CN116703291B - 一种混合能源车队配送路径优化方法 - Google Patents
一种混合能源车队配送路径优化方法 Download PDFInfo
- Publication number
- CN116703291B CN116703291B CN202310715834.XA CN202310715834A CN116703291B CN 116703291 B CN116703291 B CN 116703291B CN 202310715834 A CN202310715834 A CN 202310715834A CN 116703291 B CN116703291 B CN 116703291B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- operator
- customer
- cost
- truck
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000008439 repair process Effects 0.000 claims abstract description 45
- 230000006378 damage Effects 0.000 claims abstract description 39
- 238000010845 search algorithm Methods 0.000 claims abstract description 24
- 239000000446 fuel Substances 0.000 claims description 52
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000003780 insertion Methods 0.000 claims description 8
- 230000037431 insertion Effects 0.000 claims description 7
- 230000032258 transport Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000001066 destructive effect Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 208000001491 myopia Diseases 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 101000993812 Mus musculus Protein inscuteable homolog Proteins 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06Q10/08—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种混合能源车队配送路径优化方法。基于城市交通限行背景,考虑道路时间窗与载重限制对车辆的行程影响,建立城市交通限行下的混合能源车队配送路径优化模型。针对该模型,本发明设计了自适应大邻域搜索算法进行求解,其中包括6种破坏算子与6种修复算子以及相应的终止条件,以确保算法在合理的时间内给出高质量的配送方案。本发明中的自适应大邻域搜索算法充分利用各算子的求解能力,使得生成的配送方案稳定且质量高,在大规模优化问题中具有良好效果,可为城市物流企业提供相应的配送方案,为企业的绿色化转型提供参考。
Description
技术领域
本发明涉及一种混合能源车队配送路径优化方法,属于交通运输优化领域。
背景技术
城市物流配送具有多品种、高频次、短距离道路运输等特点。随着一些大型城市交通管制等各种道路限行政策的发布,城市物流的配送成本随之增加。因此,如何以较低的运营成本进行配送成为关键。随着城市规模进一步扩大,市内交通工具的使用量飞速增加,物流配送活动也不断增多,但随之而来的是对居民生活环境的影响,包括温室气体排放、空气污染、城市噪音以及交通拥堵等一系列问题。为了缓解道路压力、环保等方面考虑,政府部门出台了一系列的交通管制政策,包括时段限行、区域限行、尾号限行等。各物流企业在顺应低碳运输的同时,正不断推进企业绿色化转型。
目前对于城市交通限行下物流车辆配送路径优化的研究,主要集中于交通限行下的道路时间窗限制或区域限制。许多研究都集中在开发单一限行条件下的物流配送的决策支持系统,也未考虑到车辆行驶过程中的碳排放成本。综合考虑道路时间窗限制与载重限制的物流配送路径规划没有系统整理研究。但这些问题又是当前很多城市普遍存在且亟需解决的问题。
因此,当前城市交通限行背景下仍存在着物流配送效率低、成本高等问题。本发明综合考虑道路时间窗限制与载重限制对车辆的行程影响,建立城市交通限行下的混合能源车队配送路径优化模型,确定传统燃油货车、新能源货车的行驶路线优化,从而降低物流公司运营成本,属于交通运输优化领域。本发明依据当前城市中存在的道路时间窗限制与道路载重限制,结合物流公司的传统燃油货车与新能源货车类型与数量,面向城市区域的顾客需求,建立以最小化物流运营成本为目标的数学模型,使用自适应大邻域搜索算法求解得到传统燃油货车与新能源货车的配送路径。
