CN113887782A - 一种面向维修资源配送调度的遗传-烟花混合方法及系统 - Google Patents
一种面向维修资源配送调度的遗传-烟花混合方法及系统 Download PDFInfo
- Publication number
- CN113887782A CN113887782A CN202110998598.8A CN202110998598A CN113887782A CN 113887782 A CN113887782 A CN 113887782A CN 202110998598 A CN202110998598 A CN 202110998598A CN 113887782 A CN113887782 A CN 113887782A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- genetic
- time
- algorithm
- scheduling
- 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
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"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明属于维修资源配送调度技术领域,公开了一种面向维修资源配送调度的遗传‑烟花混合方法及系统,所述面向维修资源配送调度的遗传‑烟花混合方法包括:进行资源协同供应调度模型的构建;进行遗传‑烟花混合算法的构建;进行仿真实验对比。本发明针对建立的维修资源供应调度模型,本发明在遗传算法的基础上,引入烟花爆炸算子,使得种群优秀个体的数量增多,增强算法的局部寻优能力,充分结合了两种算法在全局搜索和局部搜索的优点,具有更高的搜索效率,可以在短时间内得到更优的调度方案。通过仿真对比实验,结果表明,本发明提出的混合算法可以得到成本更低的调度方案,同时具有更快的收敛速度,并且适用于各种规模的资源供应调度需求。
Description
技术领域
本发明属于维修资源配送调度技术领域,尤其涉及一种面向维修资源配送调度的遗传-烟花混合方法及系统。
背景技术
目前,自主维修保障模式是未来装备维修保障的发展方向,但现有维修保障体系与自主维修保障模式还存在较大的差距,现行军队体制中各军区、各兵种以及各部队单位之间的维修资源的调度中存在很多不合理现象,这对我军装备维修保障的能力与速度都造成了不利的影响。而资源供应的敏捷性会直接影响到维修保障的效率,我军自主维修保障研究中急需解决的问题之一就是如何根据PHM(Prognostics Health Management)系统的预测信息,联合多个资源库存中心,制定合理高效的配送调度方案,对多个部队维修基地进行快速可靠的资源供应保障。
在现代化自主维修保障系统中,对维修资源多采用配送式供应保障模式,将库存成本高的维修物资实行统一存储与管理,以缩短军需物资冗长的供应链,实现对各级部队单位的直达式供应。其核心主要是根据PHM提供的预测信息,计算具体的资源需求,确定保障资源的配送时间,然后通过合理的供应路线设计,控制资源的调度成本,从而获得全局最优的资源保障渠道。
目前对配送式资源供应保障模式的研究涉及交通运输、供应链优化以及物流管理等多个领域,并且在时间上存在一定的约束,因此属于MDVRPTW问题(Multi-Depot VehicleRouting Problem With Time-Windows)。由于大规模的调度为NP-hard问题,目前对MDVRPTW问题的研究多集中在启发式算法的优化上。因此,亟需一种面向维修资源配送调度的方法,以弥补现有技术的缺陷,在短时间内得到更优的调度方案。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现行军队体制中各军区、各兵种以及各部队单位之间的维修资源的调度中存在很多不合理现象,对装备维修保障的能力与速度都造成不利影响。
(2)资源供应的敏捷性会直接影响到维修保障的效率,自主维修保障中急需解决的问题是如何根据PHM系统的预测信息,联合多个资源库存中心,制定合理高效的配送调度方案,对多个部队维修基地进行资源供应保障。
(3)目前对配送式资源供应保障模式的研究涉及交通运输、供应链优化以及物流管理等多个领域,且在时间上存在一定约束,属于MDVRPTW问题。
解决以上问题及缺陷的难度为:
无论是配送保障中的资源供应调度还是维修任务中的资源分配调度,如何使用智能优化方法是解决以上问题的重中之重。如何针对目前存在的问题进行模型构建和算法设计也是本文的难点所在。
解决以上问题及缺陷的意义为:
针对资源配送不及时等现象,基于配送式供应保障模式,建立了一种协同供应调度模型。该模型综合考虑了维修地点的资源需求、配送车辆的行驶路径以及物资的装卸服务时间等多种约束,以配送车辆为媒介,设置配送中心为半开放式,使得多个配送中心可以协同合作,互相保障,从而提高了配送车辆的使用率,降低了调度的总成本。
发明内容
针对现有技术存在的问题,本发明提供了一种面向维修资源配送调度的遗传-烟花混合方法及系统。
本发明是这样实现的,一种面向维修资源配送调度的遗传-烟花混合方法,所述面向维修资源配送调度的遗传-烟花混合方法包括以下步骤:
步骤一,进行资源协同供应调度模型的构建;
(1)协同供应方案设计:在协同式配送模式下,车辆被所有的配送中心共享,资源在配送中心之间可以互通,供应保障能力得到了进一步的提高。由于配送中心的半开放性,对于路径终点配送中心的选择需要增加更多的限制,本文也引入了车位的概念,使得协同供应调度模型具有了一定的灵活性。(2)数学模型建立:1.目标函数:在本模型中,将综合考虑车辆的动用方案和资源的按时抵达两方面的因素,将其抽象为调度的成本来设计目标函数。2.约束条件:资源协同供应调度受到多方面因素的制约,包括时间有效性,车辆使用性,以及配送中心之间的协同合作方式等。
步骤二,进行遗传-烟花混合算法的构建;
针对上节建立的保障资源供应调度模型,本文提出了一种遗传-烟花混合算法。该算法的主体结构依然是遗传算法,为改善遗传算法容易“早熟”的缺陷,引入了烟花算法中的爆炸操作,扩大了遗传算法的局部搜索范围,从而加快了对最优解的搜索速度,提高了算法的求解性能。
步骤三,进行仿真实验对比。
本文引入了国际通用的MDVRPTW公开基准数据集,并对其进行了补充与改造。实验从Cordeau数据集中选择10个具有代表性的基础实例,为其增加了车辆、车位和工作时长限制,得到了A1~A5和B1~B5两组共10个实验算例。实验结果进行分析,由于遗传算法种群中适应度最好的个体其包含更为优秀的遗传信息,对其进行爆炸操作能在很大程度上能够引导算法的收敛方向,而适应度最差的个体由于包含了和优秀个体差异程度最大的遗传信息,能够使得种群的遗传信息更加丰富,从而扩大了局部搜索的范围。对两种算法进行混合,充分结合了遗传算法全局搜索能力强和烟花算法局部搜索能力强的特点,使得混合算法在收敛速度和搜索范围上都得到了改善,从而能够以更快的速度得到更小成本的调度方案,这对于实际的资源供应调度具有重要的经济效益。
本文引入了国际通用的MDVRPTW公开基准数据集,并对其进行了补充与改造。实验从Cordeau数据集中选择10个具有代表性的基础实例,为其增加了车辆、车位和工作时长限制,得到了运用了A、B两组共10个实验算例
进一步,步骤一中,所述资源协同供应调度模型采用如下基本假设:
(1)资源数量充足,全局的维修资源库存能够满足全局的资源需求;
(2)车辆由一个配送中心出发后返回到多个配送中心中的一个,每辆车不得重复调度;采用同类型的配送车辆,车辆与需求地点之间为一对多的关系;
