CN117236545B - 基于大数据的物流运输路径规划系统及方法 - Google Patents
基于大数据的物流运输路径规划系统及方法 Download PDFInfo
- Publication number
- CN117236545B CN117236545B CN202311512836.5A CN202311512836A CN117236545B CN 117236545 B CN117236545 B CN 117236545B CN 202311512836 A CN202311512836 A CN 202311512836A CN 117236545 B CN117236545 B CN 117236545B
- Authority
- CN
- China
- Prior art keywords
- weed
- path planning
- individual
- logistics transportation
- transportation path
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241000196324 Embryophyta Species 0.000 claims abstract description 261
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims 2
- 239000000446 fuel Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 239000002245 particle Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及路径规划技术领域，提供一种基于大数据的物流运输路径规划系统及方法，系统包括：路径规划控制中台、初始模块、计算模块和输出模块；初始模块、计算模块和输出模块分别与路径规划控制中台连接，路径规划控制中台用于对初始模块、计算模块和输出模块进行控制；初始模块用于确定杂草种群中每个杂草个体对应的物流运输路径规划策略；计算模块用于计算每个杂草个体的适应度值；输出模块用于输出物流运输路径规划优化结果。本申请提供的基于大数据的物流运输路径规划系统提高了运输效率并降低运输成本。
Description
技术领域
本申请涉及路径规划技术领域，尤其涉及一种基于大数据的物流运输路径规划系统及方法。
背景技术
物流运输是运输中的重要环节，但存在效率低、成本高、污染严重等问题。末端运输需要运输货物时间紧迫程度不一，运输的时间要求不同，增加了运输的难度。末端运输的路径复杂，目前还主要依赖于运输人员的人力工作，在设计运输路径时没有做出更多的考虑，存在重复交叉的路径运输问题，导致运输耗时长，车辆空间无法充分利用，造成了运输资源的浪费。
发明内容
本申请提供一种基于大数据的物流运输路径规划系统及方法，用以解决现有技术中运输耗时长、车辆空间无法充分利用以及运输资源浪费等缺陷，实现提高运输效率并降低运输成本。
第一方面，本申请提供一种基于大数据的物流运输路径规划系统，包括：路径规划控制中台、初始模块、计算模块和输出模块；
所述初始模块、所述计算模块和所述输出模块分别与所述路径规划控制中台连接，所述路径规划控制中台用于对所述初始模块、所述计算模块和所述输出模块进行控制；
所述初始模块用于：初始化杂草算法中的杂草种群，确定所述杂草种群中每个杂草个体对应的物流运输路径规划策略；
所述计算模块用于：基于所述每个杂草个体对应的物流运输路径规划策略，计算所述每个杂草个体的适应度值；所述适应度值基于所述物流运输路径规划策略的运输配送总成本确定；
所述输出模块用于：判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行所述杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复所述进行所述杂草种群的生长繁殖操作、所述计算生长繁殖后的杂草个体的适应度值以及所述确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
第二方面，本申请提供一种基于大数据的物流运输路径规划方法，包括：
初始化杂草算法中的杂草种群，确定所述杂草种群中每个杂草个体对应的物流运输路径规划策略；
基于所述每个杂草个体对应的物流运输路径规划策略，计算所述每个杂草个体的适应度值；所述适应度值基于所述物流运输路径规划策略的运输配送总成本确定；
判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第二方面任一种所述基于大数据的物流运输路径规划方法。
第四方面，本申请提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第二方面任一种所述基于大数据的物流运输路径规划方法。
本申请提供的基于大数据的物流运输路径规划系统及方法，系统包括：路径规划控制中台、初始模块、计算模块和输出模块；初始模块、计算模块和输出模块分别与路径规划控制中台连接，路径规划控制中台用于对初始模块、计算模块和输出模块进行控制；初始模块用于确定杂草种群中每个杂草个体对应的物流运输路径规划策略；计算模块用于计算每个杂草个体的适应度值；输出模块用于输出物流运输路径规划优化结果。通过基于大数据的物流运输路径规划系统提高了运输效率并降低运输成本。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请提供的基于大数据的物流运输路径规划系统的结构示意图；
图2为本申请提供的基于大数据的物流运输路径规划方法的流程示意图；
图3是本申请提供的基于大数据的物流运输路径规划方法的流程图；
图4为本申请提供的计算杂草个体的适应度值的流程图；
图5为本申请提供的杂草算法与其他算法的路径规划运输成本对比的示意图；
图6为本申请提供的杂草算法与其他算法的运行时间对比的示意图；
图7为本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请提供的基于大数据的物流运输路径规划系统的结构示意图，如图1所示，该系统包括：路径规划控制中台10、初始模块20、计算模块30和输出模块40。初始模块20、计算模块30和输出模块40分别与路径规划控制中台10连接。
可选的，路径规划控制中台10对初始模块20、计算模块30和输出模块40进行控制。
可选的，初始模块20初始化杂草算法中的杂草种群，确定杂草种群中每个杂草个体对应的物流运输路径规划策略。
可选的，计算模块30基于每个杂草个体对应的物流运输路径规划策略，计算每个杂草个体的适应度值，适应度值基于物流运输路径规划策略的运输配送总成本确定。
可选的，输出模块40判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复进行杂草种群的生长繁殖操作、计算生长繁殖后的杂草个体的适应度值以及确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
本申请提供的基于大数据的物流运输路径规划系统包括：路径规划控制中台、初始模块、计算模块和输出模块；初始模块、计算模块和输出模块分别与路径规划控制中台连接，路径规划控制中台用于对初始模块、计算模块和输出模块进行控制；初始模块用于确定杂草种群中每个杂草个体对应的物流运输路径规划策略；计算模块用于计算每个杂草个体的适应度值；输出模块用于输出物流运输路径规划优化结果，提高了运输效率并降低运输成本。
图2为本申请提供的基于大数据的物流运输路径规划方法的流程示意图，如图2所示，该方法包括以下步骤：
步骤201、初始化杂草算法中的杂草种群，确定杂草种群中每个杂草个体对应的物流运输路径规划策略。
步骤202、基于每个杂草个体对应的物流运输路径规划策略，计算每个杂草个体的适应度值。
步骤203、判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复进行杂草种群的生长繁殖操作、计算生长繁殖后的杂草个体的适应度值以及确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
具体地，可以首先根据运输服务相关的运输中心（例如仓库）和服务客户节点等建立运输交通信息图，根据运输交通信息图可以计算运输中心以及服务客户节点的点集和弧集，同时计算出各个点之间的距离，并可以通过系统查询得到各个服务客户所要求的时间窗。
然后根据运输交通信息图，建立并初始化杂草算法中的杂草种群，初始化杂草种群过程中，可以设定最大种群规模、最大迭代次数、最大种子数和最小种子数等值。杂草种群中的每个杂草个体都有一个编号，个体编号形式是实数行向量，列数等于待服务的客户数量，因此可以根据每个杂草个体的编号，确定每个杂草个体对应的物流运输路径规划策略。
可选地，确定杂草种群中每个杂草个体对应的物流运输路径规划策略，包括：
对于任意杂草个体，根据任意杂草个体的个体编号，确定串联所有服务客户的中间策略；
以单个车辆最大容量为约束条件对中间策略进行分割，得到任意杂草个体对应的物流运输路径规划策略。
具体地，可以根据杂草个体的个体编号中各个实数，确定串联所有服务客户的中间策略。一些实施方式中，可以对杂草种群中的任意个体，进行对个体编号中各个实数进行正序或逆序排序的操作，根据序号确定各个服务客户的次序，从而获得中间策略。
例如，假设杂草个体编号为[97.6 100.2 83.5 76.6 55.2 62.8 44.1]，则逆序排序后得到编号为[100.2 97.6 83.5 76.6 62.8 55.2 44.1]，100.2在原序列中的位置为2，97.6在原序列中的位置为1，83.5在原序列中的位置为3，因此个体编码对应的逆序次序为[2 1 3 4 6 5 7]，则中间策略为0-2-1-3-4-6-5-7-0。其中的不重复正整数代表服务客户的编号，编号0指的是仓库。该中间策略可以串联起所有服务客户的位置。
