CN116415884A - 一种面向烟草工业的车辆调度及路径规划方法和系统 - Google Patents
一种面向烟草工业的车辆调度及路径规划方法和系统 Download PDFInfo
- Publication number
- CN116415884A CN116415884A CN202310382111.2A CN202310382111A CN116415884A CN 116415884 A CN116415884 A CN 116415884A CN 202310382111 A CN202310382111 A CN 202310382111A CN 116415884 A CN116415884 A CN 116415884A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- function
- carbon emission
- logistics
- path planning
- 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 67
- 238000013439 planning Methods 0.000 title claims abstract description 53
- 241000208125 Nicotiana Species 0.000 title claims abstract description 25
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 25
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 111
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 111
- 230000006870 function Effects 0.000 claims description 136
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 230000003111 delayed effect Effects 0.000 claims description 9
- 238000012384 transportation and delivery Methods 0.000 description 55
- 241000257303 Hymenoptera Species 0.000 description 15
- 239000003016 pheromone Substances 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 230000007704 transition Effects 0.000 description 4
- 235000019801 trisodium phosphate Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003620 semiochemical Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向烟草工业的车辆调度及路径规划方法和系统。其中,方法包括:构建物流调度总成本函数;构建物流运输活动中运输车辆所产生的总碳排放量函数;应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。本发明提出的方案能够最大限度上避免迂回运输所造成的额外运营成本,确保车辆装卸货流程合理可控,有效改善综合业务能力,提升协同管控水平。
Description
技术领域
本发明涉及卷烟技术领域,更具体地,涉及一种面向烟草工业的车辆调度及路径规划方法和系统。
背景技术
由于烟草生产规模的限制,从物流的角度来看,如何降低成本和提高生产效率显得非常重要。因此,在烟草物流中,如何进行合理的路线规划是一个十分重要的课题。国区域间的物流调度系统已经比较成熟,而在区域内的大型仓储系统的调度过程中,一般采用自动作业车代替人工完成车间物流调度的技术相对成熟。
其中,采用自动作业车进行运输可以减少工人劳动强度,降低企业人力成本,提升车间生产效率。在物流调度过程中,自动作业车根据具体的调度需求来完成运输任务。作业车输送效率会影响设备利用率,同时其路径规划的复杂度受作业单元布局的拓扑结构影响。目前,现有的自动作业车物流调度中很少考虑自动作业车物流调度中的耗能问题。
因此,如何提供一种面向烟草工业的车辆调度及路径规划方法和系统成为本领域亟需解决的技术难题。
发明内容
本发明的目的是提供一种面向烟草工业的车辆调度及路径规划方法和系统。
本发明第一方面公开了一种面向烟草工业的车辆调度及路径规划方法;所述方法包括:
步骤S1、构建物流调度总成本函数;
步骤S2、构建物流运输活动中运输车辆所产生的总碳排放量函数;
步骤S3、应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;
步骤S4、应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
根据本发明第一方面的方法,在所述步骤S1中,所述构建物流调度总成本函数的方法包括:
应用所用车辆的固定成、所用车辆的行驶距离成本、所用车辆的行驶时间成本和所用车辆的点位费成本构建物流调度总成本函数。
根据本发明第一方面的方法,在所述步骤S1中,所述物流调度总成本函数的公式为:
其中,C为物流调度总成本函数,min[·]求最小值函数。
根据本发明第一方面的方法,在所述步骤S2中,构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的路况,构建物流运输活动中运输车辆所产生的总碳排放量函数。
根据本发明第一方面的方法,在所述步骤S2中,所述根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的道路状况,构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
应用车辆行驶的距离除以车辆行驶的平均速度,再乘以车辆在所述平均速度下行驶的碳排放系数,得到平均速度下的碳排放量;
应用车辆等待所耽搁的时间乘以车辆等待时间对应的碳排放系数,得到等待时间的碳排放量;
应用车辆行驶的道路状况乘以因道路原因增加的碳排放系数,得到道路状况的碳排放量;
应用车辆行驶的空载路程乘以空载路程对应的碳排放系数,得到空载路程的碳排放量;
根据所述平均速度下的碳排放量、等待时间的碳排放量、道路状况的碳排放量和空载路程的碳排放量,构建物流运输活动中运输车辆所产生的总碳排放量函数。
根据本发明第一方面的方法,在所述步骤S2中,所述总碳排放量函数的公式为:
其中,f为总碳排放量函数,min[·]求最小值函数。
根据本发明第一方面的方法,在所述步骤S3中,所述应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数的方法包括:
对所述物流调度总成本函数和所述总碳排放量函数进行加权和,得到车辆调度及路径规划的目标函数;
所述车辆调度及路径规划的目标函数的公式为:
Z=w1×C+w2×f
其中,C为物流调度总成本函数,f为总碳排放量函数,w1为物流调度总成本函数的权重系数,w2为总碳排放量函数的权重系数。
本发明第二方面公开了一种面向烟草工业的车辆调度及路径规划系统;所述系统包括:
第一处理模块,被配置为,构建物流调度总成本函数;
第二处理模块,被配置为,构建物流运输活动中运输车辆所产生的总碳排放量函数;
第三处理模块,被配置为,应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;
第四处理模块,被配置为,应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种面向烟草工业的车辆调度及路径规划方法中的步骤。
本发明第四方面公开了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,计算机程序被处理器执行时,实现本公开第一方面中任一项的一种面向烟草工业的车辆调度及路径规划方法中的步骤。
根据本发明公开的技术内容,具有如下有益效果:最大限度上避免迂回运输所造成的额外运营成本,确保车辆装卸货流程合理可控,有效改善综合业务能力,提升协同管控水平。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1为根据实施例提供的一种面向烟草工业的车辆调度及路径规划方法的流程图。
图2为根据本发明实施例的一种面向烟草工业的车辆调度及路径规划系统的结构图;
图3为根据本发明实施例的一种电子设备的结构图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
实施例1:
本发明公开了一种面向烟草工业的车辆调度及路径规划方法。图1为根据本发明实施例的一种面向烟草工业的车辆调度及路径规划方法的流程图,如图1所示,所述方法包括:
步骤S1、构建物流调度总成本函数;
步骤S2、构建物流运输活动中运输车辆所产生的总碳排放量函数;
步骤S3、应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;
步骤S4、应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
在步骤S1,构建物流调度总成本函数。
在一些实施例中,在所述步骤S1中,所述构建物流调度总成本函数的方法包括:
应用所用车辆的固定成、所用车辆的行驶距离成本、所用车辆的行驶时间成本和所用车辆的点位费成本构建物流调度总成本函数。
所述物流调度总成本函数的公式为:
其中,C为物流调度总成本函数,min[·]求最小值函数。
具体地,
在步骤S2,构建物流运输活动中运输车辆所产生的总碳排放量函数。
在一些实施例中,在所述步骤S2中,所述构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的路况,构建物流运输活动中运输车辆所产生的总碳排放量函数。
所述根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的道路状况,构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
应用车辆行驶的距离除以车辆行驶的平均速度,再乘以车辆在所述平均速度下行驶的碳排放系数,得到平均速度下的碳排放量;
应用车辆等待所耽搁的时间乘以车辆等待时间对应的碳排放系数,得到等待时间的碳排放量;
应用车辆行驶的道路状况乘以所述道路状况对应的碳排放系数,得到道路状况的碳排放量;
应用车辆行驶的空载路程乘以空载路程对应的碳排放系数,得到空载路程的碳排放量;
根据所述平均速度下的碳排放量、等待时间的碳排放量、道路状况的碳排放量和空载路程的碳排放量,构建物流运输活动中运输车辆所产生的总碳排放量函数。
所述总碳排放量函数的公式为:
其中,f为总碳排放量函数,min[·]求最小值函数。
具体地,
其中,dij表示i点和j点之间的距离,表示k种类型的车辆在i点和j点之间行驶的平均速度,/>表示车辆在速度/>下行驶的碳排放系数,Tij表示因交通信号灯等因素在i点和j点之间耽搁的时间,δT表示Tij对应的碳排放系数,Rij表示i点和j点之间的道路状况,δR表示因道路原因增加的碳排放系数,d0表示配送完最后一个客户返回发货仓库的空载路程,δ0表示空载对应的碳排放系数。
在步骤S3,应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
在一些实施例中,在所述步骤S3中,所述应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数的方法包括:
对所述物流调度总成本函数和所述总碳排放量函数进行加权和,得到车辆调度及路径规划的目标函数;
所述车辆调度及路径规划的目标函数的公式为:
Z=w1×C+w2×f
其中,C为物流调度总成本函数,f为总碳排放量函数,w1为物流调度总成本函数的权重系数,w2为总碳排放量函数的权重系数。
具体地,约束条件
其中,公式(1)为配送车辆行驶里程约束;公式(2)为配送车辆载重约束;公式(3)为配送车辆容积约束;公式(4)-(5)表示的是货物是否被转运,公式(4)表示货物不经转运到达配送点,公式(5)表示货物经转运到达配送点;公式(6)说明配送车辆在配送过程中,每个配送点最多服务卸货一次,不可车辆重复到达同一配送点就行卸货服务,即每辆车仅服务配送点一次;公式(7)说明配送车辆从发货仓库出发,整条路径上的客户点都完成配送之后返回发货仓库;公式(8)说明配送车辆从节点i到节点j的行驶时间等于节点i和节点j之间的距离与配送车辆行驶速度的比值;公式(9)说明所有配送车辆在配送过程中的行驶时间是连续的;公式(10)说明配送车辆第k种型号的第l辆车对客户i的开始服务时间必须在客户i的左右时间窗之间;公式(11)说明配送车辆第k种型号的第l辆车对从发货仓库出发的时间(返回发货仓库的时间)必须在发货仓库的左右时间窗之间。
以上公式中的符号的含义如下表所示
在步骤S4,应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
具体地,通过模拟自然界中蚂蚁集体寻径行为而提出的一种基于种群的启发式随机搜索算法——蚁群算法。蚁群算法的信息交互主要是通过信息素来完成的。蚂蚁在运动过程中,能够感知这种物质的存在和强度。初始阶段,环境中没有信息素的遗留,蚂蚁寻找事物完全是随机选择路径,随后寻找该事物源的过程中就会受到先前蚂蚁所残留的信息素的影响,其表现为蚂蚁在选择路径时趋向于选择信息素浓度高的路径。在tsp中可以模拟蚂蚁在两两城市之间所留下信息素,来搜索最短路径。为了能够清楚地表达基本蚁群算法的数学模型,通常借助经典的对称TSP对其进行描述。
蚂蚁k(k=1,2,…,m)在运动过程中,根据各条路径上的信息量及路径的启发信息来计算状态转移概率。pij k(t)表示在t时刻蚂蚁k由元素(城市)i转移到元素(城市)j的状态转移概率。
式中,α为信息启发式因子,表示轨迹的相对重要性;β为期望启发式因子,表示能见度的相对重要性;ηij(t)为启发函数,其表达式如下,
ηij(t)=1/dij
式中dij表示相邻2个城市之间的距离。该启发函数表示蚂蚁从元素i转移到元素j的期望程度。为了避免残留信息素过多引起残留信息淹没启发信息,在每只蚂蚁走完一步或者完成对所有n个元素的遍历后,要对残留信息进行更新处理。由此,t+n时刻在路径(i,j)上的信息量可按如下规则进行调整。
τij(t+n)=(1-ρ)τij(t)+Δτij(t)
式中,ρ表示信息素挥发系数;Δτij(t)表示本次循环中路径(i,j)上的信息素增量,Δτij k(t)表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息量。根据信息素更新策略的不同,M.Dorigo曾提出3种不同的基本蚁群算法模型,即Ant-Cycle模型、Ant-Quantity模型及Ant-Density模型,其差别在于Δτij k(t)求法的不同。其中Ant-Quantity模型和Ant-Density模型利用的是局部信息;而Ant-Cycle模型利用的是整体信息,在求解TSP时性能较好,因此通常采用Ant-Cycle模型作为蚁群算法的基本模型。
综上,本发明提出的方案能够最大限度上避免迂回运输所造成的额外运营成本,确保车辆装卸货流程合理可控,有效改善综合业务能力,提升协同管控水平。
实施例2:
本发明公开了一种面向烟草工业的车辆调度及路径规划系统。图2为根据本发明实施例的一种面向烟草工业的车辆调度及路径规划系统的结构图;如图2所示,所述系统100包括:
第一处理模块101,被配置为,构建物流调度总成本函数;
第二处理模块102,被配置为,构建物流运输活动中运输车辆所产生的总碳排放量函数;
第三处理模块103,被配置为,应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;
第四处理模块104,被配置为,应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
根据本发明第二方面的系统,所述第一处理模块101具体被配置为,所述构建物流调度总成本函数的方法包括:
应用所用车辆的固定成、所用车辆的行驶距离成本、所用车辆的行驶时间成本和所用车辆的点位费成本构建物流调度总成本函数。
所述物流调度总成本函数的公式为:
其中,C为物流调度总成本函数,min[·]求最小值函数。
具体地,
根据本发明第二方面的系统,所述第二处理模块102具体被配置为,所述构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的路况,构建物流运输活动中运输车辆所产生的总碳排放量函数。
所述根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的道路状况,构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
应用车辆行驶的距离除以车辆行驶的平均速度,再乘以车辆在所述平均速度下行驶的碳排放系数,得到平均速度下的碳排放量;
应用车辆等待所耽搁的时间乘以车辆等待时间对应的碳排放系数,得到等待时间的碳排放量;
应用车辆行驶的道路状况乘以所述道路状况对应的碳排放系数,得到道路状况的碳排放量;
应用车辆行驶的空载路程乘以空载路程对应的碳排放系数,得到空载路程的碳排放量;
根据所述平均速度下的碳排放量、等待时间的碳排放量、道路状况的碳排放量和空载路程的碳排放量,构建物流运输活动中运输车辆所产生的总碳排放量函数。
所述总碳排放量函数的公式为:
其中,f为总碳排放量函数,min[·]求最小值函数。
具体地,
其中,dij表示i点和j点之间的距离,表示k种类型的车辆在i点和j点之间行驶的平均速度,/>表示车辆在速度/>下行驶的碳排放系数,Tij表示因交通信号灯等因素在i点和j点之间耽搁的时间,δT表示Tij对应的碳排放系数,Rij表示i点和j点之间的道路状况,δR表示因道路原因增加的碳排放系数,d0表示配送完最后一个客户返回发货仓库的空载路程,δ0表示空载对应的碳排放系数。
根据本发明第二方面的系统,所述第三处理模块103具体被配置为,所述应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数的方法包括:
对所述物流调度总成本函数和所述总碳排放量函数进行加权和,得到车辆调度及路径规划的目标函数;
所述车辆调度及路径规划的目标函数的公式为:
Z=w1×C+w2×f
其中,C为物流调度总成本函数,f为总碳排放量函数,w1为物流调度总成本函数的权重系数,w2为总碳排放量函数的权重系数。
具体地,约束条件
其中,公式(1)为配送车辆行驶里程约束;公式(2)为配送车辆载重约束;公式(3)为配送车辆容积约束;公式(4)-(5)表示的是货物是否被转运,公式(4)表示货物不经转运到达配送点,公式(5)表示货物经转运到达配送点;公式(6)说明配送车辆在配送过程中,每个配送点最多服务卸货一次,不可车辆重复到达同一配送点就行卸货服务,即每辆车仅服务配送点一次;公式(7)说明配送车辆从发货仓库出发,整条路径上的客户点都完成配送之后返回发货仓库;公式(8)说明配送车辆从节点i到节点j的行驶时间等于节点i和节点j之间的距离与配送车辆行驶速度的比值;公式(9)说明所有配送车辆在配送过程中的行驶时间是连续的;公式(10)说明配送车辆第k种型号的第l辆车对客户i的开始服务时间必须在客户i的左右时间窗之间;公式(11)说明配送车辆第k种型号的第l辆车对从发货仓库出发的时间(返回发货仓库的时间)必须在发货仓库的左右时间窗之间。
以上公式中的符号的含义如下表所示
根据本发明第二方面的系统,所述第四处理模块104具体被配置为,通过模拟自然界中蚂蚁集体寻径行为而提出的一种基于种群的启发式随机搜索算法——蚁群算法。蚁群算法的信息交互主要是通过信息素来完成的。蚂蚁在运动过程中,能够感知这种物质的存在和强度。初始阶段,环境中没有信息素的遗留,蚂蚁寻找事物完全是随机选择路径,随后寻找该事物源的过程中就会受到先前蚂蚁所残留的信息素的影响,其表现为蚂蚁在选择路径时趋向于选择信息素浓度高的路径。在tsp中可以模拟蚂蚁在两两城市之间所留下信息素,来搜索最短路径。为了能够清楚地表达基本蚁群算法的数学模型,通常借助经典的对称TSP对其进行描述。
蚂蚁k(k=1,2,...,m)在运动过程中,根据各条路径上的信息量及路径的启发信息来计算状态转移概率。ρij k(t)表示在t时刻蚂蚁k由元素(城市)i转移到元素(城市)j的状态转移概率。
式中,α为信息启发式因子,表示轨迹的相对重要性;β为期望启发式因子,表示能见度的相对重要性;ηij(t)为启发函数,其表达式如下,
ηij(t)=1/dij
式中dij表示相邻2个城市之间的距离。该启发函数表示蚂蚁从元素i转移到元素j的期望程度。为了避免残留信息素过多引起残留信息淹没启发信息,在每只蚂蚁走完一步或者完成对所有n个元素的遍历后,要对残留信息进行更新处理。由此,t+n时刻在路径(i,j)上的信息量可按如下规则进行调整。
式中,ρ表示信息素挥发系数;Δτij(t)表示本次循环中路径(i,j)上的信息素增量,Δτij k(t)表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息量。根据信息素更新策略的不同,M.Dorigo曾提出3种不同的基本蚁群算法模型,即Ant-Cycle模型、Ant-Quantity模型及Ant-Density模型,其差别在于Δτij k(t)求法的不同。其中Ant-Quantity模型和Ant-Density模型利用的是局部信息;而Ant-Cycle模型利用的是整体信息,在求解TSP时性能较好,因此通常采用Ant-Cycle模型作为蚁群算法的基本模型。
实施例3:
本发:公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开实施例1中任一项的一种面向烟草工业的车辆调度及路径规划方法中的步骤。
图3为根据本发明实施例的一种电子设备的结构图,如图3所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子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。
实施例4:
本发明公开了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,计算机程序被处理器执行时,实现本发明的实施例1中任一项的一种面向烟草工业的车辆调度及路径规划方法中的步骤。
请注意,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发明专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种面向烟草工业的车辆调度及路径规划方法,其特征在于,所述方法包括:
步骤S1、构建物流调度总成本函数;
步骤S2、构建物流运输活动中运输车辆所产生的总碳排放量函数;
步骤S3、应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;
步骤S4、应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
2.根据权利要求1所述的一种面向烟草工业的车辆调度及路径规划方法,其特征在于,在所述步骤S1中,所述构建物流调度总成本函数的方法包括:
应用所用车辆的固定成本、所用车辆的行驶距离成本、所用车辆的行驶时间成本和所用车辆的点位费成本构建物流调度总成本函数。
4.根据权利要求1所述的一种面向烟草工业的车辆调度及路径规划方法,其特征在于,在所述步骤S2中,构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的路况,构建物流运输活动中运输车辆所产生的总碳排放量函数。
5.根据权利要求4所述的一种面向烟草工业的车辆调度及路径规划方法,其特征在于,在所述步骤S2中,所述根据车辆行驶的平均速度、车辆等待所耽搁的时间和车辆行驶的道路状况,构建物流运输活动中运输车辆所产生的总碳排放量函数的方法包括:
应用车辆行驶的距离除以车辆行驶的平均速度,再乘以车辆在所述平均速度下行驶的碳排放系数,得到平均速度下的碳排放量;
应用车辆等待所耽搁的时间乘以车辆等待时间对应的碳排放系数,得到等待时间的碳排放量;
应用车辆行驶的道路状况乘以因道路原因增加的碳排放系数,得到道路状况的碳排放量;
应用车辆行驶的空载路程乘以空载路程对应的碳排放系数,得到空载路程的碳排放量;
根据所述平均速度下的碳排放量、等待时间的碳排放量、道路状况的碳排放量和空载路程的碳排放量,构建物流运输活动中运输车辆所产生的总碳排放量函数。
7.根据权利要求1所述的一种面向烟草工业的车辆调度及路径规划方法,其特征在于,在所述步骤S3中,所述应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数的方法包括:
对所述物流调度总成本函数和所述总碳排放量函数进行加权求和,得到车辆调度及路径规划的目标函数;
所述车辆调度及路径规划的目标函数的公式为:
Z=w1×C+w2×f
其中,C为物流调度总成本函数,f为总碳排放量函数,w1为物流调度总成本函数的权重系数,w2为总碳排放量函数的权重系数。
8.一种用于面向烟草工业的车辆调度及路径规划系统,其特征在于,所述系统包括:
第一处理模块,被配置为,构建物流调度总成本函数;
第二处理模块,被配置为,构建物流运输活动中运输车辆所产生的总碳排放量函数;
第三处理模块,被配置为,应用所述物流调度总成本函数和所述总碳排放量函数,构建车辆调度及路径规划的目标函数;
第四处理模块,被配置为,应用蚁群算法求解所述车辆调度及路径规划的目标函数,得到车辆行驶的最优路径。
9.一种电子设备,其特征在于,所述电子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,实现权利要求1至7中任一项所述的一种面向烟草工业的车辆调度及路径规划方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至7中任一项所述的一种面向烟草工业的车辆调度及路径规划方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382111.2A CN116415884A (zh) | 2023-04-11 | 2023-04-11 | 一种面向烟草工业的车辆调度及路径规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382111.2A CN116415884A (zh) | 2023-04-11 | 2023-04-11 | 一种面向烟草工业的车辆调度及路径规划方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415884A true CN116415884A (zh) | 2023-07-11 |
Family
ID=87050990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310382111.2A Pending CN116415884A (zh) | 2023-04-11 | 2023-04-11 | 一种面向烟草工业的车辆调度及路径规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415884A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378506A (zh) * | 2019-05-08 | 2019-10-25 | 上海大学 | 车辆碳排放量规划方法、装置、电子设备和存储介质 |
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 |
CN112686458A (zh) * | 2021-01-05 | 2021-04-20 | 昆明理工大学 | 一种多车型车队配送货过程的优化调度方法 |
CN113343575A (zh) * | 2021-06-21 | 2021-09-03 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
WO2022188388A1 (zh) * | 2021-03-11 | 2022-09-15 | 华南理工大学 | 基于蚁群优化算法的智慧城市动态冷链物流调度方法 |
CN115759917A (zh) * | 2022-12-05 | 2023-03-07 | 重庆邮电大学 | 一种基于改进混合蚁群算法的物流路径规划方法 |
-
2023
- 2023-04-11 CN CN202310382111.2A patent/CN116415884A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378506A (zh) * | 2019-05-08 | 2019-10-25 | 上海大学 | 车辆碳排放量规划方法、装置、电子设备和存储介质 |
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 |
CN112686458A (zh) * | 2021-01-05 | 2021-04-20 | 昆明理工大学 | 一种多车型车队配送货过程的优化调度方法 |
WO2022188388A1 (zh) * | 2021-03-11 | 2022-09-15 | 华南理工大学 | 基于蚁群优化算法的智慧城市动态冷链物流调度方法 |
CN113343575A (zh) * | 2021-06-21 | 2021-09-03 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
CN115759917A (zh) * | 2022-12-05 | 2023-03-07 | 重庆邮电大学 | 一种基于改进混合蚁群算法的物流路径规划方法 |
Non-Patent Citations (3)
Title |
---|
欧阳世波: "供应链系统下的成品卷烟物流调度研究规划", 《物流技术》, vol. 42, no. 2, pages 128 - 134 * |
罗梓?;刘学文;: "基于蚁群算法的物流配送路径优化研究", 重庆工商大学学报(自然科学版), no. 04 * |
老马的程序人生: "蚁群优化算法", 《微信公众平台》, pages 2 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kitjacharoenchai et al. | Multiple traveling salesman problem with drones: Mathematical model and heuristic approach | |
CN107977739B (zh) | 物流配送路径的优化方法、装置及设备 | |
US10655975B2 (en) | System and method for routing optimization | |
Ostermeier et al. | Cost‐optimal truck‐and‐robot routing for last‐mile delivery | |
CN107038496B (zh) | 一种无人机快递自动投送路径规划方法及系统 | |
US8738289B2 (en) | Advanced routing of vehicle fleets | |
CN107194656A (zh) | 一种基于标准箱订单的配送路径的规划方法及装置 | |
CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
Cai et al. | A hybrid adaptive large neighborhood search and tabu search algorithm for the electric vehicle relocation problem | |
Wei et al. | Optimal integrated model for feeder transit route design and frequency‐setting problem with stop selection | |
Inturri et al. | Testing demand responsive shared transport services via agent-based simulations | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、系统、设备及存储介质 | |
CN106295864A (zh) | 一种求解单配送中心物流运输调度问题的方法 | |
Jiang et al. | A multi-visit flexible-docking vehicle routing problem with drones for simultaneous pickup and delivery services | |
Montaña et al. | A novel mathematical approach for the Truck-and-Drone Location-Routing Problem | |
Mao et al. | The importance of public support in the implementation of green transportation in the smart cities | |
Ren et al. | A dynamic routing optimization problem considering joint delivery of passengers and parcels | |
Cheng et al. | An adaptive large neighborhood search metaheuristic for a passenger and parcel share-a-ride problem with drones | |
Liu et al. | Heuristic approach for the multiobjective optimization of the customized bus scheduling problem | |
CN116415884A (zh) | 一种面向烟草工业的车辆调度及路径规划方法和系统 | |
Jin et al. | A simulation framework for the rebalancing and maintenance of bicycle-sharing systems | |
Fang et al. | A multi-criteria system for recommending taxi routes with an advance reservation | |
Kim et al. | Optimal Rebalancing Strategy for Shared e-Scooter Using Genetic Algorithm | |
Wang et al. | Environmental cold chain distribution center location model in the semiconductor supply chain: A hybrid arithmetic whale optimization algorithm | |
Gu et al. | Optimization of hybrid delivery by vehicle and drones |
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 |