CN114386792A - 一种基于遗传算法的城市生活垃圾收运车辆调度方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的城市生活垃圾收运车辆调度方法，通过信息化手段来采集服务区域内基础数据集；根据历史垃圾量数据，计算每日不同类型垃圾量平均值，对未来每日不同类型的垃圾量进行预测；对区域内不同垃圾收集点进行定位并根据K‑means聚类算法的思想，实现对垃圾收集点的聚类分区；对影响城市生活垃圾分类收运的目标和限制条件进行定性分析，以收运环节作为研究对象采用VRP，以成本最小化为目标建立垃圾逆向物流网络规划模型；利用遗传算法对垃圾逆向物流网络优化模型进行求解，计算车辆的最少配置数量和车辆路径，形成垃圾收运车辆调度方案。本发明智能化分析范围内大量垃圾收集点的收运车辆最优配置及线路。

Description

一种基于遗传算法的城市生活垃圾收运车辆调度方法

技术领域

本发明涉及智能化车辆配置领域，具体是一种基于遗传算法的城市生活垃圾收运车辆调度方法。

背景技术

根据国家统计局的数据显示，我国城市生活垃圾清运量呈逐年上升的趋势， 2019年已达到24206万吨，且近几年仍保持着每年10％左右的增长率。我国城市每年需要处理大量的生活垃圾，解决垃圾源头分类投放、末端分类处理的问题，并且从逆向物流角度研究城市生活垃圾分类收运车辆的调度，具有非常大的现实意义。优化垃圾收运车辆调度方案可以解决目前收运现状中存在的效率低、资源浪费等问题，为垃圾分类投放效果差的地区提供借鉴方案。通过优化设计城市垃圾收运路径，可以提高垃圾回收运作效率、减少垃圾收集运输成本、加快大量垃圾的及时处理等。合理的垃圾收运车辆路径安排直接影响逆向物流网络的物流运输成本，同时可以保证收集点废弃物的及时收运处理，减少对周边居民生活环境的影响。

发明内容

发明目的：本发明的目的在于提供一种基于遗传算法的城市生活垃圾收运车辆调度方法，以解决现有技术中的问题，提高垃圾收运效率。

技术方案：本发明所述的一种基于遗传算法的城市生活垃圾收运车辆调度方法，具体包括以下步骤：

(1)通过信息化手段来采集服务区域内基础数据集；

(2)根据历史垃圾量数据，计算每日不同类型垃圾量平均值，对未来每日不同类型的垃圾量进行预测；

(3)对区域内不同垃圾收集点进行定位并根据K-means聚类算法的思想，实现对垃圾收集点的聚类分区；

(4)对影响城市生活垃圾分类收运的目标和限制条件进行定性分析，以收运环节作为研究对象采用VRP，以成本最小化为目标建立垃圾逆向物流网络规划模型；

(5)利用遗传算法对垃圾逆向物流网络优化模型进行求解，计算车辆的最少配置数量和车辆路径，形成垃圾收运车辆调度方案。

进一步地，步骤(1)所述基础数据集包括垃圾分类的类别、每日不同类型垃圾数量、每日垃圾总量、收运车辆类型、收运车辆油耗、收运车辆数量、不同类型收运车辆配备员工数、收运车辆载重、收运车辆轨迹数据。

进一步地，步骤(4)所述成本为运输成本和车辆固定成本之和。

进一步地，所述步骤(4)包括以下步骤：

(41)设定N为垃圾收集点集合，其中N＝0表示起点，K为收运车辆集合， S为某一车辆访问收集点集合，根据该数学表征设定模型参数，设定车辆最大载重量为P，设定收集点i和j之间的距离为d_ij，设定车辆k单位距离运输成本为c_k，设定车辆k固定成本为c₀；

(42)设定垃圾收运服务区域内部最少收运车辆配置数为min n；

(43)设定每个收集点只能被一辆车服务且只能访问一次，根据公式：

和

进行约束；

(44)设定除起点和终点的每个收集点，进入和驶出每一收集点的车辆数相等，收运车辆进入某一收集点也必须从该点离开，根据公式：

进行流量守恒约束；

(45)设定每辆车都从垃圾车辆集中点出发并且服务完后必须返回垃圾车辆集中点，根据公式

和

进行约束；

(46)设定收运车辆容量限制，确保每辆车的载重量不能超过车辆限制，根据公式

进行约束；

(47)对x_ijk和y_ijk为0-1整数决策变量进行定义：

进一步地，所述步骤(5)包括以下步骤：

(51)染色体编码机制与初始化种群：假设垃圾收集中心从N个垃圾收集点收取垃圾，那么依次对垃圾收集点进行编号，编号从1到N；所有编号不同的排列顺序均可看成不同的染色体，每条染色体表示这个垃圾回收站对垃圾收集点进行收集的先后顺序，同时每个垃圾收集点都有自己的一个附带属性，即垃圾量；

