CN115032997A - 一种基于蚁群算法的第四方物流运输路径规划方法 - Google Patents

一种基于蚁群算法的第四方物流运输路径规划方法 Download PDF

Info

Publication number
CN115032997A
CN115032997A CN202210712169.4A CN202210712169A CN115032997A CN 115032997 A CN115032997 A CN 115032997A CN 202210712169 A CN202210712169 A CN 202210712169A CN 115032997 A CN115032997 A CN 115032997A
Authority
CN
China
Prior art keywords
transportation
path
city
city node
node
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
CN202210712169.4A
Other languages
English (en)
Other versions
CN115032997B (zh
Inventor
张欣
丁博文
马照彬
钱鹏江
方伟
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202210712169.4A priority Critical patent/CN115032997B/zh
Priority to PCT/CN2022/104513 priority patent/WO2023245740A1/zh
Publication of CN115032997A publication Critical patent/CN115032997A/zh
Application granted granted Critical
Publication of CN115032997B publication Critical patent/CN115032997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于蚁群算法的第四方物流运输路径规划方法，涉及第四方物流运输优化领域，该方法采用有向图的邻接表方式保存第四方物流运输网络的信息，并提出一种情景式编码方法，基于问题特征设计了启发式信息和信息素的计算方式，并结合节点禁忌表和路径禁忌表来确定可访问路径，利用蚁群算法可以在运输成本约束和运载量约束下得到运输路径，以实现物流作业整体的总运输时间最短的目标，求解难度较低且解的质量较高。

Description

一种基于蚁群算法的第四方物流运输路径规划方法
技术领域
本发明涉及第四方物流运输优化领域，尤其是一种基于蚁群算法的第四方物流运输路径规划方法。
背景技术
随着信息技术的发展，物流体系逐渐完善，人们享受着足不出户便利购物体验。在这种大背景下，各类商家为了进一步降低成本提高效率，将物流业务转交给第三方物流(third party logistics，简称3PL)公司。但由于物流市场的不断拓展下电商平台订单膨胀式的增加，3PL逐渐展现出在服务种类、资源协调、信息化程度等方面的短缺。第四方物流(fourth party logistics，简称4PL)为了弥补这些不足应运而生，它开创一种崭新的物流模式，通过整合3PL的物流资源，使用新的信息技术来构建一套完整的供应链解决方案。4PL在商家和第三方物流公司之间起到了至关重要的作用，对于商家可以专注与自身的核心业务，第三方物流公司则可以进一步提升物流效率。
4PL的优势是显而易见的，得到了国内外物流领域的广泛关注。4PL的业务流程可分为三个不同的阶段：客户委托、运输、交付。其中运输阶段是重中之重，4PL需要在接到委托任务后，设计运输路线，选择合适的3PL代理商，在一定的成本约束预算下和客户期望时间内找到解决方案。所以路径与物流时间优化问题对于4PL而言是极为重要的，相比于传统的3PL需要额外综合考量供应商的运输能力、运输成本等因素，这使得4PL路径问题求解空间更大，求解难度更高。所以对第四方物流优化的研究具有很强的学术价值和现实意义。
进化计算和运筹学方法是求解4PL相关优化问题的常用解决方法。卢福强和任亮等人分别在第十三届自动化科学与工程国际会议和第二十六届中国控制与决策会议上采用遗传算法和蚁群算法求解4PL优化问题。但是，前者在面对较为复杂的模型下算法效果欠佳，后者算法时间复杂度较高，从而会消耗较多的时间求解问题。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于蚁群算法的第四方物流运输路径规划方法，本发明的技术方案如下：
一种基于蚁群算法的第四方物流运输路径规划方法，该方法包括：
构建第四方物流运输网络的有向邻接表gList，有向邻接表gList中包括N个城市节点，每两个有向邻接的城市节点之间通过G条运输路径相连，每条运输路径表示使用对应的一个运输代理商在两个城市节点之间进行物流运输；
初始化所有运输路径上的信息素，在每一轮迭代中，对于任意蚂蚁个体k，初始化蚂蚁个体k位于有向邻接表gList中的起点城市节点处，根据有向邻接表 gList在信息素τ以及启发式信息η的引导下、从当前所在的城市节点的可访问路径中确定目标运输路径，并沿着目标运输路径移动至下一个有向邻接的城市节点，直至蚂蚁个体k移动到达终点城市节点时完成解的构建，其中信息素τ和启发式信息η均与运输路径所需的运输花费相关且启发式信息η与运输路径所需的运输花费成反比；
在所有m个蚂蚁个体都完成解的构建而完成一轮迭代后，全局更新所有运输路径上的信息素，并执行下一轮迭代直至达到迭代终止条件，得到从起点城市节点至终点城市节点的总运输时间最短的运输路径；
其中，任意蚂蚁个体k在任意城市节点i处的可访问路径包括城市节点i与所有可访问城市节点之间除路径禁忌表edgeTabooList中的运输路径之外的所有运输路径，蚂蚁个体k在城市节点i处的可访问城市节点包括城市节点i的所有有向邻接的城市节点中除节点禁忌表nodeTabooList中的城市节点之外的所有城市节点；蚂蚁个体k在城市节点i处的节点禁忌表nodeTabooList包含与城市节点i 有向邻接且不满足运输成本约束条件的城市节点，蚂蚁个体k在城市节点i处的路径禁忌表edgeTabooList包含与城市节点i相连且不满足运载量约束条件的运输路径。
其进一步的技术方案为，初始化城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure BDA0003708490030000021
上的信息素为
Figure BDA0003708490030000022
Ctd是由弗洛伊德算法通过运输路径
Figure BDA0003708490030000023
对应的单位运输时间
Figure BDA0003708490030000024
和城市节点i与城市节点j之间的运输距离dij构造的路径长度；其中，运输路径
Figure BDA0003708490030000025
对应的单位运输时间
Figure BDA0003708490030000026
表示运输代理商g在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输时间。
其进一步的技术方案为，城市节点i与城市节点j之间对应于运输代理商g 的运输路径
Figure BDA0003708490030000031
上与运输花费成反比的启发式信息
Figure BDA0003708490030000032
其中，
Figure BDA0003708490030000033
为运输代理商g的运输速度，dij为运输路径
Figure BDA0003708490030000034
的运输距离，
Figure BDA0003708490030000035
是运输代理商g在城市节点i与城市节点j之间进行物流运输时的总花费。
其进一步的技术方案为，当蚂蚁个体k位于城市节点i处时，对于城市节点 i的任意一个有向邻接的城市节点j，若根据城市节点i与城市节点j之间的运输距离dij以及最低运输成本cij_min确定得到的城市节点i与城市节点j之间的最低运输成本超过额定最大运输成本C，则确定城市节点j不满足运输成本约束条件、且包含在蚂蚁个体k在城市节点i处的节点禁忌表nodeTabooList中；
其中，城市节点i与城市节点j之间的最低运输成本cij_min是所有运输代理商在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输成本的最小值。
其进一步的技术方案为，当蚂蚁个体k位于城市节点i处时，对于城市节点 i与任意一个有向邻接的城市节点j之间的任意一条运输路径，若运输路径对应的运输代理商的最大运载量小于待配送总运载量Q，则确定运输路径不满足运载量约束条件、且包含在蚂蚁个体k在城市节点i处的路径禁忌表edgeTabooList 中。
其进一步的技术方案为，从当前所在的城市节点的可访问路径中确定目标运输路径，包括：
生成一个随机数q∈[0,1]，若q≤q0则按照
Figure BDA0003708490030000036
的公式、选择可访问路径中使得
Figure BDA0003708490030000037
最大的运输路径作为目标运输路径，否则通过轮盘赌的方法从可访问路径中选择得到目标运输路径；
其中，
Figure BDA0003708490030000038
表示运输路径
Figure BDA0003708490030000039
上的信息素，
Figure BDA00037084900300000310
表示运输路径
Figure BDA00037084900300000311
上的启发式信息，运输路径
Figure BDA00037084900300000312
表示城市节点i与城市节点j之间对应于运输代理商g的运输路径，α、β、q0为参数，
Figure BDA00037084900300000313
表示运输路径
Figure BDA00037084900300000314
包含在蚂蚁个体k在城市节点i处的可访问路径构成的集合Jk(i)中。
其进一步的技术方案为，通过轮盘赌的方法从可访问路径中选择得到目标运输路径，包括：
从可访问路径中选择对应概率最大的运输路径作为目标运输路径，任意的运输路径
Figure BDA00037084900300000315
对应的概率
Figure BDA00037084900300000316
为：
Figure BDA0003708490030000041
其中，t表示蚂蚁个体k在城市节点i处的可访问路径构成的集合Jk(i)中的任意一个运输路径，τt是运输路径t上的信息素，ηt表示运输路径t上的启发式信息。
其进一步的技术方案为，在任意一轮迭代中对于任意一个蚂蚁个体k，方法还包括：
若蚂蚁个体k在当前的城市节点处不存在可访问路径，且蚂蚁个体k当前所在的城市节点不是终点城市节点，则控制蚂蚁个体k沿着回溯路径返回至上一个城市节点，回溯路径是蚂蚁个体k在上一个城市节点处确定得到的目标运输路径；将回溯路径添加到蚂蚁个体k在上一个城市节点处的路径禁忌表 edgeTabooList中并对应更新蚂蚁个体k在上一个城市节点的可访问路径，重新确定蚂蚁个体k在上一个城市节点处的目标运输路径。
其进一步的技术方案为，全局更新所有运输路径上的信息素，包括：
将城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure BDA0003708490030000042
上的信息素更新为
Figure BDA0003708490030000043
ρ是参数，
Figure BDA0003708490030000044
表示至今最优的蚂蚁个体在运输路径
Figure BDA0003708490030000045
上释放的信息素，若运输路径
Figure BDA0003708490030000046
包含在至今最优的运输路径中则
Figure BDA0003708490030000047
若运输路径
Figure BDA0003708490030000048
不包含在至今最优的运输路径中则
Figure BDA0003708490030000049
其进一步的技术方案为，至今最优的蚂蚁个体在运输路径
Figure BDA00037084900300000410
上释放的信息素为：
Figure BDA00037084900300000411
其中，speedbest为至今最优的运输路径的总的运输时间，distancebest为至今最优的运输路径的总距离，costbest为至今最优的运输路径的总花费，Rk为至今最优的运输路径。
本发明的有益技术效果是：
本申请公开了一种基于蚁群算法的第四方物流运输路径规划方法，该方法采用有向图的邻接表方式保存第四方物流运输网络的信息，并提出一种情景式编码方法，基于问题特征设计了启发式信息和信息素计算方式，从不同角度提高解的质量，利用蚁群算法可以在运输成本约束和运载量约束下得到运输路径，以实现物流作业整体的总运输时间最短的目标，求解难度较低且解的质量较高，可以兼顾求解质量和求解速度，路径规划效率较高。
在蚁群算法应用过程中，使用节点禁忌表和路径禁忌表来减少不可行解产生的概率，另外使用了路径回溯的方法代替初始化新解来修复不可行路径，蚁群算法效率较高。
附图说明
图1是一个实施例中的第四方物流运输路径规划方法的流程示意图。
图2是一个实例中的第四方物流运输网络的示意图。
图3是另一个实施例中的第四方物流运输路径规划方法的流程示意图。
图4是一个实验对比例中本申请的方法与其他两种算法的算法收敛图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于蚁群算法的第四方物流运输路径规划方法，请参加图1所示的流程图，该方法包括如下步骤：
步骤1，构建第四方物流运输网络的有向邻接表gList。本申请采用有向图的邻接表方式保存第四方物流运输网络的信息，有向邻接表gList中包括N个城市节点，每两个有向邻接的城市节点之间通过G条运输路径相连，每条运输路径表示使用对应的一个运输代理商在两个城市节点之间进行物流运输。
比如如图2示出了一个实例中的第四方物流运输网络的示意图，则对应的有向邻接表中包括7个城市节点，分别表示图2中的数值1～7的圆圈，每两个有向邻接的城市节点之间通过2条运输路径相连，比如城市节点1与城市节点 2之间通过运输路径a1,2和运输路径b1,2相连，城市节点1与城市节点4之间通过运输路径a1,4和运输路径b1,4相连，以此类推。图2以不同的下标表示不同城市节点之间的运输路径，任意两个城市节点之间的运输路径a对应运输代理商 A、运输路径b对应运输代理商B，则城市节点1与城市节点2之间的运输路径a1,2表示使用运输代理商A在城市节点1与城市节点2之间进行物流运输，其他含义也是类似的。
需要说明的是，本申请以每两个有向邻接的城市节点之间通过相同数量、相同类型的运输代理商进行运输为例，实际应用过程中若数量和类型存在不同也可以沿用本申请的方法。
请参加图2所示的第四方物流运输网络的结构，当需要从一个起点城市节点向一个终点城市节点进行物流运输时，有多种路径选择，如图2中，当需要从城市节点1向城市节点5进行物流运输时，可以从城市节点1途径城市节点 2到达城市节点5，或者从城市节点1途径城市节点4到达城市节点5，而在每两个城市节点之间也可以选用不同的运输代理商进行运输，比如可以通过运输路径a1,2和运输路径a2,5到达城市节点5，也可以通过运输路径b1,4和运输路径 a4,5到达城市节点5，其他还有更多种可选的运输路径，当第四方物流运输网络更为复杂时，可选的运输路径更多。
在众多可选的运输路径中，需要考虑在一定的运输成本下选择最佳路径和适合的运输代理商，进而实现物流作业整体的总运输时间最短的目标，此模型优化目标定义为：
Figure BDA0003708490030000061
其中，
Figure BDA0003708490030000062
表示运输代理商g在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输时间。
Figure BDA0003708490030000063
表示利用运输代理商g 在城市节点i与城市节点j之间进行物流运输的运输路径，当选用运输代理商g 进行运输时，
Figure BDA0003708490030000064
取1，否则
Figure BDA0003708490030000065
取0。
此模型的约束条件包括运输成本约束条件和运载量约束条件，写为：
Figure BDA0003708490030000066
Figure BDA0003708490030000067
Figure BDA0003708490030000068
Figure BDA0003708490030000069
Q≤Qg,g∈{1,2,…,G}
其中，dij表示城市节点i与城市节点j之间的运输距离，Q为需要从起点城市节点向终点城市节点运输的货物的待配送总运载量，
Figure BDA00037084900300000610
表示利用运输代理商 g在城市节点i与城市节点j之间进行物流运输的每单位运输距离以及每单位运载量所需的运输成本。C是用户能够承担的额定最大运输成本。Qg为运输代理商g的最大运载量。
本申请基于蚁群算法，结合有向邻接表gList所记载的第四方物流运输网络的信息，可以在上述约束条件下求解得到目标模型，从而选择出运输时间最优的运输路径，具体做法如下：
步骤2，初始化所有运输路径上的信息素。
在一个实施例中，对于任意一个城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure BDA0003708490030000071
上的信息素，将其初始化为
Figure BDA0003708490030000072
其中，m是蚁群算法中所有蚂蚁个体的总个数。Ctd是由弗洛伊德算法通过运输路径
Figure BDA0003708490030000073
对应的单位运输时间
Figure BDA0003708490030000074
和城市节点i与城市节点j之间的运输距离 dij构造的路径长度。运输路径
Figure BDA0003708490030000075
对应的单位运输时间
Figure BDA0003708490030000076
表示运输代理商g在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输时间。
步骤3，在每一轮迭代中，对于任意蚂蚁个体k，初始化蚂蚁个体k位于有向邻接表gList中的起点城市节点处，起点城市节点和终点城市节点都是有向邻接表gList中的一个城市节点，是已知的城市节点。
根据有向邻接表gList在信息素τ以及启发式信息η的引导下、从蚂蚁个体k 当前所在的城市节点的可访问路径中确定目标运输路径，并沿着目标运输路径移动至下一个有向邻接的城市节点，直至蚂蚁个体k移动到达终点城市节点时完成解的构建。
其中，信息素τ和启发式信息η均与运输路径所需的运输距离、运输速度和相应花费相关且启发式信息η与运输路径所需的运输花费成反比。具体的，运输路径
Figure BDA0003708490030000077
上与运输花费成反比的启发式信息
Figure BDA0003708490030000078
为运输代理商 g的运输速度，dij为运输路径
Figure BDA0003708490030000079
的运输距离，
Figure BDA00037084900300000710
是运输代理商g在城市节点i与城市节点j之间进行物流运输时的总花费。
任意蚂蚁个体k在任意城市节点i处的可访问路径包括城市节点i与所有可访问城市节点之间除路径禁忌表edgeTabooList中的运输路径之外的所有运输路径。而蚂蚁个体k在城市节点i处的可访问城市节点包括城市节点i的所有有向邻接的城市节点中除节点禁忌表nodeTabooList中的城市节点之外的所有城市节点。也即，蚂蚁个体k在城市节点i处的可访问路径是城市节点i连接的所有运输路径中排除掉nodeTabooList中的城市节点以及排除掉edgeTabooList中的运输路径后剩余的运输路径。
蚂蚁个体k在城市节点i处的节点禁忌表nodeTabooList包含与城市节点i有向邻接且不满足运输成本约束条件的城市节点。具体的：当蚂蚁个体k位于城市节点i处时，对于城市节点i的任意一个有向邻接的城市节点j，若根据城市节点i与城市节点j之间的运输距离dij以及最低运输成本cij_min确定得到的城市节点i与城市节点j之间的最低运输成本超过额定最大运输成本C。则确定城市节点j不满足运输成本约束条件、且包含在蚂蚁个体k在城市节点i处的节点禁忌表nodeTabooList中。城市节点i与城市节点j之间的最低运输成本cij_min是所有运输代理商在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输成本的最小值，则当dij×cij_min×Q>C时，确定城市节点j不满足运输成本约束条件。
蚂蚁个体k在城市节点i处的路径禁忌表edgeTabooList包含与城市节点i相连且不满足运载量约束条件的运输路径。具体的：当蚂蚁个体k位于城市节点i 处时，对于城市节点i与任意一个有向邻接的城市节点j之间的任意一条运输路径，若运输路径对应的运输代理商的最大运载量小于待配送总运载量Q，则确定运输路径不满足运载量约束条件、且包含在蚂蚁个体k在城市节点i处的路径禁忌表edgeTabooList中。
比如，基于图2所示的第四方物流运输网络，当蚂蚁个体k在任意城市节点1处时，假设其节点禁忌表nodeTabooList中包括城市节点3，路径禁忌表 edgeTabooList中包括运输路径b1,4。则此时，城市节点i的所有有向邻接的城市节点包括城市节点2、城市节点3和城市节点4，排除掉节点禁忌表nodeTabooList中的城市节点3后，确定此时所有可访问城市节点包括城市节点2和城市节点4。城市节点1与城市节点2和城市节点4之间的所有运输路径包括a1,2、b1,2、a1,4、 b1,4，排除掉edgeTabooList中包含的b1,4，就能确定此时蚂蚁个体k在城市节点1 处的可访问路径包括a1,2、b1,2、a1,4。
在蚂蚁个体k位于每个城市节点i处时，都按照上述方法确定此时的节点禁忌表nodeTabooList和路径禁忌表edgeTabooList，继而确定相应的可访问路径，请参考图3所示的流程图，然后从中选取目标运输路径以移动到下一个城市节点，确定目标运输路径的方法包括：
生成一个随机数q∈[0,1]，若q≤q0则按照
Figure BDA0003708490030000081
的公式、选择可访问路径中使得
Figure BDA0003708490030000082
最大的运输路径作为目标运输路径，
Figure BDA0003708490030000083
表示运输路径
Figure BDA0003708490030000084
上的信息素，
Figure BDA0003708490030000085
表示运输路径
Figure BDA0003708490030000086
上的启发式信息，运输路径
Figure BDA0003708490030000087
表示城市节点i与城市节点j之间对应于运输代理商g的运输路径，α、β、q0为参数，
Figure BDA0003708490030000091
表示运输路径
Figure BDA0003708490030000092
包含在蚂蚁个体k在城市节点i处的可访问路径构成的集合Jk(i)中。
若q>q0，则通过轮盘赌的方法从可访问路径中选择得到目标运输路径。在通过轮盘赌的方法从可访问路径中选择得到目标运输路径时，可访问路径中选择对应概率最大的运输路径作为目标运输路径，任意的运输路径
Figure BDA0003708490030000093
对应的概率
Figure BDA0003708490030000094
为：
Figure BDA0003708490030000095
其中，t表示蚂蚁个体k在城市节点i处的可访问路径构成的集合Jk(i)中的任意一个运输路径，τt是运输路径t上的信息素，ηt表示运输路径t上的启发式信息。
请参考图3，在蚂蚁个体k逐步移动的过程中，若蚂蚁个体k在当前的城市节点处不存在可访问路径，且蚂蚁个体k当前所在的城市节点是终点城市节点，则表示已经完成了解的构建。若蚂蚁个体k在当前的城市节点处不存在可访问路径，且蚂蚁个体k当前所在的城市节点不是终点城市节点，则控制蚂蚁个体k 沿着回溯路径返回至上一个城市节点，回溯路径是蚂蚁个体k在上一个城市节点处确定得到的目标运输路径。将回溯路径添加到蚂蚁个体k在上一个城市节点处的路径禁忌表edgeTabooList中并对应更新蚂蚁个体k在上一个城市节点的可访问路径，重新确定蚂蚁个体k在上一个城市节点处的目标运输路径，继而重新从上一个城市节点处移动至重新确定的城市节点处。edgeTabooList的一部分作用是保证蚂蚁个体能够避开不符合运输商能够承担的最大运输量约束的路径，提高算法的效率，另一部分作用是负责记录失败的路径信息，当蚂蚁个体所在的最后的一个城市节点不是期望的终点城市节点时，通过路径的回溯可以回到上一城市节点来修复不可行路径。
步骤4，在所有m个蚂蚁个体都完成解的构建而完成一轮迭代后，全局更新所有运输路径上的信息素，并执行下一轮迭代直至达到迭代终止条件，得到从起点城市节点至终点城市节点的总运输时间最短的运输路径。
具体的迭代过程为，在开始一轮迭代时，初始化k＝0，通过上述方法控制蚂蚁个体k移动到达终点城市节点时完成解的构建，并令k＝k+1，若满足k<m，则利用更新后的k对下一个蚂蚁个体进行解的构建。若不满足k<m，则确定完成一轮迭代，并全局更新所有运输路径上的信息素执行下一轮迭代直至达到迭代终止条件。迭代终止条件可以预先设定，比如设定迭代的总轮数等等。
在全局更新所有运输路径上的信息素时，将城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure BDA0003708490030000101
上的信息素更新为
Figure BDA0003708490030000102
ρ是参数，
Figure BDA0003708490030000103
表示至今最优的蚂蚁个体在运输路径
Figure BDA0003708490030000104
上释放的信息素，若运输路径
Figure BDA0003708490030000105
包含在至今最优的运输路径中则
Figure BDA0003708490030000106
若运输路径
Figure BDA0003708490030000107
不包含在至今最优的运输路径中则
Figure BDA0003708490030000108
也即全局信息素的更新仅在至今最优的路径的边上进行更新。其中，至今最优的蚂蚁个体在运输路径
Figure BDA0003708490030000109
上释放的信息素为：
Figure BDA00037084900300001010
其中，speedbest为至今最优的运输路径的总的运输时间，distancebest为至今最优的运输路径的总距离，costbest为至今最优的运输路径的总花费，Rk为至今最优的运输路径。
为了说明本申请方法的有效性，本申请设置如下实例进行实验数据对比：以算法一为本申请提供的方法(IACO)。算法二为2021年发表在智能系统学报中的《模糊粒子群优化算法的第四方物流运输时间优化》一文中的引入收敛因子和隶属度函数的模糊粒子群优化算法(CFPSO)。算法三为经典的遗传算法 (GA)。
以算法二的论文提供的三个不同规模的算例为实验数据，分别利用算法一、二、三进行求解，这三个算例包含了不同的数据规模与成本约束，能够很好的验证求解算法的性能，三个算例的具体内容如下表所示：
(1)、算例一的城市节点间距离如下表所示，且每两个有向邻接的城市节点之间包括运输代理商分别为代理商1和代理商2，代理商1的运输成本为 0.16RMB/吨、运输速度为80km/h。代理商2的运输成本为0.08RMB/吨、运输速度为40km/h。
城市 杭州 南京 上海 南通 泰州 淮安
杭州 0 330 195 — — —
南京 330 0 248 306 — 355
上海 195 248 0 103 217 —
南通 — 306 103 0 160 354
泰州 — — 217 160 0 193
淮安 — 355 — 354 193 0
(2)算例二的城市节点间距离如下表所示，且每两个有向邻接的城市节点之间包括运输代理商分别为代理商1、代理商2和代理商3，代理商1的运输成本为0.16RMB/吨、运输速度为80km/h。代理商2的运输成本为0.08RMB/吨、运输速度为40km/h。代理商3的运输成本为1.5RMB/吨、运输速度为750km/h。
Figure BDA0003708490030000111
(3)算例三的城市节点间距离如下表所示，且每两个有向邻接的城市节点之间包括运输代理商分别为代理商1、代理商2和代理商3，代理商1的运输成本为0.16RMB/吨、运输速度为80km/h。代理商2的运输成本为0.08RMB/吨、运输速度为40km/h。代理商3的运输成本为1.5RMB/吨、运输速度为750km/h。
Figure BDA0003708490030000112
Figure BDA0003708490030000121
Figure BDA0003708490030000122
以上三个算例的运输网络分别有6、12和18个城市节点，每个算例中的起点城市节点和终点城市节点分别是算例中第一个城市节点和最后一个城市节点。算法一、二、三的参数通过控制变量方法进行设置，具体的参数如下表。
Figure BDA0003708490030000123
Figure BDA0003708490030000131
CFPSO与GA适应度函数的构建都采用罚函数法，可表示为：
Figure BDA0003708490030000132
其中w1、w2、w3都为惩罚项系数。由于IACO采用了修复策略，所以种群中的解都为可行解。三个算法都部署在同一实验环境下，且不同问题规模和成本约束都作为一个独立的问题运行二十次，三种算法的实验结果对比如下：
(1)三种算法在算例一上的实验结果对比如下
Figure BDA0003708490030000133
(2)三种算法在算例二上的实验结果对比如下
Figure BDA0003708490030000134
(3)三种算法在算例三上的实验结果对比如下
Figure BDA0003708490030000135
Figure BDA0003708490030000141
实验结果表明，本申请的方法在不同的数据规模和成本约束下均能取得较对比算法更好的结果。随着数据规模越大时，求解难度也显著增加，但本申请方法取得的结果较小规模相比却领先其他算法越多，说明了本申请的方法有较强的处理大规模问题的能力。观察实验结果可以发现，本申请方法在各个问题规模和成本约束下的最小和平均运输时间差异很小说明本发明方法具有较强的稳定性。
为了进一步的分析本申请方法与其他对比算法的性能，基于算例3且成本约束为300000元问题下，三种算法的迭代次数都设置为500代的算法收敛图如图4所示，由图4可以看出三个算法随着迭代都可以很好的收敛。而本申请方法较其它对比算法收敛快且曲线收敛平稳，说明具有较强的算法收敛能力和稳定性。且本申请方法的曲线在其它算法曲线下方，说明其解的质量稳定高于其他算法。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (10)

1.一种基于蚁群算法的第四方物流运输路径规划方法，其特征在于，所述方法包括：
构建第四方物流运输网络的有向邻接表gList，所述有向邻接表gList中包括N个城市节点，每两个有向邻接的城市节点之间通过G条运输路径相连，每条运输路径表示使用对应的一个运输代理商在两个城市节点之间进行物流运输；
初始化所有运输路径上的信息素，在每一轮迭代中，对于任意蚂蚁个体k，初始化蚂蚁个体k位于所述有向邻接表gList中的起点城市节点处，根据所述有向邻接表gList在信息素τ以及启发式信息η的引导下、从当前所在的城市节点的可访问路径中确定目标运输路径，并沿着所述目标运输路径移动至下一个有向邻接的城市节点，直至蚂蚁个体k移动到达终点城市节点时完成解的构建，其中，信息素τ和启发式信息η均与运输路径所需的运输花费相关且启发式信息η与运输路径所需的运输花费成反比；
在所有m个蚂蚁个体都完成解的构建而完成一轮迭代后，全局更新所有运输路径上的信息素，并执行下一轮迭代直至达到迭代终止条件，得到从所述起点城市节点至所述终点城市节点的总运输时间最短的运输路径；
其中，任意蚂蚁个体k在任意城市节点i处的可访问路径包括城市节点i与所有可访问城市节点之间除路径禁忌表edgeTabooList中的运输路径之外的所有运输路径，蚂蚁个体k在城市节点i处的可访问城市节点包括城市节点i的所有有向邻接的城市节点中除节点禁忌表nodeTabooList中的城市节点之外的所有城市节点；蚂蚁个体k在城市节点i处的节点禁忌表nodeTabooList包含与城市节点i有向邻接且不满足运输成本约束条件的城市节点，蚂蚁个体k在城市节点i处的路径禁忌表edgeTabooList包含与城市节点i相连且不满足运载量约束条件的运输路径。
2.根据权利要求1所述的方法，其特征在于，初始化城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure FDA0003708490020000011
上的信息素为
Figure FDA0003708490020000012
Ctd是由贪婪算法通过运输路径
Figure FDA0003708490020000013
对应的单位运输时间
Figure FDA0003708490020000014
和城市节点i与城市节点j之间的运输距离dij构造的路径长度；其中，运输路径
Figure FDA0003708490020000015
对应的单位运输时间
Figure FDA0003708490020000016
表示运输代理商g在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输时间。
3.根据权利要求1所述的方法，其特征在于，城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure FDA0003708490020000021
上与运输花费成反比的启发式信息
Figure FDA0003708490020000022
其中，
Figure FDA0003708490020000023
为运输代理商g的运输速度，dij为运输路径
Figure FDA0003708490020000024
的运输距离，
Figure FDA0003708490020000025
是运输代理商g在城市节点i与城市节点j之间进行物流运输时的总花费。
4.根据权利要求1所述的方法，其特征在于，当蚂蚁个体k位于城市节点i处时，对于城市节点i的任意一个有向邻接的城市节点j，若根据城市节点i与城市节点j之间的运输距离dij以及最低运输成本cij_min确定得到的城市节点i与城市节点j之间的最低运输成本超过额定最大运输成本C，则确定城市节点j不满足运输成本约束条件、且包含在蚂蚁个体k在城市节点i处的节点禁忌表nodeTabooList中；
其中，城市节点i与城市节点j之间的最低运输成本cij_min是所有运输代理商在城市节点i与城市节点j之间进行物流运输时每单位运输距离以及每单位运载量所需的运输成本的最小值。
5.根据权利要求1所述的方法，其特征在于，当蚂蚁个体k位于城市节点i处时，对于城市节点i与任意一个有向邻接的城市节点j之间的任意一条运输路径，若所述运输路径对应的运输代理商的最大运载量小于待配送总运载量Q，则确定所述运输路径不满足运载量约束条件、且包含在蚂蚁个体k在城市节点i处的路径禁忌表edgeTabooList中。
6.根据权利要求1所述的方法，其特征在于，所述从当前所在的城市节点的可访问路径中确定目标运输路径，包括：
生成一个随机数q∈[0,1]，若q≤q0则按照
Figure FDA0003708490020000026
的公式、选择可访问路径中使得
Figure FDA0003708490020000027
最大的运输路径作为所述目标运输路径，否则通过轮盘赌的方法从可访问路径中选择得到所述目标运输路径；
其中，
Figure FDA0003708490020000028
表示运输路径
Figure FDA0003708490020000029
上的信息素，
Figure FDA00037084900200000210
表示运输路径
Figure FDA00037084900200000211
上的启发式信息，运输路径
Figure FDA00037084900200000212
表示城市节点i与城市节点j之间对应于运输代理商g的运输路径，α、β、q0为参数，
Figure FDA00037084900200000213
表示运输路径
Figure FDA00037084900200000214
包含在蚂蚁个体k在城市节点i处的可访问路径构成的集合Jk(i)中。
7.根据权利要求6所述的方法，其特征在于，所述通过轮盘赌的方法从可访问路径中选择得到所述目标运输路径，包括：
从可访问路径中选择对应概率最大的运输路径作为所述目标运输路径，任意的运输路径
Figure FDA0003708490020000031
对应的概率
Figure FDA0003708490020000032
为：
Figure FDA0003708490020000033
其中，t表示蚂蚁个体k在城市节点i处的可访问路径构成的集合Jk(i)中的任意一个运输路径，τt是运输路径t上的信息素，ηt表示运输路径t上的启发式信息。
8.根据权利要求1所述的方法，其特征在于，在任意一轮迭代中对于任意一个蚂蚁个体k，所述方法还包括：
若蚂蚁个体k在当前的城市节点处不存在可访问路径，且蚂蚁个体k当前所在的城市节点不是所述终点城市节点，则控制蚂蚁个体k沿着回溯路径返回至上一个城市节点，所述回溯路径是蚂蚁个体k在上一个城市节点处确定得到的目标运输路径；将所述回溯路径添加到蚂蚁个体k在上一个城市节点处的路径禁忌表edgeTabooList中并对应更新蚂蚁个体k在上一个城市节点的可访问路径，重新确定蚂蚁个体k在上一个城市节点处的目标运输路径。
9.根据权利要求1所述的方法，其特征在于，所述全局更新所有运输路径上的信息素，包括：
将城市节点i与城市节点j之间对应于运输代理商g的运输路径
Figure FDA0003708490020000034
上的信息素更新为
Figure FDA0003708490020000035
ρ是参数，
Figure FDA0003708490020000036
表示至今最优的蚂蚁个体在运输路径
Figure FDA0003708490020000037
上释放的信息素，若运输路径
Figure FDA0003708490020000038
包含在至今最优的运输路径中则
Figure FDA0003708490020000039
若运输路径
Figure FDA00037084900200000310
不包含在至今最优的运输路径中则
Figure FDA00037084900200000311
10.根据权利要求9所述的方法，其特征在于，至今最优的蚂蚁个体在运输路径
Figure FDA00037084900200000312
上释放的信息素为：
Figure FDA00037084900200000313
其中，speedbest为至今最优的运输路径的总的运输时间，distancebest为至今最优的运输路径的总距离，costbest为至今最优的运输路径的总花费，Rk为至今最优的运输路径。
CN202210712169.4A 2022-06-22 2022-06-22 一种基于蚁群算法的第四方物流运输路径规划方法 Active CN115032997B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210712169.4A CN115032997B (zh) 2022-06-22 2022-06-22 一种基于蚁群算法的第四方物流运输路径规划方法
PCT/CN2022/104513 WO2023245740A1 (zh) 2022-06-22 2022-07-08 一种基于蚁群算法的第四方物流运输路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210712169.4A CN115032997B (zh) 2022-06-22 2022-06-22 一种基于蚁群算法的第四方物流运输路径规划方法

Publications (2)

Publication Number Publication Date
CN115032997A true CN115032997A (zh) 2022-09-09
CN115032997B CN115032997B (zh) 2023-04-07

Family

ID=83127141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210712169.4A Active CN115032997B (zh) 2022-06-22 2022-06-22 一种基于蚁群算法的第四方物流运输路径规划方法

Country Status (2)

Country Link
CN (1) CN115032997B (zh)
WO (1) WO2023245740A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055575A (zh) * 2023-09-19 2023-11-14 天津开发区精诺瀚海数据科技有限公司 一种面向黑灯工厂的搬运车路径规划方法
CN117113608A (zh) * 2023-10-23 2023-11-24 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备
WO2023245740A1 (zh) * 2022-06-22 2023-12-28 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118313632B (zh) * 2024-06-07 2024-09-27 鱼快创领智能科技(南京)有限公司 一种算力可缩放的大规模的城配物流运力调度系统及方法
CN118396514A (zh) * 2024-06-24 2024-07-26 深圳市华运国际物流有限公司 一种国际物流路径优化方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050021346A1 (en) * 2000-08-13 2005-01-27 Nadan Joseph S. Method and system for creating marketplace visibility and administering freight shipments using fuzzy commodity transportation instruments
WO2012050678A1 (en) * 2010-09-30 2012-04-19 Synopsys, Inc. Method and apparatus for using entropy in ant colony optimization circuit design from high level systhesis
CN104486222A (zh) * 2014-12-12 2015-04-01 哈尔滨工业大学 基于蚁群优化算法的小时延缺陷测试关键路径选择方法
CN104618506A (zh) * 2015-02-24 2015-05-13 庄奇东 一种众包的内容分发网络系统、方法与装置
CN106096722A (zh) * 2016-06-20 2016-11-09 西安建筑科技大学 基于阶段结构捕食‑食饵模型的输送路径组合优化方法
CN112288347A (zh) * 2020-02-21 2021-01-29 北京京东振世信息技术有限公司 冷链配送的路线确定方法、装置、服务器及存储介质
CN112330006A (zh) * 2020-10-29 2021-02-05 西南石油大学 基于改进蚁群算法应用于物流配送的最佳路径规划方法
CN112700034A (zh) * 2020-12-18 2021-04-23 西南交通大学 一种联程联运路径选择方法、装置、设备及可读存储介质
CN113219981A (zh) * 2021-05-14 2021-08-06 江南大学 一种基于蚁群算法的移动机器人路径规划方法
CN113850423A (zh) * 2021-09-15 2021-12-28 河南工业大学 基于改进蚁群算法的最短路径规划方法
CN114611755A (zh) * 2022-02-09 2022-06-10 清华大学 基于混合元启发式算法的旅行商最优路径确定方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2328308B1 (en) * 2009-11-27 2012-07-18 Alcatel Lucent Method for building a path according to adaptation functions using an ant colony
CN102289712A (zh) * 2011-08-10 2011-12-21 天津商业大学 基于鱼群蚁群算法的时间最短应急物流路径的优化方法
CN106971245A (zh) * 2017-03-30 2017-07-21 广东工业大学 一种基于改进蚁群算法的路径确定方法及系统
CN113222520A (zh) * 2021-06-16 2021-08-06 江苏佳利达国际物流股份有限公司 一种基于蚁群算法的货物优化配送方法及系统
CN113433940A (zh) * 2021-06-28 2021-09-24 北京辰安科技股份有限公司 基于蚁群算法的应急物资运输路径规划方法和装置
CN114239931B (zh) * 2021-12-01 2024-08-06 武汉大学 基于改进蚁群算法实现物流仓储装车调度的方法及装置
CN115032997B (zh) * 2022-06-22 2023-04-07 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050021346A1 (en) * 2000-08-13 2005-01-27 Nadan Joseph S. Method and system for creating marketplace visibility and administering freight shipments using fuzzy commodity transportation instruments
WO2012050678A1 (en) * 2010-09-30 2012-04-19 Synopsys, Inc. Method and apparatus for using entropy in ant colony optimization circuit design from high level systhesis
CN104486222A (zh) * 2014-12-12 2015-04-01 哈尔滨工业大学 基于蚁群优化算法的小时延缺陷测试关键路径选择方法
CN104618506A (zh) * 2015-02-24 2015-05-13 庄奇东 一种众包的内容分发网络系统、方法与装置
CN106096722A (zh) * 2016-06-20 2016-11-09 西安建筑科技大学 基于阶段结构捕食‑食饵模型的输送路径组合优化方法
CN112288347A (zh) * 2020-02-21 2021-01-29 北京京东振世信息技术有限公司 冷链配送的路线确定方法、装置、服务器及存储介质
CN112330006A (zh) * 2020-10-29 2021-02-05 西南石油大学 基于改进蚁群算法应用于物流配送的最佳路径规划方法
CN112700034A (zh) * 2020-12-18 2021-04-23 西南交通大学 一种联程联运路径选择方法、装置、设备及可读存储介质
CN113219981A (zh) * 2021-05-14 2021-08-06 江南大学 一种基于蚁群算法的移动机器人路径规划方法
CN113850423A (zh) * 2021-09-15 2021-12-28 河南工业大学 基于改进蚁群算法的最短路径规划方法
CN114611755A (zh) * 2022-02-09 2022-06-10 清华大学 基于混合元启发式算法的旅行商最优路径确定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FUQIANG LU等: "The Fourth-Party Logistics Routing Problem Using Ant Colony System-Improved Grey Wolf Optimization", 《JOURNAL OF ADVANCED TRANSPORTATION》 *
张万通;吴浩;徐其飞;: "基于蚁群算法的物流网络路径优化研究" *
马贵平等: "基于改进蚁群算法的物流运输路径研究", 《计算机工程与科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023245740A1 (zh) * 2022-06-22 2023-12-28 江南大学 一种基于蚁群算法的第四方物流运输路径规划方法
CN117055575A (zh) * 2023-09-19 2023-11-14 天津开发区精诺瀚海数据科技有限公司 一种面向黑灯工厂的搬运车路径规划方法
CN117113608A (zh) * 2023-10-23 2023-11-24 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备
CN117113608B (zh) * 2023-10-23 2024-02-13 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备

Also Published As

Publication number Publication date
CN115032997B (zh) 2023-04-07
WO2023245740A1 (zh) 2023-12-28

Similar Documents

Publication Publication Date Title
CN115032997B (zh) 一种基于蚁群算法的第四方物流运输路径规划方法
Barán et al. A multiobjective ant colony system for vehicle routing problem with time windows.
Haimovich et al. Bounds and heuristics for capacitated routing problems
CN112686458B (zh) 一种多车型车队配送货过程的优化调度方法
Xing et al. A hybrid ant colony optimization algorithm for the extended capacitated arc routing problem
CN112001541B (zh) 一种基于改进遗传算法的路径优化方法
Zhao et al. Particle swarm optimization for vehicle routing problem with time windows
CN114037180B (zh) 一种基于分支定价切割算法的协同配送路径优化方法
CN101777990A (zh) 多目标免疫优化组播路由路径选择方法
CN106096881A (zh) 仓储集货模式车辆路径逆选择操作方法
CN110705741A (zh) 一种基于改进蚁群算法的多配送中心车辆路径优化方法
CN105913213A (zh) 仓储集货模式下逆向物流回收车辆调度方法
Wu et al. Autonomous Last‐Mile Delivery Based on the Cooperation of Multiple Heterogeneous Unmanned Ground Vehicles
Chou et al. A clonal selection algorithm for energy-efficient mobile agent itinerary planning in wireless sensor networks
Wang et al. Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks
CN117522088B (zh) 一种融合充电约束和容量约束的多电动物流车调度方法
Duan et al. Express uav swarm path planning with vnd enhanced memetic algorithm
Paul et al. Simulation and optimization framework for on-demand grocery delivery
Gang et al. Vehicle routing problem with simultaneous pickups and deliveries and time windows considering fuel consumption and carbon emissions
CN111652552B (zh) 一种用于物流订单运输规划方法、系统及装置
CN113139774A (zh) 一种面向多仓库运输的车辆路径优化方法
Zhu et al. An interaction-enhanced co-evolutionary algorithm for electric vehicle routing optimization
Chen et al. Influence of subproblem solutions on the quality of traveling thief problem solutions
Li A comparative study of different algorithms for optimizing the path of multi-point logistics distribution.
Wang et al. An efficient approach for solving TSP: The rapidly convergent ant colony 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
GR01 Patent grant
GR01 Patent grant