CN114781706A - 物流车辆配送调度方法、车辆、电子设备及存储介质 - Google Patents
物流车辆配送调度方法、车辆、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114781706A CN114781706A CN202210371289.2A CN202210371289A CN114781706A CN 114781706 A CN114781706 A CN 114781706A CN 202210371289 A CN202210371289 A CN 202210371289A CN 114781706 A CN114781706 A CN 114781706A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- plug
- path
- node
- operator
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000000446 fuel Substances 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000007726 management method Methods 0.000 claims abstract description 11
- 238000010845 search algorithm Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 230000006378 damage Effects 0.000 claims description 28
- 230000008439 repair process Effects 0.000 claims description 27
- 238000003780 insertion Methods 0.000 claims description 26
- 230000037431 insertion Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 11
- 238000012384 transportation and delivery Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 10
- 230000037430 deletion Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013439 planning Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction 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
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流车辆配送调度方法、车辆、电子设备及存储介质,配送调度方法包括以下步骤:插电式混合动力车辆路径问题数学模型的建立;通过自适应大邻域搜索算法求解最小燃油成本路径;利用动态规划求解插电式混合动力汽车最优能量管理策略。本发明针对插电式混合动力汽车提出了一种插电式混合动力物流车辆配送调度方法及装置。基于物流路网模型,搭建物流配送车辆路径问题的数学模型,并且采用自适应大领域搜索算法求解最小燃油成本路径,构建插电式混合动力汽车能量优化模型以及最优能量管理策略目标函数,并采用动态规划的方法对目标函数进行求解,该方法具有较高的实时性,实现了物流配送整体能量效率提升。
Description
技术领域
本发明属于智慧交通领域,具体涉及一种插电式混合动力物流车辆配送调度方法及装置。
背景技术
近年来,随着电动汽车、人工智能算法等技术的高速发展,全球新一轮科技革命和产业变革蓄势待发,以经济性为目标对车辆运输路径进行优化是道路货运降本增效的有效手段。
车辆路径问题是物流业发展的一个关键问题,研究具有经济、社会和环境意义的车辆路径问题已经成为当今国内外的热点研究方向。目前国内外关于车辆路径的研究中多是针对燃油车与电动汽车,少有研究将其应用到插电式混合动力汽车中,插电式混合动力汽车具有两个能量源,对于短途旅行,可以完全依赖于电动发动机,而对于长途旅行,替代燃料可以帮助电动发动机实现更大范围的行驶,在保证的行驶距离的同时,也可以减少能量的消耗以及碳的排放。通过对插电式混合动力汽车路径问题的研究,对于节能驾驶,物流调度等先进控制技术的应用有着重要的意义,有效地提高车辆节能水平、物流运输效率。
发明内容
