CN116502989B - 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 - Google Patents

一种基于混合平衡优化算法的冷链物流车辆路径优化方法 Download PDF

Info

Publication number
CN116502989B
CN116502989B CN202310762640.5A CN202310762640A CN116502989B CN 116502989 B CN116502989 B CN 116502989B CN 202310762640 A CN202310762640 A CN 202310762640A CN 116502989 B CN116502989 B CN 116502989B
Authority
CN
China
Prior art keywords
representing
refrigerated
formula
balance
chain logistics
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.)
Active
Application number
CN202310762640.5A
Other languages
English (en)
Other versions
CN116502989A (zh
Inventor
谢贻富
张少华
李海松
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.)
Hefei City Cloud Data Center Co ltd
Original Assignee
Hefei City Cloud Data Center Co ltd
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 Hefei City Cloud Data Center Co ltd filed Critical Hefei City Cloud Data Center Co ltd
Priority to CN202310762640.5A priority Critical patent/CN116502989B/zh
Publication of CN116502989A publication Critical patent/CN116502989A/zh
Application granted granted Critical
Publication of CN116502989B publication Critical patent/CN116502989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于混合平衡优化算法的冷链物流车辆路径优化方法，首先构建冷链物流车辆路径优化模型；提出混合平衡优化算法求解模型；其中，混合平衡优化算法包括：初始化种群及参数；计算个体适应度值并保存最优个体；根据平衡优化器算法更新个体；按照Metropolis准则决定是否接受更新；根据可变参数判断是否需要进一步更新，是则根据翻筋斗觅食策略更新个体，否则直接进入下一步；最后判断是否满足最大迭代次数的终止条件，是则输出最优解，否则继续迭代。本发明在平衡优化器算法中引入了Metropolis准则，加入了可变参数和翻筋斗觅食策略，提高了冷链物流车辆路径优化方法求解的质量，有效降低了冷链物流车辆配送的总成本。

Description

一种基于混合平衡优化算法的冷链物流车辆路径优化方法
技术领域
本发明涉及车辆路径规划技术领域，具体是一种基于混合平衡优化算法的冷链物流车辆路径优化方法。
背景技术
车辆路径问题（VRP）于1959年被Dantzig和Ramser首次提出，该问题旨在解决当一个配送中心向多个客户点配送其所需的货物时，如何在满足客户需求和其它约束的条件下，例如配送车辆的装载量不能大于车的最大容量等，达到成本最小、配送时间最短或路程最短等目标的问题。其中，每个客户点都有不同的货物需求量，可进行货物配送的车辆数依配送中心的情况而定，并且配送车辆均由配送中心出发，最后再返回配送中心。
现有常见的解决VRP问题的方法为采用基于物种行为和进化的元启发式算法，例如：Li等人（见文献Li Y, Lim M K, Tseng M L. A green vehicle routing model basedon modified particle swarm optimization for cold chain logistics[J].Industrial Management & Data Systems, 2019, 119(3): 473-494.）利用了基于智能优化算法的改进粒子群优化算法结合实际案例数据求解VRP问题、Liu等人（见文献Liu Y.Design of Dynamic Programming Model for Multi-Objective Cold Chain LogisticsDeployment Path Based on Meme Algorithm[J]. Iranian Journal of Science andTechnology, Transactions of Civil Engineering, 2021: 1-8.）提出了局部搜索效率较高的模因算法求解VRP问题、Yu等人（见文献Yu X, Chang D, Song X. Research onOptimization of Cold Chain Logistics Distribution Path Based on P Company[J].Academic Journal of Business & Management, 2020, 2(5): 102-113.）采用了混合粒子群算法求解VRP问题、任腾等人（见文献任腾, 罗天羽, 李姝萱, 等. 面向冷链物流配送路径优化的知识型蚁群算法[J]. 控制与决策, 2022, 37(03): 545-554.）利用融入了禁忌搜索算法和动态概率选择的蚁群算法研究最小化总成本的模型求解VRP问题。
平衡优化器算法（EO）由Afshin Faramarzi等人于2019年提出，与上述求解VRP问题的算法不同，它是一种基于物理模型的元启发式算法，目的是使得容积质量动态平衡，求得最优的平衡浓度,目前有效应用于基准函数和工程问题。在算法中，每一个粒子都对应着一个浓度，不同的粒子构成种群，初始种群随机产生，由前四项最优解及其平均值构成五个候选解，形成平衡状态池，后续粒子均根据平衡状态池中的候选解进行更新。
采用平衡优化器算法解决车辆路径问题时，虽然平衡优化器算法的前期收敛速度较快，在解决数据规模较大的实例时也有较快的计算速度，但在后期时粒子的更新均与候选解有关，因此该算法也具有全局搜索能力较差，容易陷入局部最优进而处于停滞状态的缺点。
发明内容
本发明要解决的技术问题是提供一种基于混合平衡优化算法的冷链物流车辆路径优化方法，解决使用现有的平衡优化器算法进行路径规划时容易陷入局部最优进而停滞的问题。
本发明的技术方案为：
一种基于混合平衡优化算法的冷链物流车辆路径优化方法，具体包括有以下步骤：
（1）、建立冷链物流车辆路径优化模型，具体见式（1）：
；
式（1）中，表示冷链物流车辆配送总成本最小的目标函数；/>表示启动一辆冷藏车所产生的固定成本；/>表示整个配送过程中所启动的冷藏车数量；/>表示配送中心及客户点集合，/>，其中的0代表配送中心，/>代表客户点集合；/>表示冷藏车集合，/>；/>表示一辆冷藏车行驶单位里程所需的油耗量；/>表示客户点/>和客户点/>之间的距离；/>的取值为1或0；/>表示单位时间内一辆冷藏车制冷所需的油耗量；表示冷藏车从客户点/>行驶到客户点/>所使用的时间；/>表示碳交易所实时碳交易价格；/>表示冷藏车单位油耗产生的碳排放量；/>表示冷藏车用油的单价；/>和/>分别表示冷藏车早到和迟到的惩罚函数系数；/>表示冷藏车到达客户点/>的时间；/>表示冷藏车到达客户点/>的时间比约定最早到达时间/>所提前的时间；/>表示冷藏车到达客户点/>的时间比约定最晚到达时间/>所延后的时间；
（2）、基于混合平衡优化算法求解冷链物流车辆路径优化模型：
S2.1、初始化种群及参数，种群中包含有P个个体；
S2.2、根据式（1）的目标函数结合所有个体的染色体编码计算种群中所有个体的适应度值；将最大适应度值/>保存为当前最大适应度值/>，并且将当前最大适应度值/>对应的个体的染色体编码保存为当前最优路径；比较全局最大适应度值/>和/>的大小，当大于/>，则令/>，全局最优路径，否则，/>和/>不变；
S2.3、利用混合平衡优化算法求解更新和/>：
S2.3.1、首先构建平衡状态池，并根据式（10）计算出指数项系数和质量生成速率/>，从而实现更新操作，式（10）为：
；
式（10）中，，/>，；/>和/>分别为控制全局搜索能力和局部寻优能力的系数，常取值为2和1；/>和/>是维度为N+K-1的向量，向量中的每个值的取值均为范围[0,1]中的一个随机数；/>和/>为当前迭代次数和最大迭代次数；/>是在平衡状态池中随机选出的一个染色体编码，平衡状态池中的每个染色体编码被选择的概率相等；/>为当前待更新的染色体编码；/>和/>为[0,1]之间的随机数；/>为生成概率；
平衡优化器算法的更新策略为式（11）：
（11）；
式（11）中，为常数，常取值为1；
S2.3.2、根据式（1）结合染色体编码计算对应的适应度值/>，根据Metropolis准则决定是否使用/>更新/>，并且是否使用对应的染色体编码更新/>；
S2.3.3、根据可变参数判断是否需要根据翻筋斗觅食策略进一步更新，即当大于/>时，则转至步骤S2.3.4，根据翻筋斗觅食策略进一步更新，否则，不根据翻筋斗觅食策略继续进一步更新，直接转至步骤S2.4；
S2.3.4、根据翻筋斗觅食策略继续更新种群中某些个体的染色体编码；其中的某些个体为符合步骤S2.3.3更新条件的个体；
S2.4、判断当前迭代次数是否不小于/>，是则输出对应的目标函数值和/>，流程结束，否则转至步骤S2.2，重复步骤S2.2和S2.3继续求解更新/>和/>。
所述的式（1）中的取值见式（2）：
。
所述的冷链物流车辆路径优化模型的约束条件，具体见式（3）-式（8）：
，
式（3）表示任何一个配送路线的总需求量都不大于冷藏车的满载量，表示冷藏车的最大装载量，/>表示客户点/>的配送量；
式（4）表示每个客户点都只被服务一次；
式（5）表示所有冷藏车的始点和终点都是配送中心；
式（6）和式（7）表示各客户点仅允许冷藏车出发一次和到达一次；
式（8）保证冷藏车配送过程连续；
式（3）-式（7）中，的取值为式（9）所示：
。
所述的初始化种群及参数的具体步骤为：
S2.1.1、设置种群的最大迭代次数为，设置种群中的个体数为/>，设置适应度值/>，设置全局最大适应度值/>；
S2.1.2、初始化种群：定义当前迭代次数为，并设置/>；在优化变量范围内随机初始化种群中每个个体的染色体编码，当有/>个客户点，并且配送中心的冷藏车数为/>时，所有个体的染色体长度均设置为/>；每个客户点无重复的对应于范围中的一个数字，配送中心由数字0表示，染色体的基因序列则由这些数字排序构成；在满足约束条件的情况下，每辆冷藏车配送过程对应的基因序列由冷藏车经过的客户点顺序构成，即每辆冷藏车所经过的客户点顺序构成一个基因序列，所有基因序列组合在一起，由配送中心对应的数字0隔开即构成一个染色体编码，其中每辆冷藏车经过几个客户点以及所经过的客户点顺序随机生成；如此重复/>次，即初始化种群中的P个个体。
所述的构建平衡状态池的具体步骤为：在计算出种群中所有个体的适应度值后，依据/>的值由大到小对个体的染色体编码进行排序，取前四个染色体编码以及它们的平均状态构成平衡状态池/>，平衡状态池的具体构成如下：
；
其中，、/>、/>和/>代表前四个染色体编码，/>代表这四个染色体编码的平均状态，平衡状态池中的每个染色体编码被选择的概率均为0.2。
所述的Metropolis准则的更新概率具体见式（12）：
；
式（12）中，表示更新的概率，/>表示/>，/> 表示更新后的适应度值/>，/>表示模拟退火算法里设置的温度，模拟退火算法为基于Metropolis准则的迭代优化算法。
所述的翻筋斗觅食策略具体见式（13）：
；
式（13）中，代表个体更新后的染色体编码；/>代表个体更新前的染色体编码；/>代表/>表示空翻因子，取值为2；/>和/>代表从范围[0,1]中随机取出的两个数；/>代表种群中的个体数；/>代表维度，取值为/>。
本发明的优点：
1、本发明提出的混合平衡优化算法，是通过改进现有的平衡优化器算法得到的一种算法，是一种基于物理模型的元启发式算法，使用混合平衡优化算法求解VRP问题，区别于求解VRP问题时常见的基于物种行为和进化的元启发式算法。
2、本发明的混合平衡优化算法中引入了Metropolis准则，对算法中解的更新规则进行了改进，减小了算法陷入局部最优的可能性，加入了翻筋斗觅食策略，提升了全局搜索能力，从而提高了算法的运行效率和求解精度，进而提高了算法的可用性和有效性。
3、本发明为了提升算法的平衡全局搜索和局部寻优的能力，在混合平衡优化算法中引入了可变参数，使混合平衡优化算法在求解冷链物流车辆路径优化模型时,可以获得较高质量的解，从而有效降低冷链物流车辆配送的总成本。
附图说明
图1是本发明混合平衡优化算法的流程图。
图2为本发明实施例中混合平衡优化算法与改进平衡优化器算法的收敛曲线比较图。
图3为本发明实施例中混合平衡优化算法、并行平衡优化算法、平衡优化器算法和知识型蚁群算法的收敛曲线比较图。
图4为本发明实施例中混合平衡优化算法与改进平衡优化器算法在Solomon数据集下的收敛曲线比较图。
图5为本发明实施例中混合平衡优化算法、并行平衡优化算法、平衡优化器算法和知识型蚁群算法在Solomon数据集下的收敛曲线比较图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
一种基于混合平衡优化算法的冷链物流车辆路径优化方法，具体包括有以下步骤：
（1）、建立冷链物流车辆路径优化模型，具体见式（1）：
；
式（1）中，表示冷链物流车辆配送总成本最小的目标函数；/>表示启动一辆冷藏车所产生的固定成本；/>表示整个配送过程中所启动的冷藏车数量；/>表示配送中心及客户点集合，/>，其中的0代表配送中心，/>代表客户点集合；/>表示冷藏车集合，/>；/>表示一辆冷藏车行驶单位里程所需的油耗量；/>表示客户点/>和客户点/>之间的距离；/>表示单位时间内一辆冷藏车制冷所需的油耗量；/>表示冷藏车从客户点/>行驶到客户点/>所使用的时间；/>表示碳交易所实时碳交易价格；/>表示冷藏车单位油耗产生的碳排放量；/>表示柴油单价；/>和/>分别表示冷藏车早到和迟到的惩罚函数系数；/>表示冷藏车到达客户点/>的时间；/>表示冷藏车到达客户点/>的时间比约定最早到达时间/>所提前的时间；/>表示冷藏车到达客户点/>的时间比约定最晚到达时间/>所延后的时间；/>的取值见式（2）：
；
冷链物流车辆路径优化模型的约束条件，具体见式（3）-式（8）：
，
式（3）表示任何一个配送路线的总需求量都不大于冷藏车的满载量，表示冷藏车的最大装载量，/>表示客户点/>的配送量；
式（4）表示每个客户点都只被服务一次；
式（5）表示所有冷藏车的始点和终点都是配送中心；
式（6）和式（7）表示各客户点仅允许冷藏车出发一次和到达一次；
式（8）保证冷藏车配送过程连续, 表示冷藏车到达客户点/>的时间；
式（3）-式（7）中，的取值为式（9）所示：
；
（2）、见图1，基于混合平衡优化算法求解冷链物流车辆路径优化模型：
S2.1、初始化种群及参数：
S2.1.1、设置种群的最大迭代次数为，设置种群中的个体数为/>，设置适应度值/>，设置全局最大适应度值/>；
S2.1.2、初始化种群：定义当前迭代次数为，并设置/>；在优化变量范围内随机初始化种群中每个个体的染色体编码，当有/>个客户点，并且配送中心的冷藏车数为/>时，所有个体的染色体长度均设置为/>；每个客户点无重复的对应于范围中的一个数字，配送中心由数字0表示，染色体的基因序列则由这些数字排序构成；在满足约束条件(式（3）-式（8）)的情况下，每辆冷藏车配送过程对应的基因序列由冷藏车经过的客户点顺序构成，即每辆冷藏车所经过的客户点顺序构成一个基因序列，所有基因序列组合在一起，由配送中心对应的数字0隔开即构成一个染色体编码，其中每辆冷藏车经过几个客户点以及所经过的客户点顺序随机生成；如此重复/>次，即初始化种群中的P个个体；
当，/>时，/>即可视为一个染色体编码，该染色体编码代表此次配送仅由四辆冷藏车完成，第一辆冷藏车的配送路线为：配送中心0-客户点1-客户点2-客户点3-配送中心0；第二辆冷藏车的配送路线为：配送中心0-客户点4-配送中心0；第三辆冷藏车的配送路线为：配送中心0-客户点5-配送中心0；第四辆冷藏车的配送路线为：配送中心0-客户点6-配送中心0；在混合平衡优化算法最后得到最优个体对应的染色体编码时，也按上述方法进行解码；
S2.2、根据式（1）的目标函数结合所有个体的染色体编码计算种群中所有个体的适应度值；将最大适应度值/>保存为当前最大适应度值/>，并且将当前最大适应度值/>对应的个体的染色体编码保存为当前最优路径；比较全局最大适应度值/>和/>的大小，当大于/>，则令/>，全局最优路径，否则，/>和/>不变；
S2.3、利用混合平衡优化算法求解更新和/>：
S2.3.1、首先构建平衡状态池：在计算出种群中所有个体的适应度值后，依据/>的值由大到小对个体的染色体编码进行排序，取前四个染色体编码以及它们的平均状态构成平衡状态池/>，平衡状态池的具体构成如下：
；
其中，、/>、/>和/>代表前四个染色体编码，/>代表这四个染色体编码的平均状态；
S2.3.2、根据指数项系数和质量生成速率/>结合构建的平衡状态池，再利用平衡优化器算法的更新策略即可对种群中个体的染色体编码进行更新，更新后将新的染色体编码代替上一代的染色体编码保存至种群，从而更新种群中全部的染色体编码，即视为完成一个迭代周期内根据平衡优化器算法更新个体的操作；指数项系数/>和质量生成速率/>的计算方式见式（10）：
；
式（10）中，，/>，；/>和/>分别为控制全局搜索能力和局部寻优能力的系数，常取值为2和1；/>和/>是维度为N+K-1的向量，向量中的每个值的取值均为范围[0,1]中的一个随机数；/>和/>为当前迭代次数和最大迭代次数；/>是在平衡状态池中随机选出的一个染色体编码，平衡状态池中的每个染色体编码被选择的概率相等，均为0.2；/>为当前待更新的染色体编码；/>和/>为[0,1]之间的随机数；/>为生成概率；
平衡优化器算法的更新策略为式（11）：
（11）；
式（11）中，为常数，常取值为1；
S2.3.3、根据式（1）结合染色体编码计算对应的适应度值/>，根据Metropolis准则决定是否使用/>更新/>，并且是否使用对应的染色体编码更新/>；Metropolis准则的更新概率具体见式（12）：
；
式（12）中，表示更新的概率，/>表示/>，/>表示更新后的适应度值/>，/>表示模拟退火算法里设置的温度，模拟退火算法为基于Metropolis准则的迭代优化算法；
S2.3.4、根据可变参数判断是否需要根据翻筋斗觅食策略进一步更新，即当大于/>时，则转至步骤S2.3.5，根据翻筋斗觅食策略进一步更新，否则，不根据翻筋斗觅食策略继续进一步更新，直接转至步骤S2.4；
S2.3.5、根据翻筋斗觅食策略继续更新种群中某些个体（符合大于/>）的染色体编码，翻筋斗觅食策略具体见式（13）：
；
式（13）中，代表个体更新后的染色体编码；/>代表个体更新前的染色体编码；/>代表/>表示空翻因子，取值为2；/>和/>代表从范围[0,1]中随机取出的两个数；/>代表种群中的个体数；/>代表维度，取值为/>；
S2.3.6、当某些个体的染色体编码全部按照步骤S2.3.5更新完毕后，转至步骤S2.4；
S2.4、判断当前迭代次数是否不小于/>，是则输出对应的目标函数值和/>，流程结束，否则转至步骤S2.2，重复步骤S2.2和S2.3继续求解更新/>和/>。
实施例：由一个配送中心向15个客户点配送其所需要的冷藏物资，具体位置及各客户点的需求量如表1所示。在此过程中，冷藏车从早晨8点开始向各客户点进行配送，冷藏车的行驶速度为40公里/小时，启动一辆冷藏车所产生的固定成本为200元，一辆冷藏车行驶单位里程所需油耗的费用为1.5元/公里，单位时间内一辆冷藏车制冷所需的油耗费用为0.5元/小时，柴油单价为8.18元/升，冷藏车单位油耗产生的碳排放量为0.0027吨/升，碳交易所实时碳交易价格为80元/吨，本实施例用最多载重3.7吨的冷藏车。要求合理安排冷藏车及其配送的行驶路线，使所有冷藏车的总成本最少。
