CN113280828A - 一种路径规划方法、装置、设备和存储介质 - Google Patents
一种路径规划方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113280828A CN113280828A CN202110532552.7A CN202110532552A CN113280828A CN 113280828 A CN113280828 A CN 113280828A CN 202110532552 A CN202110532552 A CN 202110532552A CN 113280828 A CN113280828 A CN 113280828A
- Authority
- CN
- China
- Prior art keywords
- destination
- weight
- path
- pheromone
- parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000003016 pheromone Substances 0.000 claims abstract description 85
- 230000007704 transition Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 241000257303 Hymenoptera Species 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001652065 Trigonopeltastes delta Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文提供了一种路径规划方法、装置、设备和存储介质,属于自动程序设计技术领域,方法包括获取需遍历的目的地集合;获取任意两个目的地之间的权重数据,权重数据至少包括第一权重和第二权重,第一权重表征两个目的地之间路程,第二权重表征两个目的地之间畅行性;根据权重数据和预设的信息素参数,以不同的遍历顺序遍历目的地集合,得到由多条备选路径构成的路径集合;根据备选路径对信息素参数进行迭代,以更新路径集合,直至满足预设的迭代次数;从更新后的路径集合中选择最优路径。本文能够至少考虑到两个权重进行路径规划,从而解决了现有技术只能考虑一个权重规划路径的技缺陷,使得规划得到的路径具有提高物流配送效率的作用。
Description
技术领域
本发明涉及自动程序设计技术领域,尤其是一种路径规划方法、装置、设备和存储介质。
背景技术
在交通运输、物流配送等领域经常遇到寻找最佳路径的问题,例如,在物流配送场景中,需寻求途径多个物流站、快递站完成物流派送任务的同时,还寻求最高配送效率和/或最低的物流运输成本。
实际上,配送效率和/或物流运输成本往往不仅仅只受单一因素的影响。比如,会受到各物流站、快递站各个站点之间空间位置关系(即各站点之间路程远近)的影响,还会受到各站点之间通行效率的影响。通行效率主要反映的是路程的拥堵程度或畅行性。除此以外,还可能会受到需派发至各站点的物品数量的影响等等。
现有对最佳路径的规划方法只能考虑在一个因素下的最优路径的求解,例如,只能求解满足总路程最短的路径的求解,不能在考虑路程远近的因素上兼顾各路程区段的畅行性,因此求得求解的路径片面性,且求解得到的路径也往往不是配送效率最高或物流运输成本最低的最佳路径。
因此,本申请旨在提供一种能够兼顾多个因素求解最优路径的方法。
发明内容
针对现有技术的上述问题,本文的目的在于,提供一种路径规划方法、装置、设备和存储介质,以解决现有技术中无法综合考虑多个影响因素来规划最优路径的问题。
为了解决上述技术问题,本文的具体技术方案如下:
第一方面,本文提供一种路径规划方法,所述方法包括:
获取需遍历的目的地集合;
获取任意两个所述目的地之间的权重数据,所述权重数据至少包括第一权重和第二权重,所述第一权重表征两个所述目的地之间的路程,所述第二权重表征两个所述目的地之间的畅行性;
根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合;
根据所述备选路径对所述信息素参数进行迭代,以更新所述路径集合,直至满足预设的迭代次数;
从更新后的所述路径集合中选择最优路径。
第二方面,本文提供一种路径规划装置,包括:
第一获取模块,用于获取需遍历的目的地集合;
第二获取模块,用于获取任意两个所述目的地之间的权重数据,所述权重数据至少包括表征两个所述目的地之间路程的第一权重和表征两个所述目的地之间畅行性的第二权重;
路径集合获取模块,根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合;
路径集合更新模块,用于根据所述备选路径对所述信息素参数进行迭代以更新所述路径集合,直至满足预设的的迭代次数;
最优路径选择模块,用于从更新后的所述路径集合中选择最优路径。
第三方面,本文提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述技术方案提供的一种路径规划方法。
第四方面,本文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存储有执行计算机程序,所述计算机程序被处理器执行时实现上述技术方案提供的一种路径规划方法。
采用上述技术方案,本文所述的一种路径规划方法,能够考虑第一权重和第二权重,即兼顾目的地之间的路程因素和畅行性因素,来进行路径规划。不仅解决了现有技术中解决针对多个目标因素进行路径规划的技术难题,与仅依据单个因素规划路径的方法相比,能够得到更有利于提高物流配送效率的路径。
为让本文的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本文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文的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本文实施例提供的一种路径规划方法的步骤示意图;
