CN115496423A - 一种电力物资供应链配送路径调度方法 - Google Patents

Abstract

本发明提出了一种电力物资供应链配送路径调度方法，包括：分别生成配送车辆向量和配送顺序向量，拼接为对应不同调度方案的染色体；计算染色体在当前种群中的适应度，确定父代染色体；随机选取第一交叉基因片段，在父代染色体的相同基因位置之间交换第一交叉基因片段；根据各个染色体的适应度和种群迭代数，选取第二交叉基因片段，在父代染色体的不同基因位置之间交换第二交叉基因片段；将子代的配送车辆向量和配送顺序向量拼接为子代染色体；迭代执行直至满足迭代条件时停止，选择当前种群中适应度符合要求的染色体对应的调度方案配送电力物资。本发明通过改进的遗传算法，提高了遗传算法的收敛能力，提高了电力物资供应链的配送效率。

Description

一种电力物资供应链配送路径调度方法

技术领域

本发明属于路径调度领域，尤其涉及一种电力物资供应链配送路径调度方法。

背景技术

在电力物资供应链中，常常需要对于订单较多、货物较多以及在多个地域的配送路径进行统一调度规划。目前，现有的配送路径调度方法常常需要借助人工经验的判断，以确定较为经济合理的配送路径调度，导致求解调度方案过程耗时较长，无法及时得到相对最优的路径调度结果，进而影响电力物资供应链的配送效率。

发明内容

为了解决现有技术中存在的配送路径调度的求解效率过低、影响电力物资供应链的配送效率的缺点和不足，本发明考虑了现实业务中实际条件对应的各类调度约束条件，依据不同车型的梯度价格计算总运输成本，最终通过改进的遗传算法求解最优的配送路径调度方案。在本发明改进的遗传算法中，针对配送车辆和配送订单在调度方案中的不同属性特点，分别设计了不同的交叉算子，从而实现在增加了种群的多样性的同时，还提高了遗传算法的收敛能力。

进一步的，本发明提出的一种电力物资供应链配送路径调度方法，包括如下步骤：

S100：获取配送订单和配送车辆进行编号，结合预设的调度约束条件，分别生成配送车辆向量和配送顺序向量，将配送车辆向量和配送顺序向量拼接为对应不同调度方案的染色体，组成种群；

S200：根据配送车辆的配送成本计算染色体在当前种群中的适应度，根据选择算子在染色体中确定父代染色体；

S300：在父代染色体的配送车辆向量中随机选取第一交叉基因片段，在父代染色体的相同基因位置之间交换第一交叉基因片段，生成子代的配送车辆向量；

S400：在父代染色体的配送顺序向量中，根据当前种群中各个染色体的适应度和种群迭代数，选取第二交叉基因片段，在父代染色体的不同基因位置之间交换第二交叉基因片段，生成子代的配送顺序向量；

S500：将子代的配送车辆向量和配送顺序向量拼接为子代染色体，并删除不符合所述调度约束条件的子代染色体，由剩余的子代染色体组成新一代的种群；

S600：迭代执行步骤S200-S500直至满足迭代条件时停止，选择当前种群中适应度符合要求的染色体对应的调度方案配送电力物资。

可选的，所述S100包括：

S110：分别对配送订单和配送车辆进行编号，得到对应各个配送车辆的第一编号，以及对应各个配送订单的第二编号；

S120：根据预设的调度约束条件，确定至少2个初始的调度方案，根据第一编号生成初始的调度方案对应的配送车辆向量，根据第二编号生成初始的调度方案对应的配送顺序向量；

S130：将配送车辆向量和配送顺序向量首尾拼接为染色体。

可选的，所述S120包括：

确定初始的调度方案中需要调度的配送车辆，由需要调度的配送车辆对应的第一编号形成符合调度约束条件的排列组合，得到配送车辆向量；

为需要调度的配送车辆分配配送订单，分别针对每个需要调度的配送车辆，以配送订单对应的第二编号代表配送车辆的去程，以配送订单对应的第二编号的相反数代表配送车辆的返程，由第二编号以及第二编号的相反数形成符合调度约束条件的排列组合，得到配送顺序向量。

可选的，所述调度约束条件包括配送里程成对约束、优先级约束以及车辆数约束；

其中，所述配送里程成对约束为：所述第二编号以及第二编号的相反数始终成对出现；

所述优先级约束为：在配送顺序向量中，所述第二编号始终排列在所述第二编号的相反数之前；

所述车辆数约束为：所述配送车辆向量中第一编号的数量不超过实际配送车辆总数。

可选的，所述根据配送车辆的配送成本计算染色体在当前种群中的适应度，包括：

构建适应度函数f为：

其中，

为车辆k的行驶里程，

表示车辆k对应

的梯度价格，K表示配送车辆的总数，

为预设的惩罚因子，

为车辆k完成配送订单的时间，

表示预设的配送时间限值。

可选的，所述S300包括：

随机选取两个分界点c1和c2作为起止点，分别将父代染色体中c1和c2之间的基因片段作为第一交叉基因片段；

基于PMX交叉法，将第一交叉基因片段在父代染色体之间交换，将交换后的染色体作为子代的配送车辆向量。

可选的，所述S400包括：

基于预设权重对当前种群中各个染色体的适应度和种群迭代数进行加权计算，确定第二交叉基因片段的长度参数；

确定两个间隔为所述长度参数的分界点c3和c4作为起止点，分别将父代染色体上c3和c4之间的基因片段作为第二交叉基因片段；

将其中一个父代染色体的第二交叉基因片段交换到另一个父代染色体的尾部，将所述另一个父代染色体的第二交叉基因片段交换到所述其中一个父代染色体的首部；

将交换后的染色体作为子代的配送顺序向量。

可选的，所述选择算子为轮盘赌选择策略。

可选的，在执行所述S600之前，还包括基于精英保留策略，将截止目前的迭代过程中适应度最高的染色体直接复制到新一代的种群中，并删除新一代的种群中适应度最低的染色体。

可选的，在执行所述S600之前，还包括基于预设的变异算子，在新一代的种群的染色体中随机产生变异点。

本发明提供的技术方案带来的有益效果是：

本发明针对订单较多、货物较多以及在多个地域的配送路径进行统一调度规划的情况，通过改进的遗传算法，减少了遗传算法的全局收敛能力，能快速高效的求解路径规划，并可以得到相对最优的调度方案，从而提高了电力物资供应链的配送效率。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提出的一种电力物资供应链配送路径调度方法的流程示意图；

图2为本发明实施例中提出的遗传算法流程图。

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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例：

如图1所示，本实施例提出了一种电力物资供应链配送路径调度方法，包括如下步骤：

S100：获取配送订单和配送车辆进行编号，结合预设的调度约束条件，分别生成配送车辆向量和配送顺序向量，将配送车辆向量和配送顺序向量拼接为对应不同调度方案的染色体，组成种群；

S200：根据配送车辆的配送成本计算染色体在当前种群中的适应度，根据选择算子在染色体中确定父代染色体；

S300：在父代染色体的配送车辆向量中随机选取第一交叉基因片段，在父代染色体的相同基因位置之间交换第一交叉基因片段，生成子代的配送车辆向量；

S400：在父代染色体的配送顺序向量中，根据当前种群中各个染色体的适应度和种群迭代数，选取第二交叉基因片段，在父代染色体的不同基因位置之间交换第二交叉基因片段，生成子代的配送顺序向量；

S500：将子代的配送车辆向量和配送顺序向量拼接为子代染色体，并删除不符合所述调度约束条件的子代染色体，由剩余的子代染色体组成新一代的种群；

S600：迭代执行步骤S200-S500直至满足迭代条件时停止，选择当前种群中适应度符合要求的染色体对应的调度方案配送电力物资。

针对订单较多、货物较多以及在多个地域的配送路径进行统一调度规划的情况，现有的配送路径调度方法效率过低，同时由于电力物资供应链对配送实时性的要求较高，若电力物资配送不及时，将很容易影响电力设备的检修、维护等工程的实施，因此普通的规划寻优算法无法在可行时间范围内求解，难以适应实时性较高的电力物资供应链的应用场景。

本实施例通过改进的遗传算法，能快速高效的求解路径规划，并可以得到相对最优的路径规划结果，在本实施例改进的遗传算法中，针对配送车辆和配送订单在调度方案中的不同属性特点，分别设计了不同的交叉算子，从而实现在增加了种群的多样性的同时，还提高了遗传算法的收敛能力。

在本实施例中，所应用的遗传算法的流程如图2所示，首先确定配送订单，在本实施例中根据输入装箱结果确定订单数，所述装箱结果即需要配送的电力物资装箱数量，根据这个数量以及电力物资配送的起止点，确定配送订单。再根据装箱结果能够进行车型预判，以满足配送订单的容载需求。

随后，基于遗传算法的框架，依次进行种群初始化，对种群中个体计算适应度值，通过轮盘赌选择算子选择能够遗传给下一代的父代染色体，并基于交叉算、变异算子以及精英保留策略实现种群进化，直至达到最大迭代次数，输出结果后结束。

下面结合具体示例，对本实施例基于图2实现配送路径调度求解的过程进行详细说明。

在遗传算法的准备阶段，本实施例针对电力物资供应链的应用场景设计了一种自然数编码方式，编码由两个向量表示，分别为车辆向量和订单顺序向量。具体的，所述S100包括：

S110：分别对配送订单和配送车辆进行编号，得到对应各个配送车辆的第一编号，以及对应各个配送订单的第二编号。例如，现需配送订单8个，即第二编号分别为1、2、…、8，具体配送情况如表1所示。

表1

S120：根据预设的调度约束条件，确定至少2个初始的调度方案，根据第一编号生成初始的调度方案对应的配送车辆向量，根据第二编号生成初始的调度方案对应的配送顺序向量。

在本实施例中，所述调度约束条件包括配送里程成对约束、优先级约束以及车辆数约束；

其中，所述配送里程成对约束为：所述第二编号以及第二编号的相反数始终成对出现；

所述优先级约束为：在配送顺序向量中，所述第二编号始终排列在所述第二编号的相反数之前；

所述车辆数约束为：所述配送车辆向量中第一编号的数量不超过实际配送车辆总数。

所述S120具体包括：

确定初始的调度方案中需要调度的配送车辆，由需要调度的配送车辆对应的第一编号形成符合调度约束条件的排列组合，得到配送车辆向量。例如，现由两种车辆，车型1可支配车辆4辆，即第一编号为{0,1,2,3}；车型2可支配车辆2辆，即第一编号为{4,5}，现确定需要调度配送车辆0、3、5，因此配送车辆向量可排列组合表示为{3，0，5}。

为需要调度的配送车辆分配配送订单，分别针对每个需要调度的配送车辆，以配送订单对应的第二编号代表配送车辆的去程，以配送订单对应的第二编号的相反数代表配送车辆的返程，由第二编号以及第二编号的相反数形成符合调度约束条件的排列组合，得到配送顺序向量。

例如，初始的调度方案中为需要调度的配送车辆分配配送订单的情况为：订单1、3、7和8由车型1车辆3配送，订单2和5由车型1车辆0配送，订单4和6由车型2车辆5配送。顺序向量表示车辆配送订单的顺序，如车辆3所对应的订单顺序向量为（1 -1 3 -3 8 7 -8 -7），表示车辆3首先从仓库A装载订单1，并运送至仓库B卸载订单1，完成订单1配送；随后前往仓库E装载订单3，并运送至仓库F卸载订单3；最后，前往仓库M、仓库O装载订单8和订单7，并运送至仓库N卸载订单7和8。至此，车辆3已完成所有订单配送。同理以此类推，可分别得到3个配送车辆的路线为：

车辆3 A(1)→B(-1)→E(3)→F(-3)→M(8)→O(7)→N(-7/-8)；

车辆0 C(2)→D(-2)→I(5)→J(-5)；

车辆5 G(4)→H(-4/6)→L(-6)。

由此可形成符合调度约束条件得排列组合，例如配送车辆向量可表示为{1，2，-2，-1，3，-3，4，-4，5，-5，8，7，-8，-7，6，-6}。

S130：将配送车辆向量和配送顺序向量首尾拼接为染色体，即得到一个染色体为{3，0，5，1，2，-2，-1，3，-3，4，-4，5，-5，8，7，-8，-7，6，-6}。

在本实施例中，为了求解配送成本更低的配送路径调度方案，采用依据各车型的梯度价格计算配送成本作为目标函数，并采用目标函数的倒数作为染色体适应度。同时，适应度函数部分将处理车辆的装载载重、容积约束，以及配送时长约束。若路线不满足当前车型的载重和容积约束，则在满足车辆数的约束基础上调用更大一号车型。若车辆配送时长超过设定时长（本实施例设定各车辆须在12.5小时内完成配送），则会增加相应的惩罚成本。具体如下：

构建适应度函数f为：

当满足车辆和配送中心容量约束时，适应度函数如下所示：

；

当车辆配送时长超过设定时长，则采用带惩罚函数的适应度函数：

；

其中，

为车辆k的行驶里程，

表示车辆k对应

的梯度价格，K表示配 送车辆的总数，

为预设的惩罚因子，

为车辆k完成配送订单的时间，

表示预设的配 送时间限值。

本实施例在选择算子上，采用轮盘赌选择策略，个体被选中的概率与其适应度大小成正比。具体操作如下：计算出群体中每个个体的适应度；计算出每个个体被遗传到下一代群体中的概率；计算出每个个体的累积概率；在[0，1]区间内产生一个均匀分布的伪随机数r；若r<q[k]，则选择个体k，否则，对下一个个体进行判断，指导选取q>r的个体；重复以上步骤，直到组成一个新的种群。

在遗传算法的交叉阶段，本实施例首先设定了一种自适应的交叉概率，使交叉概率能够随着适应度值自动改变。当群体适应度值趋于一致或趋于局部最优时，增大交叉概率，而当群体适应度值较分散时，减小交叉概率。

其次，本实施例针对配送车辆向量和配送顺序向量两部分基因段的属性特点分别设计了对应的交叉操作。其中，针对配送车辆向量，所述S300包括：

随机选取两个分界点c1和c2作为起止点，分别将父代染色体中c1和c2之间的基因片段作为第一交叉基因片段；

基于PMX交叉法，将第一交叉基因片段在父代染色体之间交换，将交换后的染色体作为子代的配送车辆向量。

由于不同的配送订单选用的配送车辆可重复，所以本实施例中配送车辆向量可以重复，即使在下一代种群中产生相同的子代基因也没有影响，故本实施例对于配送车辆向量采用部分匹配（Partially-matched crossover，PMX）交叉法。例如，对于选择的2个父代染色体中配送车辆向量分别为{3，0，5，1，2}和{4，3，5，1，2}，第2基因位选定为c1，第4基因位选定为c2，则经PMX交叉后得到的子代基因段分别为{3，3，5，1，2}和{4，0，5，1，2}。

针对配送顺序向量，所述S400包括：

基于预设权重对当前种群中各个染色体的适应度和种群迭代数进行加权计算，确定第二交叉基因片段的长度参数。

可选的，其加权计算可表示为：

，1为长度参数，a₁、a₂分别表示预设权重，f表示适应度，k表示种群迭代次数，

表示计算结果的向上取整。

在本实施例中，考虑到随着迭代次数的增加以及每一代种群中总体的适应度水平的提高，种群中对应的调度方案在配送成本上的表现效果将越来越好，因此为了在增加种群多样性的同时，提高遗传算法的收敛能力以缩短求解速度，在本实施例提出的改进的遗传算法中，随着迭代次数的增加，用于交叉的基因片段的长度可逐渐缩短，从而提高收敛速度。

确定两个间隔为所述长度参数的分界点c3和c4作为起止点，分别将父代染色体上c3和c4之间的基因片段作为第二交叉基因片段。将其中一个父代染色体的第二交叉基因片段交换到另一个父代染色体的尾部，将所述另一个父代染色体的第二交叉基因片段交换到所述其中一个父代染色体的首部，将交换后的染色体作为子代的配送顺序向量。

本实施例中，为了避免两个父代染色体相同的情况，设计了一种改进的交叉策略，以增加种群的多样性。例如，对于选择的2个父代染色体中配送顺序向量分别为{1，2，-2，-1，3，-3，4，-4，5，-5，8，7，-8，-7，6，-6}和{1，-1，3，-3，8，7，-7，-8，2，-2，5，-5，4，-4，6，-6}，计算出的长度参数为3，基于此第2基因位选定为c3，第4基因位选定为c4，则经交叉后得到的子代基因段分别为{-1，3，-3，1，3，-3，4，-4，5，-5，8，7，-8，-7，6，-6}和{1，8，7，-7，-8，2，-2，5，-5，4，-4，6，-6，2，-2，-1}。

由此可见，为了避免重复产生相同的子代以增加算法计算量，影响求解效率，本实施例在父代染色体的不同基因位置之间交换第二交叉基因片段，这样即使父代的染色体相同，其产生的杂交算子也能够产生两个互不相同的子代基因段。

在本实施例中，为了防止当前群体的最优个体在下一代发生丢失，在执行所述S600之前，还包括基于精英保留策略，将截止目前的迭代过程中适应度最高的染色体直接复制到新一代的种群中，并删除新一代的种群中适应度最低的染色体，从而改进了遗传肃反的全局收敛能力。

在本实施例中，在执行所述S600之前，还包括基于预设的变异算子，在新一代的种群的染色体中随机产生变异点。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电力物资供应链配送路径调度方法，其特征在于，包括如下步骤：

S100：获取配送订单和配送车辆进行编号，结合预设的调度约束条件，分别生成配送车辆向量和配送顺序向量，将配送车辆向量和配送顺序向量拼接为对应不同调度方案的染色体，组成种群；

S200：根据配送车辆的配送成本计算染色体在当前种群中的适应度，根据选择算子在染色体中确定父代染色体；

S300：在父代染色体的配送车辆向量中随机选取第一交叉基因片段，在父代染色体的相同基因位置之间交换第一交叉基因片段，生成子代的配送车辆向量；

S400：在父代染色体的配送顺序向量中，根据当前种群中各个染色体的适应度和种群迭代数，选取第二交叉基因片段，在父代染色体的不同基因位置之间交换第二交叉基因片段，生成子代的配送顺序向量；

S500：将子代的配送车辆向量和配送顺序向量拼接为子代染色体，并删除不符合所述调度约束条件的子代染色体，由剩余的子代染色体组成新一代的种群；

S600：迭代执行步骤S200-S500直至满足迭代条件时停止，选择当前种群中适应度符合要求的染色体对应的调度方案配送电力物资。

2.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，所述S100包括：

S110：分别对配送订单和配送车辆进行编号，得到对应各个配送车辆的第一编号，以及对应各个配送订单的第二编号；

S120：根据预设的调度约束条件，确定至少2个初始的调度方案，根据第一编号生成初始的调度方案对应的配送车辆向量，根据第二编号生成初始的调度方案对应的配送顺序向量；

S130：将配送车辆向量和配送顺序向量首尾拼接为染色体。

3.根据权利要求2所述的一种电力物资供应链配送路径调度方法，其特征在于，所述S120包括：

确定初始的调度方案中需要调度的配送车辆，由需要调度的配送车辆对应的第一编号形成符合调度约束条件的排列组合，得到配送车辆向量；

为需要调度的配送车辆分配配送订单，分别针对每个需要调度的配送车辆，以配送订单对应的第二编号代表配送车辆的去程，以配送订单对应的第二编号的相反数代表配送车辆的返程，由第二编号以及第二编号的相反数形成符合调度约束条件的排列组合，得到配送顺序向量。

4.根据权利要求3所述的一种电力物资供应链配送路径调度方法，其特征在于，所述调度约束条件包括配送里程成对约束、优先级约束以及车辆数约束；

其中，所述配送里程成对约束为：所述第二编号以及第二编号的相反数始终成对出现；

所述优先级约束为：在配送顺序向量中，所述第二编号始终排列在所述第二编号的相反数之前；

所述车辆数约束为：所述配送车辆向量中第一编号的数量不超过实际配送车辆总数。

5.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，所述根据配送车辆的配送成本计算染色体在当前种群中的适应度，包括：

构建适应度函数f为：

其中，

为车辆k的行驶里程，

表示车辆k对应

的梯度价格，K表示配送车辆的总数，

为预设的惩罚因子，

为车辆k完成配送订单的时间，

表示预设的配送时间限值。

6.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，所述S300包括：

随机选取两个分界点c1和c2作为起止点，分别将父代染色体中c1和c2之间的基因片段作为第一交叉基因片段；

基于PMX交叉法，将第一交叉基因片段在父代染色体之间交换，将交换后的染色体作为子代的配送车辆向量。

7.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，所述S400包括：

基于预设权重对当前种群中各个染色体的适应度和种群迭代数进行加权计算，确定第二交叉基因片段的长度参数；

确定两个间隔为所述长度参数的分界点c3和c4作为起止点，分别将父代染色体上c3和c4之间的基因片段作为第二交叉基因片段；

将其中一个父代染色体的第二交叉基因片段交换到另一个父代染色体的尾部，将所述另一个父代染色体的第二交叉基因片段交换到所述其中一个父代染色体的首部；

将交换后的染色体作为子代的配送顺序向量。

8.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，所述选择算子为轮盘赌选择策略。

9.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，在执行所述S600之前，还包括基于精英保留策略，将截止目前的迭代过程中适应度最高的染色体直接复制到新一代的种群中，并删除新一代的种群中适应度最低的染色体。

10.根据权利要求1所述的一种电力物资供应链配送路径调度方法，其特征在于，在执行所述S600之前，还包括基于预设的变异算子，在新一代的种群的染色体中随机产生变异点。

Images