CN116843262B - 基于大数据的智慧医药物流的配送路径规划方法 - Google Patents

Abstract

本发明属于物流配送应用技术领域，涉及一种基于大数据的智慧医药物流的配送路径规划方法。本发明提供一种基于大数据的智慧医药物流的配送路径规划方法，通过确定以时间和距离为考虑因素的目标函数，在充分的约束条件下，以蚁群算法为目的函数求解的求解算法，利用A*算法结合转角因素的情况下，对启发函数进行改进，使启发函数考虑到初始点与目标点的方向问题，避免造成蚁群寻优方向的偏差的问题，通过将期望启发因子和信息素启发因子由定值调整为根据迭代次数来确定的数值，逐步提高算法的收敛性能，最后，通过对信息素更新公式的确定，防止种群陷入局部最优，最终使蚁群算法增加收敛速度的同时能够很大地对折弯进行减少。

Description

基于大数据的智慧医药物流的配送路径规划方法

技术领域

本发明属于物流配送应用技术领域，尤其涉及一种基于大数据的智慧医药物流的配送路径规划方法。

背景技术

现在，每天都有大量的医疗药品(如医疗试剂和活性疫苗)需要从固定式的集散地运往医院、社区服务中心、药店或者防疫中心，由于不同的医疗配送点的需求量不同，配送时间要求不同，这就导致配送的流程复杂化。

而传统的物流公司在配送的过程中，一般就简单确定一下路线，然后，进行配送，如果一辆车无法拉了所需的物质，就再派一辆车，缺少合理的规划，进而导致物流公司的运营成本较高。

为此，物流运输调度问题一直以来都是作为物流配送的热点研究问题，随着计算机技术的快速发展，人们利用多种启发式算法对物流问题进行解决，归纳起来目前求解物流配送路径优化问题较为有效的方法主要有:蚁群算法，禁忌搜索算法，模拟退火算法，遗传算法。其中，蚁群算法蚁群算法是通过模拟蚂蚁觅食的行为进而提出的一种启发式算法。蚂蚁在觅食的过程中能够在它们所走的路径上留下信息素，并通过信息素进行交流，信息素的强弱可以影响蚂蚁的觅食方向，使蚂蚁朝着信息素较多的方向觅食。根据这一特性，将蚁群算法应用在物流规划中用来解决配送路径规划的问题，从而找到一条成本最低配送路径。

蚁群算法具有并行性，使得在求解问题的过程中，每个个体都能够找到可行解，个体之间相互沟通。在对问题进行每一次的循环求解时，对于已经走过的节点会记录保存下来从而使蚂蚁不会走重复的节点，提高算法求解问题的效率。同时蚁群算法适用性强，对于解决其他类型的问题，仅需要将算法根据问题模型稍微改动，便可求解其他类型的组合优化问题，还可以针对性地改进、优化算法自身的不足。

但蚁群算法在收敛速度方面较慢，当搜索空间较大时，耗时较多，求解效率较低。由于蚁群算法中蚂蚁在觅食时是依靠路径上的信息素，所以当路径上的信息素较多时，会使后面大量的蚂蚁选择这条信息素较多的路径，从而使得蚂蚁无法发现其他更短路径，算法陷入局部最优状态。

为此，如何有效的利用蚁群算法更为准确、快捷的得到所需要的规划路径是目前需要解决的重点问题。

发明内容

本发明针对上述的蚁群算法在医药物流规划上的应用不足所存在的技术问题，提出一种设计合理、方法简单且能够有效提高计算效率、避免局部最优的基于大数据的智慧医药物流的配送路径规划方法。

为了达到上述目的，本发明采用的技术方案为，本发明提供一种基于大数据的智慧医药物流的配送路径规划方法，包括以下步骤：

a、首先获取配送中心车辆的个数K、车辆的固定载重量q₀、配送点的集合H、配送点i所需要的配送量q_i、配送中心到任意配送点或任意配送点之间的距离l_ij、配送中心到任意配送点或任意配送点之间配送所需要的时间t_ij、配送点i可接受最晚配送的时间RT_i、车辆k运往配送点i的配送量以及车辆k的最大行驶距离L_k；

b、然后构建最低成本目标函数和约束函数，其中，目标函数为：

其中，minC为配送完所有待配送点的最低成本，为车辆k从节点i到节点j的距离，/>为车辆k从节点i到节点j的时间，

约束函数为：

其中，y_ki表示若节点i由车辆k服务，则y_ki＝1；否则y_ki＝0，其中，i∈H，k∈K；其表示为每个配送点仅被一辆车服务一次，

其表示为每个配送点最多被两辆车服务，

其中，若车辆k从节点i驶向节点j，则x_ijk＝1；否则，x_ijk＝0，其中i,j∈H，k∈K，且i≠j，其表示为每辆车辆从配送中心出发且完成配送任务后再返回原配送中心，

其表示用于限制配送中心可使用的车辆数，

其表示车辆的装载能力约束，

其表示为车辆k的行驶距离不超过车辆k的最大行驶距离L_k，

s.t.T_i≤RT_i

其中，T_i为节点i接收到货物的时间，其限制每个节点接收到货物的时间不得晚于规定的阈值，

其中，k_i为车辆k所配送的配送点，其表示为参与配送的车辆所经过的配送点至少要覆盖所有的配送点一次。

c、然后通过蚁群算法对b步骤构建的目标函数求解得到配送路径规划方案；

其中，所述c步骤的具体操作办法为：

c1、首先利用可视图法对地图进行构建，设置配送中心、配送点以及障碍物的坐标；

c2、初始化参数，并将所有蚂蚁放在配送中心上；

c3、计算启发函数以及计算转移概率来确定蚂蚁下一个要走的节点，将走过的节点存放在禁忌表中，当蚂蚁到达目的点时，即完成一次搜索，记录本次迭代的最优路径，并对信息素进行更新；

c4、判断是否达到最大迭代次数，若达到，则对各次迭代输出的路径进行比较，确定最优路径进行输出，若未达到，则返回c3步骤；

其中，所述c3步骤中，启发函数的计算公式为：

其中，s为节点i在单位距离内可以选择下一节点的个数，m为当前节点i为方向为正方向上下180°范围在单位距离内可以选择下一节点的个数，F(n)为采用A*算法的评价函数；

所述转移概率的计算公式为：

其中，是指在第t迭代中节点j被选择的概率，/>为节点i和节点j之间的信息素浓度，α表示信息素启发因子，β表示期望启发因子，allowH表示候选节点的集合，为启发函数。

作为优选，所述c3步骤中，信息素浓度的确定公式为：

其中，Q为蚂蚁一次寻路可释放的总信息素浓度，m为当前节点i为方向为正方向上下180°范围在单位距离内可以选择下一节点的个数。

作为优选，所述信息素启发因子的确定公式为：

其中，α_min为信息素启发因子最小值，α_max为信息素启发因子最大值，N_c为当前迭代次数，N_max为最大迭代次数。

作为优选，所述期望启发因子的确定公式为：

其中，β_min为期望启发因子最小值，β_max为期望启发因子最大值，N_c为当前迭代次数，N_max为最大迭代次数。

作为优选，所述c3步骤中，信息素进行更新的公式为：

其中，b为当前优秀的蚂蚁序号；ξ_b为当前状态下蚂蚁优秀解的信息素量；μ为在迭代完成后蚂蚁优秀解的搜索期望；σ为在蚂蚁完成一次迭代之后，遍历路径的最优蚂蚁b和较差蚂蚁信息素量的方差值；N_max为蚂蚁的迭代次数。

与现有技术相比，本发明的优点和积极效果在于，

本发明提供一种基于大数据的智慧医药物流的配送路径规划方法，通过确定以时间和距离为考虑因素的目标函数，在充分的约束条件下，以蚁群算法为目的函数求解的求解算法，利用A*算法结合转角因素的情况下，对启发函数进行改进，使启发函数考虑到初始点与目标点的方向问题，避免造成蚁群寻优方向的偏差的问题，通过将期望启发因子和信息素启发因子由定值调整为根据迭代次数来确定的数值，逐步提高算法的收敛性能，最后，通过对信息素更新公式的确定，防止种群陷入局部最优，最终使蚁群算法增加收敛速度的同时能够很大地对折弯进行减少，从而在路径规划的同时对路径进行平滑处理，达到最优路线规划的目的。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。

