CN116187896A - 绿色车辆路径问题求解方法、装置、计算机设备以及介质 - Google Patents

绿色车辆路径问题求解方法、装置、计算机设备以及介质 Download PDF

Info

Publication number
CN116187896A
CN116187896A CN202310475614.4A CN202310475614A CN116187896A CN 116187896 A CN116187896 A CN 116187896A CN 202310475614 A CN202310475614 A CN 202310475614A CN 116187896 A CN116187896 A CN 116187896A
Authority
CN
China
Prior art keywords
vehicle
time
population
delivery
target
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.)
Granted
Application number
CN202310475614.4A
Other languages
English (en)
Other versions
CN116187896B (zh
Inventor
周鲜成
余玮瑛
李松明
陈荣元
周开军
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202310475614.4A priority Critical patent/CN116187896B/zh
Publication of CN116187896A publication Critical patent/CN116187896A/zh
Application granted granted Critical
Publication of CN116187896B publication Critical patent/CN116187896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/08—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种绿色车辆路径问题求解方法、装置、计算机设备以及介质，方法包括：获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；基于大邻域搜索和NSGA‑II的混合算法对双目标TDGVRPPD模型进行求解。其可以实现多目标平衡的绿色车辆路径问题求解。

Description

绿色车辆路径问题求解方法、装置、计算机设备以及介质
技术领域
本申请涉及智慧物流技术领域，特别是涉及一种绿色车辆路径问题求解方法、装置、计算机设备以及存储介质。
背景技术
在物流配送领域，在2012年首次提出了绿色车辆路径问题的概念。绿色车辆路径问题与传统车辆路径问题的主要区别是在考虑经济效益的同时，必须兼顾环境效益，考虑车辆的油耗和碳排放等环境因素。传统的研究主要集中在车辆行驶速度恒定，且只为客户提供送货服务的情况，但在城市物流配送中，由于交通拥堵具有时变特性，车辆行驶速度并不是恒定的，而是随时间段变化；此外，物流企业也应同时为客户提供送货和取货服务。考虑交通拥堵时变特性的车辆路径问题称为时间依赖型车辆路径问题（Time dependentvehicle routing problem，TDVRP）。企业在保证配送时效的同时，对客户点进行配送与回收服务。多数学者已经从传统的车辆路径问题转向对同时取送货车辆路径问题（vehiclerouting problem with pick-up and delivery，VRPPD）进行研究。在上述研究基础上，目前又有学者提出更优化的考虑时变速度和同时取送货的绿色车辆路径问题（Timedependent green vehicle routing problem with pick-up and delivery，TDGVRPPD）。在实际应用中，TDGVRPPD的路径优化，更加符合现实物流配送情况，有助于推进物流配送和客运领域的节能减排，从而实现构建绿色城市的目标，实现低碳物流配送。
然而，目前针对绿色车辆路径问题研究较少，且尚无一种多目标平衡的绿色车辆路径问题求解方案。
发明内容
基于此，有必要针对上述技术问题，提供一种多目标平衡的绿色车辆路径问题求解方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种绿色车辆路径问题求解方法。所述方法包括：
获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
在其中一个实施例中，所述获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型包括：
获取城市交通路网的时变特性数据；
根据所述城市交通路网的时变特性数据，获取车辆在不同路段的载重和速度；
根据所述车辆在不同路段的载重和速度，获取车辆在目标时间段以目标速度行驶目标距离时的油耗计算函数；
根据所述油耗计算函数，获取车辆行驶在目标路段时产生的油耗计算函数；
基于所述车辆行驶在目标路段时产生的油耗计算函数，生成与油耗量成正比的车辆的碳排放量计算函数，得到考虑时变速度和实时载重的车辆油耗和碳排放测度模型。
在其中一个实施例中，所述获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型包括：
获取配送任务对应的容量、时间窗以及同时取送货约束条件；
获取配送任务时效历史数据，根据所述配送任务时效历史数据得到顾客满意度计算函数；
根据所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，生成车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数；
组合所述车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数，得到配送总成本函数；
基于所述配送总成本函数以及所述顾客满意度计算函数，以配送总成本最小化和顾客满意度最大化为优化目标，训练初始TDGVRPPD模型，得到双目标TDGVRPPD模型。
在其中一个实施例中，所述基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解包括：
获取配送任务数据，所述配送任务数据包括配送中心和顾客的位置坐标、车辆的类型、顾客的满意度关联数据、不同时间段的车辆行驶速度、车辆单位油耗成本、车辆单位碳排放成本、车辆固定的发车费用、车辆使用单位时间成本、车辆早于顾客希望服务时间窗到达的惩罚成本以及车辆晚于顾客希望服务时间窗到达的惩罚成本；
初始化NSGA-II的种群，得到初始种群；
根据所述配送任务数据、所述配送总成本函数以及所述顾客满意度计算函数计算所述初始种群的适应度值；并根据所述初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
在其中一个实施例中，所述根据所述配送任务数据、所述配送总成本函数以及所述顾客满意度计算函数计算所述初始种群的适应度值；并根据所述初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解包括：
