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

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

动态车辆配送任务的路径规划方法、电子设备和存储介质

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，...，Loc_i，...，Loc_N}，其中，Loc_i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，...，D_i，...，D_N}，其中，D_i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，...，DUT_i，...，DUT_N}，其中，DUT_i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，...，P_i，...，P_N}，其中，P_i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，...，T_i，...，T_N}，其中，T_i表示第i个仓库站点的需求量D_i出现的时间节点；当T_i＞0，表示第i个仓库站点的需求量D_i在时间节点T_i出现，当T_i＝0，表示第i个仓库站点的需求量D_i在工作日开始前已存在，当T_i＜0，表示第i个仓库站点的需求量D_i不会出现；

定义仓库站点的信息集合DATA＝{DATA₁，DATA₂，...，DATA_i，...，DATA_N}，其中，DATA_i表示第i个仓库站点的信息，且DATA_i＝{i，LOC_i，T_i，D_i，DUT_i}；

获取配送站的关闭时间为TW；

定义时间片的数量为NTS；定义时间片的步长为

定义当前时间片的序号为ts；

定义第ts个时间片中待访问的仓库需求集合为LEF^ts；

定义第ts个时间片结束时已经被执行的仓库需求集合为EXE^ts；

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AT^ts＝{AT^ts ₁，AT^ts ₂，...，AT^ts _k，...，AT^ts _K}，其中，AT^ts _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LEF^ts-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EXE^ts-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AT^ts-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NEW^ts，并初始化NEW^ts为空集；

步骤3.2：对DATA进行遍历：

若(ts-1)×TSL≤T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合NEW^ts；否则，继续遍历；

步骤四：将LEF^ts-1赋值给LEF^ts，并将NEW^ts中的元素加入到集合LEF^ts；

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SE^ts：

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AP^ts，并初始化为AP^ts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BP^ts，并初始化为BP^ts空集；

步骤5.2：对DATA进行遍历：

若T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合AP^ts；否则，则将第i个仓库站点信息DATA_i加入集合BP^ts；

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NP^ts：

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 P_i) (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D_i的出现概率NP_i ^ts，从而得到出现概率集合NP^ts＝{NP₁ ^ts，NP₂ ^ts，...，NP_i ^ts，...，NP_N ^ts}；

式(2)中，|AP^ts|表示集合AP^ts中仓厍站点的数量，|BP^ts|表示集合BP^ts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BP^ts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CLU^ts＝{CLU₁ ^ts，CLU₂ ^ts，...，CLU_j ^ts...，CLU_NC ^ts}，其中，CLU_j ^ts表示第ts个时间片下的第j个聚类，令第j个聚类CLU_j ^ts的聚类中心为CEN_j ^ts；

步骤5.5：利用式(3)得到第ts个时间片下第j个聚类CLU_j ^ts的点亮权重PW_j ^ts，从而得到第ts个时间片下的点亮权重集合PW^ts＝{PW₁ ^ts,PW₂ ^ts，...，PW_j ^ts，...，PW_NC ^ts}：

式(3)中，NP_j，M ^ts表示修正后的第j个聚类CLU_j ^ts中第M个仓库站点Cus_j，M ^ts的需求量D_j,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CLU_j ^ts的点亮概率PL_j ^ts，从而得到第ts个时间片下点亮概率集合PL^ts＝{PL₁ ^ts，PL₂ ^ts，...，PL_j ^ts，...PL_NC ^ts}：

步骤5.7：利用点亮概率集合PL^ts得到虚拟仓库需求位置集合SE^ts；

步骤5.7.1、初始化SE^ts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，...，R_u，...，R_NC}；其中，R_u表示第u个随机数；初始化u＝1；

步骤5.7.3、如果R_u≤PL_u ^ts，则将第u个聚类CLU_u ^ts的聚类中心CENu^ts添加到SE^ts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SE^ts；其中PL_u ^ts表示第ts个时间片下第u个聚类的点亮概率PL_j ^ts

步骤六：根据SE^ts、LEF^ts构造虚拟仓库需求信息；

步骤6.1、计算LEF^ts中所有仓库需求量的均值BD^ts；

步骤6.2、定义虚拟仓库站点的信息集合DSE^ts＝{DSE^ts ₁，DSE^ts ₂，...，DSE^ts _j，...，DSE^ts _NC}，其中，DSE^ts _j表示第j个虚拟仓库站点的信息，且

|LEF^ts|表示集合LEF^ts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LEF^ts和DSE^ts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，s_r ^ts表示第ts个时间片下的第r条路径，R^ts表示第ts个时间片的路径总数，R^ts＜K；且

LS_r ^ts表示第ts个时间片下第r条路径s_r ^ts中的仓库数量，c_r,l ^ts表示第r条路径s_r ^ts中第l个被访问的仓库编号；

步骤八：车队中R^ts辆车辆分别按照第ts个时间片下的路径规划方案s^ts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at_r ^ts表示第ts个时间片下第r条路径s_r ^ts中第r辆车辆的行驶时间，并初始化at_r ^ts＝AT^ts-1 _r；AT^ts-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c_r，l ^ts∈EXE^ts-1，则跳转到步骤8.6；否则，执行步骤8.4；

步骤8.4、如果c_r，l ^ts＞|LEF^ts|，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c_r，l ^ts加入集合EXE^ts-1，并且将

赋值给at_r ^ts，并执行步骤8.6；否则，跳转到步骤8.7；其中，

表示第C_r，l ^ts个仓库的服务时间，c_r，l-1 ^ts表示第r条路径s_r ^ts中第l-1个被访问的仓库编号；

表示第c_r，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＞LS_r ^ts为止；

步骤8.7、将at_r ^ts赋值给AT^ts _r；将r+1的值赋值给r，返回步骤8.2顺序执行，直到r＞R^ts为止；其中，AT^ts _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EXE^ts-1赋值给EXE^ts，并将LEF^ts与EXE^ts中的公共元素从LEF^ts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s^NTS。

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，...，Loc_i，...，Loc_N}，其中，Loc_i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，...，D_i，...，D_N}，其中，D_i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，...，DUT_i，...，DUT_N}，其中，DUT_i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，...，P_i，...，P_N}，其中，P_i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，...，T_i，...，T_N}，其中，T_i表示第i个仓库站点的需求量D_i出现的时间节点；当T_i＞0，表示第i个仓库站点的需求量D_i在时间节点T_i出现，当T_i＝0，表示第i个仓库站点的需求量D_i在工作日开始前已存在，当T_i＜0，表示第i个仓库站点的需求量D_i不会出现；

定义仓库站点的信息集合DATA＝{DATA₁，DATA₂，...，DATA_i，...，DATA_N}，其中，DATA_i表示第i个仓库站点的信息，且DATA_i＝{i，LOC_i，T_i，D_i，DUT_i}；

获取配送站的关闭时间为TW；

定义时间片的数量为NTS；定义时间片的步长为

定义当前时间片的序号为ts；

定义第ts个时间片中待访问的仓库需求集合为LEF^ts；

定义第ts个时间片结束时已经被执行的仓库需求集合为EXE^ts；

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AT^ts＝{AT^ts ₁，AT^ts ₂，...，AT^ts _k，...，AT^ts _K}，其中，AT^ts _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LEF^ts-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EXE^ts-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AT^ts-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NEW^ts，并初始化NEW^ts为空集；

步骤3.2：对DATA进行遍历：

若(ts-1)×TSL≤T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合NEW^ts；否则，继续遍历；

步骤四：将LEF^ts-1赋值给LEF^ts，并将NEW^ts中的元素加入到集合LEF^ts；

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SE^ts：

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AP^ts，并初始化为AP^ts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BP^ts，并初始化为BP^ts空集；

步骤5.2：对DATA进行遍历：

若T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合AP^ts；否则，则将第i个仓库站点信息DATA_i加入集合BP^ts；

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NP^ts：

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 P_i) (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D_i的出现概率NP_i ^ts，从而得到出现概率集合NP^ts＝{NP₁ ^ts，NP₂ ^ts，...，NP_i ^ts，...，NP_N ^ts}；

式(2)中，|AP^ts|表示集合AP^ts中仓厍站点的数量，|BP^ts|表示集合BP^ts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BP^ts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CLU^ts＝{CLU₁ ^ts，CLU₂ ^ts，...，CLU_j ^ts...，CLU_NC ^ts}，其中，CLU_j ^ts表示第ts个时间片下的第j个聚类，令第j个聚类CLU_j ^ts的聚类中心为CEN_j ^ts；

步骤5.5：利用式(3)得到第ts个时间片下第j个聚类CLU_j ^ts的点亮权重PW_j ^ts，从而得到第ts个时间片下的点亮权重集合PW^ts＝{PW₁ ^ts,PW₂ ^ts，...，PW_j ^ts，...，PW_NC ^ts}：

式(3)中，NP_j，M ^ts表示修正后的第j个聚类CLU_j ^ts中第M个仓库站点Cus_j，M ^ts的需求量D_j，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CLU_j ^ts的点亮概率PL_j ^ts，从而得到第ts个时间片下点亮概率集合PL^ts＝{PL₁ ^ts，PL₂ ^ts，...，PL_j ^ts，...PL_NC ^ts}：

步骤5.7：利用点亮概率集合PL^ts得到虚拟仓库需求位置集合SE^ts；

步骤5.7.1、初始化SE^ts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，...，R_u，...，R_NC}；其中，R_u表示第u个随机数；初始化u＝1；

步骤5.7.3、如果R_u≤PL_u ^ts，则将第u个聚类CLU_u ^ts的聚类中心CENu^ts添加到SE^ts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SE^ts；其中PL_u ^ts表示第ts个时间片下第u个聚类的点亮概率PL_j ^ts

步骤六：根据SE^ts、LEF^ts构造虚拟仓库需求信息；

步骤6.1、计算LEF^ts中所有仓库需求量的均值BD^ts；

步骤6.2、定义虚拟仓库站点的信息集合DSE^ts＝{DSE^ts ₁，DSE^ts ₂，...，DSE^ts _j，...，DSE^ts _NC}，其中，DSE^ts _j表示第j个虚拟仓库站点的信息，且

|LEF^ts|表示集合LEF^ts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LEF^ts和DSE^ts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，s_r ^ts表示第ts个时间片下的第r条路径，R^ts表示第ts个时间片的路径总数，R^ts＜K；且

LS_r ^ts表示第ts个时间片下第r条路径s_r ^ts中的仓库数量，c_r，l ^ts表示第r条路径s_r ^ts中第l个被访问的仓库编号；例如，某条路径s_r ^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R^ts辆车辆分别按照第ts个时间片下的路径规划方案s^ts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at_r ^ts表示第ts个时间片下第r条路径s_r ^ts中第r辆车辆的行驶时间，并初始化at_r ^ts＝AT^ts-1 _r；AT^ts-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c_r，l ^ts∈EXE^ts-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c_r，l ^ts＞|LEF^ts|，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c_r，l ^ts加入集合EXE^ts-1，并且将

赋值给at_r ^ts，并执行步骤8.6；否则，跳转到步骤8.7；其中，

表示第c_r，l ^ts个仓库的服务时间，c_r，l-1 ^ts表示第r条路径s_r ^ts中第l-1个被访问的仓库编号；

表示第c_r，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＞LS_r ^ts为止；

步骤8.7、将at_r ^ts赋值给AT^ts _r；将r+1的值赋值给r，返回步骤8.2顺序执行，直到r＞R^ts为止；其中，AT^ts _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EXE^ts-1赋值给EXE^ts，并将LEF^ts与EXE^ts中的公共元素从LEF^ts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s^NTS。

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，...，Loc_i，...，Loc_N}，其中，Loc_i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，...，D_i，...，D_N}，其中，D_i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，...，DUT_i，...，DUT_N}，其中，DUT_i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，...，P_i，...，P_N}，其中，P_i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，...，T_i，...，T_N}，其中，T_i表示第i个仓库站点的需求量D_i出现的时间节点；当T_i＞0，表示第i个仓库站点的需求量D_i在时间节点T_i出现，当T_i＝0，表示第i个仓库站点的需求量D_i在工作日开始前已存在，当T_i＜0，表示第i个仓库站点的需求量D_i不会出现；

定义仓库站点的信息集合DATA＝{DATA₁，DATA₂，...，DATA_i，...，DATA_N}，其中，DATA_i表示第i个仓库站点的信息，且DATA_i＝{i，LOC_i，T_i，D_i，DUT_i}；

获取配送站的关闭时间为TW；

定义时间片的数量为NTS；定义时间片的步长为

定义当前时间片的序号为ts；

定义第ts个时间片中待访问的仓库需求集合为LEF^ts；

定义第ts个时间片结束时已经被执行的仓库需求集合为EXE^ts；

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AT^ts＝{AT^ts ₁，AT^ts ₂，...，AT^ts _k，...，AT^ts _K}，其中，AT^ts _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LEF^ts-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EXE^ts-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AT^ts-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NEW^ts，并初始化NEW^ts为空集；

步骤3.2：对DATA进行遍历：

若(ts-1)×TSL≤T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合NEW^ts；否则，继续遍历；

步骤四：将LEF^ts-1赋值给LEF^ts，并将NEW^ts中的元素加入到集合LEF^ts；

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SE^ts：

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AP^ts，并初始化为AP^ts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BP^ts，并初始化为BP^ts空集；

步骤5.2：对DATA进行遍历：

若T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合AP^ts；否则，则将第i个仓库站点信息DATA_i加入集合BP^ts；

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NP^ts：

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∈NP_i) (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D_i的出现概率NP_i ^ts，从而得到出现概率集合NP^ts＝{NP₁ ^ts，NP₂ ^ts，...，NP_i ^ts，...，NP_N ^ts}；

式(2)中，|AP^ts|表示集合AP^ts中仓厍站点的数量，|BP^ts|表示集合BP^ts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BP^ts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CLU^ts＝{CLU₁ ^ts，CLU₂ ^ts，...，CLU_j ^ts...，CLU_NC ^ts}，其中，CLU_j ^ts表示第ts个时间片下的第j个聚类，令第j个聚类CLU_j ^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CLU_j ^ts的点亮权重PW_j ^ts，从而得到第ts个时间片下的点亮权重集合PW^ts＝{PW₁ ^ts,PW₂ ^ts，...，PW_j ^ts，...，PW_NC ^ts}：

式(3)中，NP_j，M ^ts表示修正后的第j个聚类CLU_j ^ts中第M个仓库站点Cus_j，M ^ts的需求量D_j,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CLU_j ^ts的点亮概率PL_j ^ts，从而得到第ts个时间片下点亮概率集合PL^ts＝{PL₁ ^ts，PL₂ ^ts，...，PL_j ^ts，...PL_NC ^ts}：

步骤5.7：利用点亮概率集合PL^ts得到虚拟仓库需求位置集合SE^ts；

步骤5.7.1、初始化SE^ts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，...，R_u，...，R_NC}；其中，R_u表示第u个随机数；初始化u＝1；

步骤5.7.3、如果R_u≤PL_u ^ts，则将第u个聚类CLU_u ^ts的聚类中心CENu^ts添加到SE^ts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SE^ts；其中PL_u ^ts表示第ts个时间片下第u个聚类的点亮概率PL_j ^ts

步骤六：根据SE^ts、LEF^ts构造虚拟仓库需求信息；

步骤6.1、计算LEF^ts中所有仓库需求量的均值BD^ts；

步骤6.2、定义虚拟仓库站点的信息集合DSE^ts＝{DSE^ts ₁，DSE^ts ₂，...，DSE^ts _j，...，DSE^ts _NC}，其中，DSE^ts _j表示第j个虚拟仓库站点的信息，且

|LEF^ts|表示集合LEF^ts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LEF^ts和DSE^ts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，s_r ^ts表示第ts个时间片下的第r条路径，R^ts表示第ts个时间片的路径总数，R^ts＜K；且

LS_r ^ts表示第ts个时间片下第r条路径s_r ^ts中的仓库数量，c_r,l ^ts表示第r条路径s_r ^ts中第l个被访问的仓库编号；

步骤八：车队中R^ts辆车辆分别按照第ts个时间片下的路径规划方案s^ts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at_r ^ts表示第ts个时间片下第r条路径s_r ^ts中第r辆车辆的行驶时间，并初始化at_r ^ts＝AT^ts-1 _r；AT^ts-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c_r,l ^ts∈EXE^ts-1，则跳转到步骤8.6；否则，执行步骤8.4；

步骤8.4、如果c_r,l ^ts＞|LEF^ts|，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c_r,l ^ts加入集合EXE^ts-1，并且将

赋值给at_r ^ts，并执行步骤8.6；否则，跳转到步骤8.7；其中，

表示第c_r,l ^ts个仓库的服务时间，c_r,l-1 ^ts表示第r条路径s_r ^ts中第l-1个被访问的仓库编号；

表示第c_r，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＞LS_r ^ts为止；

步骤8.7、将at_r ^ts赋值给AT^ts _r；将r+1的值赋值给r，返回步骤8.2顺序执行，直到r＞R^ts为止；其中，AT^ts _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EXE^ts-1赋值给EXE^ts，并将LEF^ts与EXE^ts中的公共元素从LEF^ts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s^NTS。

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。

Images