CN113919557A - 一种基于自适应nsgaii的物流路线优化方法和系统 - Google Patents
一种基于自适应nsgaii的物流路线优化方法和系统 Download PDFInfo
- Publication number
- CN113919557A CN113919557A CN202111128670.8A CN202111128670A CN113919557A CN 113919557 A CN113919557 A CN 113919557A CN 202111128670 A CN202111128670 A CN 202111128670A CN 113919557 A CN113919557 A CN 113919557A
- Authority
- CN
- China
- Prior art keywords
- population
- parent
- individuals
- vehicle
- generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 210000000349 chromosome Anatomy 0.000 claims abstract description 33
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 44
- 230000035772 mutation Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012384 transportation and delivery Methods 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 101150097657 Rest gene Proteins 0.000 claims description 3
- 230000002860 competitive effect Effects 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于自适应NSGAII的物流路线优化方法,包括:S1.分析建立基本数学模型;S2.设计种群个体染色体编码;S3.采用随机和贪婪结合方式产生规模为N的初始种群,并对种群进行帕累托非支配排序;S4.通过选择、交叉、变异三种进化操作得到下一代种群;S5.将父代种群与子代种群合并形成新种群,选取较优的个体组成新的父代种群;S6.通过种群进化算子操作产生新的子代种群,重复步骤S4;S7.若不满足种群迭代终止条件,返回步骤S4、S5,直至达到终止条件;S8.由自适应NSGAⅡ算法输出最优解集,从而得到配一台车辆的配送路线。本发明还包括一种基于自适应NSGAII的物流路线优化系统。本发明能解决配送路线优化问题。
Description
技术领域
本发明涉及交通技术领域,尤其涉及一种物流路线优化的方法和系统。
背景技术
近年来,随着电子商务的蓬勃发展,现代物流的发展势头强劲迅猛,在改善人民生活与推动经济发展方面发挥着重要作用。其中,配送作为与消费者直接相连的环节,其服务水平直接关系到消费者的消费体验、企业的核心竞争力与形象。因此,提升物流配送效率成为了物流企业改善服务水平以赢得市场的关键手段。
在实际的物流配送中,需要考虑的因素非常多,例如车辆的数量,容量,耗油量,最大行驶距离,以及可能出现的堵车或者其他意外因素等。目前,物流业的整体运营水平和服务效率还有待提升。特别是在一些电商促销活动中,优惠活动对消费的刺激带来了物流量的激增,短时间大量的快递对物流的配送效率提出了挑战。因此,有必要对配送的路径优化展开研究。
本发明主要面向在单一配送中心、双车型、多个配送点及有限车辆集合的物流配送问题。具体定义如下:某一物流配送中心拥有两种车型且数量有限的车辆集合,从该配送中心向多个配送点配送货物,已知配送中心与各个配送点之间的距离,配送点的需求,车辆的最大载重、油耗成本、卸货时间、行驶最大里程,要求合理安排车辆配送路线和行车时间,从而提高配送效率和降低配送成本。
城市物流配送问题的目标主要包括:最小化金钱成本和时间成本。对于双车型配送问题,小车的优势在于速度快,时间成本低,但其装载量小,需增加配送车数和配送次数,从而导致了金钱成本的增加;而大车的特点与小车相反。
发明内容
本发明要克服现有技术目前存在的上述问题,提供一种基于自适应NSGA-II的物流路线优化方法和系统。
本发明采用改进的NSGA-II的配送路线优化方法,在NSGA-II算法中引入了自适应进化策略,有利于种群进化过程中根据种群自身特点形成对应算子概率分布,更好地引导种群进化,从而解决配送路线优化问题,输出可供决策者喜好选择的帕累托最优解集。
为达到上述目的,本发明采用的技术方案为,一种基于自适应NSGA-II的物流路线优化方法,包括以下步骤:
S1:分析建立基本数学模型。
