CN115062868A - 一种预聚类的车辆配送路径规划方法和装置 - Google Patents
一种预聚类的车辆配送路径规划方法和装置 Download PDFInfo
- Publication number
- CN115062868A CN115062868A CN202210898652.6A CN202210898652A CN115062868A CN 115062868 A CN115062868 A CN 115062868A CN 202210898652 A CN202210898652 A CN 202210898652A CN 115062868 A CN115062868 A CN 115062868A
- Authority
- CN
- China
- Prior art keywords
- order
- customer
- path
- node
- vehicle
- 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
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G06Q10/08—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种预聚类的车辆配送路径规划方法和装置,具体包括步骤S1:客户订单预聚类;步骤S2:建立模型:从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型;步骤S3:模型最优求解:求解车辆配送路径模型,获得当前客户类的最优路径;步骤S4:循环判断。本发明在规划路径之前预先对客户订单进行聚类,基于订单到达时间的预聚类方式在规划路径的同时保障订单的正常配送,满足实际配送的需求,路径规划过程兼顾了全局搜索能力和收敛速度。
Description
技术领域
本发明实施例涉及车辆调度技术领域,特别涉及一种预聚类的车辆配送路径规划方法和装置。
背景技术
车辆路径问题一直是物流运输和配送方面的重要问题,现有技术的车辆路径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路径规划问题已经成为车辆路径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,蚁群算法求解车辆配送路径时,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。其中,初始客户的选择会影响车辆后续对客户点的选择,如果初始客户选不好,那很难可以探索出较优解的路线。现有技术车辆初始客户的选择一般有全部放置方式和随机放置方法。全部放置方式是从每个客户点开始遍历,扩大的搜索的范围,当处理大规模问题时,算法运行时间会大幅增加,而且会增加车辆在搜索过程中的相互干扰,导致运算量较大,求解时间较长且难以找到最优解。随机放置方式将随机的选择车辆的初始客户点,在一定程度上降低了算法的时间复杂度,但是由于随机选择,可能会导致每次迭代产生的最优路径存在较大的差异,算法的收敛速度较慢。现有技术的客户初始客户点选择过程随机性较强,难以平衡算法的收敛速度和全局搜索能力。
此外,部分现有技术在进行车辆配送路径规划时,会事先根据距离对客户进行聚类,然后在各个小类中利用蚁群算法寻求最优路径。但是,聚类算法中主要使用的K-means聚类方法过度依赖分类中心的初始化,不能很好的发现优良个体的潜能,易陷入局部最优,而且当客户点数目增多时,预处理也会变得复杂,不利于寻找拆分需求的客户点。另一方面,在聚类步骤中,聚类的因素主要基于客户之间的距离以便于车辆到达后的配送和车辆行驶距离最短目标的实现,然而在运输领域,货物到达时间是最关键的因素之一,未能按时到达的货物会给客户带来严重的损失,现有技术在对客户进行拆分和组合时未能考虑各客户对货物到达时间的要求,求解的路径虽然距离最优,但难以适应实际配送的需求。
因此,亟需一种满足客户配送需求的车辆配送路径的方法和装置。
发明内容
本发明实施方式的目的在于提供一种预聚类的车辆配送路径规划方法和装置,在充分考虑用户对到达时间的需求的基础上,优化初始客户点的选择方式,提高算法收敛速度,同时避免搜索过程的相互干扰,提高全局搜索能力。
为解决上述技术问题,本发明的实施方式提供了一种预聚类的车辆配送路径规划方法,所述预聚类的车辆配送路径规划方法具体包括:
步骤S1:客户订单预聚类:获取订单数量和各订单对应的客户的订单到达时间信息,基于订单数量和客户的订单到达时间信息进行预聚类,获得多个客户类;其中,所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类;
步骤S2:建立模型:从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型;
步骤S3:模型最优求解:求解车辆配送路径模型,获得当前客户类的最优路径,其中,所述模型最优求解采用蚁群算法;
步骤S4:循环判断:判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类,若存在,返回步骤S2,否则,完成所有客户订单的车辆配送路径规划。
优选的,所述步骤S1具体包括:
步骤S101:获取订单数量和订单到达时间跨度,所述订单到达时间跨度是最早订单到达时间和最晚订单到达时间之间的时间差;
步骤S102:根据订单数量和订单到达时间跨度确定聚类个数;
步骤S103,根据聚类个数确定各个订单的订单权重;
步骤S104,利用k-means算法获得多个客户类。
优选的,所述根据订单数量和订单到达时间跨度确定聚类个数,具体为:
优选的,所述根据聚类个数确定各个订单的订单权重,具体为:
根据订单区间值划分订单区间,设置订单区间中第一订单类型的订单权重为p1,第二订单类型的订单权重为p2。
优选的,所述第一订单类型具体为订单区间中订单到达时间点最靠近订单区间中间时间的订单,第二订单类型具体为订单区间内除第一订单类型外的其他订单。
优选的,所述步骤S2具体包括:
目标函数为车辆运输成本最小:
其中,z表示车辆总配送路径,M为完成任务需要的最小车辆数,其取值如式(2)所示:
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};为第i、j节点间路径m的决策变量:
qi为节点i代表的客户的需求量;Q为车辆的最大承载量;
约束条件为:
s. t.
优选的,所述步骤S3具体包括:
步骤S301:初始化参数,从当前客户类中选择待满足需求的第一节点;
步骤S302:规划第一节点的车辆;
步骤S303: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S302,若不存在,记录规划完成的子路径,修改蚂蚁寻路状态为已寻路,执行步骤S304;
步骤S304: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S302,否则,执行步骤S305;
步骤S305:多个蚂蚁寻路获得的多个子路径构成子路径集合,从子路径集合中选择路径最短的子路径,更新子路径信息素;
步骤S306:判断是否满足迭代终止条件,若满足,完成车辆配送路径规划;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,调整节点选择干预因子,返回步骤S302。
优选的,所述从当前客户类中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选择的初始客户节点为j,选择公式为:
其中, 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表示第p个客户类, 表示t时刻车场0与选择的初始客户节点j构成的边(0,j)上的信息素含量,表示车辆k自车场0出发后初始客户选择节点j的概率,kj为初始节点选择干预因子,q是一个在(0,1)区间的随机值,q0是初始选择阈值,计算方法如下:,其中,、分别为第一初始选择阈值和第二初始选择阈值,,t1、t2分别为第一时间阈值和第二时间阈值。
优选的,所述初始节点选择干预因子计算方式为:
本发明的实施方式还提供了一种预聚类的车辆配送路径规划装置,其特征在于,包括:聚类模块,用于客户订单预聚类:获取订单数量和各订单对应的客户的订单到达时间信息,基于订单数量和客户的订单到达时间信息进行预聚类,获得多个客户类;其中,所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类;
建模模块:用于建立模型:从聚类模块获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型;
规划模块,用于求出模型的最优解:求解车辆配送路径模型,获得当前客户类的最优路径,其中,所述求出模型的最优解采用蚁群算法;
判断模块,用于循环判断:判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类,若存在,返回步骤S2,否则,完成所有客户订单的车辆配送路径规划。
本发明实施方式相对于现有技术而言,本发明提供的预聚类的车辆配送路径规划方法和装置。在路径规划之前根据订单到达时间对客户进行聚类,在规划路径的同时保障订单的正常配送,避免因未能按时到达给客户带来严重的损失,满足实际配送的需求。聚类过程中根据订单的实际数量和订单到达时间跨度动态确定聚类的个数,以使得聚类的效果更加符合待处理订单数量级的实际情况,动态控制客户类的大小有利于降低聚类过程的计算量,同时有利于提高在后路径优化求解的速度。
在蚁群算法中,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,在路径规划时考虑客户的实际需求,提高路径规划方法的适用性。
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预聚类的车辆配送路径规划方法流程图。
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预聚类的车辆配送路径规划方法,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。预聚类的车辆配送路径规划方法具体包括:
步骤S1:客户订单预聚类:获取订单数量和各订单对应的客户的订单到达时间信息,基于订单数量和客户的订单到达时间信息进行预聚类,获得多个客户类;其中,所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类。
客户向车场发送配送订单时,订单中携带了客户的各类需求信息,从各类需求信息中获取订单到达时间信息和货量信息。首先基于订单数量和客户的订单到达时间信息进行客户聚类,一共有Nmount个客户的配送订单,完成聚类后获得客户类K1、K2、…、Kn,n为聚类后的客户类数目,每个客户类中的客户配送订单数量不完全相同。作为一种可选的实施例,所述基于订单数量和客户的订单到达时间信息进行预聚类采用k-means方法,根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类。其中,客户聚类具体包括:
步骤S101:获取订单数量和订单到达时间跨度,所述订单到达时间跨度是最早订单到达时间和最晚订单到达时间之间的时间差;
以订单到达时间为标准对客户进行聚类,统计车场收到的订单总数Nmount,计算车场收到的所有订单的订单到达时间跨度T。
步骤S102:根据订单数量和订单到达时间跨度确定聚类个数;
聚类个数指聚类后的客户类数目,根据订单数量和订单到达时间跨度确定聚类个数,具体为:
其中,T为订单到达时间跨度,为第一时差阈值,Nmount为车场收到的订单总数,N1为第一订单总量阈值,a为第一倍率系数,n1为聚类基数,n1>0;若订单数量较大且订单到达时间跨度较大,选择较大的聚类数量以对客户订单进行精细化分类,从而更好的满足客户的需求;订单数量和订单到达时间跨度越接近阈值,聚类个数越少。
相较于现有技术中k-means方法预先指定特定数量的聚类个数,本发明根据订单的实际数量和订单到达时间跨度动态确定聚类的个数,以使得聚类的效果更加符合待处理订单数量级的实际情况,动态控制客户类的大小有利于提高在后路径优化求解的速度。
此外,本发明的聚类个数与订单数量、订单到达时间跨度呈正比,第一倍率系数的设置使得订单到达时间跨度的影响大于订单数量,基于上述设置方式,本发明能够灵活处理大时间跨度配送订单的需求,对于时间跨度较大的情况,聚类个数较多,在后路径规划过程中也会产生较多的子路径,从而需要较多的车辆,该情况优先使用较多数量的车辆满足配送需求,不延误订单配送时间;对于较大的订单数量,聚类个数较少,在后路径规划过程中也会产生较少的子路径,从而需要较少的车辆,该情况则尽可能选用较少的满载车辆满足配送需求,降低配送的成本。本发明对于聚类个数的求解方法能够灵活处理不同的订单情况,从而在满足客户需求的同时获得最优配送路径。
步骤S103,根据聚类个数确定各个订单的订单权重,具体为:
根据订单区间值划分订单区间,设置订单区间中第一订单类型的订单权重为p1,第二订单类型的订单权重为p2,作为一种可选的实施例,第一订单类型具体为订单区间中订单到达时间点最靠近订单区间中间时间的订单,第二订单类型具体为订单区间内除第一订单类型外的其他订单。
具体来说,以四个订单为例,若订单到达时间分别为订单A8:00、订单B10:30、订单C12:30、订单D13:00,聚类个数为2,则订单区间值。根据订单区间值划分订单区间:第一区间[8:00,11:00]、第二区间(11:00,13:00],订单A、B分布于第一区间,订单C、D分布于第二区间,根据订单到达时间距离订单区间中间时间点的距离,订单A、D属于第二订单类型,订单权重为p2,订单B、C属于第一订单类型,订单权重为p1。
步骤S104,利用k-means算法获得多个客户类。
k-means算法基于步骤S102获得的聚类个数和步骤S103获得的订单权重进行求解,对客户订单进行聚类,获得多个客户类,k-means算法为现有技术,在此不过多赘述。
本发明在路径规划之前根据订单到达时间对客户进行聚类,在规划路径的同时保障订单的正常配送,避免因未能按时到达给客户带来严重的损失,满足实际配送的需求。此外,在利用K-means方法求解时,选择以订单到达时间为参考因素对客户进行聚类,在聚类过程中,根据订单的实际订单到达时间计算聚类个数,动态确定聚类大小,避免分类过细而导致计算量增大,同时也避免了分类过粗而导致差异较大的订单进行拼车,最终仍然出现货物未能按时到达的情况,丧失了预先聚类优势,本发明通过配送订单的实际需求动态确定聚类大小,兼顾了聚类过程的计算量和聚类效果。此外,通过订单权重的设置引导算法发现较为优良的分类中心备选订单,减少聚类计算的复杂程度,进一步缩短了聚类过程的计算量。
步骤S2:建立模型:从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型。
建立车辆配送路径模型:
目标函数为车辆运输成本最小:
其中,z表示车辆总配送路径,M为完成任务需要的最小车辆数,其取值如式(2)所示:
N表示当前客户类的订单数量,i、j分别表示第i、j节点,一个节点代表一个客户,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};为第i、j节点间路径m的决策变量,其取值如式(3)所示:
qi为节点i代表的客户的需求量;Q为车辆的最大承载量。
约束条件为:
s. t.
其中、分别表示节点i、k之间和节点k、j之间路径m的决策变量,表示在第m条路线中满足节点i代表的客户的需求量,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)表示车辆总配送路径最短;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:
(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S3:模型最优求解:求解车辆配送路径模型,获得当前客户类的最优路径,其中,所述模型最优求解采用蚁群算法。
利用蚁群算法求解车辆配送路径模型,具体包括:
步骤S301:初始化参数,从当前客户类中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,根据当前客户类中的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选择的初始客户节点为j,选择公式为:
其中, 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,y表示第y个客户节点,Kp表示第p个客户类, 表示t时刻车场0与选择的初始客户节点j构成的边(0,j)上的信息素含量,表示车辆k从车场0出发初始客户选择时选择节点j的概率,kj为初始节点选择干预因子,,其中t为当前算法运行时刻,t0为初始阶段时间阈值,为节点j对应的订单到达时间,根据订单到达时间将当前客户类中的各个订单排序,为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:,其中,、分别为第一初始选择阈值和第二初始选择阈值,,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,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,由于该值接近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,路径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,在一个客户类中,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,在路径规划时考虑客户的实际需求,提高路径规划方法的适用性。
步骤S302: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,则将第一节点加入路径中,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,将第一节点加入路径,派出一辆新车,返回步骤A1。
步骤S303: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S302,若不存在,记录规划完成的子路径,修改蚂蚁寻路状态为已寻路,执行步骤S304;
根据状态转移规则选择下一节点作为最新的第一节点,状态转移规则具体为:车辆k在t时正好处于客户节点i,下一个客户节点为j,
其中, 表示t时刻边(i,y)上的信息素含量,表示节点i和y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:。α为信息素浓度因子,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路径中的相对重要性。表示车辆k在i节点之后下一客户选择节点j的概率, 表示t时刻边(i,j)上的信息素含量,表示节点i和j的启发式信息,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,q1<1。
步骤S304: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S302,否则,执行步骤S305;
步骤S305:多个蚂蚁寻路获得的多个子路径构成子路径集合,从子路径集合中选择路径最短的子路径,更新子路径信息素;
子路径信息素更新方式如下式:
其中,为更新后的子路径信息素,为当前子路径信息素,为子路径信息素增量,ib表示本轮迭代最优解决方案,Cib表示本轮迭代最短路径的距离,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。
增加信息素约束也是为了避免算法陷入停滞状态,因为如果某条路径上的信息素含量明显高于其他路径,那么蚂蚁会一直重复构造相同的路径,所以要限制信息素含量,避免其过高或过低。和的计算如式(16)、(17)所示。
其中,Cgb代表全局最优解的路径长度,σ是一个大于0小于1的常数。
步骤S306:判断是否满足迭代终止条件,若满足,完成车辆配送路径规划;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,调整节点选择干预因子,返回步骤S302。
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。
步骤S4:循环判断:判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类,若存在,返回步骤S2,否则,完成所有客户订单的车辆配送路径规划。
本发明实施例还提供的一种预聚类的车辆配送路径规划方法,在路径规划之前根据订单到达时间对客户进行聚类,在规划路径的同时保障订单的正常配送,避免因未能按时到达给客户带来严重的损失,满足实际配送的需求。相较于现有技术中k-means方法预先指定特定数量的聚类个数,本发明根据订单的实际数量和订单到达时间跨度动态确定聚类的个数,以使得聚类的效果更加符合待处理订单数量级的实际情况,动态控制客户类的大小有利于降低聚类过程的计算量,同时有利于提高在后路径优化求解的速度。
在蚁群算法中,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,在路径规划时考虑客户的实际需求,提高路径规划方法的适用性。
本发明的第二实施方式涉及一种预聚类的车辆配送路径规划装置,具体包括:
聚类模块,用于客户订单预聚类:获取订单数量和各订单对应的客户的订单到达时间信息,基于订单数量和客户的订单到达时间信息进行预聚类,获得多个客户类;其中,所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类;
建模模块:用于建立模型:从聚类模块获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型;
规划模块,用于求出模型的最优解:求解车辆配送路径模型,获得当前客户类的最优路径,其中,所述求出模型的最优解采用蚁群算法;
判断模块,用于循环判断:判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类,若存在,返回步骤S2,否则,完成所有客户订单的车辆配送路径规划。
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)
1.一种预聚类的车辆配送路径规划方法,其特征在于,所述预聚类的车辆配送路径规划方法具体包括:
步骤S1:客户订单预聚类:获取订单数量和各订单对应的客户的订单到达时间信息,基于订单数量和客户的订单到达时间信息进行预聚类,获得多个客户类;其中,所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类;
步骤S2:建立模型:从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型;
步骤S3:模型最优求解:求解车辆配送路径模型,获得当前客户类的最优路径,其中,所述模型最优求解采用蚁群算法;
步骤S4:循环判断:判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类,若存在,返回步骤S2,否则,完成所有客户订单的车辆配送路径规划。
2.根据权利要求1所述的预聚类的车辆配送路径规划方法,其特征在于,所述步骤S1具体包括:
步骤S101:获取订单数量和订单到达时间跨度,所述订单到达时间跨度是最早订单到达时间和最晚订单到达时间之间的时间差;
步骤S102:根据订单数量和订单到达时间跨度确定聚类个数;
步骤S103,根据聚类个数确定各个订单的订单权重;
步骤S104,利用k-means算法获得多个客户类。
5.根据权利要求4所述的预聚类的车辆配送路径规划方法,其特征在于,所述第一订单类型具体为订单区间中订单到达时间点最靠近订单区间中间时间的订单,第二订单类型具体为订单区间内除第一订单类型外的其他订单。
6.根据权利要求1所述的预聚类的车辆配送路径规划方法,其特征在于,所述步骤S2具体包括:
目标函数为车辆运输成本最小:
其中,z表示车辆总配送路径,M为完成任务需要的最小车辆数,其取值如式(2)所示:
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};为第i、j节点间路径m的决策变量:
qi为节点i代表的客户的需求量;Q为车辆的最大承载量;
约束条件为:
s. t.
7.根据权利要求1所述的预聚类的车辆配送路径规划方法,其特征在于,所述步骤S3具体包括:
步骤S301:初始化参数,从当前客户类中选择待满足需求的第一节点;
步骤S302:规划第一节点的车辆;
步骤S303: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S302,若不存在,记录规划完成的子路径,修改蚂蚁寻路状态为已寻路,执行步骤S304;
步骤S304: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S302,否则,执行步骤S305;
步骤S305:多个蚂蚁寻路获得的多个子路径构成子路径集合,从子路径集合中选择路径最短的子路径,更新子路径信息素;
步骤S306:判断是否满足迭代终止条件,若满足,完成车辆配送路径规划;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,调整节点选择干预因子,返回步骤S302。
8.根据权利要求7所述的预聚类的车辆配送路径规划方法,其特征在于,所述从当前客户类中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选择的初始客户节点为j,选择公式为:
10.一种预聚类的车辆配送路径规划装置,其特征在于,包括:
聚类模块,用于客户订单预聚类:获取订单数量和各订单对应的客户的订单到达时间信息,基于订单数量和客户的订单到达时间信息进行预聚类,获得多个客户类;其中,所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重,以设置k-means方法的初始化参数,利用k-means方法获得多个客户类;
建模模块:用于建立模型:从聚类模块获得的多个客户类中选择一个未规划车辆配送路径的客户类,建立客户类对应的车辆配送路径模型;
规划模块,用于求出模型的最优解:求解车辆配送路径模型,获得当前客户类的最优路径,其中,所述求出模型的最优解采用蚁群算法;
判断模块,用于循环判断:判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类,若存在,返回步骤S2,否则,完成所有客户订单的车辆配送路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898652.6A CN115062868B (zh) | 2022-07-28 | 2022-07-28 | 一种预聚类的车辆配送路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210898652.6A CN115062868B (zh) | 2022-07-28 | 2022-07-28 | 一种预聚类的车辆配送路径规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115062868A true CN115062868A (zh) | 2022-09-16 |
CN115062868B CN115062868B (zh) | 2022-11-11 |
Family
ID=83205959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210898652.6A Active CN115062868B (zh) | 2022-07-28 | 2022-07-28 | 一种预聚类的车辆配送路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062868B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116339329A (zh) * | 2023-03-21 | 2023-06-27 | 苏州恒力智能科技有限公司 | 一种基于5g物联网的agv调度路径优化方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383756A (zh) * | 2013-07-22 | 2013-11-06 | 浙江省烟草公司绍兴市公司 | 一种烟草物流配送路径规划方法 |
CN103699982A (zh) * | 2013-12-26 | 2014-04-02 | 浙江工业大学 | 一种带软时间窗口的物流配送控制方法 |
CN105678607A (zh) * | 2016-01-07 | 2016-06-15 | 合肥工业大学 | 一种基于改进的K-Means算法的订单分批方法 |
CN110598917A (zh) * | 2019-08-23 | 2019-12-20 | 广州番禺职业技术学院 | 一种基于路径轨迹的目的地预测方法、系统及存储介质 |
CN111160690A (zh) * | 2019-11-15 | 2020-05-15 | 杭州拼便宜网络科技有限公司 | 一种车辆装载规划方法、装置及存储介质 |
CN113128744A (zh) * | 2020-01-15 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 配送规划方法和装置 |
CN113469471A (zh) * | 2021-09-02 | 2021-10-01 | 北京邮电大学 | 聚类方法、运输车辆路径规划方法、电子设备及存储介质 |
CN114154394A (zh) * | 2021-11-03 | 2022-03-08 | 河南科技大学 | 一种基于改进蚁群算法的并行时间窗车辆路径规划方法 |
-
2022
- 2022-07-28 CN CN202210898652.6A patent/CN115062868B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383756A (zh) * | 2013-07-22 | 2013-11-06 | 浙江省烟草公司绍兴市公司 | 一种烟草物流配送路径规划方法 |
CN103699982A (zh) * | 2013-12-26 | 2014-04-02 | 浙江工业大学 | 一种带软时间窗口的物流配送控制方法 |
CN105678607A (zh) * | 2016-01-07 | 2016-06-15 | 合肥工业大学 | 一种基于改进的K-Means算法的订单分批方法 |
CN110598917A (zh) * | 2019-08-23 | 2019-12-20 | 广州番禺职业技术学院 | 一种基于路径轨迹的目的地预测方法、系统及存储介质 |
CN111160690A (zh) * | 2019-11-15 | 2020-05-15 | 杭州拼便宜网络科技有限公司 | 一种车辆装载规划方法、装置及存储介质 |
CN113128744A (zh) * | 2020-01-15 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 配送规划方法和装置 |
CN113469471A (zh) * | 2021-09-02 | 2021-10-01 | 北京邮电大学 | 聚类方法、运输车辆路径规划方法、电子设备及存储介质 |
CN114154394A (zh) * | 2021-11-03 | 2022-03-08 | 河南科技大学 | 一种基于改进蚁群算法的并行时间窗车辆路径规划方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116339329A (zh) * | 2023-03-21 | 2023-06-27 | 苏州恒力智能科技有限公司 | 一种基于5g物联网的agv调度路径优化方法及系统 |
CN116339329B (zh) * | 2023-03-21 | 2023-09-29 | 苏州恒力智能科技有限公司 | 一种基于5g物联网的agv调度路径优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115062868B (zh) | 2022-11-11 |
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 | |
CN113692609B (zh) | 通过订单车辆分布匹配以订单派发的多代理增强学习 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
Pelzer et al. | A partition-based match making algorithm for dynamic ridesharing | |
CN112418497B (zh) | 一种面向制造物联的物料配送路径优化方法 | |
Hyytiä et al. | Non-myopic vehicle and route selection in dynamic DARP with travel time and workload objectives | |
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 | |
CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
WO2021190137A1 (en) | System and method for determining routing by learned selective optimization | |
CN116187896B (zh) | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 | |
CN113393020A (zh) | 物流智能调度方法、装置、设备及存储介质 | |
CN113128744A (zh) | 配送规划方法和装置 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
CN115187169A (zh) | 基于协同路径规划的物流配送系统及方法 | |
CN109840625B (zh) | 一种快递员群路径导航的方法 | |
Shi et al. | Adaptive task planning for large-scale robotized warehouses | |
CN112418475A (zh) | 物流路径规划方法、装置、电子设备及存储介质 | |
CN110930092B (zh) | 一种配送路线调整方法、装置、电子设备和存储介质 | |
CN115018211B (zh) | 一种运输调度线路设定方法和装置 | |
CN105138391B (zh) | 面向广域分布云系统公平的多任务虚拟机分配方法 | |
CN115439063A (zh) | 一种定制家具物流配送的多目标路径规划方法及系统 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
CN111178596A (zh) | 一种物流配送路线规划方法、装置及存储介质 | |
Lai et al. | Utility-based matching of vehicles and hybrid requests on rider demand responsive systems |
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 |