由于每个服务客户所要运输货物的需求不同，可以以单个车辆最大容量为约束条件对中间策略进行分割，使得原来的一条中间策略被划分为符合约束的多条路径，形成实际的物流运输路径规划策略。实际的物流运输路径规划策略表示将同时派多辆运输车辆同时出发，沿着划分的多条不同路径进行分别派送。
例如，设单个车辆最大容量为5t。假设服务客户1-7所需容量分别为3t、2t、1.5t、1.5t、4t、2t、1t。从前往后遍历中间策略0-2-1-3-4-6-5-7-0，可以发现路径2-1的两个客户2和1的需求分别为2t和3t，需要一辆车Ⅰ负责运输。路径3-4-6的三个客户3、4和6的需求分别为1.5t、1.5t和2t，需要另一辆车Ⅱ负责运输。路径5-7的两个客户5和7的需求分别为4t和1t，需要第三辆车Ⅲ负责运输。形成最终多车运输方案0-2-1-0、0-3-4-6-0、0-5-7-0，车辆Ⅰ、Ⅱ、Ⅲ分别沿着0-2-1-0、0-3-4-6-0、0-5-7-0的路径进行运输。
得到每个杂草个体对应的物流运输路径规划策略后，就可以根据每个杂草个体对应的物流运输路径规划策略，计算每个杂草个体的适应度值。
每个杂草个体的适应度值基于该杂草个体对应的物流运输路径规划策略的运输配送总成本确定。运输配送总成本可以根据整个方案的行驶距离、行驶车辆数、行驶时间、行驶车辆燃油消耗量等属性具体值计算得到。
一些实施方式中，运输配送总成本的具体公式为：w1×行驶距离+w2×行驶车辆数+w3×行驶时间+w4×行驶车辆燃油消耗量。其中w1、w2、w3和w4分别代表行驶距离、行驶车辆数、行驶时间和行驶车辆燃油消耗量的权重。
例如，假设路径0-2、2-1、1-0、0-3、3-4、4-6、6-0、0-5、5-7、7-0的行驶距离分别为30km、26km、45km、27km、25km、27km、18km、33km、32km、40km，行驶时间分别为1h、0.9h、1.7h、0.9h、0.9h、0.9h、0.5h、1.1h、1.1h、1.5h，行驶车辆燃油消耗量分别为1.2L、1.0L、1.8L、1.0L、1.0L、1.0L、0.7L、1.2L、1.2L、1.6L。那么物流运输路径规划策略0-2-1-0、0-3-4-6-0、0-5-7-0的行驶总距离为（30+26+45+27+25+27+18+33+32+40）=303km，行驶车辆数为3，行驶总时间为（1+0.9+1.7+0.9+0.9+0.9+0.5+1.1+1.1+1.5）=10.5h，行驶车辆燃油总消耗量为（1.2+1.0+1.8+1.0+1.0+1.0+0.7+1.2+1.2+1.6）=11.7L。可以认为行驶距离和行驶车辆燃料支出更加重要，因此需要保证其权重更大，设定行驶距离、行驶车辆数、行驶时间、行驶车辆燃油支出的权重分别为100、10、10、100。加权计算结果为：100×303+10×3+10×10.5+100×11.7=31605，即杂草个体编码[97.6 100.2 83.5 76.6 55.2 62.8 44.1]对应的综合成本值为31605。
根据上述步骤计算得到杂草种群中每个杂草个体的适应度值后，可以判断是否达到终止条件，在达到设定终止条件的情况下，将当前杂草种群中适应度值最小的杂草个体对应的物流运输路径规划策略输出为物流运输路径规划优化结果，表示其运输配送成本值最小。
一些实施方式中，设定的终止条件可以是达到设定的最大进化代数，即在杂草种群达到设定的最大进化代数后输出当前杂草种群中适应度值最小的杂草个体对应的物流运输路径规划策略。
在未达到设定终止条件的情况下，可以进行杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，并基于最大种群规模，确定进化后的杂草种群。
可以理解的是，杂草个体生长繁殖后会形成新的子代，新的子代杂草个体与原有杂草种群中的杂草个体一起形成新的杂草种群。而如果杂草种群规模有限，会淘汰部分个体，此时可以按照新的杂草种群中各个杂草个体的适应度值对各个杂草个体进行排序，基于最大种群规模，保留适应度值小的杂草个体，其余个体被淘汰，保留的杂草个体作为进化后的杂草种群。
得到进化后的杂草种群后，就可以再判断是否达到终止条件，如果未达到设定终止条件，可以不断重复进行杂草种群的生长繁殖操作、计算生长繁殖后的杂草个体的适应度值以及确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
本申请提供的基于大数据的物流运输路径规划方法，通过初始化杂草算法中的杂草种群，确定杂草种群中每个杂草个体对应的物流运输路径规划策略，然后基于每个杂草个体对应的物流运输路径规划策略的运输配送总成本，计算每个杂草个体的适应度值，未达到设定终止条件的情况下，不断生长繁殖，对杂草个体进行进化，直至达到终止条件，输出物流运输路径规划优化结果，从而得到一种既可以提高运输效率又能降低运输成本的基于大数据的物流运输路径规划策略。
可选地，进行杂草种群的生长繁殖操作，包括：
基于每个杂草个体的适应度值，确定每个杂草个体产生的种子数，以及确定每个杂草个体的种子的空间分布位置。
具体地，在使用杂草算法时，进行杂草种群的生长繁殖过程中，需要确定每个杂草个体产生的子代数量以及子代的空间分布位置。本申请实施例中，可以基于每个杂草个体的适应度值，确定每个杂草个体产生的种子数，以及确定每个杂草个体的种子的空间分布位置。
一些实施方式中，可以预先设置每个杂草个体可以产生的最大种子数和最小种子数，然后基于各个杂草个体的适应度值，使得每个杂草个体可产生的种子数根据其适应度值由最小值到最大值线性变化。
可选地，每个杂草个体产生的种子数根据以下公式计算得到：；
式中，为杂草个体产生的种子数，/>为当前杂草种群中最大的适应度值，/>为当前杂草种群中最小的适应度值，/>为设定的最大种子数值，为设定最小种子数值，/>为第i个杂草个体的空间位置，/>为第i个杂草个体的适应度值，/>表示向下取整操作。
一些实施方式中，杂草种群的空间分布可以体现杂草算法的随机性和适应性，每个杂草个体产生的种子在D维搜索空间，以正态分布随机分散在父代杂草附近。
可选地，每个杂草个体的种子的空间分布位置根据以下公式计算得到：式中，/>为第i个杂草个体产生的第seed个种子的空间位置，/>为第i个杂草个体的空间位置，/>是根据进化代数确定的标准差，可以随着进化代数的增加而逐渐减小。例如，/>可以根据以下公式确定：其中，/>为当前进化代数，/>为预先设置的最大进化代数，/>为初始的标准差，/>为最终的标准差，/>为非线性调节因子。
从而随着进化代数的增加，在较远区域产生种子的可能性非线性减小。在迭代初期，较大的标准差使得产生的种子分布在父代较远范围；在迭代后期，较小的标准差使得产生的种子分布在父代较近范围。这使得算法逐渐完成从全局搜索到局部搜索的转变，有利于提高算法的速度和效率。
可选地，在进行杂草种群的生长繁殖操作后，该方法还包括：
对生长繁殖后的杂草种群进行莱维飞行操作；和/或，
对生长繁殖后的杂草种群进行精英操作。
具体地，在进行杂草种群的生长繁殖操作后，确定进化后的杂草种群之前，可以对生长繁殖后的杂草种群进行莱维飞行操作；或者，可以对生长繁殖后的杂草种群进行精英操作；或者，可以对生长繁殖后的杂草种群进行莱维飞行操作和精英操作。
其中，对生长繁殖后的杂草种群进行莱维飞行操作，可以计算莱维飞行的步长，然后将步长与适应度值更差的一半杂草个体直接相加，从而利用莱维飞行的高概率大跨步随机游走特性，使粒子更容易逃离局部极值点。
莱维飞行的步长可以根据以下公式计算：/> 是一个随机变量，并服从正态分布，其中/>为预设值，/>和/>可以采用以下公式计算：/> 其中，/>表示伽玛函数。
对生长繁殖后的杂草种群进行精英操作，可以把群体在进化过程中迄今出现的最好个体（即精英个体）直接复制到下一代中。进行精英操作的过程，需要在寻优过程中根据适应度值对个体进行比较，将当前杂草个体与精英个体相比较，如果前者更优将其设为精英个体，如果后者更优保留原精英个体不变。
以下通过具体应用场景中的实施例对本申请提供的基于大数据的物流运输路径规划方法进行进一步的阐述。
实施例1：图3是本申请提供的基于大数据的物流运输路径规划方法的流程图，如图3所示，包括：
步骤1，建立运输交通信息图。根据运输交通信息图计算运输服务相关的运输中心以及服务点的点集与弧集，同时计算出各个点之间的距离。通过系统查询获得各个服务客户所要求的时间窗。
步骤2，建立并初始化莱维飞行精英杂草种群Y，设定最大种群规模，最大迭代次数maxiter，最大种子数/>和最小种子数/>，非线性调节因子/>。
步骤3，将个体编号转换成中间策略，再由中间策略转换为最终多车运输路径，并计算莱维飞行精英杂草种群的适应度值。
图4为本申请提供的计算杂草个体的适应度值的流程图，如图4所示，其包括：
步骤3.1，对莱维飞行精英杂草种群中的所有个体依次进行逆序排序的操作，从而获得中间策略。这个中间策略将串联起所有服务客户所在位置。
步骤3.2，根据车辆容量等约束条件对中间策略进行分割，使得原来的一条中间策略被划分为符合约束的多条路径，形成实际的物流运输路径规划策略。实际的物流运输路径规划策略将同时派多辆运输车辆同时出发，沿着划分的多条不同路径进行分别派送。
步骤3.3，根据上述多车辆路径规划策略，计算出每个方案的行驶距离、行驶车辆数、行驶时间、行驶车辆燃油消耗量等属性具体值。
步骤3.4，将最终路径规划策略的行驶距离、行驶车辆数、行驶时间、行驶车辆燃油消耗量多个属性加权计算，则能够获得最终的综合成本值。
例如，假设变异莱维飞行精英杂草个体编码为[97.6 100.2 83.5 76.6 55.262.8 44.1]，则逆序排序后得到编码为[100.2 97.6 83.5 76.6 62.8 55.2 44.1]，而个体编码对应的逆序次序为[2 1 3 4 6 5 7]，则中间策略为0-2-1-3-4-6-5-7-0。其中的不重复正整数代表服务客户的编号，编号0指的是仓库。
设车辆最大容量为5t。假设服务客户1-7所需容量分别为3t、2t、1.5t、1.5t、4t、2t、1t。从前往后遍历中间策略0-2-1-3-4-6-5-7-0，可以发现路径2-1的两个客户2和1的需求分别为2t和3t，需要一辆车Ⅰ负责运输。路径3-4-6的三个客户3、4和6的需求分别为1.5t、1.5t和2t，需要另一辆车Ⅱ负责运输。路径5-7的两个客户5和7的需求分别为4t和1t，需要第三辆车Ⅲ负责运输。形成最终多车运输方案0-2-1-0、0-3-4-6-0、0-5-7-0，车辆Ⅰ、Ⅱ、Ⅲ分别沿着0-2-1-0、0-3-4-6-0、0-5-7-0的路径进行运输。
