CN115936568A - 动态车辆配送任务的路径规划方法、电子设备和存储介质 - Google Patents
动态车辆配送任务的路径规划方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115936568A CN115936568A CN202310032703.1A CN202310032703A CN115936568A CN 115936568 A CN115936568 A CN 115936568A CN 202310032703 A CN202310032703 A CN 202310032703A CN 115936568 A CN115936568 A CN 115936568A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- time slice
- demand
- time
- site
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000005304 joining Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种动态车辆配送任务的路径规划方法、电子设备和存储介质,该方法包括:1建立车辆配送任务模型;2全局变量初始化;3获取在当前时间片出现的新的仓库需求;4更新待访问的仓库需求集合;5基于泊松分布规律,得到当前时间片的虚拟仓库需求位置集合;6构造虚拟仓库需求信息7利用基于倾斜变邻域下降搜索的路径求解器进行求解,从而得到当前时间片下的路径规划方案;8车队中的各辆车按照路径规划方案执行配送任务;9若达到终止循环条件则返回路径规划方案,否则返回步骤3。本发明能通过需求点预测的方法模拟出仓库位置,并将其放入求解器中进行计算,从而使路径规划方案更适应于未来的动态变化。
Description
技术领域
本发明属于车辆路径优化领域,具体的说是一种动态车辆配送任务的路径规划方法、电子设备和存储介质。
背景技术
物流的配送运输是物流系统中的重要环节,选择合理的配送路径,可以减少运输距离和运输时间,降低燃油消耗,具有极高的经济意义与环保意义。
针对动态配送任务的路径规划方法主要可以分为精确算法与元启发式算法两类。精确算法包括:分支定界法、整数线性规划法和动态规划法。这些精确方法只适用于较小规模的动态配送任务,因为将精确算法应用于大规模车辆配送任务是非常耗时的,精确算法不能在合理时间内找到任务的最优解。元启发式算法包括蚁群算法、粒子群算法、遗传算法和局部搜索等。蚁群算法是受自然界中蚂蚁搜索食物行为的启发,采用正反馈机制在目标空间不断搜索,逐渐逼近最优解。但是蚁群算法收敛速度慢,需要较长的搜索时间才能获得最优解,且当种群中信息素匮乏时容易陷入局部最优。粒子群算法的思想源于对鸟群、鱼群捕食行为的研究,利用群体中的个体的信息共享的功能,从而获得任务的最优解。但是粒子群算法易发生早熟现象,陷入局部最优。遗传算法是一种模仿自然选择过程的搜索启发式算法,它利用遗传、变异、选择和交叉等自然进化技术产生待优化任务的路径规划方案。遗传算法具有较好的全局寻优能力,但也存在搜索效率较低导致收敛速度较慢等缺点。局部搜索作为一种通用的求解组合优化问题的元启发式算法,具有收敛速度快、收敛效果好等特点,因此在车辆配送任务路径规划中得到了广泛应用。
但是在这些解决动态车辆路径问题时都有一个默认的处理方式,即将整个工作日划分成连续的时间片并生成静态车辆路径问题,然后再利用求解器解决这些静态问题。这样做会导致一些求得的路径质量十分依赖于客户出现的顺序,如果一些位置较远的客户过早地出现,则会让解决过程受到误导,从而得到不理想的解决方案。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种动态车辆配送任务的路径规划方法、电子设备和存储介质,以期能通过现有的客户先验知识从而预测出客户的位置分布情况,并利用这个位置分布情况对求解过程和执行过程进行引导,从而使得到的路径规划方案更适应于未来的动态变化。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种动态车辆配送任务的路径规划方法的特点在于,包括如下步骤:
步骤一:获取仓库站点的总数N、车队的车辆总数K、车辆运行速度SP、车辆的最大载荷量Q;
获取仓库站点的位置信息Loc={Loc1,Loc2,...,Loci,...,LocN},其中,Loci表示第i个仓库站点的位置信息;
获取仓库站点的需求量D={D1,D2,...,Di,...,DN},其中,Di表示第i个仓库站点的需求量;
获取仓库站点的停留时间DUT={DUT1,DUT2,...,DUTi,...,DUTN},其中,DUTi表示第i个仓库站点的需求量;
获取各个仓库站点的需求量出现的概率集合P={P1,P2,...,Pi,...,PN},其中,Pi表示第i个仓库站点的需求出现的概率;
获取各个仓库站点的需求量的出现时间节点集合T={T1,T2,...,Ti,...,TN},其中,Ti表示第i个仓库站点的需求量Di出现的时间节点;当Ti>0,表示第i个仓库站点的需求量Di在时间节点Ti出现,当Ti=0,表示第i个仓库站点的需求量Di在工作日开始前已存在,当Ti<0,表示第i个仓库站点的需求量Di不会出现;
定义仓库站点的信息集合DATA={DATA1,DATA2,...,DATAi,...,DATAN},其中,DATAi表示第i个仓库站点的信息,且DATAi={i,LOCi,Ti,Di,DUTi};
获取配送站的关闭时间为TW;
定义第ts个时间片中待访问的仓库需求集合为LEFts;
定义第ts个时间片结束时已经被执行的仓库需求集合为EXEts;
定义在第ts个时间片执行任务分配后车辆的运行时间集合为ATts={ATts 1,ATts 2,...,ATts k,...,ATts K},其中,ATts k表示第k辆车在第ts个时间片对应的运行时间;
步骤二:初始化ts=1;初始化第ts-1个时间片中待访问的仓库需求集合LEFts-1为空集;初始化第ts-1个时间片结束时已经被执行的仓库需求集合EXEts-1为空集;初始化在第ts-1个时间片执行任务分配后车辆的运行时间集合ATts-1中的所有运行时间均为TSL;
步骤三:获取在第ts个时间片出现的新的仓库需求;
步骤3.1:定义在第ts个时间片出现的新的仓库需求为NEWts,并初始化NEWts为空集;
步骤3.2:对DATA进行遍历:
若(ts-1)×TSL≤Ti≤ts×TSL,则将第i个仓库站点的信息DATAi加入集合NEWts;否则,继续遍历;
步骤四:将LEFts-1赋值给LEFts,并将NEWts中的元素加入到集合LEFts;
步骤五:基于泊松分布规律,得到第ts个时间片的虚拟仓库需求位置集合SEts:
步骤5.1:定义第ts个时间片结束时已经出现需求量的仓库站点集合为APts,并初始化为APts空集;定义第ts个时间片结束时未出现需求量的仓库站点集合为BPts,并初始化为BPts空集;
步骤5.2:对DATA进行遍历:
若Ti≤ts×TSL,则将第i个仓库站点的信息DATAi加入集合APts;否则,则将第i个仓库站点信息DATAi加入集合BPts;
步骤5.3:对概率集合P进行概率修正,得到修正后的第ts个时间片下需求量的出现概率集合NPts:
步骤5.3.1:利用式(1)估计所有时间片结束时的需求数量nl:
nl=floor(∑i∈N Pi) (1)
式(1)中,floor表示向下取整操作;
步骤5.3.2:利用式(2)得到修正后的第ts个时间片下第i个仓库的需求量Di的出现概率NPi ts,从而得到出现概率集合NPts={NP1 ts,NP2 ts,...,NPi ts,...,NPN ts};
式(2)中,|APts|表示集合APts中仓厍站点的数量,|BPts|表示集合BPts中仓厍站点的数量;
步骤5.4:设置聚类数量为NC,利用K-MEANS聚类算法对未出现需求量的仓库站点集合BPts中的各个仓库站点按照其位置信息进行聚类划分,得到NC个聚类集合CLUts={CLU1 ts,CLU2 ts,...,CLUj ts...,CLUNC ts},其中,CLUj ts表示第ts个时间片下的第j个聚类,令第j个聚类CLUj ts的聚类中心为CENj ts;
步骤5.5:利用式(3)得到第ts个时间片下第j个聚类CLUj ts的点亮权重PWj ts,从而得到第ts个时间片下的点亮权重集合PWts={PW1 ts,PW2 ts,...,PWj ts,...,PWNC ts}:
式(3)中,NPj,M ts表示修正后的第j个聚类CLUj ts中第M个仓库站点Cusj,M ts的需求量Dj,M的出现概率;
步骤5.6:利用式(4)得到第ts个时间片下第j个聚类CLUj ts的点亮概率PLj ts,从而得到第ts个时间片下点亮概率集合PLts={PL1 ts,PL2 ts,...,PLj ts,...PLNC ts}:
步骤5.7:利用点亮概率集合PLts得到虚拟仓库需求位置集合SEts;
步骤5.7.1、初始化SEts为空集;
步骤5.7.2、利用随机数生成器生成第ts个时间片下的随机数集合R={R1,R2,...,Ru,...,RNC};其中,Ru表示第u个随机数;初始化u=1;
步骤5.7.3、如果Ru≤PLu ts,则将第u个聚类CLUu ts的聚类中心CENuts添加到SEts中,否则,将u+1赋值给u后,继续执行步骤5.7.3,直到j>NC为止,从而得到最终的虚拟仓库需求位置集合SEts;其中PLu ts表示第ts个时间片下第u个聚类的点亮概率PLj ts
步骤六:根据SEts、LEFts构造虚拟仓库需求信息;
步骤6.1、计算LEFts中所有仓库需求量的均值BDts;
步骤6.2、定义虚拟仓库站点的信息集合DSEts={DSEts 1,DSEts 2,...,DSEts j,...,DSEts NC},其中,DSEts j表示第j个虚拟仓库站点的信息,且|LEFts|表示集合LEFts中的元素数目;TSE表示虚拟仓库站点的出现时间,并设置为0;DUSE表示虚拟仓库站点的服务时间,并设置为0;
步骤七:利用基于倾斜变邻域下降搜索的路径求解器RVNS对集合LEFts和DSEts中的仓库站点信息进行求解,从而得到第ts个时间片下的路径规划方案 其中,sr ts表示第ts个时间片下的第r条路径,Rts表示第ts个时间片的路径总数,Rts<K;且LSr ts表示第ts个时间片下第r条路径sr ts中的仓库数量,cr,l ts表示第r条路径sr ts中第l个被访问的仓库编号;
步骤八:车队中Rts辆车辆分别按照第ts个时间片下的路径规划方案sts中的各条路径执行配送任务;
步骤8.1、定义循环变量r,并初始化r=1;
步骤8.2、定义atr ts表示第ts个时间片下第r条路径sr ts中第r辆车辆的行驶时间,并初始化atr ts=ATts-1 r;ATts-1 r表示第r辆车在第ts-1个时间片对应的运行时间;
初始化l=2;
步骤8.3、如果cr,l ts∈EXEts-1,则跳转到步骤8.6;否则,执行步骤8.4;
步骤8.4、如果cr,l ts>|LEFts|,则跳转到步骤8.7;否则,执行步骤8.5;
步骤8.5、如果且则将cr,l ts加入集合EXEts-1,并且将赋值给atr ts,并执行步骤8.6;否则,跳转到步骤8.7;其中,表示第Cr,l ts个仓库的服务时间,cr,l-1 ts表示第r条路径sr ts中第l-1个被访问的仓库编号;表示第cr,u ts个仓库的需求量;
步骤8.6、将l+1的值赋值给l,返回步骤8.3,直到l>LSr ts为止;
步骤8.7、将atr ts赋值给ATts r;将r+1的值赋值给r,返回步骤8.2顺序执行,直到r>Rts为止;其中,ATts r表示第r辆车在第ts个时间片对应的运行时间;
步骤8.8、将EXEts-1赋值给EXEts,并将LEFts与EXEts中的公共元素从LEFts中删除;
步骤九:将ts+1的值赋值给ts,返回步骤三;直到ts>NTS为止,从而得到最终的第NTS时间片下的路径规划方案sNTS。
本发明一种电子设备,包括存储器以及处理器的特点在于,所述存储器用于存储支持处理器执行所述方法路径规划的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序的特点在于,所述计算机程序被处理器运行时执行所述路径规划方法的步骤。
与现有技术相比,本发明的有益效果在于:
1、本发明应用了一种先验知识进行预测场景的策略。在具有先验知识的情况下,该策略能够对先验知识进行整合和预测,从而模拟出一个引导效果较好的场景,使求解器在计算时能够考虑到整个工作日的客户分布,使得求解过程和执行过程得到来自未出现信息的引导,从而得到更好的最终解决方案。
2、本发明通过对地图中未出现的客户进行K-MEANS聚类得到一系列聚类中心,并且将每个聚类中所有的先验概率知识进行加和,并将这个和值作为泊松分布的参数来模拟这个聚类中的需求出现情况;其次,是通过计算“存在需求”的概率,得到每个聚类中心被点亮的概率,从而利用这个概率与随机数进行模拟比较,有选择地将聚类中心的位置加入到预测场景当中。这样,得到的预测场景就能够很好地模拟工作日中需求的出现情况,并且在求解器求解的过程中对解进行引导,使得求解方案能够考虑到这些未出现的信息,从而得到更好质量的路径解。
附图说明
图1为本发明方法的流程图。
具体实施方式
本实施例中,一种动态车辆配送任务的路径规划方法,是通过对地图中未出现的仓库位置信息进行K-MEANS聚类得到一系列聚类中心,并且将每个聚类中所有的先验概率知识进行加和,并将这个和值作为泊松分布的参数来模拟这个聚类中的需求出现情况;其次,是通过计算“存在需求”的概率,得到每个聚类中心被点亮的概率,从而利用这个概率与随机数进行模拟比较,有选择地将聚类中心的位置加入到预测场景当中。这样,得到的预测场景就能够很好地模拟工作日中需求的出现情况,并且在求解器求解的过程中对解进行引导,使得求解方案能够考虑到这些未出现的信息。具体的说,如图1所示,该方法包括如下步骤:
步骤一:获取仓库站点的总数N、车队的车辆总数K、车辆运行速度SP、车辆的最大载荷量Q;
获取仓库站点的位置信息Loc={Loc1,Loc2,...,Loci,...,LocN},其中,Loci表示第i个仓库站点的位置信息;
获取仓库站点的需求量D={D1,D2,...,Di,...,DN},其中,Di表示第i个仓库站点的需求量;
获取仓库站点的停留时间DUT={DUT1,DUT2,...,DUTi,...,DUTN},其中,DUTi表示第l个仓库站点的需求量;
获取各个仓库站点的需求量出现的概率集合P={P1,P2,...,Pi,...,PN},其中,Pi表示第i个仓库站点的需求出现的概率;
获取各个仓库站点的需求量的出现时间节点集合T={T1,T2,...,Ti,...,TN},其中,Ti表示第i个仓库站点的需求量Di出现的时间节点;当Ti>0,表示第i个仓库站点的需求量Di在时间节点Ti出现,当Ti=0,表示第i个仓库站点的需求量Di在工作日开始前已存在,当Ti<0,表示第i个仓库站点的需求量Di不会出现;
定义仓库站点的信息集合DATA={DATA1,DATA2,...,DATAi,...,DATAN},其中,DATAi表示第i个仓库站点的信息,且DATAi={i,LOCi,Ti,Di,DUTi};
获取配送站的关闭时间为TW;
定义第ts个时间片中待访问的仓库需求集合为LEFts;
定义第ts个时间片结束时已经被执行的仓库需求集合为EXEts;
定义在第ts个时间片执行任务分配后车辆的运行时间集合为ATts={ATts 1,ATts 2,...,ATts k,...,ATts K},其中,ATts k表示第k辆车在第ts个时间片对应的运行时间;
步骤二:初始化ts=1;初始化第ts-1个时间片中待访问的仓库需求集合LEFts-1为空集;初始化第ts-1个时间片结束时已经被执行的仓库需求集合EXEts-1为空集;初始化在第ts-1个时间片执行任务分配后车辆的运行时间集合ATts-1中的所有运行时间均为TSL;
步骤三:获取在第ts个时间片出现的新的仓库需求;
步骤3.1:定义在第ts个时间片出现的新的仓库需求为NEWts,并初始化NEWts为空集;
步骤3.2:对DATA进行遍历:
若(ts-1)×TSL≤Ti≤ts×TSL,则将第i个仓库站点的信息DATAi加入集合NEWts;否则,继续遍历;
步骤四:将LEFts-1赋值给LEFts,并将NEWts中的元素加入到集合LEFts;
步骤五:基于泊松分布规律,得到第ts个时间片的虚拟仓库需求位置集合SEts:
步骤5.1:定义第ts个时间片结束时已经出现需求量的仓库站点集合为APts,并初始化为APts空集;定义第ts个时间片结束时未出现需求量的仓库站点集合为BPts,并初始化为BPts空集;
步骤5.2:对DATA进行遍历:
若Ti≤ts×TSL,则将第i个仓库站点的信息DATAi加入集合APts;否则,则将第i个仓库站点信息DATAi加入集合BPts;
步骤5.3:对概率集合P进行概率修正,得到修正后的第ts个时间片下需求量的出现概率集合NPts:
步骤5.3.1:利用式(1)估计所有时间片结束时的需求数量nl:
nl=floor(∑i∈N Pi) (1)
式(1)中,floor表示向下取整操作;
步骤5.3.2:利用式(2)得到修正后的第ts个时间片下第i个仓库的需求量Di的出现概率NPi ts,从而得到出现概率集合NPts={NP1 ts,NP2 ts,...,NPi ts,...,NPN ts};
式(2)中,|APts|表示集合APts中仓厍站点的数量,|BPts|表示集合BPts中仓厍站点的数量;
步骤5.4:设置聚类数量为NC,利用K-MEANS聚类算法对未出现需求量的仓库站点集合BPts中的各个仓库站点按照其位置信息进行聚类划分,得到NC个聚类集合CLUts={CLU1 ts,CLU2 ts,...,CLUj ts...,CLUNC ts},其中,CLUj ts表示第ts个时间片下的第j个聚类,令第j个聚类CLUj ts的聚类中心为CENj ts;
步骤5.5:利用式(3)得到第ts个时间片下第j个聚类CLUj ts的点亮权重PWj ts,从而得到第ts个时间片下的点亮权重集合PWts={PW1 ts,PW2 ts,...,PWj ts,...,PWNC ts}:
式(3)中,NPj,M ts表示修正后的第j个聚类CLUj ts中第M个仓库站点Cusj,M ts的需求量Dj,M的出现概率;
步骤5.6:利用式(4)得到第ts个时间片下第j个聚类CLUj ts的点亮概率PLj ts,从而得到第ts个时间片下点亮概率集合PLts={PL1 ts,PL2 ts,...,PLj ts,...PLNC ts}:
步骤5.7:利用点亮概率集合PLts得到虚拟仓库需求位置集合SEts;
步骤5.7.1、初始化SEts为空集;
步骤5.7.2、利用随机数生成器生成第ts个时间片下的随机数集合R={R1,R2,...,Ru,...,RNC};其中,Ru表示第u个随机数;初始化u=1;
步骤5.7.3、如果Ru≤PLu ts,则将第u个聚类CLUu ts的聚类中心CENuts添加到SEts中,否则,将u+1赋值给u后,继续执行步骤5.7.3,直到j>NC为止,从而得到最终的虚拟仓库需求位置集合SEts;其中PLu ts表示第ts个时间片下第u个聚类的点亮概率PLj ts
步骤六:根据SEts、LEFts构造虚拟仓库需求信息;
步骤6.1、计算LEFts中所有仓库需求量的均值BDts;
步骤6.2、定义虚拟仓库站点的信息集合DSEts={DSEts 1,DSEts 2,...,DSEts j,...,DSEts NC},其中,DSEts j表示第j个虚拟仓库站点的信息,且|LEFts|表示集合LEFts中的元素数目;TSE表示虚拟仓库站点的出现时间,设置为0;DUSE表示虚拟仓库站点的服务时间,设置为0;
步骤七:利用基于倾斜变邻域下降搜索的路径求解器RVNS对集合LEFts和DSEts中的仓库站点信息进行求解,从而得到第ts个时间片下的路径规划方案 其中,sr ts表示第ts个时间片下的第r条路径,Rts表示第ts个时间片的路径总数,Rts<K;且LSr ts表示第ts个时间片下第r条路径sr ts中的仓库数量,cr,l ts表示第r条路径sr ts中第l个被访问的仓库编号;例如,某条路径sr ts={0,1,3,5,7,0}表示在第ts个时间片下第r条路径要求对应的配送车依次访问“配送站”、第1个仓库、第3个仓库,第5个仓库,第7个仓库并最后回到“配送站”。
步骤八:车队中Rts辆车辆分别按照第ts个时间片下的路径规划方案sts中的各条路径执行配送任务;
步骤8.1、定义循环变量r,并初始化r=1;
步骤8.2、定义atr ts表示第ts个时间片下第r条路径sr ts中第r辆车辆的行驶时间,并初始化atr ts=ATts-1 r;ATts-1 r表示第r辆车在第ts-1个时间片对应的运行时间;
初始化l=2;
步骤8.3、如果cr,l ts∈EXEts-1,则说明该仓库的需求已经被满足,则算法应该继续扫描,则跳转到步骤8.6;否则,表示该仓库的需求没有被满足,则算法开始考虑是否在这个时间片下满足该仓库的需求,执行步骤8.4;
步骤8.4、如果cr,l ts>|LEFts|,则说明该仓库是预测场景中的虚拟仓库,则说明在下一个时间片到来时,附近有可能出现新的需求,于是车辆应该在此处进行等待,直到下一个时间片,所以算法控制该车辆暂停行驶,则跳转到步骤8.7;否则,说明该仓库是真实场景中的客户,则开始考虑该仓库是否满足执行要求,执行步骤8.5;
步骤8.5、如果(前一个约束表示如果车辆服务完当前需求之后会超过当前时间片,则车辆不会服务当前仓库,这样的考虑可以避免车辆在服务某个仓库时跨过时间片,导致某些新仓库信息的错过)则将cr,l ts加入集合EXEts-1,并且将赋值给atr ts,并执行步骤8.6;否则,跳转到步骤8.7;其中,表示第cr,l ts个仓库的服务时间,cr,l-1 ts表示第r条路径sr ts中第l-1个被访问的仓库编号;表示第cr,u ts个仓库的需求量;
步骤8.6、将l+1的值赋值给l,返回步骤8.3,直到l>LSr ts为止;
步骤8.7、将atr ts赋值给ATts r;将r+1的值赋值给r,返回步骤8.2顺序执行,直到r>Rts为止;其中,ATts r表示第r辆车在第ts个时间片对应的运行时间;
步骤8.8、将EXEts-1赋值给EXEts,并将LEFts与EXEts中的公共元素从LEFts中删除;
步骤九:将ts+1的值赋值给ts,返回步骤三;直到ts>NTS为止,从而得到最终的第NTS时间片下的路径规划方案sNTS。
本实施例中,一种电子设备,包括存储器以及处理器,该存储器用于存储支持处理器执行上述方法路径规划的程序,该处理器被配置为用于执行该存储器中存储的程序。
本实施例中,一种计算机可读存储介质,是在计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述路径规划方法的步骤。
综上所述,本发明通过K-MEANS算法以及泊松分布预测场景的方法,在每一个时间片内都生成了一个基于当前已知场景的预测场景,这个预测场景会随着时间的推进与整个工作日的真实场景越来越接近。通过对预测场景进行路径规划并且实现车辆执行,算法可以控制车辆在合适的位置进行等待,从而保证了车辆的执行过程始终是被全天的场景所控制,进而保证了解决方案的质量。
Claims (3)
1.一种动态车辆配送任务的路径规划方法,其特征在于,包括如下步骤:
步骤一:获取仓库站点的总数N、车队的车辆总数K、车辆运行速度SP、车辆的最大载荷量Q;
获取仓库站点的位置信息Loc={Loc1,Loc2,...,Loci,...,LocN},其中,Loci表示第i个仓库站点的位置信息;
获取仓库站点的需求量D={D1,D2,...,Di,...,DN},其中,Di表示第i个仓库站点的需求量;
获取仓库站点的停留时间DUT={DUT1,DUT2,...,DUTi,...,DUTN},其中,DUTi表示第i个仓库站点的需求量;
获取各个仓库站点的需求量出现的概率集合P={P1,P2,...,Pi,...,PN},其中,Pi表示第i个仓库站点的需求出现的概率;
获取各个仓库站点的需求量的出现时间节点集合T={T1,T2,...,Ti,...,TN},其中,Ti表示第i个仓库站点的需求量Di出现的时间节点;当Ti>0,表示第i个仓库站点的需求量Di在时间节点Ti出现,当Ti=0,表示第i个仓库站点的需求量Di在工作日开始前已存在,当Ti<0,表示第i个仓库站点的需求量Di不会出现;
定义仓库站点的信息集合DATA={DATA1,DATA2,...,DATAi,...,DATAN},其中,DATAi表示第i个仓库站点的信息,且DATAi={i,LOCi,Ti,Di,DUTi};
获取配送站的关闭时间为TW;
定义第ts个时间片中待访问的仓库需求集合为LEFts;
定义第ts个时间片结束时已经被执行的仓库需求集合为EXEts;
定义在第ts个时间片执行任务分配后车辆的运行时间集合为ATts={ATts 1,ATts 2,...,ATts k,...,ATts K},其中,ATts k表示第k辆车在第ts个时间片对应的运行时间;
步骤二:初始化ts=1;初始化第ts-1个时间片中待访问的仓库需求集合LEFts-1为空集;初始化第ts-1个时间片结束时已经被执行的仓库需求集合EXEts-1为空集;初始化在第ts-1个时间片执行任务分配后车辆的运行时间集合ATts-1中的所有运行时间均为TSL;
步骤三:获取在第ts个时间片出现的新的仓库需求;
步骤3.1:定义在第ts个时间片出现的新的仓库需求为NEWts,并初始化NEWts为空集;
步骤3.2:对DATA进行遍历:
若(ts-1)×TSL≤Ti≤ts×TSL,则将第i个仓库站点的信息DATAi加入集合NEWts;否则,继续遍历;
步骤四:将LEFts-1赋值给LEFts,并将NEWts中的元素加入到集合LEFts;
步骤五:基于泊松分布规律,得到第ts个时间片的虚拟仓库需求位置集合SEts:
步骤5.1:定义第ts个时间片结束时已经出现需求量的仓库站点集合为APts,并初始化为APts空集;定义第ts个时间片结束时未出现需求量的仓库站点集合为BPts,并初始化为BPts空集;
步骤5.2:对DATA进行遍历:
若Ti≤ts×TSL,则将第i个仓库站点的信息DATAi加入集合APts;否则,则将第i个仓库站点信息DATAi加入集合BPts;
步骤5.3:对概率集合P进行概率修正,得到修正后的第ts个时间片下需求量的出现概率集合NPts:
步骤5.3.1:利用式(1)估计所有时间片结束时的需求数量nl:
nl=floor(∑i∈NPi) (1)
式(1)中,floor表示向下取整操作;
步骤5.3.2:利用式(2)得到修正后的第ts个时间片下第i个仓库的需求量Di的出现概率NPi ts,从而得到出现概率集合NPts={NP1 ts,NP2 ts,...,NPi ts,...,NPN ts};
式(2)中,|APts|表示集合APts中仓厍站点的数量,|BPts|表示集合BPts中仓厍站点的数量;
步骤5.4:设置聚类数量为NC,利用K-MEANS聚类算法对未出现需求量的仓库站点集合BPts中的各个仓库站点按照其位置信息进行聚类划分,得到NC个聚类集合CLUts={CLU1 ts,CLU2 ts,...,CLUj ts...,CLUNC ts},其中,CLUj ts表示第ts个时间片下的第j个聚类,令第j个聚类CLUj ts的聚类中心为CENjts;
步骤5.5:利用式(3)得到第ts个时间片下第j个聚类CLUj ts的点亮权重PWj ts,从而得到第ts个时间片下的点亮权重集合PWts={PW1 ts,PW2 ts,...,PWj ts,...,PWNC ts}:
式(3)中,NPj,M ts表示修正后的第j个聚类CLUj ts中第M个仓库站点Cusj,M ts的需求量Dj,M的出现概率;
步骤5.6:利用式(4)得到第ts个时间片下第j个聚类CLUj ts的点亮概率PLj ts,从而得到第ts个时间片下点亮概率集合PLts={PL1 ts,PL2 ts,...,PLj ts,...PLNC ts}:
步骤5.7:利用点亮概率集合PLts得到虚拟仓库需求位置集合SEts;
步骤5.7.1、初始化SEts为空集;
步骤5.7.2、利用随机数生成器生成第ts个时间片下的随机数集合R={R1,R2,...,Ru,...,RNC};其中,Ru表示第u个随机数;初始化u=1;
步骤5.7.3、如果Ru≤PLu ts,则将第u个聚类CLUu ts的聚类中心CENuts添加到SEts中,否则,将u+1赋值给u后,继续执行步骤5.7.3,直到j>NC为止,从而得到最终的虚拟仓库需求位置集合SEts;其中PLu ts表示第ts个时间片下第u个聚类的点亮概率PLj ts
步骤六:根据SEts、LEFts构造虚拟仓库需求信息;
步骤6.1、计算LEFts中所有仓库需求量的均值BDts;
步骤6.2、定义虚拟仓库站点的信息集合DSEts={DSEts 1,DSEts 2,...,DSEts j,...,DSEts NC},其中,DSEts j表示第j个虚拟仓库站点的信息,且|LEFts|表示集合LEFts中的元素数目;TSE表示虚拟仓库站点的出现时间,并设置为0;DUSE表示虚拟仓库站点的服务时间,并设置为0;
步骤七:利用基于倾斜变邻域下降搜索的路径求解器RVNS对集合LEFts和DSEts中的仓库站点信息进行求解,从而得到第ts个时间片下的路径规划方案 其中,sr ts表示第ts个时间片下的第r条路径,Rts表示第ts个时间片的路径总数,Rts<K;且LSr ts表示第ts个时间片下第r条路径sr ts中的仓库数量,cr,l ts表示第r条路径sr ts中第l个被访问的仓库编号;
步骤八:车队中Rts辆车辆分别按照第ts个时间片下的路径规划方案sts中的各条路径执行配送任务;
步骤8.1、定义循环变量r,并初始化r=1;
步骤8.2、定义atr ts表示第ts个时间片下第r条路径sr ts中第r辆车辆的行驶时间,并初始化atr ts=ATts-1 r;ATts-1 r表示第r辆车在第ts-1个时间片对应的运行时间;
初始化l=2;
步骤8.3、如果cr,l ts∈EXEts-1,则跳转到步骤8.6;否则,执行步骤8.4;
步骤8.4、如果cr,l ts>|LEFts|,则跳转到步骤8.7;否则,执行步骤8.5;
步骤8.5、如果且则将cr,l ts加入集合EXEts-1,并且将赋值给atr ts,并执行步骤8.6;否则,跳转到步骤8.7;其中,表示第cr,l ts个仓库的服务时间,cr,l-1 ts表示第r条路径sr ts中第l-1个被访问的仓库编号;表示第cr,u ts个仓库的需求量;
步骤8.6、将l+1的值赋值给l,返回步骤8.3,直到l>LSr ts为止;
步骤8.7、将atr ts赋值给ATts r;将r+1的值赋值给r,返回步骤8.2顺序执行,直到r>Rts为止;其中,ATts r表示第r辆车在第ts个时间片对应的运行时间;
步骤8.8、将EXEts-1赋值给EXEts,并将LEFts与EXEts中的公共元素从LEFts中删除;
步骤九:将ts+1的值赋值给ts,返回步骤三;直到ts>NTS为止,从而得到最终的第NTS时间片下的路径规划方案sNTS。
2.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1所述方法路径规划的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1所述路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032703.1A CN115936568A (zh) | 2023-01-10 | 2023-01-10 | 动态车辆配送任务的路径规划方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032703.1A CN115936568A (zh) | 2023-01-10 | 2023-01-10 | 动态车辆配送任务的路径规划方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936568A true CN115936568A (zh) | 2023-04-07 |
Family
ID=86557816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310032703.1A Pending CN115936568A (zh) | 2023-01-10 | 2023-01-10 | 动态车辆配送任务的路径规划方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936568A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739467A (zh) * | 2023-06-16 | 2023-09-12 | 暨南大学 | 基于云边协同的循环取送货路径规划方法、装置及介质 |
-
2023
- 2023-01-10 CN CN202310032703.1A patent/CN115936568A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739467A (zh) * | 2023-06-16 | 2023-09-12 | 暨南大学 | 基于云边协同的循环取送货路径规划方法、装置及介质 |
CN116739467B (zh) * | 2023-06-16 | 2024-02-02 | 暨南大学 | 基于云边协同的循环取送货路径规划方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | A novel reinforcement learning-based hyper-heuristic for heterogeneous vehicle routing problem | |
Teymourian et al. | Enhanced intelligent water drops and cuckoo search algorithms for solving the capacitated vehicle routing problem | |
Jia et al. | A dynamic logistic dispatching system with set-based particle swarm optimization | |
CN109034468B (zh) | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 | |
CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
Heragu et al. | Analytical models for analysis of automated warehouse material handling systems | |
Dechampai et al. | A differential evolution algorithm for the capacitated VRP with flexibility of mixing pickup and delivery services and the maximum duration of a route in poultry industry | |
Şahman | A discrete spotted hyena optimizer for solving distributed job shop scheduling problems | |
CN107133095B (zh) | 一种云环境下的任务调度方法 | |
CN111325409A (zh) | 一种换电站选址与混合车队路径规划方法及系统 | |
CN111709560A (zh) | 一种基于改进蚁群算法的解决车辆路径问题方法 | |
Shang et al. | Spatial scheduling optimization algorithm for block assembly in shipbuilding | |
CN113128839B (zh) | 面向高端装备分布式制造与多模式运输的协同调度方法 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
CN115936568A (zh) | 动态车辆配送任务的路径规划方法、电子设备和存储介质 | |
JP7487765B2 (ja) | コンテナ積載計画装置、方法、および、プログラム | |
CN108106624A (zh) | 一种多人预约调度路径规划方法及相关装置 | |
CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和系统 | |
CN113762594A (zh) | 车机协同配送灾后救援物资的路径规划方法和装置 | |
CN113887782A (zh) | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 | |
CN114677087B (zh) | 一种车辆组合无人机协同配送方法 | |
CN111950768A (zh) | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 | |
CN115841286A (zh) | 一种基于深度强化学习的外卖配送路径规划方法 | |
CN110633784A (zh) | 一种多规则人工蜂群改进算法 | |
CN111325401B (zh) | 一种路径规划模型的训练方法、装置及计算机系统 |
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 |