(3)运输道路状况和车流量忽略不计,道路距离按直线距离计算,单位距离的行驶时间为单位时间;
(4)每个配送中心存在固定数量的车位,可用车位数不足时,车辆不能在该配送中心停靠;车辆到达需求地点的时间应在允许的时间范围内波动,如果车辆在规定时间之外到达,则会进行处罚,增加一定的供应成本;
(5)车辆在每个节点存在装卸货物的时间,称为服务时间,服务时间在车辆到达后才能开始计时,服务结束后车辆才可以离开;
由于配送中心以及需求地点位置的分散性,协同供应调度模型看作一个完全无向图G=(V,A),其中,V={v1,...,vN,vN+1,...,vN+M}为节点集,代表配送中心或需求地点;位置用二维坐标(X,Y)表示;A={(vi,vj)∣vi,vj∈V,l≠j}为弧集,代表节点之间的距离长度。
在节点集V中,C={c1,c2,...,cN}={v1,v2,...,vN}代表N个需求地点,D={d1,d2,...,dM}={vN+1,vN+2,...,vN+M}代表M个配送中心;在弧集A中,每个弧(vi,vj)∈A代表两个节点之间的路径,与之对应的参数cij代表两者之间的距离。
对于每个需求节点vi∈C,包括对应的资源需求量qi,装卸服务时间si以及供应时间窗口[ei,li];其中ei是接受配送的最早开始时间,li是接受配送的最晚时间。
对于每个配送中心节点vi∈D,包括对应的车辆数目|Kd|和车位数目|Pd|,在没有需求和配送服务时,配送中心的资源需求量和服务时间都为0,即qi=si=0。
每个配送中心的车辆集合表示为K={k1,k2,...,kL},其中L是车辆数目,车辆包括对应的负荷量Qk,最大工作时间Tk,动用成本和单位距离行驶成本车辆k到达节点i的时间为aki,车辆在节点i服务开始时间为bki,车辆累计工作时长为πk。
由于采用软时间窗进行建模,惩罚函数以时间的线性函数的形式表示,因此模型引入早到单位时间惩罚成本Cearl和迟到单位时间惩罚成本Clat以及提前、推迟到达节点i的时间差和当车辆早于时间窗的开启时刻或晚于时间窗的关闭时刻到达时,会增加调度成本,增加的成本等于对应的单位时间惩罚成本与时差的乘积。
引入供应调度模型中最重要决策变量:xkij,用于判断车辆k的行驶路线,若车辆k从节点i驶向节点j则xkij=1;否则xkij=0。
进一步,根据所述模型描述与符号定义,对资源协同供应调度模型进行如下的公式化归纳:
其中,式(1)的目标函数为最小化调度总成本,等式右边第一项对所有车辆的行驶成本求和,第二项对所有车辆的固定成本求和,第三项计算总的时间成本;约束(2)要求从每个配送中心出发的车辆数量不超过可用车数;约束(3)确保每个需求地仅被一辆车服务一次;约束(4)表示每辆车从一个配送中心,并在一个配送中心结束;约束(5)确保了车辆k的行程路径上各个需求地点已连接;约束(6)表示车辆不能直接从配送中心i到配送中心j;约束(7)表示车辆数量返回每个配送中心的数量不超过配送中心的车位数量;约束(8)描述节点的访问顺序,若车辆k直接从节点出发i到节点j,则节点j的到达时间必须等于上个节点的服务开始时间+服务时间+行驶时间;约束(9)确保车辆k在节点i处的启动服务时间晚于或等于其到达间;约束(10)确保车辆服务路径上的需求总数量小于车辆负载;约束(11)确保车辆实际工作时长,即终点配送中心的到达时间-起始配送中心离开时间小于最大工作时长;约束(12)表示决策变量的范围;约束(13)和约束(14)分别计算车辆k提前、推迟到达需求地点i的时间差。
进一步,步骤二中,所述遗传-烟花混合算法的构建,包括染色体编解码;其中,所述染色体编解码,包括:
(1)编码规则
对于资源协同供应调度模型,代表模型可行解的染色体应该含有资源配送中心信息、维修地点信息、车辆使用信息以及车辆的路径信息;设计编码方案,使用自然数表示的二维向量,其中第一维向量为需求地点ID的全排列,其元素不能存在重复,而第二维向量为需求地点对应的配送中心ID,其元素可以相同。
(2)解码规则
在解码阶段对车辆路径进行具体的划分,染色体解码被分为如下两个步骤:
①整体调度路径提取:根据配送中心的ID,将同一配送中心对应的基因按照从左到右的顺序依次提取,并组合成为一条新的“子染色体”,称为整体调度路径,该路径记录该配送中心负责保障的所有需求地点的配送顺序。
②车辆行驶路径划分:对于每一条整体调度路径,根据各种约束条件,按照从左到右的顺序,将其需求地向量的元素依次加入一个有序集合,该有序集合称为车辆行驶路径;在加入新需求地时,若违反模型的约束条件,则设置当前车辆路径终点为最近的配送中心,并另起一个新的有序集合,继续为剩余的需求地划分车辆路径,直至当前整体调度路径中所有需求地都归入对应的车辆行驶路径;其中,所述约束条件包括车辆运载能力和行驶时间。
进一步,步骤二中,所述遗传-烟花混合算法的基本要素,包括:
(1)初始种群
根据上述编码方案,按照给定的配送中心和需求地信息,随机产生固定数量的染色体,即可作为混合算法的初始种群。Popsize的大小决定算法的搜索性能,根据模型输入数据的规模进行调整。
(2)适应度函数
对于保障资源供应调度模型,优化目标是使维修资源供应调度方案的总成本最小,算法的目标函数即是调度总成本,因此适应度函数用如下倒数函数形式表示:
fit(i)=1/Cost(i) (16)
其中,Cost(i)为种群中个体i的目标函数值,fit(i)即个体i的染色体所对应的适应度,fit(i)越大,被选则的几率就越大。
(3)停止准则
对于所述混合算法,主体结构依旧是遗传算法,只需设置一个迭代次数的上限Maxgen,当算法的迭代次数达到该阈值时候,结束程序,输出当前的满意解即可。
(4)选择操作
通过精英保留策略直接保留最优秀的个体:根据适应度的大小对当前种群中的个体降序排列,将一定数量的优秀个体直接放入子代种群。对于剩下的个体采用轮盘赌策略进行选择,流程为:通过式(16)计算保留概率P(xi);对所有个体的保留概率累加,得到个体的累计概率分布刻度区间;在(0,1]区间内产生Gap·Popsize个随机数,根据随机数掉落的刻度区间确定被选中的染色体。
其中,fit(xi)表示个体xi的适应度,P(xi)表示个体xi的保留概率。
(5)交叉操作
对染色体编码中的两个维度采用不同的交叉方法。第一维编码向量是需求地编码的全排列,具有唯一性,简单的交叉方法非常容易产生不可行解,因此采用的交叉方法为部分匹配交叉法PMX),包括:
Step1:随机选择一对染色体父代1和父代2,在染色体上再随机选择两个插入点,作为交叉片段的起止位置;
Step2:根据插入点的位置,交换两个父代中的基因片段,并根据交换的具体基因建立一个两两映射关系集合;
Step3:对交换基因片段后产生的预备子代进行冲突检测与修复。以预备子代1为例,交换之后存在重复基因7,1,6,14;通过映射关系可知,这四个重复基因依次与基因11,10,8,14匹配,按照该映射规则进行替换,预备子代1中的基因7,1,6,14被替换为基因11,10,8,14,从而得到无重复基因的子代1,预备子代2也按照同样的方法根据映射关系进行修复即可。
采用两点交叉策略,将父代中虚线所指的配送中心编码片段两两交换。
(6)变异操作
混合算法中变异操作采用简单的两点交换策略,在种群中以一定变异概率随机选择一定数量的个体进行基因交换,操作步骤为:对选中的个体,随机选择其染色体上的两个基因作为交换点,然后交换位置即可。
(7)爆炸算子设计
在烟花算法中爆炸操作即为一次邻域搜索过程,且适应度值较好的烟花在较小的范围内产生较多的火花粒子,称为“局部烟花”,适应度值较差的烟花在较大的范围内产生较少的火花粒子,称为“全局烟花”。遗传算法种群中适应度最好的个体含有更为优秀的遗传信息,在很大程度上能够引导算法的收敛方向,因此可以看作一个产生“局部烟花”的最佳爆炸点;而适应度最差的个体由于其包含了和优秀个体差异程度最大的遗传信息,能够使得种群的遗传信息更加多样化,因此可以看作产生“全局烟花”的一个较好爆炸点。