根据所述配送任务数据、所述配送总成本函数以及所述顾客满意度计算函数计算所述初始种群的适应度值；
对所述初始种群中染色体进行选择、交叉以及变异，得到子代种群；
采用LNS算法在所述子代种群中选取部分染色体逐一进行大邻域搜索优化，以增强种群；
合并增强后的所述子代种群以及所述初始种群，得到新种群；
根据所述初始种群的适应度值，计算新种群的双目标适应度值；
根据所述新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前预设部分的染色体得到新的下一代种群；
将下一代的父代种群更新为所述新种群，返回所述初始化NSGA-II的种群，得到初始种群的步骤，直至达到最大迭代次数，得到pareto解集。
在其中一个实施例中，所述采用LNS算法在所述子代种群中选取部分染色体逐一进行大邻域搜索优化，以增强种群包括：
在所述子代种群中随机选择选取单个染色体，得到初始染色体；
以所述初始染色体为当前解；
根据所述配送总成本函数以及所述顾客满意度计算函数，计算所述当前解的成本维度适应度值以及顾客满意度维度适应度值；
若当前迭代次数小于LNS最大迭代次数，则对所述当前解进行破坏，得到破坏解，计算所述破坏解的成本维度适应度值以及顾客满意度维度适应度值、并对所述破坏解进行修复，得到修复解；
判断是否所述破坏解的成本维度适应度值小于所述当前解的成本维度值、且所述破坏解的顾客满意度维度适应度值大于所述当前解的顾客满意度维度适应度值；
若是，则将所述破坏解重新作为当前解、并LNS迭代次数加1；若否，则LNS迭代次数加1；
返回所述若当前迭代次数小于LNS最大迭代次数，则对所述当前解进行破坏的步骤，直至当前迭代次数不小于LNS算法的最大迭代次数，则选取所述子代种群中所述初始染色体的下一个染色体；
将所述下一个染色体重新作为所述初始染色体，返回所述以所述初始染色体为当前解的步骤，以增强种群。
在其中一个实施例中，所述根据所述新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前预设部分的染色体得到新的下一代种群包括：
根据所述新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度；
根据每条染色体的拥挤度，保留前50%的染色体作为新的下一代种群。
第二方面，本申请还提供一种绿色车辆路径问题求解装置，所述装置包括：
碳排放模型获取模块，用于获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
双目标TDGVRPPD模型构建模块，用于获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
求解模块，用于基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
上述绿色车辆路径问题求解方法、装置、计算机设备、存储介质和计算机程序产品，获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。整个过程中，通过构建配送总成本最小化和顾客满意度最大化为优化目标的双目标TDGVRPPD模型并求解，可以实现多目标平衡的绿色车辆路径问题求解。
附图说明
图1为一个实施例中绿色车辆路径问题求解方法的应用环境图；
图2为一个实施例中绿色车辆路径问题求解方法的流程示意图；
图3为一个实施例中S200的子流程示意图；
图4为一个实施例中S400的子流程示意图；
图5为一个实施例中S600的子流程示意图；
图6为一个实施例中LNSNSGA-II算法的流程示意图；
图7为一个实施例中绿色车辆路径问题求解装置的结构示意图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的绿色车辆路径问题求解方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102发送绿色车辆路径问题求解请求至服务器104，服务器104响应该求解请求，获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型；获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。非必要的，服务器104可以将绿色车辆路径问题求解结果反馈至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种绿色车辆路径问题求解方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S200：获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成。
考虑时变速度和实时载重的车辆油耗和碳排放测度模型可以是预先建立的模型，其具体是研究时变速度和实时载重对车辆油耗和碳排放的影响之后建立的模型；其也可以是临时构建得到的模型。具体来说，车辆时变速度和实时载重可以基于配送（物流）车辆在城市交通网络的时变特性数据来生成，其具体可以通过分析城市交通网络的时变特性，分析考虑不同车辆载重和车速对油耗的影响，生成车辆在预设时间段内行驶在路段的油耗率，基于油耗率得到具体行驶一定距离之后的油耗量；由于车辆的碳排放量与油耗量成正比，因此在分析得到油耗量之后，可以按照相应的系数，分析得到车辆碳排量，在基于得到的数据构建生成预设的考虑时变速度和实时载重的车辆油耗和碳排放测度模型。
S400：获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型。
配送任务有其对应的容量、时间窗以及取送货约束条件，基于这些约束条件生成对应的约束函数和约束参数，再结合碳排放测度模型以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型。
S600：基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。
针对构建好的双目标TDGVRPPD模型，采用大邻域搜索和NSGA-II的混合算法来进行求解。邻域搜索算法（或称为局部搜索算法）是一类改进算法，其在每次迭代时通过搜索当前解的“邻域”找到更优的解。邻域搜索算法设计中的关键是邻域结构的选择，即邻域定义的方式。根据以往的经验，邻域越大，局部最优解就越好，这样获得的全局最优解就越好，在这里采用大领域搜索的方式以求寻找到最优解。NSGA-Ⅱ是多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。具体来说，NSGA-Ⅱ就是在第一代非支配排序遗传算法的基础上改进而来，其改进主要是针对如上的三个方面：①提出了快速非支配排序算法，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体；②引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度；③采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。在实际应用中，这里求解之后可以得到多个解，每一个解对应一个配送方案，其具体可以表征使用多少车辆、每辆车配送哪些客户、每条路径上配送顾客点的顺序。以及每个方案对应的车辆出发时间、车辆运行成本、碳排放成本和顾客满意度都会有所记录。例如，某个方案满意度很高，但成本也很高；某个方案满意度低一些，但成本也会低一些。这里的求解方法是将合适的多种配方案都提供给用户（企业），用户（企业）依据实际情况自行选择。
上述绿色车辆路径问题求解方法，获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。整个过程中，通过构建配送总成本最小化和顾客满意度最大化为优化目标的双目标TDGVRPPD模型并求解，可以实现多目标平衡的绿色车辆路径问题求解。
如图3所示，在其中一个实施例中，S200包括：
S210：获取城市交通路网的时变特性数据。
城市交通路网的时变特性数据具体可以基于城市交通路网的历史通行、通畅、拥堵等数据来分析得到，该时变特性数据表征城市交通路网中在不同路段车辆通行耗时与随时间（每日）变化情况。
S220：根据城市交通路网的时变特性数据，获取车辆在不同路段的载重和速度。
根据城市交通路网的时变特性数据，考虑车载重和速度对油耗的影响。
S230：根据车辆在不同路段的载重和速度，获取目标车辆在目标时间段以目标速度行驶目标距离时的油耗计算函数。
例如车辆
Figure SMS_1
在时间段/>
Figure SMS_2
内行驶在路段/>
Figure SMS_3
的油耗率/>
Figure SMS_4
Figure SMS_5
的计算如式（1）所示。
Figure SMS_6
（1）
式（1）中
Figure SMS_7
为与车辆特征参数相关的预定义参数，/>
Figure SMS_8
表示在时间段h车辆行驶在路段/>
Figure SMS_9
的速度，G（kg）表示空车重量，/>
Figure SMS_10
（kg）表示车辆/>
Figure SMS_11
离开节点/>
Figure SMS_12
时的载重。
在实际应用中，油耗主要由发动机模块、速度模块、重量模块三部分组成，车辆
Figure SMS_13
在时间段/>
Figure SMS_14
以速度/>
Figure SMS_15
Figure SMS_16
行驶距离/>
Figure SMS_17
（m）时的油耗/>
Figure SMS_18
（L）如式（2）所示。
Figure SMS_19
（2）
S240：根据油耗计算函数，获取车辆行驶在目标路段时产生的油耗计算函数。
因此车辆
Figure SMS_20
行驶在路段/>
Figure SMS_21
时产生的油耗计算如式（3）所示。
Figure SMS_22
（3）
S250：基于车辆行驶在目标路段时产生的油耗计算函数，生成与油耗量成正比的车辆的碳排放量计算函数，得到考虑时变速度和实时载重的车辆油耗和碳排放测度模型。
车辆的碳排放量与油耗量成正比，碳排放量
Figure SMS_23
（kg）的计算如式（4）所示。
Figure SMS_24
（4）
其中FE为燃油排放参数，通常FE为常数（kg/L）。
基于上述公式（3）和公式（4）即可构建中考虑时变速度和实时载重的车辆油耗和碳排放测度模型。具体来说，考虑时变速度和实时载重的车辆油耗和碳排放测度模型可以为一个双层结构的模型，其每层分别以上述公式（3）和公式（4）作为核心函数。
如图4所示，在其中一个实施例中，S400包括：
S410：获取配送任务对应的容量、时间窗以及同时取送货约束条件。
具体来说，双目标TDGVRPPD优化模型所使用的符号和变量的含义如表1所示。
表1符号和变量的含义
Figure SMS_25
/>
Figure SMS_26
不同的配送任务有对应的容量、时间窗以及同时取送货约束条件，容量是指需要配送货物的容量包括体积、重量等维度数据；时间窗是指需要指定送达的时间窗口，例如下午4点到下午6点；取送货约束条件是指实际可以调度、使用的车辆在安排任务过程中在取货阶段和送货阶段相互约束的条件。
S420：获取配送任务时效历史数据，根据配送任务时效历史数据得到顾客满意度计算函数。
在物流配送中，配送的时效性是影响顾客满意度的主要因素。在这里根据配送任务时效历史数据得到顾客满意度计算函数。具体来说，如果车辆在顾客点
Figure SMS_28
的开始服务时间在/>
Figure SMS_33
和/>
Figure SMS_35
之间，则顾客满意度为1；如果车辆开始服务时间在/>
Figure SMS_27
和/>
Figure SMS_31
之间或/>
Figure SMS_36
到/>
Figure SMS_38
之间，则根据偏离时间窗[/>
Figure SMS_29
,/>
Figure SMS_32
]的程度计算顾客满意度；否则，顾客满意度为0。顾客满意度与车辆为顾客点开始服务时间/>
Figure SMS_34
之间的关系如图1所示，顾客/>
Figure SMS_37
的满意度/>
Figure SMS_30
计算如式（5）所示。
Figure SMS_39
（5）
S430：根据配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，生成车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数。
S440：组合车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数，得到配送总成本函数；
S450：基于配送总成本函数以及顾客满意度计算函数，以配送总成本最小化和顾客满意度最大化为优化目标，训练初始TDGVRPPD模型，得到双目标TDGVRPPD模型。
考虑速度、容量、时间窗等约束条件，以车辆使用成本、油耗成本、碳排放成本与时间窗惩罚成本之和最小以及顾客平均满意度最大作为优化目标，构建TDGVRPPD模型，如式（6）~（26）所示。
Figure SMS_40
（6）
Figure SMS_41
（7）
Figure SMS_42
（8）
Figure SMS_43
（9）
Figure SMS_44
（10）
Figure SMS_45
（11）
Figure SMS_46
（12）
Figure SMS_47
（13）/>
Figure SMS_48
（14）
Figure SMS_49
（15）
Figure SMS_50
（16）
Figure SMS_51
（17）
Figure SMS_52
（18）
Figure SMS_53
（19）
Figure SMS_54
（20）
Figure SMS_55
（21）
Figure SMS_56
（22）
Figure SMS_57
（23）
Figure SMS_58
（24）
Figure SMS_59
（25）
Figure SMS_60
（26）
其中，式（6）表示配送总成本最小化；式（7）表示顾客平均满意度最大化；式（8）表示车辆使用成本C1的计算，包括固定发车费用、车辆行驶时间成本、车辆服务时间成本；式（9）表示油耗成本C2的计算；式（10）表示碳排放成本C3的计算；式（11）表示时间窗违背惩罚成本C4的计算；式（12）表示每辆车只能被使用一次；式（13）表示每个顾客有且仅有一辆车为其服务一次；式（14）表示变量
Figure SMS_64
和/>
Figure SMS_68
之间的限制关系；式（15）表示车辆如果行驶在节点
Figure SMS_71
与节点/>
Figure SMS_63
之间，则必须行驶完整条路径；式（16）表示车辆的/>
Figure SMS_67
的出发时间要在配送中心的时间窗内；式（17）表示车辆/>
Figure SMS_72
从节点/>
Figure SMS_75
行驶至节点/>
Figure SMS_62
的时间计算；式（18）表示车辆到达下一节点的时间与到达上一节点的时间之间的关系；式（19）表示车辆到达顾客/>
Figure SMS_65
点的时间必须在顾客的可接受时间窗内；式（20）表示车辆回到配送中心的时间必须在配送中心时间窗内；式（21）表示车辆/>
Figure SMS_70
从配送中心出发时的装载量；式（22）表示车辆/>
Figure SMS_74
离开路径上第一个节点时的载重，/>
Figure SMS_61
为一个无穷大的正数；式（23）表示车辆/>
Figure SMS_66
离开路径上每一个节点（除第一个节点外）时的载重；式（24）表示车辆/>
Figure SMS_69
返回配送中心时的载重；式（25）表示车辆/>
Figure SMS_73
任何时刻的载重不能超过其最大容量；式（26）表示决策变量的取值约束。
整体来说，在本实施例中，构建双目标TDGVRPPD模型时，一方面，充分考虑交通拥堵时段，车辆的实时速度会有所变化，在构建的车辆行驶在拥堵路段的时间和油耗采用路段划分的方案计算；另一方面同考虑同时取送达的情况，每服务完一个顾客，车辆的货物重量会有所变化，所以车辆载重需要实时更新。根据实时载重和时变速度，车辆的油耗成本、碳排放成本以及运行成本都会有所不同，为了保证顾客满意度，因此还设计了时间窗惩罚成本。
如图5所示，在其中一个实施例中，S600包括：
S620：获取配送任务数据，配送任务数据包括配送中心和顾客的位置坐标、车辆的类型、顾客的满意度关联数据、不同时间段的车辆行驶速度、车辆单位油耗成本、车辆单位碳排放成本、车辆固定的发车费用、车辆使用单位时间成本、车辆早于顾客希望服务时间窗到达的惩罚成本以及车辆晚于顾客希望服务时间窗到达的惩罚成本。
配送任务数据是指本次配送任务对应的数据，其包括基本的配送中心和顾客的位置坐标；本次配送所需车辆的类型；顾客的满意度关联数据，该满意度关联数据具体既可以包括顾客的送货需求
Figure SMS_79
、取货需求/>
Figure SMS_83
、希望服务时间窗/>
Figure SMS_85
、可接受服务时间窗/>
Figure SMS_76
、服务时间/>
Figure SMS_80
；根据交通拥堵的时变特性，获取在不同时间段的车辆行驶速度/>
Figure SMS_86
；根据企业实际的经营制度和经营成本，输入配送中心的服务时间/>
Figure SMS_88
，车辆单位油耗成本/>
Figure SMS_78
、车辆单位碳排放成本/>
Figure SMS_82
、车辆固定的发车费用/>
Figure SMS_84
、车辆使用单位时间成本/>
Figure SMS_87
、车辆早于顾客希望服务时间窗到达的惩罚成本/>
Figure SMS_77
、车辆晚于顾客希望服务时间窗到达的惩罚成本/>
Figure SMS_81
。
S640：初始化NSGA-II的种群，得到初始种群。
初始化种群，得到初始种群。具体可以初始化车辆参数、种群规模大小、算法参数、最大迭代次数、当前迭代次数gen=1，随机生成初始种群
Figure SMS_89
。
S660：根据配送任务数据、配送总成本函数以及顾客满意度计算函数计算初始种群的适应度值；并根据初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。
在初始种群
Figure SMS_90
的基础上，基于之前构建的配送总成本函数以及顾客满意度计算函数计算初始种群的适应度值；再基于初始种群的适应度值的基础上，不断对初始种群/>
Figure SMS_91
中染色体惊醒选择、交叉、变异操作，并且基于大邻域搜索和NSGA-II的混合算法寻求双目标TDGVRPPD模型的最优解。
在其中一个实施例中，根据配送任务数据、配送总成本函数以及顾客满意度计算函数计算初始种群的适应度值；并根据初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解包括：
步骤1：根据配送任务数据、配送总成本函数以及顾客满意度计算函数计算初始种群的适应度值。
根据配送任务数据、配送总成本函数（上述公式（6））、顾客满意度计算函数（上述公式（7）），计算初始种群的适应度值。
步骤2：对初始种群中染色体进行选择、交叉以及变异，得到子代种群。
进行非支配排序，对初始种群
Figure SMS_92
中的染色体进行选择、交叉、变异操作，得到子代种群Selch。
步骤3：采用LNS算法在子代种群中选取部分染色体逐一进行大邻域搜索优化，以增强种群。
采用LNS算法在子代种群Selch中选取一部分染色体
Figure SMS_93
逐一进行大邻域搜索优化，以增强种群的多样性，避免陷入局部最优。其整个处理过程包括：在子代种群中随机选择选取单个染色体，得到初始染色体；以初始染色体为当前解；根据配送总成本函数以及顾客满意度计算函数，计算当前解的成本维度适应度值以及顾客满意度维度适应度值；若当前迭代次数小于LNS最大迭代次数，则对当前解进行破坏，得到破坏解，计算破坏解的成本维度适应度值以及顾客满意度维度适应度值、并对破坏解进行修复，得到修复解；判断是否破坏解的成本维度适应度值小于当前解的成本维度值、且破坏解的顾客满意度维度适应度值大于当前解的顾客满意度维度适应度值；若是，则将破坏解重新作为当前解、并LNS迭代次数加1；若否，则LNS迭代次数加1；返回若当前迭代次数小于LNS最大迭代次数，则对当前解进行破坏的步骤，直至当前迭代次数不小于LNS算法的最大迭代次数，则选取子代种群中初始染色体的下一个染色体；将下一个染色体重新作为初始染色体，返回以初始染色体为当前解的步骤，以增强种群。
步骤4：合并增强后的子代种群以及初始种群，得到新种群。
步骤5：根据初始种群的适应度值，计算新种群的双目标适应度值。
将子代种群Selch与父代种群P合并得到新种群P1，并根据式(1)和式(2)计算P1的双目标适应度值。
步骤6：根据新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前预设部分的染色体得到新的下一代种群。
根据新种群P1的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，基于拥挤度包括一定部分的染色体得到新的下一代种群P2。这里一定部分具体是基于预先设定的预设部分来确定，例如可以基于拥挤度保留前50%的染色体为下一代种群P2（新的种群P2），可以理解的是这里还可以是保留前45%、40%、60%、55%等的染色体作为新的种群P2。
步骤7：将下一代的父代种群更新为新种群，返回初始化NSGA-II的种群，得到初始种群的步骤，直至达到最大迭代次数，得到pareto解集。
判断当前迭代次数是否小于预设最大迭代次数，若是，则迭代次数加1，下一代的父代种群P更新为新种群P，跳转回初始化NSGA-II的种群，得到初始种群的步骤，直至最新的当前迭代次数达到最大迭代次数，得到pareto解集。
为详细说明上述过程，下面将采用具体应用实例针对双目标TDGVRPPD模型的求解过程展开详细的描述。具体整个处理流程如图6所示：
Step1: 根据地图，输入配送中心和顾客的位置坐标；根据车辆的类型，输入车辆容量
Figure SMS_96
和预定义参数/>
Figure SMS_101
；根据顾客的取送货要求，输入每位顾客的送货需求/>
Figure SMS_103
、取货需求/>
Figure SMS_95
、希望服务时间窗/>
Figure SMS_100
、可接受服务时间窗/>
Figure SMS_102
、服务时间/>
Figure SMS_106
；根据交通拥堵的时变特性，输入在不同时间段的车辆行驶速度/>
Figure SMS_94
；根据企业实际的经营制度和经营成本，输入配送中心的服务时间/>
Figure SMS_99
，车辆单位油耗成本/>
Figure SMS_104
、车辆单位碳排放成本/>
Figure SMS_107
、车辆固定的发车费用/>
Figure SMS_97
、车辆使用单位时间成本/>
Figure SMS_98
、车辆早于顾客希望服务时间窗到达的惩罚成本/>
Figure SMS_105
、车辆晚于顾客希望服务时间窗到达的惩罚成本/>
Figure SMS_108
；
Step2: 初始化种群。初始化车辆参数、种群规模大小、算法参数、最大迭代次数、当前迭代次数gen=1，随机生成初始种群
Figure SMS_109
；/>
Step3: 根据式（6）、式（7），计算种群
Figure SMS_110
的适应度值，并进行非支配排序，对种群P中的染色体进行选择、交叉、变异操作，得到子代种群Selch；
Step4: 采用LNS算法在子代种群Selch中选取一部分染色体
Figure SMS_111
逐一进行大邻域搜索优化，以增强种群的多样性，避免陷入局部最优，将/>
Figure SMS_112
设为1；
Step4.1: 将Si记录为当前解Scurr，并根据式（6）、式（7）计算Si的(i=1,2,…,x)适应度值记为Z1(i)、Z2(i)，当前解Scurr的适应度值Z1(ic)=Z1(i)、Z2(ic)= Z2(i)，并初始化最大迭代次数LNSgenmax，初始化当前迭代次数gen=1；
Step4.2: 若 LNSgen≤LNSgenmax，则跳转至Step3.3，否则输出Si，将i加1；若i≤x，则跳转至Step3继续优化下一条染色体，否则输出LNS优化过的子代种群Selch；
Step4.3: 对当前解Scurr进行“破坏”操作得到破坏解Sdestroy，对破坏解Sdestroy进行“破坏”操作得到修复解Srepair，并计算破坏解Srepair的适应度值Z1(ir) 、Z2(ir)；
Step4.4: 若Z1(ir)<Z1(ic)且Z2(ir)>Z2(ic)，则将当前解Scurr更新为修复解Srepair，否则将LNSgen加1，跳转至Step4.2；
Step4.5: 若Z1(ic)<Z1(i)且Z2(ic)>Z2(i)，则将染色体Si更新为当前解Scurr，LNSgen加1，跳转至Step4.2；否则直接将LNSgen加1，跳转至Step4.2；
Step5: 将子代种群Selch与父代种群P合并得到新种群P1，并根据式(6)和式(7)计算P1的双目标适应度值；
Step6: 根据P1的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前50%的染色体为新的种群P2；
Step7: 若gen≤genmax，则gen加1，下一代的父代种群P更新为P1跳转至Step2，否则输出Pareto最优解集，算法结束。
需要指出的是，这里的Pareto最优解集是一个相对概念，而非绝对概念。具体来说，最优解集里有很多解，每一个解对应一个配送方案，表征使用多少车辆、每辆车配送哪些客户、每条路径上配送顾客点的顺序。以及每个方案对应的车辆出发时间、车辆运行成本、碳排放成本和顾客满意度都会有所记录，您提到的取送货、速度只是考虑实际配送过程，车辆的速度、载重等会影响企业配送成本。例如，某个方案满意度很高，但成本也很高；某个方案满意度低一些，但成本也会低一些。我们的求解方法是将合适的多种配方案都提供给企业，企业依据实际情况自行选择。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如7图所示，在一个实施例中，本申请还提供一种绿色车辆路径问题求解装置，包括：
碳排放模型获取模块200，用于获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
双目标TDGVRPPD模型构建模块400，用于获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
求解模块600，用于基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。
上述绿色车辆路径问题求解装置，获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。整个过程中，通过构建配送总成本最小化和顾客满意度最大化为优化目标的双目标TDGVRPPD模型并求解，可以实现多目标平衡的绿色车辆路径问题求解。
在其中一个实施例中，碳排放模型获取模块200还用于获取城市交通路网的时变特性数据；根据城市交通路网的时变特性数据，获取车辆在不同路段的载重和速度；根据车辆在不同路段的载重和速度，获取车辆在目标时间段以目标速度行驶目标距离时的油耗计算函数；根据油耗计算函数，获取车辆行驶在目标路段时产生的油耗计算函数；基于车辆行驶在目标路段时产生的油耗计算函数，生成与油耗量成正比的车辆的碳排放量计算函数，得到考虑时变速度和实时载重的车辆油耗和碳排放测度模型。
在其中一个实施例中，所双目标TDGVRPPD模型构建模块400还用于获取配送任务对应的容量、时间窗以及同时取送货约束条件；获取配送任务时效历史数据，根据配送任务时效历史数据得到顾客满意度计算函数；根据配送任务对应的容量、时间窗以及同时取送货约束条件、与车辆油耗和碳排放测度模型，生成车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数；组合车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数，得到配送总成本函数；基于配送总成本函数以及顾客满意度计算函数，以配送总成本最小化和顾客满意度最大化为优化目标，训练初始TDGVRPPD模型，得到双目标TDGVRPPD模型。
在其中一个实施例中，求解模块600还用于获取配送任务数据，配送任务数据包括配送中心和顾客的位置坐标、车辆的类型、顾客的满意度关联数据、不同时间段的车辆行驶速度、车辆单位油耗成本、车辆单位碳排放成本、车辆固定的发车费用、车辆使用单位时间成本、车辆早于顾客希望服务时间窗到达的惩罚成本以及车辆晚于顾客希望服务时间窗到达的惩罚成本；初始化NSGA-II的种群，得到初始种群；根据配送任务数据、配送总成本函数以及顾客满意度计算函数计算初始种群的适应度值；并根据初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对双目标TDGVRPPD模型进行求解。
在其中一个实施例中，求解模块600还用于根据配送任务数据、配送总成本函数以及顾客满意度计算函数计算初始种群的适应度值；对初始种群中染色体进行选择、交叉以及变异，得到子代种群；采用LNS算法在子代种群中选取部分染色体逐一进行大邻域搜索优化，以增强种群；合并增强后的子代种群以及初始种群，得到新种群；根据初始种群的适应度值，计算新种群的双目标适应度值；根据新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前预设部分的染色体得到新的下一代种群；将下一代的父代种群更新为新种群，返回初始化NSGA-II的种群，得到初始种群的步骤，直至达到最大迭代次数，得到pareto解集。
在其中一个实施例中，求解模块600还用于在子代种群中随机选择选取单个染色体，得到初始染色体；以初始染色体为当前解；根据配送总成本函数以及顾客满意度计算函数，计算当前解的成本维度适应度值以及顾客满意度维度适应度值；若当前迭代次数小于LNS最大迭代次数，则对当前解进行破坏，得到破坏解，计算破坏解的成本维度适应度值以及顾客满意度维度适应度值、并对破坏解进行修复，得到修复解；判断是否破坏解的成本维度适应度值小于当前解的成本维度值、且破坏解的顾客满意度维度适应度值大于当前解的顾客满意度维度适应度值；若是，则将破坏解重新作为当前解、并LNS迭代次数加1；若否，则LNS迭代次数加1；返回若当前迭代次数小于LNS最大迭代次数，则对当前解进行破坏的步骤，直至当前迭代次数不小于LNS算法的最大迭代次数，则选取子代种群中初始染色体的下一个染色体；将下一个染色体重新作为初始染色体，返回以初始染色体为当前解的步骤，以增强种群。
在其中一个实施例中，求解模块600还用于根据新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度；根据每条染色体的拥挤度，保留前50%的染色体作为新的下一代种群。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的绿色车辆路径问题求解方法的绿色车辆路径问题求解装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个绿色车辆路径问题求解装置实施例中的具体限定可以参见上文中对于绿色车辆路径问题求解方法的限定，在此不再赘述。
上述绿色车辆路径问题求解装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预先构建的滤波器、神经网络以及知识图谱等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种掌纹识别方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的绿色车辆路径问题求解方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的绿色车辆路径问题求解方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的绿色车辆路径问题求解方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种绿色车辆路径问题求解方法，其特征在于，所述方法包括：
获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
2.根据权利要求1所述的方法，其特征在于，所述获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型包括：
获取城市交通路网的时变特性数据；
根据所述城市交通路网的时变特性数据，获取车辆在不同路段的载重和速度；
根据所述车辆在不同路段的载重和速度，获取车辆在目标时间段以目标速度行驶目标距离时的油耗计算函数；
根据所述油耗计算函数，获取车辆行驶在目标路段时产生的油耗计算函数；
基于所述车辆行驶在目标路段时产生的油耗计算函数，生成与油耗量成正比的车辆的碳排放量计算函数，得到考虑时变速度和实时载重的车辆油耗和碳排放测度模型。
3.根据权利要求1所述的方法，其特征在于，所述获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型包括：
获取配送任务对应的容量、时间窗以及同时取送货约束条件；
获取配送任务时效历史数据，根据所述配送任务时效历史数据得到顾客满意度计算函数；
根据所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，生成车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数；
组合所述车辆使用成本函数、车辆油耗成本函数、碳排放成本函数、以及时间惩罚成本函数，得到配送总成本函数；
基于所述配送总成本函数以及所述顾客满意度计算函数，以配送总成本最小化和顾客满意度最大化为优化目标，训练初始TDGVRPPD模型，得到双目标TDGVRPPD模型。
4.根据权利要求3所述的方法，其特征在于，所述基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解包括：
获取配送任务数据，所述配送任务数据包括配送中心和顾客的位置坐标、车辆的类型、顾客的满意度关联数据、不同时间段的车辆行驶速度、车辆单位油耗成本、车辆单位碳排放成本、车辆固定的发车费用、车辆使用单位时间成本、车辆早于顾客希望服务时间窗到达的惩罚成本以及车辆晚于顾客希望服务时间窗到达的惩罚成本；
初始化NSGA-II的种群，得到初始种群；
根据所述配送任务数据、所述配送总成本函数以及所述顾客满意度计算函数计算所述初始种群的适应度值；并根据所述初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
5.根据权利要求4所述的方法，其特征在于，所述根据所述配送任务数据、所述配送总成本函数以及所述顾客满意度计算函数计算所述初始种群的适应度值；并根据所述初始种群的适应度值、且基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解包括：
根据所述配送任务数据、所述配送总成本函数以及所述顾客满意度计算函数计算所述初始种群的适应度值；
对所述初始种群中染色体进行选择、交叉以及变异，得到子代种群；
采用LNS算法在所述子代种群中选取部分染色体逐一进行大邻域搜索优化，以增强种群；
合并增强后的所述子代种群以及所述初始种群，得到新种群；
根据所述初始种群的适应度值，计算新种群的双目标适应度值；
根据所述新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前预设部分的染色体得到新的下一代种群；
将下一代的父代种群更新为所述新种群，返回所述初始化NSGA-II的种群，得到初始种群的步骤，直至达到最大迭代次数，得到pareto解集。
6.根据权利要求5所述的方法，其特征在于，所述采用LNS算法在所述子代种群中选取部分染色体逐一进行大邻域搜索优化，以增强种群包括：
在所述子代种群中随机选择选取单个染色体，得到初始染色体；
以所述初始染色体为当前解；
根据所述配送总成本函数以及所述顾客满意度计算函数，计算所述当前解的成本维度适应度值以及顾客满意度维度适应度值；
若当前迭代次数小于LNS最大迭代次数，则对所述当前解进行破坏，得到破坏解，计算所述破坏解的成本维度适应度值以及顾客满意度维度适应度值、并对所述破坏解进行修复，得到修复解；
判断是否所述破坏解的成本维度适应度值小于所述当前解的成本维度值、且所述破坏解的顾客满意度维度适应度值大于所述当前解的顾客满意度维度适应度值；
若是，则将所述破坏解重新作为当前解、并LNS迭代次数加1；若否，则LNS迭代次数加1；
返回所述若当前迭代次数小于LNS最大迭代次数，则对所述当前解进行破坏的步骤，直至当前迭代次数不小于LNS算法的最大迭代次数，则选取所述子代种群中所述初始染色体的下一个染色体；
将所述下一个染色体重新作为所述初始染色体，返回所述以所述初始染色体为当前解的步骤，以增强种群。
7.根据权利要求5所述的方法，其特征在于，所述根据所述新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度，保留前预设部分的染色体得到新的下一代种群包括：
根据所述新种群的双目标适应度值进行非支配排序，计算每条染色体的拥挤度；
根据每条染色体的拥挤度，保留前50%的染色体作为新的下一代种群。
8.一种绿色车辆路径问题求解装置，其特征在于，所述装置包括：
碳排放模型获取模块，用于获取考虑时变速度和实时载重的车辆油耗和碳排放测度模型，所述考虑时变速度和实时载重的车辆油耗和碳排放测度模型基于城市交通路网的时变特性数据生成；
双目标TDGVRPPD模型构建模块，用于获取配送任务对应的容量、时间窗以及同时取送货约束条件，基于所述配送任务对应的容量、时间窗以及同时取送货约束条件、与所述车辆油耗和碳排放测度模型，以配送总成本最小化和顾客满意度最大化为优化目标，构建双目标TDGVRPPD模型；
求解模块，用于基于大邻域搜索和NSGA-II的混合算法对所述双目标TDGVRPPD模型进行求解。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其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执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310475614.4A 2023-04-28 2023-04-28 绿色车辆路径问题求解方法、装置、计算机设备以及介质 Active CN116187896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310475614.4A CN116187896B (zh) 2023-04-28 2023-04-28 绿色车辆路径问题求解方法、装置、计算机设备以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310475614.4A CN116187896B (zh) 2023-04-28 2023-04-28 绿色车辆路径问题求解方法、装置、计算机设备以及介质

Publications (2)

Publication Number Publication Date
CN116187896A true CN116187896A (zh) 2023-05-30
CN116187896B CN116187896B (zh) 2023-07-14

Family

ID=86452763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310475614.4A Active CN116187896B (zh) 2023-04-28 2023-04-28 绿色车辆路径问题求解方法、装置、计算机设备以及介质

Country Status (1)

Country Link
CN (1) CN116187896B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116358593A (zh) * 2023-06-01 2023-06-30 湖南工商大学 考虑非线性能耗的电动车辆路径规划方法、装置和设备
CN116703291A (zh) * 2023-06-15 2023-09-05 北京化工大学 一种混合能源车队配送路径优化方法
CN116976781A (zh) * 2023-06-09 2023-10-31 湖南工商大学 时间位置依赖型多目标绿色车辆路径问题求解方法与装置
CN117494921A (zh) * 2023-12-29 2024-02-02 湖南工商大学 一种多目标类型的路径模型求解方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909228A (zh) * 2017-12-23 2018-04-13 深圳大学 基于模因计算的动态车辆收发货路径规划方法及装置
US20190188807A1 (en) * 2016-12-14 2019-06-20 Komatsu Ltd. Transporter vehicle management system and transporter vehicle management method
US20200292340A1 (en) * 2018-02-06 2020-09-17 Tencent Technology (Shenzhen) Company Limited Robot running path, generation method, computing device and storage medium
CN111967668A (zh) * 2020-08-17 2020-11-20 安徽理工大学 一种基于改进蚁群算法的冷链物流路径优化方法
CN112462803A (zh) * 2020-11-27 2021-03-09 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法
CN113570112A (zh) * 2021-06-30 2021-10-29 南京理工大学 求解考虑合作的带时间窗的车辆路径问题的优化算法
US20230069913A1 (en) * 2021-09-09 2023-03-09 International Business Machines Corporation Multi-objective machine learning with model and hyperparameter optimization fusion
CN115907258A (zh) * 2022-12-01 2023-04-04 湖南工商大学 一种基于环境与成本兼顾视角下的gvrptw-mdhv优化调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190188807A1 (en) * 2016-12-14 2019-06-20 Komatsu Ltd. Transporter vehicle management system and transporter vehicle management method
CN107909228A (zh) * 2017-12-23 2018-04-13 深圳大学 基于模因计算的动态车辆收发货路径规划方法及装置
US20200292340A1 (en) * 2018-02-06 2020-09-17 Tencent Technology (Shenzhen) Company Limited Robot running path, generation method, computing device and storage medium
CN111967668A (zh) * 2020-08-17 2020-11-20 安徽理工大学 一种基于改进蚁群算法的冷链物流路径优化方法
CN112462803A (zh) * 2020-11-27 2021-03-09 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法
CN113570112A (zh) * 2021-06-30 2021-10-29 南京理工大学 求解考虑合作的带时间窗的车辆路径问题的优化算法
US20230069913A1 (en) * 2021-09-09 2023-03-09 International Business Machines Corporation Multi-objective machine learning with model and hyperparameter optimization fusion
CN115907258A (zh) * 2022-12-01 2023-04-04 湖南工商大学 一种基于环境与成本兼顾视角下的gvrptw-mdhv优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HONGTAO WANG: "Pareto Optimization of Power System Reconstruction Using NSGA-II algorithm", 《IEEE 2010 ASIA-PACIFIC POWER AND ENERGY ENGINEERING CONFERENCE》, pages 1 - 5 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116358593A (zh) * 2023-06-01 2023-06-30 湖南工商大学 考虑非线性能耗的电动车辆路径规划方法、装置和设备
CN116358593B (zh) * 2023-06-01 2023-08-22 湖南工商大学 考虑非线性能耗的电动车辆路径规划方法、装置和设备
CN116976781A (zh) * 2023-06-09 2023-10-31 湖南工商大学 时间位置依赖型多目标绿色车辆路径问题求解方法与装置
CN116703291A (zh) * 2023-06-15 2023-09-05 北京化工大学 一种混合能源车队配送路径优化方法
CN116703291B (zh) * 2023-06-15 2024-01-05 北京化工大学 一种混合能源车队配送路径优化方法
CN117494921A (zh) * 2023-12-29 2024-02-02 湖南工商大学 一种多目标类型的路径模型求解方法及装置
CN117494921B (zh) * 2023-12-29 2024-04-12 湖南工商大学 一种多目标类型的路径模型求解方法及装置

Also Published As

Publication number Publication date
CN116187896B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN116187896B (zh) 绿色车辆路径问题求解方法、装置、计算机设备以及介质
CN113393040B (zh) 一种基于博弈论的工业园区物流调度方法及系统
Cheung et al. Dynamic routing model and solution methods for fleet management with mobile technologies
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN110619441A (zh) 基于领导者的ga-pso的软时间窗车辆路径优化方法
Chen et al. The location-routing problem with full truckloads in low-carbon supply chain network designing
Li et al. Deploying autonomous mobile lockers in a two-echelon parcel operation
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
Wang et al. Design and profit allocation in two-echelon heterogeneous cooperative logistics network optimization
Gu et al. Dynamic truck–drone routing problem for scheduled deliveries and on-demand pickups with time-related constraints
KR102624441B1 (ko) 물류를 위한 경로 정보를 제공하는 서버, 방법 및 컴퓨터 프로그램
Zhang et al. Relocation-related problems in vehicle sharing systems: A literature review
CN112183838B (zh) 一种基于多约束修正c-w算法优化解决智能无人车路径规划问题的方法
Fallah et al. A green competitive vehicle routing problem under uncertainty solved by an improved differential evolution algorithm
CN116358593B (zh) 考虑非线性能耗的电动车辆路径规划方法、装置和设备
Wang et al. Optimization of distribution path considering cost and customer satisfaction under new retail modes
Zheng Solving vehicle routing problem: A big data analytic approach
Jun et al. Evolutionary neural network for learning of scalable heuristics for pickup and delivery problems with time windows
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
CN115062868B (zh) 一种预聚类的车辆配送路径规划方法和装置
An et al. An auxiliary model of intelligent logistics distribution management for manufacturing industry based on refined supply chain
CN111178596A (zh) 一种物流配送路线规划方法、装置及存储介质
Tunga et al. A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm
Ibrahim et al. An improved ant colony optimization algorithm for vehicle routing problem with time windows
CN116976781A (zh) 时间位置依赖型多目标绿色车辆路径问题求解方法与装置

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
GR01 Patent grant
GR01 Patent grant