异的基因编码；此外启发式算法的一大特点是对初值依赖较大，初值选的不好可能会导致算法高概率陷入局部最优解。
发明内容
本发明提供了一种带固定分配方案约束的配送车辆路线优化方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种带固定分配方案约束的配送车辆路线优化方法，包括：
步骤S1，生成原生种群，其中，原生种群中每个个体都是独立的带固定分配方案约束的CVRPTW问题的解，且携带了基因信息与适应度信息，生成每个个体之前都必须满足固定分配的约束，所述解的生成规则是：按顺序取车辆，每选择一个车辆，随机将一个符合车辆类型的未分配的客户分配给该车辆，而后在未分配的客户中，按照贪心算法将客户分配给该车辆，直到达到该车辆的运载上限，直至车辆被用完或客户配分配完，然后按照分配方案编码成基因序列，形成一个个体；
步骤S2，计算出原生族群中每个个体的适应度，并按照适应度从高到低对个体进行排序；
步骤S3，按顺序成对取出族群中的两个个体，进行遗传操作，使用Subtour_Exchange_Crossover算子，生成两个新的个体，从而形成个体数量两倍于原生族群的族群i+1，记为族群i；
步骤S4，对族群i中的每个个体，按照一定的概率对其进行基因变异操作，若某个个体发生了变异，则用编译后的个体取代原个体；
步骤S5，计算族群i中每个个体的适应度，每次随机选择族群i中的K个个体，将其中适应度最高的个体复制，放入族群i+1中，直到族群i+1的个体个数等于原生族群；
步骤S6，循环步骤S2-S5，直至满足循环结束条件。
优选地，所述原生种群中每个个体的生成过程如下：
步骤S100，选择第一个还未被使用的车辆K，将其初始位置定位在仓库位置；
步骤S101，在尚未分配，且满足约束的订单中，随机选择一个订单i，将其分配给车辆K；
步骤S102，根据客户间距离矩阵，每次都将客户j分配给车辆K，如果订单j的加入使得车辆K履行客户的新增距离最小，直到分配给K的客户数量达到K的客户上限；
步骤S103，重复上述三个步骤，直到所有客户都被访问，或车辆被用完。
优选地，每个个体的基因都是从带固定分配方案约束的CVRPTW问题的一个独立的解编码而来，基因编码分为两个部分，第一部分是长度为N的数组，取值不重复且取值介于0～N-1之间，表示订单的顺序，排序在前的订单比排序在后的订单要先完成，第二部分长度为N，取值介于0～M之间，表示对应第一个数组位置的订单分配的骑手，0表示不分配给车辆，即该订单不配送。
优选地，步骤S3中，遗传策略为：Subtour_Exchange_Crossover算子，算子计算过程如下：
第一步，在某个父代上选择1组基因，在另一父代上找到这些基因的位置：
第二步，保持未选中基因不变，按选中基因的出现顺序，交换两父代染色体中基因的位置，一次生成两个子代。
优选地，步骤S5中，自然选择策略为：择K竞技法，择K竞技法的流程如下
第一步：初始参数定义：原生族群个体的数量为M，每次参与竞技的个体数量为K，新生族群记为族群i，个体数量为0；
第二步：从族群i中随机抽取K个个体，从中选取适应度最高的个体，将其复制加入族群i+1；
第三步：重复第二步M次。
由于采用了上述技术方案，本发明采用了将货物顺序与货物分配分别编译基因，同时求解的方式进行遗传算法的基因编码，同时，加入固定客户分配约束，在生成个体前，检查基因合法性，避免生成不符合约束的个体，以上编码方式具有解码快速，容易计算约束条件满足性和基本操作粒度较细的特点，适合求解中大规模的带固定分配方案约束的CVRPTW问题，具有对带固定分配方案约束的CVRPTW问题求解质量高、鲁棒性强的特点。
附图说明
图1示意性地示出了本发明一种针对带固定分配方案约束的CVRPTW问题的改进遗传算法的步骤流程图；
图2示意性地示出了本发明一种针对带固定分配方案约束的CVRPTW问题的改进遗传算法系统的实现步骤流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明涉及物流的VRP(Vehicle Routing Problem，车辆路线问题)技术领域，特别是涉及一种针对带固定分配方案约束的CVRPTW问题的改进遗传算法及其实现系统。