发明内容
为克服现有技术的不足,本发明提供一种混合能源车队配送路径优化方法。针对由燃油车辆和电动车辆组成的混合能源车队,考虑城市道路的时间窗与载重限制、电动车辆的电量限制,以及车辆的启动成本、行驶成本、碳排放成本、等待成本等,协同规划燃油车辆与电动车辆的配送路线。
本发明在考虑城市道路时间窗与载重限制的基础上,结合传统燃油货车与新能源货车可使用的数量限制,形成配送方案。面向服务区域的全部顾客,建立一个以最小化运营成本为目标的混合整数非线性规划模型,使用自适应大邻域搜索算法对其进行求解,得到传统燃油货车与新能源货车的最优行驶路径。
本发明提供一种混合能源车队配送路径优化方法,其特征在于,包括以下步骤:
步骤1、获取当前城市中顾客位置、顾客需求、车辆类型、各区域对应的道路时间窗与载重限制数据;
步骤2、依据步骤1中获取的数据,通过导航获得车辆各条道路的通过时间;
步骤3、构建一个基于所述道路时间窗与所述载重限制的混合能源车队配送路径优化模型;
步骤4、基于所述混合能源车队配送路径优化模型,构造自适应大邻域搜索算法,包括设计的修复算子、破坏算子、迭代终止准则;
步骤5、根据前述各步骤获取的数据,使用所述自适应大邻域搜索算法进行求解,得出配送方案。
优选地,所述步骤3中,所述混合能源车队配送路径优化模型包括目标函数和约束条件。
优选地,所述步骤4中,所述破坏算子包括以下一个或者多个组合:随机路径破坏算子、随机顾客破坏算子、最短路径破坏算子、最差成本破坏算子、最差等待时间破坏算子、Shaw破坏算子。
优选地,所述步骤4中,所述修复算子包括以下一个或者多个组合:随机修复算子、距离贪婪修复算子、成本贪婪修复算子、穷尽贪婪修复算子、后悔值修复算子、非短视规则修复算子。
优选地,所述步骤4中,所述迭代终止准则包括:设定一定的迭代次数上限,当迭代次数达到上限时,算法终止,否则继续;和/或,依据目标函数值的变化,当目标函数值连续若干次未发生改变时,算法终止,否则继续。
优选地,所述步骤5中,使用所述自适应大邻域搜索算法进行求解时,在对解进行破坏与修复之前生成一个初始解。
优选地,所述生成初始解包括如下步骤:
依据车辆类型分配各车型需派送顾客的数量;
任取一个顾客,计算该顾客与其余各顾客的时间窗差值,所述时间窗差值即任意两顾客间的道路时间窗最迟可通行时间与最早可通行时间差值,对所述该顾客与其余各顾客的时间窗差值求和并取倒数,根据该倒数值的大小将不同车型分配给不同顾客;
采用贪婪算法,依据插入成本最低原则,逐个将未被服务的顾客插入到当前路径中,直至全部顾客插入路径中,生成初始解。
有益效果:
本发明与现有技术相比具有如下有益效果:
(1)考虑了城市交通限行下的道路时间窗与载重限制的复合背景,考虑单一道路限行的背景,往往会因为其他原因导致配送路径的不可行,从而构建了城市交通限行下混合能源车队配送路径优化模型,更加贴近现实情景。本发明组合调度传统能源货车与新能源货车配送货物,以最小化企业的成本为目标优化货运车辆的路线,实现对配送成本的最优控制,帮助企业高效利用现有资源,节约运作成本,具有现实意义;
(2)基于以上背景,本发明同时考虑了碳排放成本对最终决策的影响,对于当今的物流企业“油转电”的绿色化转型具有重要参考价值;
(3)本发明设计了一种自适应大邻域搜索算法,算法部分设计了高效的破坏与修复算子,可快速的找到高质量的解,从而提高企业的运作效率。
附图说明
图1为本发明提供的混合能源车队配送路径优化方法的实现流程图;
图2为本发明实施例中路径规划的示意图。
具体实施方式
以下结合具体实施例对本发明内容作详细说明。
为了更好地理解本发明,首先对一些概念进行解释说明。
道路时间窗限制:指车辆只能在相应的时间窗通过该道路,该限制只针对燃油车;
道路载重限制:指车辆通过该道路时,车载重不能超过道路载重限制,否则不予通行,该限制针对于全部车型;
传统燃油货车:具有一定装载能力且以燃油为消耗能源的车辆,因燃油车满油状态行驶里程相对较长,本发明中燃油货车无行程距离约束;
新能源货车:具有一定装载能力且以电能为消耗能源的车辆,与燃油车不同,电车行驶里程较短,有行驶距离约束,但途中在换电站进行换电以便后续行驶;
顾客位置:指货物需要被配送到的目的地;
运营成本:由五部分构成,包括:车辆启动成本、燃油货车运输成本、碳排放成本、等待时间成本以及电动货车运输成本。
如图1所示,本发明提供一种混合能源车队配送路径优化方法,包括以下步骤:
步骤1、获取当前城市中顾客位置、顾客需求、车辆类型、各区域对应的道路时间窗与载重限制数据;
步骤2、依据步骤1中获取的数据,通过导航获得车辆各条道路的通过时间;
步骤3、构建一个基于所述道路时间窗与所述载重限制的混合能源车队配送路径优化模型;
步骤4、基于所述混合能源车队配送路径优化模型,构造自适应大邻域搜索算法,包括设计的修复算子、破坏算子、迭代终止准则;
步骤5、根据前述各步骤获取的数据,使用所述自适应大邻域搜索算法进行求解,得出配送方案。
在步骤3中,构建模型,考虑城市交通限行背景下,存在道路时间窗与载重限制的混合能源车队配送路径优化问题,构建运营成本最低的混合整数非线性规划模型。