由于染色体中需求地和配送中心两个向量的生成规则不同,因此爆炸算子也需要对不同维度的向量分别进行操作,具体的操作分为4种策略;对于第一维的需求地向量,爆炸算子采用随机混合方案,对每一次的爆炸操作,随机采用单点交换、插入与反转三种策略种的一种执行;而对于第二维的配送中心向量,由于无需考虑冲突检测,在三种策略之外,还加入多点变异策略。
爆炸算子中的爆炸数量Si和爆炸半径Ri的计算规则如下:
其中,Ssum为预设的爆炸火花数,A为爆炸半径的基值,fit(xi)为个体xi的适应度,fitmax与fitmin分别为进行爆炸操作的个体中的最大适应度值与最小适应度值,N为进行爆炸操作的个体的数量。
爆炸半径规定爆炸操作时进行邻域搜索的范围,对于自然数编码方案,爆炸半径对应为爆炸操作的最大执行次数,即对于烟花i,需要随机进行1~Ri次爆炸操作才可以得到一个新的火花。
由于在遗传算法阶段进行了相关变异操作,爆炸算子没有不考虑高斯变异火花。由于爆炸数量根据个体的适应度计算的,故对Si设置上下界:
其中,Smax与Smin分别为的预先设置的最大、最小爆炸火花数量。
规定每次保留Smin个火花作为爆炸算子产生的新个体,加入遗传算法的种群中,进行混合算法的下一轮迭代。
进一步,步骤二中,所述遗传-烟花混合算法流程,包括:
(1)初始化阶段:初始化模型和算法中的各项参数和变量;构建资源集合、需求地点、配送中心以及车辆集合;随机生成初代种群;
(2)遗传搜索阶段:采用PMX和简单交换对种群个体进行交叉操作;随机选择一定数量的个体,进行变异操作;计算种群中每个个体的适应度,并进行排序;采用精英保留和轮盘赌选择进入子代种群中的个体;
(3)爆炸优化阶段:选择子代种群中适应度最好和最差的两个个体;计算爆炸数量和爆炸半径;经爆炸操作得到火花粒子;将爆炸火花粒子加入子代种群,进入下一轮迭代;判断是否达到终止条件,若是,则输出最佳调度方案;若否,则返回遗传搜索阶段。
本发明的另一目的在于提供一种应用所述的面向维修资源配送调度的遗传-烟花混合方法的面向维修资源配送调度的遗传-烟花混合系统,所述面向维修资源配送调度的遗传-烟花混合系统包括:
调度模型构建模块,用于进行资源协同供应调度模型的构建;
混合算法构建模块,用于进行遗传-烟花混合算法的构建;
仿真对比模块,用于进行仿真实验对比。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
(1)进行资源协同供应调度模型的构建;
(2)进行遗传-烟花混合算法的构建;
(3)进行仿真实验对比。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
(1)进行资源协同供应调度模型的构建;
(2)进行遗传-烟花混合算法的构建;
(3)进行仿真实验对比。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的面向维修资源配送调度的遗传-烟花混合系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的面向维修资源配送调度的遗传-烟花混合方法,将配送中心设为半开放式,然后在遗传算法和烟花算法的基础上,提出了一种遗传-烟花混合算法,充分结合了两种算法在全局搜索和局部搜索的优点,具有更高的搜索效率,可以在短时间内得到更优的调度方案。
为减轻资源供应不及时对维修活动顺利开展的影响,本发明针对配送式供应保障,基于带时间窗的多配送中心车辆路径规划问题提出了一种半开放式的协同配送调度模型,使得多个资源库存中心之间达成了协同合作与互相保障,从而减少了资源的供应时长和调度成本,提高了全局调度效率。为高效地求解该模型,本发明提出了一种遗传-烟花混合算法,混合算法在经典遗传算法的基础上引入了烟花算法的爆炸算子以增加种群优秀个体的数量,丰富种群基因的多样性,从而提高算法的寻优能力。通过仿真实验对比,证明了爆炸算子对遗传算法容易“早熟”的缺点有所改善,且混合算法具有更高的求解效率。
本发明针对建立的维修资源供应调度模型,本发明提出了一种遗传-烟花混合算法。混合算法在遗传算法的基础上,引入了烟花爆炸算子,使得种群优秀个体的数量增多,增强了算法的局部寻优能力。通过仿真对比实验,结果表明本发明提出的混合算法可以得到成本更低的调度方案,同时具有更快的收敛速度,并且适用于各种规模的资源供应调度需求。
本发明提出了一种遗传-烟花混合算法为改善遗传算法容易“早熟”的缺陷,引入了烟花算法中的爆炸操作,扩大了遗传算法的局部搜索范围,从而加快了对最优解的搜索速度,提高了算法的求解性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的面向维修资源配送调度的遗传-烟花混合方法的流程图。
图2是本发明实施例提供的面向维修资源配送调度的遗传-烟花混合系统的结构框图;
图中:1、调度模型构建模块;2、混合算法构建模块;3、仿真对比模块。
图3是本发明实施例提供的配送式维修资源供应示意图。
图4是本发明实施例提供的时间窗分类示意图。
图5是本发明实施例提供的染色体编码方式示意图。
图6是本发明实施例提供的交叉操作流程示意图。
图7是本发明实施例提供的爆炸算子示意图。
图8是本发明实施例提供的遗传-烟花混合算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。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。
针对现有技术存在的问题,本发明提供了一种面向维修资源配送调度的遗传-烟花混合方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的面向维修资源配送调度的遗传-烟花混合方法包括以下步骤:
S101,进行资源协同供应调度模型的构建;
S102,进行遗传-烟花混合算法的构建;
S103,进行仿真实验对比。
如图2所示,本发明实施例提供的面向维修资源配送调度的遗传-烟花混合系统包括:
调度模型构建模块1,用于进行资源协同供应调度模型的构建;
混合算法构建模块2,用于进行遗传-烟花混合算法的构建;
仿真对比模块3,用于进行仿真实验对比。
下面结合具体实施例对本发明的技术方案作进一步描述。
1.问题描述
1.1配送式资源供应
自主维修保障中为减小高技术装备维修资源的库存成本,资源主要在库存配送中心集中存储,采用如图3所示的配送式供应模式:各级维修单位计划开展维修活动时,需向库存配送中心提出具体的资源需求,调度决策者会根据全局资源的分布情况,在满足需求数量和抵达时间的约束条件下,将各种资源供应至需求地点。
1.2约束条件
(1)时间约束
供应调度中的时间有效性约束一般采用时间窗口描述,根据决策者对供应时间准确性和供应成本之间的偏好,可以分为如图4所示的三种时间窗:图4(a)表示硬时间窗:车辆必须在规定时间段(e,l)之内将资源送达需求地点,需求地在这个时间段之外将拒绝接收资源,其中P(t)为惩罚函数,在硬时间窗之外的惩罚值M是一个很大的值;图4(b)表示软时间窗:配送中各种突发情况可能导致配送车辆无法在规定时间内到达,但需求地点对此可以接受,不过需要按照一定规则处以一定的惩罚,图4(b)即一种可能的惩罚函数;图4(c)将硬、软两种时间窗相结合,形成了混合型时间窗:在规定的时间段(e,l)之内将资源送达会直接接受,在规定时间段之外的一个较小的区间内送达,如(a,e)或(l,b),则在加以一定惩罚后接受维修资源,但在(a,b)之外将不再接受资源的供应。