表1 配送中心及客户点信息
本实施例实验在Matlab 2019b上进行编码，于Windows 10系统下操作完成。混合平衡优化算法中，初始种群的个体数设置为100，最大迭代次数设置为200，生成概率取值为0.5，冷藏车早到和迟到的惩罚函数系数分别设置为50元/小时和100元/小时。
为了确认混合平衡优化算法的有效性与性能，首先选择了与仅引用Metropolis准则的平衡优化器算法进行对比，在比较时将仅引用Metropolis准则的平衡优化器算法称为改进平衡优化器算法，其迭代趋势的结果如图2所示，由图2可知，本发明混合平衡优化算法相较于改进平衡优化器算法更不易进入停滞状态并且能够求解出更高质量的解，证明了本发明在平衡优化器算法中引入Metropolis准则之后，再引入可变参数和翻筋斗觅食策略的必要性。
将本发明的混合平衡优化算法与并行平衡优化算法、平衡优化器算法和知识型蚁群算法进行对比，其迭代趋势的结果如图3所示。由图3可知，混合平衡优化算法相比于其它三种算法收敛速度更快，并且能够计算出更加优秀的冷链物流车辆路径规划方案；同时，相较于其它三种算法，也更不易陷入局部最优。
本发明除在上述实施例下验证混合平衡优化算法的性能，还在Solomon数据集下进行了验证，Solomon数据集是一个比较经典的用于研究VRP相关问题的数据集，在进行验证时本发明选取了Solomon数据集c系列中的c108数据集，对比结果如图4和图5所示，由图4和图5可知，混合平衡优化算法跳出局部最优的能力和求解的质量优于其它四种算法，进一步证实了本发明的混合平衡优化算法的有效性。
综上，通过在不同的数据集上开展实验以及与其它四种算法进行对比，验证了本发明的可用性与性能。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于混合平衡优化算法的冷链物流车辆路径优化方法，其特征在于：具体包括有以下步骤：
（1）、建立冷链物流车辆路径优化模型，具体见式（1）：
;
式（1）中，表示冷链物流车辆配送总成本最小的目标函数；/>表示启动一辆冷藏车所产生的固定成本；/>表示整个配送过程中所启动的冷藏车数量；/>表示配送中心及客户点集合，/>，其中的0代表配送中心，/>代表客户点集合；/>表示冷藏车集合，/>；/>表示一辆冷藏车行驶单位里程所需的油耗量；/>表示客户点/>和客户点/>之间的距离；/>的取值为1或0；/>表示单位时间内一辆冷藏车制冷所需的油耗量；/>表示冷藏车从客户点/>行驶到客户点/>所使用的时间；/>表示碳交易所实时碳交易价格；/>表示冷藏车单位油耗产生的碳排放量；/>表示冷藏车用油的单价；/>和/>分别表示冷藏车早到和迟到的惩罚函数系数；/>表示冷藏车到达客户点/>的时间；/>表示冷藏车到达客户点/>的时间比约定最早到达时间/>所提前的时间；/>表示冷藏车到达客户点/>的时间比约定最晚到达时间/>所延后的时间；
（2）、基于混合平衡优化算法求解冷链物流车辆路径优化模型：
S2.1、初始化种群及参数，种群中包含有个个体；
S2.2、根据式（1）的目标函数结合所有个体的染色体编码计算种群中所有个体的适应度值；将最大适应度值/>保存为当前最大适应度值/>，并且将当前最大适应度值/>对应的个体的染色体编码保存为当前最优路径；比较全局最大适应度值/>和/>的大小，当大于/>，则令/>，全局最优路径，否则，/>和/>不变；
S2.3、利用混合平衡优化算法求解更新和/>：
S2.3.1、首先构建平衡状态池，并根据式（10）计算出指数项系数和质量生成速率/>，从而实现更新操作，式（10）为：
；
式（10）中，，/>，；/>和/>分别为控制全局搜索能力和局部寻优能力的系数，常取值为2和1；/>和/>是维度为/>的向量，向量中的每个值的取值均为范围[0,1]中的一个随机数；/>和/>为当前迭代次数和最大迭代次数；/>是在平衡状态池中随机选出的一个染色体编码，平衡状态池中的每个染色体编码被选择的概率相等；/>为当前待更新的染色体编码；/>和/>为[0,1]之间的随机数；/>为生成概率；
平衡优化器算法的更新策略为式（11）：
；
式（11）中，为常数，常取值为1；
S2.3.2、根据式（1）结合染色体编码计算对应的适应度值/>，根据Metropolis准则决定是否使用/>更新/>，并且是否使用对应的染色体编码更新/>；
S2.3.3、根据可变参数判断是否需要根据翻筋斗觅食策略进一步更新，即当大于/>时，则转至步骤S2.3.4，根据翻筋斗觅食策略进一步更新，否则，不根据翻筋斗觅食策略继续进一步更新，直接转至步骤S2.4；
S2.3.4、根据翻筋斗觅食策略继续更新种群中某些个体的染色体编码；其中的某些个体为符合步骤S2.3.3更新条件的个体；
所述的翻筋斗觅食策略具体见式（13）：
;
式（13）中，代表个体更新后的染色体编码；/>代表个体更新前的染色体编码；/>代表/>表示空翻因子，取值为2；/>和/>代表从范围[0,1]中随机取出的两个数；/>代表种群中的个体数；/>代表维度，取值为/>；
S2.4、判断当前迭代次数是否不小于/>，是则输出/>对应的目标函数值和/>，流程结束，否则转至步骤S2.2，重复步骤S2.2和S2.3继续求解更新/>和/>。
2.根据权利要求1所述的一种基于混合平衡优化算法的冷链物流车辆路径优化方法，其特征在于：所述的式（1）中的取值见式（2）：
。
3.根据权利要求2所述的一种基于混合平衡优化算法的冷链物流车辆路径优化方法，其特征在于：所述的冷链物流车辆路径优化模型的约束条件，具体见式（3）-式（8）：
;
式（3）表示任何一个配送路线的总需求量都不大于冷藏车的满载量，表示冷藏车的最大装载量，/>表示客户点/>的配送量；
式（4）表示每个客户点都只被服务一次；
式（5）表示所有冷藏车的始点和终点都是配送中心；
式（6）和式（7）表示各客户点仅允许冷藏车出发一次和到达一次；
式（8）保证冷藏车配送过程连续；
式（3）-式（7）中，的取值为式（9）所示：
。
4.根据权利要求3所述的一种基于混合平衡优化算法的冷链物流车辆路径优化方法，其特征在于：所述的初始化种群及参数的具体步骤为：
S2.1.1、设置种群的最大迭代次数为，设置种群中的个体数为/>，设置适应度值/>，设置全局最大适应度值/>；
S2.1.2、初始化种群：定义当前迭代次数为，并设置/>；在优化变量范围内随机初始化种群中每个个体的染色体编码，当有/>个客户点，并且配送中心的冷藏车数为时，所有个体的染色体长度均设置为/>；每个客户点无重复的对应于范围中的一个数字，配送中心由数字0表示，染色体的基因序列则由这些数字排序构成；在满足约束条件的情况下，每辆冷藏车配送过程对应的基因序列由冷藏车经过的客户点顺序构成，即每辆冷藏车所经过的客户点顺序构成一个基因序列，所有基因序列组合在一起，由配送中心对应的数字0隔开即构成一个染色体编码，其中每辆冷藏车经过几个客户点以及所经过的客户点顺序随机生成；如此重复/>次，即初始化种群中的/>个个体。
5.根据权利要求1所述的一种基于混合平衡优化算法的冷链物流车辆路径优化方法，其特征在于：所述的构建平衡状态池的具体步骤为：在计算出种群中所有个体的适应度值后，依据/>的值由大到小对个体的染色体编码进行排序，取前四个染色体编码以及它们的平均状态构成平衡状态池/>，平衡状态池的具体构成如下：
；
其中，、/>、/>和/>代表前四个染色体编码，/>代表这四个染色体编码的平均状态，平衡状态池中的每个染色体编码被选择的概率均为0.2。
6.根据权利要求1所述的一种基于混合平衡优化算法的冷链物流车辆路径优化方法，其特征在于：所述的Metropolis准则的更新概率具体见式（12）：
；
式（12）中，表示更新的概率，/>表示/>，/> 表示更新后的适应度值，/>表示模拟退火算法里设置的温度，模拟退火算法为基于Metropolis准则的迭代优化算法。
CN202310762640.5A 2023-06-27 2023-06-27 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 Active CN116502989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310762640.5A CN116502989B (zh) 2023-06-27 2023-06-27 一种基于混合平衡优化算法的冷链物流车辆路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310762640.5A CN116502989B (zh) 2023-06-27 2023-06-27 一种基于混合平衡优化算法的冷链物流车辆路径优化方法

Publications (2)

Publication Number Publication Date
CN116502989A CN116502989A (zh) 2023-07-28
CN116502989B true CN116502989B (zh) 2023-09-08

Family

ID=87327016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310762640.5A Active CN116502989B (zh) 2023-06-27 2023-06-27 一种基于混合平衡优化算法的冷链物流车辆路径优化方法

Country Status (1)

Country Link
CN (1) CN116502989B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113608B (zh) * 2023-10-23 2024-02-13 四川港投新通道物流产业投资集团有限公司 一种冷链物流网络节点布局方法和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612257A (zh) * 2020-05-26 2020-09-01 广西翔路建设有限责任公司 基于空间归化的最短路径求解方法
CN112380765A (zh) * 2020-11-09 2021-02-19 贵州电网有限责任公司 一种基于改进平衡优化器算法的光伏电池参数识别方法
CN115222310A (zh) * 2021-04-15 2022-10-21 清华大学 路径规划方法及装置、存储介质、终端
CN115271163A (zh) * 2022-06-17 2022-11-01 浙江工业大学 一种基于策略梯度的超启发算法的车辆路径优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6961743B2 (en) * 2002-01-08 2005-11-01 Sun Microsystems, Inc. Method and apparatus for solving an equality constrained global optimization problem
US9536192B2 (en) * 2014-06-23 2017-01-03 International Business Machines Corporation Solving vehicle routing problems using evolutionary computing techniques

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612257A (zh) * 2020-05-26 2020-09-01 广西翔路建设有限责任公司 基于空间归化的最短路径求解方法
CN112380765A (zh) * 2020-11-09 2021-02-19 贵州电网有限责任公司 一种基于改进平衡优化器算法的光伏电池参数识别方法
CN115222310A (zh) * 2021-04-15 2022-10-21 清华大学 路径规划方法及装置、存储介质、终端
CN115271163A (zh) * 2022-06-17 2022-11-01 浙江工业大学 一种基于策略梯度的超启发算法的车辆路径优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进平衡优化器算法研究综述;崔心惠;《微电子学与计算机》;第39卷(第07期);第1-11页 *

Also Published As

Publication number Publication date
CN116502989A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Zhang et al. Low-carbon cold chain logistics using ribonucleic acid-ant colony optimization algorithm
CN109919365B (zh) 一种基于双策略搜索的电动车辆路径规划方法及系统
CN112686458B (zh) 一种多车型车队配送货过程的优化调度方法
CN111144568A (zh) 一种多目标城市物流配送路径规划方法
CN116502989B (zh) 一种基于混合平衡优化算法的冷链物流车辆路径优化方法
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
CN112257999B (zh) 一种面向大规模纯电动公交车辆调度问题的自适应大型邻域搜索方法
CN113052537B (zh) 一种基于启发式粒子群算法的物流车辆低碳路线规划方法
CN115576343B (zh) 一种结合无人机配送的多目标车辆路径优化方法
CN113344267A (zh) 一种基于合作的物流网络资源配置优化方法
CN114444843A (zh) 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统
CN114861971A (zh) 最小化成本为目标的混合车辆路径优化方法和系统
CN115146866A (zh) 一种考虑实际多约束的多条等效最优路径规划方法
CN114239931B (zh) 基于改进蚁群算法实现物流仓储装车调度的方法及装置
CN114970327A (zh) 考虑车载量与油耗相关的绿色车辆路径优化方法
CN113237489A (zh) 一种基于改进2-opt蚁群算法的车辆路径规划方法
CN112488358B (zh) 一种电动汽车充电路径规划方法和存储介质
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
CN109635998A (zh) 一种求解带时间窗车辆路径问题的自适应多目标优化方法
Cui et al. A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm
Utama et al. A novel hybrid yellow saddle goatfish algorithm for fuel consumption vehicle routing problem with simultaneous pick-up and delivery problem
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
Tang et al. Energy-oriented routing strategy of electric vehicle: An end-to-end reinforcement learning approach
Gong et al. Study on cold chain logistics with time Windows based on carbon emissions considering simultaneous pick up and distribution
CN118333505A (zh) 冷链物流取送协同路径优化方法、装置、计算机设备以及介质

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