(52)适应度函数：生成初始化种群后，对每条染色体进行适应度函数计算；对垃圾收集中心而言，收集完所有垃圾收集点的垃圾所行驶的总距离越小适应度越大；针对垃圾逆向物流网络优化模型，定义x的适应度函数：

F(x)＝C_max-f(x)

式中，f(x)为个体x对应的目标函数值,F(x)是所得的相对适应度，C_max为 F(x)的最大估计，F(x)值越大表示个体越优秀，即行驶距离越小；

在计算适应度函数的同时，也对染色体进行解码，实现了将染色体转换为车辆路径方案；模型中对车辆的最大载重量存在约束，在满足约束条件下对路径进行划分；

(53)交叉算子：采用顺序交叉算法在两条路径之间交换垃圾收集点，改变其位置生成新的服务路线，增大了该问题解的搜索范围，提高了种群的多样性；

(54)变异算子：采用双插入法，在一条染色体中，依次将两个连续的基因提取出来，插入到染色体的其他位置，每插入一个位置要记录解并与原解作比较，如果当前解要优于原来的解，那么将替换原解；考虑解是闭合曲线，为避免重复，基因插入的位置避开首基因的前一个位置和尾基因的后一个位置；

(55)根据得到的最优垃圾收运的有序序列还原最优垃圾收运顺序，结束。

进一步地，所述步骤(53)包括以下步骤：

(531)在初始种群中随机选择两条父代染色体P1,P2，即两种对垃圾收集点进行垃圾收集的服务顺序；染色体中单个基因代表单个垃圾收集点，基因片段代表多个有服务顺序的垃圾收集点集合；

(532)在P1,P2中随机选取相同位置的基因片段，分别记为changel和 change2；

(533)先找出change 1在P2中的位置，再将change l放入P2中相同的位置，并删除P2中与change l相同的基因；

(534)先找出change 2在P1中的位置，再将change 2放入P1中相同的位置，并删除P1中与change 2相同的基因，交叉操作完成生成子代C1、C2。

有益效果：与现有技术相比，本发明的有益效果：本发明以精细化测算区域内垃圾收运车辆运输成本，智能化分析范围内大量垃圾收集点的收运车辆最优配置及线路。

附图说明

图1为本发明的流程图；

图2为聚类分区求解结果图；

图3为求解垃圾逆向物流网络优化模型的流程图；

图4为交叉算子示意图；

图5为双插入示意图；

图6为遗传算法求解结果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提供一种基于遗传算法的城市生活垃圾收运车辆调度方法，如图1 所示，具体包括以下步骤：

步骤1：通过信息化手段来采集服务区域内基础数据集。

信息化手段包括安装智能垃圾桶、发放垃圾分类积分卡、分类车辆智能称重等。基础数据集包括垃圾分类的类别、每日不同类型垃圾数量、每日垃圾总量、收运车辆类型、收运车辆油耗、收运车辆数量、不同类型收运车辆配备员工数、收运车辆载重、收运车辆轨迹数据等。

步骤2：根据历史垃圾量数据，计算每日不同类型垃圾量平均值，对未来每日不同类型的垃圾量进行预测。

历史垃圾数据指每日不同类型垃圾的数量，对服务区域内历史垃圾量进行计算统计，对未来每日易腐垃圾、可回收垃圾、有害垃圾和其他垃圾四种不同类型的垃圾量进行预测，通过计算四种类型垃圾的日均值寻找规律曲线，预测未来每日的不同类型垃圾的日均值。

步骤3：对区域内不同垃圾收集点进行定位并根据K-means聚类算法的思想，实现对垃圾收集点的聚类分区。

假设有N个分散不均的垃圾收集点，在其中随机选择k个点作为初始聚类中心点，计算并记录剩余点到k个初始中心点的距离，选择最小的距离将归类到相应的初始中心点的类中，再计算每个类中的平均值并更新初始中心点，直到聚类准则函数收敛停止更新，最终将区域内所有垃圾收集点分为k个区域，具体求解结果如图2所示。

步骤4：对影响城市生活垃圾分类收运的目标和限制条件进行定性分析，以收运环节作为研究对象采用VRP相关知识提出建立垃圾逆向物流网络规划模型的假设条件并建立相应的数学模型。

垃圾逆向物流网络规划模型考虑车辆载重、收运次数等约束条件，以成本最小化(运输成本+车辆固定成本)为目标建立。

所述设定N为垃圾收集点集合，其中N＝0表示起点，K为收运车辆集合，S 为某一车辆访问收集点集合，根据该数学表征设定模型参数，设定车辆最大载重量为P，设定收集点i和j之间的距离为d_ij，设定车辆k单位距离运输成本为c_k，设定车辆k固定成本为c₀。

设定垃圾收运服务区域内部最少收运车辆配置数为min n；设定每个收集点只能被一辆车服务且只能访问一次，根据公式：

和

进行约束；设定除起点和终点的每个收集点，进入和驶出每一收集点的车辆数相等，收运车辆进入某一收集点也必须从该点离开，根据公式：

进行流量守恒约束；设定每辆车都从垃圾车辆集中点出发并且服务完后必须返回垃圾车辆集中点，根据公式

和

进行约束；设定收运车辆容量限制，确保每辆车的载重量不能超过车辆限制，根据公式

进行约束；对x_ijk和y_ijk为0-1整数决策变量进行定义：

步骤5：利用遗传算法对工作区域内部的收运车辆配置进行分析计算得到最优车辆配置及路径规划方法，形成垃圾收运车辆调度方案，求解的具体流程如图 3所示。

(1)染色体编码机制与初始化种群。算法中染色体编码规则为：假设垃圾收集中心从N个垃圾收集点收取垃圾，那么依次对垃圾收集点进行编号，编号从 1到N。所有编号不同的排列顺序均可看成不同的染色体，每条染色体表示这个垃圾回收站对垃圾收集点进行收集的先后顺序，同时每个垃圾收集点都有自己的一个附带属性，即垃圾量，如表1所示，这条染色体中，编号为5的垃圾收集点第一个被收集垃圾，其垃圾量是16.29；编号为4的垃圾收集点第二个被收集垃圾，其垃圾量是38.21。初始化种群包含多条上述染色体的集合，所有染色体均为N个垃圾收集点编号随机排列生成。

表1染色体实例表

5	4	2	3	1	6	8	7
								16.29	38.21	116.10	82.43	27.22	125.53	43.59	28.95

(2)适应度函数。生成初始化种群后，对每条染色体进行适应度函数计算。 MSRCP问题以行驶距离作为衡量适应值的标准，对垃圾收集中心而言，收集完所有垃圾收集点的垃圾所行驶的总距离越小适应度越大。

针对垃圾逆向物流网络优化模型，定义x的适应度函数：

F(x)＝C_max-f(x)

式中，f(x)为个体x对应的目标函数值,F(x)是所得的相对适应度，C_max为 F(x)的最大估计，F(x)值越大表示个体越优秀，即行驶距离越小。

在计算适应度函数的同时，也对染色体进行解码，实现了将染色体转换为车辆路径方案。模型中对车辆的最大载重量存在约束，在满足约束条件下对路径进行划分。如表1，染色体编码为{5,4,2,3,1,6,8,7}，己知每个垃圾收集点的垃圾量，假设收运车辆最大载重量为300，那么第一辆车能收集编号为5,4,2,3,1的五个垃圾收集点的垃圾，第二辆车能收集编号为6,8,7的三个垃圾收集点的垃圾，得出5,4,2,3,1→6,8,7这两条路径，完成解码过程。

(3)交叉算子。采用顺序交叉算法在两条路径之间交换垃圾收集点，改变其位置生成新的服务路线，增大了该问题解的搜索范围，提高了种群的多样性。如图4所示，具体步骤如下：

S1：在初始种群中随机选择两条父代染色体P1,P2，即两种对垃圾收集点进行垃圾收集的服务顺序。染色体中单个基因代表单个垃圾收集点，基因片段代表多个有服务顺序的垃圾收集点集合。

S2：在P1,P2中随机选取相同位置的基因片段，分别记为changel和change2；

S3：先找出change 1在P2中的位置，再将change l放入P2中相同的位置，并删除P2中与change l相同的基因；

S4：先找出change 2在P1中的位置，再将change 2放入P1中相同的位置，并删除P1中与change 2相同的基因，交叉操作完成生成子代C1、C2。

(4)变异算子。如图5所示，采用双插入法，在一条染色体中，依次将两个连续的基因提取出来，插入到染色体的其他位置，每插入一个位置要记录解并与原解作比较，如果当前解要优于原来的解，那么将替换原解。同样这里考虑解是闭合曲线，为避免重复，基因插入的位置避开首基因的前一个位置和尾基因的后一个位置。

(5)根据得到的最优垃圾收运的有序序列还原最优垃圾收运顺序，得到垃圾收运车辆最优收运路线方案，如图6所示，结束。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.一种基于遗传算法的城市生活垃圾收运车辆调度方法，其特征在于，包括以下步骤：