(2)车辆使用性约束
车辆是维修资源供应过程中调度的主要执行者,对于车辆本身的许多固有属性,常常存在一些硬性的约束,具体如下:
①承载约束
每辆配送车辆的运载能力都是有限的,在配送的过程中,通常不允许实际的装载量超过车辆的承载限制,承载限制一般考虑为车辆的最大承重重量或车辆的最大资源容纳数量。
②行驶上限约束
车辆在行驶过程中会产生成本与损耗,如油耗、器械磨损、人员体力损耗等,若这些成本或损耗达到一定的阈值,则车辆须返回进行保养与休整。此外,考虑到配送任务的均衡性,应该禁止超长配送路线的出现,需要对车辆设置行驶上限,车辆必须在行驶时间或行驶路程到达行驶上限之前返回配送中心。
③使用数量约束
实际配送中不可能存在无限多的配送车辆,因此需要对每个配送中心的实际可用车辆数目加以限制,车辆动用数量必须小于当前空闲的车辆数。
1.3半开放配送中心
基本的配送式供应保障中一般要求车辆回到其出发的配送中心,这种模式下车辆使用率不高,并且配送中心之间没有联系和互动,资源也无法共享。基于此,本发明研究半开方式的配送中心:车辆从配送中心a出发并完成配送任务后,可以根据距离因素自行选择是否返回原配送中心a;若选择不返回原配送中心a,而是另一个配送中心b,则配送中心b在该车辆返回后,拥有该车辆的使用权,后续可以为该车辆安排配送中心b的配送任务。此外,配送中心自己也可以作为一个需求地点,从而可以实现配送中心之间的资源共享和互相保障,使得供应保障体系更加高效且可靠。由于配送中心的半开放性,本发明引入了车位的概念,增加了如下两条约束原则:仅当配送中心拥有的车辆数目小于配送中心车位数目时,才允许新的车辆返回该配送中心;车辆应选择距离路线末端最近的,且具有多余停车位的配送中心返回。
2.数学模型
考虑到计算的方便性以及仿真实验的可行性,模型采用如下基本假设:
1)资源数量充足,全局的维修资源库存能够满足全局的资源需求;
2)车辆由一个配送中心出发后返回到多个配送中心中的一个,每辆车不得重复调度;
采用同类型的配送车辆,车辆与需求地点之间为一对多的关系;
3)运输道路状况和车流量忽略不计,道路距离按直线距离计算,单位距离的行驶时间为单位时间;
4)每个配送中心存在固定数量的车位,可用车位数不足时,车辆不能在该配送中心停靠;
车辆到达需求地点的时间应在允许的时间范围内波动,如果车辆在规定时间之外到达,则会进行处罚,增加一定的供应成本;
5)车辆在每个节点存在装卸货物的时间,称为服务时间,服务时间在车辆到达后才能开始计时,服务结束后车辆才可以离开;
由于配送中心以及需求地点位置的分散性,协同供应调度模型可以看作一个完全无向图G=(V,A),其中,V={v1,...,vN,vN+1,...,vN+M}为节点集,代表了配送中心或需求地点,其位置用二维坐标(X,Y)表示;A={(vi,vj)∣vi,vj∈V,l≠j}为弧集,代表了节点之间的距离长度。
在节点集V中,C={c1,c2,...,cN}={v1,v2,...,vN}代表N个需求地点,D={d1,d2,...,dM}={vN+1,vN+2,...,vN+M}代表M个配送中心。在弧集A中,每个弧(vi,vj)∈A代表两个节点之间的路径,与之对应的参数cij代表两者之间的距离。
对于每个需求节点vi∈C,有着与其对应的资源需求量qi,装卸服务时间si,以及供应时间窗口[ei,li],其中ei是接受配送的最早开始时间,li是接受配送的最晚时间。
对于每个配送中心节点vi∈D,有着于其对应的车辆数目|Kd|和车位数目|Pd|,在没有需求和配送服务时,配送中心的资源需求量和服务时间都为0,即qi=si=0。
每个配送中心的车辆集合表示为K={k1,k2,...,kL},其中L是车辆数目,车辆有其对应的负荷量Qk,最大工作时间Tk,动用成本和单位距离行驶成本记车辆k到达节点i的时间为aki,车辆在节点i的服务开始时间为bki,车辆的累计工作时长为πk。
由于采用了软时间窗进行建模,惩罚函数以时间的线性函数的形式表示,因此模型引入了早到单位时间惩罚成本Cearl和迟到单位时间惩罚成本Clat,以及提前、推迟到达节点i的时间差和当车辆早于时间窗的开启时刻或晚于时间窗的关闭时刻到达时,会增加调度成本,增加的成本等于对应的单位时间惩罚成本与时差的乘积。
最后,引入了本发明供应调度模型中最重要决策变量:xkij,它用于判断车辆k的行驶路线,若车辆k从节点i驶向节点j则xkij=1;否则xkij=0。
根据以上的模型描述与符号定义,可对资源协同供应调度模型进行如下的公式化归纳:
其中,式(1)的目标函数为最小化调度总成本,等式右边第一项对所有车辆的行驶成本求和,第二项对所有车辆的固定成本求和,第三项计算总的时间成本;约束(2)要求从每个配送中心出发的车辆数量不超过可用车数;约束(3)确保每个需求地仅被一辆车服务一次;约束(4)表示每辆车从一个配送中心,并在一个配送中心结束;约束(5)确保了车辆k的行程路径上各个需求地点已连接;约束(6)表示车辆不能直接从配送中心i到配送中心j;约束(7)表示车辆数量返回每个配送中心的数量不超过配送中心的车位数量;约束(8)描述了节点的访问顺序,若车辆k直接从节点出发i到节点j,则节点j的到达时间必须等于上个节点的服务开始时间+服务时间+行驶时间;约束(9)确保车辆k在节点i处的启动服务时间晚于或等于其到达间;约束(10)确保车辆服务路径上的需求总数量小于车辆负载;约束(11)确保车辆实际工作时长(终点配送中心的到达时间-起始配送中心离开时间)小于最大工作时长;约束(12)表示决策变量的范围;约束(13)和约束(14)分别计算车辆k提前、推迟到达需求地点i的时间差。
3.遗传-烟花混合算法
供应调度问题是经典的NP-hard问题,精确算法可以求得问题的最优解,但其时间复杂度却不适用大规模问题的求解,近年来的相关研究多集中在启发式算法的创新上。
遗传算法(GA)是一种经典的群智能算法,针对建立的资源供应调度模型,本发明提出了一种遗传-烟花混合算法为改善遗传算法容易“早熟”的缺陷,引入了烟花算法中的爆炸操作,扩大了遗传算法的局部搜索范围,从而加快了对最优解的搜索速度,提高了算法的求解性能,下面对该算法进行详细的介绍。
3.1染色体编解码
1)编码规则
对于资源协同供应调度模型,代表模型可行解的染色体应该含有资源配送中心信息、维修地点信息、车辆使用信息、车辆的路径信息等。因此,本发明设计了如图5所示的编码方案,使用自然数表示的二维向量,其中第一维向量为需求地点ID的全排列,其元素不能存在重复,而第二维向量为需求地点对应的配送中心ID,其元素可以相同。
2)解码规则
由于染色体编码使用了需求地的直接排列,但却没有设置分割车辆信息的基因位置,因此需在解码阶段对车辆路径进行具体的划分。为了最大化车辆使用效率,应使用尽量少的车辆来完成资源的配送,染色体解码被分为了如下两个步骤:
①整体调度路径提取。根据配送中心的ID,将同一配送中心对应的基因按照从左到右的顺序依次提取,然后组合成为一条新的“子染色体”,称为整体调度路径,该路径记录了该配送中心负责保障的所有需求地点的配送顺序。
②车辆行驶路径划分。对于每一条整体调度路径,根据各种约束条件,按照从左到右的顺序,将其需求地向量的元素依次加入一个有序集合,该有序集合称为车辆行驶路径。在加入新需求地时,若违反了模型的约束条件(如车辆运载能力、行驶时间等),则设置当前车辆路径终点为最近的配送中心,然后另起一个新的有序集合,继续为剩余的需求地划分车辆路径,直至当前整体调度路径中所有需求地都归入了对应的车辆行驶路径。
3.2算法基本要素
1)初始种群
根据上述编码方案,按照给定的配送中心和需求地信息,随机产生固定数量的(Popsize)染色体,即可作为混合算法的初始种群。Popsize的大小往往决定了算法的搜索性能,一般需根据模型输入数据的规模进行调整,从而保证种群基因的多样性。
2)适应度函数
对于本发明的保障资源供应调度模型,其优化目标是使维修资源供应调度方案的总成本最小,算法的目标函数即是调度总成本,因此适应度函数可用如下倒数函数形式表示:
fit(i)=1/Cost(i) (16)
式(3-14)中,Cost(i)为种群中个体i的目标函数值,fit(i)即个体i的染色体所对应的适应度,fit(i)越大,被选则的几率就越大。
3)停止准则
对于本发明提出的混合算法,其主体结构依旧是遗传算法,只需设置一个迭代次数的上限Maxgen,当算法的迭代次数达到该阈值时候,结束程序,输出当前的满意解即可。
4)选择操作
首先通过精英保留策略直接保留最优秀的个体:根据适应度的大小对当前种群中的个体降序排列,将一定数量的优秀个体直接放入子代种群。对于剩下的个体采用轮盘赌策略进行选择,具体流程为:先通过式(16)计算保留概率P(xi),然后对所有个体的保留概率累加,得到个体的累计概率分布刻度区间,最后在(0,1]区间内产生Gap·Popsize个随机数,根据随机数掉落的刻度区间确定被选中的染色体。
其中,fit(xi)表示个体xi的适应度,P(xi)表示个体xi的保留概率。
5)交叉操作
本发明对染色体编码中的两个维度采用了不同的交叉方法。第一维编码向量是需求地编码的全排列,具有唯一性,简单的交叉方法非常容易产生不可行解,因此本发明采用的交叉方法为部分匹配交叉法(Partially Matching Crossover,PMX)。以图6为例,其具体步骤如下:
Step1:随机选择一对染色体(父代1和父代2),在染色体上再随机选择两个插入点,作为交叉片段的起止位置;
Step2:根据插入点的位置,交换两个父代中的基因片段,并根据交换的具体基因建立一个两两映射关系集合。例如,在图7交换的基因片段中,存在11-7,1-(2-12)-10,8-6,4-(9)-14五个映射关系,
Step3:对交换基因片段后产生的预备子代进行冲突检测与修复。以预备子代1为例,交换之后存在重复基因7,1,6,14。而通过映射关系可知,这四个重复基因依次与基因11,10,8,14匹配,按照该映射规则进行替换,预备子代1中的基因7,1,6,14被替换为了基因11,10,8,14,从而得到了无重复基因的子代1。预备子代2也按照同样的方法根据映射关系进行修复即可。
编码第二维向量为配送中心信息,不具有唯一性,允许元素的重复出现。因此本发明采用简单的两点交叉策略,将父代中虚线所指的配送中心编码片段两两交换即可,如图4中虚线所示。
6)变异操作
混合算法中变异操作采用简单的两点交换策略,在种群中以一定变异概率随机选择一定数量的个体进行基因交换,具体步骤十分简单:对选中的个体,随机选择其染色体上的两个基因作为交换点,然后交换它们的位置即可。
7)爆炸算子设计
在烟花算法中爆炸操作即为一次邻域搜索过程,且适应度值较好的烟花在较小的范围内产生较多的火花粒子,称为“局部烟花”,适应度值较差的烟花在较大的范围内产生较少的火花粒子,称为“全局烟花”。遗传算法种群中适应度最好的个体含有更为优秀的遗传信息,在很大程度上能够引导算法的收敛方向,因此可以看作一个产生“局部烟花”的最佳爆炸点;而适应度最差的个体由于其包含了和优秀个体差异程度最大的遗传信息,能够使得种群的遗传信息更加多样化,因此可以看作产生“全局烟花”的一个较好爆炸点。
由于本发明染色体中需求地和配送中心两个向量的生成规则不同,因此爆炸算子也需要对不同维度的向量分别进行操作,才能保证生成新个体的正确性,具体的操作分为如图7所示的4种策略。对于第一维的需求地向量,爆炸算子采用一种随机混合方案,对每一次的爆炸操作,随机采用单点交换、插入与反转三种策略种的一种执行,如图7中(a),(b),(c)所示;而对于第二维的配送中心向量,由于无需考虑冲突检测,在上述三种策略之外,还加入了多点变异策略,如图7(d)所示。
爆炸算子中的爆炸数量Si和爆炸半径Ri的计算规则如下:
其中,Ssum为预设的爆炸火花数,A为爆炸半径的基值,fit(xi)为个体xi的适应度,fitmax与fitmin分别为进行爆炸操作的个体中的最大适应度值与最小适应度值,N为进行爆炸操作的个体的数量。
爆炸半径规定了爆炸操作时进行邻域搜索的范围,对于本发明的自然数编码方案,爆炸半径可以对应为爆炸操作的最大执行次数,即对于烟花i,需要随机进行1~Ri次爆炸操作才可以得到一个新的火花。
由于在遗传算法阶段进行了相关变异操作,为避免不必要的运算,本发明爆炸算子没有不考虑高斯变异火花。由于爆炸数量根据个体的适应度计算的,具有一定的不确定性,因此本发明对Si设置了上下界:
其中,Smax与Smin分别为的预先设置的最大、最小爆炸火花数量。
最后为了保证种群规模不变,规定每次保留Smin个火花作为爆炸算子产生的新个体,加入遗传算法的种群中,进行混合算法的下一轮迭代。
3.3混合算法流程
混合算法的基本流程如图8所示,分为初始化、遗传进化和爆炸优化三个阶段。
4.实验结果与分析
4.1实验数据与算法参数
由于本章建立的资源供应调度模型属于MDVRPTW模型的一个扩展,相较于原模型增加了许多新约束,目前还没有公开标准数据可用于测试验证。因此,本发明引入了国际通用的MDVRPTW公开基准数据集,并对其进行了补充与改造。
实验从Cordeau数据集中选择10个具有代表性的基础实例,为其增加了车辆、车位和工作时长限制,得到了A1~A5和B1~B5两组共10个实验算例,如表1所示。对于A、B两组数字序号相同的算例,其节点地理分布是完全相同的,但A组算例具有较窄的时间窗口,B组算例具有较宽的时间窗口。
表1实验算例基本信息
为了便于对比,相关变量及参数的取值如表2,参数测试候选值和最终取值见表3。
表2模型参数值设置
模型参数名称 | 参数值 |
车辆动用成本(元) | 1000 |
每千米行驶成本(元) | 10 |
提前到达每分钟惩罚成本(元) | 0.5 |
推迟到达每分钟惩罚成本(元) | 2 |
车辆行驶速(m·s-1) | 16.6 |
表3混合算法参数
算法参数名称 | 参数测试候选值 | 参数取值 |
遗传种群数量(个) | 50,100,200 | 100 |
遗传种群代沟 | 0.5,0.7,0.9 | 0.9 |
交叉概率 | 0.6,0.7,0.8 | 0.8 |
变异概率 | 0.1,0.2,0.3 | 0.1 |
预设爆炸数量(个) | 15,30,60 | 30 |
最大爆炸数量(个) | 12,24,30 | 24 |
最小爆炸数数(个) | 5,10,20 | 10 |
爆炸半径 | 10,20,30 | 20 |
遗传-烟花混合算法是一种启发式算法,启发参数的好坏往往决定了算法的性能。因此本发明使用表1中的算例进行了参数评估。
4.2算法性能对比
单个的算例的运行结果具有一定的局限性,为了进一步对比算法的求解性能,本发明对遗传算法、烟花算法以及混合算法在同样的硬件条件下,对表4.1中的10个算例分别进行了对比实验。为了保障实验的公平性,对于相同的算例,三种算法的候选解规模、迭代次数以及初始种群都设置完全相同。
(1)求解质量对比
为了综合对比算法的求解质量,记录三种算法10次运行结果中目标函数的最优值、平均值以及标准差如下。
对比表4和5中的目标函数值可以明显看出,在绝大部分算例上,无论是最优值还是平均值,混合算法都比遗传算法和烟花算法要小,这说明混合算法具有最好的求解质量,得到的满意解更加逼近实际最优解,得到了调度成本最小的方案。
表4目标函数最优值
算例 | A1 | A2 | A3 | A4 | A5 | B1 | B2 | B3 | B4 | B5 |
GA | 16072 | 22130 | 28327 | 42640 | 41351 | 14636 | 20484 | 24930 | 40823 | 39215 |
FWA | 15474 | 21711 | 27634 | 41715 | 40700 | 13918 | 19420 | 23786 | 39601 | 38532 |
混合 | 14936 | 21322 | 27122 | 40067 | 39429 | 13565 | 19170 | 22973 | 38725 | 37783 |
表5目标函数平均值
算例 | A1 | A2 | A3 | A4 | A5 | B1 | B2 | B3 | B4 | B5 |
GA | 16892 | 22910 | 29138 | 43653 | 42564 | 15421 | 21180 | 26086 | 41970 | 40585 |
FWA | 15725 | 22137 | 28354 | 42405 | 41638 | 14753 | 20187 | 24786 | 40533 | 39714 |
混合 | 15270 | 21634 | 27592 | 41517 | 40727 | 14195 | 19794 | 23553 | 39022 | 38372 |
表6目标函数标准差
算例 | A1 | A2 | A3 | A4 | A5 | B1 | B2 | B3 | B4 | B5 |
GA | 384.3 | 339.9 | 442.6 | 485.1 | 552.3 | 340.7 | 327.6 | 532.5 | 673.4 | 472.9 |
FWA | 207.4 | 208.2 | 337.5 | 349.2 | 362 | 327.7 | 308.2 | 411.8 | 479.2 | 512.0 |
混合 | 229.6 | 147.4 | 219.7 | 459.9 | 294.6 | 257.2 | 328.5 | 272.5 | 459.3 | 324.5 |
从理论上对实验结果进行分析,由于遗传算法种群中适应度最好的个体其包含更为优秀的遗传信息,对其进行爆炸操作能在很大程度上能够引导算法的收敛方向,而适应度最差的个体由于包含了和优秀个体差异程度最大的遗传信息,能够使得种群的遗传信息更加丰富,从而扩大了局部搜索的范围。对两种算法进行混合,充分结合了遗传算法全局搜索能力强和烟花算法局部搜索能力强的特点,使得混合算法在收敛速度和搜索范围上都得到了改善,从而能够以更快的速度得到更小成本的调度方案,这对于实际的资源供应调度具有重要的经济效益。
本发明针对建立的维修资源供应调度模型,本发明提出了一种遗传-烟花混合算法。混合算法在遗传算法的基础上,引入了烟花爆炸算子,使得种群优秀个体的数量增多,增强了算法的局部寻优能力。通过仿真对比实验,结果表明本发明提出的混合算法可以得到成本更低的调度方案,同时具有更快的收敛速度,并且适用于各种规模的资源供应调度需求。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
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,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种面向维修资源配送调度的遗传-烟花混合方法,其特征在于,所述面向维修资源配送调度的遗传-烟花混合方法包括以下步骤:
步骤一,进行资源协同供应调度模型的构建;
步骤二,进行遗传-烟花混合算法的构建;
步骤三,进行仿真实验对比。
2.如权利要求1所述面向维修资源配送调度的遗传-烟花混合方法,其特征在于,步骤一中,所述资源协同供应调度模型采用如下基本假设:
(1)资源数量充足,全局的维修资源库存能够满足全局的资源需求;
(2)车辆由一个配送中心出发后返回到多个配送中心中的一个,每辆车不得重复调度;采用同类型的配送车辆,车辆与需求地点之间为一对多的关系;
(3)运输道路状况和车流量忽略不计,道路距离按直线距离计算,单位距离的行驶时间为单位时间;
(4)每个配送中心存在固定数量的车位,可用车位数不足时,车辆不能在该配送中心停靠;车辆到达需求地点的时间应在允许的时间范围内波动,如果车辆在规定时间之外到达,则会进行处罚,增加一定的供应成本;
(5)车辆在每个节点存在装卸货物的时间,称为服务时间,服务时间在车辆到达后才能开始计时,服务结束后车辆才可以离开;
由于配送中心以及需求地点位置的分散性,协同供应调度模型看作一个完全无向图G=(V,A),其中,V={v1,…,vN,vN+1,…,vN+M}为节点集,代表配送中心或需求地点;位置用二维坐标(X,Y)表示;A={(vi,vj)∣vi,vj∈V,l≠j}为弧集,代表节点之间的距离长度;
在节点集V中,C={c1,c2,…,cN}={v1,v2,…,vN}代表N个需求地点,D={d1,d2,…,dM}={vN+1,vN+2,…,vN+M}代表M个配送中心;在弧集A中,每个弧(vi,vj)∈A代表两个节点之间的路径,与之对应的参数cij代表两者之间的距离;
对于每个需求节点vi∈C,包括对应的资源需求量qi,装卸服务时间si以及供应时间窗口[ei,li];其中ei是接受配送的最早开始时间,li是接受配送的最晚时间;
对于每个配送中心节点vi∈D,包括对应的车辆数目|Kd|和车位数目|Pd|,在没有需求和配送服务时,配送中心的资源需求量和服务时间都为0,即qi=si=0;
每个配送中心的车辆集合表示为K={k1,k2,...,kL},其中L是车辆数目,车辆包括对应的负荷量Qk,最大工作时间Tk,动用成本和单位距离行驶成本车辆k到达节点i的时间为aki,车辆在节点i服务开始时间为bki,车辆累计工作时长为πk;
由于采用软时间窗进行建模,惩罚函数以时间的线性函数的形式表示,因此模型引入早到单位时间惩罚成本Cearl和迟到单位时间惩罚成本Clat以及提前、推迟到达节点i的时间差和当车辆早于时间窗的开启时刻或晚于时间窗的关闭时刻到达时,会增加调度成本,增加的成本等于对应的单位时间惩罚成本与时差的乘积;
引入供应调度模型中最重要决策变量:xkij,用于判断车辆k的行驶路线,若车辆k从节点i驶向节点j则xkij=1;否则xkij=0。
3.如权利要求2所述面向维修资源配送调度的遗传-烟花混合方法,其特征在于,根据所述模型描述与符号定义,对资源协同供应调度模型进行如下的公式化归纳:
其中,式(1)的目标函数为最小化调度总成本,等式右边第一项对所有车辆的行驶成本求和,第二项对所有车辆的固定成本求和,第三项计算总的时间成本;约束(2)要求从每个配送中心出发的车辆数量不超过可用车数;约束(3)确保每个需求地仅被一辆车服务一次;约束(4)表示每辆车从一个配送中心,并在一个配送中心结束;约束(5)确保了车辆k的行程路径上各个需求地点已连接;约束(6)表示车辆不能直接从配送中心i到配送中心j;约束(7)表示车辆数量返回每个配送中心的数量不超过配送中心的车位数量;约束(8)描述节点的访问顺序,若车辆k直接从节点出发i到节点j,则节点j的到达时间必须等于上个节点的服务开始时间+服务时间+行驶时间;约束(9)确保车辆k在节点i处的启动服务时间晚于或等于其到达间;约束(10)确保车辆服务路径上的需求总数量小于车辆负载;约束(11)确保车辆实际工作时长,即终点配送中心的到达时间-起始配送中心离开时间小于最大工作时长;约束(12)表示决策变量的范围;约束(13)和约束(14)分别计算车辆k提前、推迟到达需求地点i的时间差。
4.如权利要求1所述面向维修资源配送调度的遗传-烟花混合方法,其特征在于,步骤二中,所述遗传-烟花混合算法的构建,包括染色体编解码;其中,所述染色体编解码,包括:
(1)编码规则
对于资源协同供应调度模型,代表模型可行解的染色体应该含有资源配送中心信息、维修地点信息、车辆使用信息以及车辆的路径信息;设计编码方案,使用自然数表示的二维向量,其中第一维向量为需求地点ID的全排列,元素不能存在重复,而第二维向量为需求地点对应的配送中心ID,元素可以相同;
(2)解码规则
在解码阶段对车辆路径进行具体的划分,染色体解码被分为如下两个步骤:
①整体调度路径提取:根据配送中心的ID,将同一配送中心对应的基因按照从左到右的顺序依次提取,并组合成为一条新的“子染色体”,称为整体调度路径,该路径记录该配送中心负责保障的所有需求地点的配送顺序;
②车辆行驶路径划分:对于每一条整体调度路径,根据各种约束条件,按照从左到右的顺序,将其需求地向量的元素依次加入一个有序集合,该有序集合称为车辆行驶路径;在加入新需求地时,若违反模型的约束条件,则设置当前车辆路径终点为最近的配送中心,并另起一个新的有序集合,继续为剩余的需求地划分车辆路径,直至当前整体调度路径中所有需求地都归入对应的车辆行驶路径;其中,所述约束条件包括车辆运载能力和行驶时间。
5.如权利要求1所述面向维修资源配送调度的遗传-烟花混合方法,其特征在于,步骤二中,所述遗传-烟花混合算法的基本要素,包括:
(1)初始种群
根据编码方案,按照给定的配送中心和需求地信息,随机产生固定数量的染色体,即可作为混合算法的初始种群;Popsize的大小决定算法的搜索性能,根据模型输入数据的规模进行调整;
(2)适应度函数
对于保障资源供应调度模型,优化目标是使维修资源供应调度方案的总成本最小,算法的目标函数即是调度总成本,因此适应度函数用如下倒数函数形式表示:
fit(i)=1/Cost(i) (16)
其中,Cost(i)为种群中个体i的目标函数值,fit(i)即个体i的染色体所对应的适应度,fit(i)越大,被选则的几率就越大;
(3)停止准则
对于所述混合算法,主体结构依旧是遗传算法,只需设置一个迭代次数的上限Maxgen,当算法的迭代次数达到该阈值时候,结束程序,输出当前的满意解即可;
(4)选择操作
通过精英保留策略直接保留最优秀的个体:根据适应度的大小对当前种群中的个体降序排列,将一定数量的优秀个体直接放入子代种群;对于剩下的个体采用轮盘赌策略进行选择,流程为:通过式(16)计算保留概率P(xi);对所有个体的保留概率累加,得到个体的累计概率分布刻度区间;在(0,1]区间内产生Gap·Popsize个随机数,根据随机数掉落的刻度区间确定被选中的染色体;
其中,fit(xi)表示个体xi的适应度,P(xi)表示个体xi的保留概率;
(5)交叉操作
对染色体编码中的两个维度采用不同的交叉方法;第一维编码向量是需求地编码的全排列,具有唯一性,简单的交叉方法非常容易产生不可行解,因此采用的交叉方法为部分匹配交叉法PMX,包括:
随机选择一对染色体父代1和父代2,在染色体上再随机选择两个插入点,作为交叉片段的起止位置;
根据插入点的位置,交换两个父代中的基因片段,并根据交换的具体基因建立一个两两映射关系集合;
对交换基因片段后产生的预备子代进行冲突检测与修复;以预备子代1为例,交换之后存在重复基因7,1,6,14;通过映射关系可知,这四个重复基因依次与基因11,10,8,14匹配,按照该映射规则进行替换,预备子代1中的基因7,1,6,14被替换为基因11,10,8,14,从而得到无重复基因的子代1,预备子代2也按照同样的方法根据映射关系进行修复即可;
采用两点交叉策略,将父代中虚线所指的配送中心编码片段两两交换;
(6)变异操作
混合算法中变异操作采用简单的两点交换策略,在种群中以一定变异概率随机选择一定数量的个体进行基因交换,操作步骤为:对选中的个体,随机选择其染色体上的两个基因作为交换点,然后交换位置即可;
(7)爆炸算子设计
在烟花算法中爆炸操作即为一次邻域搜索过程,且适应度值较好的烟花在较小的范围内产生较多的火花粒子,称为“局部烟花”,适应度值较差的烟花在较大的范围内产生较少的火花粒子,称为“全局烟花”;遗传算法种群中适应度最好的个体含有更为优秀的遗传信息,在很大程度上能够引导算法的收敛方向,因此可以看作一个产生“局部烟花”的最佳爆炸点;而适应度最差的个体由于其包含了和优秀个体差异程度最大的遗传信息,能够使得种群的遗传信息更加多样化,因此可以看作产生“全局烟花”的一个较好爆炸点;
由于染色体中需求地和配送中心两个向量的生成规则不同,因此爆炸算子也需要对不同维度的向量分别进行操作,具体的操作分为4种策略;对于第一维的需求地向量,爆炸算子采用随机混合方案,对每一次的爆炸操作,随机采用单点交换、插入与反转三种策略种的一种执行;而对于第二维的配送中心向量,在三种策略之外,还加入多点变异策略;
爆炸算子中的爆炸数量Si和爆炸半径Ri的计算规则如下:
其中,Ssum为预设的爆炸火花数,A为爆炸半径的基值,fit(xi)为个体xi的适应度,fitmax与fitmin分别为进行爆炸操作的个体中的最大适应度值与最小适应度值,N为进行爆炸操作的个体的数量;
爆炸半径规定爆炸操作时进行邻域搜索的范围,对于自然数编码方案,爆炸半径对应为爆炸操作的最大执行次数,即对于烟花i,需要随机进行1~Ri次爆炸操作才可以得到一个新的火花;
由于在遗传算法阶段进行了相关变异操作;由于爆炸数量根据个体的适应度计算的,故对Si设置上下界:
其中,Smax与Smin分别为的预先设置的最大、最小爆炸火花数量;
规定每次保留Smin个火花作为爆炸算子产生的新个体,加入遗传算法的种群中,进行混合算法的下一轮迭代。
6.如权利要求1所述面向维修资源配送调度的遗传-烟花混合方法,其特征在于,步骤二中,所述遗传-烟花混合算法流程,包括:
(1)初始化阶段:初始化模型和算法中的各项参数和变量;构建资源集合、需求地点、配送中心以及车辆集合;随机生成初代种群;
(2)遗传搜索阶段:采用PMX和简单交换对种群个体进行交叉操作;随机选择一定数量的个体,进行变异操作;计算种群中每个个体的适应度,并进行排序;采用精英保留和轮盘赌选择进入子代种群中的个体;
(3)爆炸优化阶段:选择子代种群中适应度最好和最差的两个个体;计算爆炸数量和爆炸半径;经爆炸操作得到火花粒子;将爆炸火花粒子加入子代种群,进入下一轮迭代;判断是否达到终止条件,若是,则输出最佳调度方案;若否,则返回遗传搜索阶段。
7.一种实施权利要求1~6任意一项所述的面向维修资源配送调度的遗传-烟花混合方法的面向维修资源配送调度的遗传-烟花混合系统,其特征在于,所述面向维修资源配送调度的遗传-烟花混合系统包括:
调度模型构建模块,用于进行资源协同供应调度模型的构建;
混合算法构建模块,用于进行遗传-烟花混合算法的构建;
仿真对比模块,用于进行仿真实验对比。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
(1)进行资源协同供应调度模型的构建;
(2)进行遗传-烟花混合算法的构建;
(3)进行仿真实验对比。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
(1)进行资源协同供应调度模型的构建;
(2)进行遗传-烟花混合算法的构建;
(3)进行仿真实验对比。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现如权利要求7所述的面向维修资源配送调度的遗传-烟花混合系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998598.8A CN113887782A (zh) | 2021-08-27 | 2021-08-27 | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998598.8A CN113887782A (zh) | 2021-08-27 | 2021-08-27 | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887782A true CN113887782A (zh) | 2022-01-04 |
Family
ID=79011557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110998598.8A Pending CN113887782A (zh) | 2021-08-27 | 2021-08-27 | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887782A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496423A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 一种电力物资供应链配送路径调度方法 |
CN116382099A (zh) * | 2023-06-02 | 2023-07-04 | 上海数字大脑科技研究院有限公司 | 一种机器人路径调度规划方法及系统 |
-
2021
- 2021-08-27 CN CN202110998598.8A patent/CN113887782A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496423A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 一种电力物资供应链配送路径调度方法 |
CN116382099A (zh) * | 2023-06-02 | 2023-07-04 | 上海数字大脑科技研究院有限公司 | 一种机器人路径调度规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | A novel hybrid shuffled frog leaping algorithm for vehicle routing problem with time windows | |
Shahvari et al. | Hybrid flow shop batching and scheduling with a bi-criteria objective | |
Ghannadpour et al. | A multi-objective vehicle routing and scheduling problem with uncertainty in customers’ request and priority | |
Zarrinpoor et al. | A competitive location model to obtain a specific market share while ranking facilities by shorter travel time | |
Grzybowska et al. | Decision support system for real-time urban freight management | |
CN113887782A (zh) | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 | |
Núñez et al. | Multiobjective model predictive control for dynamic pickup and delivery problems | |
Xu et al. | Dynamic vehicle routing using an improved variable neighborhood search algorithm | |
Wang et al. | Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
Guezouli et al. | Multi-objective optimisation using genetic algorithm based clustering for multi-depot heterogeneous fleet vehicle routing problem with time windows | |
Zhou et al. | A scalable vehicle assignment and routing strategy for real-time on-demand ridesharing considering endogenous congestion | |
Wang et al. | Multi-objective location-routing problem with simultaneous pickup and delivery for urban distribution | |
Xiong et al. | Optimal design of community shuttles with an adaptive-operator-selection-based genetic algorithm | |
Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
CN112070275A (zh) | 一种轨道交通路网协同限流的方法和装置及设备 | |
CN116882883A (zh) | 一种利用大数据的电网物资配送路径规划方法 | |
CN115965172A (zh) | 一种成品油二次配送车辆的路径优化算法、系统、设备 | |
Park et al. | Multiobjective approach to the transit network design problem with variable demand considering transit equity | |
Feng et al. | Approximating a ride-sourcing system with block matching | |
Zheng et al. | A fuzzy receding horizon control strategy for dynamic vehicle routing problem | |
CN114611806A (zh) | 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 | |
Benotmane et al. | Green optimisation for LRP problem using a genetic algorithm and a dynamic island model | |
Massobrio et al. | Multiobjective evolutionary algorithms for the taxi sharing problem | |
Zhang et al. | Distribution path optimization method of gas cylinder based on Genetic-Tabu hybrid algorithm |
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 |