CN113313285B - 多约束条件的车辆路径优化方法、系统、存储介质及设备 - Google Patents
多约束条件的车辆路径优化方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113313285B CN113313285B CN202110430100.8A CN202110430100A CN113313285B CN 113313285 B CN113313285 B CN 113313285B CN 202110430100 A CN202110430100 A CN 202110430100A CN 113313285 B CN113313285 B CN 113313285B
- Authority
- CN
- China
- Prior art keywords
- customer
- vehicle
- antibody
- customers
- goods
- 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.)
- Active
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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及多约束条件的车辆路径优化方法、系统、存储介质和设备,包括以下步骤:获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量;基于配货总成本最小目标函数,求解优化后的车辆路径;目标函数中具有约束条件,约束条件包括:每个顾客由至少一辆车服务,每辆车可以服务至少一名顾客,多辆车同时服务同一个顾客;顾客按照时间窗的时间接受服务,当车辆早于时间窗到达顾客点,需要等待时间窗最早时间的到达再开始服务顾客;当车辆晚于时间窗到达顾客点,需要立即开始服务顾客。能够提升配送效率的同时降低配送成本。
Description
技术领域
本发明涉及车辆路径优化领域,具体为多约束条件的车辆路径优化方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
超市配送过程以及救援场所等场景下完成配货的车辆通常会出于配送效率和成本的考虑,要求车辆同时完成取货和交货,并且车辆的总行驶距离和车辆总数量要尽可能的少,而在取货交货的同时对产品种类也有一定的要求,在时间窗的限制下,每个车辆会连续访问多个顾客,完成每个顾客对不同种类产品的取货和交货的需求,直到达到结束条件返回仓库。
车辆路径优化问题(PC-VRPSPDTW)是对经典CVRP问题的拓展,是该领域中的NP-hard问题,其主要特点是在满足车辆运载能力的条件下尽可能多的服务顾客,使最终车辆行驶的总距离最小或顾客满意度最大为目标。
目前,现有技术提出了一系列启发式算法来应对上述需求。例如, Yong Shi等人提出了一种基于学习的两阶段算法,高效的解决了VR PSPDTW问题。Shengcai Liu等人开发了一种新的包含路由继承和基于后悔的节点重插入的交叉算子,并融合了高效的局部搜索过程的文化基因算法(MATE)。Bari和Italy针对单目标同时取货交货和门到门操作(VRPSPD-D2D)提出了基于两个蜜蜂启发式的元启发式算法(AB C和BCO)。PaweSitek等人提出了一种能够建模和解决CVRPADTW s的混合方法,并融合了CLP和MP,解决在配送网络中引入了替代配送点和包裹寄存柜的问题。KHOUKHI等人设计了一种基于路径优先聚类二次法和分裂过程的遗传算法,并进行交叉和变异操作以确保种群的探索和多样性。
目前,针对带有时间窗限制、同时取货交货且货物含有不同种类的配货车辆路径优化方法较复杂,计算成本高,难以有效的减少配货车辆的运行成本。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供多约束条件的车辆路径优化方法、系统、存储介质及设备,以配货的总成本最少为优化目标优化车辆的路径,优化后的路径减少顾客被不同车辆服务的次数,减少服务顾客所需的车辆数目,减少车辆行驶的总距离和总惩罚,并且多辆车运输不同种类的产品,提升配送效率的同时降低配送成本。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供多约束条件的车辆路径优化方法,包括以下步骤:
获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量;
基于配货总成本最小目标函数,求解优化后的车辆路径;
目标函数中具有约束条件,约束条件包括:
每个顾客由至少一辆车服务,每辆车可以服务至少一名顾客,多辆车同时服务同一个顾客;顾客按照时间窗的时间接受服务,当车辆早于时间窗到达顾客点,需要等待时间窗最早时间的到达再开始服务顾客;当车辆晚于时间窗到达顾客点,需要立即开始服务顾客。
约束条件还包括:车辆的负载能力不超过最大容量Q;车辆对顾客的服务时间安排必须满足时间窗约束;最多使用k辆车;若顾客对某类货物有需求,则同时有取货和交货需求;所有车辆从仓库出发并最终回到仓库。
目标函数为:
min e(r)=(max(ck),|r|,dis(r),pun(r));
其中,e(r)表示按照重要性降序排序的词典评价函数,max(ck)表示所有顾客中被不同车辆服务最多的次数,|r|表示找到解最多需要的车辆数目,dis(r)和pun(r)分别代表该解所需车辆行驶的总距离和总惩罚。
利用改进的人工免疫算法求解目标函数,步骤如下:
步骤a:产生初始抗体群体;使用ETRC算法生成初始解;
步骤b:计算抗体亲和度和浓度;计算初始抗体群体中抗体对抗原的亲和度、抗体对抗体的亲和度及抗体浓度;
步骤c:对抗体进行克隆;将求得的抗体亲和度和浓度的加权值最大的抗体作为最优抗体并克隆指定数目个抗体,剩余抗体数量则采用轮盘赌策略对其进行克隆;
步骤d:对所得抗体种群进行变异处理;使用交叉算子、变异算子和变邻域搜索策略(VNS)处理抗体使其变异产生新的抗体;
步骤e:重复执行步骤a到步骤d;直到达到最大免疫代数求得该免疫代数下的最优解作为优化后的路径。
本发明的第二个方面提供基于上述多约束条件的车辆路径优化方法的系统,包括:
路径优化函数构建模块,被配置为:获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量,构建以配货总成本最小为目标的函数;
路径优化函数求解和优化方案下发模块,被配置为:求解目标函数的结果作为优化后的车辆路径,将求解得到的车辆路径发送给相应车辆。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的多约束条件的车辆路径优化方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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程序时实现如上述所述的多约束条件的车辆路径优化方法中的步骤。
与现有技术相比,以上一个或多个技术方案存在以下有益效果:
1、获得的车辆路径考虑了产品分类、时间窗限制、和同时取货交货的多种约束条件,在数学思想下使通过ETRC初始化算法得到目标值更好的初始解,每一个顾客都作为种子生成一条路径,充分利用了种子顾客的时间窗和容量约束的作用,并在这些解中选择最好的一个作为初始解,为使用人工免疫算法进行路径优化提供了更好的基础。
2、路径的计算过程中,通过ETRC算法可以得到目标值较好的初始解,尤其对目标一--顾客被不同车辆服务的次数具有较好的优化效果。
3、路径的计算过程采用改进的人工免疫算法对初始解进行优化,通过一系列交叉和变异策略,对不同顾客在不同车辆产生的适应度值进行计算和优化,可以有效地减小车辆行驶的总距离和总惩罚,间接的减少了配货车辆运行的总成本。
4、路径的计算过程使用变邻域搜索策略,增加了解的多样性,并通过消除最小路径减少了服务顾客所需的车辆数目,减少了配送过程的总成本。
5、多种算法相辅相成,一个目标的优化有利于带动其他目标的优化,以减少顾客被不同车辆服务的次数,减少服务顾客所需的车辆数目,减少车辆行驶的总距离和总惩罚作为车辆路径优化的目标,更具有实用意义。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的人工免疫算法流程图;
图2是本发明一个或多个实施例提供的编码策略示意图;
图3是本发明一个或多个实施例提供的车辆路线模拟示意图;
图4是本发明一个或多个实施例提供的VNS同一路径交换顾客位置示意图;
图5是本发明一个或多个实施例提供的VNS不同路径交换顾客位置示意图;
图6是本发明一个或多个实施例提供的VNS同一路径重定位顾客位置示意图;
图7是本发明一个或多个实施例提供的VNS不同路径重定位顾客位置示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的,带产品分类和时间窗的同时取货交货的车辆路径优化问题(PC-VRPSPDTW)是对经典CVRP问题的拓展,也是一个NP-hard问题。该问题的关键点在于同时取货交货的期间还对产品种类也有一定的要求,在时间窗的限制下,每个车辆会连续访问多个顾客,完成每个顾客对不同产品种类取货和交货的需求,直到达到结束条件返回仓库。
实施例一:
如图1-7所示,多约束条件的车辆路径优化方法,包括以下步骤:
获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量;
基于配货总成本最小目标函数,求解优化后的车辆路径;
目标函数中具有约束条件,约束条件包括:每个顾客由至少一辆车服务,每辆车可以服务至少一名顾客,多辆车同时服务同一个顾客;顾客按照时间窗的时间接受服务,当车辆早于时间窗到达顾客点,需要等待时间窗最早时间的到达再开始服务顾客;当车辆晚于时间窗到达顾客点,需要立即开始服务顾客。
约束条件还包括:车辆的负载能力不超过最大容量Q;车辆对顾客的服务时间安排必须满足时间窗约束;最多使用k辆车;若顾客对某类货物有需求,则同时有取货和交货需求;所有车辆从仓库出发并最终回到仓库。
具体的过程为:
针对车辆路径优化问题,本实施例提出采用ETRC初始化算法和改进的人工免疫算法求解,每个解由四个目标组成,分别是:
一个顾客被服务所需车辆数目的最大值,解中使用的车辆数目;
所有车辆的总行驶距离;
所有车辆的总惩罚值;
车辆所运输的产品种类;
车辆所运输的产品种类通常是固定的,因此不能满足所有顾客的需求,需要多辆车运输不同种类的产品,因此这种设定更具有实际意义。除此之外,本实施例还采用了一种变邻域搜索策略VNS,对可能存在的最优解进行深度搜索,提高找到更好的解的可能性。
1.带产品分类和时间窗的同时取货交货的车辆路径优化问题描述:
物流系统网络可以被定义为一个图G=(N,A),其中N是节点集合, A={(i,j)|i≠j,i,j∈N}是两个节点之间的边集合。集合N包括两部分,分别是仓库节点0和顾客节点集合C。每个顾客有pi种类型的取货产品需求,其中pi∈{1,...,p},有qi种类型的交货产品需求,其中qi∈{1,...,q};车辆可以运输的产品类型为l。每个顾客都有一个时间窗[ei,li],当车辆早于ei到达顾客点时,车辆需要等待;当车辆到达时间晚于li时,则直接开始对顾客提供。在提出的模型中,做了如下假设:
·每个客户多可以被多辆车多次访问。
·客户的需求不能超过车辆的能力。
·所有车辆均从仓库出发,并最终回到仓库结束。
·只有一个仓库。
·每个客户若对一种产品有需求,则同时有取货和交货的需求。
·车辆能够运输产品的种类数小于顾客所需产品类型的最大值。
·每辆车在调度期内只能行驶一次。
模型中的参数和符号含义如表1所示:
表1:参数和符号含义汇总
符号 | 含义 |
N | 所有节点集合 |
C | 顾客集合 |
K | 车辆集合 |
G | 不同种类产品集合 |
c<sub>i</sub> | 指代第i个顾客 |
k<sub>i</sub> | 指代第i辆车 |
Q | 车辆的最大容量 |
D<sub>i</sub> | 第i个顾客的交货集合,i∈C |
P<sub>i</sub> | 第i个顾客的取货集合,i∈C |
e<sub>i</sub> | 顾客i的最早服务时间 |
l<sub>i</sub> | 顾客i的最迟服务时间 |
arr<sub>i</sub> | 车辆到达顾客i的时间 |
dur<sub>i</sub> | 顾客i所需的服务时间 |
模型中的约束条件如表2所示:
表2:约束条件汇总
上表中的函数(1)是一种词典评价函数,由四部分组成,分别是一个顾客被服务所需车辆数目的最大值,解中使用的车辆数目,所有车辆的总行驶距离和所有车辆造成的总惩罚值。这四部分按照重要性降序排列。是模型的目标函数。
约束(2)是为了确保卡车的负载能力不超过最大能力Q。
约束(3)保证了车辆在服务顾客时不会超过车辆从仓库运来的产品总量。
约束(4)至(5)是为了确保每个客户可以被多辆车服务。
约束(6)至(7)确保向客户的服务启动时间在时间范围内。
约束(8)确保车辆到达并离开其服务的客户。
约束(9)和(10)保证最多使用K辆车。
约束(11)至(13)确定变量的范围。
2提出的算法
人工免疫算法近几年受到诸多学者的青睐,其研究成果也逐渐丰硕起来,虽然现在技术还不成熟,但其应用已经涉猎了许多领域,例如优化问题领域,目前,免疫算法已成功应用于旅行商问题、装箱问题和电路设计中的电容布局问题。免疫算法有以下优点:
(1)保持了抗体的多样性,利用人工免疫算法保留优秀种群,并抑制优秀抗体不断繁殖导致浓度过高以致其他抗体不能生存,更能保持抗体的多样性。
(2)收敛速度快。当生物体内再次遭受相同抗原攻击,人工免疫算法可以更快地产生大量相应抗体,从而可以更快地找到最优解。
2.1编码方案
如图2所示,在本实施例中,我们使用两层编码,第一层编码是每辆车服务顾客的路径,每辆车从仓库出发,服务完其需要服务的顾客之后最终回到仓库,所以单条路径的编码中,开始和结束都是代表仓库的“0”号节点,每一辆车服务的顾客不能有重复,即在一条路径中,除了编码开头和结尾的“0”号节点,其他节点各不相同。得到所有车辆的单条路径后,使用列表的方式存储这些路径,不同路径中可以存在相同节点,因为由于产品分类的原因,有些顾客并不能被一辆车就服务完,而是需要多辆车多次服务同一个顾客,即多条路径中可以有同一个节点。
2.2 ETRC初始化
ETRC算法是由最便宜插入启发式算法改进而来的,ETRC算法根据插入标准计算剩余客户的价值,并将计算出的值最小的客户插入到路线中,其中插入标准不仅基于行进距离,而是同时考虑了客户服务的最早服务时间和车辆容量。对于尚未分配给客户的路线,将随机选择一个客户作为“种子”,然后根据ETRC规则将计算出的标准值最小的客户插入到该路线中。值得注意的是,可用车辆的数量不是无限的。当达到可用车辆的最大数量时,只能在其他客户的路线上插入其余客户。重复上述过程,直到拜访了所有客户。计算解决方案的总成本。最后,重复上述整个过程,直到将所有客户用作“种子”以生成解决方案为止。
插入标准是插入操作对解的潜在贡献的衡量。最便宜插入启发式方法仅基于行进距离来判断插入操作,这并不全面。针对最便宜插入启发式算法的缺点,提出了ETRC算法。ETRC同时考虑了客户服务的最早启动时间和车辆容量。将时间窗口的开始时间早的客户安排在路径的前面(Earliest Time,ET)标准,以便尽可能多地满足客户。此外,取货和交货之间的差异作为剩余容量(Residual Capacity,RC)的标准,在解的可行性中起着至关重要的作用。由于同时满足客户的取货需求和交付需求的特殊性,取货需求减去交付需求之间的差越小,车辆的剩余容量就越大。用公式(1)描述的ETRC以权重分布的方式组合了ET标准和RC标准,分别由α和β表示。
但是,α和β是在没有任何可以被提供的先验知识的情况下确定的值。因此,对α和β的每种可能组合都进行了实验。将α的值从0 更改,然后以1/N的步长逐渐增加,直到达到1,并且β的值相应地设置为1-α,其中N是种群规模。在此设置下,总共有N种组合。为每种组合实施ETRC算法,以便可以获得α和β权重空间中的所有可能结果。
ETRC标准可以用以下公式表示:
其中α和β是分配的权重,ei是顾客i时间窗的最早开始服务时间,pi和di分别是顾客i需要取货和交货的产品需求。
其算法步骤如表3所示下:
表3:ETRC初始化过程
2.3亲和度的计算
亲和度是是AIA中一个重要的指标,抗体与抗原的亲和度越高,则两者的匹配度就越高,效果越好;抗体与抗体的亲和度越高,则这两个抗体类似的片段就越多。本实施例中抗体对抗原的亲和度 aff(abi)的数学公式表示如下:
其中aff(abi)为第i个抗体的亲和度的值,Ti为第i个抗体的路线长度在计算抗体对抗体的亲和度时,其公式可以表示为:
其中abi、abj为两个抗体,aff(abi)、aff(abj)则为对应i抗体和j抗体的对抗原的亲和度。
2.4浓度计算:
人工免疫算法可以不断地筛选出优秀的种群,并对其进行大量的克隆,但是由于优秀的抗体存在许多相似的字符串片段,这就导致了有的抗体之间相似度较高,从而导致此类抗体浓度较高的现象。当我们对选择出的优秀抗体进行大规模地克隆时,又会产生许多相似的抗体,因此我们需要抑制浓度较高抗体的大规模克隆,以保证种群的多样性。本实施例中浓度的计算如下所示:
公式(6)中N为种群规模,abi、abj为第i、j个抗体,aff(abi,abj)为抗体i对抗原和抗体j对抗原的亲和度。
2.5克隆算子选择:
人工免疫算法的目的是在规定代数之内选择出最优抗体,为了增加种群多样性,就需要对抗体进行变异处理,而进行变异处理的抗体不能随便选择,而是应该选择优秀的抗体进行克隆然后在优秀抗体的基础上进行变异处理。本实施例中克隆算子的选择采用轮盘赌策略并以抗体亲和度为准则选择抗体进行克隆,则每一个抗体被选中对其进行克隆的概率可以用数学公式表示为:
其中i∈{1,2,3,…,31},f_i为第i个抗体的亲和度。这样选择可以保证亲和度越高的抗体被克隆的几率越大,更易产生优秀抗体。
2.6变异算子选择:
使用交叉算子、变异算子和变邻域搜索策略(VNS)处理抗体使其变异产生新的抗体。
对抗体进行变异处理是主要的扩大种群多样性的方式,由于变异处理是在优秀抗体的基础上进行的,所以不会随意增加低效率亲和度低的抗体,保证了种群不断探索更优秀的抗体,以便在更短时间内寻求到最优路径。选择好被克隆的抗体后,接下来就需要在已选择抗体的字符串上进行变异处理。
本实施例主要使用换位算子来进行变异处理,将抗体字符串中某两个字符以一定的选择策略被选择出来后执行换位操作,在所编写的程序中使用rand()函数随机选择两个字符进行换位产生新抗体,在规定代数之内不断探索亲和度更大的优秀抗体。同时本文还使用两种抗体进行交叉处理,即部分基因互换,生成两个新的抗体。
在变邻域搜索策略中,我们共采用了四种交叉和变异算子:同一路径交换客户位置,不同路径交换客户位置,同一路径重定位客户位置和不同路径重定位客户位置。通过迭代这四种操作,对人工免疫算法求得全局最优解很有帮助。
3.实验结果与分析
在内存为8GB的Intel(R)Core(TM)i7 2.6GHz PC上用python程序来对实施例提出的算法进行测试。通过运行ETRC算法和最早服务时间插入(ESI)算法,就不同种群大小对比,观察实验结果。
实验中,设置种群大小为:20,50,100
实验结果对比如表4-表7所示:
表4:目标一顾客最多被服务次数结果对比
表5:目标二所需车辆数目结果对比
表6:目标三车辆行驶总距离结果对比
表7:目标四时间惩罚结果对比
由实验数据可知,本实施例中所提出的ETRC初始化算法相较于其他初始化算法可以得到更优的解。
本实施例提出的带产品分类和时间窗的同时取货交货的车辆路径优化过程,减少顾客被不同车辆服务的次数,减少服务顾客所需的车辆数目,减少车辆行驶的总距离和总惩罚。
实施例二:
本实施例提供了实现上述检测方法的系统,包括:
路径优化函数构建模块,被配置为:获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量,构建以配货总成本最小为目标的函数;
路径优化函数求解和优化方案下发模块,被配置为:求解目标函数的结果作为优化后的车辆路径,将求解得到的车辆路径发送给相应车辆。
本实施例提出的多约束条件的车辆路径优化过程,考虑了产品分类、时间窗限制和同时取货交货的车辆路径优化过程,减少顾客被不同车辆服务的次数,减少服务顾客所需的车辆数目,减少车辆行驶的总距离和总惩罚,进而使得配送效率提升的同时,配货的总成本降低。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一中提出的多约束条件的车辆路径优化方法中的步骤。
本实施例执行的多约束条件的车辆路径优化方法,考虑了产品分类、时间窗限制和同时取货交货的车辆路径优化过程,减少顾客被不同车辆服务的次数,减少服务顾客所需的车辆数目,减少车辆行驶的总距离和总惩罚,进而使得配送效率提升的同时,配货的总成本降低。
实施例四
本实施例提供了一种计算机设备,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,处理器执行所述程序时实现如上述实施例一提出的多约束条件的车辆路径优化方法中的步骤。
本实施例处理器执行的多约束条件的车辆路径优化方法,考虑了产品分类、时间窗限制和同时取货交货的车辆路径优化过程,减少顾客被不同车辆服务的次数,减少服务顾客所需的车辆数目,减少车辆行驶的总距离和总惩罚,进而使得配送效率提升的同时,配货的总成本降低。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/ 或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
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 (9)
1.多约束条件的车辆路径优化方法,其特征在于:包括以下步骤:
获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量;
基于配货总成本最小目标函数,求解优化后的车辆路径;
目标函数中具有约束条件,约束条件包括:每个顾客由至少一辆车服务,每辆车可以服务至少一名顾客,多辆车同时服务同一个顾客;顾客按照时间窗的时间接受服务,当车辆早于时间窗到达顾客点,需要等待时间窗最早时间的到达再开始服务顾客;当车辆晚于时间窗到达顾客点,需要立即开始服务顾客;
利用改进的人工免疫算法求解目标函数,步骤如下:
步骤a:使用ETRC算法产生初始抗体群体;
步骤b:计算初始抗体群体中抗体对抗原的亲和度、抗体对抗体的亲和度及抗体浓度;
步骤c:对抗体进行克隆;
步骤d:对所得抗体种群进行变异处理;
步骤e:重复执行步骤a到步骤d;
步骤a中:
ETRC算法根据插入标准计算剩余客户的价值,并将计算出的值最小的客户插入到路线中,对于尚未分配给客户的路线,将随机选择一个客户作为“种子”,根据ETRC规则将计算出的标准值最小的客户插入到该路线中;当达到可用车辆的最大数量时,只能在其他客户的路线上插入其余客户;重复上述过程,直到拜访所有客户,得到解决方案的总成本,直到将所有客户用作“种子”以生成解决方案为止;
ETRC标准为:
其中α和β是分配的权重,ei是顾客i时间窗的最早开始服务时间,pi和di分别是顾客i需要取货和交货的产品需求。
2.如权利要求1所述的多约束条件的车辆路径优化方法,其特征在于:所述约束条件还包括:车辆的负载能力不超过最大容量Q;车辆对顾客的服务时间安排必须满足时间窗约束;最多使用k辆车;若顾客对某类货物有需求,则同时有取货和交货需求;所有车辆从仓库出发并最终回到仓库。
3.如权利要求1所述的多约束条件的车辆路径优化方法,其特征在于:目标函数为:
min e(r)=(max(ck),|r|,dis(r),pun(r));
其中,e(r)表示按照重要性降序排序的词典评价函数,max(ck)表示所有顾客中被不同车辆服务最多的次数,|r|表示找到解最多需要的车辆数目,dis(r)和pun(r)分别代表该解所需车辆行驶的总距离和总惩罚。
4.如权利要求1所述的多约束条件的车辆路径优化方法,其特征在于:所述步骤c中,将求得的抗体亲和度和浓度的加权值最大的抗体作为最优抗体并克隆指定数目个抗体,剩余抗体数量进行克隆。
5.如权利要求1所述的多约束条件的车辆路径优化方法,其特征在于:所述步骤d中,使用交叉算子、变异算子和变邻域搜索策略处理抗体使其变异产生新的抗体。
6.如权利要求1所述的多约束条件的车辆路径优化方法,其特征在于:所述步骤e中,重复执行步骤a到步骤d,直到达到最大免疫代数求得该免疫代数下的最优解作为优化后的车辆路径。
7.多约束条件的车辆路径优化系统,其特征在于:包括:
路径优化函数构建模块,被配置为:获取需要配送的货物种类数量、需要配货的顾客数量和每辆车能够运输的货物种类数量,构建以配货总成本最小为目标的函数;
路径优化函数求解和优化方案下发模块,被配置为:求解目标函数的结果作为优化后的车辆路径,将求解得到的车辆路径发送给相应车辆;
利用改进的人工免疫算法求解目标函数,步骤如下:
步骤a:使用ETRC算法产生初始抗体群体;
步骤b:计算初始抗体群体中抗体对抗原的亲和度、抗体对抗体的亲和度及抗体浓度;
步骤c:对抗体进行克隆;
步骤d:对所得抗体种群进行变异处理;
步骤e:重复执行步骤a到步骤d;
步骤a中:
ETRC算法根据插入标准计算剩余客户的价值,并将计算出的值最小的客户插入到路线中,对于尚未分配给客户的路线,将随机选择一个客户作为“种子”,根据ETRC规则将计算出的标准值最小的客户插入到该路线中;当达到可用车辆的最大数量时,只能在其他客户的路线上插入其余客户;重复上述过程,直到拜访所有客户,得到解决方案的总成本,直到将所有客户用作“种子”以生成解决方案为止;
ETRC标准为:
其中α和β是分配的权重,ei是顾客i时间窗的最早开始服务时间,pi和di分别是顾客i需要取货和交货的产品需求。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的约束条件的车辆路径优化方法中的步骤。
9.一种计算机设备,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程序时实现如权利要求1-6中任一项所述的约束条件的车辆路径优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430100.8A CN113313285B (zh) | 2021-04-21 | 2021-04-21 | 多约束条件的车辆路径优化方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110430100.8A CN113313285B (zh) | 2021-04-21 | 2021-04-21 | 多约束条件的车辆路径优化方法、系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313285A CN113313285A (zh) | 2021-08-27 |
CN113313285B true CN113313285B (zh) | 2023-01-17 |
Family
ID=77372638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110430100.8A Active CN113313285B (zh) | 2021-04-21 | 2021-04-21 | 多约束条件的车辆路径优化方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313285B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919772A (zh) * | 2021-09-26 | 2022-01-11 | 山东师范大学 | 一种含时间窗的时变车辆路径规划方法及系统 |
CN114091722A (zh) * | 2021-10-09 | 2022-02-25 | 山东师范大学 | 一种基于混合禁忌搜索的车辆路径优化方法及系统 |
CN115576343B (zh) * | 2022-09-08 | 2024-06-07 | 浙江财经大学 | 一种结合无人机配送的多目标车辆路径优化方法 |
CN116911724A (zh) * | 2023-03-21 | 2023-10-20 | 中国兵器科学研究院 | 一种确定运输路径的方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389623A (zh) * | 2015-10-22 | 2016-03-09 | 东南大学 | 一种采用改进蚁群算法的热工过程模型参数辨识方法 |
CN106127427A (zh) * | 2016-06-20 | 2016-11-16 | 西安建筑科技大学 | 基于鼠疫传染病模型的多目标输送路径组合优化方法 |
CN110059848A (zh) * | 2019-03-06 | 2019-07-26 | 佛山市顺德区中山大学研究院 | Wsn充电服务站点设定方法及充电设备行驶路径规划方法 |
CN110956325A (zh) * | 2019-11-29 | 2020-04-03 | 浙江工业大学 | 一种带时间窗的电动汽车路径规划方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104516350B (zh) * | 2013-09-26 | 2017-03-22 | 沈阳工业大学 | 一种复杂环境中的移动机器人路径规划方法 |
CN109800904B (zh) * | 2018-12-18 | 2021-06-25 | 山东师范大学 | 带时间窗的装配式建筑预制件配送路径优化方法及系统 |
CN109726863A (zh) * | 2018-12-26 | 2019-05-07 | 深圳市北斗智能科技有限公司 | 一种多目标优化的物流方法和系统 |
CN111191813A (zh) * | 2019-10-14 | 2020-05-22 | 重庆邮电大学 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
CN110782086B (zh) * | 2019-10-24 | 2022-09-09 | 山东师范大学 | 一种用于救援的带无人机车辆配送路径优化方法及系统 |
-
2021
- 2021-04-21 CN CN202110430100.8A patent/CN113313285B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389623A (zh) * | 2015-10-22 | 2016-03-09 | 东南大学 | 一种采用改进蚁群算法的热工过程模型参数辨识方法 |
CN106127427A (zh) * | 2016-06-20 | 2016-11-16 | 西安建筑科技大学 | 基于鼠疫传染病模型的多目标输送路径组合优化方法 |
CN110059848A (zh) * | 2019-03-06 | 2019-07-26 | 佛山市顺德区中山大学研究院 | Wsn充电服务站点设定方法及充电设备行驶路径规划方法 |
CN110956325A (zh) * | 2019-11-29 | 2020-04-03 | 浙江工业大学 | 一种带时间窗的电动汽车路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113313285A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313285B (zh) | 多约束条件的车辆路径优化方法、系统、存储介质及设备 | |
CN108921472B (zh) | 一种多车型的两阶段车货匹配方法 | |
CN109800910B (zh) | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 | |
Mara et al. | An adaptive large neighborhood search heuristic for the flying sidekick traveling salesman problem with multiple drops | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN112488386B (zh) | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 | |
Ting et al. | Multi-vehicle selective pickup and delivery using metaheuristic algorithms | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN114399043B (zh) | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 | |
Guo et al. | RETRACTED ARTICLE: A Multi-agent Based self-adaptive genetic algorithm for the long-term car pooling problem | |
CN112801347B (zh) | 基于移动中转站及众包的多目标城市两级配送规划方法 | |
CN114444843A (zh) | 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统 | |
CN113408771A (zh) | 物品出库调度方法、装置以及存储介质 | |
CN115032997A (zh) | 一种基于蚁群算法的第四方物流运输路径规划方法 | |
CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
Niazy et al. | Solving Capacitated Vehicle Routing Problem Using Chicken Swarm Optimization with Genetic Algorithm. | |
Kassem et al. | A hybrid bat algorithm to solve the capacitated vehicle routing problem | |
Shamshirband et al. | A solution for multi-objective commodity vehicle routing problem by NSGA-II | |
CN113706081A (zh) | 基于城市屋顶自动快递装置的无人机取送货系统和方法 | |
Chen et al. | Heuristics based ant colony optimization for vehicle routing problem | |
CN105069518A (zh) | 一种基于可变长基因遗传算法的物资调度方法及系统 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
CN109598443B (zh) | 用于动态环境下车辆的任务规划方法和机器可读存储介质 | |
CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
CN116362435A (zh) | 一种用于多车场配送的路径规划方法 |
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 |