(1)通过信息化手段来采集服务区域内基础数据集；

(2)根据历史垃圾量数据，计算每日不同类型垃圾量平均值，对未来每日不同类型的垃圾量进行预测；

(3)对区域内不同垃圾收集点进行定位并根据K-means聚类算法的思想，实现对垃圾收集点的聚类分区；

(4)对影响城市生活垃圾分类收运的目标和限制条件进行定性分析，以收运环节作为研究对象采用VRP，以成本最小化为目标建立垃圾逆向物流网络规划模型；

(5)利用遗传算法对垃圾逆向物流网络优化模型进行求解，计算车辆的最少配置数量和车辆路径，形成垃圾收运车辆调度方案。

2.根据权利要求1所述的基于遗传算法的城市生活垃圾收运车辆调度方法，其特征在于，步骤(1)所述基础数据集包括垃圾分类的类别、每日不同类型垃圾数量、每日垃圾总量、收运车辆类型、收运车辆油耗、收运车辆数量、不同类型收运车辆配备员工数、收运车辆载重、收运车辆轨迹数据。

3.根据权利要求1所述的基于遗传算法的城市生活垃圾收运车辆调度方法，其特征在于，步骤(4)所述成本为运输成本和车辆固定成本之和。

4.根据权利要求1所述的基于遗传算法的城市生活垃圾收运车辆调度方法，其特征在于，所述步骤(4)包括以下步骤：

(41)设定N为垃圾收集点集合，其中N＝0表示起点，K为收运车辆集合，S为某一车辆访问收集点集合，根据该数学表征设定模型参数，设定车辆最大载重量为P，设定收集点i和j之间的距离为d_ij，设定车辆k单位距离运输成本为c_k，设定车辆k固定成本为c₀；

(42)设定垃圾收运服务区域内部最少收运车辆配置数为min n；

(43)设定每个收集点只能被一辆车服务且只能访问一次，根据公式：

和

进行约束；

(44)设定除起点和终点的每个收集点，进入和驶出每一收集点的车辆数相等，收运车辆进入某一收集点也必须从该点离开，根据公式：

进行流量守恒约束；

(45)设定每辆车都从垃圾车辆集中点出发并且服务完后必须返回垃圾车辆集中点，根据公式

和

进行约束；

(46)设定收运车辆容量限制，确保每辆车的载重量不能超过车辆限制，根据公式

进行约束；

(47)对x_ijk和y_ijk为0-1整数决策变量进行定义：

5.根据权利要求1所述的基于遗传算法的城市生活垃圾收运车辆调度方法，其特征在于，所述步骤(5)包括以下步骤：

(51)染色体编码机制与初始化种群：假设垃圾收集中心从N个垃圾收集点收取垃圾，那么依次对垃圾收集点进行编号，编号从1到N；所有编号不同的排列顺序均可看成不同的染色体，每条染色体表示这个垃圾回收站对垃圾收集点进行收集的先后顺序，同时每个垃圾收集点都有自己的一个附带属性，即垃圾量；

(52)适应度函数：生成初始化种群后，对每条染色体进行适应度函数计算；对垃圾收集中心而言，收集完所有垃圾收集点的垃圾所行驶的总距离越小适应度越大；针对垃圾逆向物流网络优化模型，定义x的适应度函数：

F(x)＝C_max-f(x)

式中，f(x)为个体x对应的目标函数值,F(x)是所得的相对适应度，C_max为F(x)的最大估计，F(x)值越大表示个体越优秀，即行驶距离越小；

在计算适应度函数的同时，也对染色体进行解码，实现了将染色体转换为车辆路径方案；模型中对车辆的最大载重量存在约束，在满足约束条件下对路径进行划分；

(53)交叉算子：采用顺序交叉算法在两条路径之间交换垃圾收集点，改变其位置生成新的服务路线，增大了该问题解的搜索范围，提高了种群的多样性；

(54)变异算子：采用双插入法，在一条染色体中，依次将两个连续的基因提取出来，插入到染色体的其他位置，每插入一个位置要记录解并与原解作比较，如果当前解要优于原来的解，那么将替换原解；考虑解是闭合曲线，为避免重复，基因插入的位置避开首基因的前一个位置和尾基因的后一个位置；

(55)根据得到的最优垃圾收运的有序序列还原最优垃圾收运顺序，结束。

6.根据权利要求5所述的基于遗传算法的城市生活垃圾收运车辆调度方法，其特征在于，所述步骤(53)包括以下步骤：

(531)在初始种群中随机选择两条父代染色体P1,P2，即两种对垃圾收集点进行垃圾收集的服务顺序；染色体中单个基因代表单个垃圾收集点，基因片段代表多个有服务顺序的垃圾收集点集合；

(532)在P1,P2中随机选取相同位置的基因片段，分别记为changel和change2；

(533)先找出change 1在P2中的位置，再将change l放入P2中相同的位置，并删除P2中与change l相同的基因；

(534)先找出change 2在P1中的位置，再将change 2放入P1中相同的位置，并删除P1中与change 2相同的基因，交叉操作完成生成子代C1、C2。

Images