CN113177757A - 一种调度方法 - Google Patents
一种调度方法 Download PDFInfo
- Publication number
- CN113177757A CN113177757A CN202110463378.5A CN202110463378A CN113177757A CN 113177757 A CN113177757 A CN 113177757A CN 202110463378 A CN202110463378 A CN 202110463378A CN 113177757 A CN113177757 A CN 113177757A
- Authority
- CN
- China
- Prior art keywords
- target
- algorithm
- pheromone
- scheduling
- ant
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 239000003016 pheromone Substances 0.000 claims abstract description 65
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 36
- 210000000349 chromosome Anatomy 0.000 claims abstract description 36
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 18
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 17
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 14
- 230000009193 crawling Effects 0.000 claims description 12
- 230000002431 foraging effect Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 8
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract description 18
- 238000005457 optimization Methods 0.000 abstract description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009024 positive feedback mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
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
- G06Q10/08—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Abstract
本发明披露了物流配送领域的一种调度方法,以任务节点总行驶距离、最小二氧化碳排放量、客户满意度实现目标;以聚类算法,获取若干任务节点聚类;以任务节点聚类作为初始染色体,确定目标函数评价群体,利用适应度函数选择最佳的染色体,根据遗传算法生成的若干组优化解,确定信息素初始分布情况,利用优化蚁群算法求解运输装置物流配送调度数据,直到达到最大循环次数或算法收敛时停止运算,输出最优路径及其长度。本发明融合聚类客户区域划分和遗传蚁群优化算法,提高了物流运输装置调度的全局寻优能力,使得区域划分得到物流运输装置调度安排能够最大限度的减少车辆二氧化碳的排放量,并大幅度降低物流运输成本。
Description
技术领域
本发明涉及一种调度技术,尤其涉及融合融合K-means聚类客户区域划分、遗传算法与蚁群算法的物流运输调度方法。
背景技术
物流和交通运输领域一个重要的问题是车辆调度问题(Vehicle SchedulingProblem,简称VSP)。其中,如何减少二氧化碳排放是产业界和学术界关注的主要问题之一。环境友好型物流运输调度问题(Environmental-friendly Logistics TransportationScheduling Problem,简称ELTSP)是车辆调度问题的扩展。该问题对保护环境,减少有害气体的排放起到至关重要的作用。
在物流运输技术中,大多数企业忽视了二氧化碳的排放及其对环境的影响。最近,许多公司和企业开始采用不同的技术来减少二氧化碳的排放量。距离是减少二氧化碳的主要因素之一,二氧化碳与汽车行驶的距离成正比。物流调度问题是交通运输和供应链管理系统中的主要问题之一,物流调度问题本质上是一个组合优化中的整数规划问题。其问题是,从配送中心仓库运送货物给客户,目标是使总行驶距离最小化。在环境友好型物流运输调度问题中,还将考虑二氧化碳排放的最小化。
遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法具有良好的全局搜索能力,可以快速地将解空间中的全体解搜索出,而不会陷入局部最优解的快速下降陷阱;并且利用它的内在并行性,可以方便地进行分布式计算,加快求解速度。但是遗传算法的局部搜索能力较差,导致单纯的遗传算法比较费时,在进化后期搜索效率较低。
蚁群算法(Ant Colony Optimization)是由意大利学者Maniezzo团队受蚂蚁合作觅食行为的启发提出的计算模型,是一种寻找优化路径的启发式随机搜索算法。蚁群算法在搜索过程保持较高的独立性,信息通信通过信息素不断的积累,从而构成一个正反馈机制;并且在问题空间多点同时进行独立解搜索操作,使整套算法在保持良好全局搜索能力的同时有高稳健性和并行性,易于与其他算法相结合。但是传统的蚁群算法在路径搜索时会出现收敛速度慢、易陷入局部最优、路径过长等问题。
发明内容
本发明针对现有技术中的缺点,提供了一种融合了K-means聚类客户区域划分、遗传算法与蚁群算法的运输装置调度技术,用于物流配送系统与货运系统中减少汽车尾气排放和提高物流运输调度规划。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种调度方法,包括以下步骤:
以所有启用运输装置的任务节点总行驶距离为目标一;以二氧化碳排放量为目标二;以满足时间窗口的满意度为目标三;
以聚类算法,根据任务节点坐标,获取若干任务节点聚类;
以任务节点聚类组合作为初始染色体确定目标函数评价群体,利用以所述目标一、目标二、目标三为目标函数值的适应度函数选择最佳的染色体,生成若干配送调度方案;
以所述配送调度方案确定信息素初始分布,执行蚁群算法;以局部信息素大小变化调整信息素计算方法,获取优化蚁群算法;
利用优化蚁群算法求解运输装置物流配送调度数据,直到达到最大循环次数或算法收敛时停止运算,输出问题求解的路径及其长度。
可选的,以聚类算法,根据任务节点坐标,获取若干任务节点聚类的方法包括:
以一个配送周期的任务节点需求总量和运输装置最大载重,计算聚类中心数K;
以所有任务节点中任意的K个任务节点作为初始点聚类中心,根据每一任务节点相对其对应配送中心节点的坐标以及不同任务节点之间的欧氏距离,计算每个任务节点到聚类中心的配送时间,从K个配送时间中选择最小数值对应任务点加入到对应聚类,直至不再生成新的聚类中心点。
可选的,以任务节点聚类组合作为初始染色体,具体的包括按照从第一个聚类到最后一个聚类的次序组合生成初始染色体。
可选的,以任务节点聚类组合作为初始染色体确定目标函数评价群体,利用以所述目标一、目标二、目标三为目标函数值的适应度函数选择最佳的染色体,在交叉与变异操作过程中采用自适应策略进行调整;当运行到最大迭代次数或者最优个体的适应度函数值等于种群平均适应度函数值时,算法运行结束,输出若干优化解。
可选的,获取优化蚁群算法的方法还包括信息素更新调整方法:
所有蚂蚁每完成一次遍历循环后,进行局部信息素大小变化调整;
再依次对所有存在可行解的信息素进行全局更新;
直至算法收敛或达到最大循环次数,输出最优解。
可选的,获取优化蚁群算法的方法还包括以搜索热区机制调整转移概率的方法,包括:
其中,Φij(t)表示边(i,j)在t时刻是否在搜索热区中而取不同的值,
式中的表示蚂蚁k的转移概率,i是蚂蚁当前所在的坐标点,j是尚未访问的蚂蚁爬行坐标点;τij(t)表示蚂蚁在坐标(i,j)上的信息素浓度,α表示为蚂蚁个体在觅食探索道路上用于交流的信息素的剩余量对蚁群路线转移的诱发因子;ηij(t)表示边(i,j)的能见度,反映了调度节点第i个蚂蚁爬行位置点移到调度点j的启发程度,β为启发式信息对觅食蚂蚁个体行进方向作用的期望诱发因素;allowedk={1,2,L n-1}-tabk表示为蚂蚁k在觅食爬行过程中下一步可行进路径节点,tabk为tab表,意义为记录蚂蚁k爬行路线过程的路径记录表。
可选的,以局部信息素大小变化调整公式为:
其中,ρ1表示求解过程中信息素挥发情况,Lbest表示本解题过程阶段内最优路径解的值;
以最差解进行全局更新的公式为:
其中,Lworst为最长路径的大小距离值;
在信息素调整过程内结合公式(1)和公式(2)实现循环过程中信息素的更新与调整。
可选的,以启用运输装置的任务节点总行驶距离最小值为目标一,其计算方法为:
可选的,以二氧化碳排放量最小值为目标二,其计算方法为:
其中,a表示不同类型运输装置的油耗系数,A表示不同车型的总重量,α表示运输装置质量利用系数,b表示不同运输装置的空载油耗系数,β表示不同燃料的二氧化碳排放系数,dij表示单位距离的油耗量。
可选的,满足时间窗口的满意度以在软时间窗外总违反时间最少来表示,计算方法为:
其中,ei表示网络节点i期望运输装置最早到达时间,si表示运输装置到达第i个网络节点的时间,li表示网络节点i期望运输装置最迟到达时间,表示第λ辆运输装置由网络节点i返回配送中心的时间,l0表示配送中心期望运输装置最迟到达时间。
本发明的技术方案
本发明将各个任务节点根据客户满意度的不同形成不同的聚类,使得任务节点的容量分配能够更加准确,提高了计算的效率;
利用适应度函数选择最佳染色体,使遗传进化算法能够生成若干优化解,有效地利用了遗传算法的鲁棒性,提高了算法的效率。
利用遗传算法的优化解确定信息素初始分布情况,最后通过搜索热区机制和最差路径搜索概念的引入,减少最优路径更新搜索时间,提高全局搜索效率,避免陷入算法局部最优。
本发明融合K-means聚类客户区域划分和遗传蚁群优化算法,提高了物流运输装置调度的全局寻优能力,缩短了区域划分的时间,使得区域划分得到物流运输装置调度安排能够最大限度的减少车辆二氧化碳的排放量,并大幅度降低物流运输成本,非常具有现实意义。
同时,本发明也可应用于铁路物流调度、机器人调度和人工智能等技术领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明披露的调度方法流程图;
图2为初始点聚类中心的配送区域划分图;
图3是调整后的配送区域划分图;
图4为初始染色体生成的过程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种调度方法,本实施例以物流配送中的运输车作为运输装置,以服务的客户点作为任务节点,还包括配送中心,具体包括以下步骤:
步骤1,以所有启用运输装置的任务节点总行驶距离为目标一;以最小二氧化碳排放量为目标二;以满足时间窗口的满意度为目标三;
步骤2,以聚类算法,根据任务节点坐标,获取若干任务节点聚类;
步骤3,以任务节点聚类组合作为初始染色体确定目标函数评价群体,利用以所述目标一、目标二、目标三为目标函数值的适应度函数选择最佳的染色体,生成若干配送调度方案;
步骤4,以所述配送调度方案确定信息素初始分布,执行蚁群算法;以局部信息素大小变化调整信息素计算方法,获取优化蚁群算法;
步骤5,利用优化蚁群算法求解运输装置物流配送调度数据,直到达到最大循环次数或算法收敛时停止运算,输出问题求解的路径及其长度。
步骤1的进一步解释为:本技术方案要实现的是输出一个客户满意度高,行驶距离小、碳排放量低的路径规划方案,需要对目标一、目标二、目标三这三个目标都纳入到路径规划的参考因素中。
目标一,计算出运输装置的总行驶距离,即所有起用运输装置的总距离之和,总距离最小化的计算如下:
所有任务节点使用的运输装置载重约束不超过Q,即运输装置的最大载重量:
其中,yik表示在第i个任务节点通过了第k个运输装置的情况,m表示通过一个任务节点的最多运输装置数量,qi表示第i个任务节点的需求,yik=1表示在第i个任务节点使用了第k辆运输装置,yik=0表示在第i个任务节点没有使用第k辆运输装置。
目标二:由于车型、载重、燃料类型是影响二氧化碳排放的关键因素,本实施例中引入一种基于距离、车型、载重、燃料的运输装置碳排放计算方法,基于上述多种因素的二氧化碳排放量的度量公式如下:
其中,a表示不同类型运输装置的油耗系数,A表示不同车型的总重量,α表示运输装置质量利用系数,b表示不同运输装置的空载油耗系数,β表示不同燃料的二氧化碳排放系数,dij表示单位距离的油耗量。
目标三,客户满意度的计算依据满足客户时间窗要求作为计算参数,客户满意度以在软时间窗外总违反时间最少来表示,软时间窗外总违反时间越少,说明运输装置最大限度满足客户的时间窗要求,因此客户满意度最高,具体计算如下:
其中,ei表示网络节点i期望运输装置最早到达时间,si表示运输装置到达第i个网络节点的时间,li表示网络节点i期望运输装置最迟到达时间,表示第λ辆运输装置由网络节点i返回配送中心的时间,l0表示配送中心期望运输装置最迟到达时间。
以下,分别用聚类算法、遗传算法、蚁群算法及其融合,实现上述披露的三个目标。参照附图1描述,在明确三个目标因素的前提下,将步骤2-步骤4进行一个流程归纳。具体的技术方案根据下文进一步描述。
步骤2,以一种聚类客户区域划分的方法,将任务节点划分成不同的集群,每个集群代表一个客户区域,目标是使得每个客户区域的客户满意度总和最高。本事实例中采用K-means聚类,其他常用的几种聚类算法也可以选用。
步骤2.1,任务节点计算,
首先计算出所有任务节点的相对坐标点(X,Y)。所有任务节点相对于其配送中心的X、Y坐标计算如下:
其中(Xi,Yi)是第i个任务节点相对于配送中心(x0,y0)的x坐标和y坐标;(x0,y0)是配送中心的坐标;(xi,yi)是第i个任务节点的x坐标和y坐标;而第i个任务节点的客户满意度用ti表示。
