CN116579513A - 基于改进鲸鱼优化算法的物资配送路径优化方法和系统 - Google Patents
基于改进鲸鱼优化算法的物资配送路径优化方法和系统 Download PDFInfo
- Publication number
- CN116579513A CN116579513A CN202310549700.5A CN202310549700A CN116579513A CN 116579513 A CN116579513 A CN 116579513A CN 202310549700 A CN202310549700 A CN 202310549700A CN 116579513 A CN116579513 A CN 116579513A
- Authority
- CN
- China
- Prior art keywords
- material distribution
- path optimization
- algorithm
- delivery vehicle
- wolf
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 131
- 238000009826 distribution Methods 0.000 title claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 91
- 239000000463 material Substances 0.000 title claims abstract description 82
- 241000283153 Cetacea Species 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 230000000739 chaotic effect Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012384 transportation and delivery Methods 0.000 claims description 56
- 241000282461 Canis lupus Species 0.000 claims description 42
- 239000000446 fuel Substances 0.000 claims description 25
- 241000282421 Canidae Species 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 2
- 239000001569 carbon dioxide Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000013439 planning Methods 0.000 abstract description 6
- 238000013459 approach Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (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
本发明提供一种基于改进鲸鱼优化算法的物资配送路径优化方法、系统、存储介质和电子设备,涉及路径优化技术领域。本发明中,首先获取物资配送资源和客户需求;然后根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型,便于后续路径规划时做出更环保的配送方案;接着基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。其中,改进鲸鱼算法通过tent混沌映射初始化种群,很大程度上增加了种群多样性,提高算法求解精度和收敛速度、缩短算法搜索时间,更易接近最优解。此外,鲸鱼算法攻击猎物时的环绕机制容易导致算法跳出局部最优解的性能不好,影响开发阶段性能。
Description
技术领域
本发明涉及路径优化技术领域,具体涉及一种基于改进鲸鱼优化算法的物资配送路径优化方法、系统、存储介质和电子设备。
背景技术
在物流系统中,正确合理地安排车辆的配送线路,实现合理的线路运输,可以有效地节约运输时间,增加车辆利用率,从而降低运输成本,提高企业经济效益与客户服务水平,使企业达到科学化的物流管理,这也是企业提高自身竞争力的有效途径之一。
目前,有研究提出采用鲸鱼优化算法解决物资配送路径优化问题,例如专利申请CN115655279A,其在标准鲸鱼优化算法的基础上,通过对收敛因子采用非线性分段更新策略,同时引入惯性权重系数和随机变异扰动策略的措施,大幅改进标准鲸鱼算法收敛速度慢、全局寻优能力差、收敛精度低的缺点,进而使海上无人救援飞艇在最短时间到达目标位置,顺利完成海上救援任务。
再如专利申请CN115545608A,其采用改进的鲸鱼算法来对该优化问题进行求解,该算法作为一种新型智能算法,模拟了鲸鱼种群捕食的群体行为,是一种较新颖的群智能优化算法,相比传统的粒子群算法等,每次迭代中,最优个体指导鲸鱼种群中各个体,以多种行为方式,向食物移动。移动过程中,最优个体进行全局探索,鲸鱼种群中各个体进行局部探索,从而在较短的收敛时间内,求解出使碳排放量最低的路径选择方案。
然而,现有鲸鱼优化算法在解决物资配送路径优化问题时,初始化阶段随机初始化产生种群多样性无法得到保障,影响算法的搜索效率,当前的改进通过logistic映射混沌序列分布不均匀,导致优化算法搜索时间较长;使用环绕搜索机制容易陷入局部最优,停滞在局部最佳解决方案中。同时还存在收敛精度不够高、收敛速度不够快等问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于改进鲸鱼优化算法的物资配送路径优化方法、系统、存储介质和电子设备,解决了生成物资配送路径结果效率低下的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于改进鲸鱼优化算法的物资配送路径优化方法,包括:
S1、获取物资配送资源和客户需求;
S2、根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型;
S3、基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
优选的,所述S2中的路径优化模型包括:
以最小化物资配送总成本为目标的目标函数:
其中,C表示物资配送总成本;C1、C2、C3分别表示车辆固定成本、燃油消耗成本和碳排放成本;
k表示配送车辆k,共计K台配送车辆;i、j分别表示客户节点i、客户节点j,共计I个客户节点;o表示配送中心;
a表示固定成本的弹性系数,a∈(0,1];f表示每台辆配送车的固定成本;为决策变量,取1时表示配送车辆k从配送中心o行驶到客户节点j,否则取0;
Cfuel表示配送车辆每公里配送的燃油成本;为决策变量,取1时表示配送车辆k从客户节点i行驶到客户节点j,否则取0;b表示新旧车辆燃油变动情况,b∈(0,1],取1时表示为最大燃油消耗量;F0表示配送车辆空载时单位燃油消耗量;F*表示配送车辆满载时单位燃油消耗量;Qmax表示配送车辆的最大载货重量;m表示配送车辆当前载货重量;dij表示客户节点i和j之间的距离;
P表示碳税价格;ρ表示燃油二氧化碳排放系数。
优选的,所述S2中的路径优化模型还包括如下约束条件:
其中,公式(2)为配送车辆的载装能力约束;为决策变量,取1时表示客户节点i由配送车辆k服务,否则取0;Qi表示配送车辆离开客户节点i时的剩余载货重量;
公式(3)和(4)放宽客户节点经过即被服务的限制,表示配送车辆k能够经过客户节点i和j多次,但不一定被服务;
公式(5)保证了每个客户节点只能被服务一次;
公式(6)表示从配送中心0处出发的配送车辆有K台;
公式(7)表示行驶路径的一致性;公式(8)表示配送车辆的服务顺序,先到客户节点i再到客户节点j;分别表示配送车辆k到达客户节点i、j的时间;tsi表示客户节点i被服务的时间,ts0=0;tij表示配送车辆k从客户节点i行驶到客户节点j的时间。
优选的,所述S3包括:
S31、设置种群规模N、最大迭代次数Tmax,初始化T=0;
S32、采用tent混沌映射,生成分布均匀的规模为N的初始种群;
S33、令T=T+1,根据所述路径优化模型的目标函数,计算当前种群中每一个体的适应度值,获取当前最佳个体的位置;
S34、基于灰狼算法,采用等级更新机制更新种群;若T<Tmax,则转入S33,否则转入S35;
S35、结束循环,输出并解码最佳个体及其位置,作为所述最终的物资配送路径优化方案。
优选的,所述S32具体包括:
S321、根据所述路径优化模型的目标函数,设置初始值的取值范围,随机生成[0,1]范围内的g个值;
S322、令
S323、令X1=X0;
其中,X1、Xn、Xn+1分别表示第1、n、n+1个个体的位置向量;w表示权重;
S324、生成分布均匀的规模为N的初始种群。
优选的,所述S34中基于灰狼算法,采用等级更新机制更新种群,具体包括:
定义在迭代过程中,狼群个体按照适应度值大小排序,最优秀的个体为α狼,其次的为β狼,再次的为δ狼,剩余的为ω狼;
更新A、c、s,生成随机数p,执行如下更新操作,
如果p<0.5且|A|≥1,基于如下公式更新个体的位置;
min C=X(T+1)=Xrand(T)-A·Drand(T) (10)
如果p<0.5且|A|<1,基于如下公式更新个体的位置:
X(T+1)=X*(T)-A·D*(T) (11)
如果p≥0.5,基于如下公式更新个体的位置:
其中,A=2·s·r+s,c=2·r;A、c为系数向量,通过系数向量来控制个体靠近猎物的区域;s表示收敛因子,随着迭代次数从2线性减小到0;r的模取[0,1]之间的随机数;
X(T+1)表示第T+1代ω狼的位置;Xrand(T)表示第T代随机个体的位置;Drand(T)表示该随机个体与其他个体的距离;X*(T)表示第T代最优个体的位置,D*(T)表示该最优个体与其他个体的距离;
X1、X2、X3分别表示ω狼朝向α狼、β狼、δ狼前进的步长和方向;Xα(T)、Xβ(T)、Xδ(T)分别表示第T代α狼、β狼、δ狼的位置;Dα(T)、Dβ(T)、Dδ(T)分别表示第T代α狼、β狼、δ狼与其他个体间的距离。
一种基于改进鲸鱼优化算法的物资配送路径优化系统,包括:
获取模块,用于获取物资配送资源和客户需求;
构建模块,用于根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型;