S11:在实际运送过程中,车辆行驶会产生一定的耗油费用。而且车辆的重量、行驶路径的长度以及不同的车型都在很大程度上影响油的用量。在一条路线上,我们假设采用同一辆车。对于分路线i,物流配送产生的金钱成本Ci包括车辆的派送成本和耗油费用,其计算公式如下:
Ci=Vi+Ri×(Oi+(Wi×αi)) (1)
其中,Vi是分路线i的派遣成本,Ri为分路线i的总路程,Oi为分路线i的油耗成本,Wi为分路线i的总载重量,αi为分路线i的每公里每吨油耗成本系数。
设k(x)为物流配送方案x中分路线的数量。则方案x产生的总金钱C(x)成本为:
S12:在每条路线上,我们考虑每个配送点所需的卸货时间以及车辆行驶时间所造成的时间成本。设Pi为分路线i的总配送点数,Ri是分路线i的总路程,Si是车辆在该路段行驶的平均速度,Ui为每个配送点卸货时间。对于分路线i,物流配送产生的时间成本Ti的计算公式如下:
则配送方案x产生的时间成本T(x)为:
S13:通过同时最小化金钱成本和时间成本,来评估本系统的优越性,其定义如下:
minF(x)=(C(x),T(x))T (5)
设大车派遣成本为vb,小车派遣成本为vl;大车最大载重量为wb,小车最大载重量为wl;大车每公里每吨油耗成本系数为αb,小车每公里每吨油耗成本系数为αl;大车每个配送点卸货时间为ub,小车每个配送点卸货时间为ul;大车行驶平均速度为sb,小车行驶平均速度为sl;大车每公里油耗成本为ob,小车每公里油耗成本为ol。
因此建立模型如下:
minF(x)=(C(x),T(x))T (6)
其中,X为个体决策空间,k(x)为方案x中分路线的数量,Ri是分路线i的总路程,Pi为分路线i的总配送点数,Wi为分路线i的总货物量。③表示对于分路线i,无论哪种车型的车,都不能大于其对应车型的最大载重量。④~⑧表示在分路线i上,对所用车辆赋予其相应车型的信息。⑨表示分路线i对应车辆最大行驶距离。
S2:设计种群个体染色体编码,本发明采用固定长度的不重复整数编码方式,每个染色体基因代表对应位置访问顾客点,染色体长度M为待访问顾客总数。
S3:采用随机和贪婪结合方式产生规模为N的初始种群,并对种群进行帕累托非支配排序。其中,非支配排序的步骤为S31至S35。
S31:计算所有个体的支配计数ni(支配个体i的所有个体数量)和计算支配解集Si(个体i所支配的个体集合)。
S32:找出种群中非支配个体,即ni=0的个体,将非支配个体放入集合F1中。
S33:对于F1中的每个个体,找出集合中每个个体所支配的个体集合Si,对于Si中的个体l,对nl进行减1操作,即nl=nl-1,将个体l存放在集合H中。
S34:定义集合F1为第一层非支配集合,并为F1中每个个体标记相同的非支配序列irank。
S35:对集合H中的个体,按照以上步骤S32、步骤S33和步骤S34,直至将所有个体分层。
S4:通过选择、交叉、变异三种进化操作得到下一代种群。选择、交叉、变异进化操作的具体步骤如S41至S43所示。
S41:在选择操作中,利用竞标赛来选择帕累托层级低(即较优帕累托支配)并且拥挤度小(即拥挤距离大)的优良种群个体,将其保存至规模固定的精英档案集。
S42:在交叉操作中,本发明引入了自适应策略,以随迭代次数自适应变化的交叉概率,从多个交叉算子构成的交叉算子池中根据算子选择概率分布选择交叉操作,并根据此次交叉操作结果对算子选择权重进行反馈调整。其中交叉算子描述如S421至S425所示。
S421:部分匹配交叉(Partial Mapped Crossover,PMC),首先随机选择交换片段的起止位置,交换父染色体对应起止位置片段,并相互替换冲突基因点。
S422:顺序交叉(Order Crossover,OC),首先随机选择连续片段的起止位置,将父代1对应片段复制到子个体1对应位置,再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1,子代2生成方式类似。
S423:基于位置交叉(Position-Based Crossover,PBC),首先随机选择多个不连续基因点位置,将父代1对应基因点复制到子个体1对应位置,再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1,子代2生成方式类似。
S424:循环交叉(Cycle Crossover,CC),首先从父代1中随机选择一个基因,再从父代2中找到相应位置点基因,然后返回父代1中找到父代2对应基因位置点基因,重复该操作直至形成闭环,该闭环所包含基因复制到子代1中相同位置,剩余基因点从父代2中顺序选择,同理形成子代2。
S425:子路径交换交叉(Subtour Exchange Crossover,SEC),首先随机选择父代1的一组连续基因,按照原顺序替换父代2中对应基因组。
S43:在变异操作中,采用与自适应交叉策略相同方式,以随迭代次数自适应变化的变异概率,从多个变异算子构成的算子池中根据算子选择概率分布选择变异操作,并根据此次变异操作结果对算子选择权重进行反馈调整。其中变异算子描述如S431至S433所示。