在步骤4中,算法设计,所构建的模型由自适应大邻域搜索算法求解。所述的大邻域搜索算法求解,即在初始解生成后,采用轮盘赌机制不断的选择破坏算子与修复算子对当前的路径进行操作,从而为配送车辆提供行驶路径的改善空间。破坏算子是以一定的规则移除当前货车行驶路径中的若干个顾客,修复算子则是以一定的规则将破坏算子移除的顾客插入当前的行驶路径中。所设计的破坏算子需要兼顾解的多样性与稳定性,即生成的解要尽可能的多样,防止陷入局部最优,同时要使得最终输出的解以很高的概率稳定在一个较优的值,从而实现理想的运营成本。
在步骤5中,模型求解,依据构建的模型及设计的算法,基于混合能源车队的道路时间窗限制、道路载重限制、车载重限制、新能源货车电量限制等约束,设计算子的选取规则,基于设计的自适应大邻域搜索算法进行求解,得出混合能源车队的最优配送路径;
步骤3中的模型可以分为两部分,即目标函数与约束条件;
目标函数:
MinSC+DC+CTC+WC+EC(6)约束条件:
上述模型中,参数含义如下:
μ0:配送中心(出发);
v0:虚拟配送中心(返回);
C:顾客集合;
N:换电站集合;
D:D=C∪N;
V:V={μ0}∪C;
V′:V={v0}∪C;
S:S={μ0}∪C∪N;
s′:s′={v0}∪C∪N;
A:有向弧集(i,j),i∈S,j∈S′,i≠j;
K1:燃油货车集合,K1={1,2,...,l},l∈Z+,Z+是正整数集合;
K2:电动货车集合,K2={l+1,l+2,...,l+m},m∈Z+,Z+是正整数集合;
K:K=K1∪K2;
s:顾客的服务时间;
gi:顾客i的需求量,i∈C;
dij:道路(i,j)的距离,(i,j)∈A;
tij:车辆在道路(i,j)上的行驶时间,(i,j)∈A;
[eij,lij]:道路(i,j)的时间窗,(i,j)∈A;
Gij:道路(i,j)允许通行的最大载重,(i,j)∈A;
Ce:单位碳排放的交易价格;
p1:单位油价;
p2:单位电价;
ρ:单位等待时间成本;
v:车辆行驶速度;
f1:使用燃油货车的固定成本;
f2:使用电动货车的固定成本;
Q1:燃油货车的最大载重;
Q2:电动货车的最大载重;
B:电动货车电池容量;
U:燃油货车空载时行驶单位距离的耗油量;
u:燃油货车运输单位货物行驶单位距离的耗油量;
J:燃油货车空载时行驶单位距离的碳排放量;
E:燃油货车运输单位货物行驶单位距离的碳排放量;
h:电动货车空载行驶单位距离的耗电量;
电动货车运输单位货物行驶单位距离的耗电量;
M:足够大的常数(如M>10000);
决策变量含义如下:
车辆k是否直接穿过道路(i,j)。若车辆穿过/>为l,否则为0,k∈K,i∈V,j∈V′,i≠j;
车辆k从顾客i去顾客j的途中是否访问换电站。若车辆访问换电站/>为1,否则为0,k∈K2,a∈N,i∈V,j∈V′,i≠j;
车辆k离开点i的载重,k∈K,i∈S;
燃油货车k在点i的等待时间,k∈K1,i∈V;
电动货车k到达点i的剩余电量,k∈K2,i∈S′;
燃油货车k到达点i的时间,k∈K1,i∈V′;
燃油货车k离开点i的时间,k∈K1,i∈V;
车辆到达配送中心μ0的时间;
车辆离开配送中心μ0的时间。
上述模型中,目标函数考虑了车辆启动成本SC、燃油货车运输成本DC、碳排放成本CTC、等待时间成本WC以及电动货车运输成本EC。
约束条件的构建考虑了车辆载重限制、道路载重限制、燃油货车道路时间窗限制以及电动货车的电量补给的特点。式(1)-(5)为各部分成本;式(6)表示总成本最小化;式(7)-(8)表示从配送中心出发的车辆最终返回配送中心;式(9)-(10)为流平衡约束;式(11)表示车辆从顾客i去顾客j的途中是否访问换电站;式(12)确保每个顾客仅被燃油货车或电动货车服务一次;式(13)-(14)表示每辆车的载重不能超过其最大载重;式(15)-(16)表示车辆配送过程中的载重变化;式(17)-(18)为道路承重约束,即当车辆的载重超过道路承重时,该道路不予通行;式(19)-(21)为电动货车电池剩余电量约束;式(22)-(23)表示燃油货车配送过程中的时间约束;式(24)为道路时间窗的限制,即传统燃油货车只能在时间段[eij,lij]通过道路(i,j),式(25)用以计算车辆k在顾客i的等待时间;式(26)-(27)表示燃油货车从配送中心出发的时间约束;式(28)-(29)表示0-1决策变量。
步骤4中,为减少后续迭代次数及运行时间,在对解破坏与修复之前,须生成一个高质量的初始解,具体步骤如下:
(1)依据传统燃油货车与电动货车的比例分配各车型需派送顾客的数量;
(2)计算顾客时间窗的差值,即任意两顾客间的道路时间窗最迟可通行时间与最早可以通行时间差值。任选一个顾客,计算与其余各顾客的时间窗差值,求和并取倒数,即:
其中,C为顾客集合,eij为顾客i与顾客j之间道路最早可通行时间,lij为顾客i与顾客j之间道路最晚可通行时间,GVi为顾客i与其余各点差值之和倒数。依据GVi的大小进行排序。因GVi值较大时,则相应的时间窗差值较小。故GVi值较大的顾客的分配给电动货车,较小的分配给传统燃油货车;
(3)采用贪婪算法,依据插入成本最低原则,逐个将未被服务的顾客插入到当前路径中,直至全部顾客插入路径中,生成初始解。
