CN113469473A - 一种考虑逆向物流的同城配送路线规划方法 - Google Patents
一种考虑逆向物流的同城配送路线规划方法 Download PDFInfo
- Publication number
- CN113469473A CN113469473A CN202111038694.4A CN202111038694A CN113469473A CN 113469473 A CN113469473 A CN 113469473A CN 202111038694 A CN202111038694 A CN 202111038694A CN 113469473 A CN113469473 A CN 113469473A
- Authority
- CN
- China
- Prior art keywords
- solution
- path
- customer
- operator
- list
- 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
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
- G06Q10/08—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)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑逆向物流的同城配送路线规划方法。本发明的目的在于智能化的为同时取送货的逆向物流问题提供一组可行的配送方案,从而使得整体的物流运输成本最小化。鉴于该问题收到的关注较少并且缺乏高效的解决方案,本发明包括三个阶段,第一阶段利用客户点的分布生成一个高质量的初始解;第二阶段开始对初始解进行迭代优化,这个过程中的主导算法是新兴的延迟接受式爬山算法,配合多种邻域算子扩大搜索空间,并且采用强化学习领域中的多臂老虎机算法来最大化搜索过程中的收益;第三阶段根据客户的地理分布规律来修复优化后的解,最终输出结果。本发明可以在合理的时间内高效获得运输成本更低的解决方案。
Description
技术领域
本发明属于物流调度领域,具体涉及一种考虑逆向物流的同城配送路线规划方法。
背景技术
在电子商务的蓬勃发展的大环境下,我国的物流行业已经成为了推动经济发展的重要力量,特别是物流产业中更为城镇化和专业化的同城物流,作为与我们息息相关的城市服务的载体,满足了客户的生活购物和商务需求,也有助于刺激新的经济增长点,全面推进城市化建设。与此同时,随着环境问题受到广泛的关注以及资源再生技术的进步,注重“绿色环保”的逆向物流正成为众多企业的竞争利器,它带来资源的节约可能意味着经济效益、社会效益和环境效益的共同增加。但无论是同城配送还是逆向回收终归是物流服务,居高不下的运输成本仍旧是物流产业所面临的最大挑战,其中车辆数目是成本消耗的主要因素,因为一辆车涉及到调度成本、维护成本和司机薪水等等,其次就是行驶距离带来的运输成本。
考虑以上特点,考虑逆向物流的同城配送路线规划问题可以抽象为带时间窗和同时取送货问题的车辆路径问题(Vehicle Routing Problem with Simultaneous Pickup–delivery and Time Windows,VRPSPDTW),主要目标就是在满足所有客户要求的服务时间范围等前提下,安排一组配送路线从而使得运输成本最小。目前,考虑逆向物流的同城配送路线规划方法可以分为三种,精确算法、基于种群的启发式算法和基于单解的启发式算法。但现有算法还存在以下不足:
第一,VRPSPDTW问题是一个NP难的数学问题,现有的分支定价算法可以精确计算出成本最小的方案,但只能在有限的时间内解决包含20个客户点的问题(Angelelli, E.,Mansini, R. A branch-and-price algorithm for a simultaneous pick-up anddelivery problem , 249–267.),显然无法满足现在社会的物流需求。
第二,启发式算法可以在合理的时间内得到一个近似最优的方案,但现有的基于种群的启发式算法往往会非常耗时(Lai, M., Tong, X., 2017. A metaheuristicmethod for vehicle routing
problem based on improved ant colony optimization and tabu search.Journal of Industrial and Management Optimization 8, 469–484.,Wang, H.F.,Chen, Y.Y., 2012. A genetic algorithm for the simultaneous delivery andpickup problems with time window. Computers & Industrial Engineering 62, 84–95.),因为种群相当于把原有的客户数量翻了很多倍,从而在计算上的复杂度会成倍增加。
第三,基于单解的启发式算法由于是从一个初始解出发,所以对初始解的质量要求比较高,同时,跟基于种群的启发式算法相比,基于单解的启发式算法在计算量上更少,所以耗时比较短,但也存在探索不充分的可能(Wang, C., Mu, D., Zhao, F.,Sutherland, J.W., 2015. A parallel simulated annealing method for the vehiclerouting problem with simultaneous pickup–delivery and time windows. Computers& Industrial Engineering 83, 111–122.,Hof, J., Schneider, M., 2019. Anadaptive large neighborhood search with path relinking for a class ofvehicle-routing problems with simultaneous pickup and delivery. Networks .)。因此基于单解的启发式算法在算法设计上往往更复杂。
发明内容
本发明的目的在于解决取送货的逆向物流问题,提供一种考虑逆向物流的同城配送路线规划方法,本发明用延迟接受式算法主导整体优化进程,并在这个过程中配合使用多臂老虎机算法来最大化搜索时的收益,也就是让整体算法朝着最好的方向进行,从而获得一个成本最低的配送方法。提供一组可行的配送方案,从而使得整体的物流运输成本最小化。本发明可分为三个阶段,第一阶段利用客户点的分布生成一个高质量的初始解;第二阶段开始对初始解进行迭代优化,这个过程中的主导算法是新兴的延迟接受式爬山算法,配合多种邻域算子扩大搜索空间,并且采用强化学习领域中的多臂老虎机算法来最大化搜索过程中的收益;第三阶段根据客户的地理分布规律来修复优化后的解,最终输出一个成本最低的配送方案。
本发明目的通过如下技术方案实现。
一种考虑逆向物流的同城配送路线规划方法,包括以下步骤:
S1、以车场为参考点,运用扫描生成算法生成一个高质量的初始解;
S2、保存初始解中的边界点(地理位置分布在路径边缘的客户);
S3、从初始解开始,采用加强的延迟接受式爬山算法对初始解进行迭代优化;
S4、采用多臂老虎机算法选择每轮迭代中使用的邻域算子,生成候选解来支持步骤S3的延迟接受式爬山算法;
S5、重复步骤3-4,直到算法达到设置的最大迭代次数或者已经收敛到无法再优化的程度;
S6、将步骤2中保存的边界点重新安排到相邻的路径当中,最后输出一个成本最低的配送方案。
进一步地,每个客户订单都包括货物的体积和重量,并且每个客户既有送货需求又有取货需求,也就是说车辆在同一个客户点既送货又取货;所有车辆的最大载重、最长运输距离和装载容积这些规格是一模一样的,并且车辆数目不限;车辆必须在客户要求的时间窗范围内服务,时间窗是由一个最早开始时间和一个最晚开始时间及之间的时间点组成的连续时间段,若车辆比最早开始时间早到达客户点,则等待,并且车辆不可以比最晚开始时间更晚到达;所有车辆都从同一个车场出发,服务完所有客户订单后返回车场;车辆在运送货物的过程中不得超载,也就是搭载货物的重量不得超出车辆的最大载重限制;每个客户只能被一辆车服务并且有且只能被服务一次。
进一步地,预先设定的优化目标是总车辆数目和总体行驶距离,其中总车辆数是第一优化目标,总体行驶距离是第二优化目标。
进一步地,步骤S1中使用了扫描生成算法生成了一个高质量的初始解,改进的扫描算法包括如下步骤:
S1.1、以车场为起点的水平射线作为基准扫描线,以车场为参考点逆时针开始扫描;
S1.2、构造一个空列表,将扫描路径中扫到的客户点依次加入该列表内,直到扫描进程完毕(扫描线旋转扫描360°,所有客户点均加入列表中);
S1.3、按照列表中客户点的先后顺序依次安排,将第一客户的需求装载到第一辆车中,在不违背所有约束条件的情况下继续装列表中的下一个客户点的需求。如果某个客户点的需求无法装进这辆车,那么这辆车被认为装满了,另起一辆车继续装载客户的需求。
S1.4、重复步骤S1.3,直到列表中的所有客户都被安排完毕。
进一步地,步骤S2中保存了初始解中的边界点,在扫描生成算法生成初始解的过程中,如果某个客户点的需求正好装不进当前车辆,而需要开辟另外一辆新车装载它,那么这个客户点就是所谓的边界点。保存边界点的具体步骤是构造一个空列表,在扫描生成算法执行的过程中不断将边界点加入列表中。
进一步地,步骤S3中以初始解为起点开始,采用加强的延迟接受式爬山算法对初始解进行循环迭代优化,具体优化过程如下:
S3.1、初始化循环计数器i=0,初始化失败计数器ib=0用于记录算法连续没有进展的次数,初始化循环的当前解为初始解;