假设路径0-2、2-1、1-0、0-3、3-4、4-6、6-0、0-5、5-7、7-0的距离分别为30km、26km、45km、27km、25km、27km、18km、33km、32km、40km，时间分别为1h、0.9h、1.7h、0.9h、0.9h、0.9h、0.5h、1.1h、1.1h、1.5h，车辆燃油消耗量分别为1.2L、1.0L、1.8L、1.0L、1.0L、1.0L、0.7L、1.2L、1.2L、1.6L。那么多车运输方案0-2-1-0、0-3-4-6-0、0-5-7-0总距离为（30+26+45+27+25+27+18+33+32+40）=303km，行驶车辆数为3，总时间为（1+0.9+1.7+0.9+0.9+0.9+0.5+1.1+1.1+1.5）=10.5h，车辆燃油总消耗量为（1.2+1.0+1.8+1.0+1.0+1.0+0.7+1.2+1.2+1.6）=11.7L。
由于行驶距离和行驶车辆燃料支出更加重要，因此需要保证其权重更大，设定行驶距离、行驶车辆数、行驶时间、行驶车辆燃油支出的权重分别为100、10、10、100。加权计算结果为：100×303+10×3+10×10.5+100×11.7=31605，即变异莱维飞行精英杂草个体编码[97.6 100.2 83.5 76.6 55.2 62.8 44.1]对应的综合成本值为31605。
步骤4，进行莱维飞行精英杂草种群的生长繁殖操作，每个杂草个体可产生的种子数根据其适应度值由最小值到最大值线性变化。对于最大化问题，每个杂草个体可产生的种子数为：式中，/>为杂草个体产生的种子数，/>为当前杂草种群中最大的适应度值，/>为当前杂草种群中最小的适应度值，/>为设定的最大种子数值，/>为设定最小种子数值，/>为第i个杂草个体的空间位置，/>为第i个杂草个体的适应度值，/>表示向下取整操作。
步骤5，进行莱维飞行精英杂草种群的空间分布操作。莱维飞行精英杂草种群的空间分布体现了算法的随机性和适应性，产生的种子在D维搜索空间，以正态分布随机分散在父代杂草附近。第i个杂草产生的第seed个种子的位置如下：其中/>是标准差，同时标准差将随着进化代数的增加而逐渐减小。其中，/>为当前进化代数，/>为预先设置的最大进化代数，/>为初始的标准差，/>为最终的标准差，/>为非线性调节因子。随着进化代数的增加，在较远区域产生种子的可能性非线性减小。在迭代初期，较大的标准差使得产生的种子分布在父代较远范围；在迭代后期，较小的标准差使得产生的种子分布在父代较近范围。这使得算法逐渐完成从全局搜索到局部搜索的转变，有利于提高算法的速度和效率。
步骤6，根据竞争型生存法则调节莱维飞行精英杂草种群。当种群数超过最大值时，所有个体按照其适应度函数排序，对于最大化问题，对排序后的个体按适应度值由大到小依次选出/>个个体，作为该代进化最终保留下来的种群，其余个体被淘汰。
步骤7，进行莱维飞行精英杂草的莱维飞行操作。利用莱维飞行的高概率大跨步随机游走特性，使粒子更容易逃离局部极值点。其中/>表示步长，这是一个随机变量，并服从正态分布，/>和/>采用以下公式计算。/>
步骤8，进行莱维飞行精英杂草的精英操作。精英操作用于在寻优过程中对个体进行比较，将当前杂草个体与精英个体相比较，如果前者更优将其设为精英个体，如果后者更优保留原精英个体不变。
步骤9，迭代判断。判断当前代数是否达到预先设定的最大迭代次数，如果是则停止迭代。否则返回步骤3。
步骤10，停止迭代后，输出最终的绿色运输车辆最优路径规划策略。
以下内容详细给出实施例1的软件仿真实验的参数设置与仿真结果。
实施例1中共存在1个仓库以及7名服务客户，运输平台为7个服务客户智能生成多车运输路径规划策略，莱维飞行精英杂草优化算法中莱维飞行精英杂草种群个体数为25，迭代次数上限350。本申请方法与遗传算法、粒子群算法、蚁群算法进行对比，所有对比算法的种群个体数都为25，迭代次数上限350。其中对比的遗传算法的交叉概率为0.92，变异概率为0.08。差分进化算法的缩放因子为0.63，杂交概率为0.7。模拟退火算法的初始温度为1000，降温速率为0.98和终止温度为0.0001。粒子群算法的惯性权重为0.62，个体学习因子为2，种群学习因子为2。
图5为本申请提供的杂草算法与其他算法的路径规划运输成本对比的示意图，图5中圆圈线条代表遗传算法，叉号线条代表差分进化算法，加号线条代表模拟退火算法，菱形线条代表粒子群优化算法，星号线条表示的是本申请所提出的方法求解问题得到的综合成本值曲线。由图5中可以看出，在停止迭代之后，本实施例的方法得到的运输成本比遗传算法、差分进化算法、模拟退火算法和粒子群算法分别降低984、570、523、308。本实施例方法性能相对于这四种比较算法分别提升了20.70%、13.14%、12.19%、7.56%。实验结果表明四种比较算法实际运输成本较高，因此不太适合于实际生产运输过程。本申请提供的方法可以生成较优基于大数据的物流运输路径规划策略，极大地降低运输车辆的运输成本，同时有效降低车辆燃油消耗量，节省了运输成本并较好地避免环境污染。
图6为本申请提供的杂草算法与其他算法的运行时间对比的示意图。如图6所示，本申请提供的方法的运行时间要远低于差分进化算法、模拟退火算法以及粒子群算法，同时是四种比较算法中运行时间最短的方法。因此本申请提供的方法可以保证在较短时间内给出高效绿色的运输路径规划策略。
图7为本申请提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行上述各方法所提供的基于大数据的物流运输路径规划方法，该方法包括：
初始化杂草算法中的杂草种群，确定杂草种群中每个杂草个体对应的物流运输路径规划策略；
基于每个杂草个体对应的物流运输路径规划策略，计算每个杂草个体的适应度值，适应度值基于物流运输路径规划策略的运输配送总成本确定；
判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复进行杂草种群的生长繁殖操作、计算生长繁殖后的杂草个体的适应度值以及确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于大数据的物流运输路径规划方法，该方法包括：
初始化杂草算法中的杂草种群，确定杂草种群中每个杂草个体对应的物流运输路径规划策略；
基于每个杂草个体对应的物流运输路径规划策略，计算每个杂草个体的适应度值，适应度值基于物流运输路径规划策略的运输配送总成本确定；
判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复进行杂草种群的生长繁殖操作、计算生长繁殖后的杂草个体的适应度值以及确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法所提供的基于大数据的物流运输路径规划方法，该方法包括：
初始化杂草算法中的杂草种群，确定杂草种群中每个杂草个体对应的物流运输路径规划策略；
基于每个杂草个体对应的物流运输路径规划策略，计算每个杂草个体的适应度值，适应度值基于物流运输路径规划策略的运输配送总成本确定；
判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复进行杂草种群的生长繁殖操作、计算生长繁殖后的杂草个体的适应度值以及确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (9)
1.一种基于大数据的物流运输路径规划系统，其特征在于，包括：路径规划控制中台、初始模块、计算模块和输出模块；
所述初始模块、所述计算模块和所述输出模块分别与所述路径规划控制中台连接，所述路径规划控制中台用于对所述初始模块、所述计算模块和所述输出模块进行控制；
所述初始模块用于：初始化杂草算法中的杂草种群，确定所述杂草种群中每个杂草个体对应的物流运输路径规划策略；
其中，所述确定所述杂草种群中每个杂草个体对应的物流运输路径规划策略，包括：
对于任意杂草个体，根据所述任意杂草个体的个体编号，确定串联所有服务客户的中间策略；对杂草种群中的任意个体，进行对个体编号中各个实数进行正序或逆序排序的操作，根据序号确定各个服务客户的次序，获得中间策略；
以单个车辆最大容量为约束条件对所述中间策略进行分割，得到所述任意杂草个体对应的物流运输路径规划策略；
所述计算模块用于：基于所述每个杂草个体对应的物流运输路径规划策略，计算所述每个杂草个体的适应度值；所述适应度值基于所述物流运输路径规划策略的运输配送总成本确定；
所述输出模块用于：判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果；否则，在未达到设定终止条件的情况下，进行所述杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复所述进行所述杂草种群的生长繁殖操作、所述计算生长繁殖后的杂草个体的适应度值以及所述确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
2.一种基于大数据的物流运输路径规划方法，其特征在于，应用于权利要求1所述的基于大数据的物流运输路径规划系统，包括：
初始化杂草算法中的杂草种群，确定所述杂草种群中每个杂草个体对应的物流运输路径规划策略；
其中，所述确定所述杂草种群中每个杂草个体对应的物流运输路径规划策略，包括：
对于任意杂草个体，根据所述任意杂草个体的个体编号，确定串联所有服务客户的中间策略；对杂草种群中的任意个体，进行对个体编号中各个实数进行正序或逆序排序的操作，根据序号确定各个服务客户的次序，获得中间策略；
以单个车辆最大容量为约束条件对所述中间策略进行分割，得到所述任意杂草个体对应的物流运输路径规划策略；
基于所述每个杂草个体对应的物流运输路径规划策略，计算所述每个杂草个体的适应度值；所述适应度值基于所述物流运输路径规划策略的运输配送总成本确定；
判断是否达到终止条件，在达到设定终止条件的情况下，输出物流运输路径规划优化结果。
3.根据权利要求2所述的基于大数据的物流运输路径规划方法，其特征在于，还包括：
在未达到设定终止条件的情况下，进行所述杂草种群的生长繁殖操作，并计算生长繁殖后的杂草个体的适应度值，基于最大种群规模，确定进化后的杂草种群，不断重复所述进行所述杂草种群的生长繁殖操作、所述计算生长繁殖后的杂草个体的适应度值以及所述确定进化后的杂草种群的步骤，直至达到设定终止条件，输出物流运输路径规划优化结果。
4.根据权利要求3所述的基于大数据的物流运输路径规划方法，其特征在于，所述进行所述杂草种群的生长繁殖操作，包括：
基于所述每个杂草个体的适应度值，确定所述每个杂草个体产生的种子数，以及确定所述每个杂草个体的种子的空间分布位置。
5.根据权利要求4所述的基于大数据的物流运输路径规划方法，其特征在于，进行所述杂草种群的生长繁殖操作之后，还包括：
对生长繁殖后的杂草种群进行莱维飞行操作；和/或，
对生长繁殖后的杂草种群进行精英操作。
6.根据权利要求4所述的基于大数据的物流运输路径规划方法，其特征在于，所述每个杂草个体产生的种子数根据以下公式计算得到：
；
式中，为杂草个体产生的种子数，/>为当前杂草种群中最大的适应度值，/>为当前杂草种群中最小的适应度值，/>为设定的最大种子数值，为设定最小种子数值，/>为第i个杂草个体的空间位置，/>为第i个杂草个体的适应度值，/>表示向下取整操作。
7.根据权利要求4所述的基于大数据的物流运输路径规划方法，其特征在于，所述每个杂草个体的种子的空间分布位置根据以下公式计算得到：
；
式中，为第i个杂草个体产生的第/>个种子的空间位置，/>为第i个杂草个体的空间位置，/>是根据进化代数确定的标准差；
根据以下公式确定：
；
其中，为当前进化代数，/>为预先设置的最大进化代数，/>为初始的标准差，/>为最终的标准差，/>为非线性调节因子。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求2至7任一项所述基于大数据的物流运输路径规划方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求2至7任一项所述基于大数据的物流运输路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311512836.5A CN117236545B (zh) | 2023-11-14 | 2023-11-14 | 基于大数据的物流运输路径规划系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311512836.5A CN117236545B (zh) | 2023-11-14 | 2023-11-14 | 基于大数据的物流运输路径规划系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236545A CN117236545A (zh) | 2023-12-15 |
| CN117236545B true CN117236545B (zh) | 2024-02-23 |
Family
ID=89086454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311512836.5A Active CN117236545B (zh) | 2023-11-14 | 2023-11-14 | 基于大数据的物流运输路径规划系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236545B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460485A (zh) * | 2018-03-05 | 2018-08-28 | 重庆邮电大学 | 一种基于改进蚁群算法的旅行商问题求解方法 |
| CN111879310A (zh) * | 2020-07-24 | 2020-11-03 | 闽江学院 | 一种基于入侵杂草优化算法的人群应急疏散仿真方法 |
| CN112232602A (zh) * | 2020-11-19 | 2021-01-15 | 湘潭大学 | 一种大规模节点的物流配送路径优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111553063B (zh) * | 2020-04-20 | 2022-03-08 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
-
2023
- 2023-11-14 CN CN202311512836.5A patent/CN117236545B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460485A (zh) * | 2018-03-05 | 2018-08-28 | 重庆邮电大学 | 一种基于改进蚁群算法的旅行商问题求解方法 |
| CN111879310A (zh) * | 2020-07-24 | 2020-11-03 | 闽江学院 | 一种基于入侵杂草优化算法的人群应急疏散仿真方法 |
| CN112232602A (zh) * | 2020-11-19 | 2021-01-15 | 湘潭大学 | 一种大规模节点的物流配送路径优化方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于入侵杂草算法的城市生鲜配送优化研究;金峰;物流科技;第44卷(第2期);原文第35-39页 * |
| 朱剑英.智能系统新概念数学方法概论 下.华中科技大学出版社,2022,第239-242页. * |
| 混合IWO算法在参数优化中的应用研究;邓锬;中国博士学位论文全文数据库;原文第1-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236545A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573326B (zh) | 基于遗传蚁群混合算法的视频服务器选址方法 | |
| CN109800910B (zh) | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 | |
| CN111860754A (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
| CN109451012B (zh) | 一种端云协同负载均衡调度方法、系统及存储介质 | |
| CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
| CN114511021A (zh) | 基于改进乌鸦搜索算法的极限学习机分类算法 | |
| 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 | |
| CN113313451A (zh) | 一种基于改进布谷鸟算法的多目标优化物流调度方法 | |
| CN114418213A (zh) | 一种基于深度强化学习的城市电动车辆调度方法和系统 | |
| CN111178596A (zh) | 一种物流配送路线规划方法、装置及存储介质 | |
| CN115271163A (zh) | 一种基于策略梯度的超启发算法的车辆路径优化方法 | |
| CN117933842A (zh) | 基于双时间尺度的无人车配送路径优化方法 | |
| CN117236545B (zh) | 基于大数据的物流运输路径规划系统及方法 | |
| CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及系统 | |
| CN117308985A (zh) | 面向带负载约束的车辆路径规划方法、装置、设备及介质 | |
| CN117273588A (zh) | 基于遗传算法的无人机车辆协同配送路径优化方法及系统 | |
| CN117455088A (zh) | 运输车辆路径规划方法、装置、设备及存储介质 | |
| CN116187599A (zh) | 基于遗传算法的多式联运铁路物流中心布点方法及系统 | |
| CN116339973A (zh) | 基于粒子群优化算法的数字孪生云平台计算资源调度方法 | |
| CN111080031A (zh) | 一种基于改进型蜻蜓算法的车辆路径优化方法和系统 | |
| CN114021914B (zh) | 一种无人机集群飞防调度方法及装置 | |
| 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 | |
| CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
| CN109934411B (zh) | 考虑紧急度的应急救灾智能路径规划方法及装置 | |
| CN113313343A (zh) | 基于动态时间切片和热度迁移的即时车辆共乘匹配方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A logistics transportation path planning system and method based on big data Granted publication date: 20240223 Pledgee: Shaanxi SME financing Company limited by guarantee Pledgor: Xi'an Sesame Data Technology Development Co.,Ltd. Registration number: Y2024980020412 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |