CN115689247A - 一种基于改进遗传算法的整车物流调度优化方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的整车物流调度优化方法，获取订单信息、运输车信息、商品车信息、车场信息；确定函数优化目标，约束条件；设置种群大小，交叉概率，变异概率以及迭代终止条件；种群初始化并进行基因编码：采用双染色体自然数编码，分别是订单染色体编码和运输车染色体编码；对编码进行动态解码并计算函数适应度值；重复以下操作：选择操作、交叉操作、变异操作、局部优化操作直至达到终止条件输出最优方案。本发明通过改进遗传算法，贪婪算法初始种群优化，双染色体编码动态解码，局部优化，解决了多运输车类型、多商品车类型、多车场以及装卸混合的综合整车物流优化问题的同时保证了稳定的优化效果和较快的计算速度。

Description

一种基于改进遗传算法的整车物流调度优化方法

技术领域

本发明涉及整车物流调度技术领域，特别涉及一种基于改进遗传算法的整车物流调度优化方法。

背景技术

据中国汽车工业协会统计数据，中国汽车产销连续十三年蝉联全球第一。各大车企在继续加强制造成本的优化控制外，开始重视汽车制造供应链的整体所有环节的成本和效率控制。整车物流管理环节已由原来不受重视的作业性、辅助性角色,上升为向制造服务转型的重要环节，成为企业取得竞争优势、降低成本的第三利润源泉。随着商品汽车市场终端客户需求的增加与多样化发展以及全球经济一体化进程，我国汽车物流服务的市场规模和复杂程度不断增加。同时汽车物流在汽车供应链中的重要性日益凸显，各汽车制造企业对零部件与整车物流的重视程度不断提高。汽车市场规模以及相关的汽车物流市场规模都不断增加。我国的汽车物流服务日趋专业化，并且，随着相关信息技术的发展，向标准化、科学化、信息化和智能化方向不断探索。

整车物流配送优化问题本质是车辆路径优化问题(Vehicle Routing Problem:VRP)，随着问题在1959年首次提出，大量学者在问题求解方面提出了许多算法，主要包括精确求解算法和启发式智能算法，精确算法包括分支定界法、整数规划法、动态规划法、切平面法等。启发式智能算法如扫描法、进化策略、蚁群算法、遗传算法、禁忌算法、模拟退火算法、粒子群算法等。精确算法虽然能求出问题的最优解，但是不适合大规模问题求解，针对特定问题研究的启发式算法只能针对特定问题，无法有效解决综合性的复杂问题。随着问题规模的增加，表达式的限制条件也会变多，时间复杂度会呈指数增长，使得求最优解的过程变得异常复杂。传统意义上的精确算法已经难以满足较大规模VRP的求解。现有国内外学者提出很多启发式智能算法，虽然能有效解决大部分车辆路径问题，但是同时针对多运输车类型、多商品车类型、多车场以及装卸混合的综合整车物流优化问题，依然未能有效解决。

发明内容

本发明的主要目的在于克服现有技术不足，提供一种基于改进遗传算法的整车物流调度优化方法。该方法在模型中同时考虑了多运输车类型、多商品车类型、多车场以及装卸混合问题。

本发明采用以下技术方案：

一种基于改进遗传算法的整车物流调度优化方法，所述方法包括以下步骤：

步骤(1)：获取订单信息、运输车信息、商品车信息、车场信息。订单信息包括订单编号、订单内需求商品类型和数量以及作业类型(装、卸)，订单需求点位置坐标；运输车信息包括运输车类型和数量、运输车自重、额定载重、运输车长、宽、高以及运输车所属车场编号；商品车信息包括商品车类型、商品车重量以及长、宽、高；车场信息包括车场数量及编号，车场的位置坐标。

步骤(2)：确定函数优化目标，约束条件。

步骤(2.1)：目标函数：运输成本最低，运输成本包括车辆折旧费，司机工资，油费，过路费。

步骤(2.2)：约束条件：1.运输过程中不允许超过载重和空间限制；2.每个订单点需求量任一运输车可单独完成运输任务。3.不拆分订单，每个订单点只访问一次，即只能由一辆运输车提供服务。

步骤(3)：设置种群大小pop，交叉概率pc，变异概率pm以及迭代终止条件。

步骤(4)：种群初始化。基因编码采用双染色体自然数编码，分别叫做订单染色体编码和运输车染色体编码。

步骤(4.1)：订单染色体编码长度等于订单数量N，编码的顺序代表了订单点的访问顺序，计算订单需求点两两之间的距离，采用贪婪法产生基因编码，随机选取1个订单点作为第1个编码基因，找到距离该订单需求点最近的其他订单需求点作为第2个编码基因，依次类推，直到所有订单点编入基因，形成1条完整染色体作为1条订单染色体。

步骤(4.2)：选择不同订单点作为第1个编码基因，重复步骤(4.1)，得到N条不同订单染色体。一般说来，种群大小pop要大于订单数量N，剩余的pop-N条订单染色体则随机产生。为达到总成本最优的目标，通过步骤(2)可了解到总成本最主要的影响因素为距离，因此，通过距离贪婪法生成的染色体，其适应度值会比随机产生的染色体高，能加快种群收敛。

步骤(4.3)：运输车染色体编码长度等于运输车数量Nv。给每辆运输车进行自然数编码，编号1～Nv，编码的顺序代表了运输车的使用顺序，随机产生pop条大小为Nv的染色体作为运输车染色体。

步骤(5)：计算适应度值。

步骤(5.1)：计算函数适应度值首先需对编码进行解码。根据运输车额定载重及运输空间限制进行解码。超过限制，理解为当前运输车无法完成运输，需在上1需求点完成装卸后返回车场，车场需额外调派运输车完成运输。将车场编号为0，解码过程即是对订单编码插入编号0的过程。如何判断插入0的位置，需要动态计算载重与允许装载的空间(运输车剩余长、宽、高)。动态解码步骤如下：

步骤(5.1.1)：运输车从车场出发，第一个解码基因即为0。判断完成原染色体第i个订单运输任务过程中(包括装载车辆、卸载车辆过程中)是否超过限制，如果未超过限制，则第一个解码周围为0，p1，p2，…，pi，0。

步骤(5.1.2)：将第i+1个订单点加入解码周期，即将第i+1个订单考虑在运输车上运输，模拟运输过程，判断在整个运输过程中是否超过限制，若运输过程中到达某个运输点装载商品车或出发时装载商品车超过限制，则表示解码失败，第1个解码周期仍为0，p1，p2，…，pi，0。将第i+1个订单点加入第2个解码周期，若模拟运输过程未出现超过限制的情况，则表示解码成功，解码周期调整为0，p1，p2，…，pi，pi+1，0。然后将第i+2个订单点加入解码周期，重复上述步骤，至第i+j个订单点加入，解码失败，进入下一个解码周期。

步骤(5.1.3)：重复步骤(5.1.1)和步骤(5.1.2)，至所有订单点都已完成解码。解码后由于0的加入，染色体长度将大于订单数N。

步骤(5.1.4)：运输车染色体无需解码，其顺序就表示使用的运输车次序，即第1个数字是几就表示使用第几辆运输车完成第1个解码周期内的运输任务。同时运输车从哪个车场出发，运输完成返回哪个车场。

步骤(5.2)：依据解码后染色体计算适应度值。计算出每段路所对应的成本，求出每条染色体解码后运输路线的总成本。

步骤(5.3)：总成本的倒数作为适应度值。

步骤(6)：选择操作。根据精英保留策略，保留种群中适应度最高的个体；再对当前种群应用锦标赛选择算子，选出适应度更高的个体加入新一代种群。

步骤(7)：交叉操作。按照设定的交叉概率，随机对染色体进行交叉。订单染色体与运输车染色体分别进行交叉。交叉方式采用双点交叉：产生两个随机数，将在两个数中间的基因编码复制插入放入染色体，然后删除重复基因。

步骤(8)：变异操作。按照设定的变异概率，随机对染色体进行变异。订单染色体与运输车染色体分别进行变异。染色体变异采用双点交换变异：产生两个随机数，将这两个数位置基因交换完成变异。

步骤(9)：局部优化。随机选择染色体中两个相邻基因编码，交换顺序，计算交换前后的适应度值。适应度值高的，即总成本低的染色体作为局部优化后的染色体编码。遗传算法搜索解的范围大，能有效避免陷入局部最优，但是其局部搜索能力差，此局部优化操作能有效搜索邻近最优解，增加局部搜索能力。

步骤(10)：重复步骤(5)-步骤(9)，至达到终止条件并输出最优方案。

本发明的有益效果：

(1)采用双染色体编码，动态解码的方式，能有效解决多运输车类型、多商品车类型、多车场以及装卸混合的综合整车物流优化问题。且能同时解决运力充足与运力不足时的最优路径。运力充足时，表示运输车染色体编码后面的运输车未使用，运力不足时表示所有运输车都派出，仍有部分商品车订单未完成。

(2)针对多运输车类型、多商品车类型、多车场以及装卸混合的综合性问题，通过改进遗传算法，贪婪算法初始种群优化，双染色体编码动态解码，局部优化，保证了稳定的优化效果和较快的计算速度。

附图说明

图1为本发明一种基于改进遗传算法的整车物流调度优化方法流程图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。

如图1所示，一种基于改进遗传算法的整车物流调度优化方法，包括以下步骤：

步骤(1)：获取订单信息、运输车信息、商品车信息、车场信息。如下表：

表1运输车信息

表2商品车信息

表3订单信息

表4车场信息

步骤(2)：确定优化目标，约束条件。

f₁为车辆折旧费与司机工资，f₂为过路费，f₃为油费。总目标为总费用最小。约束条件：

其中：

N：订单节点，0表示车场；

K：运输车类型；

P：商品车类型；

U_k:k类运输车数量；

g_p,l_p,w_p,h_p,:p类商品车重量，长度，宽度，高度；

G_k,L_k,W_k,H_k,:k类运输车载重，可用长度，宽度，高度；

Q_k:k类运输车自重；

d_ij：i和j之间距离；

K类型运输车的第u辆在i到j过程中的商品车总重。

上述式子确保不超限制，不拆分订单，每个订单客户点只能有一辆运输车服务一次。

步骤(3)：设置种群大小pop＝200，交叉概率pc＝0.8，变异概率pm＝0.1以及迭代终止条件进化1000代。

步骤(4)：种群初始化。基因编码采用双染色体自然数编码，分别叫做订单染色体编码和运输车染色体编码。订单染色体编码长度等于订单数量20，计算订单需求点两两之间的距离，采用贪婪法产生20个基因编码，其余180个基因编码随机产生。运输车染色体编码长度等于运输车数量15；随机产生200个基因编码作为运输车染色体。

步骤(5)：计算适应度值。首先需对编码进行解码。采用上述限制条件下动态解码的方式。举个简单案例，假如订单编码为(1,2,3,4,5,6)，运输车编码为(1,2)，则可能的解码为(0,1,2,3,0,4,5,6,0)，理解为第1辆运输车服务客户点1,2,3，返回1号车场(所属车场)。第2辆运输车服务客户点4,5,6,然后返回2号车场(所属车场)。依据优化目标，计算解码后的总费用F。计算适应度值f(t)＝1/F。

步骤(6)：选择操作。根据精英保留策略，保留种群中适应度最高的个体；再对当前种群应用锦标赛选择算子，选出适应度更高的个体加入新一代种群。

步骤(7)：交叉操作。按照设定的交叉概率，随机对染色体进行交叉。订单染色体与运输车染色体分别进行交叉。交叉方式采用双点交叉：产生两个随机数，将在两个数中间的基因编码复制插入放入染色体，然后删除重复基因。

步骤(8)：变异操作。按照设定的变异概率，随机对染色体进行变异。订单染色体与运输车染色体分别进行变异。染色体变异采用双点交换变异：产生两个随机数，将这两个数位置基因交换完成变异。

步骤(9)：局部优化。随机选择染色体中两个相邻基因编码，交换顺序，计算交换前后的适应度值。适应度值高的，即总成本低的染色体作为局部优化后的染色体编码。

步骤(10)：重复步骤(5)-步骤(9)，至达到终止条件。

输出最优方案。最终计算结果如下表：

表5最优方案

采用本发明提出的一种基于改进遗传算法的整车物流调度优化方法，通过改进遗传算法，贪婪算法初始种群优化，双染色体编码动态解码，局部优化，保证了稳定的优化效果和较快的计算速度。

最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。

Claims (6)

1.一种基于改进遗传算法的整车物流调度优化方法，其特征在于，包括以下步骤：

步骤1：获取订单信息、运输车信息、商品车信息、车场信息；

步骤2：确定函数优化目标，约束条件；

步骤3：设置种群大小pop，交叉概率pc，变异概率pm以及迭代终止条件；

步骤4：种群初始化；基因编码采用双染色体自然数编码，分别是订单染色体编码和运输车染色体编码；

步骤5：计算适应度值；

步骤6：选择操作；根据精英保留策略，保留种群中适应度最高的个体；对当前种群应用锦标赛选择算子，选出适应度更高的个体加入新一代种群；

步骤7：交叉操作；按照设定的交叉概率，随机对染色体进行交叉；订单染色体与运输车染色体分别进行交叉；交叉方式采用双点交叉：产生两个随机数，将在两个数中间的基因编码复制插入放入染色体，然后删除重复基因；

步骤8：变异操作；按照设定的变异概率，随机对染色体进行变异；订单染色体与运输车染色体分别进行变异；染色体变异采用双点交换变异：产生两个随机数，将这两个随机数位置基因交换完成变异；

步骤9：局部优化；随机选择染色体中两个相邻基因编码，交换顺序，计算交换前后的适应度值；适应度值高的，即总成本低的染色体作为局部优化后的染色体编码；

步骤10：重复步骤5-步骤9，至达到终止条件并输出最优方案。

2.根据权利要求1所述的一种基于改进遗传算法的整车物流调度优化方法，其特征在于，步骤1中，所述订单信息包括订单编号、订单内需求商品类型和数量以及作业类型，订单需求点位置坐标；所述运输车信息包括运输车类型和数量、运输车自重、额定载重、运输车长、宽、高以及运输车所属车场编号；所述商品车信息包括商品车类型、商品车重量以及长、宽、高；所述车场信息包括车场数量及编号，车场的位置坐标。

3.根据权利要求1所述的一种基于改进遗传算法的整车物流调度优化方法，其特征在于，步骤2包括：

目标函数：运输成本最低，运输成本包括车辆折旧费，司机工资，油费，过路费；

约束条件：1.运输过程中不允许超过载重和空间限制；2.每个订单点需求量任一运输车可单独完成运输任务；3.不拆分订单，每个订单点只访问一次，即只能由一辆运输车提供服务。

4.根据权利要求1所述的一种基于改进遗传算法的整车物流调度优化方法，其特征在于，步骤4中，所述基因编码步骤如下：

步骤4.1：订单染色体编码长度等于订单数量N，编码的顺序代表了订单点的访问顺序，计算订单需求点两两之间的距离，采用贪婪法产生基因编码，随机选取1个订单点作为第1个编码基因，找到距离该订单需求点最近的其他订单需求点作为第2个编码基因，依次类推，直到所有订单点编入基因，形成1条完整染色体作为1条订单染色体；

步骤4.2：选择不同订单点作为第1个编码基因，重复步骤4.1，得到N条不同订单染色体；种群大小pop要大于订单数量N，剩余的pop-N条订单染色体则随机产生；

步骤4.3：运输车染色体编码长度等于运输车数量Nv；给每辆运输车进行自然数编码，编号1～Nv，编码的顺序代表了运输车的使用顺序，随机产生pop条大小为Nv的染色体作为运输车染色体。

5.根据权利要求1所述的一种基于改进遗传算法的整车物流调度优化方法，其特征在于，步骤5中，所述计算适应度值步骤如下：

步骤5.1：计算函数适应度值需对编码进行解码；根据运输车额定载重及运输空间限制进行解码；

步骤5.2：依据解码后染色体计算适应度值；计算出每段路所对应的成本，求出每条染色体解码后运输路线的总成本；

步骤5.3：总成本的倒数即为适应度值。

6.根据权利要求5所述的一种基于改进遗传算法的整车物流调度优化方法，其特征在于，步骤5.1中，所述解码步骤如下：

步骤5.1.1：运输车从车场出发，第一个解码基因即为0；判断完成原染色体第i个订单运输任务过程中是否超过限制，如果未超过限制，则第一个解码周期为0，p1，p2，…，pi，0；

步骤5.1.2：将第i+1个订单点加入解码周期，即将第i+1个订单考虑在运输车上运输，模拟运输过程，判断在整个运输过程中是否超过限制，若运输过程中到达某个运输点装载商品车或出发时装载商品车超过限制，则表示解码失败，第1个解码周期仍为0，p1，p2，…，pi，0；将第i+1个订单点加入第2个解码周期，若模拟运输过程未出现超过限制的情况，则表示解码成功，解码周期调整为0，p1，p2，…，pi，pi+1，0；然后将第i+2个订单点加入解码周期，重复上述步骤，至第i+j个订单点加入，解码失败，进入下一个解码周期；

步骤5.1.3：重复步骤5.1.1和步骤5.1.2，至所有订单点都已完成解码；

步骤5.1.4：运输车染色体无需解码，其顺序就表示使用的运输车次序。

Images