计算不同任务节点之间的欧式距离:
d(Xi,Yi)=(Xi-Yi)T(Xi-Yi) (6)
在这个问题中,运输装置的载重作为一个重要因素,任务节点的容量分配计算如下:
其中,C代表运输装置的容量约束,cj是第j任务节点的需求,m和n分别是运输装置数量和节点数量,ti是根据客户满意度排序后的最后一个任务节点,T为求转置矩阵。
步骤2.2,以一个配送周期的任务节点需求总量和运输装置最大载重,计算聚类中心数K。
其中,R表示在一个配送周期中的客户需求总量;Qc表示运输装置的最大载货量;K表示聚类数目。
从任务节点中随机选取K个初始点聚类中心;根据式(5)和式(6)计算每个任务节点到K聚类中心的时间记为ti。因为任务节点i到聚类中心的距离最短,可以转化为时间最短,即其的客户满意度最高,故,本实施例中以ti作为任务节点客户满意度解释。再从K个配送时间ti中选择最小数值对应点加入到对应聚类中,直到不再生成新的聚类中心点,并且每个聚类中的客户满意度ti不再发生变化。
通过图2初始点聚类中心的配送区域划分图,以及图3调整后的配送区域划分图对步骤2有一个更直观的理解。
步骤3,为了得到行驶距离最小、碳排放量最低的客户区域,本实施例中步骤3提出一种遗传蚁群优化算法,将不同的客户聚类组合矩阵作为初始染色体,确定目标函数评价群体,利用适应度函数选择一组最佳的染色体,然后通过逆变异和顺交叉操作;根据遗传算法生成的若干组优化解,确定信息素初始分布情况,其次通过在转移概率中引入搜索热区机制,解决最优搜索方向性问题;最后引入最差路径搜索概念,逐级缩减搜索范围,实现整体循环的全局更新。
即融合遗传算法和蚁群算法获取行驶距离最小、碳排放量最低这两个目标因素。
步骤3.1,如图4解释了初始染色体的生成过程,利用遗传算法生成若干优化解,即生成若干优化的配送调度方案。
以步骤2产生的任务节点聚类组合矩阵作为初始染色体,具体的包括按照从第一个聚类到最后一个聚类的次序组合生成初始染色体。以任务节点聚类组合作为初始染色体确定目标函数评价群体,利用以所述目标一、目标二、目标三为目标函数值的适应度函数选择最佳的染色体,在交叉与变异操作过程中采用自适应策略进行调整,当运行到最大迭代次数或者最优个体的适应度函数值等于种群平均适应度函数值时,算法运行结束,输出若干优化解,即若干优化的配送调度方案。
具体包括以下几步:
(1)初始染色体的产生。
以所有任务节点聚类的组合作为初始染色体是,按照从第一个聚类到最后一个聚类的次序两两组合生成初始染色体。
(2)利用适应度函数选择最佳的染色体。
利用任务节点聚类的组合矩阵的染色体作为初始染色体,生成的染色体个体通过适应性函数中定义的适应值确定进行相互交配的个体。本步骤目标是运输装置(车辆)行驶的总距离与碳排放量最小,故定义适应度函数为其中Fi表示第i条染色体的目标函数值。所述Min D,Min T,Min E即为本步骤中需要调用的目标函数值,再应用轮盘赌算法选择更好的染色体,拟选择出最佳的一组染色体。
(3)逆变异和顺交叉操作
在交叉与变异操作过程中采用自适应策略进行调整,设交叉概率为pc,变异概率为pm,fmax为种群最大的适应度函数值;favg为种群平均的适应度函数值;f为两个交叉个体中较大的适应度值;f'为变异个体的适应度值;a1、a2、a3和a4为常数,计算公示如下:
当算法运行到最大迭代次数或者最优个体的适应度函数值等于种群平均适应度函数值时,算法运行结束,输出最优的配送调度方案。
步骤3.2,蚁群算法的优化,以步骤3.1输出的优化解作为信息素初始分布情况,所有蚂蚁每完成一次遍历循环后,进行局部信息素大小变化调整;再依次对所有存在可行解的信息素进行全局更新;直至算法收敛或达到最大循环次数,输出最优解。
(1)转移概率的计算
蚁群算法中蚂蚁在觅食过程中,根据信息素浓度的变化等一定规则为后续的蚁群提供新的觅食路线。蚂蚁单次循环不可重复访问的转移概率公式如下:
式中的表示蚂蚁k的转移概率,i是蚂蚁当前所在的坐标点,j是尚未访问的蚂蚁爬行坐标点;τij(t)表示蚂蚁在坐标(i,j)上的信息素浓度,α表示为蚂蚁个体在觅食探索道路上用于交流的信息素的剩余量对蚁群路线转移的诱发因子;ηij(t)表示边(i,j)的能见度,反映了调度节点第i个蚂蚁爬行位置点移到调度点j的启发程度,β为启发式信息对觅食蚂蚁个体行进方向作用的期望诱发因素;allowedk={1,2,L n-1}-tabk表示为蚂蚁k在觅食爬行过程中下一步可行进路径节点,tabk为tab表,意义为记录蚂蚁k爬行路线过程的路径记录表。
(2)引入搜索热区机制
在采用传统的蚁群算法求解路径最优化问题时,假如启发信息仍然用表示,则没有考虑到车辆调度源点到物流中心具体搜索方向性的问题,无法解决整体路径最优化问题与最优搜索方向性问题。由此对(11)披露的转移概率公式做出调整,如下:
其中Φij(t)表示边(i,j)在t时刻是否在搜索热区中而取不同的值,即Φij表示任务节点i和任务节点j两点直接的连线作为边(i,j),如果边在搜索热区内,则Φij取值为M,如果边不在搜索热区内,则Φij取值为N。蚂蚁搜索时有热搜索区域和非热搜索区域,搜索区域不同,蚂蚁转移概率也就不同,从而导致整体路径最优化结果不同。
(3)信息素浓度变化计算
当所有蚂蚁完成一次遍历循环以后,n个食物源节点之间所有路径中的信息素变化按如下方式更新:
τij(t+1)=(1-ρ)×τij(t)+Δτij(t) (14)
式中的ρ表示信息素挥发程度,同时1-ρ表示散发后的留下的量,其中ρ的范围为[0,1];Δτij(t)用来表示在t时间范围内信息素改变的大小。
(4)信息素更新策略调整
按照式(14)信息素的正反馈机制,在全局最优路径搜索过程中,所有经过(i,j)节点的蚂蚁会倾向于选择信息素浓度最高的路径,从而使该路径的信息素的增加,但在实际问题求解过程开始时,所有的待选择路径信息素浓度相同,而这些路径并非最优求解路径,因此会出现多次无用路径搜索。此外,信息素在调整时没有考虑到两节点之间不同路径的优先级,因此,在利用公式(14)进行信息素调整时会导致最优路径更新搜索时间变长,不能够及时的反应出不同地点信息素大小的动态变化信息。在信息素动态调整变化的过程中,为了解决传统蚁群算法存在的不足,引入了新型的局部信息素大小变化调整方案,将公式(14)调整为:
其中,ρ1表示求解过程中信息素挥发情况,Lbest表示本解题过程阶段内最优路径解的值。同时,为了实现逐级缩减蚁群路径求解过程中的搜索范围,本专利引入了最差路径搜索概念,实现最差解对整体循环的全局更新,本文定义信息素更新策略:
其中,Lworst为本发明求解过程中最长路径的大小距离值,在信息素调整过程内结合式(15)和(16)实现循环过程中信息素的更新与调整,其中Q为常数,表示信息素浓度,影响算法的收敛速度;为最优路径的信息素浓度。
综上,输出的优化解作为信息素初始分布情况,所有蚂蚁每完成一次遍历循环后,保留对最优解路径的信息素全局更新;然后引入最差路径搜索概念,增加对最差蚂蚁所经过路径上的信息素全局更新;最后对所有蚂蚁都增加信息素全局更新,即再依次对所有存在可行解的信息素进行全局更新。
以上述方式已解决第一次迭代后,蚂蚁遗留下的信息素会因正反馈的作用,使这条非全局最优甚至是远离最优解的路径上的信息素浓度得到加强,误导后面的蚂蚁以较大的概率选择该条路径的问题。这种信息素的误导作用会使蚂蚁在以后的迭代中难以发现更好的全局最优解,造成整个蚁群可能最终收敛于某个局部最优解,搜索停滞。
步骤4.利用优化的蚁群算法求解运输装置物流配送问题,直到达到最大循环次数或算法收敛时停止运算,输出问题求解的最优路径及其长度。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种调度方法,其特征在于,包括以下步骤:
以所有启用运输装置的任务节点总行驶距离为目标一;以二氧化碳排放量为目标二;以满足时间窗口的满意度为目标三;
以聚类算法,根据任务节点坐标,获取若干任务节点聚类;
以任务节点聚类组合作为初始染色体确定目标函数评价群体,利用以所述目标一、目标二、目标三为目标函数值的适应度函数选择最佳的染色体,生成若干配送调度方案;
以所述配送调度方案确定信息素初始分布,执行蚁群算法;以局部信息素大小变化调整信息素计算方法,获取优化蚁群算法;
利用优化蚁群算法求解运输装置物流配送调度数据,直到达到最大循环次数或算法收敛时停止运算,输出问题求解的路径及其长度。
2.根据权利要求1所述的调度方法,以聚类算法,根据任务节点坐标,获取若干任务节点聚类的方法包括:
以一个配送周期的任务节点需求总量和运输装置最大载重,计算聚类中心数K;
以所有任务节点中任意的K个任务节点作为初始点聚类中心,根据每一任务节点相对其对应配送中心节点的坐标以及不同任务节点之间的欧氏距离,计算每个任务节点到聚类中心的配送时间,从K个配送时间中选择最小数值对应任务点加入到对应聚类,直至不再生成新的聚类中心点。
3.根据权利要求1所述的调度方法,以任务节点聚类组合作为初始染色体,具体的包括按照从第一个聚类到最后一个聚类的次序组合生成初始染色体。
4.根据权利要求3所述的调度方法,以任务节点聚类组合作为初始染色体确定目标函数评价群体,利用以所述目标一、目标二、目标三为目标函数值的适应度函数选择最佳的染色体,在交叉与变异操作过程中采用自适应策略进行调整;当运行到最大迭代次数或者最优个体的适应度函数值等于种群平均适应度函数值时,算法运行结束,输出若干优化解。
5.根据权利要求1所述的调度方法,获取优化蚁群算法的方法还包括信息素更新调整方法:
所有蚂蚁每完成一次遍历循环后,进行局部信息素大小变化调整;
再依次对所有存在可行解的信息素进行全局更新;
直至算法收敛或达到最大循环次数,输出最优解。
6.根据权利要求1所述的调度方法,获取优化蚁群算法的方法还包括以搜索热区机制调整转移概率的方法,包括:
其中,Φij(t)表示边(i,j)在t时刻是否在搜索热区中而取不同的值,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463378.5A CN113177757A (zh) | 2021-04-23 | 2021-04-23 | 一种调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463378.5A CN113177757A (zh) | 2021-04-23 | 2021-04-23 | 一种调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177757A true CN113177757A (zh) | 2021-07-27 |
Family
ID=76926699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463378.5A Pending CN113177757A (zh) | 2021-04-23 | 2021-04-23 | 一种调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619065A (zh) * | 2022-12-19 | 2023-01-17 | 华东交通大学 | 一种多式联运路径优化方法、系统、电子设备及介质 |
CN117172512A (zh) * | 2023-11-02 | 2023-12-05 | 启东亦大通自动化设备有限公司 | 一种货运机器人的调度优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
-
2021
- 2021-04-23 CN CN202110463378.5A patent/CN113177757A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105509749A (zh) * | 2016-01-04 | 2016-04-20 | 江苏理工学院 | 基于遗传蚁群算法的移动机器人路径规划方法及系统 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
Non-Patent Citations (7)
Title |
---|
李博威等: ""带软时间窗的同时取送货车辆路径问题研究"", 《工业工程》 * |
李文霞: ""多目标低碳车辆路径优化及算法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨中秋等: "基于改进蚁群算法对最短路径问题的分析与仿真", 《沈阳化工学院学报》 * |
殷玲玲等: ""基于改进蚁群算法的物流车辆调度优化问题的研究"", 《青海师范大学学报(自然科学版)》 * |
王泽: ""Q烟草公司卷烟配送路径优化研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
葛显龙等: "基于碳交易机制的带时间窗车辆路径问题与算法研究", 《管理工程学报》 * |
驾登才: "《中国物流学术前沿报告2013-2014》", 30 November 2013 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619065A (zh) * | 2022-12-19 | 2023-01-17 | 华东交通大学 | 一种多式联运路径优化方法、系统、电子设备及介质 |
CN117172512A (zh) * | 2023-11-02 | 2023-12-05 | 启东亦大通自动化设备有限公司 | 一种货运机器人的调度优化方法及系统 |
CN117172512B (zh) * | 2023-11-02 | 2023-12-29 | 启东亦大通自动化设备有限公司 | 一种货运机器人的调度优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034468B (zh) | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 | |
Liao et al. | Multi-objective green meal delivery routing problem based on a two-stage solution strategy | |
CN113177757A (zh) | 一种调度方法 | |
CN113343575B (zh) | 基于改进蚁群算法的多目标车辆路径优化方法 | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN111709560A (zh) | 一种基于改进蚁群算法的解决车辆路径问题方法 | |
CN112269382A (zh) | 一种机器人多目标路径规划方法 | |
Guo et al. | Real-time ride-sharing framework with dynamic timeframe and anticipation-based migration | |
Chen et al. | Heuristic swarm intelligent optimization algorithm for path planning of agricultural product logistics distribution | |
Li et al. | A multi-objective model for cold chain logistics considering customer satisfaction | |
Su et al. | Heterogeneous fleet vehicle scheduling problems for dynamic pickup and delivery problem with time windows in shared logistics platform: Formulation, instances and algorithms | |
CN109840551B (zh) | 一种用于机器学习模型训练的优化随机森林参数的方法 | |
Montanari et al. | Evaluation of routing policies using an interval-valued TOPSIS approach for the allocation rules | |
Wu et al. | Optimization of order-picking problems by intelligent optimization algorithm | |
Matijević | Metaheuristic Approaches for the Green Vehicle Routing Problem | |
Zhao et al. | Profit optimization in spatial crowdsourcing: Effectiveness and efficiency | |
Utama et al. | A novel hybrid yellow saddle goatfish algorithm for fuel consumption vehicle routing problem with simultaneous pick-up and delivery problem | |
CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
Oonsrikaw et al. | Modified ant colony optimization algorithm for multiple-vehicle traveling salesman problems | |
Zhishuo et al. | Sweep based multiple ant colonies algorithm for capacitated vehicle routing problem | |
Zhun et al. | An improved pigeon-inspired optimization algorithm for solving dynamic facility layout problem with uncertain demand | |
Min et al. | Genetic algorithm-based approach to vehicle routing with simultaneous delivery and pickup under capacity and time constraints. | |
JPH1055349A (ja) | 数理計画計算装置、配送計画システム、数理計画プログラムを記録した媒体、及び配送計画プログラムを記録した媒体 | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony | |
CN112633548A (zh) | 一种物流配送路径规划方法及装置 |
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 |