为克服上述现有技术存在的不足，本发明之目的在于提供一种针对带固定分配方案约束的CVRPTW问题的改进遗传算法及其实现系统，该系统设定了问题初始解的构造方法，基因的编码方式等，达到对带固定分配方案约束的CVRPTW问题求解质量高、鲁棒性强的目的。
本发明中的针对带固定分配方案约束的CVRPTW问题的改进遗传算法，包括如下步骤：
步骤S1，生成原生种群，种群中每个个体都是独立的带固定分配方案约束的CVRPTW问题的解，生成每个个体之前，都必须满足固定分配的约束，这些解的生成规则是，按顺序取车辆，每选择一个车辆，随机将一个符合车辆类型的未分配的客户分配给该车辆，而后在未分配的客户中，按照贪心算法将客户分配给该车辆，直到达到该车辆的运载上限，直至车辆被用完或客户配分配完。而后按照分配方案编码成基因序列，形成一个个体。
步骤S2，计算出原生族群中每个个体的适应度，并按照适应度从高到低对个体进行排序
步骤S3，按顺序成对取出族群中的两个个体，进行遗传操作，使用Subtour_Exchange_Crossover算子，生成两个新的个体。形成个体数量两倍于原生族群的族群i+1，记为族群i
步骤S4，对族群i中的每个个体，按照一定的概率对其进行基因变异操作，若某个个体发生了变异，则用编译后的个体取代原个体。
步骤S5，计算族群i中每个个体的适应度，每次随机选择族群i中的K个个体，将其中适应度最高的个体复制，放入族群i+1中，知道族群i+1的个体个数等于原生族群
步骤S6，循环步骤S2-S5，直至满足循环结束条件
其中，族群中每个个体都是符合约束条件一个独立的解，且携带了基因信息与适应度信息。
原生族群中，每个个体的生成过程如下：
步骤S100，选择第一个还未被使用的车辆K，将其初始位置定位在仓库位置
步骤S101，在尚未分配，且满足约束的订单中，随机选择一个订单i，将其分配给车辆K
步骤S102，根据客户间距离矩阵，每次都将客户j分配给车辆K，如果订单j的加入使得车辆K履行客户的新增距离最小，直到分配给K的客户数量达到K的客户上限
步骤S103，重复上述三个步骤，直到所有客户都被访问，或车辆被用完。
每个个体的基因都是从带固定分配方案约束的CVRPTW问题的一个独立的解编码而来，这种编码方式如下所示：
基因编码分为两个部分，第一部分是长度为N的数组，取值不重复且取值介于0～N-1之间，表示订单的顺序，排序在前的订单比排序在后的订单要先完成，第二部分长度为N，取值介于0～M之间，表示对应第一个数组位置的订单分配的骑手，0表示不分配给车辆，即该订单不配送。例如存在8个客户，3台车，某个个体的基因如下：
Figure BDA0003056901450000061
其表达的分配方案如下：
0:-1->2->2
1:-1->0
2:-1->1->4->5
3:-1->7->6(-1表示起点)
步骤S2中，所述遗传策略为：Subtour_Exchange_Crossover算子，算子计算过程如下：
第一步，在某个父代上选择1组基因，在另一父代上找到这些基因的位置：
parent1
Figure BDA0003056901450000062
parent2
Figure BDA0003056901450000063
第二步，保持未选中基因不变，按选中基因的出现顺序，交换两父代染色体中基因的位置，一次生成两个子代：
offspring1
Figure BDA0003056901450000064
Offspring2
Figure BDA0003056901450000065
步骤S2中，所述自然选择策略为：择K竞技法，择K竞技法的流程如下：
第一步：初始参数定义：原生族群个体的数量为M，每次参与竞技的个体数量为K，新生族群记为族群i，个体数量为0；
第二步：从族群i中随机抽取K个个体，从中选取适应度最高的个体，将其复制加入族群i+1；
第三步：重复第二步M次。
由于采用了上述技术方案，本发明采用了将货物顺序与货物分配分别编译基因，同时求解的方式进行遗传算法的基因编码，同时，加入固定客户分配约束，在生成个体前，检查基因合法性，避免生成不符合约束的个体，以上编码方式具有解码快速，容易计算约束条件满足性和基本操作粒度较细的特点，适合求解中大规模的带固定分配方案约束的CVRPTW问题，具有对带固定分配方案约束的CVRPTW问题求解质量高、鲁棒性强的特点。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种带固定分配方案约束的配送车辆路线优化方法，其特征在于，包括：
