CN113222520A - 一种基于蚁群算法的货物优化配送方法及系统 - Google Patents

一种基于蚁群算法的货物优化配送方法及系统 Download PDF

Info

Publication number
CN113222520A
CN113222520A CN202110666949.5A CN202110666949A CN113222520A CN 113222520 A CN113222520 A CN 113222520A CN 202110666949 A CN202110666949 A CN 202110666949A CN 113222520 A CN113222520 A CN 113222520A
Authority
CN
China
Prior art keywords
distribution
path
goods
node
algorithm
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
CN202110666949.5A
Other languages
English (en)
Inventor
潘红斌
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.)
Jiangsu Jialida International Logistics Co ltd
Original Assignee
Jiangsu Jialida International Logistics 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 Jiangsu Jialida International Logistics Co ltd filed Critical Jiangsu Jialida International Logistics Co ltd
Priority to CN202110666949.5A priority Critical patent/CN113222520A/zh
Publication of CN113222520A publication Critical patent/CN113222520A/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
    • G06Q10/08—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
    • 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
    • G06Q10/04—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

Landscapes

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

Abstract

本发明涉及一种目标优化的技术领域，揭露了一种基于蚁群算法的货物优化配送方法，包括：获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果；建立货物配送的多目标函数，并初始化蚁群算法参数；将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法；在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。本发明还提供了一种基于蚁群算法的货物优化配送系统。本发明实现了基于蚁群算法的货物优化配送。

Description

一种基于蚁群算法的货物优化配送方法及系统
技术领域
本发明涉及目标优化的技术领域，尤其涉及一种基于蚁群算法的货物优化配送方法及系统。
背景技术
伴随着国内电子商务、快递行业的快速发展，网络购物以及异地采购等需求飞速增长，快递企业业务量与日俱增，人们对于物流配送各方面的要求也更高。目前我国现阶段物流运输成本较高，而且现在对运输货物的时效性要求也较高，如何更好的提高货物的配送效率，降低物流运输成本是现在急切要处理的问题。
启发式算法可用来求解最优可行解，相较于精确算法，可以更为合适地处理大范围的车辆配送路径问题。蚁群算法是一种传统的启发式算法，是经由蚂蚁找寻食物进程中发觉路径的行动抽象出来的，找寻更优路径且具有一定随机性的算法，但传统蚁群算法存在具有较长时间搜索、容易落进部分最优解以及迭代冗余的缺点。
鉴于此，如何对传统蚁群算法进行改进，更为高效地实现货物配送，成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于蚁群算法的货物优化配送方法，通过对货物配送问题进行编码表示，并建立货物配送的多目标函数；改进传统蚁群算法挥发因子、启发因子以及信息素的更新方式，从而利用改进的蚁群算法实现更为优化的货物配送。
为实现上述目的，本发明提供的一种基于蚁群算法的货物优化配送方法，包括：
获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果；
建立货物配送的多目标函数，并初始化蚁群算法参数；
将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法；
在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
可选地，所述将货物配送信息进行编码表示，包括：
所述编码表示流程为：
对货物配送信息进行二重编码表示，在第一重编码表示中，第一维数字表示批次的索引，表示对应维度的货物被分到当前批次，第二维数字表示配送区域索引，根据货物配送目的地的分布情况，将配送区域划分为K个区域，第一重编码表示结果为8位数字，前四位表示批次索引，后四位表示配送区域索引，在本发明一个具体实施例中，每个配送区域有一个配送负责人，由配送负责人选择空闲的配送员进行货物配送；
在第二重编码表示中，第一维数字表示货物进入配送中心的时间，第二维数字表示预定的货物配送到达时间，第三维数字用0/1表示是否在当前时刻开始配送，若为1则表示在当前时刻进行货物配送，否则不进行配送。
可选地，所述货物配送的多目标函数为：
Figure BDA0003117786730000011
Figure BDA0003117786730000012
其中：
cs，ij表示在第s个配送区域内，由节点i到节点j的单位距离运输成本；
ds，ij表示在第s个配送区域内，由节点i到节点j的距离；
xs，ij表示在第s个配送区域内，货物配送车辆从节点i行驶到节点j进行配送；
ps，ij表示在第s个配送区域内，从节点i行驶到节点j之间道路的拥堵系数，0≤p≤2，其值越高表示拥堵程度越高；
v表示货物配送车辆的平均行驶速度。
可选地，所述蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，包括：
将确定好的m只蚂蚁放置在货物配送信息编码结果中的路径节点位置，每只蚂蚁随机的选择要走的路径，并且在路径上留下信息素，在本发明一个具体实施例中，每只蚂蚁表示货物的二重编码结果，其中在t时刻蚂蚁转移方向概率的计算公式为：
Figure BDA0003117786730000021
其中：
Figure BDA0003117786730000022
表示蚂蚁k在t时刻从节点i到节点i移动的概率；
βij(t)表示t时刻(i，j)路径上的信息素浓度；
δij(t)表示t时刻(i，j)路径上的启发因子；
τ表示信息素重要因子；
α表示启发函数重要程度因子；
∪表示蚂蚁待访问节点的集合；
在本发明一个具体实施例中，本发明对传统启发因子进行改进，改进结果为：
δij(t)＝1/(d0j+dij+djk)
其中：
d0j表示节点j离配送中心节点的距离；
djk表示节点j与待访问节点的距离；
dij表示两个节点之间的距离；
蚂蚁在任意时刻计算概率转移矩阵，将蚂蚁下一步将要选择的节点的集合看成一个圆，该圆被分割成若干个扇形，蚂蚁选择每一个节点的概率相当于每一个扇形的面积占大圆面积的比；通过rand函数来产生一个(0，1)之间的随机数来选择哪一个扇形面被选中，从而将对应节点作为下一时刻蚂蚁移动的节点，直到蚂蚁遍历完所有待访问节点；并记录访问路径的长度。在本发明一个具体实施例中，节点包括普通节点和待访问节点，所述待访问节点表示货物配送目的地。
可选地，所述在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，包括：
在每轮算法迭代后更新算法的信息素，所述信息素的更新公式为：
Figure BDA0003117786730000023
Figure BDA0003117786730000024
Figure BDA0003117786730000025
其中：
Figure BDA0003117786730000031