S431:交换变异(Exchange Mutation,EM),随机选择染色体的两个基因点位置,并交换其值。
S432:反转变异(Inversion Mutation,IM),随机选择染色体的一组连续基因片段,并反转其顺序。
S433:乱序变异(Random Mutation,RM),随机选择染色体的一组连续基因片段,并打乱其顺序。
S44:算子自适应反馈机制,对于每次交叉、变异操作所生成的新一代个体,通过观测其个体质量来调整所选算子权重比例:子代优于两个父代且最终进入精英档案集则权重加4分;子代优于一个父代且进入精英档案集则权重加3分;子代优于两个父代但未进入精英档案集则权重加2分;子代优于一个父代但未进入精英档案集则权重加1分;其余情况权重不变。最后对所有算子权重进行归一化。
S5:将父代种群与子代种群合并形成新种群,而后对新种群进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算。根据非支配关系以及个体的拥挤度,选取较优的个体组成新的父代种群;
其中,拥挤度计算为步骤S51到S54所示。
S51:初始化,nd=0,n∈1,…N
S53:对排序后两个边界的拥挤度1d和Nd置为∞。
S54:计算拥挤度:
S6:通过种群进化算子操作产生新的子代种群,重复步骤S41至S44。
S7:若不满足种群迭代终止条件,返回S4、S5,直至达到终止条件。
S8:由自适应NSGAⅡ算法输出最优解集,解集中的每个解代表了一种顾客点访问序列,利用了一个辅助数组来存储每一台配送车辆起始配送点,从而得到配一台车辆的配送路线。
实施本发明的基于自适应NSGAII的物流路线优化方法的系统,包括:依次连接的基本数学模型分析建立模块、种群个体染色体编码设计模块、初始种群产生和帕累托非支配排序模块、下一代种群产生模块、新的父代种群产生模块、新的子代种群产生模块、种群迭代循环模块、路径生成模块,其中:
基本数学模型分析建立模块,分析建立基本数学模型;
种群个体染色体编码设计模块,设计种群个体染色体编码,采用固定长度的不重复整数编码方式,每个染色体基因代表对应位置访问顾客点,染色体长度M为待访问顾客总数;
初始种群产生和帕累托非支配排序模块,采用随机和贪婪结合方式产生规模为N的初始种群,并对种群进行帕累托非支配排序;
下一代种群产生模块,通过选择、交叉、变异三种进化操作得到下一代种群;
新的父代种群产生模块,将父代种群与子代种群合并形成新种群,而后对新种群进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算;根据非支配关系以及个体的拥挤度,选取较优的个体组成新的父代种群;
新的子代种群产生模块,通过种群进化算子操作产生新的子代种群,重复下一代种群产生模块的操作流程;
种群迭代循环模块,若不满足种群迭代终止条件,返回下一代种群产生模块、新的父代种群产生模块,直至达到终止条件;
路径生成模块,根据种群迭代循环模块的计算结果,产生优化的物流路线,由自适应NSGAⅡ算法输出最优解集,解集中的每个解代表了一种顾客点访问序列,用了一个辅助数组来存储每一台配送车辆起始配送点,从而得到配一台车辆的配送路线。
与现有技术相比,本发明具有以下优点:
(1)并行优化金钱成本与时间成本,用自适应NSGAⅡ多目标优化算法求解配送路线优化问题,以实际需求驱动算法设计求解,为决策者提供多种优质方案。
(2)针对NSGAⅡ多目标优化算法的不足,本发明提出了自适应算子选择策略,以改进NSGAⅡ单一固化的进化操作算子,使得不同种群根据自身特点自适应地选择较优进化操作算子。
附图说明
图1是本发明方法的自适应NSGA-II算法的流程图。
图2是本发明方法的流程图。
具体实施方式
为了更好的理解本发明,下面结合附图和实例对本发明进行详细描述。
实例:
某物流中心有5台小型配送车辆和3台大型配送车辆,小型车辆的最大载重均为4T,固定派遣成本为100元/辆,每公里平均油耗成本为0.56元,平均卸货时间为10分钟/辆,平均行驶速度为50公里/小时,载重油耗增加系数为0.1元/吨*公里,单次配送最远行驶距离为50公里;大型车辆的最大载重均为8T,固定派遣成本为150元/辆,每公里平均油耗成本为0.89元,平均卸货时间为18分钟/辆,平均行驶速度为30公里/小时,载重油耗增加系数为0.06元/吨*公里,单次配送最远行驶距离为80公里。需要向20个客户送货。其中,物流中心的坐标为(14.2km,13.1km),要求合理安排车辆的配送路线,最小化金钱成本和时间成本。
S1:根据实例分析并建立模型。
S2:设计种群个体染色体编码,本发明采用固定长度的不重复整数编码方式,每个染色体基因代表对应位置访问顾客点,染色体长度M=20。
S3:50%随机结合50%贪婪方式产生规模为N=300的初始种群,对其进行非支配排序。其中,非支配排序的步骤为S31至S35。
S31:计算所有个体的支配计数ni(支配个体i的所有个体数量)和计算支配解集Si(个体i所支配的个体集合)。
S32:找出种群中非支配个体,即ni=0的个体,将非支配个体放入集合F1中。
S33:对于F1中的每个个体,找出集合中每个个体所支配的个体集合Si,对于Si中的个体l,对nl进行减1操作,即nl=nl-1,将个体l存放在集合H中。
S34:定义集合F1为第一层非支配集合,并为F1中每个个体标记相同的非支配序列irank。
S35:对集合H中的个体,按照以上步骤S32、步骤S33和步骤S34,直至将所有个体分层。
S4:通过选择、交叉、变异三种进化操作得到下一代种群。选择、交叉、变异进化操作的具体步骤如S41至S43所示。
S41:在选择操作中,利用竞标赛来选择帕累托层级低(即较优帕累托支配)并且拥挤度小(即拥挤距离大)的优良种群个体,将其保存至规模大小为20的精英档案集。
S42:在交叉操作中,以随迭代次数自适应变化的交叉概率,从多个交叉算子构成的交叉算子池中根据算子选择概率分布选择交叉操作,并根据此次交叉操作结果对算子选择权重进行反馈调整。其中交叉算子描述如S421至S425所示。
S421:部分匹配交叉(Partial Mapped Crossover,PMC),首先随机选择交换片段的起止位置,交换父染色体对应起止位置片段,并相互替换冲突基因点。
S422:顺序交叉(Order Crossover,OC),首先随机选择连续片段的起止位置,将父代1对应片段复制到子个体1对应位置,再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1,子代2生成方式类似。
S423:基于位置交叉(Position-Based Crossover,PBC),首先随机选择多个不连续基因点位置,将父代1对应基因点复制到子个体1对应位置,再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1,子代2生成方式类似。
S424:循环交叉(Cycle Crossover,CC),首先从父代1中随机选择一个基因,再从父代2中找到相应位置点基因,然后返回父代1中找到父代2对应基因位置点基因,重复该操作直至形成闭环,该闭环所包含基因复制到子代1中相同位置,剩余基因点从父代2中顺序选择,同理形成子代2。
S425:子路径交换交叉(Subtour Exchange Crossover,SEC),首先随机选择父代1的一组连续基因,按照原顺序替换父代2中对应基因组。
S43:在变异操作中,采用与自适应交叉策略相同方式,以随迭代次数自适应变化的变异概率,从多个变异算子构成的算子池中根据算子选择概率分布选择变异操作,并根据此次变异操作结果对算子选择权重进行反馈调整。其中变异算子描述如S431至S433所示。
S431:交换变异(Exchange Mutation,EM),随机选择染色体的两个基因点位置,并交换其值。
S432:反转变异(Inversion Mutation,IM),随机选择染色体的一组连续基因片段,并反转其顺序。
S433:乱序变异(Random Mutation,RM),随机选择染色体的一组连续基因片段,并打乱其顺序。
S44:算子自适应反馈机制,对于每次交叉、变异操作所生成的新一代个体,通过观测其个体质量来调整所选算子权重比例:子代优于两个父代且最终进入精英档案集则权重加4分;子代优于一个父代且进入精英档案集则权重加3分;子代优于两个父代但未进入精英档案集则权重加2分;子代优于一个父代但未进入精英档案集则权重加1分;其余情况权重不变。最后对所有算子权重进行归一化。
S5:将父代种群与子代种群合并形成新种群,而后对新种群进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算。根据非支配关系以及个体的拥挤度,选取较优的个体组成新的父代种群;
其中,拥挤度计算为步骤S51到S54所示。
S51:初始化,nd=0,n∈1,…N
S53:对排序后两个边界的拥挤度1d和Nd置为∞。
S54:计算拥挤度:
S6:通过种群进化算子操作产生新的子代种群,重复步骤S41至S44。
S7:若不满足种群迭代终止条件,返回S4、S5,直至达到终止条件。
S8:由自适应NSGAⅡ算法输出最优解集,解集中的每个解代表了一种顾客点访问序列,利用了一个辅助数组来存储每一台配送车辆起始配送点,从而得到配一台车辆的配送路线。
本发明采用改进的NSGA-II的配送路线优化方法,在NSGA-II算法中引入了自适应进化策略,有利于种群进化过程中根据种群自身特点形成对应算子概率分布,更好地引导种群进化,从而输出可供决策者喜好选择的帕累托最优解集,更好地解决配送路线优化问题。
实施本发明的基于自适应NSGAII的物流路线优化方法的系统,包括:依次连接的基本数学模型分析建立模块、种群个体染色体编码设计模块、初始种群产生和帕累托非支配排序模块、下一代种群产生模块、新的父代种群产生模块、新的子代种群产生模块、种群迭代循环模块、路径生成模块。上述各模块依次对应本发明方法的步骤S1~S8的内容。
尽管以上结合附图对本发明的具体实施过程进行了描述,但本发明并不局限于上述的具体实施方案,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.基于自适应NSGAII的物流路线优化方法,其特征在于:包含以下步骤:
S1:分析建立基本数学模型。
S11:在实际运送过程中,车辆行驶会产生耗油费用。而且车辆的重量、行驶路径的长度以及不同的车型都在很大程度上影响油的用量。在一条路线上,假设采用同一辆车。对于分路线i,物流配送产生的金钱成本Ci包括车辆的派送成本和耗油费用,其计算公式如下:
Ci=Vi+Ri×(Oi+(Wi×αi)) (1)
其中,Vi是分路线i的派遣成本,Ri为分路线i的总路程,Oi为分路线i的油耗成本,Wi为分路线i的总载重量,αi为分路线i的每公里每吨油耗成本系数。
设k(x)为物流配送方案x中分路线的数量。则方案x产生的总金钱C(x)成本为:
S12:在每条路线上,考虑每个配送点所需的卸货时间以及车辆行驶时间所造成的时间成本。设Pi为分路线i的总配送点数,Ri是分路线i的总路程,Si是车辆在该路段行驶的平均速度,Ui为每个配送点卸货时间。对于分路线i,物流配送产生的时间成本Ti的计算公式如下:
则配送方案x产生的时间成本T(x)为:
S13:通过同时最小化金钱成本和时间成本,来评估本系统的优越性,其定义如下:
minF(x)=(C(x),T(x))T (5)
设大车派遣成本为vb,小车派遣成本为vl;大车最大载重量为wb,小车最大载重量为wl;大车每公里每吨油耗成本系数为αb,小车每公里每吨油耗成本系数为αl;大车每个配送点卸货时间为ub,小车每个配送点卸货时间为ul;大车行驶平均速度为sb,小车行驶平均速度为sl;大车每公里油耗成本为ob,小车每公里油耗成本为ol。
因此建立模型如下:
minF(x)=(C(x),T(x))T (6)
其中,X为个体决策空间,k(x)为方案x中分路线的数量,Ri是分路线i的总路程,Pi为分路线i的总配送点数,Wi为分路线i的总货物量。式③表示对于分路线i,无论哪种车型的车,都不能大于其对应车型的最大载重量。式④~式⑧表示在分路线i上,对所用车辆赋予其相应车型的信息。式⑨表示分路线i对应车辆最大行驶距离。
S2:设计种群个体染色体编码,采用固定长度的不重复整数编码方式,每个染色体基因代表对应位置访问顾客点,染色体长度M为待访问顾客总数。
S3:采用随机和贪婪结合方式产生规模为N的初始种群,并对种群进行帕累托非支配排序。其中,非支配排序的步骤为S31至S35。
S31:计算所有个体的支配计数ni(支配个体i的所有个体数量)和计算支配解集Si(个体i所支配的个体集合)。
S32:找出种群中非支配个体,即ni=0的个体,将非支配个体放入集合F1中。
S33:对于F1中的每个个体,找出集合中每个个体所支配的个体集合Si,对于Si中的个体l,对nl进行减1操作,即nl=nl-1,将个体l存放在集合H中。
S34:定义集合F1为第一层非支配集合,并为F1中每个个体标记相同的非支配序列irank。
S35:对集合H中的个体,按照以上步骤S32、步骤S33和步骤S34,直至将所有个体分层。
S4:通过选择、交叉、变异三种进化操作得到下一代种群。选择、交叉、变异进化操作的具体步骤如S41至S43所示。
S41:在选择操作中,利用竞标赛来选择帕累托层级低(即较优帕累托支配)并且拥挤度小(即拥挤距离大)的优良种群个体,将其保存至规模固定的精英档案集。
S42:在交叉操作中,本发明引入了自适应策略,以随迭代次数自适应变化的交叉概率,从多个交叉算子构成的交叉算子池中根据算子选择概率分布选择交叉操作,并根据此次交叉操作结果对算子选择权重进行反馈调整。其中交叉算子描述如S421至S425所示。
S421:部分匹配交叉(Partial Mapped Crossover,PMC),首先随机选择交换片段的起止位置,交换父染色体对应起止位置片段,并相互替换冲突基因点。
S422:顺序交叉(Order Crossover,OC),首先随机选择连续片段的起止位置,将父代1对应片段复制到子个体1对应位置,再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1,子代2生成方式类似。
S423:基于位置交叉(Position-Based Crossover,PBC),首先随机选择多个不连续基因点位置,将父代1对应基因点复制到子个体1对应位置,再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1,子代2生成方式类似。
S424:循环交叉(Cycle Crossover,CC),首先从父代1中随机选择一个基因,再从父代2中找到相应位置点基因,然后返回父代1中找到父代2对应基因位置点基因,重复该操作直至形成闭环,该闭环所包含基因复制到子代1中相同位置,剩余基因点从父代2中顺序选择,同理形成子代2。
S425:子路径交换交叉(Subtour Exchange Crossover,SEC),首先随机选择父代1的一组连续基因,按照原顺序替换父代2中对应基因组。
S43:在变异操作中,采用与自适应交叉策略相同方式,以随迭代次数自适应变化的变异概率,从多个变异算子构成的算子池中根据算子选择概率分布选择变异操作,并根据此次变异操作结果对算子选择权重进行反馈调整。其中变异算子描述如S431至S433所示。
S431:交换变异(Exchange Mutation,EM),随机选择染色体的两个基因点位置,并交换其值。
S432:反转变异(Inversion Mutation,IM),随机选择染色体的一组连续基因片段,并反转其顺序。
S433:乱序变异(Random Mutation,RM),随机选择染色体的一组连续基因片段,并打乱其顺序。
S44:算子自适应反馈机制,对于每次交叉、变异操作所生成的新一代个体,通过观测其个体质量来调整所选算子权重比例:子代优于两个父代且最终进入精英档案集则权重加4分;子代优于一个父代且进入精英档案集则权重加3分;子代优于两个父代但未进入精英档案集则权重加2分;子代优于一个父代但未进入精英档案集则权重加1分;其余情况权重不变。最后对所有算子权重进行归一化。
S5:将父代种群与子代种群合并形成新种群,而后对新种群进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算。根据非支配关系以及个体的拥挤度,选取较优的个体组成新的父代种群;
其中,拥挤度计算为步骤S51到S54所示。
S51:初始化,nd=0,n∈1,…N
S53:对排序后两个边界的拥挤度1d和Nd置为∞。
S54:计算拥挤度:
S6:通过种群进化算子操作产生新的子代种群,重复步骤S41至S44。
S7:若不满足种群迭代终止条件,返回步骤S4、S5,直至达到终止条件。
S8:由自适应NSGAⅡ算法输出最优解集,解集中的每个解代表了一种顾客点访问序列,利用了一个辅助数组来存储每一台配送车辆起始配送点,从而得到配一台车辆的配送路线。
2.实施权利要求1所述的基于自适应NSGAII的物流路线优化方法的系统,其特征在于:包括依次连接的基本数学模型分析建立模块、种群个体染色体编码设计模块、初始种群产生和帕累托非支配排序模块、下一代种群产生模块、新的父代种群产生模块、新的子代种群产生模块、种群迭代循环模块、路径生成模块,其中:
基本数学模型分析建立模块,分析建立基本数学模型;
种群个体染色体编码设计模块,设计种群个体染色体编码,采用固定长度的不重复整数编码方式,每个染色体基因代表对应位置访问顾客点,染色体长度M为待访问顾客总数;
初始种群产生和帕累托非支配排序模块,采用随机和贪婪结合方式产生规模为N的初始种群,并对种群进行帕累托非支配排序;
下一代种群产生模块,通过选择、交叉、变异三种进化操作得到下一代种群;
新的父代种群产生模块,将父代种群与子代种群合并形成新种群,而后对新种群进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算;根据非支配关系以及个体的拥挤度,选取较优的个体组成新的父代种群;
新的子代种群产生模块,通过种群进化算子操作产生新的子代种群,重复下一代种群产生模块的操作流程;
种群迭代循环模块,若不满足种群迭代终止条件,返回下一代种群产生模块、新的父代种群产生模块,直至达到终止条件;
路径生成模块,根据种群迭代循环模块的计算结果,产生优化的物流路线,由自适应NSGAⅡ算法输出最优解集,解集中的每个解代表了一种顾客点访问序列,用了一个辅助数组来存储每一台配送车辆起始配送点,从而得到配一台车辆的配送路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128670.8A CN113919557A (zh) | 2021-09-26 | 2021-09-26 | 一种基于自适应nsgaii的物流路线优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111128670.8A CN113919557A (zh) | 2021-09-26 | 2021-09-26 | 一种基于自适应nsgaii的物流路线优化方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919557A true CN113919557A (zh) | 2022-01-11 |
Family
ID=79236136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111128670.8A Pending CN113919557A (zh) | 2021-09-26 | 2021-09-26 | 一种基于自适应nsgaii的物流路线优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919557A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371685A (zh) * | 2022-10-24 | 2022-11-22 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
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 |
CN116245449A (zh) * | 2023-05-06 | 2023-06-09 | 北京邮电大学 | 低碳物流配送方法、装置及设备 |
-
2021
- 2021-09-26 CN CN202111128670.8A patent/CN113919557A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371685A (zh) * | 2022-10-24 | 2022-11-22 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
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 |
CN116245449A (zh) * | 2023-05-06 | 2023-06-09 | 北京邮电大学 | 低碳物流配送方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和系统 | |
Surekha et al. | Solution to multi-depot vehicle routing problem using genetic algorithms | |
CN111191813A (zh) | 基于货物载重与软时间窗限制的车辆配送路径优化方法 | |
CN112183812B (zh) | 一种计及短时低成本的成品卷烟物流车辆调度方法 | |
CN108399464A (zh) | 一种多式联运路径优化方法和系统 | |
CN109919541A (zh) | 一种多级定位库存路径问题的建模求解方法 | |
CN111553507B (zh) | 基于多商品流的中欧集装箱运输方案优化方法 | |
CN111311158A (zh) | 一种有限充电设施条件下的电动物流车路径规划方法 | |
CN114897217B (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
CN111445084B (zh) | 兼顾交通状况和双重时间窗的物流配送路径优化方法 | |
CN108647821B (zh) | 一种基于参数自学习的差分进化物流配送路径优化方法 | |
CN115965172B (zh) | 一种成品油二次配送车辆的路径优化算法、系统、设备 | |
CN113052537B (zh) | 一种基于启发式粒子群算法的物流车辆低碳路线规划方法 | |
CN113469416A (zh) | 一种派件任务规划方法及设备 | |
CN113222462A (zh) | 一种基于协同进化的露天矿多能源卡车调度优化方法 | |
CN115495859B (zh) | 一种基于遗传算法的仓网规划方法 | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、系统、设备及存储介质 | |
CN114611794A (zh) | 基于亚启发式算法的车机协同取送货路径优化方法和系统 | |
Zhang et al. | Hybrid multiobjective evolutionary algorithm considering combination timing for multi-type vehicle routing problem with time windows | |
CN114925995A (zh) | 基于单亲遗传算法的公路干线车货匹配和路径规划方法 | |
CN115879657A (zh) | 考虑多站点容量设计的电动车换电站选址路径优化方法 | |
CN115689412A (zh) | 一种多周期运费定价和物流网络规划方法 | |
CN115345549A (zh) | 结合装载方案的车辆路径调整方法及系统 | |
Liao et al. | An evolutionary approach for the selective pickup and delivery problem | |
Ferdinand et al. | A study on network design for shortest path in expedition company |
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 |