步骤S1，生成原生种群，其中，原生种群中每个个体都是独立的带固定分配方案约束的CVRPTW问题的解，且携带了基因信息与适应度信息，生成每个个体之前都必须满足固定分配的约束，所述解的生成规则是：按顺序取车辆，每选择一个车辆，随机将一个符合车辆类型的未分配的客户分配给该车辆，而后在未分配的客户中，按照贪心算法将客户分配给该车辆，直到达到该车辆的运载上限，直至车辆被用完或客户配分配完，然后按照分配方案编码成基因序列，形成一个个体；
步骤S2，计算出原生族群中每个个体的适应度，并按照适应度从高到低对个体进行排序；
步骤S3，按顺序成对取出族群中的两个个体，进行遗传操作，使用Subtour_Exchange_Crossover算子，生成两个新的个体，从而形成个体数量两倍于原生族群的族群i+1，记为族群i；
步骤S4，对族群i中的每个个体，按照一定的概率对其进行基因变异操作，若某个个体发生了变异，则用编译后的个体取代原个体；
步骤S5，计算族群i中每个个体的适应度，每次随机选择族群i中的K个个体，将其中适应度最高的个体复制，放入族群i+1中，直到族群i+1的个体个数等于原生族群；
步骤S6，循环步骤S2-S5，直至满足循环结束条件。
2.根据权利要求1所述的带固定分配方案约束的配送车辆路线优化方法，其特征在于，所述原生种群中每个个体的生成过程如下：
步骤S100，选择第一个还未被使用的车辆K，将其初始位置定位在仓库位置；
步骤S101，在尚未分配，且满足约束的订单中，随机选择一个订单i，将其分配给车辆K；
步骤S102，根据客户间距离矩阵，每次都将客户j分配给车辆K，如果订单j的加入使得车辆K履行客户的新增距离最小，直到分配给K的客户数量达到K的客户上限；
步骤S103，重复上述三个步骤，直到所有客户都被访问，或车辆被用完。
3.根据权利要求1所述的带固定分配方案约束的配送车辆路线优化方法，其特征在于，每个个体的基因都是从带固定分配方案约束的CVRPTW问题的一个独立的解编码而来，基因编码分为两个部分，第一部分是长度为N的数组，取值不重复且取值介于0～N-1之间，表示订单的顺序，排序在前的订单比排序在后的订单要先完成，第二部分长度为N，取值介于0～M之间，表示对应第一个数组位置的订单分配的骑手，0表示不分配给车辆，即该订单不配送。
4.根据权利要求1所述的带固定分配方案约束的配送车辆路线优化方法，其特征在于，步骤S3中，遗传策略为：Subtour_Exchange_Crossover算子，算子计算过程如下：
第一步，在某个父代上选择1组基因，在另一父代上找到这些基因的位置：
第二步，保持未选中基因不变，按选中基因的出现顺序，交换两父代染色体中基因的位置，一次生成两个子代。
5.根据权利要求1所述的带固定分配方案约束的配送车辆路线优化方法，其特征在于，步骤S5中，自然选择策略为：择K竞技法，择K竞技法的流程如下
第一步：初始参数定义：原生族群个体的数量为M，每次参与竞技的个体数量为K，新生族群记为族群i，个体数量为0；
第二步：从族群i中随机抽取K个个体，从中选取适应度最高的个体，将其复制加入族群i+1；
第三步：重复第二步M次。
CN202110502352.7A 2021-05-08 2021-05-08 带固定分配方案约束的配送车辆路线优化方法 Pending CN113177662A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110502352.7A CN113177662A (zh) 2021-05-08 2021-05-08 带固定分配方案约束的配送车辆路线优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110502352.7A CN113177662A (zh) 2021-05-08 2021-05-08 带固定分配方案约束的配送车辆路线优化方法

Publications (1)

Publication Number Publication Date
CN113177662A true CN113177662A (zh) 2021-07-27

Family

ID=76928498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110502352.7A Pending CN113177662A (zh) 2021-05-08 2021-05-08 带固定分配方案约束的配送车辆路线优化方法

Country Status (1)

Country Link
CN (1) CN113177662A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444647A (zh) * 2022-03-15 2022-05-06 深圳小狮快送科技有限公司 多目标单向即时配送路径优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
CN109117993A (zh) * 2018-07-27 2019-01-01 中山市武汉理工大学先进工程技术研究院 一种车辆路径优化的处理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
CN109117993A (zh) * 2018-07-27 2019-01-01 中山市武汉理工大学先进工程技术研究院 一种车辆路径优化的处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴倩倩: "物流配送中心车货匹配与路径优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
徐廷政: "应急物资配送问题建模与优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)社会科学Ⅱ辑》 *
陈成: "基于改进遗传算法的带时间窗的多目标配送路径优化", 《信息技术与信息化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444647A (zh) * 2022-03-15 2022-05-06 深圳小狮快送科技有限公司 多目标单向即时配送路径优化方法

Similar Documents

Publication Publication Date Title
CN111178582A (zh) 一种基于改进遗传算法的物流配送优化方法
CN112836892A (zh) 基于改进遗传算法的多目标车辆配送路径确定方法及系统
CN107256441B (zh) 基于非支配排序遗传算法的配电网规划建设方案设计方法
CN104700160B (zh) 一种车辆路径优化方法
CN110826819B (zh) 一种自动化集装箱码头车辆的路径规划方法
CN111461402B (zh) 物流排程优化方法及装置、计算机可读存储介质、终端
CN111126800B (zh) 使用分层自适应智能算法的多模资源受限项目调度方法
CN112862212B (zh) 基于改进麻雀搜索算法的多agv调度方法、装置及设备
CN112631612B (zh) 一种基于遗传算法的kubernetes云平台配置的优化方法
CN117252395B (zh) 基于双染色体遗传算法的带服务约束多物流车调度方法
CN116167558A (zh) 一种多车辆远程健康监护线下服务任务调度方法
CN113177662A (zh) 带固定分配方案约束的配送车辆路线优化方法
CN115495859A (zh) 一种基于遗传算法的仓网规划算法
Hendizadeh et al. Bi-criteria scheduling of a flowshop manufacturing cell with sequence dependent setup times
CN115841286A (zh) 一种基于深度强化学习的外卖配送路径规划方法
CN117973809B (zh) 面向加氢车的多目标调配与协同优化方法及存储介质
Toathom et al. The complete subtour order crossover in genetic algorithms for traveling salesman problem solving
CN118586660A (zh) 一种应用于中药制粒的异构并行机车间的动态调度方法
Belaiche et al. Multi-objective optimization-based approach for throughput maximization in reconfigurable manufacturing systems
CN112884370B (zh) 考虑订单插单的高端装备研制过程多项目重调度方法及系统
CN114037093A (zh) 一种基于快速非支配排序方法的电子产品回收订单分配方法
Pop et al. A hybrid approach based on genetic algorithms for solving the clustered vehicle routing problem
CN116384706A (zh) 一种船舶分段驳运车辆的调度方法及系统
JP3866453B2 (ja) タブー探索装置
Shang Ant colony heuristics for the dynamic facility layout problem

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210727

RJ01 Rejection of invention patent application after publication