言息素增量，
Figure BDA0003117786730000032
表示蚂蚁k从t时刻到t+1时刻在路径(i，j)上产生的信息素；
Q为蚂蚁k遍历完所有待访问节点后留下的信息素之和；
F表示蚂蚁k在当前所找到的最优路径值，即多目标函数值最小的路径；
fk表示当前迭代次数中，蚂蚁k所找出路径值所对应的多目标函数值；
ρ表示挥发因子；
N表示当前迭代次数，Nmax表示蚁群算法的最大迭代次数；
将更新后的信息素导入信息素矩阵M中，并开始下一轮算法迭代，直到达到最大迭代次数；在本发明一个具体实施例中，每轮迭代后输出一条路径，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
此外，为实现上述目的，本发明还提供一种基于蚁群算法的货物优化配送系统，所述系统包括：
货物数据获取装置，用于获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果；
数据处理器，用于建立货物配送的多目标函数，并初始化蚁群算法参数；
货物优化配送装置，用于将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法；在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有货物优化配送程序指令，所述货物优化配送程序指令可被一个或者多个处理器执行，以实现如上所述的基于蚁群算法的货物优化配送的实现方法的步骤。
相对于现有技术，本发明提出一种基于蚁群算法的货物优化配送方法，该技术具有以下优势：
首先，本发明建立货物配送的多目标函数用来进行货物的优化配送，所述多目标函数结果为：
Figure BDA0003117786730000033
Figure BDA0003117786730000034
其中：cs，ij表示在第s个配送区域内，由节点i到节点j的单位距离运输成本；ds，ij表示在第s个配送区域内，由节点i到节点j的距离；xs，ij表示在第s个配送区域内，货物配送车辆从节点i行驶到节点j进行配送；ps，ij表示在第s个配送区域内，从节点i行驶到节点j之间道路的拥堵系数，0≤p≤2，其值越高表示拥堵程度越高；v表示货物配送车辆的平均行驶速度。根据货物配送目的地的分布情况，将配送区域划分为K个区域，每个配送区域有一个配送负责人，由配送负责人选择空闲的配送员进行货物配送，在所述目标函数中，
Figure BDA0003117786730000035
表示配送路线的运输成本，
Figure BDA0003117786730000036
表示拥堵路径的损耗时间，通过利用蚁群算法对其求解，可得到不同区域运输损耗时间最短、运输成本最少的货物配送方案。
同时本发明对现有蚁群算法进行优化，首先本发明对传统启发因子进行改进，改进结果为：
δij(t)＝1/(d0j+dij+djk)
其中：d0j表示节点j离配送中心节点的距离；djk表示节点j与待访问节点的距离；dij表示两个节点之间的距离；相较于传统算法中δij(t)＝1/dij忽略了节点与待访问节点之间的关系，也忽略了节点与配送中心节点之间的间距，只存在两节点之间的距离关系，在容易陷入局部最优解，本发明所述改进方案不仅考虑到了每个节点之间的相互影响，还考虑到了节点与配送中心节点和待访问节点之间的影响，指明了最短路径的方向，减少了冗杂的计算，提高了蚁群算法的计算效率；其次，本发明改进在每轮算法迭代后更新算法的信息素，所述信息素的更新公式为：
Figure BDA0003117786730000041
Figure BDA0003117786730000042
Figure BDA0003117786730000043
其中：
Figure BDA0003117786730000044
信息素增量，
Figure BDA0003117786730000045
表示蚂蚁k从t时刻到t+1时刻在路径(i，j)上产生的信息素；Q为蚂蚁k遍历完所有待访问节点后留下的信息素之和；F表示蚂蚁k在当前所找到的最优路径值，即多目标函数值最小的路径；fk表示当前迭代次数中，蚂蚁k所找出路径值所对应的多目标函数值；相较于传统算法，可以快速增进优秀路径上的信息素增量，而对非优秀路径上的信息素影响不明显，每完成一次迭代后，每条路径上的信息素根据路径的优劣程度做出相应的改变。随着迭代次数的增加，优秀路径获得较多的信息素增量，非优秀路径获得较少的信息素增量，经过多次迭代后，优秀路径与非优秀路径上的信息素的差别就会体现出来，这样有利于排除非优秀路径上的干扰，在一定程度上加快了蚁群算法的收敛速度，有利于蚁群算法在求解过程中发现最优路径；ρ表示挥发因子；N表示当前迭代次数，Nmax表示蚁群算法的最大迭代次数，在蚁群算法的早期搜索过程中，挥发因子ρ数值较大，信息素挥发较多，这样有利于扩大蚂蚁搜索范围，从而找到全局最短路径。在蚁群算法早期的搜索过程中，由于扩大了蚂蚁的搜索范围更容易找到全局最短路径，后期设置了较小的挥发因子ρ，信息素挥发较少，这样有利于加快蚂蚁的搜索速度。将更新后的信息素导入信息素矩阵中，并开始下一轮算法迭代，直到达到最大迭代次数；在本发明一个具体实施例中，每轮迭代后输出一条路径，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
附图说明
图1为本发明一实施例提供的一种基于蚁群算法的货物优化配送方法的流程示意图；
图2为本发明一实施例提供的一种基于蚁群算法的货物优化配送系统的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
通过对货物配送问题进行编码表示，并建立货物配送的多目标函数；改进传统蚁群算法挥发因子、启发因子以及信息素的更新方式，从而利用改进的蚁群算法实现更为优化的货物配送。参照图1所示，为本发明一实施例提供的基于蚁群算法的货物优化配送方法示意图。
在本实施例中，基于蚁群算法的货物优化配送方法包括：
S1、获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果。
首先，本发明获取货物配送信息，所述货物配送信息为货物的入库时间、出库时间、配送目的地；在本发明一个具体实施例中，本发明将地图进行网格化处理，用集合V＝(V0，V1，...，Vn)表示路径节点位置，其中V0表示配送中心节点位置，其余V1～Vn表示配送目的地节点位置以及道路节点位置；
进一步地，本发明对货物配送信息进行编码表示，所述编码表示流程为：
本发明对货物配送信息进行二重编码表示，在第一重编码表示中，第一维数字表示批次的索引，表示对应维度的货物被分到当前批次，第二维数字表示配送区域索引，根据货物配送目的地的分布情况，将配送区域划分为K个区域，第一重编码表示结果为8位数字，前四位表示批次索引，后四位表示配送区域索引，在本发明一个具体实施例中，每个配送区域有一个配送负责人，由配送负责人选择空闲的配送员进行货物配送；
在第二重编码表示中，第一维数字表示货物进入配送中心的时间，第二维数字表示预定的货物配送到达时间，第三维数字用0/1表示是否在当前时刻开始配送，若为1则表示在当前时刻进行货物配送，否则不进行配送。
S2、建立货物配送的多目标函数，并初始化蚁群算法参数。
进一步地，本发明建立货物配送的多目标函数，所述多目标函数结果为：
Figure BDA0003117786730000051
Figure BDA0003117786730000052
其中：
cs，ij表示在第s个配送区域内，由节点i到节点j的单位距离运输成本；
ds，ij表示在第s个配送区域内，由节点i到节点j的距离；
xs，ij表示在第s个配送区域内，货物配送车辆从节点i行驶到节点j进行配送；
ps，ij表示在第s个配送区域内，从节点i行驶到节点j之间道路的拥堵系数，0≤p≤2，其值越高表示拥堵程度越高；
v表示货物配送车辆的平均行驶速度。
进一步地，本发明初始化蚁群算法参数，所述参数包括：信息素的挥发系数ρ，蚂蚁的数量m，启发函数重要程度因子α，算法的迭代次数Nmax，信息素矩阵M。
S3、将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法。
进一步地，本发明将确定好的m只蚂蚁放置在货物配送信息编码结果中的路径节点位置，每只蚂蚁随机的选择要走的路径，并且在路径上留下信息素，在本发明一个具体实施例中，每只蚂蚁表示货物的二重编码结果，其中在t时刻蚂蚁转移方向概率的计算公式为：
Figure BDA0003117786730000053
其中：
Figure BDA0003117786730000054
表示蚂蚁k在t时刻从节点i到节点j移动的概率；
βij(t)表示t时刻(i，j)路径上的信息素浓度；
δij(t)表示t时刻(i，j)路径上的启发因子；
τ表示信息素重要因子；
α表示启发函数重要程度因子；
∪表示蚂蚁待访问节点的集合；
在本发明一个具体实施例中，本发明对传统启发因子进行改进，改进结果为：
δij(t)＝1/(d0j+dij+djk)
其中：
d0j表示节点j离配送中心节点的距离；
djk表示节点j与待访问节点的距离；
dij表示两个节点之间的距离；
蚂蚁在任意时刻计算概率转移矩阵，将蚂蚁下一步将要选择的节点的集合看成一个圆，该圆被分割成若干个扇形，蚂蚁选择每一个节点的概率相当于每一个扇形的面积占大圆面积的比；通过rand函数来产生一个(0，1)之间的随机数来选择哪一个扇形面被选中，从而将对应节点作为下一时刻蚂蚁移动的节点，直到蚂蚁遍历完所有待访问节点；并记录访问路径的长度。在本发明一个具体实施例中，节点包括普通节点和待访问节点，所述待访问节点表示货物配送目的地。
s4、在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
进一步地，本发明在每轮算法迭代后更新算法的信息素，所述信息素的更新公式为：
Figure BDA0003117786730000061
Figure BDA0003117786730000062
Figure BDA0003117786730000063
其中：
Figure BDA0003117786730000064
信息素增量，
Figure BDA0003117786730000065
表示蚂蚁k从t时刻到t+1时刻在路径(i，j)上产生的信息素；
Q为蚂蚁k遍历完所有待访问节点后留下的信息素之和；
F表示蚂蚁k在当前所找到的最优路径值，即多目标函数值最小的路径；
fk表示当前迭代次数中，蚂蚁k所找出路径值所对应的多目标函数值；
ρ表示挥发因子；
N表示当前迭代次数，Nmax表示蚁群算法的最大迭代次数；
将更新后的信息素导入信息素矩阵M中，并开始下一轮算法迭代，直到达到最大迭代次数；在本发明一个具体实施例中，每轮迭代后输出一条路径，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：Inter(R)Core(TM)i7-6700K CPU，软件为Matlab2018a；对比方法为基于随机森林的货物优化配送方法以及基于贝叶斯的货物优化配送方法。
在本发明所述算法实验中，数据集为10G的货物配送信息数据。本实验通过将货物配送信息数据输入到算法模型中，将货物配送的效率作为算法可行性的评价指标，其中货物配送的效率越高，则说明算法的有效性、可行性越高。
根据实验结果，基于随机森林的货物优化配送方法的货物配送效率为76.32，基于贝叶斯的货物优化配送方法的货物配送效率为81.16，本发明所述方法的货物配送效率为90.66，相较于对比算法，本发明所提出的基于蚁群算法的货物优化配送方法能够实现更高的货物配送效率。
发明还提供一种基于蚁群算法的货物优化配送系统。参照图2所示，为本发明一实施例提供的基于蚁群算法的货物优化配送系统的内部结构示意图。
在本实施例中，所述基于蚁群算法的货物优化配送系统1至少包括货物数据获取装置11、数据处理器12、货物优化配送装置13，通信总线14，以及网络接口15。
其中，货物数据获取装置11可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是基于蚁群算法的货物优化配送系统1的内部存储单元，例如该基于蚁群算法的货物优化配送系统1的硬盘。数据处理器12在另一些实施例中也可以是基于蚁群算法的货物优化配送系统1的外部存储设备，例如基于蚁群算法的货物优化配送系统1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，数据处理器12还可以既包括基于蚁群算法的货物优化配送系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于基于蚁群算法的货物优化配送系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
货物优化配送装置13在一些实施例中可以是一中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行数据处理器12中存储的程序代码或处理数据，例如货物优化配送程序指令16等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该系统1与其他电子设备之间建立通信连接。
可选地，基于蚁群算法的货物优化配送系统1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在基于蚁群算法的货物优化配送系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及基于蚁群算法的货物优化配送系统1，本领域技术人员可以理解的是，图1示出的结构并不构成对基于蚁群算法的货物优化配送系统1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的基于蚁群算法的货物优化配送系统1实施例中，数据处理器12中存储有货物优化配送程序指令16；货物优化配送装置13执行数据处理器12中存储的货物优化配送程序指令16的步骤，与基于蚁群算法的货物优化配送方法的实现方法相同，在此不作类述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有货物优化配送程序指令，所述货物优化配送程序指令可被一个或多个处理器执行，以实现如下操作：
获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果；
建立货物配送的多目标函数，并初始化蚁群算法参数；
将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法；
在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于蚁群算法的货物优化配送方法，其特征在于，所述方法包括：
获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果；
建立货物配送的多目标函数，并初始化蚁群算法参数；
将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法；
在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
2.如权利要求1所述的一种基于蚁群算法的货物优化配送方法，其特征在于，所述将货物配送信息进行编码表示，包括：
对货物配送信息进行二重编码表示，在第一重编码表示中，第一维数字表示批次的索引，表示对应维度的货物被分到当前批次，第二维数字表示配送区域索引，根据货物配送目的地的分布情况，将配送区域划分为K个区域，第一重编码表示结果为8位数字，前四位表示批次索引，后四位表示配送区域索引；
在第二重编码表示中，第一维数字表示货物进入配送中心的时间，第二维数字表示预定的货物配送到达时间，第三维数字用0/1表示是否在当前时刻开始配送，若为1则表示在当前时刻进行货物配送，否则不进行配送。
3.如权利要求2所述的一种基于蚁群算法的货物优化配送方法，其特征在于，所述货物配送的多目标函数为：
Figure FDA0003117786720000011
Figure FDA0003117786720000012
其中：
cs,ij表示在第s个配送区域内，由节点i到节点j的单位距离运输成本；
ds,ij表示在第s个配送区域内，由节点i到节点j的距离；
xs,ij表示在第s个配送区域内，货物配送车辆从节点i行驶到节点j进行配送；
ps,ij表示在第s个配送区域内，从节点i行驶到节点j之间道路的拥堵系数，0≤p≤2，其值越高表示拥堵程度越高；
v表示货物配送车辆的平均行驶速度。
4.如权利要求3所述的一种基于蚁群算法的货物优化配送方法，其特征在于，所述蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，包括：
将确定好的m只蚂蚁放置在货物配送信息编码结果中的路径节点位置，每只蚂蚁随机的选择要走的路径，并且在路径上留下信息素，其中在t时刻蚂蚁转移方向概率的计算公式为：
Figure FDA0003117786720000013
其中：
Figure FDA0003117786720000014
表示蚂蚁k在t时刻从节点i到节点j移动的概率；
βij(t)表示t时刻(i,j)路径上的信息素浓度；
δij(t)表示t时刻(i,j)路径上的启发因子；
2表示信息素重要因子；
3表示启发函数重要程度因子；
U表示蚂蚁待访问节点的集合；
δij(t)＝1/(d0j+dij+djk)
其中：
d0j表示节点j离配送中心节点的距离；
djk表示节点j与待访问节点的距离；
dij表示两个节点之间的距离；
蚂蚁在任意时刻计算概率转移矩阵，将蚂蚁下一步将要选择的节点的集合看成一个圆，该圆被分割成若干个扇形，蚂蚁选择每一个节点的概率相当于每一个扇形的面积占大圆面积的比；利用rand函数来产生一个(0,1)之间的随机数来选择哪一个扇形面被选中，从而将对应节点作为下一时刻蚂蚁移动的节点，直到蚂蚁遍历完所有待访问节点；并记录访问路径的长度。
5.如权利要求4所述的一种基于蚁群算法的货物优化配送方法，其特征在于，所述在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，包括：
在每轮算法迭代后更新算法的信息素，所述信息素的更新公式为：
Figure FDA0003117786720000021
Figure FDA0003117786720000022
Figure FDA0003117786720000023
其中：
Figure FDA0003117786720000024
信息素增量，
Figure FDA0003117786720000025
表示蚂蚁k从t时刻到t+1时刻在路径(i,j)上产生的信息素；
Q为蚂蚁k遍历完所有待访问节点后留下的信息素之和；
F表示蚂蚁k在当前所找到的最优路径值，即多目标函数值最小的路径；
fk表示当前迭代次数中，蚂蚁k所找出路径值所对应的多目标函数值；
ρ表示挥发因子；
N表示当前迭代次数，NmaK表示蚁群算法的最大迭代次数；
将更新后的信息素导入信息素矩阵M中，并开始下一轮算法迭代，直到达到最大迭代次数；每轮迭代后输出一条路径，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
6.一种基于蚁群算法的货物优化配送系统，其特征在于，所述系统包括：
货物数据获取装置，用于获取货物配送信息，并将货物配送信息进行编码表示，得到货物配送信息编码结果；
数据处理器，用于建立货物配送的多目标函数，并初始化蚁群算法参数；
货物优化配送装置，用于将若干只蚂蚁放置在货物配送信息编码结果中的路径节点位置，蚂蚁根据挥发因子和启发因子选择下一步要走的节点位置，直到遍历完所有节点，并结束本轮算法；在每轮算法迭代后更新算法的信息素，直到达到最大迭代次数，从所有路径中选取多目标函数值最小的路径作为多目标函数的货物配送最优解，并输出货物配送的最优配送路径结果。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有货物优化配送程序指令，所述货物优化配送程序指令可被一个或者多个处理器执行，以实现如上所述的基于蚁群算法的货物优化配送的实现方法的步骤。
CN202110666949.5A 2021-06-16 2021-06-16 一种基于蚁群算法的货物优化配送方法及系统 Pending CN113222520A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110666949.5A CN113222520A (zh) 2021-06-16 2021-06-16 一种基于蚁群算法的货物优化配送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110666949.5A CN113222520A (zh) 2021-06-16 2021-06-16 一种基于蚁群算法的货物优化配送方法及系统

Publications (1)

Publication Number Publication Date
CN113222520A true CN113222520A (zh) 2021-08-06

Family

ID=77080382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110666949.5A Pending CN113222520A (zh) 2021-06-16 2021-06-16 一种基于蚁群算法的货物优化配送方法及系统

Country Status (1)

Country Link
CN (1) CN113222520A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963311A (zh) * 2021-10-22 2022-01-21 江苏安泰信息科技发展有限公司 一种安全生产风险视频监控方法及系统
CN114169804A (zh) * 2022-01-07 2022-03-11 昆明理工大学 一种用于多配送中心运输车辆的优化调度方法
CN114418056A (zh) * 2022-01-06 2022-04-29 电子科技大学 一种基于道路拥堵问题的改进蚁群算法
CN114781269A (zh) * 2022-05-09 2022-07-22 江苏佳利达国际物流股份有限公司 一种基于猫群算法的立体式仓储优化方法及立体式仓库
CN116108550A (zh) * 2023-04-13 2023-05-12 湖北工业大学 一种基于bim的多式联运的动态优化方法及系统
WO2023245740A1 (zh) * 2022-06-22 2023-12-28 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法
CN118411098A (zh) * 2024-07-01 2024-07-30 山东远盾网络技术股份有限公司 一种面向智能物流运输的物流信息数据压缩方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN102289712A (zh) * 2011-08-10 2011-12-21 天津商业大学 基于鱼群蚁群算法的时间最短应急物流路径的优化方法
CN105787596A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流路径优化方法
CN107833003A (zh) * 2017-11-28 2018-03-23 广州智网联运物流有限公司 物流运输系统与方法
CN109051320A (zh) * 2018-09-07 2018-12-21 于洋 物流运输系统以及物流系统
CN109740828A (zh) * 2019-02-28 2019-05-10 广州中国科学院沈阳自动化研究所分所 船舶航行路径规划方法、系统、介质和设备
CN110705742A (zh) * 2019-08-21 2020-01-17 浙江工业大学 一种基于改进蚁群算法的物流配送方法
CN111860754A (zh) * 2020-07-15 2020-10-30 无锡弘宜智能科技有限公司 基于蚁群以及遗传算法的agv调度方法
CN111967643A (zh) * 2020-07-13 2020-11-20 北京工业大学 一种基于贪婪自适应蚁群算法的任务调度方法
CN111967668A (zh) * 2020-08-17 2020-11-20 安徽理工大学 一种基于改进蚁群算法的冷链物流路径优化方法
CN112925315A (zh) * 2021-01-25 2021-06-08 河海大学 一种基于改进蚁群算法和a*算法的履带车路径规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308A1 (en) * 2009-11-27 2011-06-01 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN102289712A (zh) * 2011-08-10 2011-12-21 天津商业大学 基于鱼群蚁群算法的时间最短应急物流路径的优化方法
CN105787596A (zh) * 2016-02-29 2016-07-20 泰华智慧产业集团股份有限公司 一种基于改进蚁群算法的应急物流路径优化方法
CN107833003A (zh) * 2017-11-28 2018-03-23 广州智网联运物流有限公司 物流运输系统与方法
CN109051320A (zh) * 2018-09-07 2018-12-21 于洋 物流运输系统以及物流系统
CN109740828A (zh) * 2019-02-28 2019-05-10 广州中国科学院沈阳自动化研究所分所 船舶航行路径规划方法、系统、介质和设备
CN110705742A (zh) * 2019-08-21 2020-01-17 浙江工业大学 一种基于改进蚁群算法的物流配送方法
CN111967643A (zh) * 2020-07-13 2020-11-20 北京工业大学 一种基于贪婪自适应蚁群算法的任务调度方法
CN111860754A (zh) * 2020-07-15 2020-10-30 无锡弘宜智能科技有限公司 基于蚁群以及遗传算法的agv调度方法
CN111967668A (zh) * 2020-08-17 2020-11-20 安徽理工大学 一种基于改进蚁群算法的冷链物流路径优化方法
CN112925315A (zh) * 2021-01-25 2021-06-08 河海大学 一种基于改进蚁群算法和a*算法的履带车路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
唐金环: "《基于减排驱动的选址-路径-库存集成问题模型与求解研究》", 30 April 2019, 沈阳东北大学出版社 *
孟晓琳 等: "基于信息素更新和挥发因子调整的改进蚁群算法", 《成都大学学报（自然科学版）》 *
胡浩: "基于渐进挥发因子蚁群算法的配送路径优化研究", 《中国优秀硕士学位论文全文数据库（工程科技II辑）》 *
高博: "蚁群算法在多目标集成调度问题中的应用研究", 《中国优秀硕士学位论文全文数据库（基础科学辑）》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963311A (zh) * 2021-10-22 2022-01-21 江苏安泰信息科技发展有限公司 一种安全生产风险视频监控方法及系统
CN113963311B (zh) * 2021-10-22 2022-07-01 江苏安泰信息科技发展有限公司 一种安全生产风险视频监控方法及系统
CN114418056A (zh) * 2022-01-06 2022-04-29 电子科技大学 一种基于道路拥堵问题的改进蚁群算法
CN114169804A (zh) * 2022-01-07 2022-03-11 昆明理工大学 一种用于多配送中心运输车辆的优化调度方法
CN114169804B (zh) * 2022-01-07 2024-05-14 昆明理工大学 一种用于多配送中心运输车辆的优化调度方法
CN114781269A (zh) * 2022-05-09 2022-07-22 江苏佳利达国际物流股份有限公司 一种基于猫群算法的立体式仓储优化方法及立体式仓库
WO2023245740A1 (zh) * 2022-06-22 2023-12-28 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法
CN116108550A (zh) * 2023-04-13 2023-05-12 湖北工业大学 一种基于bim的多式联运的动态优化方法及系统
CN118411098A (zh) * 2024-07-01 2024-07-30 山东远盾网络技术股份有限公司 一种面向智能物流运输的物流信息数据压缩方法

Similar Documents

Publication Publication Date Title
CN113222520A (zh) 一种基于蚁群算法的货物优化配送方法及系统
US11227190B1 (en) Graph neural network training methods and systems
CN106355291B (zh) 基于门店点群平分线的物流路径规划方法
Wang et al. Multi-objective path finding in stochastic networks using a biogeography-based optimization method
CN113408774A (zh) 路线规划方法、装置、存储介质及电子设备
Qin et al. Solving multiple travelling officers problem with population-based optimization algorithms
CN107577786A (zh) 一种基于联合聚类的矩阵分解推荐方法
CN112819211A (zh) 一种基于蚁群迭代算法的多区域调度航线规划方法
Liu et al. Research on efficient online planning of emergency logistics path based on double-layer ant colony optimization algorithm
Kim et al. Ant colony optimisation with random selection for block transportation scheduling with heterogeneous transporters in a shipyard
CN117522088B (zh) 一种融合充电约束和容量约束的多电动物流车调度方法
Chen et al. Heuristics based ant colony optimization for vehicle routing problem
CN113705879A (zh) 一种多车场多车型车辆路径规划方法
CN117709968A (zh) 人员分配方法、装置、计算机设备和存储介质
Wang et al. Operational policies and performance analysis for overhead robotic compact warehousing systems with bin reshuffling
CN112862212B (zh) 基于改进麻雀搜索算法的多agv调度方法、装置及设备
US9779142B2 (en) Methods and systems to estimate query responses based on data set sketches
Oonsrikaw et al. Modified ant colony optimization algorithm for multiple-vehicle traveling salesman problems
CN113139669B (zh) 多目标路线规划的方法、装置、电子设备和存储介质
CN114862065A (zh) 社工任务规划方法、装置、电子设备及存储介质
CN113111132B (zh) 一种识别目标用户的方法和装置
CN114154394A (zh) 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
CN113570187A (zh) 车辆调度方法、装置、计算机设备和介质
US9536267B2 (en) Resolving pairwise links to groups
CN113554380A (zh) 一种物品出库定位方法和装置

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: 20210806

RJ01 Rejection of invention patent application after publication