实施例1，本实施例提供一种基于大数据的智慧医药物流的配送路径规划方法，以解决现有路径规划所存在的技术问题。

在路径规划中，首先要确定的要达到目的，是以最短路程为最佳输出方案，还是以最短时间为最佳输出方案，在此处为什么最短路程不是最短时间的主要原因是道路上可能存在修路等原因，导致路途短反而行驶时间长的问题，为此，在本实施例中对其进行综合考虑，寻求最具性价比的分配方案，即时间和路径综合起来为最佳的方案，为此，其目标函数为：

其中，minC为配送完所有待配送点的最低成本，为车辆k从节点i到节点j的距离，/>为车辆k从节点i到节点j的时间。

那么对目标函数进行计算，首先要获取配送中心车辆的个数K、车辆的固定载重量q₀、配送点的集合H、配送点i所需要的配送量q_i、配送中心到任意配送点或任意配送点之间的距离l_ij、配送中心到任意配送点或任意配送点之间配送所需要的时间t_ij，在此处，时间t_ij的确定方式为根据交通信息所提供的近7天内、配送中心到任意配送点或任意配送点之间配送所需要的最长时间。

当然，还有配送点i可接受最晚配送的时间RT_i、车辆k运往配送点i的配送量以及车辆k的最大行驶距离L_k(以配送中心所有车辆为同种车辆的情况下)。

确定好目标函数以及各个条件后，就需要确定目标函数的约束条件，为此，约束函数为：

其中，y_ki表示若节点i由车辆k服务，则y_ki＝1；否则y_ki＝0，其中，i∈H，k∈K；其表示为每个配送点仅被一辆车服务一次，此处的约束条件是必然的约束条件，因为，该车辆到达配送点后，其会将所有的货物卸下，其不存在返回二次卸货的问题，为此，其作为约束条件来存在。

其表示为每个配送点最多被两辆车服务，考虑到车辆的载重量以及配送点所需要的量若一个配送点只有一辆车来运输的话，可能导致车辆有空余的载重量因而导致所使用的车辆的个数的增加，为此，在本实施例中，以每个配送量最多有两个车辆来服务，避免载重量上的浪费。

其中，若车辆k从节点i驶向节点j，则x_ijk＝1；否则，x_ijk＝0，其中i,j∈H，k∈K，且i≠j，其表示为每辆车辆从配送中心出发且完成配送任务后再返回原配送中心。

其表示用于限制配送中心可使用的车辆数，因为配送中心最大可以使用的车辆个数就是K。

其表示车辆的装载能力约束。

其表示为车辆k的行驶距离不超过车辆k的最大行驶距离L_k。

s.t.T_i≤RT_i

其中，T_i为节点i接收到货物的时间，其限制每个节点接收到货物的时间不得晚于规定的阈值，

其中，k_i为车辆k所配送的配送点，其表示为参与配送的车辆所经过的配送点至少要覆盖所有的配送点一次。

通过上述的约束函数确定了对目标函数的约束条件，即可对目标函数进行计算，为此，通过蚁群算法对构建的目标函数求解得到配送路径规划方案。其中，蚁群算法具体操作办法为：

首先利用可视图法对地图进行构建，设置配送中心、配送点以及障碍物的坐标，由于在地图上配送点和配送点之间以及配送中心和配送点之间的路径不可能是直线，为此，需要设置障碍物坐标，从而方便确定最终的路线，当然，也可以采用格栅法对地图进行构建。

然后，初始化参数，并将所有蚂蚁放在配送中心上，参数包括蚂蚁数量、迭代次数N_max、信息素启发因子α、期望启发因子β，在本实施例中，蚂蚁数量确定为100。

然后，计算启发函数以及计算转移概率来确定蚂蚁下一个要走的节点，将走过的节点存放在禁忌表中，当蚂蚁到达目的点时，即完成一次搜索，记录本次迭代的最优路径，并对信息素进行更新。

判断是否达到最大迭代次数，若达到，则对各次迭代输出的路径进行比较，确定最优路径进行输出，若未达到，则返回上一步骤；

其中，启发函数的计算公式为：

其中，s为节点i在单位距离内可以选择下一节点的个数，m为当前节点i为方向为正方向上下180°范围在单位距离内可以选择下一节点的个数，F(n)为采用A*算法的评价函数；

在传统的蚁群算法的启发函数没有考虑到初始点与目标点的方向问题，并且当环境地图中相邻两个节点的距离较短时，且容易造成蚁群寻优方向的偏差。

而A*算法中对方向进行了考虑，同时，又考虑到路线的回折必然增加路径的长度，为此，在本实施例中，通过减少回折的节点，进一步解决方向的偏差问题。先设定两个集合，open集，close集，将起始点加入open集(设置父亲节点为空)；在open集中选着一个f(n)值最小的节点作为当前节点；将其添加到close集，并从open集中移除；若当前节点为终点节点，那么结束搜索处理当前节点的所有邻接节点；若该节点不在open集中，那么就将其添加到open集，(最好设置该节点的父节点为当前节点，以便确定路径)；若该节点已经添加到open集中，重新计算g(n)值，如果g(n)值小于先前的g(n)值，那么就跟新此值(同时跟新父节点)；若该节点不可通过或者已经被添加到close集，那么不予处理；如果open集不为空，继续执行。A*算法在路径规划中为常用算法，为此，在本实施例中，不加详细描述，本实施例此处的重点改进在于将其和节点选择方向引入到启发函数中。

蚂蚁在选择下一节点时，路径上的信息素浓度和启发函数一起影响着选择下一个节点的状态转移概率大小。为此，转移概率的计算公式为：

其中，是指在第t迭代中节点j被选择的概率，/>为节点i和节点j之间的信息素浓度，α表示信息素启发因子，β表示期望启发因子，allowH表示候选节点的集合，为启发函数。其中，信息素浓度的确定公式为：

其中，Q为蚂蚁一次寻路可释放的总信息素浓度，m为当前节点i为方向为正方向上下180°范围在单位距离内可以选择下一节点的个数。这是因为传统蚁群算法的信息素值在算法初始阶段是相同的，导致蚂蚁在迭代初期盲目搜索，在复杂环境中，这极大的增加了算法的搜索时间。因此提出一种基于节点位置关系和下一步可选择方向的数目的初始化信息素方法，设置不均匀分布的初始信息素，减少蚂蚁的盲目搜索，提高了算法早期的搜索速度。

考虑到在传统蚁群算法中，α和β的取值通常取自[1，9]之间。当α取值越大时，信息素浓度比重变大，加快了算法收敛速度，但蚂蚁容易陷入局部最优；α取值越小，信息素浓度比重变小，蚂蚁随机选择路径，算法收敛速度缓慢，迭代次数增加。β取值越大时，启发函数在状态转移概率中比重变大，蚂蚁根据路径长度选择下一运动节点，向目标点移动速度加快，但寻找的路径往往不是最优路径；β取值越小时，启发函数比重变小，蚂蚁主要依靠路径上的信息素浓度对下一节点进行选择，迭代次数增加，且不易收敛。为此，将传统的固定值的信息素启发因子和期望引发因子和迭代次数相集合，使其在迭代次数越大的情况下，值发生变化，进而达到前期增加选择路径，后期加快算法收敛速度，为此，信息素启发因子的确定公式为：

其中，α_min为信息素启发因子最小值，α_max为信息素启发因子最大值，N_c为当前迭代次数，N_max为最大迭代次数。

期望启发因子的确定公式为：

其中，β_min为期望启发因子最小值，β_max为期望启发因子最大值，N_c为当前迭代次数，N_max为最大迭代次数。

在蚁群算法中，信息素浓度的高低直接影响了后续蚂蚁的路径选择，所以，ρ的设置对算法的性能有重要的影响，ρ设置过大即信息素挥发较快，容易导致较优路径被排除；ρ设置过小即信息素挥发较慢，各路径上信息素含量差别较小导致收敛速度降低。在本实施例中，将ρ设置的前期大，以有效地提高蚂蚁的全局搜索，中期小，以保证信息素的稳定，后期大，以加快收敛。

为此，信息素进行更新的公式为：

其中，b为当前优秀的蚂蚁序号；ξ_b为当前状态下蚂蚁优秀解的信息素量；μ为在迭代完成后蚂蚁优秀解的搜索期望；σ为在蚂蚁完成一次迭代之后，遍历路径的最优蚂蚁b和较差蚂蚁信息素量的方差值；N_max为蚂蚁的迭代次数。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种基于大数据的智慧医药物流的配送路径规划方法，其特征在于，包括以下步骤：

a、首先获取配送中心车辆的个数K、车辆的固定载重量q₀、配送点的集合H、配送点i所需要的配送量q_i、配送中心到任意配送点或任意配送点之间的距离l_ij、配送中心到任意配送点或任意配送点之间配送所需要的时间t_ij、配送点i可接受最晚配送的时间RT_i、车辆k运往配送点i的配送量以及车辆k的最大行驶距离L_k；

b、然后构建最低成本目标函数和约束函数，其中，目标函数为：

其中，minC为配送完所有待配送点的最低成本，为车辆k从节点i到节点j的距离，/>为车辆k从节点i到节点j的时间，

约束函数为：

其中，y_ki表示若节点i由车辆k服务，则y_ki＝1；否则y_ki＝0，其中，i∈H，k∈K；其表示为每个配送点仅被一辆车服务一次，

其表示为每个配送点最多被两辆车服务，

其中，若车辆k从节点i驶向节点j，则x_ijk＝1；否则，x_ijk＝0，其中i,j∈H，k∈K，且i≠j，其表示为每辆车辆从配送中心出发且完成配送任务后再返回原配送中心，

其表示用于限制配送中心可使用的车辆数，

其表示车辆的装载能力约束，

其表示为车辆k的行驶距离不超过车辆k的最大行驶距离L_k，

s.t.T_i≤RT_i

其中，T_i为节点i接收到货物的时间，其限制每个节点接收到货物的时间不得晚于规定的阈值，

其中，k_i为车辆k所配送的配送点，其表示为参与配送的车辆所经过的配送点至少要覆盖所有的配送点一次；

c、然后通过蚁群算法对b步骤构建的目标函数求解得到配送路径规划方案；

其中，所述c步骤的具体操作办法为：

c1、首先利用可视图法对地图进行构建，设置配送中心、配送点以及障碍物的坐标；

c2、初始化参数，并将所有蚂蚁放在配送中心上；

c3、计算启发函数以及计算转移概率来确定蚂蚁下一个要走的节点，将走过的节点存放在禁忌表中，当蚂蚁到达目的点时，即完成一次搜索，记录本次迭代的最优路径，并对信息素进行更新；

c4、判断是否达到最大迭代次数，若达到，则对各次迭代输出的路径进行比较，确定最优路径进行输出，若未达到，则返回c3步骤；

其中，所述c3步骤中，启发函数的计算公式为：

其中，s为节点i在单位距离内可以选择下一节点的个数，m为当前节点i为方向为正方向上下180°范围在单位距离内可以选择下一节点的个数，F(n)为采用A*算法的评价函数；

所述转移概率的计算公式为：

其中，是指在第t迭代中节点j被选择的概率，/>为节点i和节点j之间的信息素浓度，α表示信息素启发因子，β表示期望启发因子，allowH表示候选节点的集合，/>为启发函数。

2.根据权利要求1所述的基于大数据的智慧医药物流的配送路径规划方法，其特征在于，所述c3步骤中，信息素浓度的确定公式为：

其中，Q为蚂蚁一次寻路可释放的总信息素浓度，m为当前节点i为方向为正方向上下180°范围在单位距离内可以选择下一节点的个数。

3.根据权利要求2所述的基于大数据的智慧医药物流的配送路径规划方法，其特征在于，所述信息素启发因子的确定公式为：

其中，α_min为信息素启发因子最小值，α_max为信息素启发因子最大值，N_c为当前迭代次数，N_max为最大迭代次数。

4.根据权利要求3所述的基于大数据的智慧医药物流的配送路径规划方法，其特征在于，所述期望启发因子的确定公式为：

其中，β_min为期望启发因子最小值，β_max为期望启发因子最大值，N_c为当前迭代次数，N_max为最大迭代次数。

5.根据权利要求4所述的基于大数据的智慧医药物流的配送路径规划方法，其特征在于，所述c3步骤中，信息素进行更新的公式为：

其中，b为当前优秀的蚂蚁序号；ξ_b为当前状态下蚂蚁优秀解的信息素量；

μ为在迭代完成后蚂蚁优秀解的搜索期望；σ为在蚂蚁完成一次迭代之后，遍历路径的最优蚂蚁b和较差蚂蚁信息素量的方差值；N_max为蚂蚁的迭代次数。