步骤4中,设置破坏算子、修复算子的初始权重相同,再采用轮盘赌机制选择破坏与修复算子,并依据修复的解,采用Metropolis准则进行判断,从而对相应的算子赋分及权重更新。其中,破坏算子包括6种,分别为随机路径破坏算子、随机顾客破坏算子、最短路径破坏算子、最差成本破坏算子、最差等待时间破坏算子以及Shaw破坏算子,具体如下:
(1)随机路径破坏算子。随机移除20%-30%的路径,并通过将移除的顾客放入未访问顾客集的方式,构建随机路径破坏算子;
(2)随机顾客破坏算子。随机移除当前路径中的20%-50%的顾客,将其放入未访问顾客集,若移除顾客后原路径不可行,则相应的顾客不移除,通过将移除的顾客放入未访问顾客集的方式,构建随机顾客破坏算子;
(3)最短路径破坏算子。依次计算各条路径服务的顾客数并排序,移除前30%的路径访问顾客数较少的路径,通过将移除的顾客放入未访问顾客集的方式,构建最短路径破坏算子;
(4)最差成本破坏算子。逐次计算各路径中的各个顾客移除前后的引起成本值的变化大小。例如,访问顺序为i→m→j,依据公式:
计算出访问顾客m前后的成本变化。依此式,依次计算全部顾客的变化值,采用降序排列,移除前20%的顾客,并检查移除顾客后的路径可行性,若不可行,则相应的顾客不移除,通过将移除的顾客放入未访问顾客集的方式,构建最差成本破坏算子;
(5)最差等待时间破坏算子。由于燃油车在行驶时可能会在道路上进行等待,存在一定的等待时间。故该算子针对燃油车中等待时间最长的路径,移除路径上的顾客,通过将移除的路径中的顾客插入未访问顾客集的方式,构建最差等待时间破坏算子;
(6)Shaw破坏算子。采用经典的Shaw破坏算子,随机选择一个顾客,根据顾客间距离、时间窗差值、需求差及是否在同一条路径上判定顾客间的相似性,即公式:
其中,λ1-λ4为Shaw参数,表示其余各点与顾客i相连的路径最早开放时间窗的均值,pij为决策变量,当顾客i与顾客j在同一条路径上为-1,否则为1,依据GAPij进行排序,移除20%较小的GAPij对应的顾客。检查移除顾客后剩余路径的可行性,若不可行,则相应的顾客不移除,通过将移除的顾客放入未访问顾客集的方式,构建Shaw破坏算子。
步骤4中的修复算子包括6种,分别为随机修复算子、距离贪婪修复算子、成本贪婪修复算子、穷尽贪婪修复算子、后悔值修复算子以及非短视规则修复算子,具体如下:
(1)随机修复算子。每次从当前未访问的顾客集中随机选取一个顾客,插入当前路径中任意可行的位置,构建随机修复算子;
(2)距离贪婪修复算子。依次从未访问的顾客集中选取一个顾客,找出其全部可以插入的位置,并计算相应的距离增加值,通过选取距离增加值最小的位置插入,构建距离贪婪修复算子;
(3)成本贪婪修复算子。依次从未访问的顾客集中选取一个顾客,找出其全部可以插入的位置,并计算相应的成本增加值,通过选取成本增加值最小的位置插入,构建成本贪婪修复算子;
(4)穷尽贪婪修复算子。与成本贪婪修复算子不同在于,前者每次只是计算了单个顾客的全部可行位置的插入成本,后者每次需计算当前未访问的顾客集全部顾客插入各个可行位置的成本,并通过将成本最低的顾客插入路径中,构建穷尽贪婪修复算子;
(5)后悔值插入算子。依次计算每个顾客插入到最优位置与次最优位置的成本增量的差值,将差值最大的顾客优先插入,通过将顾客插入到使成本增加最小的位置,构建后悔值插入算子;
(6)非短视准则插入算子。依次计算每个顾客i以成本贪婪修复算子插入到路径的成本增加值Δ1,并计算在该点插入前后引起后续顾客采用成本贪婪修复算子插入的成本变化值其中Δ3为i'插入到顾客i插入后的路径而引起的成本增加值,Δ2为i'插入到顾客i未插入时的路径而引起的成本增加值。计算/>的值,通过将值最大的顾客优先插入,构建非短视准则插入算子。
初始状态下,每个算子的权重相等,因而被选取的概率也是相等的。但伴随着自适应大邻域搜索算法的迭代,每次待解修复完后,算法中的Metropolis准则会依据修复的解的质量对破坏与修复算子打分,从而会使得权重逐渐偏移,偏移向使目标函数值更优的算子,从而实现算子的自适应调整。同时各个算子在解的稳定性与多样性上也起到了相应的作用。
本算法的终止条件有两个:
(1)设定一定的迭代次数上限,当迭代次数达到上限时,算法终止,否则继续;
(2)依据目标函数值的变化,当目标函数值连续若干次未发生改变时,则算法终止,否则继续。
本发明的主要特点有:
(1)基于城市交通限行下的背景,结合道路时间窗与载重限制约束,并在目标函数中考虑了了碳排放成本,从而构建了混合能源车队路径优化模型;
(2)针对该模型,设计了自适应大邻域搜索算法;
(3)设计的大邻域算法能快速求出问题的高质量解,且在规模较小的时候,能求出最优解;在大规模时,能给出问题的高质量解。本发明在破坏、修复的过程中设计了多个算子,结合Metropolis以一定的概率接受较差解,并对相应的算子赋分,使得自适应大邻域搜索算法能在模型求解时发挥多种算子的搜索能力,从而使得结果质量高、稳定性好。故本发明重点描述在交通限行背景下多能源车队配送路径优化模型,同时采用自适应大邻域搜索算法进行求解。
本实施例由一个配送中心、两个换电站、十个顾客构成。其中0表示配送中心,1-10表示顾客,11和12表示换电站,13表示虚拟配送中心,其中各顾客间存在道路时间窗与载重限制。
本实施例中,采用前述的混合能源车队配送路径优化模型,模型中相关的符号取值如下:μ0={0},v0={13},C={1,2,3,4,5,6,7,8,9,10},N={11,12},K1={1,2,3}K2={4,5,6}。目标函数、约束条件以及其他参数如前述模型所示。
为简化考虑模型,本发明假设传统燃油货车与新能源货车各只有一种车型。各参数的数值如表1所示。
表1
各点坐标及需求如表2所示:
表2
其中,各点之间距离单位为千米,每一个需求单位表示50kg。
道路时间窗与载重限制如表3、表4所示:
表3
通行时间窗(单位:时)
TW | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 |
0 | [0,0] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] |
1 | [0,6] | [0,0] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] |
2 | [0,6] | [0,6] | [0,0] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] |
3 | [0,6] | [0,6] | [0,6] | [0,0] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] |
4 | [4,6] | [4,6] | [4,6] | [4,6] | [0,0] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] |
5 | [4,6] | [4,6] | [4,6] | [4,6] | [0,6] | [0,0] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] |
6 | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [0,0] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] |
7 | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [0,0] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] |
8 | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,0] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] |
9 | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,7] | [0,0] | [0,7] | [0,7] | [0,7] | [0,7] |
10 | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,0] | [0,6] | [0,6] | [0,6] |
11 | [4,6] | [4,6] | [4,6] | [4,6] | [0,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [4,6] | [0,0] | [4,6] | [0,6] |
12 | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [4,7] | [0,7] | [0,0] | [0,7] |
13 | [0,6] | [0,0] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,6] | [0,0] |
表4
道路最大可通行载重(单位:吨)
/>
本实施例中,采用如下算子权重更新策略:
未执行迭代操作时,初始状态为各算子设置相同的分数,如100分,此时各算子权重相等,采用轮盘赌选择机制,每个算子被选择的概率也是相等的。但是随着迭代不断进行,各算子的权重在不断发生变化。依据Metropolis准则,当修复的解优于当前最优解时赋予一个分数,如4分;当不优于当前最优解但优于上一代的解时赋予一个分数,如3分;当不优于上一代解时但是为新解时赋予一个分数,如2分,否则赋1分。如此操作,每迭代一次后,算子都会有一个评分,从而依据公式:
计算每个算子的权重,再基于该权重采用轮盘赌方法选择下一次迭代用到的算子。其中,αk为第k个算子的累计得分。
本实施例中,采用如下算法终止条件,当满足以下其一时,即可跳出迭代循环,返回当前搜索到的运营成本最低的路径:
a)设定迭代次数上限2000次,当迭代次数达到上限时,算法终止,否则继续;
b)依据目标函数值的变化,当目标函数值连续100次未发生改变时,算法终止,否则继续。
本实施例中,在算法开始阶段时,每个算子各有100分的分值,从而每个算子被选择的概率相等。在使用算子迭代之前,先使用贪婪算法,基于插入成本最低的原则不断将各个顾客插入生成初始解,直至将顾客全部插入至路径中,从而得到顾客的访问顺序与总的使用车辆类型及数量。在初始解中,此时顾客由五辆车配送,其中2辆为燃油货车,3辆为电动货车,如图2中(a)所示,总成本为1193.345元。假设此时通过轮盘赌选择方法选择了随机顾客破坏算子与后悔值修复算子;然后通过后悔值修复算子完成修复生成一个解,如图2中(b)所示,由四辆货车配送,包括1辆燃油货车,3辆电动货车,总成本为1132.119元。此时意味着完成一次迭代操作,便给相应的算子进行赋分操作,再进行下一次迭代,反复操作直至循环结束。迭代完成后,生成最终的配送方案,由四辆车配送,其中3辆为燃油货车,1辆为电动货车,总成本已经降至930.796元,如图2中(c)所示为最终的配送方案。相对于初始解,有了较大的改善。
Claims (7)
1.一种混合能源车队配送路径优化方法,其特征在于,包括以下步骤:
步骤1、获取当前城市中顾客位置、顾客需求、车辆类型、各区域对应的道路时间窗与载重限制数据;
步骤2、依据步骤1中获取的数据,通过导航获得车辆各条道路的通过时间;
步骤3、构建一个基于所述道路时间窗与所述载重限制的混合能源车队配送路径优化模型;
步骤4、基于所述混合能源车队配送路径优化模型,构造自适应大邻域搜索算法,包括设计的修复算子、破坏算子、迭代终止准则;
步骤5、根据前述各步骤获取的数据,使用所述自适应大邻域搜索算法进行求解,得出配送方案;
步骤3中的模型分为两部分,即目标函数与约束条件;
目标函数:
Min SC+DC+CTC+WC+EC(6)
约束条件:
上述模型中,参数含义如下:
μ0:配送中心;
v0:虚拟配送中心;
C:顾客集合;
N:换电站集合;
D:D=C∪N;
V:V={μ0}∪C;
V′:V′={v0}∪C;
S:S={μ0}∪C∪N;
S′:S′={v0}∪C∪N;
A:有向弧集(i,j),i∈S,j∈S′,i≠j;
K1:燃油货车集合,K1={1,2,...,l},l∈Z+,Z+是正整数集合;
K2:电动货车集合,K2={l+1,l+2,...,l+m},m∈Z+,Z+是正整数集合;
K:K=K1∪K2;
s:顾客的服务时间;
gi:顾客i的需求量,i∈C;
dij:道路(i,j)的距离,(i,j)∈A;
tij:车辆在道路(i,j)上的行驶时间,(i,j)∈A;
[eij,lij]:道路(i,j)的时间窗,(i,j)∈A;
Gij:道路(i,j)允许通行的最大载重,(i,j)∈A;
Ce:单位碳排放的交易价格;
p1:单位油价;
p2:单位电价;
ρ:单位等待时间成本;
v:车辆行驶速度;
f1:使用燃油货车的固定成本;
f2:使用电动货车的固定成本;
Q1:燃油货车的最大载重;
Q2:电动货车的最大载重;
B:电动货车电池容量;
U:燃油货车空载时行驶单位距离的耗油量;
u:燃油货车运输单位货物行驶单位距离的耗油量;
J:燃油货车空载时行驶单位距离的碳排放量;
E:燃油货车运输单位货物行驶单位距离的碳排放量;
h:电动货车空载行驶单位距离的耗电量;
电动货车运输单位货物行驶单位距离的耗电量;
M:足够大的常数,如M>10000;
决策变量含义如下:
车辆k是否直接穿过道路(i,j);若车辆穿过/>为1,否则为0,k∈K,i∈V,j∈V',i≠j;
车辆k从顾客i去顾客j的途中是否访问换电站;若车辆访问换电站/>为1,否则为0,k∈K2,a∈N,i∈V,j∈V',i≠j;
车辆k离开点i的载重,k∈K,i∈S;
Wi k:燃油货车k在点i的等待时间,k∈K1,i∈V;
电动货车k到达点i的剩余电量,k∈K2,i∈S';
Ti k:燃油货车k到达点i的时间,k∈K1,i∈V';
燃油货车k离开点i的时间,k∈K1,i∈V;
车辆到达配送中心μ0的时间;
车辆离开配送中心μ0的时间;
上述模型中,目标函数考虑了车辆启动成本SC、燃油货车运输成本DC、碳排放成本CTC、等待时间成本WC以及电动货车运输成本EC;
在步骤4中,算法设计,所构建的模型由自适应大邻域搜索算法求解;所述的大邻域搜索算法求解,即在初始解生成后,采用轮盘赌机制不断的选择破坏算子与修复算子对当前的路径进行操作,从而为配送车辆提供行驶路径的改善空间;破坏算子是以一定的规则移除当前货车行驶路径中的若干个顾客,修复算子则是以一定的规则将破坏算子移除的顾客插入当前的行驶路径中;所设计的破坏算子需要兼顾解的多样性与稳定性,即生成的解要尽可能的多样,防止陷入局部最优,同时要使得最终输出的解以很高的概率稳定在一个较优的值,从而实现理想的运营成本。
2.根据权利要求1所述的混合能源车队配送路径优化方法,其特征在于:所述步骤3中,所述混合能源车队配送路径优化模型包括目标函数和约束条件。
3.根据权利要求1所述的混合能源车队配送路径优化方法,其特征在于:所述步骤4中,所述破坏算子包括以下一个或者多个组合:随机路径破坏算子、随机顾客破坏算子、最短路径破坏算子、最差成本破坏算子、最差等待时间破坏算子、Shaw破坏算子。
4.根据权利要求1所述的混合能源车队配送路径优化方法,其特征在于:所述步骤4中,所述修复算子包括以下一个或者多个组合:随机修复算子、距离贪婪修复算子、成本贪婪修复算子、穷尽贪婪修复算子、后悔值修复算子、非短视规则修复算子。
5.根据权利要求1所述的混合能源车队配送路径优化方法,其特征在于:所述步骤4中,所述迭代终止准则包括:设定一定的迭代次数上限,当迭代次数达到上限时,算法终止,否则继续;和/或,依据目标函数值的变化,当目标函数值连续若干次未发生改变时,算法终止,否则继续。
6.根据权利要求1所述的混合能源车队配送路径优化方法,其特征在于:所述步骤5中,使用所述自适应大邻域搜索算法进行求解时,在对解进行破坏与修复之前生成一个初始解。
7.据权利要求6所述的混合能源车队配送路径优化方法,其特征在于:所述生成一个初始解包括如下步骤:
依据车辆类型分配各车型需派送顾客的数量;
任取一个顾客,计算该顾客与其余各顾客的时间窗差值,所述时间窗差值即任意两顾客间的道路时间窗最迟可通行时间与最早可通行时间差值,对所述该顾客与其余各顾客的时间窗差值求和并取倒数,根据该倒数值的大小将不同车型分配给不同顾客;
采用贪婪算法,依据插入成本最低原则,逐个将未被服务的顾客插入到当前路径中,直至全部顾客插入路径中,生成初始解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715834.XA CN116703291B (zh) | 2023-06-15 | 2023-06-15 | 一种混合能源车队配送路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310715834.XA CN116703291B (zh) | 2023-06-15 | 2023-06-15 | 一种混合能源车队配送路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703291A CN116703291A (zh) | 2023-09-05 |
CN116703291B true CN116703291B (zh) | 2024-01-05 |
Family
ID=87827330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310715834.XA Active CN116703291B (zh) | 2023-06-15 | 2023-06-15 | 一种混合能源车队配送路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703291B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019028992A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社日立製作所 | 配送車両の配送計画生成方法、装置およびシステム |
CN111191813A (zh) * | 2019-10-14 | 2020-05-22 | 重庆邮电大学 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
CN112884409A (zh) * | 2021-02-26 | 2021-06-01 | 上海东普信息科技有限公司 | 配送路线推荐方法、装置、设备及存储介质 |
CN112907188A (zh) * | 2021-03-12 | 2021-06-04 | 北京化工大学 | 一种基于自适应邻域搜索算法的共享单车搬运优化方法 |
CN113379115A (zh) * | 2021-06-04 | 2021-09-10 | 大连海事大学 | 模糊需求下带时间窗的时间依赖型绿色车辆路径优化方法 |
CN114781706A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
CN116187896A (zh) * | 2023-04-28 | 2023-05-30 | 湖南工商大学 | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 |
-
2023
- 2023-06-15 CN CN202310715834.XA patent/CN116703291B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019028992A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社日立製作所 | 配送車両の配送計画生成方法、装置およびシステム |
CN111191813A (zh) * | 2019-10-14 | 2020-05-22 | 重庆邮电大学 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
CN112884409A (zh) * | 2021-02-26 | 2021-06-01 | 上海东普信息科技有限公司 | 配送路线推荐方法、装置、设备及存储介质 |
CN112907188A (zh) * | 2021-03-12 | 2021-06-04 | 北京化工大学 | 一种基于自适应邻域搜索算法的共享单车搬运优化方法 |
CN113379115A (zh) * | 2021-06-04 | 2021-09-10 | 大连海事大学 | 模糊需求下带时间窗的时间依赖型绿色车辆路径优化方法 |
CN114781706A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
CN116187896A (zh) * | 2023-04-28 | 2023-05-30 | 湖南工商大学 | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 |
Non-Patent Citations (2)
Title |
---|
订单共享下的多中心逆向物流路径优化;李想等;物流科技(第10期);全文 * |
面向带时间窗车辆路径规划问题的多目标优化方法的研究;王闯;中国优秀硕士学位论文;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703291A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jie et al. | The two-echelon capacitated electric vehicle routing problem with battery swapping stations: Formulation and efficient methodology | |
James | Two-stage request scheduling for autonomous vehicle logistic system | |
Alesiani et al. | Optimization of charging stops for fleet of electric vehicles: A genetic approach | |
CN109559062B (zh) | 一种合作式物流问题的任务分配与路径规划方法 | |
CN110909952B (zh) | 一种带移动配送站的城市两级配送及调度方法 | |
CN116645027B (zh) | 基于alns框架的配送车-无人机协同配送路径规划方法 | |
Ma et al. | Rebalancing stochastic demands for bike-sharing networks with multi-scenario characteristics | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
Erdelić et al. | Electric vehicle routing problem with single or multiple recharges | |
CN111882156B (zh) | 面向随机动态客流和节能运行的列车时刻表鲁棒优化方法 | |
CN116911729A (zh) | 一种考虑电池更换计划的无人机与卡车协同配送方法 | |
CN113222291A (zh) | 一种基于空间区域划分模型的三维装载优化方法 | |
CN115879657A (zh) | 考虑多站点容量设计的电动车换电站选址路径优化方法 | |
CN117035598A (zh) | 区域限制下的车机协同路径规划方法和系统 | |
CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
CN116703291B (zh) | 一种混合能源车队配送路径优化方法 | |
CN113222462A (zh) | 一种基于协同进化的露天矿多能源卡车调度优化方法 | |
Fan | Routing optimization method of waste transportation vehicle using biological evolutionary algorithm under the perspective of low carbon and environmental protection | |
CN111507662B (zh) | 一种规划物流车辆路径的方法 | |
CN113469473B (zh) | 一种考虑逆向物流的同城配送路线规划方法 | |
CN113990093A (zh) | 一种无人驾驶电动出租车动态合乘调度系统及方法 | |
CN114819327A (zh) | 一种基于高维网络的集散货一体化电动车辆路径优化方法 | |
Liakos et al. | Cooperative routing and scheduling of an electric vehicle fleet managing dynamic customer requests | |
CN112684790A (zh) | 一种可实现避障的自导向电动物流车辆路径规划方法 | |
Huerta-Rojo et al. | An ant-based approach to solve the electric vehicle routing problem with time windows and partial recharges |
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 |