CN114444843A - 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 - Google Patents

Abstract

本发明公开了一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法及系统。首先分别使用CW节约算法、最邻近插入算法和随机方法生成初始车辆配送序列。多次重复上述过程，构成初始配送序列的种群；对每个配送序列采用自适应遗传算法进行调度搜索，寻找满足条件的可行调度；采用大规模变邻域搜索算法对满足条件的可行调度进行优化调整，获得候选的配送序列；依据经济成本和环境成本最低的原则，从所有候选配送序列里选择总成本最低的序列，输出为车辆调度规划方案。本方法和系统可以在保证绿色物流车辆调度规划方案成本最优的同时提高求解速度，所得出的最优配送计划能够综合考虑经济成本和环境成本，有利于优化经济和环境指标。

Description

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

技术领域

本发明涉及车辆调度规划技术领域，具体涉及基于大规模变邻 域搜索策略的绿色物流车辆调度方法及系统。

背景技术

低碳车辆调度问题的研究正在受到越来越广泛的关注，而低碳 车辆调度问题与传统车辆调度问题相比，在考虑经济效益的同时， 必须兼顾环境效益，考虑车辆的油耗和碳排放等环境因素。由于油 耗和碳排放受载重、车速、车辆特征参数、道路坡度和交通拥堵状 况等多种因素影响，因此低碳车辆调度问题的建模和求解比传统车 辆调度问题要复杂的多。针对低碳车辆调度问题，当前求解算法可 分为三类：精确算法、传统启发式算法和元启发式算法。精确算法 是利用数学法则或数据结构搜寻方式取得问题最优解的一种方法，在低碳车辆调度问题中使用较多的精确算法有，分支定价算法、混 合整数非线性规划算法和近似动态规划算法等；传统启发式算法的 基本思想是从当前解出发在其邻域中寻找较优解作为当前解，并继 续寻找，直到没有更有解，在低碳车辆调度问题领域采用较多的传统启发式算法有，节约算法和改进的Dijkstra算法等；元启发式算 法，其性能比传统启发式算法更优，其基本思想是从初始解开始， 通过对当前解进行反复局部扰动，以寻找较好解。

由于精确算法只能求解规模较小的车辆调度问题，且需要消耗 大量计算时间，而传统启发式算法容易陷入局部最优而难以实现全 局优化，求解效果通常比元启发式算法要差，因此现有研究大多采 用元启发式算法，求解低碳车辆调度问题。作为元启发式算法中的 一种，遗传算法经常用来求解低碳车辆调度问题，而单一的遗传算 法存在着收敛过慢和早熟的缺点，如能结合大规模变邻域搜索算法 等启发式方法进行有针对性的深度搜索将大大提高寻优效率。

发明内容

本发明为了克服现有技术在求解低碳车辆调度问题时易陷入局 部最优、收敛缓慢、优化能力不足等缺陷，将遗传算法与大规模变 邻域搜索策略改进融合，提供了一种基于大规模变邻域搜索策略的 绿色物流车辆调度规划方法及系统，以解决现有技术中存在的问 题。

本发明是通过以下技术方案实现的：

一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方 法，包括：

分别使用CW节约算法、最邻近插入算法和随机方法生成初始车 辆配送序列，重复进行多次，构成初始配送序列的种群；

对配送序列种群中的每个配送序列采用自适应遗传算法进行调 度搜索，寻找满足条件的可行调度；

采用大规模变邻域搜索算法对满足条件的可行调度进行优化调 整，获得候选的配送序列；

依据经济成本和环境成本最低的原则，从所有候选配送序列里 选择总成本最低的序列，输出为车辆调度规划方案。

作为优先实施例，生成初始种群的算法，应当包括：

CW节约算法，创建空调度，计算任意两点间的节约量；以降序 逐一取出节约量所代表的节点；将对应节点插入对应的位置，以载 重量和返回时间约束作为依据判断是否当前配送序列是否应该结 束；当序列创建结束后加入初始配送方案并创建新的配送序列；在每辆车均已有配送序列或所有节点均已分配的情况下完成当前配送 方案的创建；