本发明提供了一种插电式混合动力物流车辆配送调度方法、车辆、电子设备及存储介质,充分考虑了实际情况和现有技术水平,通过建立以最小燃油成本为目标的车辆路径问题数学模型,利用自适应大领域搜索算法求解最优路径,同时通过动态规划的方法优化插电式混合动力汽车能量管理策略。
为了解决上述问题,本发明提供以下技术方案:
本发明首先提供一种插电式混合动力物流车辆配送调度方法,包括以下步骤:
步骤1:建立物流交通网络模型,设定车辆路径问题约束条件,确定目标函数,完成车辆路径问题数学模型的搭建;
步骤2:构建车辆路径问题的初始解,采用自适应大领域搜索算法,得出最小燃油成本路径;
步骤3:基于最小燃油成本路径,构建插电式混合动力汽车能量优化模型,采用动态规划求解最优能耗策略,实现物流调度的经济性目标。
步骤1中,建立的物流交通网络模型为:
G={V,A}
式中,G为包括客户和配送中心节点以及连接弧段的无向连通图,V为节点集合,V={0,1,2,...vn+1},其中节点0,vn+1代表配送中心,V0={1,2,...,v}是客户节点的集合;A为网络中所有弧的集合。
以最小燃油成本为目标的插电式混合动力车辆路径问题的数学模型如下:
ei≤(ti+wi)≤li,i∈{1,2…,N} (9)
t0=w0=s0 (10)
其中,xijk为二进制决策变量,当车辆k离开节点i并到达节点j时(i,j∈V),xijk为1,否则为0;N为集合V中节点个数;k∈{1,2,…,K}表示车辆集合中的编号为k的物流车辆;Q表示车辆的最大容量;μij为插电式混合动力汽车以全燃油模式行驶下时每段弧(i,j)的运行成本;tij为每段弧(i,j)的运行时间;si表示节点i的服务时间;wi表示节点i服务所需等待时间;ti表示节点i的服务时刻;Tk表示车辆k所允许的最大运行时长;qi表示客户i的需求;ei表示客户i的最早允许服务时刻;li表示客户最晚允许服务时刻;t0、w0及s0分别表示从配送中心出发时的服务时刻、等待时间、服务时间均为0;
模型的目标函数(1)表示在约束(2)~(10)的限制下,插电式混合动力汽车以全燃油模式的行驶成本最小;其中,约束条件(2)限制总路线数量不能超过最大车辆数;约束条件(3)表示每个客户节点的流量守恒限制;约束条件(4)~(5)表示每辆车必须从配送中心出发并且最后回到配送中心;约束条件(6)表示车辆容量的限制;约束条件(7)表示车辆最大运输时间的限制;约束条件(8)~(10)表示运输时间窗的限制。
步骤2在步骤1建立的数学模型基础上,通过插入式启发算法构造问题初始解,并采用自适应大范围领域搜索的方法求解最小燃油成本路径。
自适应大规模邻域搜索算法是计算数学中用于求解最优结果的一种元启发式搜索方法,其基本思路在是邻域搜索的基础上增加了对算子的作用效果的衡量,使算法能够自动选择好的算子对解进行破坏与修复。在这个不断扩展邻域的过程中,每个摧毁和重建因子会成对出现,其都被赋予一定的权重,其被选择的概率与其权重息息相关。并且每次搜索都会保留之前的最优解决方案,后续的搜索也将根据之前最优方案的调整而做出相应的调整,因此求得较优解的概率更大。自适应大规模邻域搜索算法的基本步骤如下:
a):通过迭代构造可行路径的初始解:从距离配送中心最近的客户节点开始构造路径,然后根据时间窗以及货物量约束确定所有未分配路径的客户节点中所有可能的插入成本;客户节点i插入客户节点j和客户节点k的插入成本为:μij+μik-μjk,当客户节点i没有合适的插入点则为其分配一条新的路径,直到所有客户都被服务;
b):根据算子权重选择破坏与修复算子,并更新算子使用次数:采用的破坏算子包括:随机破坏算子、最差成本破坏算子、相关破坏算子;修复算子包括:贪心修复算子和遗憾修复算子;
随机破坏算子:从全部客户集V0中随机选取h个客户节点,从所得路径中随机删除h个客户节点,删除点的数量通过该算子的参数向量值,为比例系数rate-与全部客户数V0的乘积计算所得;
最差成本破坏算子:从全部客户V0中选取一个客户节点将其从路径中删除,计算并保存删除该点前后的路径节约值,然后对所有客户节点重复该过程,得到所有客户节点在解中删除自身所得的节约值,对节约值从大到小排序,删除前n大的节约值所对应客户点;本算法的删除数目n是由大邻域搜索的删除比例rate-来控制;
相关破坏算子:随机选择客户节点i,将其从现有的方案移除,并针对现有方案其他客户节点,计算下式:
其中,zij表示的是移除点i与其余客户节点的邻近程度,综合考虑了两点之间的时间和行驶燃油成本,其中和分别表示节点i,j的平均服务时刻,α和β分别表示两个客户节点之间的时间和行驶燃油成本在邻近程度计算时的比重,给定一个常数d,将zij≤d的剩余客户点作为另一些移除点;
贪心修复算子:该贪心修复算子遍历路径中所有空闲时间段,并计算插入节点前后的代价增量;
遗憾修复算子:遗憾修复算子使用了2-regret准则;令Δμi表示将节点i寻找最优插入位置后所节约的代价值,计算公式如下:
其中,其中i*表示最佳插入节点,表示第一最优插入点所对应的代价节约值,Δμi 2表示第二最优插入点所对应代价节约值;每轮迭代时在满足时间及货物量的约束条件下根据公式(12)选取最佳插入位置,直至所有客户节点均插入路径中。
c):根据选取的破坏算子和修复算子依次对当前解进行操作得到新解x′;
(1)如f(x')≤f(x),则x=x';
(2)如f(x')≥f(x),采用模拟退火算法中的以一定概率接受更差的解并作为当前解的方法,概率P可用下式表示,其中T为退火温度,开始根据需求设定为一个较大的数,随着迭代的进行逐渐降低为0:
e):更新最优解:
(1)如f(x')≤f(xbest),则xbest=x';
f):更新算子的权重及分数;
h):重置当前解;
i):重复第b)~h)步,直至达到给定的计算时间;
j):返回最优解xbest。
步骤3根据步骤2所求得的最小燃油成本路径,采用动态规划算法优化插电式混合动力汽车的能量管理策略。
将根据步骤2中所求解的最小燃油成本路径确定的车辆k所行驶的距离dk,离散为|LK|个等长的弧段;由离散的弧段组合集合Lk={1,2,...l,...,|Lk|};
建立状态演化方程:
其中,为车辆k行驶的第l+1段处的SOC水平;表示为车辆k行驶的分段l处的SOC水平;和分别表示在车辆k在离散弧段l的电动机和燃油发动机功率分配,演化关系式φ依据不同类型的插电式混合动力汽车的能耗模型而设定;
建立燃油消耗量优化模型:
对于车辆k行驶路径之间的所有其它段子问题是最小化:
将每一辆插电式混合动力汽车的行驶路径以及相应的驾驶周期图,带入到动态规划方程(17)求解,得到插电式混合动力汽车的最优能量管理策略。
有益效果:与现有技术相比,本发明的有益效果为:
1、创新性地提出了插电式混合动力汽车物流调度双层优化框架,提升了物流配送的经济性;
2、物流交通网络建模中考虑了配送时间和货物重量的约束,更服实际情况;
3、通过自适应大领域搜索算法优化路径,实时性高,求解精度高;
4、采用动态规划算法对求解能量管理策略,实现了策略最优化处理。
附图说明
图1是本发明实施例的实施方案示意图;
图2是本发明实施例的一种插电式混合动力物流车辆配送调度方法流程图;
图3是本发明实施例的自适应大领域搜索算法流程图。
具体实施方式
下面结合附图对本发明作进一步说明:
本实施例提供一种插电式混合动力物流车辆配送调度方法,参见图1。以物流车辆经济性调度为目标按照图2的流程图对本发明进行详解。
第一步,建立物流交通网络模型,设定车辆路径问题约束条件,确定目标函数,完成车辆路径问题数学模型的搭建。
首先建立的物流交通网络模型:
G={V,A}
式中,G为包括客户和配送中心节点以及连接弧段的无向连通图,V为节点集合,V={0,1,2,...vn+1},其中节点0,vn+1代表配送中心,V0={1,2,...,v}是客户节点的集合;A为网络中所有弧的集合。
同时以最小燃油成本为目标的插电式混合动力车辆路径问题的数学模型如下:
ei≤(ti+wi)≤li,i∈{1,2…,N} (9)
t0=w0=s0 (10)
其中,xijk为二进制决策变量,当车辆k离开节点i并到达节点j时(i,j∈V),xijk为1,否则为0;N为集合V中节点个数;k∈{1,2,…,K}表示车辆集合中的编号为k的物流车辆;Q表示车辆的最大容量;μij为插电式混合动力汽车以全燃油模式行驶下时每段弧(i,j)的运行成本;tij为每段弧(i,j)的运行时间;si表示节点i的服务时间;wi表示节点i服务所需等待时间;ti表示节点i的服务时刻;Tk表示车辆k所允许的最大运行时长;qi表示客户i的需求;ei表示客户i的最早允许服务时刻;li表示客户最晚允许服务时刻;t0、w0及s0分别表示从配送中心出发时的服务时刻、等待时间、服务时间均为0;
模型的目标函数(1)表示在约束(2)~(10)的限制下,插电式混合动力汽车以全燃油模式的行驶成本最小;其中,约束条件(2)限制总路线数量不能超过最大车辆数;约束条件(3)表示每个客户节点的流量守恒限制;约束条件(4)~(5)表示每辆车必须从配送中心出发并且最后回到配送中心;约束条件(6)表示车辆容量的限制;约束条件(7)表示车辆最大运输时间的限制;约束条件(8)~(10)表示运输时间窗的限制。
第二步,构建车辆路径问题的初始解,采用自适应大领域搜索算法搜索最优路径方案,得出最小燃油成本路径方案。
自适应大规模邻域搜索算法的基本步骤如下,具体流程如图2所示:
a):通过迭代构造可行路径的初始解:从距离配送中心最近的客户节点开始构造路径,然后根据时间窗以及货物量约束确定所有未分配路径的客户节点中所有可能的插入成本;客户节点i插入客户节点j和客户节点k的插入成本为:μij+μik-μjk,当客户节点i没有合适的插入点则为其分配一条新的路径,直到所有客户都被服务;
b):根据算子权重选择破坏与修复算子,并更新算子使用次数:采用的破坏算子包括:随机破坏算子、最差成本破坏算子、相关破坏算子;修复算子包括:贪心修复算子和遗憾修复算子;
随机破坏算子:从全部客户集V0中随机选取h个客户节点,从所得路径中随机删除h个客户节点,删除点的数量通过该算子的参数向量值,为比例系数rate-与全部客户数V0的乘积计算所得;
最差成本破坏算子:从全部客户V0中选取一个客户节点将其从路径中删除,计算并保存删除该点前后的路径节约值,然后对所有客户节点重复该过程,得到所有客户节点在解中删除自身所得的节约值,对节约值从大到小排序,删除前n大的节约值所对应客户点;本算法的删除数目n是由大邻域搜索的删除比例rate-来控制;
相关破坏算子:随机选择客户节点i,将其从现有的方案移除,并针对现有方案其他客户点,计算下式:
其中,zij表示的是移除点i与其余客户节点的邻近程度,综合考虑了两点之间的时间和行驶燃油成本,其中和分别表示节点i,j的平均服务时刻,α和β分别表示两个客户节点之间的时间和行驶燃油成本在邻近程度计算时的比重,给定一个常数d,将zij≤d的剩余客户点作为另一些移除点;
贪心修复算子:该贪心修复算子遍历路径中所有空闲时间段,并计算插入节点前后的代价增量;
遗憾修复算子:遗憾修复算子使用了2-regret准则;令Δμi表示将节点i寻找最优插入位置后所节约的代价值,计算公式如下:
其中,其中i*表示最佳插入节点,表示第一最优插入点所对应的代价节约值,表示第二最优插入点所对应代价节约值;每轮迭代时在满足时间及货物量的约束条件下根据公式(12)选取最佳插入位置,直至所有客户节点均插入路径中。
c):根据选取的破坏算子和修复算子依次对当前解进行操作得到新解x′;
(1)如f(x')≤f(x),则x=x';
(2)如f(x')≥f(x),采用模拟退火算法中的以一定概率接受更差的解并作为当前解的方法,概率P可用下式表示,其中T为退火温度,开始根据需求设定为一个较大的数,随着迭代的进行逐渐降低为0:
e):更新最优解:
(1)如f(x')≤f(xbest),则xbest=x';
f):更新算子的权重及分数;
h):重置当前解;
i):重复第b)~h)步,直至达到给定的计算时间;
j):返回最优解xbest。
第三步,基于最小燃油成本路径,构建插电式混合动力汽车能量优化模型,并且采用动态规划求解最优能耗策略,实现物流调度的经济性目标。
针对第二步中所求解的最小燃油成本路径,将根据第二步中所求解的最小燃油成本路径确定的车辆k所行驶的距离dk,离散为|LK|个等长的弧段;由离散的弧段组合集合Lk={1,2,...l,...,|Lk|};
建立状态演化方程:
其中,为车辆k行驶的第l+1段处的SOC水平;表示为车辆k行驶的分段l处的SOC水平;和分别表示在车辆k在离散弧段l的电动机和燃油发动机功率分配,演化关系式φ依据不同类型的插电式混合动力汽车的能耗模型而设定;
建立燃油消耗量优化模型:
对于车辆k行驶路径之间的所有其它段子问题是最小化:
将每一辆插电式混合动力汽车的行驶路径以及相应的驾驶周期图,带入到动态规划方程(17)求解,得到插电式混合动力汽车的最优能量管理策略。
本实施例提供一种插电式混合动力物流配送车辆,车辆按照实施例的插电式混合动力物流车辆配送调度方法进行配送调度。
本实施例提供一种电子设备或终端,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如实施例的电式混合动力物流车辆配送调度方法。
通过该电子设备或终端将得到的处理结果即最优合流轨迹发送给智能车辆,使智能车辆按照接收的控制信号进行车辆的行车速度及轨迹行驶。
本实施例提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例的电式混合动力物流车辆配送调度方法。
Claims (9)
1.一种插电式混合动力物流车辆配送调度方法,其特征在于:包括以下步骤:
步骤1:建立物流交通网络模型,设定车辆路径问题约束条件,确定目标函数,完成车辆路径问题数学模型的搭建;
步骤2:构建车辆路径问题的初始解,采用自适应大领域搜索算法,得出最小燃油成本路径;
步骤3:基于最小燃油成本路径,构建插电式混合动力汽车能量优化模型,采用动态规划求解最优能耗策略,实现物流调度的经济性目标。
2.根据权利要求1所述的一种插电式混合动力物流车辆配送调度方法及装置,其特征在于:步骤1中,建立的物流交通网络模型为:
G={V,A}
式中,G为包括客户和配送中心节点以及连接弧段的无向连通图;V为节点集合,V={0,1,2,...vn+1},其中节点0,vn+1代表配送中心,V0={1,2,...,v}是客户节点的集合;A为网络中所有弧的集合。
3.根据权利要求1所述的一种插电式混合动力物流车辆配送调度方法,其特征在于:步骤1中,搭建的车辆路径问题数学模型为:
ei≤(ti+wi)≤li,i∈{1,2…,N} (9)
t0=w0=s0=0 (10)
其中,xijk为二进制决策变量,当车辆k离开节点i并到达节点j时(i,j∈V),xijk为1,否则为0;N为集合V中节点个数;k∈{1,2,…,K}表示车辆集合中的编号为k的物流车辆;Q表示车辆的最大容量;μij为插电式混合动力汽车以全燃油模式行驶下时每段弧(i,j)的运行成本;tij为每段弧(i,j)的运行时间;si表示节点i的服务时间;wi表示节点i服务所需等待时间;ti表示节点i的服务时刻;Tk表示车辆k所允许的最大运行时长;qi表示客户i的需求;ei表示客户i的最早允许服务时刻;li表示客户最晚允许服务时刻;t0、w0及s0分别表示从配送中心出发时的服务时刻、等待时间、服务时间均为0;
模型的目标函数(1)表示在约束(2)~(10)的限制下,插电式混合动力汽车以全燃油模式的行驶成本最小;其中,约束条件(2)限制总路线数量不能超过最大车辆数;约束条件(3)表示每个客户节点的流量守恒限制;约束条件(4)~(5)表示每辆车必须从配送中心出发并且最后回到配送中心;约束条件(6)表示车辆容量的限制;约束条件(7)表示车辆最大运输时间的限制;约束条件(8)~(10)表示运输时间窗的限制。
4.根据权利要求1所述的一种插电式混合动力物流车辆配送调度方法,其特征在于:步骤2中,采用自适应大领域搜索算法,得出最小燃油成本路径,包括:
a):通过迭代构造可行路径的初始解:从距离配送中心最近的客户节点开始构造路径,然后根据时间窗以及货物量约束确定所有未分配路径的客户节点中所有可能的插入成本;客户节点i插入客户节点j和客户节点k的插入成本为:μij+μik-μjk,当客户节点i没有合适的插入点则为其分配一条新的路径,直到所有客户节点都被服务;
b):根据算子权重选择破坏与修复算子,并更新算子使用次数:采用的破坏算子包括:随机破坏算子、最差成本破坏算子、相关破坏算子;修复算子包括:贪心修复算子和遗憾修复算子;
c):根据选取的破坏算子和修复算子依次对当前解进行操作得到新解x′;
(1)如f(x')≤f(x),则x=x';
(2)如f(x')≥f(x),采用模拟退火算法中的以一定概率接受更差的解并作为当前解的方法,概率P可用下式表示,其中T为退火温度,开始根据需求设定为一个较大的数,随着迭代的进行逐渐降低为0:
e):更新最优解:
(1)如f(x')≤f(xbest),则xbest=x';
f):更新算子的权重及分数;
h):重置当前解;
i):重复第b)~h)步,直至达到给定的计算时间;
j):返回最优解xbest。
5.根据权利要求4所述的一种插电式混合动力物流车辆配送调度方法,其特征在于:
随机破坏算子:从全部客户集V0中随机选取h个客户节点,从所得路径中随机删除h个客户节点,删除点的数量通过该算子的参数向量值,为比例系数rate-与全部客户数V0的乘积计算所得;
最差成本破坏算子:从全部客户V0中选取一个客户节点将其从路径中删除,计算并保存删除该点前后的路径节约值,然后对所有客户点重复该过程,得到所有客户在解中删除自身所得的节约值,对节约值从大到小排序,删除前n大的节约值所对应客户点;本算法的删除数目n是由大邻域搜索的删除比例rate-来控制;
相关破坏算子:随机选择客户节点i,将其从现有的方案移除,并针对现有方案其他客户点,计算下式:
其中,zij表示的是移除点i与其余客户节点的邻近程度,综合考虑了两点之间的时间和行驶燃油成本,其中和分别表示节点i,j的平均服务时刻,α和β分别表示两个客户节点之间的时间和行驶燃油成本在邻近程度计算时的比重,给定一个常数d,将zij≤d的剩余客户节点作为另一些移除点;
贪心修复算子:该贪心修复算子遍历路径中所有空闲时间段,并计算插入节点前后的代价增量;
遗憾修复算子:遗憾修复算子使用了2-regret准则;令Δμi表示将节点i寻找最优插入位置后所节约的代价值,计算公式如下:
6.根据权利要求1所述的一种插电式混合动力物流车辆配送调度方法,其特征在于:步骤3中,采用动态规划求解最优能耗策略,实现物流调度的经济性目标的方法包括:
将根据步骤2中所求解的最小燃油成本路径确定的车辆k所行驶的距离dk,离散为|LK|个等长的弧段;由离散的弧段组合集合Lk={1,2,...l,...,|Lk|};
建立状态演化方程:
其中,为车辆k行驶的第l+1段处的SOC水平;表示为车辆k行驶的分段l处的SOC水平;和分别表示在车辆k在离散弧段l的电动机和燃油发动机功率分配,演化关系式φ根据不同类型的插电式混合动力汽车的能耗模型而设定;
建立燃油消耗量优化模型:
对于车辆k行驶路径之间的所有其它段子问题是最小化:
将每一辆插电式混合动力汽车的行驶路径以及相应的驾驶周期图,带入到动态规划方程(17)求解,得到插电式混合动力汽车的最优能量管理策略。
7.一种插电式混合动力物流配送车辆,其特征在于,按照权利要求1-6任一所述的插电式混合动力物流车辆配送调度方法进行配送调度。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的插电式混合动力物流车辆配送调度方法。
9.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的插电式混合动力物流车辆配送调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371289.2A CN114781706B (zh) | 2022-04-11 | 2022-04-11 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371289.2A CN114781706B (zh) | 2022-04-11 | 2022-04-11 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781706A true CN114781706A (zh) | 2022-07-22 |
CN114781706B CN114781706B (zh) | 2024-05-03 |
Family
ID=82429447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210371289.2A Active CN114781706B (zh) | 2022-04-11 | 2022-04-11 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781706B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703291A (zh) * | 2023-06-15 | 2023-09-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN117556967A (zh) * | 2024-01-11 | 2024-02-13 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764777A (zh) * | 2018-04-26 | 2018-11-06 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN110059934A (zh) * | 2019-03-27 | 2019-07-26 | 浙江工商大学 | 燃油车和新能源车协同配送调度的方法 |
WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
WO2022021119A1 (zh) * | 2020-07-29 | 2022-02-03 | 浙江大学 | 一种集装箱码头间全自主水上运输调度方法及系统 |
-
2022
- 2022-04-11 CN CN202210371289.2A patent/CN114781706B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764777A (zh) * | 2018-04-26 | 2018-11-06 | 浙江工商大学 | 带时间窗的电动物流车调度方法和系统 |
CN110059934A (zh) * | 2019-03-27 | 2019-07-26 | 浙江工商大学 | 燃油车和新能源车协同配送调度的方法 |
WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
WO2022021119A1 (zh) * | 2020-07-29 | 2022-02-03 | 浙江大学 | 一种集装箱码头间全自主水上运输调度方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703291A (zh) * | 2023-06-15 | 2023-09-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
CN116703291B (zh) * | 2023-06-15 | 2024-01-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN116911711B (zh) * | 2023-07-25 | 2024-04-05 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN117556967A (zh) * | 2024-01-11 | 2024-02-13 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
CN117556967B (zh) * | 2024-01-11 | 2024-05-03 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114781706B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781706A (zh) | 物流车辆配送调度方法、车辆、电子设备及存储介质 | |
James | Two-stage request scheduling for autonomous vehicle logistic system | |
CN112810504B (zh) | 基于非线性预测模型控制的燃料电池汽车能量管理方法 | |
CN112776673B (zh) | 智能网联燃料电池汽车实时能量优化管理系统 | |
CN112319461B (zh) | 一种基于多源信息融合的混合动力汽车能量管理方法 | |
Hao et al. | Energy management strategy on a parallel mild hybrid electric vehicle based on breadth first search algorithm | |
Zhang et al. | A bi-level optimization framework for charging station design problem considering heterogeneous charging modes | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN102729987A (zh) | 一种混合动力公交车能量管理方法 | |
CN102729991A (zh) | 一种混合动力公交车能量分配方法 | |
CN113110601B (zh) | 一种无人机电力线路巡检路径优化方法及装置 | |
CN113135113B (zh) | 一种全局soc规划方法及装置 | |
CN115577886A (zh) | 一种多无人机站的组合配送方法及系统 | |
Zhang et al. | The effect of nonlinear charging function and line change constraints on electric bus scheduling | |
Ni et al. | Mobility and energy management in electric vehicle based mobility-on-demand systems: Models and solutions | |
CN112488358A (zh) | 一种电动汽车充电路径规划方法和存储介质 | |
Schenker et al. | Optimization model for operation of battery multiple units on partly electrified railway lines | |
CN116843500A (zh) | 充电站规划方法、神经网络模型训练方法、装置和设备 | |
CN114285033A (zh) | 考虑电动汽车充电负荷不确定性的建筑能源优化调度方法 | |
Yang et al. | Variable optimization domain-based cooperative energy management strategy for connected plug-in hybrid electric vehicles | |
CN115860299A (zh) | 一种换电站选址与电动车路径规划协作方法 | |
CN117689163B (zh) | 基于图论的铁路专用线作业调控方法 | |
Xiao et al. | Research on scheduling optimization of internal trucks for inter-terminal transportation | |
Hu et al. | Supplementary Learning Control for Energy Management Strategy of Hybrid Electric Vehicles at Scale | |
Zhao et al. | Research on Prize-Collecting Vehicle Routing Problem Considering Dynamic Pickup Demands |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |