CN114548564A - 电池配送路径优化方法、装置、计算机设备及存储介质 - Google Patents
电池配送路径优化方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114548564A CN114548564A CN202210173590.2A CN202210173590A CN114548564A CN 114548564 A CN114548564 A CN 114548564A CN 202210173590 A CN202210173590 A CN 202210173590A CN 114548564 A CN114548564 A CN 114548564A
- Authority
- CN
- China
- Prior art keywords
- distribution
- battery
- path
- cost
- vehicle
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 79
- 238000012384 transportation and delivery Methods 0.000 claims description 52
- 210000000349 chromosome Anatomy 0.000 claims description 37
- 230000035772 mutation Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000717 retained effect 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了电池配送路径优化方法、装置、计算机设备及存储介质,该方法包括:基于配送路径影响因素建立配送路径相关约束;在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。本发明将软时间窗约束以惩罚成本方式量化进目标函数中,同时结合换电电池配送总成本建立电池配送路径优化模型,并通过遗传算法进行求解,可以得到最优的电池配送路径,以此提高电池配送车辆的配送效率,减少配送成本。
Description
技术领域
本发明涉及车辆路径优化技术领域,特别涉及电池配送路径优化方法、装置、计算机设备及存储介质。
背景技术
随着全球能源化石燃料短缺、环境污染等问题的日益凸显,以能耗低、污染小为特点的电动汽车行业得到快速发展。与此同时,电动汽车能源供给问题变成制约电动汽车行业发展的一大瓶颈。而换电模式因其能源供给速度快、电池使用成本低廉和便于统一充电管理等特点,成为解决电动汽车能源供给问题的重要模式之一。
换电模式适用于“车电分离”的换电型电动汽车。对换电模式的研究可分为两个方向,即充换电模式和集中充电统一配送模式。相较于充换电模式,集中充电统一配送模式在站址选择、建设规模、投资运营成本和电池批量管理等方面更具优势。当前对电动汽车换电模式的研究主要集中在站点选址规划、商业管理运营和充电调度优化控制等方面,而关于换电网络下电池配送问题的探讨却很少。
基于换电网络下的电动汽车电池配送问题实际是一种复杂车辆路径问题(Vehicle Routing Problem,VRP)的变体形式。通过对换电网络下的电池配送路径进行优化研究,不仅可以减少换电电池的配送营运成本,同时能够及时满足用户换电需求,提高换电网络服务水平。
发明内容
本发明实施例提供了一种电池配送路径优化方法、装置、计算机设备及存储介质,旨在提高电池配送车辆的配送效率,减少配送成本。
第一方面,本发明实施例提供了一种电池配送路径优化方法,包括:
基于配送路径影响因素建立配送路径相关约束;
在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;
对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;
根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;
采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。
第二方面,本发明实施例提供了一种电池配送路径优化装置,包括:
约束建立单元,用于基于配送路径影响因素建立配送路径相关约束;
第一函数建立单元,用于在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;
第二函数建立单元,用于对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;
模型构建单元,用于根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;
路径求解单元,用于采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的电池配送路径优化方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的电池配送路径优化方法。
本发明实施例提供了一种电池配送路径优化方法、装置、计算机设备及存储介质,该方法包括:基于配送路径影响因素建立配送路径相关约束;在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。本发明实施例将软时间窗约束以惩罚成本方式量化进目标函数中,同时以换电电池配送总成本建立物流目标函数,建立了基于换电网络下的电池配送路径优化模型,并通过遗传算法对优化模型的输出进行求解,从而可以得到最优的电池配送路径,以此提高电池配送车辆的配送效率,减少配送成本。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的一种电池配送路径优化方法的流程示意图;
图2为本发明实施例提供的一种电池配送路径优化方法的子流程示意图;
图3为本发明实施例提供的一种电池配送路径优化方法中遗传算法的交叉操作示意图;
图4为本发明实施例提供的一种电池配送路径优化装置的示意性框图;
图5为本发明实施例提供的一种电池配送路径优化装置的子示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1,图1为本发明实施例提供的一种电池配送路径优化方法的流程示意图,具体包括:步骤S101~S105。
S101、基于配送路径影响因素建立配送路径相关约束;
S102、在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;
S103、对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;
S104、根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;
S105、采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。
本实施例将软时间窗约束以惩罚成本方式量化进目标函数中,同时以换电电池配送总成本建立物流目标函数,建立了基于换电网络下的电池配送路径优化模型,并通过遗传算法对优化模型的输出进行求解,从而可以得到最优的电池配送路径,使该最优的电池配送路径所对应的配送成本为最优成本,为换电网络的服务运营和电池配送决策提供参考,以此提高电池配送车辆的配送效率,减少配送成本。
本实施例中,对电池配送路径进行优化,即是选择出一条最优的电池配送路径,而本实施例以换电电池配送总成本建立物流目标函数,并根据电池配送时效性和满意度建立软时间窗惩罚函数,故最优的电池配送路径即为成本和配送时间最优的配送路径。
在一实施例中,所述S101包括:
控制所有电池配送车辆由同一集中充电站出发,并在完成各自配送任务后均返回所述集中充电站,以此构建配送中心约束;
控制所有电池配送车辆的型号相同、最大载重量相同,并使所有电池配送车辆在配送过程中的载重量小于或者等于最大载重量,以此构建车辆载重约束;
控制每一换电站有且仅被一辆电池配送车辆服务一次,且换电站的送取需求固定,以此构建访问服务约束;
根据每一换电站的服务时间窗要求构建时间窗限制约束;
根据电池配送车辆的单次最远行驶距离限制构建配送距离约束;
控制每一电池配送车辆在配送过程中匀速行驶,以此构建交通状况约束。
本实施例中,根据配送路径影响因素对配送路径相关约束进行建立,这里所述的配送路径影响因素不仅可以指电池配送车辆自身的影响因素(例如载重量、行驶距离等),也可以指配送路径上的环境因素(例如配送过程中的交通状态等),当然还可以指其他能够对电池配送起到影响作用的影响因素。所述的配送路径相关约束具体如下所示:
配送中心约束:参与电池配送服务的车辆必须从同一集中充电站出发,完成各自配送任务后返回集中充电站。
车辆载重约束:电池配送车辆的型号、最大载重量相同,电池配送车辆在电池送取货过程中载重量不能超过对应的最大载重。
访问服务约束:每个换电站有且仅被一辆电池配送车辆服务一次,换电站电池送取需求不可分割。
时间窗限制约束:各换电站都具有各自的服务时间窗要求。
配送距离约束:参与电池配送服务的电池配送车辆具有单次最远行驶距离限制。
交通状况约束:各电池配送车辆匀速行驶且不考虑复杂交通状况。
在一实施例中,所述S102包括:
将车辆运输距离成本与车辆固定成本相加之和作为所述换电电池配送总成本;
将最低所述换电电池配送总成本作为所述物流目标函数的优化目标,以此建立所述物流目标函数;
其中,所述车辆运输距离成本Cd按照下式计算得到:
式中,Ck表示电池配送车辆的单位运输距离成本,dij表示两个换电站之间的距离,xijk为车辆路径决策变量;
所述车辆固定成本按照下式计算得到:
式中,fk表示车辆单次配送电池产生的固定成本,xijk表示车辆路径决策变量。
本实施例中,在满足换电站换电电池需求基础上,还会考虑实际换电电池配送特性,具体描述为:集中充电站负责对区域内的换电站提供电池配送服务,且集中充电站配备有电池配送车辆。以及,装载满电电池的电池配送车辆从集中充电站出发,在已知各换电站送取电池需求、服务时间、集中充电站和各换电站位置的情况下,在允许的时间窗范围内对各换电站进行电池配送服务,满足站点换电需求。还有,待完成所有换电站的送取电池服务后,所有电池配送车辆返回集中充电站。
根据上述特性对换电网络下的换电电池配送问题进行数学模型建立,以区域换电网络的换电电池配送总成本最低为优化目标,完成电池配送任务。而换电电池配送总成本需要考虑常规的运输距离成本和车辆固定成本。
对于车辆运输距离成本来说,其主要是指电池配送车辆在运输换电电池过程中所消耗的燃油成本,故与电池配送车辆的行驶距离呈正相关,如下式所示:
其中,Ck表示电池配送车辆的单位运输距离成本,dij表示两站点之间的距离。同时引入车辆路径决策变量:
对于车辆固定成本来说,其包括电池配送车辆参与换电电池配送服务所产生的车辆租赁、折旧和人工费等,这与参与电池配送服务的电池配送车辆数目有关,如下式所示:
其中,fk表示车辆单次配送电池产生的固定成本,xijk表示车辆路径决策变量。
在一实施例中,所述S103包括:
按照下式,根据电池配送时效性和满意度量化处理结果生成惩罚费用Ci(ti):
式中,M为一个正数,CTe表示电池配送车辆早于规定时间窗[ETi,LTi]到达的单位时间惩罚成本,CTl表示电池配送车辆晚于规定时间窗[ETi,LTi]到达的单位时间惩罚成本;
按照下式,结合所述惩罚费用建立所述软时间窗惩罚成本函数Cp:
本实施例中,由于电池配送过程复杂,会受到多种因素如天气交通状况等的干扰,因此对于配送路径的优化过程具有很强的不确定性。以往的研究往往忽略了这些影响因素,所建立的模型很难在实际工程中具有良好的实用性。为解决上述困难,本实施例利用软时间窗约束来合理计及各种干扰因素,提升模型的鲁棒性和实用性。
软时间窗惩罚成本基于配送服务的时效性和满意度。具体来说,由于电池配送车辆在行驶途中的不确定性,对未在换电站规定的服务时间窗内到达的电池配送车辆,即提前或延迟一段时间到达换电站的情况,将配送时效性和满意度进行量化从而产生的惩罚费用。软时间窗惩罚成本与车辆到达换电站的时刻有关。具体为:
其中,M为正数,可以是一个极大的正数,CTe表示电池配送车辆早于规定时间窗[ETi,LTi]到达的单位时间惩罚成本,CTl表示电池配送车辆晚于规定时间窗[ETi,LTi]到达的单位时间惩罚成本。
如上式所示,如果电池配送车辆在规定时间窗范围内到达换电站时,不产生惩罚费用;如果电池配送车辆在偏离时间窗内到达时,则需要支付时间惩罚费用;如果电池配送车辆换电站所能接受的最大时间窗外达到时,时间惩罚成本为M,此时目标模型无解。因此,可以构建如下式所示的软时间窗惩罚成本函数Cp:
在一实施例中,所述S104包括:
根据物流目标函数和软时间窗惩罚成本函数,按照下式规划路径优化模型:
min ZT=Cd+Cf+Cp
式中,min ZT表示最优电池配送路径方案。
本实施例中,在以多项配送成本(即所述车辆运输距离成本和车辆固定成本)、软时间窗惩罚成本函数最小为目标,建立基于换电网络下考虑软时间窗的换电电池配送路径数学模型,即所述路径优化模型。
本实施例所述的路径优化模型基于换电网络运营模式下电池流向特点,对电池的集中充电站与换电站间的电池配送行为进行分析。在电池配送车辆最大距离和载重的约束下,量化换电电池配送的服务时间窗特性,在配送成本目标函数中加入软时间惩罚成本函数,以多项换电电池配送总成本最低为目标函数,规划换电电池最优路径配送方案:
min ZT=Cd+Cf+Cp
根据对上述问题的分析和符号定义,构建考虑时间窗和同时送取货的换电电池配送路径,构建得到如下所示的路径优化模型:
该式表示以电池配送成本最低为目标函数,包括车辆运输距离成本Cd、使用车辆固定成本Cf和软时间窗惩罚成本函数Cp。
在一实施例中,如图2所示,所述S105包括:
S201、将集中充电站0从染色体中去除,以各换电站编号{1,2,…,n}构成染色体的正整数编码形式,并采用9位十进制编码的染色体构成种群个体;
本步骤为遗传算法中的染色体编码和解码。但是,本步骤区别于传统自然数编码形式,将集中充电中心0从染色体中去除,采用以各电池换电站{1,2,…,n}编号构成染色体的正整数编码形式,个体由9位十进制编码的染色体构成,随机排序使生成的种群个体排除了主观性。如染色体674193582在4和3处断点,即674|193|582,表示用三辆电池配送车辆对9个换电站进行配送服务,其中,第一辆电池配送车辆按照674的顺序依次进行配送服务,第二辆电池配送车辆按照193的顺序依次进行配送服务,第三辆电池配送车辆按照582的顺序依次进行配送服务。通过判定染色体编码的电池配送顺序是否满足模型约束条件,来进行断点解码操作,得到多条配送路径可行解,具体可结合图3。
S202、在所述配送路径相关约束下,通过随机排列生成初始种群;
本步骤为初始种群生成步骤。具体来说,通过结合随机排列生成方法和满足配送路径相关约束条件下生成染色体的方法,来生成初始种群。步骤如下所示:
在所述配送路径相关约束下,计算电池配送车辆到达各换电站的到达时间;
获取各换电站的最早期望服务时间,计算各换电站对应的到达时间和最早期望服务时间之间的时间差;
按照时间差从小至大的顺序依次选择换电站,直至换电站不再满足所述配送路径相关约束,以此一条配送路径,并将所述配送路径设置为初始种群中的一条可行解染色体。
S203、按照下式,采用适应度函数对所述初始种群中的个体进行优劣度评价:
Fi=1/Zi
式中,Fi为适应度函数,Zi为染色体i的换电电池配送总成本;
在本步骤中,通过计算适应度函数来评价初始种群中的个体优劣度。具体为:令车辆配送总成本目标函数为Z,并设置Zi表示染色体i的电池配送车辆的配送成本目标函数值,对满足模型约束条件的染色体进行目标函数值Zi的计算,取Zi的倒数作为该个体的适应度函数Fi,即Fi=1/Zi。若种群个体对应解不满足约束条件,则赋予Zi为一个极大正数值。
S204、基于优劣度评价结果,按照预设阈值对初始种群中的个体进行保留或者淘汰;
本步骤根据优劣度评价结果对初始种群中的个体进行选择操作。对个体进行选择操作是保证子代种群质量的重要环节。在这里,适应度最优的个体会直接保留,而对于剩余的个体来说,适应度越高越容易被保留下,即适应度超过预设阈值的个体可以被保留;适应度低的个体则被淘汰掉,即适应度未超过预设阈值的个体则被淘汰。在一具体实施例中,根据5%~10%的淘汰率设置预设阈值,即未超过预设阈值的个体为所有个体的5%~10%。
S205、针对保留的个体,采用基于部分匹配交叉的后置交叉算子进行进行基因段互换,以此改变对应的换电站顺序;
本步骤采用一种基于部分匹配交叉(Partially Matched Crossover,PMX)的后置交叉算子进行交叉操作,其操作过程为:结合图3所示,任意取父代A和父代B两个个体,对A和B染色体上随机生成的两个不同交叉点之间的基因段进行互换,分别将其移动到对方染色体末端,同时删除各自染色体中重复的基因,得到新的子代A1和B1,配送站点顺序将会发生改变。
S206、通过预设的换位变异算子、移位变异算子和倒位变异算子对染色体进行变异操作,重构染色体的变异方式,并采用等概率随机方式选择变异算子,以此生成新种群;
本步骤通过设计换位、移位、倒位三种不同的变异算子,对染色体进行变异操作时,重构其变异方式,并采用等概率随机的方式进行变异算子的选择。染色体片段的改变会影响配送点的改变,增加种群内个体多样性,从而可以克服易陷入局部最优的问题。
S207、针对所述新种群,再次计算新种群中的个体适应度,并判断是否达到最大迭代次数;
S208、若判定未达到最大迭代次数,则继续对新种群进行交叉变异操作;
S209、若判定达到最大迭代次数时,则将当前种群输出为最终的电池配送路径。
当进行交叉变异操作之后,会生成一个新种群。针对该新种群,继续对其计算个体适应度,并判断是否达到最大迭代次数。如果未达到最大迭代次数,则继续对该新种群进行选择、交叉和变异操作,然后生成下一新种群,并重复上述操作,直至达到最大迭代次数。此时,可以将最大迭代次数对应的当前种群输出,并作为对于路径优化模型输出结果的求解结果,即最终的电池配送路径,且该最终的电池配送路径所对应的换电电池配送总成本最优。
图4为本发明实施例提供的一种电池配送路径优化装置400的示意性框图,该装置400包括:
约束建立单元401,用于基于配送路径影响因素建立配送路径相关约束;
第一函数建立单元402,用于在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;
第二函数建立单元403,用于对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;
模型构建单元404,用于根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;
路径求解单元405,用于采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。
在一实施例中,所述约束建立单元401包括:
配送中心约束建立单元,用于控制所有电池配送车辆由同一集中充电站出发,并在完成各自配送任务后均返回所述集中充电站,以此构建配送中心约束;
车辆载重约束建立单元,用于控制所有电池配送车辆的型号相同、最大载重量相同,并使所有电池配送车辆在配送过程中的载重量小于或者等于最大载重量,以此构建车辆载重约束;
访问服务约束建立单元,用于控制每一换电站有且仅被一辆电池配送车辆服务一次,且换电站的送取需求固定,以此构建访问服务约束;
时间窗限制约束建立单元,用于根据每一换电站的服务时间窗要求构建时间窗限制约束;
配送距离约束建立单元,用于根据电池配送车辆的单次最远行驶距离限制构建配送距离约束;
交通状况约束建立单元,用于控制每一电池配送车辆在配送过程中匀速行驶,以此构建交通状况约束。
在一实施例中,所述第一函数建立单元402包括:
总成本设置单元,用于将车辆运输距离成本与车辆固定成本相加之和作为所述换电电池配送总成本;
优化目标设置单元,用于将最低所述换电电池配送总成本作为所述物流目标函数的优化目标,以此建立所述物流目标函数;
其中,所述车辆运输距离成本Cd按照下式计算得到:
式中,Ck表示电池配送车辆的单位运输距离成本,dij表示两个换电站之间的距离,xijk为车辆路径决策变量;
所述车辆固定成本按照下式计算得到:
式中,fk表示车辆单次配送电池产生的固定成本,xijk表示车辆路径决策变量。
在一实施例中,所述第二函数建立单元403包括:
惩罚费用生成单元,用于按照下式,根据电池配送时效性和满意度量化处理结果生成惩罚费用Ci(ti):
式中,M为一个正数,CTe表示电池配送车辆早于规定时间窗[ETi,LTi]到达的单位时间惩罚成本,CTl表示电池配送车辆晚于规定时间窗[ETi,LTi]到达的单位时间惩罚成本;
结合建立单元,用于按照下式,结合所述惩罚费用建立所述软时间窗惩罚成本函数Cp:
在一实施例中,所述模型构建单元404包括:
模型规划单元,用于根据物流目标函数和软时间窗惩罚成本函数,按照下式规划路径优化模型:
min ZT=Cd+Cf+Cp
式中,min ZT表示最优电池配送路径方案。
在一实施例中,如图5所示,所述路径求解单元405包括:
编码单元501,用于将集中充电站0从染色体中去除,以各换电站编号{1,2,…,n}构成染色体的正整数编码形式,并采用9位十进制编码的染色体构成种群个体;
种群生成单元502,用于在所述配送路径相关约束下,通过随机排列生成初始种群;
评价单元503,用于按照下式,采用适应度函数对所述初始种群中的个体进行优劣度评价:
Fi=1/Zi
式中,Fi为适应度函数,Zi为染色体i的换电电池配送总成本;
选择单元504,用于基于优劣度评价结果,按照预设阈值对初始种群中的个体进行保留或者淘汰;
交叉单元505,用于针对保留的个体,采用基于部分匹配交叉的后置交叉算子进行进行基因段互换,以此改变对应的换电站顺序;
变异单元506,用于通过预设的换位变异算子、移位变异算子和倒位变异算子对染色体进行变异操作,重构染色体的变异方式,并采用等概率随机方式选择变异算子,以此生成新种群;
迭代判断单元507,用于针对所述新种群,再次计算新种群中的个体适应度,并判断是否达到最大迭代次数;
第一判定单元508,用于若判定未达到最大迭代次数,则继续对新种群进行交叉变异操作;
第二判定单元509,用于若判定达到最大迭代次数时,则将当前种群输出为最终的电池配送路径。
在一实施例中,所述种群生成单元502包括:
到达时间计算单元,用于在所述配送路径相关约束下,计算电池配送车辆到达各换电站的到达时间;
时间差计算单元,用于获取各换电站的最早期望服务时间,计算各换电站对应的到达时间和最早期望服务时间之间的时间差;
染色体设置单元,用于按照时间差从小至大的顺序依次选择换电站,直至换电站不再满足所述配送路径相关约束,以此一条配送路径,并将所述配送路径设置为初始种群中的一条可行解染色体。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种电池配送路径优化方法,其特征在于,包括:
基于配送路径影响因素建立配送路径相关约束;
在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;
对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;
根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;
采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。
2.根据权利要求1所述的电池配送路径优化方法,其特征在于,所述基于配送路径影响因素建立配送路径相关约束,包括:
控制所有电池配送车辆由同一集中充电站出发,并在完成各自配送任务后均返回所述集中充电站,以此构建配送中心约束;
控制所有电池配送车辆的型号相同、最大载重量相同,并使所有电池配送车辆在配送过程中的载重量小于或者等于最大载重量,以此构建车辆载重约束;
控制每一换电站有且仅被一辆电池配送车辆服务一次,且换电站的送取需求固定,以此构建访问服务约束;
根据每一换电站的服务时间窗要求构建时间窗限制约束;
根据电池配送车辆的单次最远行驶距离限制构建配送距离约束;
控制每一电池配送车辆在配送过程中匀速行驶,以此构建交通状况约束。
5.根据权利要求4所述的电池配送路径优化方法,其特征在于,所述根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型,包括:
根据物流目标函数和软时间窗惩罚成本函数,按照下式规划路径优化模型:
min ZT=Cd+Cf+Cp
式中,min ZT表示最优电池配送路径方案。
6.根据权利要求1所述的电池配送路径优化方法,其特征在于,所述采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径,包括:
将集中充电站0从染色体中去除,以各换电站编号{1,2,…,n}构成染色体的正整数编码形式,并采用9位十进制编码的染色体构成种群个体;
在所述配送路径相关约束下,通过随机排列生成初始种群;
按照下式,采用适应度函数对所述初始种群中的个体进行优劣度评价:
Fi=1/Zi
式中,Fi为适应度函数,Zi为染色体i的换电电池配送总成本;
基于优劣度评价结果,按照预设阈值对初始种群中的个体进行保留或者淘汰;
针对保留的个体,采用基于部分匹配交叉的后置交叉算子进行进行基因段互换,以此改变对应的换电站顺序;
通过预设的换位变异算子、移位变异算子和倒位变异算子对染色体进行变异操作,重构染色体的变异方式,并采用等概率随机方式选择变异算子,以此生成新种群;
针对所述新种群,再次计算新种群中的个体适应度,并判断是否达到最大迭代次数;
若判定未达到最大迭代次数,则继续对新种群进行交叉变异操作;
若判定达到最大迭代次数时,则将当前种群输出为最终的电池配送路径。
7.根据权利要求6所述的电池配送路径优化方法,其特征在于,所述在所述配送路径相关约束下,通过随机排列生成初始种群,包括:
在所述配送路径相关约束下,计算电池配送车辆到达各换电站的到达时间;
获取各换电站的最早期望服务时间,计算各换电站对应的到达时间和最早期望服务时间之间的时间差;
按照时间差从小至大的顺序依次选择换电站,直至换电站不再满足所述配送路径相关约束,以此一条配送路径,并将所述配送路径设置为初始种群中的一条可行解染色体。
8.一种电池配送路径优化装置,其特征在于,包括:
约束建立单元,用于基于配送路径影响因素建立配送路径相关约束;
第一函数建立单元,用于在所述配送路径相关约束下,基于换电电池配送总成本建立物流目标函数;
第二函数建立单元,用于对电池配送时效性和满意度进行量化处理,以此建立软时间窗惩罚成本函数;
模型构建单元,用于根据所述物流目标函数和软时间窗惩罚成本函数构建路径优化模型;
路径求解单元,用于采用遗传算法对所述路径优化模型的输出结果进行求解,并将求解结果作为最终的电池配送路径。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的电池配送路径优化方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电池配送路径优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210173590.2A CN114548564A (zh) | 2022-02-24 | 2022-02-24 | 电池配送路径优化方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210173590.2A CN114548564A (zh) | 2022-02-24 | 2022-02-24 | 电池配送路径优化方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548564A true CN114548564A (zh) | 2022-05-27 |
Family
ID=81677907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210173590.2A Pending CN114548564A (zh) | 2022-02-24 | 2022-02-24 | 电池配送路径优化方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548564A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819412A (zh) * | 2022-06-23 | 2022-07-29 | 深圳大学 | 基于指导式可行解修正遗传算法的多换电站配置优化方法 |
-
2022
- 2022-02-24 CN CN202210173590.2A patent/CN114548564A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819412A (zh) * | 2022-06-23 | 2022-07-29 | 深圳大学 | 基于指导式可行解修正遗传算法的多换电站配置优化方法 |
CN114819412B (zh) * | 2022-06-23 | 2022-09-09 | 深圳大学 | 基于指导式可行解修正遗传算法的多换电站配置优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Coordinated charging scheduling of electric vehicles: a mixed-variable differential evolution approach | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
Hadian et al. | Optimal allocation of electric vehicle charging stations with adopted smart charging/discharging schedule | |
Infante et al. | Optimal recourse strategy for battery swapping stations considering electric vehicle uncertainty | |
Asna et al. | Analysis of an optimal planning model for electric vehicle fast-charging stations in Al Ain City, United Arab Emirates | |
He et al. | Optimal scheduling for charging and discharging of electric vehicles | |
CN109886468B (zh) | 基于改进的自适应遗传算法的充电站规划方法 | |
CN111311158B (zh) | 一种有限充电设施条件下的电动物流车路径规划方法 | |
CN112200367A (zh) | 一种支持充放电策略的电动汽车配送路径优化方法 | |
CN110309436B (zh) | 考虑车主选择行为的汽车服务网络协同选址方法与系统 | |
Ma et al. | Rebalancing stochastic demands for bike-sharing networks with multi-scenario characteristics | |
CN108269008B (zh) | 考虑用户满意度和配网可靠性的充电设施优化规划方法 | |
CN110826841A (zh) | 考虑用户充电体验和配电网运行风险的充电站规划方法 | |
CN113505931B (zh) | 一种基于遗传算法的充电机器人动态调度优化方法 | |
CN112507506B (zh) | 基于遗传算法的共享汽车定价规划模型的多目标优化方法 | |
Seitaridis et al. | An agent-based negotiation scheme for the distribution of electric vehicles across a set of charging stations | |
CN111626492B (zh) | 一种电动汽车充电网络模糊多目标机会约束规划方法 | |
Zhang et al. | Planning of hydrogen refueling stations in urban setting while considering hydrogen redistribution | |
CN114548564A (zh) | 电池配送路径优化方法、装置、计算机设备及存储介质 | |
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 | |
Ni et al. | Mobility and energy management in electric vehicle based mobility-on-demand systems: Models and solutions | |
CN114742340A (zh) | 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 | |
CN113836735A (zh) | 换电模式下电动公交集群充换电策略两阶段模型建立方法 | |
CN117091616A (zh) | 一种电动汽车充电导航与调度方法 | |
CN117172861A (zh) | 基于用户负荷差异与空间约束的移动充电动态定价方法 |
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 |