CN115330051A - 基于混合遗传算法的车辆路径优化方法及应用 - Google Patents
基于混合遗传算法的车辆路径优化方法及应用 Download PDFInfo
- Publication number
- CN115330051A CN115330051A CN202210964189.0A CN202210964189A CN115330051A CN 115330051 A CN115330051 A CN 115330051A CN 202210964189 A CN202210964189 A CN 202210964189A CN 115330051 A CN115330051 A CN 115330051A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- goods
- sequence
- cargo
- scheme
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
- G06Q30/0284—Time or distance, e.g. usage of parking meters or taximeters
-
- 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)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于混合遗传算法的车辆路径优化方法及应用,涉及货物装载和车辆路径的组合优化技术领域。所述方法包括设置目标适应度函数作为车辆路径方案的目标评价指标,用来评价遗传算法中染色体的适应能力;获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案。本发明针对实际运营情况设置目标适应度函数来评价遗传操作后生成的车辆路径方案,以最终筛选出最优的车辆路径方案。
Description
技术领域
本发明涉及货物装载和车辆路径的组合优化技术领域。
背景技术
汽车零部件入厂物流中循环取货问题作为一种货物装载和车辆路径的组合优化问题,一直是物流工业中研究的主流问题之一。
在汽车零部件入厂物流中循环取货问题中,其采用了多频次,小批量的循环取货模式。为了满足汽车柔性生产和库存管理对零部件取货运输的要求,在实际运营中存在一个供应商每天被多车次访问、需求可被拆分后分别运输、多种车型车辆执行运输任务以及限定卸货时间窗等情形。
即在现实情况下,存在一定数量的供应商分布于地理空间的各处,配送中心(或负责运输管理的物流公司)每天根据汽车制造厂的生产计划,组织适当的行车路径,向各供应商收取不同数量、不同尺寸、不同卸货时间限制的零部件,由不同车型的车辆来执行运输任务,将零部件送至配送中心卸货,使得配送中心的零部件库存能够持续满足汽车制造厂的生产计划。同时,又能在一定的约束即车辆装载约束、单个供应商的供应需求可拆分、车辆车型与数量限定等条件下,达到运输总成本最小和运输总时间最少的目的。
在汽车零部件入厂物流中循环取货问题中,考虑到运输总成本和运输总时间,对货物装载和车辆路径加以限制,针对货物装载和车辆路径设置了以下限定规则:
针对货物装载,需要满足四个方面的假设条件:1)车厢及待装货物均为长方体;2)放入的货物必须完全被包含在车厢内;3)货物只能以棱平行或垂直于车厢的棱的方向放置;4)要求货物只能绕着高度棱进行旋转,不可倾倒放置。
针对车辆路径需要满足五个方面的假设条件:1)每条路径必须从配送中心出发,最后回到配送中心;2)每个供应商可被路径访问不只一次;3)每条路径装入的货物应当满足车厢三维限制;4)每条路径只能由一辆车来服务;5)所有货物都有路径来取货配送。
除以上限定规则之外,还需要保障在解决汽车零部件入厂物流中循环取货问题的过程中,以最小化库存和运输总成本为目标,实现车辆运输、配送等环节的资源优化。
为此,提供一种基于混合遗传算法的车辆路径优化方法及应用,来获得可行的、多个考虑有货物装载的车辆路径方案,是当前亟需解决的技术问题。
发明内容
本发明的目的在于:克服现有技术的不足,提供一种基于混合遗传算法的车辆路径优化方法及应用,本发明能够针对实际运营情况设置目标适应度函数来评价遗传操作后生成的车辆路径方案,以最终筛选出最优的车辆路径方案。
为解决现有的技术问题,本发明提供了如下技术方案:
一种基于混合遗传算法的车辆路径优化方法,包括如下步骤:
设置目标适应度函数作为车辆路径方案的目标评价指标,用来评价遗传算法中染色体的适应能力;
获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案;所述车辆路径方案中包括所有路径以及对应的装载方案。
进一步,所述目标适应度函数包括车辆路径方案的运输总成本costR和运输总时间timeR。
进一步,所述染色体基于整数编码进行编制,所述染色体包括前半段的货物片段和后半段的车型片段,其中,货物片段以零部件包装容器为单位,将一箱作为一个基因,当货物组合成托盘后,将组合后一个托盘作为一箱。
进一步,在建立序列信息步骤中,对应采集的货物信息、车型信息和供应商节点信息,建立货物序列I_list、车型序列K_list和供应商节点序列S_list,所述供应商节点序列S_list中供应商节点顺序按照货物在货物序列I_list中的位置信息对应排列。
进一步,生成可行方案的步骤包括:步骤S201,生成货物+车型初始种群;步骤S202,基于初始种群中的染色体信息,对应得到车辆路径方案,计算初始种群中各条染色体的目标适应度函数值,选择Pareto解及其对应的车辆路径方案,将新Pareto解及其对应的车辆路径方案,写入Pareto最优解集;步骤S203,对前述货物+车型初始种群中的每个染色体进行遗传操作,生成货物子代种群;基于货物子代种群中的染色体信息,对应得到车辆路径方案,计算货物子代种群中各条染色体的目标适应度函数值,比较Pareto解,得到新Pareto解及其对应的车辆路径方案,并写入Pareto最优解集;步骤S204,判断是否满足终止条件,若已达到终止条件,则继续执行步骤S205,否则,返回步骤S202;步骤S205,输出Pareto最优解集和对应的车辆路径方案,输出的信息包含该路径上供应商序列、装载方案、运输时间ti、运输总成本costR和运输总时间timeR信息。
进一步,对应得到车辆路径方案时,包括步骤:步骤S2021,建立货物与供应商节点的关系,获取货物序列I_list、车型序列K_list和供应商节点序列S_list,初始化iL=1,iK=1,其中,iL代表第iL个货物,iK代表第iK个车型,设置待装货物序列L_list;步骤S2022,如果iK≤length(K_list),从车型序列K_list取出第iK个车型,否则,从车型序列K_list取出第length(K_list)个车型,并获取车厢体积CV;步骤S2023,从货物序列I_list中,取出第iL个货物加入待装货物序列L_list,当待装货物序列中货物体积之和大于车厢体积CV,执行步骤S2024,否则,执行步骤S2025;步骤S2024,将待装货物序列和车型对应的车厢信息作为参数,调用预设的模拟退火算法,生成装载方案,按照已装货物在货物序列I_list中的位置顺序,排列出对应的供应商节点S_list顺序,去掉重复的供应商节点,在供应商节点顺序S_list的开始节点和结束节点处增加上配送中心,生成路径,将该路径存入车辆路径方案,计算出该路径已装入货物的最早交货时间窗和各货物是否迟到αi,最后将已装货物从待装货物序列中删除,设置iK=iK+1;步骤S2025,当iL≤length(I_list)时,设置iL=iL+1,执行步骤S2023;如果待装货物序列L_list为空,进入步骤S2026,否则,返回步骤S2024;步骤S2026,输出车辆路径方案,对前述车辆路径方案中任意i∈R,每条Ri路径的信息,包含该路径上供应商序列、装箱方案、运输时间ti,已装入的货物是否迟到αi。
进一步,所述αi为0-1变量,针对货物i,i∈I,αi=1表示已装载在车上,αi=0表示未装载在车上。
进一步,所述遗传操作包括对货物+车型染色体的选择、交叉和变异操作;所述遗传操作将染色体上货物片段和车型片段分别独立地进行选择、交叉和变异操作;前述染色体各自的交叉概率或前述变异概率能够设置为相同的值。
进一步,对前述Pareto解进行解码以生成车辆路径方案,所述解码包括步骤:步骤S301,切分车型片段和货物片段:针对切分车型片段,顺序按照从头至尾方向,每次只切分一个车型,获取该车型的车厢体积;针对切分货物片段,顺序按照从头至尾方向,逐个切分,直至本次已切分的货物体积之和超过车型的车厢体积为止,或者货物片段已切分完毕;步骤S302,进行装载校验:利用预设的车辆装载算法,对已切分的车型和货物进行校验并生成装载方案;判断校验后是否有未装入的货物,判定为是时,将未装入的货物放回货物片段中,循环处理步骤S301和步骤S302,直至将所有货物都装入对应的车辆中;步骤S303,生成车辆路径方案:根据每辆车已装入的货物,生成车辆路径方案,并计算每条路径的最早卸货的窗口时间、运输总成本与运输总时间。
一种基于混合遗传算法的车辆路径优化系统,包括:
条件预置模块,设置车辆装载约束条件和车辆路径约束条件,以及车辆路径方案中对应的目标评价指标;
信息输入模块,用以输入货物信息、车型信息和供应商节点信息;
方案生成模块,用以获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案;所述车辆路径方案中包括所有路径以及对应的装载方案。
基于上述优点和积极效果,本发明的优势在于:基于实际运营需要,设置目标适应度函数来评价遗传操作后生成的车辆路径方案,并在遗传操作中通过分别独立地进行选择、交叉和变异操作,筛选子代种群中染色体对应的更优的Pareto解,并经过多次迭代过程最终筛选出最优的车辆路径方案。
进一步,在设置目标适应度函数时,同时考虑装载约束、路径约束、运输总成本和运输总时间,便于应对现实场景下的实际运输问题。
附图说明
图1为本发明实施例提供的一个流程图。
图2为本发明实施例提供的一个编码解码过程示例图。
图3为本发明实施例提供的一个考虑货物装载约束和多车型需求拆分的车辆路径示例图。
图4为本发明实施例提供的一个遗传操作中交叉操作示例图。
图5为本发明实施例提供的一个遗传操作中变异操作示例图。
图6为本发明实施例提供的系统的结构示意图。
附图标记说明:
系统100,条件预置模块110,信息输入模块120,方案生成模块130。
具体实施方式
以下结合附图和具体实施例对本发明公开的一种基于混合遗传算法的车辆路径优化方法及应用,作进一步详细说明。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中,各附图所出现的相同标号代表相同的特征或者部件,可应用于不同实施例中。因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
需说明的是,本说明书所附图中所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定发明可实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响发明所能产生的功效及所能达成的目的下,均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现,其中可以不按所述的或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
在本发明中,货物装载和车辆路径的组合优化问题的求解方法所需要的集合、参数、决策变量等技术术语定义的表示如下:
1)集合
I={1,…,n}:待装载货物的集合,其中包括n个待装载货物。
S={0,1,…,m}:节点集合,其中,0为配送中心节点,1,…,m为零部件供应商。
K={1,…,k}:车型集合。
R={1,…,r}:输出结果路径单元集合,其中输出结果路径共有r条。
2)参数设置
数学模型的参数设置如表1所示:
表1车辆路径问题的参数设置
3)决策变量
针对货物装载和车辆路径的组合优化问题,其数学模型的决策变量有vir、αrl、wrk和uijr,定义如下表所示:
实施例
参见图1所示,提供了一种基于混合遗传算法的车辆路径优化方法,包括如下实施步骤:
步骤S1,设置目标适应度函数作为车辆路径方案的目标评价指标,用来评价遗传算法中染色体的适应能力。
在本实施例中,所述目标适应度函数为车辆路径方案的运输总成本costR和运输总时间timeR。
其中,所述运输总成本表示为:
作为本实施例的优选实施方式,考虑到车型分配和需求拆分,将车辆装载和车辆路径的组合优化问题的求解目标设置为运输总成本costR最低和运输总时间timeR最少,如下所示:
其中,第一个目标是运输总成本costR最低,该目标的第一项是每条路径在途运输成本和装卸车成本之和,第二项是提前取货造成惩罚费用;第二个目标是运输总时间timeR最少,运输时间是在途运输时间与在节点装卸时间之和。
针对上述求解目标,在求解货物装载和车辆路径的组合优化问题时,相应设置针对车辆装载和车辆路径的约束条件,以在诸多约束条件的情况下,满足运输总成本costR最低和运输总时间timeR最少。
以上求解目标需要在满足车辆装载约束的同时,还要满足车辆路径约束条件。
车辆装载约束分为一般约束和特殊约束;一类为一般约束:主要有体积约束,装入货物之间互不嵌入约束,以及装入货物与车厢不相嵌约束;另一类为特殊约束:主要有完全支撑约束、单箱承重约束、货物堆叠约束、车辆承重约束和重心约束。
以上车辆装载约束的内容为现有技术,故不在本实施例中详述。
所述车辆路径约束对应的数学表达具体如下:
a)一个供应商节点至少被一条取货路径访问,如式(1)所示。
b)供应商所有货物都有取货路径来运输,如式(2)所示。
c)供应商所有货物都需要配送到配送中心卸货,如式(3)所示。
d)一条取货路径只能有一辆车服务,如式(4)所示。
e)一个供应商节点至少被一条取货路径访问,如式(5)所示。
f)供应商所有货物都有取货路径来访问,如式(6)所示。
g)一条路径弧上两个节点访问时间之差等于两点之间运输时间,如式(7)所示。
h)一条取货路径来只能由一辆车来服务,如式(8)所示。
具体的,所述染色体基于整数编码进行编制,所述染色体包括前半段的货物片段和后半段的车型片段,其中,货物片段以零部件包装容器为单位,将一箱作为一个基因,当货物组合成托盘后,将组合后的一个托盘作为一箱。
作为本实施例的一个优选实施方式,参见图2所示,在货物片段编码中,用1到9数字表示有9箱货物,每箱货物有其对应的供应商信息,卸货时间窗信息,以及如货物尺寸、货物重量、货物堆叠规则等装载基础信息。
其中,第9、6和8箱货物属于供应商S1、第7、5、4和1箱货物则属于供应商S2,而第3和2箱货物属于供应商S3;车型片段编码中,11到13数字表示有3辆车辆负责运输任务,分别对应8米、12米和8米车型。
步骤S2,获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案;所述车辆路径方案中包括所有路径以及对应的装载方案。
具体的,在所述建立序列信息步骤S100中,对应采集的货物信息、车型信息和供应商节点信息,建立货物序列I_list、车型序列K_list和供应商节点序列S_list,所述供应商节点序列S_list中供应商节点顺序按照货物在货物序列I_list中的位置信息对应排列。
优选的,所述生成可行方案优选运用混合遗传算法来求解货物装载和车辆路径的组合优化问题,采取货物+车型的染色体编码方式得到货物+车型初始种群。
具体的,所述生成可行方案步骤S200包括:
步骤S201,生成货物+车型初始种群。
需要说明的是,所述遗传算法的参数包含:初始种群、种群规模N、迭代次数T、交叉概率PC和变异概率PM等,同时初始种群产生过程如下。
假定种群规模N为100,则先随机产生100组货物序列和100组车型序列,然后在货物序列中的每个货物之前加入一个起始点,和货物序列尾部加入一个起始点,用同样的方法对车型序列进行处理,最后将一个货物序列和车型序列拼接形成种群中的一条染色体。
步骤S202,基于初始种群中的染色体信息,对应得到车辆路径方案,计算初始种群中各条染色体的目标适应度函数值,选择Pareto解及其对应的车辆路径方案,将新Pareto解及其对应的车辆路径方案,写入Pareto最优解集。
步骤S203,对前述货物+车型初始种群中的每个染色体进行遗传操作,生成货物子代种群;基于货物子代种群中的染色体信息,对应得到车辆路径方案,计算货物子代种群中各条染色体的目标适应度函数值,比较Pareto解,得到新Pareto解及其对应的车辆路径方案,并写入Pareto最优解集。
步骤S204,判断是否满足终止条件,若已达到终止条件,则继续执行步骤S205,否则,返回步骤S202。
在本实施例中,优选采用最大迭代次数作为终止条件,当遗传算法运行到指定的最大迭代次数时,则终止算法程序迭代,输出Pareto最优解集。
步骤S205,输出Pareto最优解集和对应的车辆路径方案,输出的信息包含该路径上供应商序列、装载方案、运输时间ti、运输总成本costR和运输总时间timeR信息。
需要强调的是,所述混合遗传算法通过遗传操作优化了车型分配与需求拆分方案,并利用车辆装载算法来校验并划分生成路径,最后输出多目标Pareto最优解集,以此来获得可行的车辆路径方案。
还需要说明的是,在前述生成可行方案步骤中,对应得到车辆路径方案时,包括步骤:
S2021,建立货物与供应商节点的关系,获取货物序列I_list、车型序列K_list和供应商节点序列S_list,初始化iL=1,iK=1,其中,iL代表第iL个货物,iK代表第iK个车型,设置待装货物序列L_list。
步骤S2022,如果iK≤length(K_list),从车型序列K_list取出第iK个车型,否则,从车型序列K_list取出第length(K_list)个车型,并获取车厢体积CV。
步骤S2023,从货物序列I_list中,取出第iL个货物加入待装货物序列L_list,当待装货物序列中货物体积之和大于车厢体积CV,执行步骤S2024,否则,执行步骤S2025。
步骤S2024,将待装货物序列和车型对应的车厢信息作为参数,调用预设的模拟退火算法,生成装载方案,按照已装货物在货物序列I_list中的位置顺序,排列出对应的供应商节点S_list顺序,去掉重复的供应商节点,在供应商节点顺序S_list的开始节点和结束节点处增加上配送中心,生成路径,将该路径存入车辆路径方案,计算出该路径已装入货物的最早交货时间窗和各货物是否迟到αi,最后将已装货物从待装货物序列中删除,设置iK=iK+1。
所述模拟退火算法是指在模拟退火过程中,随机调整货物的装载,产生新的装载序列,并依据不同装载序列对应不同的装载率,通过比较装载率选择最优的装载方案的一种算法。
在本实施例的优选实施方式中,调用模拟退火算法来生成货物装载方案的内容为现有技术,故不在本实施例的优选实施方式中进行详细展开。
需要说明的是,在生成路径时,需要考虑多种情形,作为举例而非限定,例如:每个供应商每日允许多次访问的情形,同一个供应商有多条路径访问取货,每个供应商每日累计供应量可能超过一辆车的容量,每个车次可能运输部分供应零部件但是当日必须完成运输全部供应的零部件。
作为举例,参见图3所示,对应不同车型执行的运输任务,可以生成多条运输路径,例如:路径1为:1日6点一辆12米车从配送中心出发,先行驶到供应商1处取货,再行驶到供应商2处取货,最后送到配送中心卸货;路径2为:1日12点一辆8米车从配送中心出发,先行驶到供应商2处取货,再行驶到供应商3处取货,最后送到配送中心卸货。
步骤S2025,当iL≤length(I_list)时,设置iL=iL+1,执行步骤S2023;如果待装货物序列L_list为空,进入步骤S2026,否则,返回步骤S2024。
步骤S2026,输出车辆路径方案,对前述车辆路径方案中任意i∈R,每条Ri路径的信息,包含该路径上供应商序列、装箱方案、运输时间ti,已装入的货物是否迟到αi。。
其中,所述αi为0-1变量,针对货物i,i∈I,αi=1表示已装载在车上,αi=0表示未装载在车上。
优选的,所述遗传操作包括对货物+车型染色体的选择、交叉和变异操作;所述遗传操作将染色体上货物片段和车型片段分别独立地进行选择、交叉和变异操作;前述染色体各自的交叉概率或前述变异概率能够设置为相同的值。
其中,所述选择操作优选采用精英保留策略。假设有100条染色体,首先从中选择两条运输总成本最低和运输总时间最低的染色体,保留到下一代种群中;然后将剩余的98条染色体进行两两随机配对,得到了49对新的染色体;再者对新的染色体进行交叉与变异操作。
所述交叉操作优选采用I nver-over方法,即在上述的49对染色体中,分别随机给每对染色体产生一个概率值。如果有一对染色体对应的概率值小于算法初始定义的交叉概率,则以这一对染色体作为父代染色体,进行交叉操作处理后产生两条子代的染色体。
作为举例而非限制,参见图4所示,在交叉操作中,随机选择两条父代染色体:P1和P2染色体,从染色体P1中随机选择基因G1,并在染色体P2中查找基因G1所在位置G1’,选择基因G1’之后第一个基因G2,若G1’为染色体P2中最后一个基因,则选择染色体P2中第一个基因作为G2,在染色体P1中寻找G2位置G2’,并对G1连同G1与G2’之间部分进行翻转变换,但G2’位置则保持不动。同理,对染色体P2进行交叉处理。所述交叉操作采用I nver-over方法时具有收敛速度快、精度高的特点。
所述变异操作针对经交叉操作后得到的98条染色体,分别随机给每对染色体产生一个概率值。如果染色体的概率值小于算法初始定义的变异概率,则以该条染色体作为父代染色体,进行变异操作产生子代染色体,如果子代染色体的两个目标适应度函数值都优于父代染色体的两个目标适应度函数值,则利用子代染色体替代父代染色体;如果子代染色体的两个目标适应度函数值比父代染色体的两个目标适应度函数值都差,则继续保留父代染色体。
所述变异操作优选采用单基因置换方法,单基因置换方法的变异过程能够随机选择染色体中两个基因进行位置交换。
参见图5所示,假设一条父代染色体P,从染色体P中随机选择一个基因位置G1,再在染色体P中寻找与G1不同位置的G2,然后交换染色体P中G1和G2位置的基因。
此外,针对去劣存优的操作而言,需要说明的是,由于本实施例对应求解的目标为运输总成本最低和运输总时间最少。针对前述目标进行求解时存在有多个最优解,即Pareto解,其对应的解集为Pareto最优解集,其中的各Pareto解针对所有的染色体而言,相互间没法进行优劣比较,故设置目标适应度函数用来评价染色体的优劣,计算出每个染色体对应的适应度函数值,组成Pareto解并进行选择。
即假设当前迭代产生的新解为S,则需要将S解与Pareto最优解集中所有解进行目标适应度函数值比较,如果Pareto最优解集中所有解都优于S,则放弃S;如果存在S优于Pareto最优解集中部分解,则将S加入Pareto最优解集,同时删除Pareto最优解集中被S都全部超过的解。
优选的,对前述Pareto解进行解码以生成车辆路径方案,所述解码包括步骤:
步骤S301,切分车型片段和货物片段:针对切分车型片段,顺序按照从头至尾方向,每次只切分一个车型,获取该车型的车厢体积;针对切分货物片段,顺序按照从头至尾方向,逐个切分,直至本次已切分的货物体积之和超过车型的车厢体积为止,或者货物片段已切分完毕。
步骤S302,进行装载校验:利用预设的车辆装载算法,对已切分的车型和货物进行校验并生成装载方案;判断校验后是否有未装入的货物,判定为是时,将未装入的货物放回货物片段中,循环处理步骤S301和步骤S302,直至将所有货物都装入对应的车辆中。
步骤S303,生成车辆路径方案:根据每辆车已装入的货物,生成车辆路径方案,并计算每条路径的最早卸货的窗口时间、运输总成本与运输总时间。
作为举例而非限制,参见图2所示,针对9箱货物信息和3辆车型信息,利用上述解码方法,得到解码结果为096870541320和0130120110,则该问题的车辆路径方案为2条路径,即第1条路径采用8米车型车辆,从配送中心出发,行驶到供应商节点S1取货第9、6、8货物,之后行驶到供应商节点S2取货第7货物,然后送到配送中心卸货;第2条路径采用12米车型车辆,从配送中心出发,行驶到供应商节点S2取货第5、4、1货物,之后行驶到供应商节点S3取货第3、2货物,然后送到配送中心卸货。
本实施例中,通过改进的编码、解码方法和混合遗传算法,实现并优化车型分配和需求拆分,并利用车辆装载算法进行校验,生成车辆路径方案。
其它技术特征参考在前实施例,在此不再赘述。
此外,参见图6所示,本发明还给出了一个实施例,提供了一种基于混合遗传算法的车辆路径优化系统100,所述系统100包括条件预置模块110、信息输入模块120和方案生成模块130。
条件预置模块110,设置车辆装载约束条件和车辆路径约束条件,以及车辆路径方案中对应的目标评价指标。
信息输入模块120,用以输入货物信息、车型信息和供应商节点信息。
方案生成模块130,用以获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案;所述车辆路径方案中包括所有路径以及对应的装载方案。
所述系统还可以包括用户接口模块,用以采集用户的输入信息以及向用户输出信息。所述用户接口模块包括图形用户界面(GUI),以便用户查看和分析结果。
所述系统还可以包括通常在计算系统中找到的其它组件,诸如存储在存储器中并由处理器执行的操作系统、队列管理器、设备驱动程序、数据库驱动程序或一个或多个网络协议等。
其它技术特征参见在前实施例,在此不再赘述。
在上面的描述中,在本公开内容的目标保护范围内,各组件可以以任意数目选择性地且操作性地进行合并。另外,像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的,而不是排他性的或封闭性,除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义,除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释,除非本公开内容明确将其限定成那样。
虽然已出于说明的目的描述了本公开内容的示例方面,但是本领域技术人员应当意识到,上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明的优选实施方式的范围包括另外的实现,其中可以不按所述出现或讨论的顺序来执行功能。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种基于混合遗传算法的车辆路径优化方法,其特征在于,包括如下步骤:
设置目标适应度函数作为车辆路径方案的目标评价指标,用来评价遗传算法中染色体的适应能力;
获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案;所述车辆路径方案中包括所有路径以及对应的装载方案。
2.根据权利要求1所述的方法,其特征在于,所述目标适应度函数包括车辆路径方案的运输总成本costR和运输总时间timeR。
3.根据权利要求1所述的方法,其特征在于,所述染色体基于整数编码进行编制,所述染色体包括前半段的货物片段和后半段的车型片段,其中,货物片段以零部件包装容器为单位,将一箱作为一个基因,当货物组合成托盘后,将组合后一个托盘作为一箱。
4.根据权利要求1所述的方法,其特征在于,在建立序列信息步骤中,对应采集的货物信息、车型信息和供应商节点信息,建立货物序列I_list、车型序列K_list和供应商节点序列S_list,所述供应商节点序列S_list中供应商节点顺序按照货物在货物序列I_list中的位置信息对应排列。
5.根据权利要求1所述的方法,其特征在于,生成可行方案的步骤包括:
步骤S201,生成货物+车型初始种群;
步骤S202,基于初始种群中的染色体信息,对应得到车辆路径方案,计算初始种群中各条染色体的目标适应度函数值,选择Pareto解及其对应的车辆路径方案,将新Pareto解及其对应的车辆路径方案,写入Pareto最优解集;
步骤S203,对前述货物+车型初始种群中的每个染色体进行遗传操作,生成货物子代种群;基于货物子代种群中的染色体信息,对应得到车辆路径方案,计算货物子代种群中各条染色体的目标适应度函数值,比较Pareto解,得到新Pareto解及其对应的车辆路径方案,并写入Pareto最优解集;
步骤S204,判断是否满足终止条件,若已达到终止条件,则继续执行步骤S205,否则,返回步骤S202;
步骤S205,输出Pareto最优解集和对应的车辆路径方案,输出的信息包含该路径上供应商序列、装载方案、运输时间ti、运输总成本costR和运输总时间timeR信息。
6.根据权利要求5所述的方法,其特征在于,对应得到车辆路径方案时,包括步骤:
步骤S2021,建立货物与供应商节点的关系,获取货物序列I_list、车型序列K_list和供应商节点序列S_list,初始化iL=1,iK=1,其中,iL代表第iL个货物,iK代表第iK个车型,设置待装货物序列L_list;
步骤S2022,如果iK≤length(K_list),从车型序列K_list取出第iK个车型,否则,从车型序列K_list取出第length(K_list)个车型,并获取车厢体积CV;
步骤S2023,从货物序列I_list中,取出第iL个货物加入待装货物序列L_list,当待装货物序列中货物体积之和大于车厢体积CV,执行步骤S2024,否则,执行步骤S2025;
步骤S2024,将待装货物序列和车型对应的车厢信息作为参数,调用预设的模拟退火算法,生成装载方案,按照已装货物在货物序列I_list中的位置顺序,排列出对应的供应商节点S_list顺序,去掉重复的供应商节点,在供应商节点顺序S_list的开始节点和结束节点处增加上配送中心,生成路径,将该路径存入车辆路径方案,计算出该路径已装入货物的最早交货时间窗和各货物是否迟到αi,最后将已装货物从待装货物序列中删除,设置iK=iK+1;
步骤S2025,当iL≤length(I_list)时,设置iL=iL+1,执行步骤S2023;如果待装货物序列L_list为空,进入步骤S2026,否则,返回步骤S2024;
步骤S2026,输出车辆路径方案,对前述车辆路径方案中任意i∈R,每条Ri路径的信息,包含该路径上供应商序列、装箱方案、运输时间ti,已装入的货物是否迟到αi。
7.根据权利要求6所述的方法,其特征在于,所述αi为0-1变量,针对货物i,i∈I,αi=1表示已装载在车上,αi=0表示未装载在车上。
8.根据权利要求5所述的方法,其特征在于,所述遗传操作包括对货物+车型染色体的选择、交叉和变异操作;所述遗传操作将染色体上货物片段和车型片段分别独立地进行选择、交叉和变异操作;前述染色体各自的交叉概率或前述变异概率能够设置为相同的值。
9.根据权利要求5所述的方法,其特征在于,对前述Pareto解进行解码以生成车辆路径方案,所述解码包括步骤:
步骤S301,切分车型片段和货物片段:针对切分车型片段,顺序按照从头至尾方向,每次只切分一个车型,获取该车型的车厢体积;针对切分货物片段,顺序按照从头至尾方向,逐个切分,直至本次已切分的货物体积之和超过车型的车厢体积为止,或者货物片段已切分完毕;
步骤S302,进行装载校验:利用预设的车辆装载算法,对已切分的车型和货物进行校验并生成装载方案;判断校验后是否有未装入的货物,判定为是时,将未装入的货物放回货物片段中,循环处理步骤S301和步骤S302,直至将所有货物都装入对应的车辆中;
步骤S303,生成车辆路径方案:根据每辆车已装入的货物,生成车辆路径方案,并计算每条路径的最早卸货的窗口时间、运输总成本与运输总时间。
10.一种以实施权利要求1-9中任一项所述的基于混合遗传算法的车辆路径优化系统,其特征在于,包括:
条件预置模块,设置车辆装载约束条件和车辆路径约束条件,以及车辆路径方案中对应的目标评价指标;
信息输入模块,用以输入货物信息、车型信息和供应商节点信息;方案生成模块,用以获取货物信息和车辆信息,执行建立序列信息步骤和生成可行方案步骤,以确定车辆路径方案;在生成可行方案步骤中,计算初代染色体对应的目标适应度函数值以选择Pareto解,并计算出每一迭代过程中染色体的目标适应度函数值来比较Pareto解,去劣存优后确定最终的Pareto解及其对应的车辆路径方案;所述车辆路径方案中包括所有路径以及对应的装载方案。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964189.0A CN115330051B (zh) | 2022-08-11 | 2022-08-11 | 基于混合遗传算法的车辆路径优化方法及应用 |
PCT/CN2023/109506 WO2024032376A1 (zh) | 2022-08-11 | 2023-07-27 | 基于混合遗传算法的车辆路径优化方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964189.0A CN115330051B (zh) | 2022-08-11 | 2022-08-11 | 基于混合遗传算法的车辆路径优化方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330051A true CN115330051A (zh) | 2022-11-11 |
CN115330051B CN115330051B (zh) | 2023-08-04 |
Family
ID=83923265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964189.0A Active CN115330051B (zh) | 2022-08-11 | 2022-08-11 | 基于混合遗传算法的车辆路径优化方法及应用 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115330051B (zh) |
WO (1) | WO2024032376A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032376A1 (zh) * | 2022-08-11 | 2024-02-15 | 姚陈潇 | 基于混合遗传算法的车辆路径优化方法及应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197761A (zh) * | 2018-01-31 | 2018-06-22 | 山东交通学院 | 融合循环取货与甩挂式配送的入厂物流调度方法和系统 |
CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
CN108921472A (zh) * | 2018-06-30 | 2018-11-30 | 华南理工大学 | 一种多车型的两阶段车货匹配方法 |
CN110163544A (zh) * | 2018-04-03 | 2019-08-23 | 西安科技大学 | 一种基于优化的遗传算法进行货物配送的方法 |
CN113222275A (zh) * | 2021-05-26 | 2021-08-06 | 大连海事大学 | 一种时变路网下考虑时空距离的车辆路径优化方法 |
KR20220006728A (ko) * | 2020-07-09 | 2022-01-18 | 주식회사 와이엘피 | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11506505B2 (en) * | 2019-02-13 | 2022-11-22 | The Boeing Company | Methods and apparatus for determining a vehicle path |
CN110175405B (zh) * | 2019-05-27 | 2021-09-28 | 上海维祥信息技术有限公司 | 车辆装载优化方法及系统 |
CN114611794A (zh) * | 2022-03-11 | 2022-06-10 | 合肥工业大学 | 基于亚启发式算法的车机协同取送货路径优化方法和系统 |
CN115345549B (zh) * | 2022-08-11 | 2024-01-23 | 上海维祥信息技术有限公司 | 结合装载方案的车辆路径调整方法及系统 |
CN115330051B (zh) * | 2022-08-11 | 2023-08-04 | 姚陈潇 | 基于混合遗传算法的车辆路径优化方法及应用 |
-
2022
- 2022-08-11 CN CN202210964189.0A patent/CN115330051B/zh active Active
-
2023
- 2023-07-27 WO PCT/CN2023/109506 patent/WO2024032376A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
CN108197761A (zh) * | 2018-01-31 | 2018-06-22 | 山东交通学院 | 融合循环取货与甩挂式配送的入厂物流调度方法和系统 |
CN110163544A (zh) * | 2018-04-03 | 2019-08-23 | 西安科技大学 | 一种基于优化的遗传算法进行货物配送的方法 |
CN108921472A (zh) * | 2018-06-30 | 2018-11-30 | 华南理工大学 | 一种多车型的两阶段车货匹配方法 |
KR20220006728A (ko) * | 2020-07-09 | 2022-01-18 | 주식회사 와이엘피 | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 |
CN113222275A (zh) * | 2021-05-26 | 2021-08-06 | 大连海事大学 | 一种时变路网下考虑时空距离的车辆路径优化方法 |
Non-Patent Citations (1)
Title |
---|
葛显龙等: "多车型车辆路径问题的量子遗传算法研究", 中国管理科学, vol. 21, no. 1, pages 125 - 133 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024032376A1 (zh) * | 2022-08-11 | 2024-02-15 | 姚陈潇 | 基于混合遗传算法的车辆路径优化方法及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN115330051B (zh) | 2023-08-04 |
WO2024032376A1 (zh) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
CN111144568B (zh) | 一种多目标城市物流配送路径规划方法 | |
Lacomme et al. | Job-shop based framework for simultaneous scheduling of machines and automated guided vehicles | |
Ho et al. | Solving a static repositioning problem in bike-sharing systems using iterated tabu search | |
Ahmadizar et al. | Two-level vehicle routing with cross-docking in a three-echelon supply chain: A genetic algorithm approach | |
Surekha et al. | Solution to multi-depot vehicle routing problem using genetic algorithms | |
CN115345549B (zh) | 结合装载方案的车辆路径调整方法及系统 | |
CN112001064B (zh) | 一种集装箱码头间全自主水上运输调度方法及系统 | |
CN110276488B (zh) | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 | |
CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
US20200327497A1 (en) | System and method for linehaul optimization | |
Lv et al. | Operational optimization of transit consolidation in multimodal transport | |
Ting et al. | Multi-vehicle selective pickup and delivery using metaheuristic algorithms | |
CN109886490A (zh) | 一种组合车辆联合运输的匹配优化方法 | |
Mohtashami | Scheduling trucks in cross docking systems with temporary storage and repetitive pattern for shipping trucks | |
CN111882200A (zh) | 一种考虑车辆路径与三维装箱的车货匹配方法 | |
WO2024032376A1 (zh) | 基于混合遗传算法的车辆路径优化方法及应用 | |
CN113408988A (zh) | 仓储系统的调度优化方法、电子设备及存储介质 | |
Escobar-Falcón et al. | A specialized genetic algorithm for the fuel consumption heterogeneous fleet vehicle routing problem with bidimensional packing constraints | |
CN114358233A (zh) | 基于双混合粒子群的多agv路径规划问题优化方法及系统 | |
Sluijk et al. | A chance-constrained two-echelon vehicle routing problem with stochastic demands | |
CN111428902B (zh) | 确定运输线路的方法及装置 | |
CN109032789B (zh) | 一种物流网络的部署方法、装置和服务器 | |
CN115345550B (zh) | 车辆路径规划方法及系统 | |
Sedaghat et al. | A sustainable transportation location inventory routing problem |
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 |