求解模块,用于基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
一种存储介质,其存储有用于基于改进鲸鱼优化算法的物资配送路径优化的计算机程序,其中,所述计算机程序使得计算机执行如上所述的物资配送路径优化方法。
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的物资配送路径优化方法。
(三)有益效果
本发明提供了一种基于改进鲸鱼优化算法的物资配送路径优化方法、系统、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明中,首先获取物资配送资源和客户需求;然后根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型,便于后续路径规划时做出更环保的配送方案;接着基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案,引入的改进鲸鱼优化算法操作简单、调整参数少,能够高效实现全局优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于改进鲸鱼优化算法的物资配送路径优化方法的方框图;
图2为本发明实施例提供的一种改进鲸鱼优化算法的流程示意图;
图3(a)~(c)为本发明实施例提供的T-GW-WOA算法与现有的GW-WOA、WOA算法的收敛性对比图。
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,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。
本申请实施例通过提供一种基于改进鲸鱼优化算法的物资配送路径优化方法、系统、存储介质和电子设备,解决了生成物资配送路径结果效率低下的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明以车辆固定成本、燃油消耗成本和碳排放成本组成的总配送成本为目标构建模型,引入碳排放成本完善物资配送成本,进行路径规划时可以做出更环保的配送方案。
选择优化方法时,鲸鱼优化算法操作简单、调整参数少和能够全局优化,针对其缺点,具体通过以下两方面进行完善:
首先,tent混沌映射运算速度快、序列分布均匀,迭代速度明显优于logistic映射,能够提高算法的求解精度和收敛速度、缩短算法搜索时间;其次,灰狼的种群更新机制相对于环绕机制,探索性能更优,同时等级机制能够保存最佳解决方案,有效避免过早陷入局部最优,获得更好的结果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
如图1所示,本发明实施例提供了一种基于改进鲸鱼优化算法的物资配送路径优化方法,包括:
S1、获取物资配送资源和客户需求;
S2、根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型;
S3、基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
本发明实施例构建引入碳排放成本的路径优化模型,便于后续路径规划时做出更环保的配送方案;引入的改进鲸鱼优化算法操作简单、调整参数少,能够高效实现全局优化。
接下来将详细介绍上述技术方案的各个步骤:
首先说明,本发明实施例关注的物资配送多目标优化问题可以描述如下:以单个配送中心作为配送车辆的起止点,由一组同质车队(若车队中每辆车具有相似动力学,则称为同质车队,反之称为异质车队)为多个需求点(客户节点)配送物资,各需求点之间的距离、车辆行驶速度、车辆的燃油消耗等均已知。以总配送成本最少为目标,合理安排车辆配送路线,使目标函数得到优化。总配送成本模型由车辆固定成本、燃油消耗成本和碳排放成本组成。
为了更好的最小化总配送成本,还做出以下假设(此部分将在后续的数学建模的约束条件中详细介绍,此处只简单说明):
(1)每条配送路径上各客户节点的需求量之和不超过配送车辆的载重量;
(2)每条配送路径的长度不超过配送车辆的最大行驶距离;
(3)每个客户节点只能由一台配送车辆送货,而且客户需求必须满足。
在步骤S1中,获取物资配送资源和客户需求。
关于物资配送资源和客户需求及其参数设定,具体参见表1:
表1
在步骤S2中,根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型。
本步骤中通过构建更加符合绿色观念的物资配送优化模型,分析物资配送任务和运输成本、环境伤害之间的关系,使用改进的鲸鱼优化算法获得最佳路径方案,提高了配送效率,降低配送成本、减少碳排放,更好地保护环境。
具体的,所述路径优化模型包括:
以最小化物资配送总成本为目标的目标函数:
其中,C表示物资配送总成本;C1、C2、C3分别表示车辆固定成本、燃油消耗成本和碳排放成本;
以及约束条件:
其中,公式(2)为配送车辆的载装能力约束;为决策变量,取1时表示客户节点i由配送车辆k服务,否则取0;Qi表示配送车辆离开客户节点i时的剩余载货重量;
公式(3)和(4)放宽客户节点经过即被服务的限制,表示配送车辆k能够经过客户节点i和j多次,但不一定被服务;
公式(5)保证了每个客户节点只能被服务一次;
公式(6)表示从配送中心0处出发的配送车辆有K台;
公式(7)表示行驶路径的一致性;公式(8)表示配送车辆的服务顺序,先到客户节点i再到客户节点j;分别表示配送车辆k到达客户节点i、j的时间;tsi表示客户节点i被服务的时间,ts0=0;tij表示配送车辆k从客户节点i行驶到客户节点j的时间。
在步骤S3中,基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
本步骤中提出的改进鲸鱼算法通过tent混沌映射初始化种群,很大程度上增加了种群多样性,提高算法求解精度和收敛速度、缩短算法搜索时间,更易接近最优解。此外,鲸鱼算法攻击猎物时的环绕机制容易导致算法跳出局部最优解的性能不好,影响开发阶段性能;利用灰狼优化算法的狩猎机制更新个体位置,提高探索性能,同时利用等级机制保存最佳解决方案,使得个体探索阶段能够获得更好的结果。
具体的,如图2所示,所述S3包括:
S31、设置种群规模N、最大迭代次数Tmax,初始化T=0。
S32、采用tent混沌映射,生成分布均匀的规模为N的初始种群;具体包括:
S321、根据所述路径优化模型的目标函数,设置初始值的取值范围,随机生成[0,1]范围内的g个值;
S322、令
S323、令X1=X0;
其中,X1、Xn、Xn+1分别表示第1、n、n+1个个体的位置向量;w表示权重,本发明实施例中取w=0.7;
S324、生成分布均匀的规模为N的初始种群。
S33、令T=T+1,根据所述路径优化模型的目标函数,计算当前种群中每一个体的适应度值,获取当前最佳个体的位置。
S34、基于灰狼算法,采用等级更新机制更新种群;若T<Tmax,则转入S33,否则转入S35。
其中,所述基于灰狼算法,采用等级更新机制更新种群,具体包括:
定义在迭代过程中,狼群个体按照适应度值大小排序,最优秀的个体为α狼,其次的为β狼,再次的为δ狼,剩余的为ω狼;
更新A、c、s,生成随机数p,执行如下更新操作,
如果p<0.5且|A|≥1,基于如下公式更新个体的位置;
X(T+1)=Xrand(T)-A·Drand(T) (10)
如果p<0.5且|A|<1,基于如下公式更新个体的位置:
X(T+1)=X*(T)-A·D*(T) (11)
如果p≥0.5,基于如下公式更新个体的位置:
其中,A=2·s·r+s,c=2·r;A、c为系数向量,通过系数向量来控制个体靠近猎物的区域;s表示收敛因子,随着迭代次数从2线性减小到0;r的模取[0,1]之间的随机数;
X(T+1)表示第T+1代ω狼的位置;Xrand(T)表示第T代随机个体的位置;Drand(T)表示该随机个体与其他个体的距离;X*(T)表示第T代最优个体的位置,D*(T)表示该最优个体与其他个体的距离;
X1、X2、X3分别表示ω狼朝向α狼、β狼、δ狼前进的步长和方向;Xα(T)、Xβ(T)、Xδ(T)分别表示第T代α狼、β狼、δ狼的位置;Dα(T)、Dβ(T)、Dδ(T)分别表示第T代α狼、β狼、δ狼与其他个体间的距离。
S35、结束循环,输出并解码最佳个体及其位置,作为所述最终的物资配送路径优化方案。
为了更好的说明上述方案的有效性和优越性,本发明实施例还提供如下具体算例:
设有一个配送中心和8个客户,配送中心拥有4台载重量为8t的同一型号配送车。配送中心与每个客户间的距离如表2所示,以及每个客户的具体需求信息如表3所示:
表2客户与配送中心距离表
表3客户相关信息表
客户 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
需求量 | 1.5 | 4 | 2.5 | 1.5 | 3.0 | 4.5 | 2.5 | 3.0 |
服务时长 | 1.0 | 1.5 | 1.0 | 0.8 | 1.5 | 1.6 | 1.0 | 1.2 |
车辆实际行驶过程中,通行时间通过各类地图大数据平台可以获取。在实验中采用模拟的方式得到数据,假设所有车辆上午8点出发,没有交通拥堵情况下,配送货车以40km/h速度匀速前行。根据交通高峰时间,将早上8:00-9:00、中午12:00-13:00车辆速度为30km/h。在该配送中心,每辆车的固定成本f为500元/次,每公里配送燃油成本Cfuel为6元/L;F0为空载时单位燃油消耗量0.1L/km;F*为满载时单位燃油消耗量0.6L/km。碳税价格P为0.027元/kg,燃油的CO2排放系数ρ按每升燃油产生2.3kgCO2。
参见图3(a)~(c),随着算法迭代次数的增加,收敛性较为优良。所有解都收敛到,也即图3(a)中的T-GW-WOA(Tentchaotic Grey Wolf-Whale Optimization Algorithm,基于Tent混沌映射的灰狼-鲸鱼优化算法)、图3(b)中的GW-WOA(Grey Wolf-WhaleOptimization Algorithm,灰狼-鲸鱼优化算法)、图3(c)中的WOA(Whale OptimizationAlgorithm,鲸鱼优化算法),均能够有效求解该算例。且通过对比发现本发明实施例提出的T-GW-WOA比其他两个现有算法的收敛速度快、更快达到最优值。
参见表4~7:
表4算例路径规划(迭代100次)
T-GW-WOA | GW-WOA | WOA | |
配送车1 | 0-2-8-0 | 0-6-7-0 | 0-5-8-0 |
配送车2 | 0-1-6-4-0 | 0-8-5-4-0 | 0-1-3-0 |
配送车3 | 0-3-5-7-0 | 0-2-3-1-0 | 0-6-0 |
配送车4 | 0-2-7-4-0 |
表5算例实验数据结果(迭代100次)
算法 | 目标值 | 成本1 | 成本2 | 成本3 | 运行时间 |
T-GW-WOA | 3118.31 | 1500 | 1609.69 | 8.62 | 4.68秒 |
GW-WOA | 3196.04 | 1500 | 1686.38 | 9.67 | 5.07秒 |
WOA | 3849.93 | 2000 | 1840.12 | 9.80 | 0.54秒 |
表6算例路径规划(迭代10次)
T-GW-WOA | GW-WOA | WOA | |
配送车1 | 0-6-7-0 | 0-1-7-8-0 | 0-5-3-7-0 |
配送车2 | 0-1-5-8-0 | 0-6-5-0 | 0-2-8-0 |
配送车3 | 0-2-3-4-0 | 0-2-3-4-0 | 0-6-4-1-0 |
配送车4 |
表7算例实验数据结果(迭代10次)
算法 | 目标值 | 成本1 | 成本2 | 成本3 | 运行时间 |
T-GW-WOA | 3142.29 | 1500 | 1633.31 | 8.97 | 0.59秒 |
GW-WOA | 3384.25 | 1500 | 1875.19 | 9.06 | 0.57秒 |
WOA | 3673.55 | 1500 | 2163.19 | 10.36 | 0.05秒 |
通过各表可以发现,T-GW-WOA算法结果是三个算法中最优的。在迭代100次时,总成本、碳排放成本、车辆固定成本、燃油消耗成本相较于GW-WOA算法分别减少2.4%、1.1%和4.5%;相较于WOA算法分别减少19.0%、12.5%和12%。在迭代10次时,总成本、碳排放成本、燃油消耗成本相较于GW-WOA算法分别减少7.1%、12.9%和0.1%;相较于WOA算法分别减少14.4%、24.5%和1.3%。
以及通过WOA算法与GW-WOA算法对比,可以明确灰狼等级制度替代环形搜索机制的优越性;通过T-GW-WOA算法和GW-WOA算法对比,可以明确tent混沌映射进行初始化的优越性。
本发明实施例提供了一种基于改进鲸鱼优化算法的物资配送路径优化系统,包括:
获取模块,用于获取物资配送资源和客户需求;
构建模块,用于根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型;
求解模块,用于基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
本发明实施例提供了一种存储介质,其存储有用于基于改进鲸鱼优化算法的物资配送路径优化的计算机程序,其中,所述计算机程序使得计算机执行如上所述的物资配送路径优化方法。
本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的物资配送路径优化方法。
可理解的是,本发明实施例提供的基于改进鲸鱼优化算法的物资配送路径优化系统、存储介质和电子设备与本发明实施例提供的基于改进鲸鱼优化算法的物资配送路径优化方法相对应,其有关内容的解释、举例和有益效果等部分可以参考基于物资配送路径优化方法中的相应部分,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例构建引入碳排放成本的路径优化模型,便于后续路径规划时做出更环保的配送方案;引入的改进鲸鱼优化算法操作简单、调整参数少,能够高效实现全局优化。
2.本发明实施例通过tent混沌映射初始化种群,很大程度上增加了种群多样性,提高算法求解精度和收敛速度、缩短算法搜索时间,更易接近最优解;
3、本发明实施例中,鲸鱼算法攻击猎物时的环绕机制容易导致算法跳出局部最优解的性能不好,影响开发阶段性能;利用灰狼优化算法的狩猎机制更新个体位置,提高探索性能,同时利用等级机制保存最佳解决方案,使得个体探索阶段能够获得更好的结果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (9)
1.一种基于改进鲸鱼优化算法的物资配送路径优化方法,其特征在于,包括:
S1、获取物资配送资源和客户需求;
S2、根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型;
S3、基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
2.如权利要求1所述的物资配送路径优化方法,其特征在于,所述S2中的路径优化模型包括:
以最小化物资配送总成本为目标的目标函数:
其中,C表示物资配送总成本;C1、C2、C3分别表示车辆固定成本、燃油消耗成本和碳排放成本;
k表示配送车辆k,共计K台配送车辆;i、j分别表示客户节点i、客户节点j,共计I个客户节点;o表示配送中心;
a表示固定成本的弹性系数,a∈(0,1];f表示每台辆配送车的固定成本;为决策变量,取1时表示配送车辆k从配送中心o行驶到客户节点j,否则取0;
Cfuel表示配送车辆每公里配送的燃油成本;为决策变量,取1时表示配送车辆k从客户节点i行驶到客户节点j,否则取0;b表示新旧车辆燃油变动情况,b∈(0,1],取1时表示为最大燃油消耗量;F0表示配送车辆空载时单位燃油消耗量;F*表示配送车辆满载时单位燃油消耗量;Qmax表示配送车辆的最大载货重量;m表示配送车辆当前载货重量;dij表示客户节点i和j之间的距离;
P表示碳税价格;ρ表示燃油二氧化碳排放系数。
3.如权利要求2所述的物资配送路径优化方法,其特征在于,所述S2中的路径优化模型还包括如下约束条件:
其中,公式(2)为配送车辆的载装能力约束;为决策变量,取1时表示客户节点i由配送车辆k服务,否则取0;Qi表示配送车辆离开客户节点i时的剩余载货重量;
公式(3)和(4)放宽客户节点经过即被服务的限制,表示配送车辆k能够经过客户节点i和j多次,但不一定被服务;
公式(5)保证了每个客户节点只能被服务一次;
公式(6)表示从配送中心0处出发的配送车辆有K台;
公式(7)表示行驶路径的一致性;公式(8)表示配送车辆的服务顺序,先到客户节点i再到客户节点j;分别表示配送车辆k到达客户节点i、j的时间;tsi表示客户节点i被服务的时间,ts0=0;tij表示配送车辆k从客户节点i行驶到客户节点j的时间。
4.如权利要求1所述的物资配送路径优化方法,其特征在于,所述S3包括:
S31、设置种群规模N、最大迭代次数Tmax,初始化T=0;
S32、采用tent混沌映射,生成分布均匀的规模为N的初始种群;
S33、令T=T+1,根据所述路径优化模型的目标函数,计算当前种群中每一个体的适应度值,获取当前最佳个体的位置;
S34、基于灰狼算法,采用等级更新机制更新种群;若T<Tmax,则转入S33,否则转入S35;
S35、结束循环,输出并解码最佳个体及其位置,作为所述最终的物资配送路径优化方案。
5.如权利要求4所述的物资配送路径优化方法,其特征在于,所述S32具体包括:
S321、根据所述路径优化模型的目标函数,设置初始值的取值范围,随机生成[0,1]范围内的g个值;
S322、令
S323、令X1=X0;
其中,X1、Xn、Xn+1分别表示第1、n、n+1个个体的位置向量;w表示权重;
S324、生成分布均匀的规模为N的初始种群。
6.如权利要求4所述的物资配送路径优化方法,其特征在于,所述S34中基于灰狼算法,采用等级更新机制更新种群,具体包括:
定义在迭代过程中,狼群个体按照适应度值大小排序,最优秀的个体为α狼,其次的为β狼,再次的为δ狼,剩余的为ω狼;
更新A、c、s,生成随机数p,执行如下更新操作,
如果p<0.5且|A|≥1,基于如下公式更新个体的位置;
X(T+1)=Xrand(T)-A·Drand(T) (10)
如果p<0.5且|A|<1,基于如下公式更新个体的位置:
X(T+1)=X*(T)-A·D*(T) (11)
如果p≥0.5,基于如下公式更新个体的位置:
其中,A=2·s·r+s,c=2·r;A、c为系数向量,通过系数向量来控制个体靠近猎物的区域;s表示收敛因子,随着迭代次数从2线性减小到0;r的模取[0,1]之间的随机数;
X(T+1)表示第T+1代ω狼的位置;Xrand()表示第T代随机个体的位置;Drand()表示该随机个体与其他个体的距离;X*()表示第T代最优个体的位置,D*()表示该最优个体与其他个体的距离;
X1、X2、X3分别表示ω狼朝向α狼、β狼、δ狼前进的步长和方向;Xα(T)、Xβ(T)、Xδ()分别表示第T代α狼、β狼、δ狼的位置;Dα()、Dβ()、Dδ()分别表示第T代α狼、β狼、δ狼与其他个体间的距离。
7.一种基于改进鲸鱼优化算法的物资配送路径优化系统,其特征在于,包括:
获取模块,用于获取物资配送资源和客户需求;
构建模块,用于根据所述物资配资源和客户需求,构建引入碳排放成本的路径优化模型;
求解模块,用于基于改进鲸鱼优化算法,求解所述路径优化模型,获取最终的物资配送路径优化方案。
8.一种存储介质,其特征在于,其存储有用于基于改进鲸鱼优化算法的物资配送路径优化的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~6任一项所述的物资配送路径优化方法。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~6任一项所述的物资配送路径优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549700.5A CN116579513A (zh) | 2023-05-15 | 2023-05-15 | 基于改进鲸鱼优化算法的物资配送路径优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549700.5A CN116579513A (zh) | 2023-05-15 | 2023-05-15 | 基于改进鲸鱼优化算法的物资配送路径优化方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579513A true CN116579513A (zh) | 2023-08-11 |
Family
ID=87535377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310549700.5A Pending CN116579513A (zh) | 2023-05-15 | 2023-05-15 | 基于改进鲸鱼优化算法的物资配送路径优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579513A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784623A (zh) * | 2024-02-28 | 2024-03-29 | 航天宏图信息技术股份有限公司 | 带负载约束车辆路径的多策略协同智能优化方法及装置 |
-
2023
- 2023-05-15 CN CN202310549700.5A patent/CN116579513A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784623A (zh) * | 2024-02-28 | 2024-03-29 | 航天宏图信息技术股份有限公司 | 带负载约束车辆路径的多策略协同智能优化方法及装置 |
CN117784623B (zh) * | 2024-02-28 | 2024-05-14 | 航天宏图信息技术股份有限公司 | 带负载约束车辆路径的多策略协同智能优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drummond et al. | An asynchronous parallel metaheuristic for the period vehicle routing problem | |
CN109087023B (zh) | 一种基于分治策略的多星观测分层调度方法及系统 | |
Brønmo et al. | Column generation approaches to ship scheduling with flexible cargo sizes | |
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
Tirado et al. | Heuristics for dynamic and stochastic routing in industrial shipping | |
CN110210666B (zh) | 基于车货匹配的智能推荐方法、系统和存储介质 | |
CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
CN110472792B (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
CN113051815B (zh) | 一种基于独立指针网络的敏捷成像卫星任务规划方法 | |
CN116579513A (zh) | 基于改进鲸鱼优化算法的物资配送路径优化方法和系统 | |
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 | |
CN115860613B (zh) | 一种考虑预约机制的零担车货匹配及车辆调度方法 | |
CN115545608A (zh) | 基于不确定需求下的绿色物流车辆路径优化方法及应用 | |
CN115907254A (zh) | 一种基于进化的多目标强化学习的车辆路线规划方法 | |
CN109359771A (zh) | 一种基于大数据的干线运输车货匹配算法 | |
CN116167558A (zh) | 一种多车辆远程健康监护线下服务任务调度方法 | |
Wang et al. | Optimization of ride-sharing with passenger transfer via deep reinforcement learning | |
CN110675004A (zh) | 一种基于灰狼算法的路径规划方法 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
Chen et al. | Solving vehicle routing problem with simultaneous pickups and deliveries based on a two-layer particle swarm optimization | |
CN111160654B (zh) | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 | |
CN116882887A (zh) | 物资装载策略生成方法、装置、电子设备及存储介质 | |
Dündar et al. | A comparative application regarding the effects of traveling salesman problem on logistics costs | |
CN112836846B (zh) | 一种卷烟发货多库点多方向联运调度双层优化算法 | |
Ma | A cross entropy multiagent learning algorithm for solving vehicle routing problems with time windows |
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 |