最邻近插入算法，创建一个空的配送序列并随机选择一个节点 作为配送序列的起始节点；逐一计算当前调度最后一个节点与其余 节点的插入值；按照一定规则将对应节点插入当前配送序列，以载 重量和返回时间约束作为依据判断是否当前配送序列是否应该结 束；当序列创建结束后加入初始配送方案并创建新的配送序列；在 每辆车均已有配送序列或所有节点均已分配的情况下完成当前配送 方案的创建；

随机方法，采用随机形式将客户节点分配给车辆；检查所有节 点是否已被分配完毕；检查是否满足车辆载重量限制并检查车辆返 回时间是否符合配送中心最晚时间窗约束；完成配送序列方案的创 建。

作为优先实施例，对配送序列种群中的每个配送序列采用自适 应遗传算法进行调度搜索，具体包括：

将当前配送序列种群中的最优秀的序列保存起来，不进入遗传 算法的迭代操作；

通过轮盘赌方法选择进行遗传和变异操作的配送序列；

由自适应函数动态的决定当前进行交叉的概率，根据预设参 数、当前迭代次数、种群规模、适应度和种群中未改变的配送序列 数量计算交叉算子的执行概率，根据概率选择是否执行交叉算子， 执行交叉算子后将交叉后的配送序列放入种群中；

由自适应函数动态的决定当前进行变异的概率，根据预设参 数、当前迭代次数、种群规模、适应度和种群中未改变的配送序列 数量计算变异算子的执行概率，根据概率选择是否执行变异算子， 执行变异算子后将交叉后的配送序列放入种群中。

作为优先实施例，采用大规模变邻域搜索算法对满足条件的可 行调度进行优化调整，具体包括：

对于经过自适应遗传算法处理过的配送序列的种群，筛选种群 中前一半的优秀个体，将前一半的优秀个体作为大规模变邻域搜索 算法的操作对象；

将所有优秀个体逐一进行基因片段倒转操作，若倒转操作后序 列适应度提升则保留此操作，否则重复进行直到达到次数上限；

将所有优秀个体逐一进行单基因位插入操作，若操作后序列适 应度提升则保留此操作，否则重复进行直到达到次数上限；

将所有优秀个体逐一进行双基因位插入操作，若操作后序列适 应度提升则保留此操作，否则重复进行直到达到次数上限；

作为优先实施例，依据经济成本和环境成本最低的原则，从所 有候选配送序列里选择总成本最低的序列,输出为车辆调度规划方 案,具体包括：

从当前配送序列种群中选择适应度最优的配送序列进行解码， 将得到的每辆车的行驶调度以及车辆出发时间、返回时间、总成 本、分项成本、车辆装载率信息进行汇总；

根据解码后得到的信息进行计算得到完整的车辆调度规划方案 并进行文本信息输出，具体包括：参数设置、总成本、分项成本、 行驶总里程、每辆车的行驶里程、行驶总时间、每辆车的行驶时 间、车辆访问节点的顺序、车辆访问节点的时间、总车辆数、每辆 车的出发时间和返回时间、每辆车的装载率、算法迭代次数和算法 的运行时间；

根据文本输出信息进行图像绘制，并输出下列图像：最优解中 车辆访问每个节点的路线图、迭代总成本和分项成本变化的曲线 图。

作为优先实施例，自适应遗传算法模块中包含轮盘赌选择、交 叉算子和变异算子；

轮盘赌选择的对象是当前配送序列种群中的所有序列，轮盘赌 选择的原则是适应度越大，被选中的几率就越大，轮盘赌选择执行 的次数与种群规模一致；

将被选出的序列带入交叉算子流程，根据预设参数、每个序列 的适应度、种群适应度、种群规模以及种群里在迭代过程中未改变 的序列数量动态计算交叉算子的执行概率，根据概率确定本次是否 执行交叉算子；

将交叉后的序列带入变异算子流程，根据预设参数、每个序列 的适应度、种群适应度、种群规模以及种群里在迭代过程中未改变 的序列数量动态计算变异算子的执行概率，根据概率确定本次是否 执行变异算子。

作为优先实施例，适应度的计算作为关键步骤贯穿整个方法的 始终，具体包括：

在初始种群生成后，计算初始种群中每个序列的适应度值；

在自适应遗传算法的交叉算子执行结束之后，计算经过交叉的 序列的适应度值；

在自适应遗传算法的变异算子执行结束之后，计算经过变异的 序列的适应度值；

在基因片段倒转算子、单基因位插入算子和双基因位插入算子 中，每执行一次操作就要计算一次被操作序列的适应度值，以确定 是否保留此操作。

一种基于大规模变邻域搜索策略的绿色物流车辆调度规划系 统，包括：

生成初始种群模块，用于基于CW节约算法、最邻近插入算法和 随机方法产生配送序列，重复进行符合种群规模的次数，形成初始 配送序列的种群；

调度搜索模块，基于自适应遗传算法在初始种群的基础上，对 每个配送序列进行搜索，寻找符合约束条件的可行配送调度；

调整优化模块，基于大规模变邻域搜索算法对满足条件的可行 调度进行优化调整，寻找是否存在适应度更高的配送序列，获得候 选的配送序列；

规划方案模块，依据经济成本和环境成本最低的原则，从所有 候选配送序列里选择总成本最低的序列，输出为车辆调度规划方 案。

所述车辆调度规划系统用于所述车辆调度规划方法。

有益效果：

本发明的技术方案在初始种群生成模块中分别采用三种不同的 算法生成初始解，即提高了初始解的质量，又保证了初始种群的多 样性，使得初始种群在算法迭代初期就能拥有较好的适应度；在遗 传算法模块中加入了自适应函数，综合了迭代次数、种群的适应度 和每代种群中未改变的配送序列数目，使得遗传进化的效率大幅度 提高；在大规模变邻域搜索模块中加入的变邻域搜索算子，既可以 针对优质解进行深度搜索，也使得最优解有机会跳出局部最优，加 强了算法的全局搜索能力。本方法和系统可以在保证绿色物流车辆 调度规划质量最优的同时提高求解速度，所求出的最优解有利于降 低碳排放已经降低经济成本。

附图说明

图1为本发明一种基于大规模变邻域搜索策略的绿色物流车辆调 度规划方法的总体流程图；

图2为本发明一种基于大规模变邻域搜索策略的绿色物流车辆调 度规划系统的结构示意图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本 发明技术方案为前提下进行实施，给出了详细的实施方式和具体的 操作过程，但本发明的保护范围不限于下述的实施例。

图1为本发明一种基于大规模变邻域搜索策略的绿色物流车辆 调度规划方法的总体流程图，如图1所示，本发明提供一种基于大 规模变邻域搜索策略的绿色物流车辆调度规划的方法，包括：

S1，分别使用CW节约算法、最邻近插入算法和随机方法生成初 始车辆配送序列。重复进行多次，构成初始配送序列的种群；

具体来说，首先获取待分配的车辆信息和待配送的所有客户信 息，待分配的车辆信息包括，车辆载重量和车辆数量。所有客户信 息包括了客户的位置、服务时间窗和需求量信息。其次获取预先设 置参数，包括了种群规模、最大迭代次数、最大邻域搜索次数CW节约算法中的载重系数、最邻近插入法的权重分配和碳排放模型的相 关系数。

决定三种方法各自生成的初始配送序列的数量分别有多少。载 入预设的种群数量popsize，在[1，0.5popsize]之间产生一个随机整数no_s， 令CW节约算法产生的初始配送序列数量为no_s；令最邻近插入算法产 生的配送序列数量为(0.5popsize)-no_s；令随机方法产生的序列数量为 0.5popsize。

CW节约算法具体来说，首先创建空调度，计算任意两点间的节 约量存入集合A；将对应节点插入对应的位置，以载重量和返回时 间约束作为依据判断当前调度是否应该结束；当调度创建结束后加 入整体配送序列；在集合A为空时结束整体配送序列的创建。

其中，所述CW节约算法模块中，计算节约量的公式为：

S(i，j)＝D_0i+D_0j-D_ij+γ(q_i+q_j)

其中γ为载重量系数,D_ij表示两点之间的距离；

最邻近插入算法具体来说，首先创建空调度，在调度中的第一 个节点是随机选取的，考察当前节点与其他所有节点的插入值，选 择插入值最小的节点插入调度，而判断当前调度是否应该结束的约 束条件同样是车辆的载重量和返回时间，当所有客户节点已经插入 后或者车辆数达到上限时，配送序列创建完成。

其中，所述最邻近插入算法模块中，插入值的计算公式为：

B(i，j)＝σ₁D_ij+σ₂(T_js-L_ik)+σ₃(LT_j-T_jk)。

其中(T_js-L_ik)是j节点开始服务的时间点和i节点完成服务的时间 点的差，用来表示节点i，j在时间上的靠近程度。(LT_j-T_jk)是节点j最佳 服务时间窗的下限与到达节点j的时间点的差，用来表示时间窗的紧 张程度。权重满足σ₁+σ₂+σ₃＝1，且σ₁，σ₂，σ₃＞0。

随机方法以随机方式生成配送方案。

将三种方法生成的初始配送序列合在一起构成初始种群。

S2，对配送序列种群中的每个配送序列采用自适应遗传算法进 行调度搜索，寻找满足条件的可行调度；

具体地，在上述技术方案的基础上，CW节约算法、最邻近插入 算法和随机方法生成初始车辆配送序列。初始配送序列仅仅是一个 不成熟的初始方案，有许多不合理之处，因此还需要经过算法的搜 索和处理。在对初始种群的适应度计算完成之后，进入遗传算法模 块，具体包括：

最优保护策略，找出当前种群中适应度最高和最低的两个配送 序列；将适应度最高的配送序列的适应度值与历史上每一代最高适 应度值作比较，如果当前的值较高则将它作为最优保护的配送序 列，否则最优保护对象不变，仍为历史最好配送序列；用最优保护 的配送序列替换掉当前种群中适应度值最差的配送序列；

采用轮盘赌方法选择种群中的配送序列，轮盘赌方法中每个序 列被选中的概率为：

序列的适应度越大，被选中进行交叉变异操作的可能性就越 大；

本发明的自适应调整方法函数综合了迭代次数、配送序列和种 群的适应度值以及每一代种群中未改变的配送序列数目，交叉和变 异的自适应函数分别如下所示：

在该函数中p_c代表自适应交叉概率，p_c1、p_c2为自适应调节参数 且p_c1＞p_c2，f_l代表待交叉配送序列中适应度较大的个体的适应度 值，f_avg代表每一代种群中平均适应度值，f_max代表每一代种群中最 大的适应度值，gen为当前迭代次数，M代表最大迭代次数，U代表配 送序列未改变的个体数量，popsize代表种群规模。p_m代表自适应变异 概率，p_m1和p_m2为自适应调节参数且p_m1＞p_m2，f是待变异配送序列的 适应度值。

交叉算子的执行流程，该流程包括：

(1)在父代配送序列A和B上随机产生两个交叉基因点位，将两 个父代配送序列分成了前中后三段；

(2)将配送序列A和配送序列B的中段取出分别放置在子代配送 序列B₁的前段和子代配送序列A₁的后段；

(3)将父代配送序列A和B剩下的前段和后段保持原顺序不变， 分别拼接到配送序列B₁前段的后面和配送序列A₁后段的前面。

(4)在两个子代配送序列中保持两个交叉片段中的基因不变， 消除其余位置中与交叉片段中重复的基因。

变异算子的执行流程，该流程包括：

(1)选出需要进行变异操作的配送序列；

(2)随机选择配送序列上任意的两个基因位置；

(3)交换两个基因位置上对应的基因，由此就产生了一个全新 的配送序列。

将初始种群生成后计算种群中所有解的适应度，适应度函数形 式为：f_n＝α{max(c_n)}-c_n

其中c_n表示当前配送序列得目标函数值，max(c_n)表示当前种群中 的最大目标函数值，α是一个大于1的常数，该函数可以增加各个配 送序列适应度之间的差距。

S3,采用大规模邻域搜索算法对满足条件的可行调度进行优化调 整，获得候选的配送序列；

具体地，首先对种群进行筛选，根据适应度对种群中的所有配 送序列进行排序，取前一半进入大规模变邻域搜索；

基因片段倒转算子流程，具体包括：

在配送序列上随机选择一个基因位i；

在节点i的距离值列表中按顺序选择一个节点作为基因位j；

在该配送序列上i与j之间(包括j但不包括i)形成了一段基因片 段；

将该基因片段取出并倒转其排列顺序，再将该片段插入回配送 序列原位置，使得i与j相邻；

如果适应度有所提高则保留此次操作，反之则重复此操作直到 找到更优秀配送序列或达到最大搜索次数。

单基因位插入算子流程，具体包括：

从配送序列中随机取出一个基因位i；

在基因位i的距离值列表中按顺序选择基因位j；

将基因位i插入到基因位j的后面，使得i与j相邻；

计算插入后的配送序列适应度值，如果适应度提高了则保留此 操作，反之则重复进行直到找到更好的配送序列或达到最大搜索次 数。

双基因位插入算子流程，具体包括：

随机选取配送序列中相邻的两个节点，其中处在前面的节点为 节点i；

在节点i的距离值列表中按顺序选择节点j将相邻的两个节点插入 到节点j的后方，使得i与j相邻；

比较插入前后配送序列的适应度变化，如果适应度提高则保留 此操作，反之则重复进行直到找到更好的配送序列或者达到最大搜 索次数。

随后进行算法停止条件的判断，条件包括：迭代次数达到预先 设定的次数则停止进化；在进化过程中种群中最优解连续五十代无 任何进步则停止进化。以上条件满足其一则停止进化，否则重新回 到S2开始新一轮迭代。

S4,依据经济成本和环境成本最低的原则，从所有候选配送序列 里选择总成本最低的序列，输出为车辆调度规划方案；

具体地，达到算法停止条件以后，根据算法迭代搜索的结果， 获得车辆配送序列的种群。根据预先设定的经济成本和环境成本最 低的原则，从中选取最优配送序列。通过对最优配送序列进行解码 得到使用车辆数、每辆车的配送顺序、每辆车的发车时间和每辆车 的返回时间。将这些信息与预设信息结合起来形成完整的车辆调度 规划方案并进行文本信息输出，具体包括：参数设置、总成本、分 项成本、行驶总里程、每辆车的行驶里程、行驶总时间、每辆车的 行驶时间、车辆访问节点的顺序、车辆访问节点的时间、总车辆 数、每辆车的出发时间和返回时间、每辆车的装载率、算法迭代次 数和算法的运行时间；

根据文本输出信息进行图像绘制，并输出下列图像：最优解中 车辆访问每个节点的路线图、迭代总成本和分项成本变化的曲线 图。

本发明所提供的基于大规模变邻域搜索策略的绿色物流车辆调 度规划方法，分别使用CW节约算法、最邻近插入算法和随机方法生 成初始车辆配送序列。重复进行多次，构成初始配送序列的种群； 对配送序列种群中的每个配送序列采用自适应遗传算法进行调度搜 索，寻找满足条件的可行调度；采用大规模邻域搜索算法对满足条 件的可行调度进行优化调整，获得候选的配送序列；依据经济成本 和环境成本最低的原则，从所有候选配送序列里选择总成本最低的 序列，输出为车辆调度规划方案。该方法分别通过CW节约算法、最 邻近插入算法和随机方法生成初始配送序列，能够在保证初始配送 序列质量较高的情况下增加解的多样性，随后利用自适应遗传算法 的全局搜索能力和大规模变邻域算法的局部搜索能力去不断改善配 送序列的质量，该方法能够在得出车辆调度规划低成本方案的同 时，节约搜索时间降低搜索难度，既考虑到经济因素又照顾到环境 因素，有利于实现低碳减排的目标。

图2为本发明提供的基于大规模变邻域搜索策略的绿色物流车辆 调度规划系统的结构示意图，如图2所示，该系统包括：生成初始种 群模块、调度搜索模块、调整优化模块和规划方案模块。

生成初始种群模块，用于根据预设参数、车辆信息和待配送的 客户信息生成初始配送序列的种群。生成初始种群的算法有CW节约 算法、最邻近插入算法和随机方法。生成的种群中的每个个体都是 一个完整的配送方案，随后对这些方案进行适应度评价。

调度搜索模块，用于对初始种群中的配送序列进行调度搜索。 利用最优保护策略将种群中最优个体保护起来，避免受到交叉和变 异的破坏，通过轮盘赌方法从种群中选择进行操作的配送序列，根 据自适应函数自动计算进行交叉和变异操作的概率，对选中的配送 序列进行交叉操作，最后进行变异操作。

调整优化模块，用于对种群中所有配送序列进行优化调整提高 适应度值。通过筛选从种群中选出质量最优的前一半个体，分别对 这些个体进行基因片段倒转操作、单基因位插入操作和双基因位插 入操作。最后进行算法停止条件的判断，如果不停止则重新回到调 度搜索模块循环滚动，如果满足停止条件则终止循环。

规划方案模块，用于算法迭代运行的结果进行解码输出。从算 法运行给出的最终配送序列种群中选择经济成本和环境成本综合最 低的配送序列，对配送序列进行解码。输出的文本信息，具体包 括：参数设置、总成本、分项成本、行驶总里程、每辆车的行驶里 程、行驶总时间、每辆车的行驶时间、车辆访问节点的顺序、车辆 访问节点的时间、总车辆数、每辆车的出发时间和返回时间、每辆 车的装载率、算法迭代次数和算法的运行时间；输出的图像信息包 括：最优解中车辆访问每个节点的路线图、迭代总成本和分项成本 变化的曲线图。

以上显示和描述了本发明的基本原理和主要特征和本发明的优 点。本行业的技术人员应该了解，本发明不受上述实施例的限制， 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 (9)

1.一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，包括：

分别使用CW节约算法、最邻近插入算法和随机方法生成初始车辆配送序列，重复进行多次，构成初始配送序列的种群；

对配送序列种群中的每个配送序列采用自适应遗传算法进行调度搜索，寻找满足条件的可行调度；

采用大规模变邻域搜索算法对满足条件的可行调度进行优化调整，获得候选的配送序列；

依据经济成本和环境成本最低的原则，从所有候选配送序列里选择总成本最低的序列，输出为车辆调度规划方案。

2.根据权利要求1所述的一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，生成初始种群的算法，应当包括：

CW节约算法，创建空调度，计算任意两点间的节约量；以降序逐一取出节约量所代表的节点；将对应节点插入对应的位置，以载重量和返回时间约束作为依据判断是否当前配送序列是否应该结束；当序列创建结束后加入初始配送方案并创建新的配送序列；在每辆车均已有配送序列或所有节点均已分配的情况下完成当前配送方案的创建；

最邻近插入算法，创建一个空的配送序列并随机选择一个节点作为配送序列的起始节点；逐一计算当前调度最后一个节点与其余节点的插入值；按照一定规则将对应节点插入当前配送序列，以载重量和返回时间约束作为依据判断是否当前配送序列是否应该结束；当序列创建结束后加入初始配送方案并创建新的配送序列；在每辆车均已有配送序列或所有节点均已分配的情况下完成当前配送方案的创建；

随机方法，采用随机形式将客户节点分配给车辆；检查所有节点是否已被分配完毕；检查是否满足车辆载重量限制并检查车辆返回时间是否符合配送中心最晚时间窗约束；完成配送序列方案的创建。

3.根据权利要求1所述的一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，对配送序列种群中的每个配送序列采用自适应遗传算法进行调度搜索，具体包括：

将当前配送序列种群中的最优秀的序列保存起来，不进入遗传算法的迭代操作；

通过轮盘赌方法选择进行遗传和变异操作的配送序列；

由自适应函数动态的决定当前进行交叉的概率，根据预设参数、当前迭代次数、种群规模、适应度和种群中未改变的配送序列数量计算交叉算子的执行概率，根据概率选择是否执行交叉算子，执行交叉算子后将交叉后的配送序列放入种群中；

由自适应函数动态的决定当前进行变异的概率，根据预设参数、当前迭代次数、种群规模、适应度和种群中未改变的配送序列数量计算变异算子的执行概率，根据概率选择是否执行变异算子，执行变异算子后将交叉后的配送序列放入种群中。

4.根据权利要求1所述一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，采用大规模变邻域搜索算法对满足条件的可行调度进行优化调整，具体包括：

对于经过自适应遗传算法处理过的配送序列的种群，筛选种群中前一半的优秀个体，将前一半的优秀个体作为大规模变邻域搜索算法的操作对象；

将所有优秀个体逐一进行基因片段倒转操作，若倒转操作后序列适应度提升则保留此操作，否则重复进行直到达到次数上限；

将所有优秀个体逐一进行单基因位插入操作，若操作后序列适应度提升则保留此操作，否则重复进行直到达到次数上限；

将所有优秀个体逐一进行双基因位插入操作，若操作后序列适应度提升则保留此操作，否则重复进行直到达到次数上限。

5.根据权利要求1所述一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，依据经济成本和环境成本最低的原则，从所有候选配送序列里选择总成本最低的序列,输出为车辆调度规划方案,具体包括：

从当前配送序列种群中选择适应度最优的配送序列进行解码，将得到的每辆车的行驶调度以及车辆出发时间、返回时间、总成本、分项成本、车辆装载率信息进行汇总；

根据解码后得到的信息进行计算得到完整的车辆调度规划方案并进行文本信息输出，具体包括：参数设置、总成本、分项成本、行驶总里程、每辆车的行驶里程、行驶总时间、每辆车的行驶时间、车辆访问节点的顺序、车辆访问节点的时间、总车辆数、每辆车的出发时间和返回时间、每辆车的装载率、算法迭代次数和算法的运行时间；

根据文本输出信息进行图像绘制，并输出下列图像：最优解中车辆访问每个节点的路线图、迭代总成本和分项成本变化的曲线图。

6.根据权利要求3所述的一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，自适应遗传算法模块中包含轮盘赌选择、交叉算子和变异算子；

轮盘赌选择的对象是当前配送序列种群中的所有序列，轮盘赌选择的原则是适应度越大，被选中的几率就越大，轮盘赌选择执行的次数与种群规模一致；

将被选出的序列带入交叉算子流程，根据预设参数、每个序列的适应度、种群适应度、种群规模以及种群里在迭代过程中未改变的序列数量动态计算交叉算子的执行概率，根据概率确定本次是否执行交叉算子；

将交叉后的序列带入变异算子流程，根据预设参数、每个序列的适应度、种群适应度、种群规模以及种群里在迭代过程中未改变的序列数量动态计算变异算子的执行概率，根据概率确定本次是否执行变异算子。

7.根据权利要求1所述一种基于大规模变邻域搜索策略的绿色物流车辆调度规划方法，其特征在于，适应度的计算作为关键步骤贯穿整个方法的始终，具体包括：

在初始种群生成后，计算初始种群中每个序列的适应度值；

在自适应遗传算法的交叉算子执行结束之后，计算经过交叉的序列的适应度值；

在自适应遗传算法的变异算子执行结束之后，计算经过变异的序列的适应度值；

在基因片段倒转算子、单基因位插入算子和双基因位插入算子中，每执行一次操作就要计算一次被操作序列的适应度值，以确定是否保留此操作。

8.一种基于大规模变邻域搜索策略的绿色物流车辆调度规划系统，其特征在于，包括：

生成初始种群模块，用于基于CW节约算法、最邻近插入算法和随机方法产生配送序列，重复进行符合种群规模的次数，形成初始配送序列的种群；

调度搜索模块，基于自适应遗传算法在初始种群的基础上，对每个配送序列进行搜索，寻找符合约束条件的可行配送调度；

调整优化模块，基于大规模变邻域搜索算法对满足条件的可行调度进行优化调整，寻找是否存在适应度更高的配送序列，获得候选的配送序列；

规划方案模块，依据经济成本和环境成本最低的原则，从所有候选配送序列里选择总成本最低的序列，输出为车辆调度规划方案。

9.权利要求8的系统用于权利要求1的方法。

Images