CN114781966A - 物流配送路径规划方法、装置、设备及存储介质 - Google Patents

Abstract

本发明提供了一种物流配送路径规划方法、装置、设备及存储介质，该方法包括：获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置；确定配送员的出发地的位置信息；基于所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从出发地出发的目标配送路径，所述基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径包括：从确定蚂蚁数量、蚂蚁放置位置、结合选择最优待配送点和选择最优邻居对的待配送点选择策略三个方面进行优化，从而从根源上解决了现有的物流配送领域中物流配送中的配送路径规划不合理，降低配送成本，提高物流配送效率和客户满意度的问题。

Description

物流配送路径规划方法、装置、设备及存储介质

技术领域

本发明涉及物流配送技术领域，具体涉及一种物流配送路径规划方法、装置、设备及存储介质。

背景技术

随着互联网、通信和计算机技术的快速发展，越来越多的商品在电子商务平台上售卖，最终交易完成的商品通过物流配送给购买者，物流在社会中的地位越来越重要。

配送路径的确定在物流的配送环节中至关重要，然而，现有的物流配送技术中，目前存在问题有：由于物流配送中的配送路径规划不合理，导致物流配送效率低，客户满意度较低。

因此，如何解决物流配送领域中物流配送中的配送路径规划不合理，降低配送成本，提高物流配送效率和客户满意度，是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种物流配送路径规划方法、装置、设备及存储介质。本发明通过获取多个待配送点中每个待配送点的信息，确定每个待配送点的配送位置，基于配送员的出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从出发地出发的目标配送路径，所述基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径包括：从确定蚂蚁数量、蚂蚁放置位置、结合选择最优待配送点和选择最优邻居对的待配送点选择策略三个方面进行优化，从而从根源上解决了现有的物流配送领域中物流配送中的配送路径规划不合理，降低配送成本，提高物流配送效率和客户满意度的问题。

为了实现以上目的，本发明采用以下技术方案：

本发明提出一种物流配送路径规划方法，其特征在于，包括步骤：

S1、获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置；

S2、确定配送员的出发地的位置信息；

S3、根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，其中，所述目标配送路径上覆盖了各所述配送位置。

所述根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，具体步骤包括：

S31、基于所有的所述配送位置，构建物流配送图，将物流配送图中的所有待配送点划分到不同待配送点簇，并确定蚂蚁数量；

S32、初始化蚁群算法的全局固定参数，初始化迭代参数；

S33、进入迭代，并基于所述蚂蚁数量在每个待配送点簇中随机放置蚂蚁；

S34、判断已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％，若是，则采用选择最优待配送点策略选择一个未被访问过的待配送点，否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

S35、更新局部信息素；

S36、判断是否所有待配送点都被访问，若是，则进入步骤S37，否则进入步骤S34；

S37、使用3-Opt算法对生成的物流配送路径进行优化；

S38、计算所述物流配送路径的长度；

S39、完成一次迭代之后，更新全局信息素；

S40、判断是否达到预设迭代次数，是则，得到多次迭代中的最优的从所述出发地出发的所述目标配送路径；否则，更新迭代次数，并重复步骤S33-S39；具体地，步骤S34包括：

每次迭代均根据信息素更新每个待配送点的候选待配送点集，即在每个待配送点M×2的候选待配送点中选择出M个较优的待配送点组成新的候选待配送点集合，M为当前待配送点候选待配送点集的大小，其中的选择公式如下所示：

其中，City_visited是目前已经访问的待配送点数量，n是总待配送点数，iter是目前迭代的数量，Iteration是总迭代数，allowed_k为待配送点的候选待配送点集；每当蚂蚁访问到一个待配送点时，遍历该待配送点的候选待配送点集合allowed_k，当已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％时，选择最优待配送点策略选择一个未被访问过的待配送点，即选择出未被访问待配送点中信息素最大的待配送点作为下一个选择；否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

所述选择最优邻居对的具体步骤，包括：

1)预处理出每个待配送点的候选待配送点集合；

2)预处理出每个待配送点的候选待配送点对；

3)遍历每个待配送点的候选待配送点对时，选择出待配送点对中待配送点都未被访问且信息素和最大的待配送点，其中的选择公式如下：

其中

为蚂蚁k从当前待配送点到下一待配送点的概率，为随机算法，如下所示：

其中，α和β是一种经验参数，它们表示着信息素τ_ij和启发值η_ij的重要性。τ_ij表示待配送点i到待配送点j的路径上的信息素，η_ij表示待配送点i和待配送点j之间的启发值。其中η_ij为待配送点i和待配送点j的欧式距离加上0.1和的倒数，即

进一步地，步骤S31包括：基于所有的所述配送位置，构建物流配送图，利用凸包算法计算所述物流配送图的面积，并基于凸包的半径和面积确定K-Means算法中聚类的数量K值；利用K-Means将所有待配送点划分为K组，并确定K个待配送点簇中放置的蚂蚁数量。

进一步地，K-Means算法中聚类的数量K值的计算方式如下：K＝2*S/(π*r₀*r₀)，其中，S代表所述物流配送图的面积，r₀为凸包的半径，该半径值为凸包节点之间距离的中位数的一半；根据每个待配送点簇中待配送点个数计算出该簇应放置的蚂蚁数N_i，N_i的计算公式如下：

N_i＝log₇|C_i|*2，其中，|C_i|为不同簇中的待配送点个数；全局的蚂蚁数N的计算公式为：

本发明还提出一种物流配送路径规划装置，其特征在于，包括：

配送位置确定模块，获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置；

出发位置确定模块，确定配送员的出发地的位置信息；

目标配送路径确定模块，根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，其中，所述目标配送路径上覆盖了各所述配送位置。

所述根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，具体步骤包括：

S31、基于所有的所述配送位置，构建物流配送图，将物流配送图中的所有待配送点划分到不同待配送点簇，并确定蚂蚁数量；

S32、初始化蚁群算法的全局固定参数，初始化迭代参数；

S33、进入迭代，并基于所述蚂蚁数量在每个待配送点簇中随机放置蚂蚁；

S34、判断已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％，若是，则采用选择最优待配送点策略选择一个未被访问过的待配送点，否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

S35、更新局部信息素；

S36、判断是否所有待配送点都被访问，若是，则进入步骤S37，否则进入步骤S34；

S37、使用3-Opt算法对生成的物流配送路径进行优化；

S38、计算所述物流配送路径的长度；

S39、完成一次迭代之后，更新全局信息素；

S40、判断是否达到预设迭代次数，是则，得到多次迭代中的最优的从所述出发地出发的所述目标配送路径；否则，更新迭代次数，并重复步骤S33-S39；

具体地，步骤S34包括：

每次迭代均根据信息素更新每个待配送点的候选待配送点集，即在每个待配送点M×2的候选待配送点中选择出M个较优的待配送点组成新的候选待配送点集合，M为当前待配送点候选待配送点集的大小，其中的选择公式如下所示：

其中，City_visited是目前已经访问的待配送点数量，n是总待配送点数，iter是目前迭代的数量，Iteration是总迭代数，allowed_k为待配送点的候选待配送点集；每当蚂蚁访问到一个待配送点时，遍历该待配送点的候选待配送点集合allowed_k，当已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％时，选择最优待配送点策略选择一个未被访问过的待配送点，即选择出未被访问待配送点中信息素最大的待配送点作为下一个选择；否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

所述选择最优邻居对的具体步骤，包括：

1)预处理出每个待配送点的候选待配送点集合；

2)预处理出每个待配送点的候选待配送点对；

3)遍历每个待配送点的候选待配送点对时，选择出待配送点对中待配送点都未被访问且信息素和最大的待配送点，其中的选择公式如下：

其中

为蚂蚁k从当前待配送点到下一待配送点的概率，为随机算法，如下所示：

其中，α和β是一种经验参数，它们表示着信息素τ_ij和启发值η_ij的重要性。τ_ij表示待配送点i到待配送点j的路径上的信息素，η_ij表示待配送点i和待配送点j之间的启发值。其中η_ij为待配送点i和待配送点j的欧式距离加上0.1和的倒数，即

本发明还提出一种计算机设备，所述设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提出一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。

本发明公开的一种物流配送路径规划方法、装置、设备及存储介质，与现有技术相比，具有如下优点：

1、本发明的物流配送路径规划方法，基于自适应动态蚁群算法确定目标配送路径，从动态确定物流配送图中的蚂蚁数量、随机放置蚂蚁进行优化，增强蚂蚁初始化以及蚂蚁寻优时的多样性，提高了寻找最优物流配送路径的准确性。

2、本发明的物流配送路径规划方法，基于自适应动态蚁群算法确定目标配送路径，采用选择最优待配送点和选择最优邻居对两种待配送点选择策略进行优化，缩短下一待配送点搜索时间，提高了寻找最优物流配送路径的效率和准确性，降低了配送成本，提高了物流配送效率和用户体验。

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物流配送路径规划方法流程示意图；

图2为本发明实施例提供的确定目标配送路径的具体流程图。

图3为本发明实施例提供的物流配送路径规划装置示意图。

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。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

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。

本发明一种物流配送路径规划方法，如图1所示，包括如下步骤S1-S3：

S1、获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置。

根据本公开的实施例，所述待配送点的信息包括例如订单中的待配送点的配送位置、待配送物品等。

S2、确定配送员的出发地的位置信息。

根据本公开的实施例，出发地可以是配送员从配送仓库或外卖点取货的位置。

S3、根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，其中，所述目标配送路径上覆盖了各所述配送位置。

所述基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径包括：从确定蚂蚁数量、蚂蚁放置位置、结合选择最优待配送点和选择最优邻居对的待配送点选择策略三个方面进行优化。

所述根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，如图2所示，具体步骤包括：

S31、基于所有的所述配送位置，构建物流配送图，将物流配送图中的所有待配送点划分到不同待配送点簇，并确定蚂蚁数量；

具体实施例中，步骤S31包括：基于所有的所述配送位置，构建物流配送图，利用凸包算法计算所述物流配送图的面积，并基于凸包的半径和面积确定K-Means算法中聚类的数量K值；利用K-Means将所有待配送点划分为K组，并确定K个待配送点簇中放置的蚂蚁数量。

K-Means算法中聚类的数量K值的计算方式如下：K＝2*S/(π*r₀*r₀)，其中，S代表所述物流配送图的面积，r₀为凸包的半径，该半径值为凸包节点之间距离的中位数的一半；根据每个待配送点簇中待配送点个数计算出该簇应放置的蚂蚁数N_i，N_i的计算公式如下：N_i＝log₇|C_i|*2，其中，|C_i|为不同簇中的待配送点个数；全局的蚂蚁数N的计算公式为：

在一实施例中，具体地，将数据分为K组，随机选取K个待配送点作为初始的聚类中心，然后计算每个待配送点与每个聚类中心之间的距离，把每个待配送点分配给距离它最近的聚类中心。聚类中心以及分配给它们的待配送点就代表一个聚类。每分配一个样本，聚类中心会根据聚类中现有的待配送点被重新计算。这个过程将不断重复直到满足某个终止条件，即误差平方和cost在误差允许范围内连续多次不再变化或者达到了规定的迭代次数。

其中cost的计算公式如下：

其中K是聚类划分簇的个数，P是属于簇C_i中的点，|P-u_i|是点P到簇C_i质心u_i的欧氏距离。

u_i(x_i，y_i)的计算公式如下：

S32、初始化蚁群算法的全局固定参数，初始化迭代参数；

S33、进入迭代，并基于所述蚂蚁数量在每个待配送点簇中随机放置蚂蚁；

在放置蚂蚁方面，使用聚类算法可以计算出每个待配送点簇中待配送点个数的个数，然后计算出不同分类中应该放置的蚂蚁个数，最后在每个待配送点簇中随机放置蚂蚁，使得蚂蚁的位置能够充分覆盖整张图，增加解的多样性。

S34、判断已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％，若是，则采用选择最优待配送点策略选择一个未被访问过的待配送点，否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点。

具体地，步骤S34包括：

每次迭代均根据信息素更新每个待配送点的候选待配送点集，即在每个待配送点M×2的候选待配送点中选择出M个较优的待配送点组成新的候选待配送点集合，M为当前待配送点候选待配送点集的大小，其中的选择公式如下所示：

其中，City_visited是目前已经访问的待配送点数量，n是总待配送点数，iter是目前迭代的数量，Iteration是总迭代数，allowed_k为待配送点的候选待配送点集；每当蚂蚁访问到一个待配送点时，遍历该待配送点的候选待配送点集合allowed_k，当已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％时，选择最优待配送点策略选择一个未被访问过的待配送点，即选择出未被访问待配送点中信息素最大的待配送点作为下一个选择；否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点。

具体地，选择最优邻居对，在描述该方法前，首先明确一种深度搜索方法，如果能够一次搜索n层，那么当所有可能的n层排列搜索结束时，必定可以找到全局的最优解，然而这种方法的时间复杂为O(n！)，方法退化为原始的搜索模式，所花费的时间是不可以接受的。基于这种思路，本申请设计了一种类似的方法，即每次搜索2层，这种方法比只搜索一层提供了更多的选择信息，然而又比搜索n层减少了很多信息。

本申请提出“邻居对”的概念，“邻居对”是基于的邻居概念而提出的。在搜索过程中，为了加快搜索速度，一般都会在当前待配送点的候选待配送集中选择最优的邻居待配送点，然后进行下一步的搜索。在本申请中为了达到一次搜索2步的目标，先在当前待配送点p的邻居待配送点中选择待配送点q₁，然后在q₁的邻居待配送点中选择待配送点q₂，我们就说q₁q₂是p的一对邻居对。在本申请中，我们使用pq₁之间的信息素和q₁q₂之间的信息素的和作为评价待配送点p的邻居对q₁q₂的优劣，因此本申请先预处理出每个待配送点的M个邻居对，从而缩短搜索时间，当在搜索中对邻居对进行选择时，就可以一次性达到搜索2步的效果。

所述选择最优邻居对的具体步骤，包括：

1)预处理出每个待配送点的候选待配送点集合；

2)预处理出每个待配送点的候选待配送点对；

3)遍历每个待配送点的候选待配送点对时，选择出待配送点对中待配送点都未被访问且信息素和最大的待配送点，其中的选择公式如下：

其中

为蚂蚁k从当前待配送点到下一待配送点的概率，为随机算法，如下所示：

其中，α和β是一种经验参数，它们表示着信息素τ_ij和启发值η_ij的重要性。τ_ij表示待配送点i到待配送点j的路径上的信息素，η_ij表示待配送点i和待配送点j之间的启发值。其中η_ij为待配送点i和待配送点j的欧式距离加上0.1和的倒数，即

使用了改进的搜索2层方法后，时间得到了显著的降低，同时结果得到了提升。

S35、更新局部信息素；

S36、判断是否所有待配送点都被访问，若是，则进入步骤S37，否则进入步骤S34；

S37、使用3-Opt算法对生成的物流配送路径进行优化；

S38、计算所述物流配送路径的长度；

S39、完成一次迭代之后，更新全局信息素；

S40、判断是否达到预设迭代次数，是则，得到多次迭代中的最优的从所述出发地出发的所述目标配送路径；否则，更新迭代次数，并重复步骤S33-S39；

其中，所述更新迭代次数即为将迭代次数加1。

通过上述所述的基于自适应动态蚁群算法确定的物流配送路径，其在最优解、平均值以及花费时间方面，都存在明显的优势，该方法具有收敛速度快、避免陷入局部最优、搜索能力强等优点。

图3是本发明实施例提供的一种物流配送路径规划装置的示意性框图。如图3所示，该物流配送路径规划装置包括配送位置确定模块、出发位置确定模块、目标配送路径确定模块。具体包括：

配送位置确定模块，获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置；

出发位置确定模块，确定配送员的出发地的位置信息；

目标配送路径确定模块，根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，其中，所述目标配送路径上覆盖了各所述配送位置。

所述基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径包括：从确定蚂蚁数量、蚂蚁放置位置、结合选择最优待配送点和选择最优邻居对的待配送点选择策略三个方面进行优化。

所述根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，具体步骤包括：

S31、基于所有的所述配送位置，构建物流配送图，将物流配送图中的所有待配送点划分到不同待配送点簇，并确定蚂蚁数量；

S32、初始化蚁群算法的全局固定参数，初始化迭代参数；

S33、进入迭代，并基于所述蚂蚁数量在每个待配送点簇中随机放置蚂蚁；

S34、判断已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％，若是，则采用选择最优待配送点策略选择一个未被访问过的待配送点，否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

S35、更新局部信息素；

S36、判断是否所有待配送点都被访问，若是，则进入步骤S37，否则进入步骤S34；

S37、使用3-Opt算法对生成的物流配送路径进行优化；

S38、计算所述物流配送路径的长度；

S39、完成一次迭代之后，更新全局信息素；

S40、判断是否达到预设迭代次数，是则，得到多次迭代中的最优的从所述出发地出发的所述目标配送路径；否则，更新迭代次数，并重复步骤S33-S39；

具体地，步骤S34包括：

每次迭代均根据信息素更新每个待配送点的候选待配送点集，即在每个待配送点M×2的候选待配送点中选择出M个较优的待配送点组成新的候选待配送点集合，M为当前待配送点候选待配送点集的大小，其中的选择公式如下所示：

其中，City_visited是目前已经访问的待配送点数量，n是总待配送点数，iter是目前迭代的数量，Iteration是总迭代数，allowed_k为待配送点的候选待配送点集；每当蚂蚁访问到一个待配送点时，遍历该待配送点的候选待配送点集合allowed_k，当已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％时，选择最优待配送点策略选择一个未被访问过的待配送点，即选择出未被访问待配送点中信息素最大的待配送点作为下一个选择；否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

所述选择最优邻居对的具体步骤，包括：

1)预处理出每个待配送点的候选待配送点集合；

2)预处理出每个待配送点的候选待配送点对；

3)遍历每个待配送点的候选待配送点对时，选择出待配送点对中待配送点都未被访问且信息素和最大的待配送点，其中的选择公式如下：

其中

为蚂蚁k从当前待配送点到下一待配送点的概率，为随机算法，如下所示：

其中，α和β是一种经验参数，它们表示着信息素τ_ij和启发值η_ij的重要性；τ_ij表示待配送点i到待配送点j的路径上的信息素，η_ij表示待配送点i和待配送点j之间的启发值。其中η_ij为待配送点i和待配送点j的欧式距离加上0.1和的倒数，即

上述物流配送路径规划装置可以实现为一种计算机程序的形式，该计算机程序可以在计算机设备上运行。

该计算机设备可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

该非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行一种物流配送路径规划方法。

该处理器用于提供计算和控制能力，以支撑整个计算机设备的运行。

该内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行一种物流配送路径规划方法。

该网络接口用于与其它设备进行网络通信。本领域技术人员可以理解，上述计算机设备结构仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器用于运行存储在存储器中的计算机程序，该程序实现实施例一所述的物流配送路径规划。

应当理解，在本申请实施例中，处理器可以是中央处理单元(Central ProcessingUnit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行实施例一所述的一种物流配送路径规划方法。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种物流配送路径规划方法，其特征在于，包括步骤：

S1、获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置；

S2、确定配送员的出发地的位置信息；

S3、根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，其中，所述目标配送路径上覆盖了各所述配送位置；

所述根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，具体步骤包括：

S31、基于所有的所述配送位置，构建物流配送图，将物流配送图中的所有待配送点划分到不同待配送点簇，并确定蚂蚁数量；

S32、初始化蚁群算法的全局固定参数，初始化迭代参数；

S33、进入迭代，并基于所述蚂蚁数量在每个待配送点簇中随机放置蚂蚁；

S34、判断已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％，若是，则采用选择最优待配送点策略选择一个未被访问过的待配送点，否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

S35、更新局部信息素；

S36、判断是否所有待配送点都被访问，若是，则进入步骤S37，否则进入步骤S34；

S37、使用3-Opt算法对生成的物流配送路径进行优化；

S38、计算所述物流配送路径的长度；

S39、完成一次迭代之后，更新全局信息素；

S40、判断是否达到预设迭代次数，是则，得到多次迭代中的最优的从所述出发地出发的所述目标配送路径；否则，更新迭代次数，并重复步骤S33-S39；具体地，步骤S34包括：

每次迭代均根据信息素更新每个待配送点的候选待配送点集，即在每个待配送点M×的候选待配送点中选择出M个较优的待配送点组成新的候选待配送点集合，M为当前待配送点候选待配送点集的大小，其中的选择公式如下所示：

其中，City_visited是目前已经访问的待配送点数量，n是总待配送点数，iter是目前迭代的数量，Iteration是总迭代数，allowed_k为待配送点的候选待配送点集；每当蚂蚁访问到一个待配送点时，遍历该待配送点的候选待配送点集合allowed_k，当已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％时，选择最优待配送点策略选择一个未被访问过的待配送点，即选择出未被访问待配送点中信息素最大的待配送点作为下一个选择；否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

所述选择最优邻居对的具体步骤，包括：

1)预处理出每个待配送点的候选待配送点集合；

2)预处理出每个待配送点的候选待配送点对；

3)遍历每个待配送点的候选待配送点对时，选择出待配送点对中待配送点都未被访问且信息素和最大的待配送点，其中的选择公式如下：

其中

为蚂蚁k从当前待配送点到下一待配送点的概率，为随机算法，如下所示：

其中，α和β是一种经验参数，它们表示着信息素τ_ij和启发值η_ij的重要性；

τ_ij表示待配送点i到待配送点j的路径上的信息素，η_ij表示待配送点i和待配送点j之间的启发值。其中η_ij为待配送点i和待配送点j的欧式距离加上0.1和的倒数，即

2.根据权利要求1所述的方法，其特征在于，步骤S31包括：基于所有的所述配送位置，构建物流配送图，利用凸包算法计算所述物流配送图的面积，并基于凸包的半径和面积确定K-Means算法中聚类的数量K值；利用K-Means将所有待配送点划分为K组，并确定K个待配送点簇中放置的蚂蚁数量。

3.根据权利要求2所述的方法，其特征在于，K-Means算法中聚类的数量K值的计算方式如下：K＝2*S/(π*r₀*r₀)，其中，S代表所述物流配送图的面积，r₀为凸包的半径，该半径值为凸包节点之间距离的中位数的一半；根据每个待配送点簇中待配送点个数计算出该簇应放置的蚂蚁数N_i，N_i的计算公式如下：N_i＝log₇|C_i|*2，其中，|C_i|为不同簇中的待配送点个数；全局的蚂蚁数N的计算公式为：

4.一种物流配送路径规划装置，其特征在于，包括：

配送位置确定模块，获取多个待配送点中每个待配送点的信息，根据所述信息，确定每个待配送点的配送位置；

出发位置确定模块，确定配送员的出发地的位置信息；

目标配送路径确定模块，根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，其中，所述目标配送路径上覆盖了各所述配送位置；

所述根据所述出发地的位置信息和每个待配送点的配送位置，基于自适应动态蚁群算法确定从所述出发地出发的目标配送路径，具体步骤包括：

S31、基于所有的所述配送位置，构建物流配送图，将物流配送图中的所有待配送点划分到不同待配送点簇，并确定蚂蚁数量；

S32、初始化蚁群算法的全局固定参数，初始化迭代参数；

S33、进入迭代，并基于所述蚂蚁数量在每个待配送点簇中随机放置蚂蚁；

S34、判断已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％，若是，则采用选择最优待配送点策略选择一个未被访问过的待配送点，否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

S35、更新局部信息素；

S36、判断是否所有待配送点都被访问，若是，则进入步骤S37，否则进入步骤S34；

S37、使用3-Opt算法对生成的物流配送路径进行优化；

S38、计算所述物流配送路径的长度；

S39、完成一次迭代之后，更新全局信息素；

S40、判断是否达到预设迭代次数，是则，得到多次迭代中的最优的从所述出发地出发的所述目标配送路径；否则，更新迭代次数，并重复步骤S33-S39；

具体地，步骤S34包括：

每次迭代均根据信息素更新每个待配送点的候选待配送点集，即在每个待配送点M×2的候选待配送点中选择出M个较优的待配送点组成新的候选待配送点集合，M为当前待配送点候选待配送点集的大小，其中的选择公式如下所示：

其中，City_visited是目前已经访问的待配送点数量，n是总待配送点数，iter是目前迭代的数量，Iteration是总迭代数，allowed_k为待配送点的候选待配送点集；每当蚂蚁访问到一个待配送点时，遍历该待配送点的候选待配送点集合allowed_k，当已访问的待配送点是否小于等于总待配送点的70％或者当前的迭代数量是否小于等于总迭代数的70％时，选择最优待配送点策略选择一个未被访问过的待配送点，即选择出未被访问待配送点中信息素最大的待配送点作为下一个选择；否则，采用选择最优邻居对的策略选择一个未被访问过的待配送点；

所述选择最优邻居对的具体步骤，包括：

1)预处理出每个待配送点的候选待配送点集合；

2)预处理出每个待配送点的候选待配送点对；

3)遍历每个待配送点的候选待配送点对时，选择出待配送点对中待配送点都未被访问且信息素和最大的待配送点，其中的选择公式如下：

其中

为蚂蚁k从当前待配送点到下一待配送点的概率，为随机算法，如下所示：

其中，α和β是一种经验参数，它们表示着信息素τ_ij和启发值η_ij的重要性；τ_ij表示待配送点i到待配送点j的路径上的信息素，η_ij表示待配送点i和待配送点j之间的启发值。其中η_ij为待配送点i和待配送点j的欧式距离加上0.1和的倒数，即

5.一种计算机设备，其特征在于，所述设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的方法。

6.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至3中任一项所述的方法。

Images