CN114925995A - 基于单亲遗传算法的公路干线车货匹配和路径规划方法 - Google Patents

基于单亲遗传算法的公路干线车货匹配和路径规划方法 Download PDF

Info

Publication number
CN114925995A
CN114925995A CN202210495055.9A CN202210495055A CN114925995A CN 114925995 A CN114925995 A CN 114925995A CN 202210495055 A CN202210495055 A CN 202210495055A CN 114925995 A CN114925995 A CN 114925995A
Authority
CN
China
Prior art keywords
vehicle
point
points
path planning
delivery
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
Application number
CN202210495055.9A
Other languages
English (en)
Inventor
王科峰
赵吉祥
吕武
耿付超
任雨凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN202210495055.9A priority Critical patent/CN114925995A/zh
Publication of CN114925995A publication Critical patent/CN114925995A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于单亲遗传算法的公路干线车货匹配和路径规划方法，包括：构建车货匹配及路径规划数学模型，目标函数为总运输成本，包括：车辆的固定成本模型、油耗成本模型和惩罚成本模型；利用单亲遗传算法对车货匹配及路径规划数学模型迭代运算获得车货匹配和路径规划最优解：对车辆途径的取货点和送货点的路径进行染色体编码；以总运输成本最小为目标函数进行迭代计算；输出最后一代的染色体种群并进行解码，得到模型的最优解。本发明对模型中耗油成本、惩罚成本、行驶时间等进行分析，使得模型更加贴近实际，采用单亲遗传算法从而合理安排车辆选择，有效降低订单分配和车辆路径规划的调度成本，验证了模型的有效性和方法的正确性。

Description

基于单亲遗传算法的公路干线车货匹配和路径规划方法
技术领域
本发明涉及智能物流技术领域，具体涉及一种基于单亲遗传算法的公路干线车货匹配和路径规划方法。
背景技术
由于货车运输管理公司规模一般较小，而且车辆多为私人经营，难于管理，致使货车获取配送信息效率低，获取的信息不全面，从而造成货车运输过程中空载率居高不下。随着互联网的快速发展，诞生了诸如“货拉拉，运满满”等一批货运运输信息平台，有效地解决了托运方货源信息整合的问题，在一定程度上提高了匹配效率，减少司机的等待时间。但互联网信息平台主要提供的是“信息整合”功能，在提供大量货源信息的同时，也造成货车之间严重的“抢单”现象，并没有有效地降低货运的空载率，提高运输效率。
国内外学者也对车货匹配及路径规划做了研究，从研究现状可知，大部分是关于优化平台的运行模式、承运人和托运人双方之间订单如何分配、如何为托运人选择最佳的车辆或为车辆选择最佳的托运人等问题，通过货运信息平台提供的“车找货”或“货找车”的单向匹配模式，这种匹配方式带来货运运输效率低，空载率高等问题。
因此，如何提供一种将公路干线运输的订单分配和路径规划作为整体考虑的公路干线车货匹配和路径规划方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明考虑时间窗，载重，先集货后送货等约束和车辆燃油量随着载重变化而变化、开放式多车场等因素，建立以整体运输成本最小为目标的车货匹配及路径规划模型，利用单亲遗传算法对模型进行求解，计算得出最佳的车辆选择以及对应的配送路径规划，从而得到整体最优解。最后结合算例验证模型和方法的有效性和正确性。
为了实现上述目的，本发明采用如下技术方案：
一种基于单亲遗传算法的公路干线车货匹配和路径规划方法，包括如下步骤：
构建车货匹配及路径规划数学模型，目标函数为总运输成本，包括：车辆的固定成本模型C1、油耗成本模型C2和惩罚成本模型C3；其中，
油耗成本模型C2：根据载货重量和单位距离油耗量之间的线性函数，以及车辆途径所有取货点和送货点的路径规划距离计算油耗成本；
惩罚成本模型C3：根据给定的取货点和送货点时间窗，以及惩罚系数计算车辆早于或者晚于时间窗到达取货点或送货点的惩罚成本；
利用单亲遗传算法对车货匹配及路径规划数学模型迭代运算获得车货匹配和路径规划最优解；包括：
对车辆途径的n对取货点和送货点的路径进行染色体编码，n≥2；以总运输成本最小为目标函数进行迭代计算；
当满足迭代次数后，输出最后一代的染色体种群并进行解码，得到模型的最优解。
优选的，所述车辆的固定成本模型C1包括：
Figure BDA0003632575820000021
Figure BDA0003632575820000022
1表示车辆k从车场o点到取货点j点，0表示车辆k没有被使用，P1表示每辆车的固定成本。
优选的，所述车辆的油耗成本模型C2的计算过程包括：
根据车辆满载时单位公里油耗量l*，以及空载时单位公里油耗量lo计算得到载货重量X和单位距离油耗量之间的线性函数为：
Figure BDA0003632575820000023
其中，Q为每辆车载重上限；
则车辆k到达第j点时已耗油量Fjk为:
Figure BDA0003632575820000024
Fik表示第k辆车到达i点时的已耗油量，Qik表示第k辆车到达i点时的重量，qi表示车辆在i点的供货量或卸货量，dij表示任意两点i,j之间的距离，
Figure BDA0003632575820000025
1表示车辆k的路径中包含从i点到j点，否则为0；
第k辆车的最终耗油量为：
Figure BDA0003632575820000031
总的耗油成本为：
Figure BDA0003632575820000032
Z1为单位燃油的价格。
优选的，所述车辆的固定成本模型C3包括：
Figure BDA0003632575820000033
供货方和接收方所接受的时间窗为[Ei,Li]i∈G1 or G2，Ei,Li分别为供货点或接受地接受的时间窗范围，Cpk表示第k辆车早到或者晚到的惩罚成本，α为早到惩罚成本系数，β为晚到惩罚成本系数，Ti为车辆到达i点的时间。
优选的，构建车辆匹配及路径规划数学模型为：
C＝C1+C2+C3 (1)
Figure BDA0003632575820000034
Figure BDA0003632575820000035
Figure BDA0003632575820000036
Ti＜Ti+n i∈G1 (5)
Figure BDA0003632575820000037
Figure BDA0003632575820000038
Figure BDA0003632575820000039
Figure BDA00036325758200000310
Figure BDA00036325758200000311
式(1)表示目标函数；式(2)表示车辆配送货物的量要小于车辆负载；式(3)表示由同一辆车将供方的货送到对应的接收方；式(4)表示车辆到达任一节点j的时间；式(5)表示车辆到达接受方的时间一定大于到达供货方的时间；式(6)表示车辆从送货点离开后不能前往其他取货点；式(7)-(9)表示每个客户只由一辆车服务且只被服务一次；式(10)表示决策变量为0,1变量。其中式子(4)表示达到任意节点j的时间为到达节点j之前的节点i的时刻和从节点i到节点j的行驶时间、在节点i的服务时间的总和。
优选的，所述单亲遗传算法采用自然数编码,染色体长度为2n+k，其中n表示有n对取货点和送货点，k表示有k辆车来进行配送；得到染色体编码包括：
车辆1序号+车辆1路径中的所有取货点序号+车辆1路径中的所有送货点序号+...+车辆s序号+车辆s路径中的所有取货点序号+车辆s路径中的所有送货点序号+多余车辆序号，s∈K。
优选的，所述单亲遗传算法的种群初始化步骤包括：
S1、将所有车辆的编号随机排列，将队列中第一个车辆所在车场坐标作为出发点；
S2、从所有取货队列中选择距离当前车辆最近的取货点，并从取货队列中将该点剔除，重复选择距离该取货点最近并且满足载重约束的下一个取货点，并将所述下一个取货点从取货队列中剔除，直到取货队列中没有满足约束的取货点为止；
S3、以最后一个取货点为送货出发点，从对应的送货队列中寻找到距离送货出发点最近的送货点，并将当前送货点从对应的送货队列中剔除，重复选择距离该送货点最近的下一个送货点，并将所述下一个送货点从送货队列中剔除，直到对应的送货队列为空；
S4、选择车辆队列中的下一个车辆所在车场坐标作为出发点，重复S2-S4，直到取货队列为空；
S5、将车辆队列中多余的车辆依次添加到染色体末尾，以达到设定的染色体长度；
S6、重复S1-S5多次，生成初始种群。
优选的，所述单亲遗传算法采用保存最优策略和轮盘赌选择相结合的选择策略：将父代中的染色体按照适应度值从大到小排列，选择适应度值排序在设定阈值之前的染色体直接复制到下一代染色体种群中，下一代种群中其余的染色体由采用轮盘赌方式选择的染色进行交叉、变异操作后得到。
优选的，所述交叉操作包括单点交叉和基因移位：
随机选择染色体上两段有效的基因段，在各自基因段中任意取出一对取送货点序号，将两段基因段中的取货点序号互换位置，以及将两段基因段中的送货点序号互换位置；判断交叉完成后是否满足载重约束，如果不满足约束，则重新获取交叉片段，直到找到满足约束交叉片段；
在单点交叉完成后，判断当前染色体内是否存在仅含一对取送货点构成的基因段，若是，则将该对取送货点随机插入到满足载重约束的基因段的取送货队列末尾。
优选的，所述变异操作包括基因片段内的基因换位：随机选择染色体中一段有效的基因片段，从该基因段内随机选择两对对应取送货点，将该两对取送货点进行位置互换。
经由上述的技术方案可知，与现有技术相比，本发明的有益效果包括：
本发明综合考虑承运方和托运方双方的整体利益和配送过程中时间窗、载重、先集货后送货等约束条件以及车辆燃油量随着载重变化而变化、多车场等因素，建立了以运输成本最小化为目标的车货匹配及路径规划模型，对模型中耗油成本、惩罚成本、行驶时间等进行详细分析，使得模型更加贴近实际，采用单亲遗传算法对模型进行求解从而合理安排车辆选择，有效降低订单分配和车辆路径规划的调度成本，并验证了模型的有效性和方法的正确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图；
图1为本发明实施例提供的车货匹配-路径规划示意图；
图2为本发明实施例提供的染色体编码示意图；
图3为本发明实施例提供的染色体单点交叉示意图；
图4为本发明实施例提供的染色体基因移位示意图；
图5为本发明实施例提供的染色体变异示意图；
图6为本发明实施例提供的单亲遗传算法迭代示意图；
图7为本发明实施例提供的车辆配送路径示意图。
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，所描述的实施例仅仅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。
本发明实施例公开了一种基于单亲遗传算法的公路干线车货匹配和路径规划方法，如图1所示，本实施例研究的问题是：一段时间范围内在某区域随机分布有若干辆车型一致的货车以及若干供货点和对应的送货点组成的运输网络系统，基于物流信息平台调度使得车辆服务于供货点和送货点。
根据互联网平台提供的供货点和送货点信息，统计出在一段时间内各个客户供货点和送货点位置坐标，送货点接受的服务时间窗等信息。
服务过程为：车辆随机分布在不同的车场，某辆车从某一车场出发，根据平台提供的供货点和送货的相关信息，去某一供货点取货，然后车辆可以直接去送货，或者可以继续到另一个供货点取货，取货完成后，将货物一一送到对应的送货点，服务结束后车辆停留在最后一个送货点。在整个服务过程中，从信息调度平台企业考虑，将配送总成本作为目标函数，其中配送成本包括车辆固定成本，运输成本，以及惩罚成本。每一对供货点和送货点都有规定的时间窗，如果车辆到达时间早于或晚于时间窗，则接受相应的惩罚成本。
具体包括如下步骤：
构建车货匹配及路径规划数学模型，目标函数为总运输成本，包括：车辆的固定成本模型C1、油耗成本模型C2和惩罚成本模型C3；油耗成本模型C2：根据载货重量和单位距离油耗量之间的线性函数，以及车辆途径所有取货点和送货点的路径规划距离计算油耗成本；惩罚成本模型C3：根据给定的取货点和送货点时间窗，以及惩罚系数计算车辆早于或者晚于时间窗到达取货点或送货点的惩罚成本；
利用单亲遗传算法对车货匹配及路径规划数学模型迭代运算获得车货匹配和路径规划最优解；包括：对车辆途径的n对取货点和送货点的路径进行染色体编码，n≥2；以总运输成本最小为目标函数进行迭代计算；当满足迭代次数后，输出最后一代的染色体种群并进行解码，得到模型的最优解。
根据上述模型描述，本实施例做出如下假设：
(1)所有配送车辆车型完全一致；
(2)供货方和接收方一一对应,每个供货方的货物重量不超过车辆的额定负载；
(3)每辆车可服务一个或多个客户，每次配送过程为先一一取货，再依次送货；
(4)需要配送的双方客户的坐标，货物重量，服务时间窗范围以及配送双方之间的距离都是已知的，且各点之间相通；
(5)忽略运输网络中道路等其他因素对车辆行驶速度的影响，车辆行驶速度保持一致；
(6)每个供货方和接收方只能被一辆车服务；
(7)完成配送结束后车辆停留在最后一个送货点。
为了对模型做出清楚的解释，首先对相关参数进行说明：
O＝{O1,O2,…,Ol} 最初车辆起始点集合
G1＝{1，...n} 供货点集合
G2＝{n+1,n+2,...2n} 送货点集合
K＝{1,2,…,k} 车辆集合
G＝G1∪G2 供货点和送货点的集合
G'＝O∪G1 车辆起始点和送货点的集合
U＝G∪O 所有点的集合
P1 每辆车的固定成本
Q 每辆车载重上限
X 车辆载货重量
W1 车辆自重
ρ 车辆单位距离燃料消耗量
Qik 表示第k辆车到达i时的重量
Fjk 表示第k辆车到达j时的已耗油量
fijk 表示第k辆车从i点到达j点的耗油量
qi 车辆在点i的供货量或卸货量
dij 表示任意两点i,j之间的距离
Fk 第k辆车的最终耗油量
Ti 车辆到达i点的时间
V 车辆行驶速度
[Ei,Li]i∈G1 or G2 Ei,Li分别为供货点或接受地接受的时间窗范围
β 晚到惩罚成本系数
α 早到惩罚成本系数
Cpk 第k辆车早到或者晚到的惩罚成本
STi 车辆在点i的服务时长
Figure BDA0003632575820000081
车辆k从i点到j点为1，否则为0
Figure BDA0003632575820000082
点i由车辆k配送为1，否则为0
在一个实施例中，车辆固定成本C1包括车辆的折旧费用，司机每趟的工资等，变量xojk为1表示车辆k从车场到取货点j，否则为0表示车辆k没有被使用。
Figure BDA0003632575820000083
在一个实施例中，耗油成本分析：货车运输过程中的油耗量和运输距离和载重量有关，其中单位距离燃料消耗量为l是一个依赖自身重量W1和载货重量X的函数，即：
l(X)＝a(W1+X)+b (2)
设车辆满载时单位公里油耗量为l*，空载时单位公里油耗量为lo，即：
l*＝a(W1+Q)+b (3)
lo＝aW1+b (4)
由(3)式和(4)式，得到a和b，再代入式(2)，可得载货重量X和单位距离油耗量之间的线性函数为：
Figure BDA0003632575820000084
则车辆k到达第j点时已耗油量Fjk:
Figure BDA0003632575820000085
第k辆车的最终耗油量为：
Figure BDA0003632575820000086
总的耗油成本：
Figure BDA0003632575820000087
在一个实施例中，时间窗为软时间窗，其中供货方和接收方所接受的时间窗为[Ei,Li]，车辆早于或者晚于时间窗到达都要接受相应的惩罚成本，如果车辆滞后到达，则超时时间为Ti-Li，如果车辆提前到达，则迟到时间为Ei-Ti，：
Figure BDA0003632575820000091
在一个实施例中，构建车辆匹配及路径规划数学模型如下所示：
C＝C1+C2+C3 (10)
Figure BDA0003632575820000092
Figure BDA0003632575820000093
Figure BDA0003632575820000094
Ti＜Ti+n i∈G1 (14)
Figure BDA0003632575820000095
Figure BDA0003632575820000096
Figure BDA0003632575820000097
Figure BDA0003632575820000098
Figure BDA0003632575820000099
式(10)表示目标函数，总运输成本最小；式(11)表示车辆配送货物的量要小于车辆负载；式(12)表示由同一辆车将供方的货送到对应的接收方；式(13)表示车辆到达任一节点j的时间；式(14)表示车辆到达接受方的时间一定大于到达供货方的时间；式(15)表示车辆从送货点离开后不能前往其他取货点；式(16)-(18)表示每个客户只由一辆车服务且只被服务一次；式(19)表示决策变量为0,1变量。其中式子(13)表示达到任意节点j的时间为到达节点j之前的节点i的时刻和从节点i到节点j的行驶时间、在节点i的服务时间的总和。
在一个实施例中，单亲遗传算法对单个父代染色体进行基因重组操作，不再进行两个父代之间的交叉操作，并且不要求初始种群多样性，同时避免了传统遗传算法陷入“局部最优解”，因此本实施例采用单亲遗传算法来对该模型进行求解。
单亲遗传算法的编码迭代决策步骤如下：
染色体编码：
本实施例采用自然数编码,染色体长度为2n+k，其中n表示有n对取货点和送货点，k表示有k辆车来进行配送，其中取货点编号为1,2,...n，送货点编号为n+1,n+2,...2n，车辆序号为2n+1,2n+2,...2n+k。如图2所示，区域内有3辆车，第1辆车从车场出发分别到1、3、2号供货方所在位置取货，依次送到6(1)，7(2)，8(3)号送货点，最后车辆停留在最后一个送货点，第2辆车从车场出发分别到5，4号供货点取货，依次送到9(4)，10(5)号送货点，最后停留在最后一个送货点。
种群初始化：
为了加快染色体的收敛速度和降低车辆空载率。S1、将所有车辆的编号随机排列，将队列中第一个车辆作为派送的第一辆车，其所在车场坐标作为出发点；S2、从所有取货队列中选择距离该派送车辆最近的取货点取货，并从取货队列中将该点剔除，然后从该取货点出发，选择距离该取货点最近并且满足载重约束的下一个取货点取货，若找到满足约束的下一个“最近的取货点”，则从取货队列中将该点剔除，从该点出发重复寻找下一个满足约束的“最近的取货点”，并从取货队列中将该取货点删除，直到队列中没有满足约束的取货点为止；S3、取货完成后，从最后一个取货点出发，从对应的送货队列中寻找到距离出发点“最近的送货点”，然后将该送货点从对应的送货队列中删除，然后从该送货点出发，重复寻找距离出发点最近的送货点并删除，直到对应的送货队列为空；S4、选择车辆队列中的下一个车辆作为出发点。S5、重复S2-S4步骤，直到取货队列为空为止，将车辆队列中多余的车辆依次添加到染色体末尾，保证染色体的长度一致。S6、重复执行S1-S5多次，生成初始种群。
适应度计算：
根据适应度的大小来决定父代染色体遗传到子代染色体种群的概率，适应度越大，则该染色体遗传到下一代的概率越大，反之越小。因为本文的目标函数是最小的运输成本，因此在对每一条染色体进行解码操作后，适应度值为fit(i)＝1/C。目标函数越小，则适应度值越大。
个体选择：
本实施例采用保存最优策略和轮盘赌选择相结合的选择策略。将父代中的染色体按照适应度值从大到小排列，选择适应度值前5％的染色体直接复制到下一代染色体种群中，下一代种群中其余95％的染色体由采用轮盘赌方式选择的染色进行交叉、变异操作后得到。
染色体交叉操作：
本实施例采用单点交叉和基因移位来进行交叉操作。(1)取出选择后的第一条染色体，随机选择两段有效的基因段，在各自基因段中任意取出一对取送货点，将两段基因段中的取送货点按照先取货再送货的顺序进行互换位置，如图3所示。交叉完成后检查是否满足载重约束，如果不满足约束，则重新获取交叉片段，直到找到满足约束交叉片段。(2)为了降低车辆的运输成本，在单点交叉完成后，如果该染色体内存在仅含1对取送货点构成的基因段，则将该对取送货点随机插入到满足约束的基因段的取送货队列末尾，如图4所示。
染色体变异操作：
本实施例变异采用基因片段内基因换位进行变异操作。随机选择染色体中一段有效的基因片段，从该基因段内随机选择两对对应取送货点，将该两对取送货点进行位置互换，如图5所示。
终止策略：
如果迭代次数小于规定的迭代次数，则重新执行选择、交叉、变异操作，如果迭代次数等于规定的迭代次数，则将最后一代的染色体种群进行解码，得到模型的最优解，即最佳的车辆调度和路径规划。
下面给出本实施例所述方法的具体算例：
设某个货运配送案例，有20个货物供货方，20个货物接收方，10辆车型完全一致的货车随机分布，油费为6.5元/L，车辆以65km/h匀速行驶，并且车辆初始位置坐标，接收地，供货地节点坐标，规定的服务时间窗，供应量接收量等均已知。车辆从6点时刻从车场出发，通过平台合理安排路线，在总的最小费用前提下，将供货方的货物送到对应的接受地。配送过程中车辆相关信息参数如表1所示，配送过程中各项成本如表2所示，案例中的车辆，供货方，需求方的基本信息如表3所示。
表1车辆相关信息参数
Figure BDA0003632575820000121
表2配送过程中各项成本
Figure BDA0003632575820000122
表3配送案例基本信息
Figure BDA0003632575820000123
Figure BDA0003632575820000131
编号1-20代表供货点信息，21-40代表需求点信息，41-50代表车辆基本信息。
终止条件为Gen＝500，种群大小pop＝50，交叉概率为0.9，变异概率为0.2。为了避免实验出现偶然性，重复进行15次计算，得到15次计算中的最优结果，遗传算法迭代过程如图6所示，在460代左右结果收敛于24025.86，得到最优的车辆选择及配送路径规划示意图如图7所示。最优的车货匹配-路径规划方案中选择的车辆为1、4、5、7、9、10，每辆车最优的路径规划如表4所示，每辆车的行驶时间计划如表5所示。
表4最佳车辆选择及路径规划
Figure BDA0003632575820000132
表5客户配送时间表
Figure BDA0003632575820000133
Figure BDA0003632575820000141
上述算例利用单亲遗传算法对模型进行求解，验证了模型的有效性和方法的正确性。
以上对本发明所提供的基于单亲遗传算法的公路干线车货匹配和路径规划方法进行了详细介绍，本实施例中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本实施例中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本实施例所示的这些实施例，而是要符合与本实施例所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，包括如下步骤：
构建车货匹配及路径规划数学模型，目标函数为总运输成本，包括：车辆的固定成本模型C1、油耗成本模型C2和惩罚成本模型C3；其中，
油耗成本模型C2：根据载货重量和单位距离油耗量之间的线性函数，以及车辆途径所有取货点和送货点的路径规划距离计算油耗成本；
惩罚成本模型C3：根据给定的取货点和送货点时间窗，以及惩罚系数计算车辆早于或者晚于时间窗到达取货点或送货点的惩罚成本；
利用单亲遗传算法对车货匹配及路径规划数学模型迭代运算获得车货匹配和路径规划最优解；包括：
对车辆途径的n对取货点和送货点的路径进行染色体编码，n≥2；以总运输成本最小为目标函数进行迭代计算；
当满足迭代次数后，输出最后一代的染色体种群并进行解码，得到模型的最优解。
2.根据权利要求1所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述车辆的固定成本模型C1包括：
Figure FDA0003632575810000011
Figure FDA0003632575810000012
1表示车辆k从车场o点到取货点j点，0表示车辆k没有被使用，
P1表示每辆车的固定成本。
3.根据权利要求1所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述车辆的油耗成本模型C2的计算过程包括：
根据车辆满载时单位公里油耗量l*，以及空载时单位公里油耗量lo计算得到载货重量X和单位距离油耗量之间的线性函数为：
Figure FDA0003632575810000013
其中，Q为每辆车载重上限；
则车辆k到达第j点时已耗油量Fjk为:
Figure FDA0003632575810000014
Fik表示第k辆车到达i点时的已耗油量，Qik表示第k辆车到达i点时的重量，qi表示车辆在i点的供货量或卸货量，dij表示任意两点i,j之间的距离，
Figure FDA0003632575810000021
1表示车辆k的路径中包含从i点到j点，否则为0；
第k辆车的最终耗油量为：
Figure FDA0003632575810000022
总的耗油成本为：
Figure FDA0003632575810000023
Z1为单位燃油的价格。
4.根据权利要求1所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述车辆的固定成本模型C3包括：
Figure FDA0003632575810000024
供货方和接收方所接受的时间窗为[Ei,Li]i∈G1 or G2，Ei,Li分别为供货点或接受地接受的时间窗范围，Cpk表示第k辆车早到或者晚到的惩罚成本，α为早到惩罚成本系数，β为晚到惩罚成本系数，Ti为车辆到达i点的时间。
5.根据权利要求1所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，
构建车货匹配及路径规划数学模型为：
C＝C1+C2+C3 (1)
Figure FDA0003632575810000025
Figure FDA0003632575810000026
Figure FDA0003632575810000027
Ti＜Ti+n i∈G1 (5)
Figure FDA0003632575810000028
Figure FDA0003632575810000029
Figure FDA00036325758100000210
Figure FDA00036325758100000211
Figure FDA00036325758100000212
式(1)表示目标函数；式(2)表示车辆配送货物的量要小于车辆负载；式(3)表示由同一辆车将供方的货送到对应的接收方；式(4)表示车辆到达任一节点j的时间；式(5)表示车辆到达接受方的时间一定大于到达供货方的时间；式(6)表示车辆从送货点离开后不能前往其他取货点；式(7)-(9)表示每个客户只由一辆车服务且只被服务一次；式(10)表示决策变量为0,1变量。其中式子(4)表示达到任意节点j的时间为到达节点j之前的节点i的时刻和从节点i到节点j的行驶时间、在节点i的服务时间的总和。
6.根据权利要求1所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述单亲遗传算法采用自然数编码,染色体长度为2n+k，其中n表示有n对取货点和送货点，k表示有k辆车来进行配送；得到染色体编码包括：
车辆1序号+车辆1路径中的所有取货点序号+车辆1路径中的所有送货点序号+...+车辆s序号+车辆s路径中的所有取货点序号+车辆s路径中的所有送货点序号+多余车辆序号，s∈K。
7.根据权利要求6所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述单亲遗传算法的种群初始化步骤包括：
S1、将所有车辆的编号随机排列，将队列中第一个车辆所在车场坐标作为出发点；
S2、从所有取货队列中选择距离当前车辆最近的取货点，并从取货队列中将该点剔除，重复选择距离该取货点最近并且满足载重约束的下一个取货点，并将所述下一个取货点从取货队列中剔除，直到取货队列中没有满足约束的取货点为止；
S3、以最后一个取货点为送货出发点，从对应的送货队列中寻找到距离送货出发点最近的送货点，并将当前送货点从对应的送货队列中剔除，重复选择距离该送货点最近的下一个送货点，并将所述下一个送货点从送货队列中剔除，直到对应的送货队列为空；
S4、选择车辆队列中的下一个车辆所在车场坐标作为出发点，重复S2-S4，直到取货队列为空；
S5、将车辆队列中多余的车辆依次添加到染色体末尾，以达到设定的染色体长度；
S6、重复执行S1-S5多次，生成初始种群。
8.根据权利要求6所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述单亲遗传算法采用保存最优策略和轮盘赌选择相结合的选择策略：将父代中的染色体按照适应度值从大到小排列，选择适应度值排序在设定阈值之前的染色体直接复制到下一代染色体种群中，下一代种群中其余的染色体由采用轮盘赌方式选择的染色进行交叉、变异操作后得到。
9.根据权利要求8所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述交叉操作包括单点交叉和基因移位：
随机选择染色体上两段有效的基因段，在各自基因段中任意取出一对取送货点序号，将两段基因段中的取货点序号互换位置，以及将两段基因段中的送货点序号互换位置；判断交叉完成后是否满足载重约束，如果不满足约束，则重新获取交叉片段，直到找到满足约束交叉片段；
在单点交叉完成后，判断当前染色体内是否存在仅含一对取送货点构成的基因段，若是，则将该对取送货点随机插入到满足载重约束的基因段的取送货队列末尾。
10.根据权利要求8所述的基于单亲遗传算法的公路干线车货匹配和路径规划方法，其特征在于，所述变异操作包括基因片段内的基因换位：随机选择染色体中一段有效的基因片段，从该基因段内随机选择两对对应取送货点，将该两对取送货点进行位置互换。
CN202210495055.9A 2022-05-07 2022-05-07 基于单亲遗传算法的公路干线车货匹配和路径规划方法 Pending CN114925995A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495055.9A CN114925995A (zh) 2022-05-07 2022-05-07 基于单亲遗传算法的公路干线车货匹配和路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495055.9A CN114925995A (zh) 2022-05-07 2022-05-07 基于单亲遗传算法的公路干线车货匹配和路径规划方法

Publications (1)

Publication Number Publication Date
CN114925995A true CN114925995A (zh) 2022-08-19

Family

ID=82808625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495055.9A Pending CN114925995A (zh) 2022-05-07 2022-05-07 基于单亲遗传算法的公路干线车货匹配和路径规划方法

Country Status (1)

Country Link
CN (1) CN114925995A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860613A (zh) * 2023-02-28 2023-03-28 南京邮电大学 一种考虑预约机制的零担车货匹配及车辆调度方法
CN116205472A (zh) * 2023-05-06 2023-06-02 华清科盛(北京)信息技术有限公司 基于生产任务的原料集装箱运输方案制定方法及系统
CN116402309A (zh) * 2023-05-10 2023-07-07 上海文景信息科技有限公司 港口集疏运车辆调度匹配方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860613A (zh) * 2023-02-28 2023-03-28 南京邮电大学 一种考虑预约机制的零担车货匹配及车辆调度方法
CN116205472A (zh) * 2023-05-06 2023-06-02 华清科盛(北京)信息技术有限公司 基于生产任务的原料集装箱运输方案制定方法及系统
CN116205472B (zh) * 2023-05-06 2023-08-04 华清科盛(北京)信息技术有限公司 基于生产任务的原料集装箱运输方案制定方法及系统
CN116402309A (zh) * 2023-05-10 2023-07-07 上海文景信息科技有限公司 港口集疏运车辆调度匹配方法及系统
CN116402309B (zh) * 2023-05-10 2023-08-29 上海文景信息科技有限公司 港口集疏运车辆调度匹配方法及系统

Similar Documents

Publication Publication Date Title
CN114925995A (zh) 基于单亲遗传算法的公路干线车货匹配和路径规划方法
CN112270135B (zh) 一种物流发运调度智能配送方法、装置、设备及存储介质
CN111553507B (zh) 基于多商品流的中欧集装箱运输方案优化方法
CN107918849A (zh) 一种电动物流货车的智能调度装置及方法
CN109299810A (zh) 一种货运车辆配载方法
CN111768149A (zh) 一种快递物流网络规划优化方法及系统
CN103699982A (zh) 一种带软时间窗口的物流配送控制方法
CN113469416B (zh) 一种派件任务规划方法及设备
CN108647821B (zh) 一种基于参数自学习的差分进化物流配送路径优化方法
CN112183812A (zh) 一种计及短时低成本的成品卷烟物流车辆调度方法
CN115689247A (zh) 一种基于改进遗传算法的整车物流调度优化方法
CN116402309B (zh) 港口集疏运车辆调度匹配方法及系统
CN115965172A (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
CN108921326B (zh) 一种基于相似度学习的智能文化基因物流配送方法
CN112288232B (zh) 干线网点的货物运输批次规划方法及系统
CN112613701B (zh) 一种成品卷烟物流调度方法
CN117709836A (zh) 一种数字化物流供应链的管理系统
CN106228243B (zh) 地铁车辆段回库股道安排方法
CN111861279A (zh) 一种考虑换乘的多目标高速收费站班车调度方法
CN116739213A (zh) 基于代理模型辅助算法的地铁接驳公交优化方法
CN110674967A (zh) 一种不确定行车时间下快递车辆路径鲁棒优化方法
Li et al. Research on site selection of logistics nodes in expressway service area considering truck and trailer vehicle routing problem
CN111652550A (zh) 一种智能寻找最佳环线集合的方法、系统及设备
Hörl et al. Modeling the ecological and economic footprint of last-mile parcel deliveries using open data: A case study for Lyon
Zhao et al. The research on highway LTL transportation planning based on uniparental genetic algorithm

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