图2示出了本文实施例提供的一种路径规划装置的结构示意图;
图3示出了本文实施例中一种设备的结构示意图。
附图符号说明:
10、第一获取模块;
20、第二获取模块;
30、路径集合获取模块;
40、路径集合更新模块;
50、最优路径选择模块;
302、计算机设备;
304、处理器;
306、存储器;
308、驱动机构;
310、输入/输出模块;
312、输入设备;
314、输出设备;
316、呈现设备;
318、图形用户接口;
320、网络接口;
322、通信链路;
324、通信总线。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。基于本文中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文保护的范围。
需要说明的是,本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为帮助理解本文的具体实施方式,先对现有技术做如下说明:
NP完全问题(Non-deterministic Polynomial Complete),是世界上七大数学难题之一,指的是多项式复杂程度的非确定性问题。
旅行商问题(Traveling Salesman Problem,TSP)是组合优化问题领域一个经典的、描述起来简单、但是处理起来困难的NP完全问题。旅行商问题是指:
多目标旅行商问题(Multi-objective TSP,MoTSP):而MoTSP研究的是路径上有多个权值的TSP,要求找一条通过所有顶点并最终回到起点的回路,使回路上的各个权值都尽可能小。由于在多目标情况下,严格最优解并不存在,而是得到一个解集。
旅行商问题(Traveling Salesman Problem,TSP)是一个经典的组合优化问题。其可以描述为:一个商品推销员要去若干个城市推销商品,该推销员从一个城市出发,需要经过所有城市后回到出发地,应如何选择行进路线以使得总的行程最短。从图论的角度来看,该问题实质是在一个带权完全无向图中,找一个权值最小的回路。由于该问题涉及到的可行解是所有顶点的全排列,所以随着顶点数的增加,涉及到的路径会成爆炸式的增加。旅行商问题代表组合优化问题,具有很强的实际应用价值,由其是在交通运输领域、电路板线路设计以及物流配送领域等等,因此吸引了大量的国内外学者对其进行研究。
蚁群算法就是一种常用的解决旅行商问题的方法。蚁群算法解决组合优化问题的基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。但对于蚁群算法,它只适用于单目标旅行商问题,即只适用于每条路径上只有一个权值的问题。而多目标旅行商问题研究的是每个路径上有多个权值,要求找一条通过所有顶点并最终回到起点的回路,使回路上的各个权值都尽可能小。因此,现有的蚁群算法无法解决多目标旅行商问题。
为了解决上述问题,本文实施例提供了一种解决多目标旅行商问题的方法,属于自动程序设计技术领域,具体地,所述方法包括:
S1:初始化设置;
包括:设置需遍历的N个城市、需对N个所述城市进行遍历的M个蚂蚁和迭代次数L,设置任意两个城市之间的第一权重和第二权重;
初始化阶段,设置任意两个所述城市之间信息素参数相等。
S2:遍历城市获得路径集合。
具体地,所述步骤S2包括如下步骤:
S21:对于每只蚂蚁,使其对N个城市中的每个均进行一次遍历,得到一条与该蚂蚁的遍历顺序相对应的备选路径。
具体操作如下:
设置未遍历的城市集合和已遍历的城市集合(也称之为禁忌表),则遍历前,所述未遍历的城市集合为该N个城市,所述未遍历的城市集合为空。
优选地,对于每只蚂蚁,计算任意两个城市之间的转移概率,根据转移概率遍历完所有N个城市。
所述转移概率根据所述信息素参数、所述第一权重和所述第二权重计算得到。
具体地,转移概率的计算公式如下:
其中,
其中,ηxy(t)为城市x与城市y之间的第一权重启发信息;fxy(t)为城市x与城市y之间的第二权重启发信息;dxy为城市x和城市y之间的第一权重;cxy为城市x和城市y之间的第二权重;allowedk(x)为第k只蚂蚁未遍历的城市集合。
对于每只蚂蚁,选择N个城市中的任意一个作为其第一目标城市,根据第一目标城市和所述未遍历的城市集合中剩下N-1个城市之间的转移概率选择下一个遍历的城市,记下一个遍历的城市为第二目标城市,将第一目标城市从未遍历的城市集合中移除并添加已遍历的城市集合至中;
将第二目标城市更新为第一目标城市,再从所述未遍历的城市集合中,根据转移概率选择下一个遍历的城市,循环上述步骤,直至该蚂蚁遍历完所有N个城市根据所述第一转移概率选择第二目标元素,即直至所述未遍历的城市集合为空。
遍历完所有城市之后,将第一个被遍历的城市与最后一个被遍历的城市相连,使得从起始点城市历经遍历之后又回到该起始点,即使得起始点城市与终点城市相同。
从而对于该蚂蚁,对应其对N个城市的遍历顺序,得到了一条为环路的备选路径。
进一步地,判断M只蚂蚁是否均进行了城市遍历;
则对应M只蚂蚁,可以获取M条备选路径,进而得到由M条备选路径形成的路径集合。
S22:根据M条备选路径对信息素参数进行迭代,以更新所述路径集合,直至满足预设的迭代次数;
S3:从更新后的所述路径集合中,筛选满足条件的路径并输出。
具体地,步骤S22可包括如下步骤:
判断是否满足预设的迭代次数L;本说明书实施例中,M只蚂蚁均完成一次遍历即为完成一次迭代。
若满足预设的迭代次数,则输出更新后的路径集合;
若不满足,则恢复未遍历城市集合和已遍历城市集合,即使得未遍历的城市集合仍为N个城市,已遍历的城市集合为空。
根据M条备选路径,计算每条备选路径的第一权重之和以及每条路径的第二权重之和。
根据第一权重之和以及第二权重之和,迭代更新所述信息素参数。
本说明书实施例中,所述信息素参数的更新规则为:
τxy(t+1)=ρτxy(t)+Δτxy(t);
其中,ρ为信息素参数挥发系数,τxy(t)为t时刻在城市x和城市y之间连线上的信息素参数,Δτxy(t)为t时刻在城市x和城市y之间连线上的信息素参数的增量。具体地,Δτxy(t)为:
其中,Lk为第k只蚂蚁遍历所有城市所形成的备选路径的第一权重之和;Mk为第k只蚂蚁遍历所有城市所形成的备选路径的第二权重之和,Q1和Q2均为常数。
根据更新后的信息素参数,再次计算任意两个城市之间的转移概率;
从而,在下一次迭代中,在随机选择每只蚂蚁的起始遍历城市后,以更新后的转移概率完成剩下其他城市的遍历。此时,根据更新后的转移概率进行遍历得到的备选路径可能与上一次迭代过程中得到的各备选路径不尽相同,从而实现对路径集合的更新扩充。
需要说明的是,从所述备选路径中选择的最佳路径可以有多条。
本说明书实施例提供的解决多目标旅行商问题的方法,可以应用于交通运输、电路板线路设计以及物流配送等等领域。以物流配送领域为例,快递员从物流中心取得若干待配送的包裹,将包裹配送到多个投递站后返回物流中心。各投递站间的地理位置关系(即任意两个投递站间的路程)以及任意两个投递站之间投递路径的畅通性(或拥堵性)均会对快递员完成此派送任务的效率造成影响。除此之外,投递效率还会受到其他因素的影响,例如:各投递站可用包裹柜的数量与需派送至此投递站的包裹数量之间的数量关系等等。因此,为了提高物流派送的效率,其配送路径的规划不应当仅考虑一个因素。
基于上述解决多目标旅行商问题的方法,本说明书实施例还提供的一种路径规划方法,能够兼顾多个影响因素,综合考虑规划得到优选的路径。图1是本文实施例提供的一种路径规划方法的步骤示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或装置产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示,所述方法可以包括:
图1所示,所述方法包括:
S100:获取需遍历的目的地集合;
本说明书实施例可应用的物流配送场景下,所述目的地可以是有包裹配送需求的投递点,所述目的地集合则为有包裹配送需求的投递点的集合。
S200:获取任意两个所述目的地之间的权重数据,所述权重数据至少包括第一权重和第二权重,所述第一权重表征两个所述目的地之间的路程,所述第二权重表征两个所述目的地之间的畅行性;
即第一权重表征任意两个投递点之间的路程;第二权重表征的是任意两个投递点之间路线的畅行性,畅行性越高说明单位路程所花的时间越少,反之所花费的时间则越长,即本说明书实施例中,至少从路程和畅行性这两个因素出发,规划使得配送效率最优化的路径。畅行性可以是随时间变化的函数。
S300:根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合;
S400:根据所述备选路径对所述信息素参数进行迭代,以更新所述路径集合,直至满足预设的迭代次数;
S500:从更新后的所述路径集合中选择最优路径。
本说明书实施例提供的路径规划方法,能够根据路程因素和路线畅行性因素,即至少两个因素,来规划派送路径。不仅解决了现有技术中不能解决多目标路径规划的技术难题,且与仅依据路程因素规划路径的方法相比,能够得到更加准确的路径,从而更有利于提高物流配送效率。
需要说明的是,本说明书实施例中,所述信息素要素表示的是上一次迭代后得到的各备选路径对下一次迭代时各备选路径的遍历顺序的影响;从所述路径集合中选择的最优路径可能不止有一条,可以是满足一定配送效率要求的可行解的解集。
具体地,步骤S300:根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的集合,进一步包括:
S310:根据所述权重数据和所述信息素参数,计算任意两个所述目的地之间的转移概率;
S320:根据所述转移概率以不同的遍历顺序遍历所述目的地集合,得到所述路径集合。
进一步地,步骤S320:根据所述转移概率以不同的遍历顺序遍历所述目的地集合,得到所述路径集合,包括:
S321:从所述目的地集合中选择任意一个目的地作为第一目的地,将所述第一目的地从所述目的地集合中移除;
根据所述第一目的地与目的地集合中其他目的地之间的转移概率,从移除第一目的地后的所述目的地集合中再选择一个目的地作为第二目的地;优选地,以轮盘赌的方式选择所述第二目的地。
将所述第二目的地更新为所述第一目的地;
将更新后的第一目的地从所述目的地集合中移除,重复上述第二目的地的遍历过程直至所述目的地集合为空;
根据各所述目的地的移除顺序得到一条所述备选路径。
通过上述遍历方法,使得对于目的地集合中的每个目的地均进行一次遍历,从而保证基于本说明书实施例提供的路径规划方法得到的路径,既满足对每个投递点的包裹配送要求,又不会对同一个投递点进行反复遍历从而使得路径冗余,提高路径质量提高配送效率。
需要说明的是,根据各所述目的地的移除顺序得到一条备选路径时,还包括将第一个被移除的目的地与最后一个被移除的目的地相连,从而使得本说明书实施例中,得到的各个备选路径均为路径回环。
需要说明的是,在根据各目的地的移除顺序得到一条所述备选路径之后,还包括恢复所述目的地集合,即将所有目的地再次添加回所述目的地集合中,以便于下次遍历操作。
经历步骤S321,仅是得到一条备选路径,因此,所述方法还包括:
S322:判断是否满足预设的遍历次数;
若未满足预设的遍历次数,则重复上述步骤S321;
若满足预设的遍历,则输出由多条所述备选路径构成的所述路径集合。
需要说明的是,所述路径集合中可能有相同的备选路径。
具体地,步骤S310包括:
S311:获取启发参数,所述启发参数包括信息素参数启发因子、第一权重启发因子和第二权重启发因子;
S312:根据所述第一权重和第一函数,计算任意两个目的地之间的第一权重启发信息;
优选地,所述第一函数为:
其中,ηxy(t)为t时刻,目的地x与目的地y之间的第一权重启发信息;dxy为目的地x和目的地y之间的第一权重;
S313:根据所述第二权重和第二函数,计算任意两个目的地之间的第二权重启发信息;
本说明书实施例中,优选地,实施第二函数为:
其中,fxy(t)为t时刻,目的地x与目的地y之间的第二权重启发信息;cxy为目的地x和目的地y之间的第二权重。
S314:根据所述信息素参数、所述第一权重启发信息、第二权重启发信息、所述启发参数和转移概率计算公式,计算任意两个所述目的地之间的转移概率。
优选地,本说明书实施例中,实施专利概率计算公式为:
其中,为t时刻第k条备选路径中,目的地x与目的地y之间的转移概率;τxy(t)为t时刻在目的地x与目的地y之间连线上的信息素参数;allowedk(x)为用于第k次选择第二目的地的所述目的地集合;α为信息素参数启发因子,β为第一权重启发因子,c为第二权重启发因子。
进一步地,步骤S400:根据所述备选路径对所述信息素参数进行迭代,进一步包括:
S410:根据所述路径集合,计算各个上述备选路径的第一权重之和以及各个备选路径的第二权重之和;
由于本说明书实施例中,所述备选路径均为路径回环,因此所述第一权重之和为,沿该条备选路径上各目的地之间遍历顺序,对相邻两个目的地间第一权重的求和结果;第二权重之和则为,沿该条备选路径上各目的地遍历顺序,对相邻两个目的地间第二权重的求和结果。对于每条备选路径,则均计算得到一个第一权重之和与第二权重之和。
S420:根据所述第一权重之和与所述第二权重之和,计算所述信息素参数的增量;
S430:根据所述增量更新所述信息素参数。
本说明书实施例中,优选地,步骤S420:根据所述第一权重之和与所述第二权重之和,计算所述信息素参数的增量,具体包括以下步骤:
S421:根据所述第一权重之和与所述第二权重之和,计算每条所述备选路径对所述信息素参数的单一增量;
S422:根据所述单一增量,计算所述信息素参数的增量。
步骤S422进一步包括:
S4221:根据所述单一增量,计算所述路径集合中所有所述备选路径对所述信息素参数的所述增量Δτxy(t);
所述增量可根据如下公式计算得到:
其中Δτxy(t)为t时刻,所述路径集合中所有所述备选路径对目的地x和目的地y之间连线上的信息素参数的增量,m为集合中备选路径的数量;
S4222:根据所述增量,更新所述信息素参数。
具体地,根据所述增量,基于信息素参数更新公式,更新所述信息素参数;
所述信息素参数更新公式为:
τxy(t+1)=ρτxy(t)+Δτxy(t);
其中,ρ为信息素参数挥发系数,τxy(t+1)为更新后(即第t+1次迭代时)目的地x与目的地y之间连线上的信息素参数;τxy(t)为t时刻(即第t次迭代时)在目的地x和目的地y之间连线上的信息素参数,Δτxy(t)为t时刻在目的地x和目的地y之间连线上的信息素参数的增量。
本说明书实施例中,优选地,所述信息素参数挥发系数ρ的取值范围为大于0小于等于1。
优选地,步骤S500:从更新后的所述路径集合中旋转最优路径,可以是综合考虑第一权值要素和第二权重要素,选取第一权值之和与第二权重之和均尽可能小的备选路径作为最优路径。
需要说明的是,本说明书实施例中,由于各条备选路径均为回环路径,因此,可能会有多条备选路径它们的第一权重之和以及第二权重之和均相等,这是因为对于同一个闭环路径来说,其可以从不同的目的地为起点遍历得到。
在一可行的实施例中,设置目的地集合中目的地的数量为34个,选择1至99之间的数作为任意两个目的地之间的第一权重和第二权重;设置遍历次数为50次,迭代次数为100次。
设置信息素参数启发因子α=1;
第一权重启发因子β=1;
第二权重启发因子c=1,在这一实施例中,第一权重启发因子与第二权重启发因子相等,即第一权重与第二权重的重要性程度相当。
设置信息素参数挥发系数ρ=0.1;
设置常数Q1=1和Q2=1;
则第t次迭代后得到所述路径集合中,为使得第一权重之和与第二权重之和均尽可能的小,选择的最优路径如表1所示:
表1
迭代次数 | 第一权重之和 | 第二权重之和 |
1 | 1028.0 | 1091.0 |
2 | 934.0 | 996.0 |
3 | 844.0 | 876.0 |
4 | 730.0 | 784.0 |
9 | 730.0 | 784.0 |
10 | 671.0 | 772.0 |
14 | 671.0 | 772.0 |
15 | 688.0 | 677.0 |
33 | 688.0 | 677.0 |
34 | 647.0 | 674.0 |
48 | 647.0 | 674.0 |
49 | 595.0 | 639.0 |
88 | 595.0 | 639.0 |
89 | 589.0 | 618.0 |
100 | 589.0 | 618.0 |
表1为最优路径的第一权重之和与第二权重之和随迭代次数的变化。表格中,省略的迭代次数表示该迭代次数对应选择出的最优路径与上一次迭代对应的最优路径相比没有变化。
需要说明的是,本具体实施例中,对于最优路径其可以同时实现第一权重之和的最小化以及第二权重之和的最小化。但在某些实施例中,可能出现这样的场景:该备选路径对应的第一权重之和最小,但其第二权重之和并非最小。此时,可对第一权重启发因子和第二权重启发因子进行调整,使得对其中一个更为侧重;还可以对得到的第一权重之和与第二权重之和再进行加权处理等等。
从更新所述路径集合中选择最优路径并输出,包括:
根据所述第一权重之和与所述第二权重之和,从所述集合中选择最优路径。
对于选择出的最优路径,由于各目的地之间的相对遍历顺序是已知的,因此,可对选择出的最优路径以物流中心为起始点目的地(终点目的地),则得到能够提高配送效率的路径。
本说明书实施例提供的路径规划方法,还可以满足需要考虑三个权重数据的场景下的路径规划需求。则与上述仅考虑第一权重和第二权重进行路径规划的方法相比,区别在于:
S200’:获取任意两个所述目的地之间的权重数据,所述权重数据至少包括第一权重、第二权重和第三权重,所述第一表征两个所述目的地之间的路程,所述第二权重表征两个所述目的地之间的畅行性,所述第三权重可以表征任意两个目的地之间的经济性,例如燃油经济性。
燃油经济性可以是与两个目的地之间道路行车质量,例如,道路越颠簸、破损则燃油经济性越低。以上仅是一些可行的示例,相关技术人员可根据实际使用需求,实际调整、选择第一权重、第二权重和第三权重。
则相应地,区别还在于,
S300’:根据所述第一权重、所述第二权重、所述第三权重和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合。
则根据转移概率得到备选路径时,转移概率计算公式为:
其中,为t时刻第k条备选路径中,目的地x与目的地y之间的转移概率;τxy(t)为t时刻在目的地x与目的地y之间连线上的信息素参数;ηxy(t)为t时刻,目的地x与目的地y之间的第一权重启发信息;fxy(t)为t时刻,目的地x与目的地y之间的第二权重启发信息,gxy(t)为t时刻,目的地x与目的地y之间的第三权重启发信息;allowedk(x)为用于第k次选择第二目的地的所述目的地集合;α为信息素参数启发因子,β为第一权重启发因子,c为第二权重启发因子,d为第三权重启发因子。
且τxy(t+1)=ρτxy(t)+Δτxy(t);
ρ为信息素参数挥发系数;τxy(t+1)为更新后目的地x与目的地y之间连线上的信息素参数参数;τxy(t)为t时刻在目的地x和目的地y之间连线上的信息素参数,Δτxy(t)为t时刻在目的地x和目的地y之间连线上的信息素参数的增量。Δτxy(t)通过如下公式计算得到:
其中,Lk为第k条所述备选路径的所述第一权重之和;Mk为第k条所述备选路径的所述第二权重之和,Nk为第k条所述备选路径的所述第三权重之和。
在另一个可行的实施例中,设置目的地集合中目的地的数量为34个,随机选择1至99之间的数作为任意两个目的地之间的第一权重、第二权重和第三权重;设置遍历次数为50次,迭代次数为100次。
设置信息素参数启发因子α=1;
第一权重启发因子β=1;
第二权重启发因子c=1;
以及第三权重启发因子d=1,在这一实施例中,第一权重启发因子、第二权重启发因子和第三权重启发因子均相等,表示在规划路径时第一权重、第二权重与第三权重的重要性程度相当。
设置信息素参数挥发系数ρ=0.2;
设置常数Q1=1、Q2=1和Q3=1;
则第k次迭代后所述路径集合中,使得第一权重之和、第二权重之和以及第三权重之和均尽可能的小,选择的最优路径如下表2所示:
表2
迭代次数 | 第一权重之和 | 第二权重之和 | 第三权重之和 |
1 | 1037.0 | 993.0 | 1249.0 |
2 | 1005.0 | 859.0 | 1074.0 |
3 | 901.0 | 821.0 | 1014,0 |
4 | 740.0 | 793.0 | 987.0 |
12 | 740.0 | 793.0 | 987.0 |
13 | 636.0 | 745.0 | 964.0 |
77 | 636.0 | 745.0 | 964.0 |
78 | 629.0 | 732.0 | 942.0 |
100 | 629.0 | 732.0 | 942.0 |
表2是最优路径的第一权重之和、第二权重之和与第三权重之和随迭代次数的变化。以上,只是对考虑三个权重数据来规划路径的方法与考虑两个权重数据来规划路径的方法的不同之处进行的说明,其他相同相似之处互相参照即可,此处不再一一赘述。
本说明书实施例提供的路径规划方法,还可以对更多因素(三个以上)进行综合考虑来规划路径,则对于转移概率计算公式和计算单一增量的公式进行相应调整即可。因此,本说明书实施例提供的路径规划方法,良好地继承了基本蚁群算法导向明确、快速高效的特点,且可扩展以应用于对于多目标路径规划的解决。
如图2所示,本说明书实施例中,还提供一种路径规划装置,包括:
第一获取模块10,用于获取需遍历的目的地集合;
第二获取模块20,用于获取任意两个所述目的地之间的权重数据,所述权重数据至少包括表征两个所述目的地之间路程的第一权重和表征两个所述目的地之间畅行性的第二权重;
路径集合获取模块30,根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合;
路径集合更新模块40,用于根据所述备选路径对所述信息素参数进行迭代以更新所述路径集合,直至满足预设的的迭代次数;
最优路径选择模块50,用于从更新后的所述路径集合中选择最优路径。
本说明书实施例提供的一种路径规划方法和装置,能够解决在多个因素(即多个权重)下的路径规划问题,提高路径规划准确性;在应用在物流配送领域时,能够综合多个因素,规划得到既具有路程短、花费时间少,又具有经济性高、风险性小等等优点的路径,从而最终有利于提高配送效率。
相关技术人员在根据本说明书实施例披露的解决多目标旅行商问题的方法,以及在物流领域中应用的路径规划方法,容易结合其他领域的应用特点,将其转化应用到其他领域中。
如图3所示,为本文实施例提供的一种计算机设备,所述计算机设备302可以包括一个或多个处理器304,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备302还可以包括任何存储器306,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储器306可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留。进一步地,任何存储器可以表示计算机设备302的固定或可移除部件。在一种情况下,当处理器304执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备302可以执行相关联指令的任一操作。计算机设备302还包括用于与任何存储器交互的一个或多个驱动机构308,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备302还可以包括输入/输出模块310(I/O),其用于接收各种输入(经由输入设备312)和用于提供各种输出(经由输出设备314))。一个具体输出机构可以包括呈现设备316和相关联的图形用户接口(GUI)318。在其他实施例中,还可以不包括输入/输出模块310(I/O)、输入设备312以及输出设备314,仅作为网络中的一台计算机设备。计算机设备302还可以包括一个或多个网络接口320,其用于经由一个或多个通信链路322与其他设备交换数据。一个或多个通信总线324将上文所描述的部件耦合在一起。
通信链路322可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路322可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于上述技术方案提供的路径规划方法,本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行上述技术方案提供的路径规划方法。
应理解,在本文的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本文实施例的实施过程构成任何限定。
还应理解,在本文实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本文所提供的几个实施例中,应该理解到,所揭露的系统、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系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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文实施例方案的目的。
另外,在本文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,也可以是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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文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,该计算机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台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文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(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。
Claims (15)
1.一种路径规划方法,其特征在于,包括:
获取需遍历的目的地集合;
获取任意两个所述目的地之间的权重数据,所述权重数据至少包括第一权重和第二权重,所述第一权重表征两个所述目的地之间的路程,所述第二权重表征两个所述目的地之间的畅行性;
根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合;
根据所述备选路径对所述信息素参数进行迭代,以更新所述路径集合,直至满足预设的迭代次数;
从更新后的所述路径集合中选择最优路径。
2.根据权利要求1所述的一种路径规划方法,其特征在于,所述根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的集合,包括:
根据所述权重数据和所述信息素参数,计算任意两个所述目的地之间的转移概率;
根据所述转移概率以不同的遍历顺序遍历所述目的地集合,得到所述路径集合。
3.根据权利要求2所述的一种路径规划方法,其特征在于,所述根据所述转移概率以不同的遍历顺序遍历所述目的地集合,得到所述路径集合,包括:
从所述目的地集合中选择任意一个目的地作为第一目的地,将所述第一目的地从所述目的地集合中移除;
根据所述第一目的地与所述目的地集合中其他目的地之间的转移概率,从所述目的地集合中选择一个目的地作为第二目的地,将所述第二目的地更新为所述第一目的地;
将更新后的所述第一目的地从所述目的地集合中移除,直至所述目的地集合为空;
根据各所述目的地的移除顺序得到一条所述备选路径。
4.根据权利要求3所述的一种路径规划方法,其特征在于,所述方法还包括:
判断是否满足预设的遍历次数;
若是,输出由多条所述备选路径构成的所述路径集合。
5.根据权利要求3所述的一种路径规划方法,其特征在于,所述根据所述权重数据和所述信息素参数,计算任意两个所述目的地之间的转移概率,包括:
获取启发参数,所述启发参数包括信息素参数启发因子、第一权重启发因子和第二权重启发因子;
根据第一函数和所述第一权重,计算任意两个所述目的地之间的第一权重启发信息;
根据第二函数和所述第二权重,计算任意两个所述目的地之间的第二权重启发信息;
根据所述信息素参数、所述第一权重启发信息、第二权重启发信息、所述启发参数和转移概率计算公式,计算任意两个所述目的地之间的转移概率。
8.根据权利要求1所述的一种路径规划方法,其特征在于,所述根据所述备选路径对所述信息素参数进行迭代,包括:
根据所述路径集合,计算各个所述备选路径的第一权重之和以及各个所述备选路径的第二权重之和;
根据所述第一权重之和与所述第二权重之和,计算所述信息素参数的增量;
根据所述增量更新所述信息素参数。
11.根据权利要求10所述的一种路径规划方法,其特征在于,所述根据所述增量更新所述信息素参数,包括:
根据所述增量,基于信息素参数更新公式,更新所述信息素参数;
所述信息素参数更新公式为:
τxy(t+1)=ρτxy(t)+Δτxy(t);
其中,ρ为信息素参数挥发系数,τxy(t+1)为更新后目的地x与目的地y之间连线上的信息素参数;τxy(t)为t时刻在目的地x和目的地y之间连线上的信息素参数,Δτxy(t)为t时刻在目的地x和目的地y之间连线上的信息素参数的增量。
12.根据权利要求11所述的一种路径规划方法,其特征在于,所述信息素参数挥发系数的取值范围为大于0小于等于1。
13.一种路径规划装置,其特征在于,包括:
第一获取模块,用于获取需遍历的目的地集合;
第二获取模块,用于获取任意两个所述目的地之间的权重数据,所述权重数据至少包括表征两个所述目的地之间路程的第一权重和表征两个所述目的地之间畅行性的第二权重;
路径集合获取模块,根据所述权重数据和预设的信息素参数,以不同的遍历顺序遍历所述目的地集合,得到由多条备选路径构成的路径集合;
路径集合更新模块,用于根据所述备选路径对所述信息素参数进行迭代以更新所述路径集合,直至满足预设的的迭代次数;
最优路径选择模块,用于从更新后的所述路径集合中选择最优路径。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至12任意一项所述的方法。
15.一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存储有执行计算机程序,所述计算机程序被处理器执行时实现如权利要求1至12任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532552.7A CN113280828B (zh) | 2021-05-17 | 2021-05-17 | 一种路径规划方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532552.7A CN113280828B (zh) | 2021-05-17 | 2021-05-17 | 一种路径规划方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113280828A true CN113280828A (zh) | 2021-08-20 |
CN113280828B CN113280828B (zh) | 2022-11-22 |
Family
ID=77279371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532552.7A Active CN113280828B (zh) | 2021-05-17 | 2021-05-17 | 一种路径规划方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113280828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094460A (zh) * | 2023-08-28 | 2023-11-21 | 北京科技大学 | 一种基于od数据的多目标旅行商控制方法、系统及介质 |
Citations (7)
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 |
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN108844549A (zh) * | 2018-07-04 | 2018-11-20 | 深圳凯达通光电科技有限公司 | 一种可靠的物流配送导航系统 |
US20190107404A1 (en) * | 2017-06-13 | 2019-04-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining estimated time of arrival |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN109784558A (zh) * | 2019-01-11 | 2019-05-21 | 浙江工业大学 | 一种基于蚁群算法的电动汽车充电调度优化方法 |
CN109919345A (zh) * | 2017-12-12 | 2019-06-21 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
-
2021
- 2021-05-17 CN CN202110532552.7A patent/CN113280828B/zh active Active
Patent Citations (7)
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 |
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
US20190107404A1 (en) * | 2017-06-13 | 2019-04-11 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining estimated time of arrival |
CN109919345A (zh) * | 2017-12-12 | 2019-06-21 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
CN108844549A (zh) * | 2018-07-04 | 2018-11-20 | 深圳凯达通光电科技有限公司 | 一种可靠的物流配送导航系统 |
CN109726852A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN109784558A (zh) * | 2019-01-11 | 2019-05-21 | 浙江工业大学 | 一种基于蚁群算法的电动汽车充电调度优化方法 |
Non-Patent Citations (3)
Title |
---|
MOHAMMAD SHOKOUHIFAR: "FH-ACO: Fuzzy heuristic-based ant colony optimization for joint virtual network function placement and routing", 《APPLIED SOFT COMPUTING》 * |
吕鹏程: "基于AD-census和多权值的自适应窗口的立体匹配算法", 《工业控制计算机》 * |
李枭等: "基于交通拥堵指数的蚁群改进算法研究", 《软件导刊》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094460A (zh) * | 2023-08-28 | 2023-11-21 | 北京科技大学 | 一种基于od数据的多目标旅行商控制方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113280828B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10474953B2 (en) | Systems and methods for multi-objective optimizations with decision variable perturbations | |
Shahvari et al. | Hybrid flow shop batching and scheduling with a bi-criteria objective | |
Adulyasak et al. | Benders decomposition for production routing under demand uncertainty | |
Skinderowicz | An improved ant colony system for the sequential ordering problem | |
Goodson et al. | Cyclic-order neighborhoods with application to the vehicle routing problem with stochastic demand | |
CN109214756B (zh) | 整车物流调度方法及装置、存储介质、终端 | |
US11676038B2 (en) | Systems and methods for multi-objective optimizations with objective space mapping | |
Danloup et al. | A comparison of two meta-heuristics for the pickup and delivery problem with transshipment | |
Goldbarg et al. | Memetic algorithm for the traveling car renter problem: an experimental investigation | |
Bayliss et al. | A two-phase local search with a discrete-event heuristic for the omnichannel vehicle routing problem | |
CN113280828B (zh) | 一种路径规划方法、装置、设备和存储介质 | |
CN111238481A (zh) | 一种多路径规划方法和系统 | |
Prodhon et al. | Metaheuristics for vehicle routing problems | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
Khan et al. | A novel hybrid algorithm for generalized traveling salesman problems in different environments | |
Duan et al. | A data-driven column generation algorithm for bin packing problem in manufacturing industry | |
Bianchessi et al. | The min-max close-enough arc routing problem | |
Powell | Designing lookahead policies for sequential decision problems in transportation and logistics | |
Bayram et al. | Optimal order batching in warehouse management: A data-driven robust approach | |
Pérez-Rodríguez et al. | Simulation optimization for the vehicle routing problem with time windows using a Bayesian network as a probability model | |
CN114169488B (zh) | 基于混合元启发式算法的带容量约束的车辆路径获取方法 | |
Labadie et al. | An evolutionary algorithm with path relinking for a bi-objective multiple traveling salesman problem with profits | |
Wang et al. | Modeling and analysis for multi-period, multi-product and multi-resource production scheduling | |
Izdebski et al. | Some aspects of the application of genetic algorithm for solving the assignment problem of tasks to resources in a transport company | |
Heßler et al. | Modeling and exact solution of picker routing and order batching problems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |