CN116151497A - 一种带有取送货的多隔间车辆路径规划方法及系统 - Google Patents

一种带有取送货的多隔间车辆路径规划方法及系统 Download PDF

Info

Publication number
CN116151497A
CN116151497A CN202211240191.XA CN202211240191A CN116151497A CN 116151497 A CN116151497 A CN 116151497A CN 202211240191 A CN202211240191 A CN 202211240191A CN 116151497 A CN116151497 A CN 116151497A
Authority
CN
China
Prior art keywords
order
vehicle
point
compartment
transport vehicle
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
Application number
CN202211240191.XA
Other languages
English (en)
Inventor
贾兆红
杨影
刘闯
唐俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN202211240191.XA priority Critical patent/CN116151497A/zh
Publication of CN116151497A publication Critical patent/CN116151497A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种带有取送货的多隔间车辆路径规划方法，方法包括：根据订单信息获取客户订单的订单三维参数、订单取货点以及订单送货点；获取车辆的隔间尺寸规格数据，据以将分类处理各客户订单；根据订单信息，根据订单取货点进行取货操作，根据订单三维参数将客户订单对应的物品放入车辆相应隔间，根据订单送货点进行送货操作；获取具有取送货的多隔间车辆路径参数，据以设定多隔间车辆约束条件，据以构建具有取送货的多隔间车辆路径模型；根据具有取送货的多隔间车辆路径模型，基于预置混合算法，求解具有取送货的多隔间车辆路径模型。本发明解决了适用性差、调度使用成本高以及运输车辆利用率较低导致路径规划效率较低的技术问题。

Description

一种带有取送货的多隔间车辆路径规划方法及系统
技术领域
本发明涉及物流管理信息处理领域，具体涉及一种带有取送货的多隔间车辆路径规划方法及系统。
背景技术
车辆路径问题是物流配送优化中的关键问题。其一般可描述为：有一定数量的客户分布在某一区域，各自有不同的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。其对于降低物流成本，提高物流效率，提高物流服务质量至关重要。随着多元化和个性化消费经济的快速发展，现代物流配送体系出现了产品多元化和配送网络日益复杂的两个新特点。现实的物流配送中，由于所配送的客户订单可能存在不兼容的关系，以及配送的客户订单需要前往其对应的商家取货才能给客户送货等许多现实约束，很难凭经验去设计一个完美的路径规划方案。典型的例子包括冷藏和非冷藏产品的冷链物流，来自不同回收箱的多种类型的产品的家庭垃圾收集，多种石油产品的燃料输送。在这些情况下，在运输过程中，不同类型的产品不能在同一个隔间内混合在一起。
目前针对车辆路径规划的研究大部分都没有考虑所配送的产品是否存在不兼容的关系，即所使用的都是具有一个车厢的车辆。选择单一车厢的车辆，如果所配送的产品之间存在不兼容的关系，而它们仍然混在同一车厢中，将导致产品变质甚至直接报废。另外，将所有不相容产品都分别采用单隔间车辆单独配送则会大幅度增加成本。而在具有取送货的车辆路径规划的研究中，大部分都集中在同时取送货的研究中，很少考虑现实生活中的配送产品的先取货后送货的情况，将二者结合起来同时考虑的研究更是少之又少。
目前针对VRP问题的求解主要集中在精确算法和启发式算法两类。启发式算法又可以分为传统启发式算法和智能启发式算法。其中，精确算法：可以得到最优解，但是耗费时间多，且只能求解小规模的车辆路径问题。传统启发式算法：通常用来结合其他算法(如精确算法等)对VRP问题进行优化求解。或者，可以用该类算法来生成初始解，比如节约算法、最近邻法、扫描法等。智能启发式算法：可以在有限的时间内得到令人满意的解，能够有效提高求解的效率，同时可以求解大规模的车辆路径问题，是广大专家学者研究关注的热点。
公布号为CN105825358A的现有发明专利申请文献《货物配送的车辆调度方法》包括通过启发式算法求解VRP问题，实现初步的车辆调度分配，获得若干的初始计划，在各初始计划中，每辆车辆均被组织有适当的行车路线，负责该行车路线上的各收货站点的货物运输，进一步进行修正计划，建立一个虚拟市场，将各初始计划中的车辆作为虚拟车辆，各虚拟车辆将各自计算出来的最劣任务定价抛到虚拟市场中交易，各虚拟车辆从虚拟市场中获取待交易任务并计算其中对自己来说产生效益的最优任务，向虚拟市场进行竞价，虚拟市场将待交易任务交易给出价最高的虚拟车辆，经过虚拟市场一定的交易后，各个虚拟司机手上的运输任务都会更近似于最优解。该现有文献中披露的技术方案中采用了启发式算法，但从该现有专利申请文献的说明书中可知，该现有方案把复杂的配送调度问题分解为力度较小的初始解，可见该现有技术处理得到的策略数据较粗糙，且由于该现有技术没有披露进一步的调度处理逻辑，不适用于调度数据的量化处理，仅适用于小规模配送调度。
公布号为CN113256003A的现有发明专利申请文献《基于大数据的卷烟物流路径配送方法》包括以下步骤：将货物配送的客户订单信息和位置信息进行大数据处理，形成货物配送路径；使用K-means聚类算法和正半矢算法将货物配送的路径转换为车辆路径，并进行配送区域划分；通过Python对划分的配送区域结果进行可视化处理；使用启发式算法求解最优路径。该现有文献中披露的技术方案中采用了K-means聚类算法和正半矢算法，并利用Python进行可视化处理，但从该现有专利申请文献的说明书中可知，该现有方案涉及的算法种类较多，提高了系统复杂度以及实际调度过程中调用的参数量，可见该现有技术存在鲁棒性低以及算法结构复杂的问题。同时，前述现有文献的应用场景主要偏重对路径的规划，并未充分考虑取送货顺序以及运输车辆空间等因素，降低了配送调度系统的适用性。
综上，现有技术存在适用性差、调度使用成本高以及运输车辆利用率较低导致路径规划效率较低的技术问题。
发明内容
本发明所要解决的技术问题在于如何解决现有技术中适用性差、调度使用成本高以及运输车辆利用率较低导致路径规划效率较低的技术问题。
本发明是采用以下技术方案解决上述技术问题的：一种带有取送货的多隔间车辆路径规划方法包括：
S1、采集各个客户的订单信息，根据订单信息获取客户订单的订单三维参数、订单取货点以及订单送货点；
S2、获取预置运输车辆的车辆隔间尺寸规格数据，据以将各客户订单分为相应的订单尺寸类型；
S3、根据订单信息，利用预置运输车辆根据订单取货点进行取货操作，根据当前订单三维参数，按照预设装载逻辑，将客户订单对应的物品放入预置运输车辆的相应隔间，根据订单送货点进行送货操作；
S4、获取具有取送货的多隔间车辆路径参数，据以设定多隔间车辆约束条件，据以构建具有取送货的多隔间车辆路径模型；
S5、根据具有取送货的多隔间车辆路径模型，基于预置混合算法，求解具有取送货的多隔间车辆路径模型，其中，预置混合算法基于遗传算法及自适应大邻域搜索算法获取。
本发明针对传统VRP问题中未同时考虑配送产品的兼容性以及未考虑配送产品的先取货后送货的先后顺序，提出了一种具有取送货的多隔间车辆路径规划方法，本发明将多隔间的车辆路径问题与具有取送货的车辆路径问题结合，提出了一种具有取送货的多隔间车辆路径问题，并构建了该问题的模型，充分考虑了装载车辆取送货顺序以及运输车辆运载隔间的类别，提高了路径规划效率。
在更具体的技术方案中，步骤S3中，订单尺寸类型包括：第一规格订单、第二规格订单及第三规格订单。
在更具体的技术方案中，步骤S3中的装载逻辑包括：
S31、如果所取得的订单尺寸类型为第一规格订单，则判断该车的大型隔间数量是否为0，若否，则利用该预置运输车辆的大型隔间装载该订单；若是，则换车配送该订单；
S32、如果所取得的订单尺寸类型为第二规格订单，判断该预置运输车辆的中型隔间数量是否为0，若否，则利用该预置运输车辆的中型隔间装载该订单，若是，判断该预置运输车辆的大型隔间数量是否为0，若否，则利用该预置运输车辆的大型隔间装载该订单，若是，则换车配送该订单；
S33、如果所取得的订单尺寸类型为第三规格订单，判断该预置运输车辆的小型隔间数量是否为0，若否，则利用该预置运输车辆的小型隔间装载该订单，若是，则判断该预置运输车辆的中型隔间是数量是否为0，若否，则利用该预置运输车辆的中型隔间装载该订单,若是，再判断该预置运输车辆的大型隔间是数量是否为0，若否，则利用该预置运输车辆的大型隔间装载该订单，若是，则换车配送该订单。
本发明设计了一种针对具有取送货的多隔间车辆路径问题的特性编码、解码方案，能适用于给多个客户运输不同类型物品时，提高车辆车厢的空间利用率，降低物流成本，提高物流效率，提高物流服务质量。
在更具体的技术方案中，步骤S4中，利用下述逻辑定义具有取送货的多隔间车辆路径模型：
Figure BDA0003884992410000041
Figure BDA0003884992410000042
Figure BDA0003884992410000043
Figure BDA0003884992410000044
Figure BDA0003884992410000045
Figure BDA0003884992410000046
Figure BDA0003884992410000047
Figure BDA0003884992410000048
Figure BDA0003884992410000049
Figure BDA00038849924100000410
Figure BDA00038849924100000411
Figure BDA00038849924100000412
Figure BDA00038849924100000413
Figure BDA00038849924100000414
Figure BDA00038849924100000415
Figure BDA0003884992410000051
Figure BDA0003884992410000052
Figure BDA0003884992410000053
Figure BDA0003884992410000054
Figure BDA0003884992410000055
Figure BDA0003884992410000056
上述公式中，N＝{0,1,2,...,n,n+1,n+2,...,m}，用以表示所有点的集合，其中{0}表示仓库，Np＝{1,2,..,n}，用以表示取货点集合，Nd＝{n+1,n+2,...,m}，用以表示送货点集合，E＝{(i,j)|i,j∈N,i≠j}，用以表示边的集合，Nv＝Np∪Nd，用以表示除了仓库之外的点的集合，K＝{1,2,...,k}，用以表示预置运输车辆的集合，M表示预置运输车辆中所有的隔间数，V1表示预置运输车辆的大型隔间数，V2表示预置运输车辆车辆的中型隔间数，V3表示预置运输车辆的小型隔间数，Cij表示点i和点j之间的距离，di1表示点i对于大型订单的需求，di2表示点i对于中型订单的需求，di3表示点i对于小型订单的需求，L表示车辆隔间类型的数量，Pi表示点i对应的取货点，
Figure BDA0003884992410000057
用以表示：如果预置运输车辆k从点i访问到点j，则
Figure BDA0003884992410000058
为1，否则为0，Yik用以表示：如果点i被预置运输车辆k访问，则Yik为1，否则为0，Rik用以表示：当预置车辆k行驶到点i时，其累积经过的点数。
本发明根据具有取送货的多隔间车辆路径问题的实际生产情况，设立多个约束条件，以车辆的总行驶距离最短为求解目标，并使用基于遗传算法和自适应大邻域搜索算法的混合算法对该单目标优化模型进行求解，得出了一种车辆总行驶距离最短的最优行驶路线，得到的车辆行驶路线极大地提高了物流效率，降低了物流成本。
在更具体的技术方案中，以式(1)为所求的目标函数，表示最小化预置运输车辆的总行驶距离；
以式(2)表示每辆预置运输车辆的所有类型的车厢数之和等于预置运输车辆的车厢总数；
以式(3)表示每个送货点仅由一预置运输车辆访问且仅访问一次；
以式(4)表示限制使用的预置运输车辆的数量不能超过可用车辆的数量；
以式(5)表示每辆车从仓库前往一个点，且该点只能是取货点；
以式(6)表示每辆车最终从一个点返回仓库，该点为送货点；
以式(7)表示任何预置运输车辆访问的点，被访问次数不超过一次；
以式(8)表示一辆车访问了某个送货点，则必然访问其对应的取货点；
以式(9)表示流量守恒，用以保证路径的连续性，即任何进入某节点的预置运输车辆也应离开该节点；
以式(10)、式(11)定义
Figure BDA0003884992410000061
和Yik的关系；
以式(12)表示任何预置运输车辆k到达仓库0时的累计访问点数最多为1；
利用式(13)和式(14)消除子回路，以使得预置运输车辆k到达节点j时累计访问点数等于在节点i处预置运输车辆累计访问点数加1；
以式(15)表示任何预置运输车辆在任何送货点的累计访问点数必须大于预置车辆在送货点对应的取货点的累计访问点数，据以确定预置运输车辆对于顾客订单执行先取货后送货的顺序；
以式(16)表示任何预置运输车辆k访问的点中对于大订单的需求总和小于或等于预置运输车辆的大车厢数；
以式(17)表示任何预置运输车辆k通过的点中对于中型订单的需求总和小于或等于预置运输车辆的中型车厢数加上预置运输车辆剩余的大车厢数；
以式(18)表示任何预置运输车辆k通过的点中对于小型订单的需求总和小于或等于预置运输车辆的小隔间数加上预置运输车辆剩余的大型、中型隔间数之和；
利用式(19)、式(20)以及式(21)定义决策变量
Figure BDA0003884992410000062
的域。
本发明针对具有取送货的多隔间车辆路径问题特性而设计的编码和解码方案，包含了路径规划方案中必须包含的信息：客户订单的取货点和送货点，以及客户订单的取送货顺序(先取货后送货的顺序)，可以有效避免在后续解的生成过程中产生不可行的解决方案，使产生的路径规划方案更符合实际。
在更具体的技术方案中，步骤S5包括：
S51、初始化参数，设置种群规模为P，最大迭代次数为MaxIt,算法概念参数pf，连续无改进的最大迭代次数Ni，模拟退火温度衰减参数h，初始模拟退火温度T0，权重更新系数ρ；
S52、对种群中的每条染色体编码，以初始化种群；
S53、对编码后的每条染色体进行解码，以计算种群中每个个体的适应度；
S54、选择种群中的优良个体进行ALNS操作；
S55、更新种群，对种群中的个体按适应度大小顺序排序；
S56、将种群经排序的个体按适应度分成精英集合和非精英集合；
S57、变异处理非精英集合中的部分个体；
S58、将非精英集合中未经变异处理的事实个体与精英集合中的最优个体进行交叉操作；
S59、更新种群，并更新ALNS算法中各个策略的权重；
S510、判断是否满足预置的种群迭代终止条件；若是，则终止迭代，否则继续进行种群迭代操作。
本发明使用的基于遗传算法和自适应大邻域搜索算法的混合算法，它整合了遗传算法的探索能力和自适应大邻域搜索算法的开发能力。具有良好的全局搜索能力和较快的收敛速度，突破了遗传算法因为其高盲目性和高随机性而容易陷入局部最优且无法搜索到最优行驶路线的局限，从而能有效地解决实际应用问题。
在更具体的技术方案中，步骤S54包括：
S541、进行参数再初始化化操作；
S542、输入一个当前解X以及一个当前最优解的适应度f*，定义一组破坏算子集合D和一组修复算子集合R；
S543、利用轮盘赌策略从破坏算子集合中选择一个破坏算子d*，更新该算子的使用次数
Figure BDA0003884992410000071
S544、利用轮盘赌策略从修复算子集合中选择一个修复算子r*，更新该算子的使用次数
Figure BDA0003884992410000072
S545、对当前解X运用所选择的破坏算子d*和修复算子r*，从而生成一个新解X'，得到该新解的适应度f(X')；
S546、采用Metropolis接受准则更新当前解。
在更具体的技术方案中，一种带有取送货的多隔间车辆路径规划系统包括：
S5431、利用Maximum Distance Removal操作算子首先计算路线中每个客户的位置成本，据以选择最高位置成本客户，据以删除相应取货点一起删除；
S5432、利用Shaw Destroy操作算子随机删除一个客户及其取货点，删除与最初所选客户相关的其他客户，利用下述逻辑计算相关性：
Figure BDA0003884992410000081
式中，权重被设置为：φ1＝0.1,φ2＝0.5,φ3＝0.4。由式(22)计算顾客被删除机会参数。
在更具体的技术方案中，步骤S59中，按照下述逻辑更新种群：
Wj＝Wj*ρ+(1-ρ)*Sj (23)
式中，
Figure BDA0003884992410000082
在更具体的技术方案中，系统包括：
客户订单信息采集模块，用以采集各个客户的订单信息，根据订单信息获取客户订单的订单三维参数、订单取货点以及订单送货点；
订单类型划分模块，用以获取预置运输车辆的车辆隔间尺寸规格数据，据以将各客户订单分为相应的订单尺寸类型，订单类型划分模块与客户订单信息采集模块连接；
装载送货模块，用以根据订单信息，利用预置运输车辆根据订单取货点进行取货操作，根据当前订单三维参数，按照预设装载逻辑，将客户订单对应的物品放入预置运输车辆的相应隔间，根据订单送货点进行送货操作，装载送货模块与客户订单信息采集模块及订单类型划分模块连接；
多隔间车辆路径模型构建模块，用以获取具有取送货的多隔间车辆路径参数，据以设定多隔间车辆约束条件，据以构建具有取送货的多隔间车辆路径模型，多隔间车辆路径模型构建模块与装载送货模块连接；
模型求解模块，用以根据具有取送货的多隔间车辆路径模型，基于预置混合算法，求解具有取送货的多隔间车辆路径模型，其中，预置混合算法基于遗传算法及自适应大邻域搜索算法获取，模型求解模块与多隔间车辆路径模型构建模块连接。
本发明相比现有技术具有以下优点：本发明提出了一种基于遗传算法和自适应大邻域搜索算法的混合算法来求解具有取送货的多隔间车辆路径问题。本发明针对传统VRP问题中未同时考虑配送产品的兼容性以及未考虑配送产品的先取货后送货的先后顺序，提出了一种具有取送货的多隔间车辆路径规划方法，本发明将多隔间的车辆路径问题与具有取送货的车辆路径问题结合，提出了一种具有取送货的多隔间车辆路径问题，并构建了该问题的模型，充分考虑了装载车辆取送货顺序以及运输车辆运载隔间的类别，提高了路径规划效率。
本发明设计了一种针对具有取送货的多隔间车辆路径问题的特性编码、解码方案，能适用于给多个客户运输不同类型物品时，提高车辆车厢的空间利用率，降低物流成本，提高物流效率，提高物流服务质量。
本发明根据具有取送货的多隔间车辆路径问题的实际生产情况，设立多个约束条件，以车辆的总行驶距离最短为求解目标，并使用基于遗传算法和自适应大邻域搜索算法的混合算法对该单目标优化模型进行求解，得出了一种车辆总行驶距离最短的最优行驶路线，得到的车辆行驶路线极大地提高了物流效率，降低了物流成本。
本发明针对具有取送货的多隔间车辆路径问题特性而设计的编码和解码方案，包含了路径规划方案中必须包含的信息：客户订单的取货点和送货点，以及客户订单的取送货顺序(先取货后送货的顺序)，可以有效避免在后续解的生成过程中产生不可行的解决方案，使产生的路径规划方案更符合实际。
本发明使用的基于遗传算法和自适应大邻域搜索算法的混合算法，它整合了遗传算法的探索能力和自适应大邻域搜索算法的开发能力。具有良好的全局搜索能力和较快的收敛速度，突破了遗传算法因为其高盲目性和高随机性而容易陷入局部最优且无法搜索到最优行驶路线的局限，从而能有效地解决实际应用问题。
本发明解决了现有技术中存在的适用性差、调度使用成本高以及运输车辆利用率较低导致路径规划效率较低的技术问题。
附图说明
图1为本发明实施例1的一种带有取送货的多隔间车辆路径规划方法基本步骤示意图；
图2为本发明实施例1的ALNS算法流程示意图；
图3为本发明实施例1的种群个体的编码示意图；
图4为本发明实施例1的种群个体的解码示意图；
图5为本发明实施例1中2-opt策略的示意图；
图6a为本发明实施例1中第一swap策略的示意图；
图6b为本发明实施例1中第二swap策略的示意图。
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，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作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。
实施例1
如图1所示，本发明提供的一种带有取送货的多隔间车辆路径规划方法，包括以下基本步骤：
步骤S1、根据各个客户的订单信息，得知各个客户订单的长、宽、高三维，以及各个客户订单的取货点和送货点；
步骤S2、根据所使用车辆大、中、小三种类型隔间的长、宽、高三维将各个客户的订单也分为大、中、小三种类型。其中，客户最大规模订单的长、宽、高不会超过车辆大型隔间的长、宽、高；
步骤S3、根据各个客户的订单信息，车辆先前往客户订单的取货点取货，根据所取得物品的三维，即根据客户订单的类型，按照一定的装载规则，将该物品放入车辆中相应的隔间，然后才前往客户订单的送货点送货；
步骤S4、根据具有取送货的多隔间车辆路径问题，设定相应的约束条件，构建具有取送货的多隔间车辆路径模型；
在本实施例中，本实施例的模型如下：
Figure BDA0003884992410000101
Figure BDA0003884992410000102
Figure BDA0003884992410000103
Figure BDA0003884992410000111
Figure BDA0003884992410000112
Figure BDA0003884992410000113
Figure BDA0003884992410000114
Figure BDA0003884992410000115
Figure BDA0003884992410000116
Figure BDA0003884992410000117
Figure BDA0003884992410000118
Figure BDA0003884992410000119
Figure BDA00038849924100001110
Figure BDA00038849924100001111
Figure BDA00038849924100001112
Figure BDA00038849924100001113
Figure BDA00038849924100001114
Figure BDA00038849924100001115
Figure BDA00038849924100001116
Figure BDA00038849924100001117
Figure BDA00038849924100001118
其中：式(1)为所求的目标函数，表示最小化车辆的总行驶距离。式(2)表示每辆车所有类型的车厢数之和等于车辆的车厢总数。式(3)表示每个送货点仅由一辆车访问且仅访问一次。式(4)表示限制使用的车辆数量不能超过可用车辆的数量。式(5)表示每辆车只能从仓库前往一个点，且该点只能是取货点。式(6)表示每辆车最终只能从一个点返回仓库，该点只能是送货点。式(7)表示任何车辆访问的点，最多只能被访问一次。式(8)表示一辆车访问了某个送货点，就一定会访问其对应的取货点。式(9)表示流量守恒，用于保证路径的连续性，即任何进入某节点的车辆也应离开该节点。式(10)和式(11)解释了
Figure BDA0003884992410000121
和Yik的关系。式(12)表示任何车辆k到达仓库0时的累计访问点数最多为1。式(13)和式(14)用于消除子回路，确保车辆k到达节点j时累计访问点数等于在节点i处车辆累计访问点数加1。式(15)表示任何车辆在任何送货点的累计访问点数必须大于车辆在送货点对应的取货点的累计访问点数，它保证了车辆对于顾客订单执行先取货后送货的顺序。式(16)表示任何车辆k访问的点中对于大订单的需求总和小于或等于车辆的大车厢数。式(17)表示任何车辆k通过的点中对于中型订单的需求总和小于或等于车辆的中型车厢数加上车辆剩余的大车厢数。式(18)表示任何车辆k通过的点中对于小型订单的需求总和小于或等于车辆的小隔间数加上车辆剩余的大型、中型隔间数之和。式(19)、式(20)和式(21)定义了决策变量
Figure BDA0003884992410000122
的域。
步骤S5、根据具有取送货的多隔间车辆路径模型，采用基于遗传算法和自适应大邻域搜索算法的混合算法对所述具有取送货的多隔间车辆路径模型进行求解。
如图2所示，本发明提供的一种带有取送货的多隔间车辆路径规划方法采用了一种基于遗传算法和自适应大邻域搜索算法的混合算法来求解具有取送货的多隔间车辆路径问题，该算法包括：
S51、初始化参数；在本实施例中，初始化参数，设置种群规模为P，最大迭代次数为MaxIt,算法概念参数pf，连续无改进的最大迭代次数Ni，模拟退火温度衰减参数h，初始模拟退火温度T0，权重更新系数ρ；
S52、初始化种群P；在本实施例中，初始化种群：对种群中的每条染色体编码。
自然数编码方法用于编码染色体。每条染色体都是1-n的完整阵列，每个值在染色体中出现两次。第一次出现的值是取货操作，而后一次发生的值是送货操作，因此每条染色体的长度为2n，其中n表示客户的数量。
如图3所示。有10个客户点由1-10表示，3个接送点由11 12 13表示。10个客户订单的相应取件点分别为12 12 11 12 13 11 11 13 13 11。一条随机生成的染色体是8 8 1 16 6 7 7 2 2 10 10 3 3 5 5 9 9 4 4。
S53、计算个体适应度；在本实施例中，对编码后的每条染色体进行解码，以计算种群中每个个体的适应度。
在本实施例中，由于车辆可以在每个取件点加载来自不同客户的订单，因此将删除每条路线中多次出现的值，以便每个数字在路线中仅出现一次。根据各类车辆车厢的数量约束和每个客户订单取货前必须取货的顺序约束，将满足约束的节点作为路由中的访问节点，在节点字符串前后添加0，形成路由。
如图4所示，在本实施例中，假设根据数量和顺序约束，客户8、1和6位于路线1中，客户7、2、10和3位于路线2中，客户5、9和4位于路线3中。染色体的解可以首先被解码为路线1(0→8→8→1→1→6→6→0)，路线2(0→7→7→2→2→10→10→3→3→0)，和路线3(0→5→5→9→9→4→4→0)。然后将路线中第一次出现的数更改为他们自己的取货点，因此染色体的解可以解码为路线1(0→13→8→12→1→11→6→0)，路线2(0→11→7→12→2→11→10→11→3→0)和路线3(0→13→5→13→9→12→4→0)。在解码过程中，每条路径上的号码只能出现一次，所以染色体的解最终解码为路线1(0→13→8→12→1→11→6→0)，路线2(0→11→7→12→2→10→3→0)和路线3(0→13→5→9→12→4→0)。
S54、选择种群中优劣个体进行ALNS操作；在本实施例中，如果解决方案具有相对良好的适应度，则使用ALNS进一步改进解决方案。完整的ALNS算法如下所示：
步骤5.4.1、初始化参数：设置破坏、修复算子的初始权重Wj＝(1,...,1)，破坏、修复算子的初始分数Sj＝(1,...,1)，破坏、修复算子的初始使用次数Uj＝(0,...,0)，初始模拟退火温度T0
步骤5.4.2、输入一个当前解X以及一个当前最优解的适应度f*，定义一组破坏算子集合D和一组修复算子集合R
步骤5.4.3、轮盘赌策略从破坏算子集合中选择一个破坏算子d*，更新该算子的使用次数
Figure BDA0003884992410000131
本发明根据多隔间取送货车辆路径问题的特性，修改了经典VRP问题中使用的破坏算子。每个破坏操作员删除一定比例的客户数。已删除的客户数由S＝0.3*N表示，其中N总的客户数。本发明使用的四个删除运算符描述如下：根据解的编码方法和在取送货问题中解的可行性，在每一次破坏操作中，每次删除的不是一个解中的一个点，而是一个解中等于某个值的两个点(即，这保证了如果取件点被删除，则相应的送货点也会在解中被删除；如果删除的是送货点，相应的取件点也将在解中被删除)
Maximum Distance Removal：该操作算子首先计算路线中每个客户的位置成本，这是其与路线中上一个和下一个客户的距离之和，然后选择一些位置成本最高的客户，并将其与相应的取货点一起删除。删除的客户总数应为S。
2)Shaw Destroy：该操作算子首先随机删除一个客户及其取货点(解决方案字符串中等于某个值的两个点)，然后删除与最初所选客户相关的其他客户。其中，相关性由式(22)计算：
Figure BDA0003884992410000141
这里的权重被设置为：φ1＝0.1,φ2＝0.5,φ3＝0.4。由式(22)计算出的分数越高，顾客被删除的机会就越高。
3)Tour Destroy：该操作员将每条路线的距离除以其客户数量，以计算每条路线中每个客户的平均行驶距离。然后，它将删除路径中具有最大平均行驶距离的点。
4)Maxdif Destroy：该操作算子将每条路线的距离除以其客户数量，以计算每条路线中每个客户的平均行驶距离。然后，它删除位置成本与其路线的平均行驶距离之间存在最大差异的S个客户。
步骤5.4.4、轮盘赌策略从修复算子集合中选择一个修复算子r*，更新该算子的使用次数
Figure BDA0003884992410000142
本发明使用的五个修复运算符描述如下：在每次修复操作中，在满足各类车辆车厢数量约束和每个客户订单在送货前必须先取货的顺序约束的前提下，每次要插入的不是删除集合中的一个点，而是删除集合中等于某个值的两个点。
1)Greedy Insert：此运算符将删除的节点插入到路径中的最佳位置。为此，它会评估所有可能的边，并选择距离最短的边
2)Farthest Insert：此运算符首先为删除集中的所有点查找最佳插入位置，从而获得删除集合中每个点的最小插入距离增量，然后选择最小插入距离增量为最大值的一个点。
3)Shortest Insert:此运算符首先为删除的集合中的所有点找到最佳插入位置，从而获得删除集合中每个点的最小插入距离增量，然后选择最小插入距离增量为最小值的一个点。
4)Two Regret Insert：此运算符首先计算所有边的插入成本，然后查找最佳和第二佳插入位置，用fi1和fi2表示，并将这两个值(regret＝fi2-fi1)之间差异最大的节点置于顶部插入优先级。
5)Three Regret Insert:此运算符找到最佳、第二佳和第三佳插入位置，用fi1，fi2和fi3表示，并将这三个值(regret＝(fi2-fi1)+(fi3-fi1))之间差异最大的节点放在顶部插入优先级。
步骤5.4.5、对当前解X运用所选择的破坏算子d*和修复算子r*，从而生成一个新解X'，得到该新解的适应度f(X')
步骤5.4.6、采用Metropolis接受准则，来更新当前解。
如果生成的新解的适应度f(X')小于最优解的适应度f*，则新解代替当前解，同时更新破坏算子d*的分数和修复算子r*的分数：
Figure BDA0003884992410000151
如果生成的新解的适应度f(X')大于最优解的适应度f*，但小于当前解的适应度f(X)，则新解代替当前解，同时更新破坏算子d*的分数和修复算子r*的分数：
Figure BDA0003884992410000152
如果生成的新解的适应度f(X')大于当前解的适应度f(X)，生成一个随机数r,令γ←exp(-(f(X')-f(X))/T)，判断r与γ大小。如果r小于γ，则新解代替当前解，同时更新破坏算子d*的分数和修复算子r*的分数：
Figure BDA0003884992410000153
其中，
Figure BDA0003884992410000154
本发明中，设置
Figure BDA0003884992410000155
初始模拟退火温度T0＝100。
S55、更新种群，对种群中个体按适应度大小顺序排序；
S56、将种群中的个体按适应度分成精英集合和非精英集合；在本实施例中，将种群中排序后的个体按适应度分成精英集合和非精英集合。将种群中前pe个个体存入精英集合中，将其余的个体存入非精英集合中；
S57、将非经营集合中部分个体进行变异操作；
如图5所示，在本实施例中，基于2-opt和swap的改进变异策略。此时产生一个随机数r,如果r小于ρs，根据swap策略生成新解，否则根据2-opt策略生成新解。如果生成新解优于当前解，新解就会替换当前解。
opt：本发明的2-opt策略，为了避免产生不可行的解决方案，断开同一路径中的任何非相邻边，然后相互连接，从而产生新的解决方案。因此，该运算符不需要判断是否满足(16)、(17)和(18)的约束。假设某条路径由点5、9、7、9、7、5、3、3、8、6、6、6、8组成，本发明选择7和6两个点。对于首先出现的第7点，找到他的第一个位置索引p1，对于稍后出现的第6点，找到他的第二个位置索引p2，反转p1和p2之间的字符串。
Swap:具体如图6所示。本发明中，交换算子是通过切换从同一路径或两条不同路径中随机选择的两个点的位置来执行的，以生成新的解决方案。这两种情况之间的主要区别在于，前者不需要判断(16)，(17)和(18)的约束是否得到满足，而后者则满足。
S58、将非精英集合中其与的个体与精英集合中的最优个体进行交叉操作；
在本实施例中，将非精英集合中的其余个体与精英集合中的最优个体进行交叉操作提出一种基于路径重连接的交叉策略。本发明以最优解R*为导向解，以非精英集合中的解为当前解。这意味着在重新链接过程中，将从导向解决方案中选择平均行驶距离最短的路线。首先从当前解中删除该路线中包含的所有客户，然后将该路线直接添加到当前解决方案。根据各类车辆车厢的数量约束和每个客户订单在交付前必须提货的顺序约束，有一些客户被删除的路线中剩余的所有客户将被添加到没有客户删除的其他路线中，不符合条件的客户将保留在原始路线中。因此，获得了新解。如果新解优于当前解，新解就会替换当前解。
S59、更新种群，更新LANS中各个策略的权重；
在本实施例中，将精英集合中的个体，以及交叉和变异后的个体作为下一次迭代的种群中的个体。按照式(23)进行更新：
Wj＝Wj*ρ+(1-ρ)*Sj (23)其中：
Figure BDA0003884992410000171
S510、判断是否满足终止条件，若是，则跳转执行步骤S3’，若否，则结束混合算法流程。
在本实施例中，算法有两个终端条件：当达到最大迭代次数MaxIt时，或者当最佳适应度值在最大连续迭代次数Ni内未得到改善时。
在本实施例中，步骤S2中，所使用车辆的大、中、小三种类型隔间的长、宽、高设置如下：
隔间类型 长/cm 宽/cm 高/cm
大 34 32 45
中 19 32 45
小 10 32 45
在本实施例中，步骤S3中的装载规则如下：
装载规则：1)如果所取得的客户订单类型为大订单，则判断该车的大型隔间数量是否为0：如果不为0，该订单被该车的大型隔间装载；如果为0，换下一辆车来配送该订单；
如果所取得的订单类型为中型订单，首先判断该车的中型隔间数量是否为0：如果不为0，该订单会被该车的中型隔间装载；如果为0，再判断该车的大型隔间是数量是否为0，如果不为0，该订单被该车的大型隔间装载，如果也为0，则换下一辆车来配送该订单；
如果所取得的订单类型为小型订单，首先判断该车的小型隔间数量是否为0：如果不为0，该订单会被该车的小型隔间装载；如果为0，再判断该车的中型隔间是数量是否为0：如果不为0，该订单会被该车的中型隔间装载,；如果也为0，再判断该车的大型隔间是数量是否为0：如果不为0，该订单会被该车的大型隔间装载，如果为0，则换下一辆车来配送该订单。
步骤S4中，具有取送货的多隔间车辆路径模型如下：(本实施例以最小化车辆总行驶距离为目标函数。)
假设：
每辆车在仓库开始和结束。
车队是同质的
必须充分满足所有客户的需求
配送系统中各点之间的距离是已知的
车辆需要在取件点先取货，然后才能前往送货点。
不允许对订单进行拆分交付，这意味着客户对某个订单的需求必须完全由一辆车配送。
每位客户只能通过一辆车获得一次服务。因此，每位客户所需订单的三维尺寸不能大于车辆最大车厢的三维尺寸。
每位客户只有一个订单需求，而这个订单只能被放在一个隔间里。
每个隔间只能装载一个订单
符号：
N＝{0,1,2,...,n,n+1,n+2,...,m}，所有点的集合，其中{0}表示仓库
Np＝{1,2,..,n}，取货点集合
Nd＝{n+1,n+2,...,m}，送货点集合
Nv＝Np∪Nd，除了仓库之外的点的集合
E＝{(i,j)|i,j∈N,i≠j}，边的集合
K＝{1,2,...,k}，车辆的集合
M：车辆中所有的隔间数
V1：车辆的大型隔间数
V2：车辆的中型隔间数
V3：车辆的小型隔间数
Cij：点i和点j之间的距离
di1：点i对于大型订单的需求
di2：点i对于中型订单的需求
di3：点i对于小型订单的需求
L:车辆隔间类型的数量
Pi：点i对应的取货点
Figure BDA0003884992410000191
如果车辆k从点i访问到点j，则
Figure BDA0003884992410000192
为1，否则为0
Yik：如果点i被车辆k访问，则Yik为1，否则为0
Rik：当车辆k行驶到点i时，其累积经过的点数
本发明提出了一种基于遗传算法和自适应大邻域搜索算法的混合算法来求解具有取送货的多隔间车辆路径问题。本发明针对传统VRP问题中未同时考虑配送产品的兼容性以及未考虑配送产品的先取货后送货的先后顺序，提出了一种具有取送货的多隔间车辆路径规划方法，本发明将多隔间的车辆路径问题与具有取送货的车辆路径问题结合，提出了一种具有取送货的多隔间车辆路径问题，并构建了该问题的模型，充分考虑了装载车辆取送货顺序以及运输车辆运载隔间的类别，提高了路径规划效率。
本发明设计了一种针对具有取送货的多隔间车辆路径问题的特性编码、解码方案，能适用于给多个客户运输不同类型物品时，提高车辆车厢的空间利用率，降低物流成本，提高物流效率，提高物流服务质量。
本发明根据具有取送货的多隔间车辆路径问题的实际生产情况，设立多个约束条件，以车辆的总行驶距离最短为求解目标，并使用基于遗传算法和自适应大邻域搜索算法的混合算法对该单目标优化模型进行求解，得出了一种车辆总行驶距离最短的最优行驶路线，得到的车辆行驶路线极大地提高了物流效率，降低了物流成本。
本发明针对具有取送货的多隔间车辆路径问题特性而设计的编码和解码方案，包含了路径规划方案中必须包含的信息：客户订单的取货点和送货点，以及客户订单的取送货顺序(先取货后送货的顺序)，可以有效避免在后续解的生成过程中产生不可行的解决方案，使产生的路径规划方案更符合实际。
本发明使用的基于遗传算法和自适应大邻域搜索算法的混合算法，它整合了遗传算法的探索能力和自适应大邻域搜索算法的开发能力。具有良好的全局搜索能力和较快的收敛速度，突破了遗传算法因为其高盲目性和高随机性而容易陷入局部最优且无法搜索到最优行驶路线的局限，从而能有效地解决实际应用问题。
本发明解决了现有技术中存在的适用性差、调度使用成本高以及运输车辆利用率较低导致路径规划效率较低的技术问题。
本发明解决了现有技术中存在的适用性差、调度使用成本高以及运输车辆利用率较低导致路径规划效率较低的技术问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述方法包括：
S1、采集各个客户的订单信息，根据所述订单信息获取客户订单的订单三维参数、订单取货点以及订单送货点；
S2、获取预置运输车辆的车辆隔间尺寸规格数据，据以将各所述客户订单分为相应的订单尺寸类型；
S3、根据所述订单信息，利用所述预置运输车辆根据所述订单取货点进行取货操作，根据当前所述订单三维参数，按照预设装载逻辑，将所述客户订单对应的物品放入所述预置运输车辆的相应隔间，根据所述订单送货点进行送货操作；
S4、获取具有取送货的多隔间车辆路径参数，据以设定多隔间车辆约束条件，据以构建具有取送货的多隔间车辆路径模型；
S5、根据所述具有取送货的多隔间车辆路径模型，基于预置混合算法，求解所述具有取送货的多隔间车辆路径模型，其中，所述预置混合算法基于遗传算法及自适应大邻域搜索算法获取。
2.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S3中，所述订单尺寸类型包括：第一规格订单、第二规格订单及第三规格订单。
3.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S3中的装载逻辑包括：
S31、如果所取得的所述订单尺寸类型为第一规格订单，则判断该车的大型隔间数量是否为0，若否，则利用该所述预置运输车辆的大型隔间装载该所述订单；若是，则换车配送该所述订单；
S32、如果所取得的所述订单尺寸类型为第二规格订单，判断该所述预置运输车辆的中型隔间数量是否为0，若否，则利用该所述预置运输车辆的中型隔间装载该所述订单，若是，判断该所述预置运输车辆的所述大型隔间数量是否为0，若否，则利用该所述预置运输车辆的大型隔间装载该所述订单，若是，则换车配送该所述订单；
S33、如果所取得的所述订单尺寸类型为第三规格订单，判断该所述预置运输车辆的小型隔间数量是否为0，若否，则利用该所述预置运输车辆的小型隔间装载该所述订单，若是，则判断该所述预置运输车辆的中型隔间是数量是否为0，若否，则利用该所述预置运输车辆的中型隔间装载该所述订单,若是，再判断该所述预置运输车辆的大型隔间是数量是否为0，若否，则利用该所述预置运输车辆的大型隔间装载该所述订单，若是，则换车配送该所述订单。
4.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S4中，利用下述逻辑定义所述具有取送货的多隔间车辆路径模型：
Figure FDA0003884992400000021
Figure FDA0003884992400000022
Figure FDA0003884992400000023
Figure FDA0003884992400000024
Figure FDA0003884992400000025
Figure FDA0003884992400000026
Figure FDA0003884992400000027
Figure FDA0003884992400000028
Figure FDA0003884992400000029
Figure FDA00038849924000000210
Figure FDA00038849924000000211
Figure FDA00038849924000000212
Figure FDA00038849924000000213
Figure FDA00038849924000000214
Figure FDA00038849924000000215
Figure FDA00038849924000000216
Figure FDA00038849924000000217
Figure FDA00038849924000000218
Figure FDA0003884992400000031
Figure FDA0003884992400000032
Figure FDA0003884992400000033
上述公式中，N＝{0,1,2,...,n,n+1,n+2,...,m}，用以表示所有点的集合，其中{0}表示仓库，Np＝{1,2,..,n}，用以表示取货点集合，Nd＝{n+1,n+2,...,m}，用以表示送货点集合，E＝{(i,j)|i,j∈N,i≠j}，用以表示边的集合，Nv＝Np∪Nd，用以表示除了仓库之外的点的集合，K＝{1,2,...,k}，用以表示所述预置运输车辆的集合，M表示所述预置运输车辆中所有的隔间数，V1表示所述预置运输车辆的大型隔间数，V2表示所述预置运输车辆车辆的中型隔间数，V3表示所述预置运输车辆的小型隔间数，Cij表示点i和点j之间的距离，di1表示点i对于大型订单的需求，di2表示点i对于中型订单的需求，di3表示点i对于小型订单的需求，L表示车辆隔间类型的数量，Pi表示点i对应的取货点，
Figure FDA0003884992400000034
用以表示：如果所述预置运输车辆k从点i访问到点j，则
Figure FDA0003884992400000035
为1，否则为0，Yik用以表示：如果点i被所述预置运输车辆k访问，则Yik为1，否则为0，Rik用以表示：当所述预置车辆k行驶到点i时，其累积经过的点数。
5.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，
以所述式(1)为所求的目标函数，表示最小化所述预置运输车辆的总行驶距离；
以所述式(2)表示每辆所述预置运输车辆的所有类型的车厢数之和等于所述预置运输车辆的车厢总数；
以所述式(3)表示每个送货点仅由一所述预置运输车辆访问且仅访问一次；
以所述式(4)表示限制使用的所述预置运输车辆的数量不能超过可用车辆的数量；
以所述式(5)表示每辆车从仓库前往一个点，且该点只能是取货点；
以所述式(6)表示每辆车最终从一个点返回仓库，该点为送货点；
以所述式(7)表示任何所述预置运输车辆访问的点，被访问次数不超过一次；
以所述式(8)表示一辆车访问了某个送货点，则必然访问其对应的取货点；
以所述式(9)表示流量守恒，用以保证路径的连续性，即任何进入某节点的所述预置运输车辆也应离开该节点；
以所述式(10)、所述式(11)定义
Figure FDA0003884992400000041
和Yik的关系；
以所述式(12)表示任何所述预置运输车辆k到达仓库0时的累计访问点数最多为1；
利用所述式(13)和所述式(14)消除子回路，以使得所述预置运输车辆k到达节点j时累计访问点数等于在节点i处所述预置运输车辆累计访问点数加1；
以所述式(15)表示任何所述预置运输车辆在任何送货点的累计访问点数必须大于所述预置车辆在送货点对应的取货点的累计访问点数，据以确定所述预置运输车辆对于顾客订单执行先取货后送货的顺序；
以所述式(16)表示任何所述预置运输车辆k访问的点中对于大订单的需求总和小于或等于所述预置运输车辆的大车厢数；
以所述式(17)表示任何所述预置运输车辆k通过的点中对于中型订单的需求总和小于或等于所述预置运输车辆的中型车厢数加上所述预置运输车辆剩余的大车厢数；
以所述式(18)表示任何所述预置运输车辆k通过的点中对于小型订单的需求总和小于或等于所述预置运输车辆的小隔间数加上所述预置运输车辆剩余的大型、中型隔间数之和；
利用所述式(19)、所述式(20)以及所述式(21)定义决策变量
Figure FDA0003884992400000042
Yik,Rik的域。
6.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S5包括：
S51、初始化参数，设置种群规模为P，最大迭代次数为MaxIt,算法概念参数pf，连续无改进的最大迭代次数Ni，模拟退火温度衰减参数h，初始模拟退火温度T0，权重更新系数ρ；
S52、对种群中的每条染色体编码，以初始化种群；
S53、对编码后的每条染色体进行解码，以计算所述种群中每个个体的适应度；
S54、选择所述种群中的优良个体进行ALNS操作；
S55、更新所述种群，对所述种群中的所述个体按适应度大小顺序排序；
S56、将所述种群经排序的所述个体按适应度分成精英集合和非精英集合；
S57、变异处理所述非精英集合中的部分个体；
S58、将所述非精英集合中未经变异处理的事实个体与所述精英集合中的所述最优个体进行交叉操作；
S59、更新所述种群，并更新ALNS算法中各个策略的权重；
S510、判断是否满足预置的种群迭代终止条件；若是，则终止迭代，否则继续进行种群迭代操作。
7.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S54包括：
S541、进行参数再初始化化操作；
S542、输入一个当前解X以及一个当前最优解的适应度f*，定义一组破坏算子集合D和一组修复算子集合R；
S543、利用轮盘赌策略从所述破坏算子集合中选择一个破坏算子d*，更新该算子的使用次数
Figure FDA0003884992400000051
S544、利用轮盘赌策略从所述修复算子集合中选择一个修复算子r*，更新该算子的使用次数
Figure FDA0003884992400000052
S545、对当前解X运用所选择的破坏算子d*和修复算子r*，从而生成一个新解X'，得到该新解的适应度f(X')；
S546、采用Metropolis接受准则更新当前解。
8.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S543包括：
S5431、利用Maximum Distance Removal操作算子首先计算路线中每个客户的位置成本，据以选择最高位置成本客户，据以删除相应取货点一起删除；
S5432、利用Shaw Destroy操作算子随机删除一个客户及其取货点，删除与最初所选客户相关的其他所述客户，利用下述逻辑计算相关性：
Figure FDA0003884992400000053
式中，权重被设置为：φ1＝0.1,φ2＝0.5,φ3＝0.4。由所述式(22)计算顾客被删除机会参数。
9.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划方法，其特征在于，所述步骤S59中，按照下述逻辑更新种群：
Wj＝Wj*ρ+(1-ρ)*Sj (23)
式中，
Figure FDA0003884992400000061
10.根据权利要求1所述的一种带有取送货的多隔间车辆路径规划系统，其特征在于，所述系统包括：
客户订单信息采集模块，用以采集各个客户的订单信息，根据所述订单信息获取客户订单的订单三维参数、订单取货点以及订单送货点；
订单类型划分模块，用以获取预置运输车辆的车辆隔间尺寸规格数据，据以将各所述客户订单分为为相应的订单尺寸类型，所述订单类型划分模块与所述客户订单信息采集模块连接；
装载送货模块，用以根据所述订单信息，利用所述预置运输车辆根据所述订单取货点进行取货操作，根据当前所述订单三维参数，按照预设装载逻辑，将所述客户订单对应的物品放入所述预置运输车辆的相应隔间，根据所述订单送货点进行送货操作，所述装载送货模块与所述客户订单信息采集模块及所述订单类型划分模块连接；
多隔间车辆路径模型构建模块，用以获取具有取送货的多隔间车辆路径参数，据以设定多隔间车辆约束条件，据以构建具有取送货的多隔间车辆路径模型，所述多隔间车辆路径模型构建模块与所述装载送货模块连接；
模型求解模块，用以根据所述具有取送货的多隔间车辆路径模型，基于预置混合算法，求解所述具有取送货的多隔间车辆路径模型，其中，所述预置混合算法基于遗传算法及自适应大邻域搜索算法获取，所述模型求解模块与所述多隔间车辆路径模型构建模块连接。
CN202211240191.XA 2022-10-11 2022-10-11 一种带有取送货的多隔间车辆路径规划方法及系统 Pending CN116151497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211240191.XA CN116151497A (zh) 2022-10-11 2022-10-11 一种带有取送货的多隔间车辆路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211240191.XA CN116151497A (zh) 2022-10-11 2022-10-11 一种带有取送货的多隔间车辆路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN116151497A true CN116151497A (zh) 2023-05-23

Family

ID=86355115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211240191.XA Pending CN116151497A (zh) 2022-10-11 2022-10-11 一种带有取送货的多隔间车辆路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN116151497A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077869A (zh) * 2023-10-11 2023-11-17 鱼快创领智能科技(南京)有限公司 一种场景化的定制访问顺序的车辆分配及路线规划的方法
CN117933513A (zh) * 2024-01-17 2024-04-26 山东科技大学 一种共同配送模式下同时取送货的车辆路径确定方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077869A (zh) * 2023-10-11 2023-11-17 鱼快创领智能科技(南京)有限公司 一种场景化的定制访问顺序的车辆分配及路线规划的方法
CN117077869B (zh) * 2023-10-11 2023-12-19 鱼快创领智能科技(南京)有限公司 一种场景化的定制访问顺序的车辆分配及路线规划的方法
CN117933513A (zh) * 2024-01-17 2024-04-26 山东科技大学 一种共同配送模式下同时取送货的车辆路径确定方法及系统

Similar Documents

Publication Publication Date Title
Baniamerian et al. Modified variable neighborhood search and genetic algorithm for profitable heterogeneous vehicle routing problem with cross-docking
CN116151497A (zh) 一种带有取送货的多隔间车辆路径规划方法及系统
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
Alvarenga et al. A genetic and set partitioning two-phase approach for the vehicle routing problem with time windows
Chen et al. The self-learning particle swarm optimization approach for routing pickup and delivery of multiple products with material handling in multiple cross-docks
Ting et al. Multi-vehicle selective pickup and delivery using metaheuristic algorithms
CN108985677A (zh) 多品种多批次生鲜农产品配送路径优化方法
CN110163544A (zh) 一种基于优化的遗传算法进行货物配送的方法
CN113570025B (zh) 一种基于离散粒子群算法的电商仓储中心货位分配方法
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN114048924A (zh) 基于混合遗传算法的多配送中心选址-配送路径规划方法
CN112330070A (zh) 一种碳排放限制下的冷藏集装箱多式联运路径优化方法
Hou et al. An Improved Particle Swarm Optimization Algorithm for the Distribution of Fresh Products.
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
Sun An Endosymbiotic Evolutionary Algorithm for the Hub Location‐Routing Problem
Brito et al. Fuzzy optimization in vehicle routing problems.
CN116882883A (zh) 一种利用大数据的电网物资配送路径规划方法
Farahbakhsh et al. A new efficient genetic algorithm-Taguchi-based approach for multi-period inventory routing problem
Obi et al. Using genetic algorithm to solve multiple traveling salesman problem and considering Carbon emissions
CN116307536A (zh) 一种基于统仓共配的订单分配模型及其建立与应用方法
CN116187531A (zh) 一种用于成品油二次物流配送车辆调度优化的求解算法
CN112700190B (zh) 一种改进的扫描法与遗传模拟退火法配送托盘物资的方法
Halim et al. Solving inventory routing problem with backordering using Artificial Bee Colony
Liu et al. Inventory Routing Problem With Split Delivery and Variable Time Windows for Customers With Small Capacity and Large Sales

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