S3.2、构造两个长度为Lh的空列表,其中一个列表是延迟接受式爬山算法天然维持的用于存放历史解的L_list,另一个列表是用来存放优化过程中所有历史最优解的S_list,用初始解初始化两个列表;
S3.3、利用多臂老虎机算法从多种邻域算子中选择当前迭代所采用的邻域算子,并且将该邻域算子运用在当前解上,产生一个当前解的邻居解作为候选解;
S3.4、如果候选解比Lh 代以前的历史解更好,那么就接受这个候选解作为下一轮迭代中的当前解,并且用候选解更新L_list中参与这次比较的历史解;否则,拒绝掉这个候选解,下一轮迭代的当前解不变;
S3.5、如果候选解比当前解更好,那么置失败计数器为0;否则让失败计数器加1;
S3.6、如果候选解比历史最优解要好,则更新历史最优解,并将候选解加入S_list;
S3.7、如果失败计数器ib的值超过了Lh的一半并且算法从未被扰动过,认为算法陷入瓶颈,开启扰动流程,将两个邻域算子运用在S_list中的历史最优解上,并用S_list全量更新L_list,置失败计数器为0;
S3.8、重复步骤S3.3- S3.7,直到循环计数器i的数值超过了设定的最大数值,得到一个循环优化后的解;
进一步地,步骤S4中设计了7种邻域算子用于生成当前解的邻居解,每个算子的详细描述如下:
1)弹射链算子:一个解由多条路径组成,首先从第一条路径中随机移除一个客户点的需求,并且将它插入第二条路径的最优位置,再随机移除第二条路径中的一个客户的需求,将它插进下一条路径的最佳位置,重复上述步骤,直到从最后一条路径中随机移除的需求插进第一条路径中;
2)路径内重定位算子:随机移除一条路径中的一个客户需求,并且将它重新插到同一条路径中的不同位置;
3)路径间重定位算子:在两条路径中分别随机移除一个客户需求,并分别插入到对方路径中的最佳位置;
4)路径内交换算子:在同一条路径中随机选择两个客户需求,并且交换它们在路径中的位置(运输次序);
5)路径间交换算子:在两条路径中分别随机选择一个客户需求,并且分别插入到对方路径的最佳位置;
6)最短路径消除算子:在整个解中移除客户需求最少的那条路径,并将该路径中的客户需求全局随机插入其他路径中;
7)最差路径消除算子:通常来讲,装载客户需求越多的路径所对应的行驶距离越大。如果一条路径的在装载较少客户需求的情况下行驶了较长的距离,那么认为这条路径是不合理的。在整个解中移除掉距离和客户数目的比值最大的那条路径,并且将该路径的客户需求全局随机插入到其他路径中。
进一步地,步骤S4中采用多臂老虎机算法根据每个邻域算子的历史表现来智能选择每轮迭代中使用的邻域算子,使整体的解决方案朝着收益最大化的方向收敛,具体步骤如下:
S4.1、初始化每个邻域算子的质量q=0;
S4.2、依次轮换使用每个邻域算子直到每个邻域算子都被使用一遍,同时按照公
式(1)更新q,其中是该邻域算子ns截至当前迭代i时的累计质量,表示该邻域算
子ns截至当前迭代次数时被使用的次数,表示的是当前迭代使用该邻域算子带来的回
报值,其计算方法如公式(2)所示,指的是初始解所包含的车辆数目,表示的是
第次迭代中的当前解所包含的车辆数目,表示的是第次迭代中的当前解的总行驶距
离。
S4.3、接下来的迭代过程中,每一轮迭代将会挑选满足公式(3)的邻域算子,其中M
是邻域算子的数量,的数学含义则是挑选M个邻域算子中,使得的值最大的邻域算子,C是一个范围在[0,1]之间的数
值, 表示该邻域算子m截至当前迭代次数时被使用的次数。
进一步地,步骤S6是一个后续接力优化的过程,尝试将步骤S2中保存的边界点重新安排到更合理的位置。具体步骤如下:
S6.1、按照列表中边界点的保存顺序,依次在循环迭代优化后产出的解中移除边界点;
S6.2、将移除的边界点再依次插入到与原来所在车辆相邻接的车辆中,直到所有边界点被重新安排;
S6.3、在每条路径内使用路径内重定位算子后得到一个新解;
S6.4、将新解与原来的解作比较,取更好的那个解输出。
与现有技术相比,本发明具有如下技术效果:
1、本发明基于现有的延迟接受式爬山算法的局限性,引入一种扰动机制来增强算法的后期搜索能力,避免算法过早收敛而导致搜索广度上的不足。
2、本发明采用加强的延迟接受式爬山算法和强化学习领域的多臂老虎机算法相结合,这种混合式的启发算法在目前针对带时间窗和同时取送货车辆路径问题的求解算法中还没有出现过,对于解决该问题以及逆向物流的其他扩展问题具有借鉴意义。
3、本发明提供的混合式启发式算法与现有技术相比,可以在合理的时间内高效获得运输成本更低的解决方案。
附图说明
图1是实施例中整体求整体方案流程图。
图2是本发明涉及的问题的配送方案示意图,其中图2中的(a)是整个配送方案中4辆车的路线图;图2中的(b)是每个车辆的具体路线图。
具体实施方式
为了是本发明的技术方案及优点更加清楚明白,以下结合附图,进行进一步的详细说明,但本发明的实施和保护不限于此。
本发明提供的一种考虑逆向物流的同城配送路线规划方法,如图1所示,包括以下步骤:
S1、运用扫描生成算法生成一个高质量的初始解;
S2、保存初始解中的边界点;
S3、从初始解开始,采用加强的延迟接受式爬山算法对初始解进行迭代优化;
S4、采用多臂老虎机算法选择每轮迭代中使用的邻域算子,生成候选解来支持步骤S3的主导算法;
S5、重复步骤S3-S4,直到算法达到设置的最大迭代次数或者已经收敛到无法再优化的程度;
S6、将步骤S2中保存的边界点重新安排到相邻的路径当中,最后输出一个成本最低的配送方案。
图2是本发明涉及的问题的配送方案示意图,其中方框表示车场,圆圈代表客户点,带箭头的线段表示车辆的运输方向。图2中(a)是整个配送方案中4辆车的路线图,表示整个配送方案中有4辆车,分别从车场出发,按顺序分别服务完客户后回到车场;图2中(b)是每个车辆的具体路线图。
步骤S1中使用了扫描生成算法生成了一个高质量的初始解,改进的扫描算法包括如下步骤:
S1.1、以车场为起点的水平射线作为基准扫描线,以车场为参考点逆时针开始扫描;
S1.2、构造一个空列表,将扫描路径中扫到的客户点依次加入该列表内,直到扫描进程完毕;在本发明其中的一个具体实施例中,扫描时,扫描线旋转扫描360°,所有客户点均加入列表中;
S1.3、按照列表中客户点的先后顺序依次安排,将第一客户的需求装载到第一辆车中,在不违背所有约束条件的情况下继续装列表中的下一个客户点的需求。如果某个客户点的需求无法装进这辆车,那么这辆车被认为装满了,另起一辆车继续装载客户的需求。
S1.4、重复步骤S1.3,直到列表中的所有客户都被安排完毕,得到初始解。
步骤S2中保存了初始解中的边界点,在扫描生成算法生成初始解的过程中,如果某个客户点的需求正好装不进当前车辆,而需要开辟另外一辆新车装载它,那么这个客户点就是所谓的边界点。保存边界点的具体步骤是构造一个空列表,在扫描生成算法执行的过程中不断将边界点加入列表中。
在本发明其中的一个具体实施例中,步骤S2中的边界点是指地理位置分布在路径边缘的客户。
在本发明其中的一个具体实施例中,本发明提供的规划方法中,问题的约束条件包括:
1)每个客户订单都包括货物的体积和重量,并且每个客户既有送货需求又有取货需求,也就是说车辆在同一个客户点既送货又取货。
2)所有车辆都是同构车辆,也就是他们的最大载重、最长运输距离等规格是一模一样的。
3)车辆必须在客户要求的时间窗范围内服务。时间窗是由一个最早开始时间和一个最晚开始时间及之间的时间点组成的连续时间段。若车辆比最早开始时间早到达客户点,则等待,并且车辆不可以比最晚开始时间更晚到达。
4)所有车辆数目不限,并且都从同一个车场出发,服务完所有客户订单后需要返回车场。
5)车辆在运送货物的过程中不得超载,也就是搭载货物的重量不得超出车辆的最大载重限制。
6)每个客户只能被一辆车服务并且有且只能被服务一次。
7)预先设定的优化目标是总车辆数目和总体行驶距离,其中总车辆数是第一优化目标,总体行驶距离是第二优化目标。
步骤S3中以初始解为起点开始,采用加强的延迟接受式爬山算法对初始解进行循环迭代优化,具体优化过程如下:
S3.1、初始化循环计数器i=0,初始化失败计数器ib=0用于记录算法连续没有进展的次数,初始化循环的当前解为初始解;
S3.2、构造两个长度为Lh的空列表,其中一个列表是延迟接受式爬山算法天然维持的用于存放历史解的L_list,另一个列表是用来存放优化过程中所有历史最优解的S_list,用初始解初始化两个列表;
S3.3、利用多臂老虎机算法从多种邻域算子中选择当前迭代所采用的邻域算子,并且将该邻域算子运用在当前解上,产生一个当前解的邻居解作为候选解;
S3.4、如果候选解比Lh 代以前的历史解更好,那么就接受这个候选解作为下一轮迭代中的当前解,并且用候选解更新L_list中参与这次比较的历史解;否则,拒绝掉这个候选解,下一轮迭代的当前解不变;
S3.5、如果候选解比当前解更好,那么置失败计数器为0;否则让失败计数器加1;
S3.6、如果候选解比历史最优解要好,则更新历史最优解,并将候选解加入S_list;
S3.7、如果失败计数器ib的值超过了Lh的一半并且算法从未被扰动过,认为算法陷入瓶颈,开启扰动流程,将两个邻域算子运用在S_list中的历史最优解上,并用S_list全量更新L_list,置失败计数器为0;
S3.8、重复步骤S3.3- S3.7,直到循环计数器i的数值超过了设定的最大数值,得到一个循环优化后的解;
在本发明其中的一个具体实施例中,步骤1.4中设计了7种邻域算子用于生成当前解的邻居解,每个算子的详细描述如下:
1) 弹射链算子:一个解由多条路径组成,首先从第一条路径中随机移除一个客户点的需求,并且将它插入第二条路径的最优位置,再随机移除第二条路径中的一个客户的需求,将它插进下一条路径的最佳位置,重复上述步骤,直到从最后一条路径中随机移除的需求插进第一条路径中;
2) 路径内重定位算子:随机移除一条路径中的一个客户需求,并且将它重新插到同一条路径中的不同位置;
3) 路径间重定位算子:在两条路径中分别随机移除一个客户需求,并分别插入到对方路径中的最佳位置;
4) 路径内交换算子:在同一条路径中随机选择两个客户需求,并且交换它们在路径中的位置(运输次序);
5) 路径间交换算子:在两条路径中分别随机选择一个客户需求,并且分别插入到对方路径的最佳位置;
6) 最短路径消除算子:在整个解中移除客户需求最少的那条路径,并将该路径中的客户需求全局随机插入其他路径中;
7) 最差路径消除算子:通常来讲,装载客户需求越多的路径所对应的行驶距离越大。如果一条路径的在装载较少客户需求的情况下行驶了较长的距离,那么认为这条路径是不合理的。在整个解中移除掉距离和客户数目的比值最大的那条路径,并且将该路径的客户需求全局随机插入到其他路径中。
步骤S4中采用多臂老虎机算法根据每个邻域算子的历史表现来智能选择每轮迭代中使用的邻域算子,使整体的解决方案朝着收益最大化的方向收敛,具体步骤如下:
S4.1、初始化每个邻域算子的质量q=0;
S4.2、依次轮换使用每个邻域算子直到每个邻域算子都被使用一遍,同时按照公
式(1)更新q,其中是该邻域算子ns截至当前迭代i时的累计质量,表示该邻域算
子ns截至当前迭代次数时被使用的次数,表示的是当前迭代使用该邻域算子带来的回
报值,其计算方法如公式(2)所示,其中指的是初始解所包含的车辆数目,表示的
是第次迭代中的当前解所包含的车辆数目,表示的是第次迭代中的当前解的总行驶
距离。
S4.3、接下来的迭代过程中,每一轮迭代将会挑选满足公式(3)的邻域算子,其中M
是邻域算子的数量, 的数学含义则是挑选M个邻域算子中,使得的值最大的邻域算子,C是一个范围在[0,1]之间的数值,表示该邻域算子m截至当前迭代次数时被使用的次数;
步骤S6是一个后续接力优化的过程,尝试将步骤S2中保存的边界点重新安排到更合理的位置。具体步骤如下:
S6.1、按照列表中边界点的保存顺序,依次在循环迭代优化后产出的解中移除边界点;
S6.2、将移除的边界点再依次插入到与原来所在车辆相邻接的车辆中,直到所有边界点被重新安排;
S6.3、在每条路径内使用路径内重定位算子后得到一个新解;
S6.4、将新解与原来的解作比较,取更好的那个解输出,即得到成本最低的配送方案。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种考虑逆向物流的同城配送路线规划方法,其特征在于,包括以下步骤:
S1、以车场为参考点,通过扫描生成算法生成一个初始解;
S2、保存初始解中的边界点;
S3、从初始解开始,采用延迟接受式爬山算法对初始解进行迭代优化;
S4、采用多臂老虎机算法选择每轮迭代中使用的邻域算子,生成候选解来支持步骤S3的延迟接受式爬山算法;
S5、重复步骤S3-S4,直到算法达到设置的最大迭代次数或者已经收敛到无法再优化的程度;
S6、将步骤S2中保存的边界点重新安排到相邻的路径当中,最后输出一个成本最低的配送方案。
2.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S2中所述边界点的含义为地理位置分布在初始解各条路径边缘的客户点。
3.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,每个客户订单都包括货物的体积和重量,并且每个客户既有送货需求又有取货需求;所有车辆的最大载重、最长运输距离和装载容积这些规格是一模一样的,并且车辆数目不限;车辆必须在客户要求的时间窗范围内服务,时间窗是由一个最早开始时间和一个最晚开始时间及之间的时间点组成的连续时间段,若车辆比最早开始时间早到达客户点,则等待,并且车辆不可以比最晚开始时间更晚到达;所有车辆都从同一个车场出发,服务完所有客户订单后返回车场;车辆在运送货物的过程中不得超载;每个客户只能被一辆车服务并且有且只能被服务一次。
4.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,预先设定的优化目标是总车辆数目和总体行驶距离,其中总车辆数是第一优化目标,总体行驶距离是第二优化目标。
5.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S1中使用了扫描生成算法生成了一个初始解,扫描生成算法包括如下步骤:
S1.1、以车场为起点的水平射线作为基准扫描线,以车场为参考点逆时针开始扫描;
S1.2、构造一个空列表,将扫描路径中扫到的客户点依次加入该列表内,直到扫描进程完毕;
S1.3、按照列表中客户点的先后顺序依次安排,将第一客户的需求装载到第一辆车中,在不违背所有约束条件的情况下继续装列表中的下一个客户点的需求,如果某个客户点的需求无法装进这辆车,那么这辆车被认为装满了,另起一辆车继续装载客户的需求;
S1.4、重复步骤S1.3,直到列表中的所有客户都被安排完毕。
6.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S2中保存了初始解中的边界点,在扫描生成算法生成初始解的过程中,如果某个客户点的需求正好装不进当前车辆,而需要开辟另外一辆新车装载它,那么这个客户点就是所谓的边界点,保存边界点的具体步骤为: 构造一个空列表,在扫描生成算法执行的过程中不断将边界点加入列表中。
7.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S3中以初始解为起点开始,采用延迟接受式爬山算法对初始解进行循环迭代优化,具体优化过程如下:
S3.1、初始化循环计数器i=0,初始化失败计数器ib=0用于记录算法连续没有进展的次数,初始化循环的当前解为初始解;
S3.2、构造两个长度为Lh的空列表,其中一个列表是延迟接受式爬山算法用于存放历史解的L_list,另一个列表是用来存放优化过程中所有历史最优解的S_list,用初始解初始化两个列表;
S3.3、利用多臂老虎机算法从多种邻域算子中选择当前迭代所采用的邻域算子,并且将该邻域算子运用在当前解上,产生一个当前解的邻居解作为候选解;
S3.4、如果候选解比Lh 代以前的历史解更好,那么就接受这个候选解作为下一轮迭代中的当前解,并且用候选解更新L_list中参与这次比较的历史解;否则,拒绝掉这个候选解,下一轮迭代的当前解不变;
S3.5、如果候选解比当前解更好,那么置失败计数器为0;否则让失败计数器加1;
S3.6、如果候选解比历史最优解要好,则更新历史最优解,并将候选解加入S_list;
S3.7、如果失败计数器ib的值超过了Lh的一半并且算法从未被扰动过,认为算法陷入瓶颈,开启扰动流程,将两个邻域算子运用在S_list中的历史最优解上,并用S_list全量更新L_list,置失败计数器为0;
S3.8、重复步骤S3.3-S3.7,直到循环计数器i的数值超过了设定的最大数值,得到一个循环优化后的解。
8.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S4中设计了7种邻域算子用于生成当前解的邻居解,每个算子的详细描述如下:
弹射链算子:一个解包括多条路径,首先从第一条路径中随机移除一个客户点的需求,并且将它插入第二条路径的最优位置,再随机移除第二条路径中的一个客户的需求,将它插进下一条路径的最佳位置,重复上述步骤,直到从最后一条路径中随机移除的需求插进第一条路径中;
路径内重定位算子:随机移除一条路径中的一个客户需求,并且将它重新插到同一条路径中的不同位置;
路径间重定位算子:在两条路径中分别随机移除一个客户需求,并分别插入到对方路径中的最佳位置;
路径内交换算子:在同一条路径中随机选择两个客户需求,并且交换它们在路径中的位置;路径间交换算子:在两条路径中分别随机选择一个客户需求,并且分别插入到对方路径的最佳位置;
最短路径消除算子:在整个解中移除客户需求最少的那条路径,并将该路径中的客户需求全局随机插入其他路径中;
最差路径消除算子:装载客户需求越多的路径所对应的行驶距离越大,如果一条路径在装载较少客户需求的情况下行驶了较长的距离,那么认为这条路径是不合理的,在整个解中移除掉距离和客户数目的比值最大的那条路径,并且将该路径的客户需求全局随机插入到其他路径中。
9.根据权利要求1所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S4中采用多臂老虎机算法根据每个邻域算子的历史表现来智能选择每轮迭代中使用的邻域算子,使整体的解决方案朝着收益最大化的方向收敛,具体步骤如下:
S4.1、初始化每个邻域算子的质量q=0;
S4.2、依次轮换使用每个邻域算子直到每个邻域算子都被使用一遍,同时按照公式(1)
更新q,其中是该邻域算子ns截至当前迭代i时的累计质量,表示该邻域算子ns截
至当前迭代次数时被使用的次数,表示的是当前迭代使用该邻域算子带来的回报值,
其计算方法如公式(2)所示,其中指的是初始解所包含的车辆数目,表示的是第
次迭代中的当前解所包含的车辆数目,表示的是第次迭代中的当前解的总行驶距离;
S4.3、接下来的迭代过程中,每一轮迭代将会挑选满足条件的邻域算子,其中M是邻域
算子的数量,的数学含义则是挑选M个邻域算子中,使得
的值最大的邻域算子,C是一个范围在[0,1]之间的数值,表示该邻域算子m截至当前迭
代次数时被使用的次数;
10.根据权利要求1-9任一所述的一种考虑逆向物流的同城配送路线规划方法,其特征在于,步骤S6的具体步骤如下:
S6.1、按照边界点的保存顺序,依次在循环迭代优化后产出的解中移除边界点;
S6.2、将移除的边界点再依次插入到与原来所在车辆相邻接的车辆中,直到所有边界点被重新安排;
S6.3、在每条路径内使用路径内重定位算子后得到一个新解;
S6.4、将新解与原来的解作比较,取更好的那个解输出,得到成本最低的配送方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038694.4A CN113469473B (zh) | 2021-09-06 | 2021-09-06 | 一种考虑逆向物流的同城配送路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038694.4A CN113469473B (zh) | 2021-09-06 | 2021-09-06 | 一种考虑逆向物流的同城配送路线规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469473A true CN113469473A (zh) | 2021-10-01 |
CN113469473B CN113469473B (zh) | 2022-01-04 |
Family
ID=77864634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038694.4A Active CN113469473B (zh) | 2021-09-06 | 2021-09-06 | 一种考虑逆向物流的同城配送路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469473B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611806A (zh) * | 2022-03-16 | 2022-06-10 | 重庆大学 | 一种解决多配送中心两级城市协同配送的大邻域搜索方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609720A (zh) * | 2017-11-01 | 2018-01-19 | 中北大学 | 一种基于遗传算法和爬山算法的混凝土配送车辆调度方法 |
CN110288158A (zh) * | 2019-06-27 | 2019-09-27 | 心怡科技股份有限公司 | 一种基于爬山法的订单车ab面切分算法 |
CN112073469A (zh) * | 2020-08-14 | 2020-12-11 | 武汉大学 | 一种面向分布式机器学习任务的动态定价和部署方法 |
-
2021
- 2021-09-06 CN CN202111038694.4A patent/CN113469473B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609720A (zh) * | 2017-11-01 | 2018-01-19 | 中北大学 | 一种基于遗传算法和爬山算法的混凝土配送车辆调度方法 |
CN110288158A (zh) * | 2019-06-27 | 2019-09-27 | 心怡科技股份有限公司 | 一种基于爬山法的订单车ab面切分算法 |
CN112073469A (zh) * | 2020-08-14 | 2020-12-11 | 武汉大学 | 一种面向分布式机器学习任务的动态定价和部署方法 |
Non-Patent Citations (3)
Title |
---|
乔佩利等: "考虑逆向物流第三方配送的选址路径问题研究", 《计算机工程与应用》 * |
何彦东: ""网购物流终端配送问题研究"", 《中国博士学位论文全文数据库(电子期刊)》 * |
曹修山: ""基子MAB模型对支持向量机核参敖的优化"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611806A (zh) * | 2022-03-16 | 2022-06-10 | 重庆大学 | 一种解决多配送中心两级城市协同配送的大邻域搜索方法 |
CN114611806B (zh) * | 2022-03-16 | 2024-05-28 | 重庆大学 | 一种解决多配送中心两级城市协同配送的大邻域搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113469473B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034481B (zh) | 一种基于约束规划的带时间窗车辆路径问题建模及优化方法 | |
Balseiro et al. | An ant colony algorithm hybridized with insertion heuristics for the time dependent vehicle routing problem with time windows | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
Pisinger et al. | A general heuristic for vehicle routing problems | |
Doppstadt et al. | The hybrid electric vehicle–traveling salesman problem | |
Xu et al. | Dynamic pickup and delivery problem with transshipments and LIFO constraints | |
Li-ying et al. | Multiple charging station location-routing problem with time window of electric vehicle. | |
Fan | The vehicle routing problem with simultaneous pickup and delivery based on customer satisfaction | |
CN111325409A (zh) | 一种换电站选址与混合车队路径规划方法及系统 | |
Wang et al. | Towards delivery-as-a-service: Effective neighborhood search strategies for integrated delivery optimization of E-commerce and static O2O parcels | |
Sombuntham et al. | Multi‐depot Vehicle Routing Problem with Pickup and Delivery Requests | |
CN110705798A (zh) | 仓配装一体化产品配送路线和技术人员调度优化方法 | |
US20220292413A1 (en) | Bike sharing rebalancing optimization method based on adaptive neighborhood search algorithm | |
Wang et al. | Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows | |
CN113469473B (zh) | 一种考虑逆向物流的同城配送路线规划方法 | |
Chen et al. | A hybrid two-stage sweep algorithm for capacitated vehicle routing problem | |
CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
Zhen et al. | Scheduling heterogeneous delivery tasks on a mixed logistics platform | |
Wang et al. | The mobile production vehicle routing problem: Using 3D printing in last mile distribution | |
Gaul et al. | Solving the dynamic dial-a-ride problem using a rolling-horizon event-based graph | |
Liu et al. | An adaptive large neighborhood search method for rebalancing free-floating electric vehicle sharing systems | |
CN116703291B (zh) | 一种混合能源车队配送路径优化方法 | |
Liu et al. | A double-adaptive general variable neighborhood search for an unmanned electric vehicle routing and scheduling problem in green manufacturing systems | |
CN110544067B (zh) | 一种多式联运运输系统 | |
Al Theeb et al. | Optimization of logistic plans with adopting the green technology considerations by utilizing electric vehicle routing problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |