CN115018211A - 一种运输调度线路设定方法和装置 - Google Patents

一种运输调度线路设定方法和装置 Download PDF

Info

Publication number
CN115018211A
CN115018211A CN202210943865.6A CN202210943865A CN115018211A CN 115018211 A CN115018211 A CN 115018211A CN 202210943865 A CN202210943865 A CN 202210943865A CN 115018211 A CN115018211 A CN 115018211A
Authority
CN
China
Prior art keywords
line
node
distribution
vehicle
route
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
Application number
CN202210943865.6A
Other languages
English (en)
Other versions
CN115018211B (zh
Inventor
马晓轩
刘超
郭茂祖
张翰韬
孙博洋
邓轶博
郝冬
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202210943865.6A priority Critical patent/CN115018211B/zh
Publication of CN115018211A publication Critical patent/CN115018211A/zh
Application granted granted Critical
Publication of CN115018211B publication Critical patent/CN115018211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种运输调度线路设定方法和装置，步骤S1：建立运输调度线路模型：步骤S2：利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；步骤S3：根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；步骤S4：筛选分数值大于线路分数阈值的配送子线路，构成第二配送线路集；步骤S4：对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集；步骤S4：对第三配送线路集执行车辆间线路搜索，获得最优配送线路。本发明能够在保证获得最优线路的同时降低运算量，考虑订单到达时间对需求拆分的影响，提高了方法的适用性。

Description

一种运输调度线路设定方法和装置
技术领域
本发明实施例涉及车辆调度技术领域，特别涉及一种运输调度线路设定方法和装置。
背景技术
车辆线路问题一直是物流运输和配送方面的重要问题，现有技术的车辆线路问题通常假定每个客户的需求只能由一辆车在单次服务中完成，而在现实情况中的物流中，难免会出现客户需求量大于车辆最大承载量的情况，这时就需要对客户的需求进行拆分，目前需求可拆分的车辆线路规划问题已经成为车辆线路问题中一个新的分支。
蚁群算法是现有技术中常见的求解方法之一，蚁群算法求解运输调度线路时，主要包括初始客户选择环节、状态转移环节和信息素变化环节，三个环节的实现方式均通过随机设置实现全局搜索。具体来说，客户选择环节通常采用全部放置方式或随机放置方式，对于大规模问题算法运行时间会大幅增加，算法的收敛速度慢。状态转移环节通常采用伪随机比例转换公式，根据随机数q与预设参数q1的大小关系确定选择下一个节点的方法。然而现有技术中，参数q1通常为用户预设的，预设的参数通常是凭经验设置，对人的依赖性较强，状态转移直接决定了最优线路求解的运算量和收敛速度，采用预设的参数选择下一个节点无法动态应对线路规划问题中实时变化的客户需求，机械地进行全局搜索，运算量较大。
此外，在线路规划时，对部分客户的需求会进行拆分和组合，现有技术在拆分组合时，主要考虑车辆是否装满以及客户之间的距离，均未考虑订单到达时间，导致已发送订单延误送达的情况。
利用蚁群算法求解需求可拆分的车辆线路规划问题时，现有技术中通常还采用2-opt算法对最优解进行更新，现有技术中通常通过线路长度筛选较短的线路进行交换的方式减少计算量，部分线路交换节点后线路长度会出现大幅度衰减，简单通过线路长度筛选部分线路易错过最优解；而对所有线路进行交换会大幅增加算法的运算量，现有技术中的2-opt算法难以在保证获得最优解的同时降低算法运算量。
因此，亟需一种收敛速度快，满足客户需求的运输调度线路设定方法和装置。
发明内容
本发明实施方式的目的在于提供一种运输调度线路设定方法和装置，根据订单实际情况配置蚁群算法的参数，提高算法收敛速度，同时优化2-opt方法，在保证获得最优线路的同时降低算法运算量。
为解决上述技术问题，本发明的实施方式提供了一种运输调度线路设定方法，所述运输调度线路设定方法具体包括：
步骤S1：建立运输调度线路模型；
步骤S2：根据订单信息配置蚁群算法，利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；
步骤S3：预估第一配送线路各个车辆到达沿途各节点的时间，根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；将分数值大于线路分数阈值的配送子线路作为第二配送线路集；
步骤S4：对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集，线路自搜索为两两交换一条配送子线路上的客户以优化线路；
步骤S5：对第三配送线路集执行车辆间线路搜索，获得最优配送线路，车辆间线路搜索为两两交换不同车辆的客户以优化线路。
优选的，根据订单信息配置蚁群算法具体为根据订单信息配置初始节点选择方式、状态转移规则和信息素更新方式，订单信息包括各个订单的订单到达时间。
优选的，利用配置后的蚁群算法求解运输调度线路模型，具体包括：
步骤S201：初始化参数，选择待满足需求的第一节点；
步骤S202：规划第一节点的车辆；
步骤S203：判断车辆到达第一节点时是否还存在待满足需求的节点，若存在，根据配置后的状态转移规则选择下一节点作为最新的第一节点，返回步骤S202，若不存在，记录规划完成的子线路，修改蚂蚁寻路状态为已寻路，执行步骤S204；
步骤S204：判断已寻路状态的蚂蚁数量是否小于寻路阈值，若是，则重置客户需求量为初始状态，返回步骤S202，否则，执行步骤S205；
步骤S205：多个蚂蚁寻路获得的多个子线路构成子线路集合，从子线路集合中选择线路最短的子线路，根据配置后的线路信息素更新方式更新子线路信息素；
步骤S206：判断是否满足迭代终止条件，若满足，完成本次运输调度线路规划，获得第一配送线路；若不满足，重置客户需求量为初始状态，重置蚂蚁寻路状态为未寻路，返回步骤S202。
优选的，选择待满足需求的第一节点，具体包括：
将所有车辆放置于车场中，在t时刻，车辆k可能选择的初始客户节点为j，选择公式为：
Figure 212774DEST_PATH_IMAGE001
(11)
其中，
Figure 28284DEST_PATH_IMAGE002
表示t时刻由车场0到客户节点y构成的边(0,y)上的信息素含量，Kp表示客户节点集合，
Figure 706390DEST_PATH_IMAGE003
表示t时刻由车场0到可能选择的初始客户节点j构成的边(0,j)上的信息素含量，
Figure 265547DEST_PATH_IMAGE004
表示车辆k初始客户选择节点j的概率，kj为初始节点选择干预因子，
Figure 978288DEST_PATH_IMAGE005
，其中t为当前算法运行时刻，
Figure 433540DEST_PATH_IMAGE006
为初始阶段时间阈值，
Figure 864522DEST_PATH_IMAGE007
为节点j对应的订单到达时间，根据订单到达时间将各个订单排序，
Figure 961791DEST_PATH_IMAGE008
为订单到达时间位于中间位置订单对应的订单到达时间；q是一个在(0,1)区间的随机值，q0是初始选择阈值。
优选的，第一节点的车辆具体包括：步骤A1：若当前的第一节点的客户需求量不大于车辆承载量，则将第一节点加入线路中，更新车辆承载量，第一节点的车辆规划完毕；否则，以当前的第一节点的客户需求量和车辆承载量的差值更新第一节点的客户需求量，将第一节点加入线路，派出一辆新车，返回步骤A1。
优选的，车辆k在t时正好处于客户节点i，下一个可能的客户节点为j，配置后的状态转移规则具体为：
Figure 529038DEST_PATH_IMAGE009
(12)
其中，
Figure 420771DEST_PATH_IMAGE010
表示车辆k在i节点之后下一客户选择节点j的概率，
Figure 339048DEST_PATH_IMAGE011
表示节点i和y之间的信息素含量干预因子，
Figure 974429DEST_PATH_IMAGE012
表示节点i和j之间的信息素含量干预因子，节点A和B之间的信息素含量干预因子计算方式为：
Figure 396183DEST_PATH_IMAGE013
，TA是节点A的订单到达时间，TB是节点B的订单到达时间，
Figure 724396DEST_PATH_IMAGE014
为时间差阈值，
Figure 864390DEST_PATH_IMAGE015
表示t时刻边(i,y)上的信息素含量，
Figure 303462DEST_PATH_IMAGE016
表示节点i和y的启发式信息，
Figure 845302DEST_PATH_IMAGE017
表示t时刻边(i,j)上的信息素含量，
Figure 344416DEST_PATH_IMAGE018
表示节点i和j的启发式信息，α为信息素浓度因子，
Figure 709057DEST_PATH_IMAGE019
为预期启发式因子，Kp表示客户节点集合，q是一个在(0,1)区间的随机值，q1是中间选择阈值。
优选的，根据配置后的线路信息素更新方式更新子线路信息素，具体为：
Figure 951820DEST_PATH_IMAGE020
(13)
Figure 348166DEST_PATH_IMAGE021
(14)
其中，
Figure 18182DEST_PATH_IMAGE022
为更新后的子线路信息素，
Figure 867189DEST_PATH_IMAGE023
为当前子线路信息素，
Figure 648063DEST_PATH_IMAGE024
为子线路信息素增量，
Figure 898916DEST_PATH_IMAGE025
为增量调整因子，
Figure 739833DEST_PATH_IMAGE026
，Ti是节点i的订单到达时间，Tj是节点j的订单到达时间，
Figure 341716DEST_PATH_IMAGE027
为时间差阈值，ib表示本轮迭代最优解决方案，Cib表示本轮迭代最短线路的距离，ρ为信息素挥发因子，取值范围为(0,1)，Z为常数，代表蚂蚁携带的信息素总量。
优选的，所述步骤S3具体为：
获取第一配送线路各个节点对应的订单到达时间
Figure 926281DEST_PATH_IMAGE028
，i=1,2,…,I，I为车辆总数，j=1,2,…,Wi，Wi为车辆i的配送线路上节点总数，预估第一配送线路各个车辆到达沿途各节点的时间
Figure 31640DEST_PATH_IMAGE029
，给规划后的第一配送线路中各配送子线路打分
Figure 43458DEST_PATH_IMAGE030
，其中，
Figure 867058DEST_PATH_IMAGE031
为第i辆车的配送线路的分数，
Figure 255314DEST_PATH_IMAGE032
为第i辆车的配送线路上到达第j个节点的时间，
Figure 215180DEST_PATH_IMAGE033
为第i辆车的配送线路上第j个节点对应的订单到达时间，
Figure 397899DEST_PATH_IMAGE034
为第i辆车的配送线路的分数基数。
优选的，所述步骤S4具体为：
车辆间线路搜索具体过程为：
步骤S401：从第三配送线路集中选择最后一辆车的配送子线路作为当前配送子线路，将当前配送子线路的客户与第三配送线路集中其他车辆的客户两两交换；
步骤S402：计算交换客户后新的线路的长度，若新的线路的长度小于当前配送子线路的长度，则将当前配送子线路替换为交换客户后新的线路，否则，结束循环，获得最优配送线路。
本发明的实施方式还提供了一种运输调度线路设定装置，包括
建模模块，用于建立运输调度线路模型；
配置求解模块，用于获取车场待规划线路的订单信息，根据订单信息配置蚁群算法，利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；
评价模块，用于预估第一配送线路各个车辆到达沿途各节点的时间，根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；
筛选模块，用于筛选分数值大于线路分数阈值的配送子线路，构成第二配送线路集；
优化模块，用于对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集，线路自搜索为两两交换一条配送子线路上的客户以优化线路；
优化模块还被配置为对第三配送线路集执行车辆间线路搜索，获得最优配送线路，车辆间线路搜索为两两交换不同车辆的客户以优化线路。
本发明实施例提供的一种运输调度线路设定方法和装置，对于状态转移规则中凭借经验设置的参数，利用迭代计算时间计算参数值，从而选择恰当的节点选择方式，降低蚁群算法求解过程对经验的依赖；在规划线路时，不同节点的订单需求会被拆分和拼车，为了避免订单到达时间差距过大而导致货物延迟配送，在初始节点选择、状态转移、信息素更新环节引导优先选择订单到达时间相差较小的节点，在保障线路较短的同时通过引导加快算法的收敛速度。
此外，采用优化的2-opt方法，通过双重交换机制获得最优线路，同时为了减少运算量，基于订单到达时间与车辆预估到达时间的差距对线路进行评价，筛选出时间差较小的线路，满足客户配送需求同时降低运算量。车辆间线路搜索时只对最后一辆车与其他车之间进行搜索，既保证了可以发现可能出现的更优解，又防止了大量的无用搜索占用时间，保证了获得最优规划结果的基础上降低算法计算量。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本发明实施例提供的一种运输调度线路设定方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明的第一实施方式涉及一种运输调度线路设定方法，方法中车辆型号均相同，车辆的容量相同，由单一车场管理所有配送车辆。运输调度线路设定方法具体包括：
步骤S1：建立运输调度线路模型；
目标函数为车辆运输成本最小：
Figure 708795DEST_PATH_IMAGE035
(1)，
其中，z表示车辆总配送线路，M为完成任务需要的最小车辆数，其取值如式（2）所示：
Figure 635163DEST_PATH_IMAGE036
(2)，
N表示当前客户类的订单数量，i、j分别表示第i、j节点，m表示第m条线路，dij为集合V内任意两点i，j间的距离，V是综合集合，包括配送中心和客户订单集合Vc = {1,2,…,N}；
Figure 715114DEST_PATH_IMAGE037
为第i、j节间件线路m的决策变量，其取值如式（3）所示：
Figure 337244DEST_PATH_IMAGE038
(3)，
qi为客户i的需求量；Q为车辆的最大承载量。
约束条件为：
s. t.
Figure 869856DEST_PATH_IMAGE039
(4)
Figure 599915DEST_PATH_IMAGE040
(5)
Figure 534373DEST_PATH_IMAGE041
(6)
Figure 58895DEST_PATH_IMAGE042
(7)
Figure 344383DEST_PATH_IMAGE043
(8)
Figure 346974DEST_PATH_IMAGE044
(9)
Figure 401518DEST_PATH_IMAGE045
(10)
其中
Figure 362521DEST_PATH_IMAGE046
、
Figure 869725DEST_PATH_IMAGE047
分别表示节点i、k之间和节点k、j之间线路m的决策变量，
Figure 676007DEST_PATH_IMAGE048
表示在第m条路线中满足客户i的需求量，Sm表示第m条路线中服务的客户集合；|Sm|表示集合S中包含的元素个数。式（1）表示车辆总配送线路最短；式（4）表示进入某点的车辆数与离开该点的车辆数一致，即流量守恒；式（5）确保每个客户点的需求得到满足；式（6）保证每个客户点至少被访问一次；式（7）表示每条线路中被服务客户点之间的弧边数等于被服务客户点数减1；式（8）为车辆运载能力限制；式（9）表示每条路线中满足某个客户的需求量不会超过客户的最大需求量；式（10）表示决策变量。
模型假设：
（1）任意两点间的距离是对称的，即两点间来回的距离一致，公式表示为
Figure 850637DEST_PATH_IMAGE049
；
（2）点和点之间的距离符合三角形不等式，假设点i，j，k，有
Figure 716962DEST_PATH_IMAGE050
；
（3）每个客户的需求都要得到满足，可以由一辆车或多辆车满足；
（4）所有车辆从配送中心出发，完成任务后返回配送中心。
步骤S2：获取车场待规划线路的订单信息，根据订单信息配置蚁群算法，利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；
其中，根据订单信息配置蚁群算法具体为根据订单信息配置初始节点选择方式、状态转移规则和信息素更新方式，订单信息包括各个订单的订单到达时间。
利用配置后的蚁群算法求解运输调度线路模型，具体包括：
步骤S201：初始化参数，选择待满足需求的第一节点；
初始化蚁群算法的各项参数，具体包括：设置迭代终止条件、寻路阈值，迭代计数器清零，根据各个订单需求量和订单数量设置节点数量和各节点需求量。
选择待满足需求的第一节点，具体包括：
将所有车辆放置于车场中，在t时刻，车辆k可能选择的初始客户节点为j，选择公式为：
Figure 977042DEST_PATH_IMAGE051
(11)
其中，
Figure 321435DEST_PATH_IMAGE052
表示t时刻由车场0到客户节点y构成的边(0,y)上的信息素含量，Kp表示客户节点集合，
Figure 350571DEST_PATH_IMAGE053
表示t时刻由车场0到可能选择的初始客户节点j构成的边(0,j)上的信息素含量，
Figure 387797DEST_PATH_IMAGE054
表示车辆k初始客户选择节点j的概率，kj为初始节点选择干预因子，
Figure 869594DEST_PATH_IMAGE055
，其中t为当前算法运行时刻，
Figure 283258DEST_PATH_IMAGE056
为初始阶段时间阈值，
Figure 169830DEST_PATH_IMAGE057
为节点j对应的订单到达时间，根据订单到达时间将各个订单排序，
Figure 643537DEST_PATH_IMAGE058
为订单到达时间位于中间位置订单对应的订单到达时间。q是一个在(0,1)区间的随机值，q0是初始选择阈值，其计算方法如下：
Figure 347050DEST_PATH_IMAGE059
，其中，
Figure 298826DEST_PATH_IMAGE060
、
Figure 36975DEST_PATH_IMAGE061
分别为第一初始选择阈值和第二初始选择阈值，
Figure 416004DEST_PATH_IMAGE062
，t1、t2分别为第一时间阈值和第二时间阈值。
基于q0的设置，本发明采用概率计算和最值选择相结合的方式选择初始节点，在算法的运行的初期和后期阶段，q0的取值为
Figure 872393DEST_PATH_IMAGE063
，由于该值远小于1，在随机计算q的值时，车辆较大概率按照概率计算的方式选择初始客户，即遍历全局的节点以获取当前最佳初始节点，增强算法的全局搜索能力；在算法的中期阶段，q0的取值为
Figure 627859DEST_PATH_IMAGE064
，由于该值接近于1，在随机计算q的值时，车辆较大概率按照最值选择的方式选择初始客户，而此时算法已经迭代了一段时间，线路上的信息素正反馈也逐渐增强，直接基于最大信息素选择节点有利于引导车辆聚集到较优客户点进行搜索，增强算法的收敛速度。相较于现有技术中全部放置逐个遍历、随机选择的方法，本发明在前期和后期，信息素不足或变化较缓的阶段，以全局搜索能力为主要目标，避免错失最优节点，在中期，信息素能够充分反映节点信息的阶段，为了降低运算量同时加快收敛速度，以信息素为参考选择最优节点，兼顾了全局搜索能力和收敛速度。
此外，由于各个订单具有订单到达时间的约束，在线路规划时，订单到达时间位于中间顺序的节点更有可能与更多的节点拼车，因此采用概率计算方法选择初始节点时，通过设置初始节点选择干预因子提高订单到达时间位于中间顺序的节点的被选择概率，在算法运行之初，引导算法优先选择更适合拼车的订单到达时间位于中间顺序的节点。相较于单纯的概率计算，本发明在选择初始节点时也考虑了不同订单到达时间拼车对订单派送的影响，避免了订单派送延误，在线路规划时考虑客户的实际需求，提高线路规划方法的适用性。
本发明采用概率计算和最值选择相结合的方式选择初始节点，在前期和后期信息素不足或变化较缓的阶段，以全局搜索能力为主要目标，避免错失最优节点，在中期信息素能够充分反映节点信息的阶段，为了降低运算量同时加快收敛速度，以信息素为参考选择最优节点，兼顾了全局搜索能力和收敛速度。
此外，采用概率计算方法选择初始节点时，通过设置初始节点选择干预因子引导算法优先选择更适合拼车的订单到达时间位于中间顺序的节点，在选择初始节点时也考虑了不同订单到达时间拼车对订单派送的影响，避免了订单派送延误，在线路规划时考虑客户的实际需求，提高线路规划方法的适用性。
步骤S202：规划第一节点的车辆；
规划第一节点的车辆具体包括：步骤A1：若当前的第一节点的客户需求量不大于车辆承载量，则将第一节点加入线路中，更新车辆承载量，第一节点的车辆规划完毕；否则，以当前的第一节点的客户需求量和车辆承载量的差值更新第一节点的客户需求量，将第一节点加入线路，派出一辆新车，返回步骤A1。
步骤S203：判断车辆到达第一节点时是否还存在待满足需求的节点，若存在，根据配置后的状态转移规则选择下一节点作为最新的第一节点，返回步骤S202，若不存在，记录规划完成的子线路，修改蚂蚁寻路状态为已寻路，执行步骤S204；
根据配置后的状态转移规则选择下一节点作为最新的第一节点，车辆k在t时正好处于客户节点i，下一个可能的客户节点为j，配置后的状态转移规则具体为：
Figure 486094DEST_PATH_IMAGE065
(12)
其中，
Figure 36024DEST_PATH_IMAGE066
表示车辆k在i节点之后下一客户选择节点j的概率，
Figure 979709DEST_PATH_IMAGE067
表示节点i和y之间的信息素含量干预因子，
Figure 273287DEST_PATH_IMAGE068
表示节点i和j之间的信息素含量干预因子，节点A和B之间的信息素含量干预因子计算方式为：
Figure 720449DEST_PATH_IMAGE069
，TA是节点A的订单到达时间，TB是节点B的订单到达时间，
Figure 706859DEST_PATH_IMAGE070
为时间差阈值。
Figure 137841DEST_PATH_IMAGE071
表示t时刻边(i,y)上的信息素含量，
Figure 235110DEST_PATH_IMAGE016
表示节点i和y的启发式信息，
Figure 536778DEST_PATH_IMAGE072
表示t时刻边(i,j)上的信息素含量，
Figure 694090DEST_PATH_IMAGE073
表示节点i和j的启发式信息，作为一种可选的实施例，启发式信息为两个客户点之间的距离的倒数，即：
Figure 627016DEST_PATH_IMAGE074
。α为信息素浓度因子，
Figure 996817DEST_PATH_IMAGE075
为预期启发式因子，分别反应积累的信息素和启发式信息在蚂蚁选择线路中的相对重要性， Kp表示客户节点集合。
本发明设置信息素含量干预因子对两节点的边的信息素含量进行调整，信息素含量干预因子反映了两个节点对应的订单到达时间差距，订单到达时间差距越小，被选择的概率越大。在装车运输时，每个订单具有其对应的订单到达时间，相邻订单到达时间的订单进行拼车有助于保障货物的准时到达，满足实际应用的需求，相较于现有技术中仅根据信息素含量选择下一节点，本发明通过信息素含量干预因子引导算法选择订单要求相似的节点，而非单纯追求车辆数量或运输距离，在提高方法适用性的同时避免大范围全局搜索，降低了计算量。
q是一个在(0,1)区间的随机值，q1是中间选择阈值，其计算方法如下：
Figure 684151DEST_PATH_IMAGE076
，t为当前迭代周期的算法运行时间，
Figure 12364DEST_PATH_IMAGE077
为当前迭代周期前一个周期的迭代总时间。与初始节点选择方式类似，在当前迭代运行周期中，迭代运行前期和后期，q1的值比较接近于0，随机计算获得q的值时，车辆较大概率按照概率计算的方式选择下一个客户节点，即遍历全局的节点以获取当前最佳下一节点，增强算法的全局搜索能力；在算法的中期阶段，q1的值比较接近于1，随机计算获得q的值时，车辆较大概率按照最值选择的方式选择下一个客户节点，而此时算法已经迭代了一段时间，线路上的信息素正反馈也逐渐增强，直接基于最大信息素选择节点有利于引导车辆聚集到较优客户点进行搜索，增强算法的收敛速度。相较于现有技术中全部放置逐个遍历、随机选择的方法，本发明在前期和后期，信息素不足或变化较缓的阶段，以全局搜索能力为主要目标，避免错失最优节点，在中期，信息素能够充分反映节点信息的阶段，为了降低运算量同时加快收敛速度，以信息素为参考选择最优节点，兼顾了全局搜索能力和收敛速度。
相较于现有技术中依据经验设置分段函数的方式，本发明采用连续的sin函数计算中间选择阈值的值，中间选择阈值能够随迭代计算的运行时间连续变化，降低了蚁群算法对经验的依赖。
步骤S204：判断已寻路状态的蚂蚁数量是否小于寻路阈值，若是，则重置客户需求量为初始状态，返回步骤S202，否则，执行步骤S205；
步骤S205：多个蚂蚁寻路获得的多个子线路构成子线路集合，从子线路集合中选择线路最短的子线路，根据配置后的线路信息素更新方式更新子线路信息素；
根据配置后的线路信息素更新方式更新子线路信息素，具体为：
Figure 886779DEST_PATH_IMAGE078
(13)
Figure 591430DEST_PATH_IMAGE079
(14)
其中，
Figure 133269DEST_PATH_IMAGE080
为更新后的子线路信息素，
Figure 632384DEST_PATH_IMAGE081
为当前子线路信息素，
Figure 994095DEST_PATH_IMAGE082
为子线路信息素增量，
Figure 971278DEST_PATH_IMAGE083
为增量调整因子，
Figure 633204DEST_PATH_IMAGE084
，Ti是节点i的订单到达时间，Tj是节点j的订单到达时间，
Figure 37640DEST_PATH_IMAGE085
为时间差阈值。ib表示本轮迭代最优解决方案，Cib表示本轮迭代最短线路的距离，ρ为信息素挥发因子，取值范围为(0,1)，Z为常数，代表蚂蚁携带的信息素总量。
子线路信息素是迭代计算过程中节点选择的主要参考因素，计算信息素增量时对于订单到达时间差距较大的线路，减少信息素增量，从而降低该线路被选择的概率。相较于现有技术直接更新信息素的方式，本发明根据订单到达时间调整信息素的变化量，从而影响子线路更新后的信息素，进一步调整蚁群算法的线路规划结果，使得同一车辆尽量选择订单到达时间相差较小的客户节点进行拼车，提高线路规划方法的适用性。
进一步的，将所有信息素浓度限制在
Figure 152227DEST_PATH_IMAGE086
之间，若信息素超出这个范围，就强制限制成此范围的上下限，如下式（15）所示。
Figure 933101DEST_PATH_IMAGE087
(15)
增加信息素约束也是为了避免算法陷入停滞状态，因为如果某条线路上的信息素含量明显高于其他线路，那么蚂蚁会一直重复构造相同的线路，所以要限制信息素含量，避免其过高或过低。
Figure 449533DEST_PATH_IMAGE088
和
Figure 24871DEST_PATH_IMAGE089
的计算如式（16）、（17）所示。
Figure 626754DEST_PATH_IMAGE090
(16)
Figure 211319DEST_PATH_IMAGE091
(17)
其中，Cgb代表全局最优解的线路长度，σ是一个大于0小于1的常数。
步骤S206：判断是否满足迭代终止条件，若满足，完成本次运输调度线路规划，获得第一配送线路；若不满足，重置客户需求量为初始状态，重置蚂蚁寻路状态为未寻路，返回步骤S202。
作为一种可选的实施例，迭代终止条件包括当前迭代次数可以被迭代阈值L整除。第一配送线路包括多个车辆的配送子线路。
本发明对蚁群算法进行改进，一方面，对于状态转移规则中凭借经验设置的参数，利用迭代计算时间计算参数值，从而选择恰当的节点选择方式，降低蚁群算法求解过程对经验的依赖；另一方面，在规划线路时，不同节点的订单需求会被拆分和拼车，为了避免订单到达时间差距过大而导致货物延迟配送，在初始节点选择、状态转移、信息素更新环节引导优先选择订单到达时间相差较小的节点，在保障线路较短的同时通过引导加快算法的收敛速度。
步骤S3：预估第一配送线路各个车辆到达沿途各节点的时间，根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；
获取第一配送线路各个节点对应的订单到达时间
Figure 316678DEST_PATH_IMAGE092
，i=1,2,…,I，I为车辆总数，j=1,2,…,Wi，Wi为车辆i的配送线路上节点总数，预估第一配送线路各个车辆到达沿途各节点的时间
Figure 597005DEST_PATH_IMAGE093
，给规划后的第一配送线路中各配送子线路打分
Figure 155026DEST_PATH_IMAGE094
，其中，
Figure 543282DEST_PATH_IMAGE031
为第i辆车的配送线路的分数，
Figure 768727DEST_PATH_IMAGE095
为第i辆车的配送线路上到达第j个节点的时间，
Figure 685867DEST_PATH_IMAGE096
为第i辆车的配送线路上第j个节点对应的订单到达时间，
Figure 262342DEST_PATH_IMAGE097
为第i辆车的配送线路的分数基数。
将分数值大于线路分数阈值的配送子线路作为第二配送线路集。
步骤S4：对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集，线路自搜索为两两交换一条配送子线路上的客户以优化线路；
在第二配送线路集中，对每辆车的线路，即每条配送子线路分别执行线路自搜索，上的客户进行两两交换，交换后不需要进行承载量审核，因为在车辆线路搜索中已经进行了车辆的承载量审核，交换客户点顺序不会影响总体承载量。线路自搜索具体过程为：
步骤S401：从第二配送线路集中选择一条未优化的配送子线路作为当前配送子线路，交换当前配送子线路的客户；
步骤S402：标记当前配送子线路为已优化，计算交换客户后新的线路的长度，若新的线路的长度小于当前配送子线路的长度，则将当前配送子线路替换为交换客户后新的线路，否则不进行操作；
步骤S403：判断第二配送线路集中是否还存在未优化的配送子线路，若存在，返回步骤S401，否则，结束循环，获得第三配送线路集。
进一步的，考虑到当客户点数量较多时，若每次迭代都进行搜索，会导致算法运行效率下降，所以规定在以下条件下执行此搜索：（a）每迭代十次执行一次搜索；（b）若当前迭代最优解优于全局最优解，则执行搜索。
步骤S4：对第三配送线路集执行车辆间线路搜索，获得最优配送线路，车辆间线路搜索为两两交换不同车辆的客户以优化线路。
车辆间线路搜索具体过程为：
步骤S401：从第三配送线路集中选择最后一辆车的配送子线路作为当前配送子线路，将当前配送子线路的客户与第三配送线路集中其他车辆的客户两两交换；
步骤S402：计算交换客户后新的线路的长度，若新的线路的长度小于当前配送子线路的长度，则将当前配送子线路替换为交换客户后新的线路，否则，结束循环，获得最优配送线路。
在车辆间线路搜索中，对不同车辆的客户进行两两交换，交换了不同车辆线路上的客户点i和j，交换后需要进行承载量审核。本发明为了满足最小使用车辆，除了最后一辆车外，其他车辆均为满载，而客户点的需求实际上也大部分互不相同，所以，如果两辆满载的车交换客户，那大概率无法通过承载量审核，这样会占用时间做一些无用的比较。考虑到这个因素，不对所有的车进行车辆间线路搜索，只对最后一辆车与其他车之间进行搜索，因为最后一辆车可能会有剩余承载量，更容易通过负载审核，这样既保证了可以发现可能出现的更优解，又防止了大量的无用搜索占用时间，保证了获得最优规划结果的基础上降低算法计算量。
本发明采用优化的2-opt方法，通过双重交换机制获得最优线路，同时为了减少运算量，基于订单到达时间与车辆预估到达时间的差距对线路进行评价，筛选出时间差较小的线路，满足客户配送需求同时降低运算量。
本发明的第二实施方式涉及一种配送线路的规划装置，具体包括：
建模模块，用于建立运输调度线路模型；
配置求解模块，用于获取车场待规划线路的订单信息，根据订单信息配置蚁群算法，利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；
评价模块，用于预估第一配送线路各个车辆到达沿途各节点的时间，根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；
筛选模块，用于筛选分数值大于线路分数阈值的配送子线路，构成第二配送线路集；
优化模块，用于对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集，线路自搜索为两两交换一条配送子线路上的客户以优化线路；
优化模块还被配置为对第三配送线路集执行车辆间线路搜索，获得最优配送线路，车辆间线路搜索为两两交换不同车辆的客户以优化线路。
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种运输调度线路设定方法，其特征在于，所述运输调度线路设定方法具体包括：
步骤S1：建立运输调度线路模型；
步骤S2：根据订单信息配置蚁群算法，利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；
步骤S3：预估第一配送线路各个车辆到达沿途各节点的时间，根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；将分数值大于线路分数阈值的配送子线路作为第二配送线路集；
步骤S4：对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集，线路自搜索为两两交换一条配送子线路上的客户以优化线路；
步骤S5：对第三配送线路集执行车辆间线路搜索，获得最优配送线路，车辆间线路搜索为两两交换不同车辆的客户以优化线路。
2.根据权利要求1所述的运输调度线路设定方法，其特征在于，所述步骤S2具体包括：
根据订单信息配置蚁群算法具体为根据订单信息配置初始节点选择方式、状态转移规则和信息素更新方式，订单信息包括各个订单的订单到达时间。
3.根据权利要求2所述的运输调度线路设定方法，其特征在于，利用配置后的蚁群算法求解运输调度线路模型，具体包括：
步骤S201：初始化参数，选择待满足需求的第一节点；
步骤S202：规划第一节点的车辆；
步骤S203：判断车辆到达第一节点时是否还存在待满足需求的节点，若存在，根据配置后的状态转移规则选择下一节点作为最新的第一节点，返回步骤S202，若不存在，记录规划完成的子线路，修改蚂蚁寻路状态为已寻路，执行步骤S204；
步骤S204：判断已寻路状态的蚂蚁数量是否小于寻路阈值，若是，则重置客户需求量为初始状态，返回步骤S202，否则，执行步骤S205；
步骤S205：多个蚂蚁寻路获得的多个子线路构成子线路集合，从子线路集合中选择线路最短的子线路，根据配置后的线路信息素更新方式更新子线路信息素；
步骤S206：判断是否满足迭代终止条件，若满足，完成本次运输调度线路规划，获得第一配送线路；若不满足，重置客户需求量为初始状态，重置蚂蚁寻路状态为未寻路，返回步骤S202。
4.根据权利要求3所述的运输调度线路设定方法，其特征在于，选择待满足需求的第一节点，具体包括：
将所有车辆放置于车场中，在t时刻，车辆k可能选择的初始客户节点为j，选择公式为：
Figure 407055DEST_PATH_IMAGE001
(11)
其中，
Figure 855354DEST_PATH_IMAGE002
表示t时刻由车场0到客户节点y构成的边(0,y)上的信息素含量，Kp表示客户节点集合，
Figure 431829DEST_PATH_IMAGE003
表示t时刻由车场0到可能选择的初始客户节点j构成的边(0,j)上的信息素含量，
Figure 358196DEST_PATH_IMAGE004
表示车辆k初始客户选择节点j的概率，kj为初始节点选择干预因子，
Figure 969306DEST_PATH_IMAGE005
，其中t为当前算法运行时刻，
Figure 650823DEST_PATH_IMAGE006
为初始阶段时间阈值，
Figure 514262DEST_PATH_IMAGE007
为节点j对应的订单到达时间，根据订单到达时间将各个订单排序，
Figure 41058DEST_PATH_IMAGE008
为订单到达时间位于中间位置订单对应的订单到达时间；q是一个在(0,1)区间的随机值，q0是初始选择阈值。
5.根据权利要求3所述的运输调度线路设定方法，其特征在于，规划第一节点的车辆具体包括：步骤A1：若当前的第一节点的客户需求量不大于车辆承载量，则将第一节点加入线路中，更新车辆承载量，第一节点的车辆规划完毕；否则，以当前的第一节点的客户需求量和车辆承载量的差值更新第一节点的客户需求量，将第一节点加入线路，派出一辆新车，返回步骤A1。
6. 根据权利要求3所述的运输调度线路设定方法，其特征在于，车辆k在t时正好处于客户节点i，下一个可能的客户节点为j，配置后的状态转移规则具体为：
Figure 303412DEST_PATH_IMAGE009
(12)
其中，
Figure 359093DEST_PATH_IMAGE010
表示车辆k在i节点之后下一客户选择节点j的概率，
Figure 706898DEST_PATH_IMAGE011
表示节点i和y之间的信息素含量干预因子，
Figure 506226DEST_PATH_IMAGE012
表示节点i和j之间的信息素含量干预因子，节点A和B之间的信息素含量干预因子计算方式为：
Figure 94858DEST_PATH_IMAGE013
，TA是节点A的订单到达时间，TB是节点B的订单到达时间，
Figure 790282DEST_PATH_IMAGE015
为时间差阈值，
Figure 563066DEST_PATH_IMAGE016
表示t时刻边(i,y)上的信息素含量，
Figure 369348DEST_PATH_IMAGE017
表示节点i和y的启发式信息，
Figure 278398DEST_PATH_IMAGE018
表示t时刻边(i,j)上的信息素含量，
Figure 144723DEST_PATH_IMAGE019
表示节点i和j的启发式信息，α为信息素浓度因子，
Figure 404803DEST_PATH_IMAGE021
为预期启发式因子，Kp表示客户节点集合，q是一个在(0,1)区间的随机值，q1是中间选择阈值。
7. 根据权利要求3所述的运输调度线路设定方法，其特征在于，根据配置后的线路信息素更新方式更新子线路信息素，具体为：
Figure 14776DEST_PATH_IMAGE022
(13)
Figure 778332DEST_PATH_IMAGE023
(14)
其中，
Figure 81138DEST_PATH_IMAGE024
为更新后的子线路信息素，
Figure 562934DEST_PATH_IMAGE025
为当前子线路信息素，
Figure 711019DEST_PATH_IMAGE026
为子线路信息素增量，
Figure 594661DEST_PATH_IMAGE027
为增量调整因子，
Figure 68368DEST_PATH_IMAGE028
，Ti是节点i的订单到达时间，Tj是节点j的订单到达时间，
Figure 771882DEST_PATH_IMAGE029
为时间差阈值，ib表示本轮迭代最优解决方案，Cib表示本轮迭代最短线路的距离，ρ为信息素挥发因子，取值范围为(0,1)，Z为常数，代表蚂蚁携带的信息素总量。
8.根据权利要求1所述的运输调度线路设定方法，其特征在于，所述步骤S3具体为：
获取第一配送线路各个节点对应的订单到达时间
Figure 723657DEST_PATH_IMAGE030
，i=1,2,…,I，I为车辆总数，j=1,2,…,Wi，Wi为车辆i的配送线路上节点总数，预估第一配送线路各个车辆到达沿途各节点的时间
Figure 727385DEST_PATH_IMAGE031
，给规划后的第一配送线路中各配送子线路打分
Figure 371993DEST_PATH_IMAGE032
，其中，
Figure 843031DEST_PATH_IMAGE033
为第i辆车的配送线路的分数，
Figure 332918DEST_PATH_IMAGE034
为第i辆车的配送线路上到达第j个节点的时间，
Figure DEST_PATH_IMAGE035
为第i辆车的配送线路上第j个节点对应的订单到达时间，
Figure DEST_PATH_IMAGE036
为第i辆车的配送线路的分数基数。
9.根据权利要求1所述的运输调度线路设定方法，其特征在于，所述步骤S4具体为：
车辆间线路搜索具体过程为：
步骤S401：从第三配送线路集中选择最后一辆车的配送子线路作为当前配送子线路，将当前配送子线路的客户与第三配送线路集中其他车辆的客户两两交换；
步骤S402：计算交换客户后新的线路的长度，若新的线路的长度小于当前配送子线路的长度，则将当前配送子线路替换为交换客户后新的线路，否则，结束循环，获得最优配送线路。
10.一种运输调度线路设定装置，其特征在于，包括：
建模模块，用于建立运输调度线路模型；
配置求解模块，用于获取车场待规划线路的订单信息，根据订单信息配置蚁群算法，利用配置后的蚁群算法求解运输调度线路模型，获得第一配送线路；
评价模块，用于预估第一配送线路各个车辆到达沿途各节点的时间，根据各个车辆到达沿途各节点的时间和节点对应的订单到达时间的时间差给规划后的第一配送线路中各配送子线路打分；
筛选模块，用于筛选分数值大于线路分数阈值的配送子线路，构成第二配送线路集；
优化模块，用于对第二配送线路集中各配送子线路执行线路自搜索，构成第三配送线路集，线路自搜索为两两交换一条配送子线路上的客户以优化线路；
优化模块还被配置为对第三配送线路集执行车辆间线路搜索，获得最优配送线路，车辆间线路搜索为两两交换不同车辆的客户以优化线路。
CN202210943865.6A 2022-08-08 2022-08-08 一种运输调度线路设定方法和装置 Active CN115018211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210943865.6A CN115018211B (zh) 2022-08-08 2022-08-08 一种运输调度线路设定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210943865.6A CN115018211B (zh) 2022-08-08 2022-08-08 一种运输调度线路设定方法和装置

Publications (2)

Publication Number Publication Date
CN115018211A true CN115018211A (zh) 2022-09-06
CN115018211B CN115018211B (zh) 2022-11-01

Family

ID=83065984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210943865.6A Active CN115018211B (zh) 2022-08-08 2022-08-08 一种运输调度线路设定方法和装置

Country Status (1)

Country Link
CN (1) CN115018211B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596164A (zh) * 2023-07-11 2023-08-15 北京交通发展研究院 一种基于两网融合的公交线路优化方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085349A (zh) * 2020-08-19 2020-12-15 大连海事大学 一种基于乘客出行时间窗约束的需求响应公交调度方法
CN112508235A (zh) * 2020-11-19 2021-03-16 北京清研宏达信息科技有限公司 一种基于蚁群算法的公交发车时间间隔优化方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN114118597A (zh) * 2021-11-30 2022-03-01 上海海洋大学 一种基于自适应动态搜索蚁群算法的生鲜品低碳物流配送路径规划模块及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN112085349A (zh) * 2020-08-19 2020-12-15 大连海事大学 一种基于乘客出行时间窗约束的需求响应公交调度方法
CN112508235A (zh) * 2020-11-19 2021-03-16 北京清研宏达信息科技有限公司 一种基于蚁群算法的公交发车时间间隔优化方法
CN113947310A (zh) * 2021-10-19 2022-01-18 福州大学 一种车间物料配送路径优化方法
CN114118597A (zh) * 2021-11-30 2022-03-01 上海海洋大学 一种基于自适应动态搜索蚁群算法的生鲜品低碳物流配送路径规划模块及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIWEI YANG等: "Dynamic vehicle routing with time windows in the theory and practice", 《SPRINGERLINK》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596164A (zh) * 2023-07-11 2023-08-15 北京交通发展研究院 一种基于两网融合的公交线路优化方法、装置及电子设备
CN116596164B (zh) * 2023-07-11 2023-09-22 北京交通发展研究院 一种基于两网融合的公交线路优化方法、装置及电子设备

Also Published As

Publication number Publication date
CN115018211B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN109034481B (zh) 一种基于约束规划的带时间窗车辆路径问题建模及优化方法
Matusiak et al. A fast simulated annealing method for batching precedence-constrained customer orders in a warehouse
Hou et al. Ride-matching and routing optimisation: Models and a large neighbourhood search heuristic
Hyytiä et al. Non-myopic vehicle and route selection in dynamic DARP with travel time and workload objectives
Chevrier et al. Solving a dial-a-ride problem with a hybrid evolutionary multi-objective approach: Application to demand responsive transport
US7363126B1 (en) Core area territory planning for optimizing driver familiarity and route flexibility
Van Hemert et al. Dynamic routing problems with fruitful regions: Models and evolutionary computation
CN111860754A (zh) 基于蚁群以及遗传算法的agv调度方法
US20060161335A1 (en) Routing system and method
CN108154254B (zh) 基于改进型a*算法的物流配送车辆调度方法
CN109345091B (zh) 基于蚁群算法的整车物流调度方法及装置、存储介质、终端
CN110555640A (zh) 路由规划的方法和装置
CN107909228B (zh) 基于模因计算的动态车辆收发货路径规划方法及装置
CN110852530B (zh) 一种多车场多车型的车辆路径规划方法
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN115062868B (zh) 一种预聚类的车辆配送路径规划方法和装置
Grzybowska et al. Decision support system for real-time urban freight management
CN115018211B (zh) 一种运输调度线路设定方法和装置
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN113780676A (zh) 一种瓶装液化气车辆配送路径优化方法
CN111860957B (zh) 一种考虑二次配送和平衡用时的多车型车辆路径规划方法
Chaovalitwongse et al. GRASP with a new local search scheme for vehicle routing problems with time windows
CN113705879A (zh) 一种多车场多车型车辆路径规划方法
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
Jachimowski et al. Vehicle routing problem with heterogeneous customers demand and external transportation costs

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