CN117252395B - 基于双染色体遗传算法的带服务约束多物流车调度方法 - Google Patents
基于双染色体遗传算法的带服务约束多物流车调度方法 Download PDFInfo
- Publication number
- CN117252395B CN117252395B CN202311493018.5A CN202311493018A CN117252395B CN 117252395 B CN117252395 B CN 117252395B CN 202311493018 A CN202311493018 A CN 202311493018A CN 117252395 B CN117252395 B CN 117252395B
- Authority
- CN
- China
- Prior art keywords
- logistics
- vehicle
- customer
- logistics vehicle
- chromosome
- 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 31
- 230000002068 genetic effect Effects 0.000 title claims abstract description 19
- 210000000349 chromosome Anatomy 0.000 claims abstract description 90
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000006978 adaptation Effects 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000035772 mutation Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims description 28
- 108090000623 proteins and genes Proteins 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 101150036080 at gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000013598 vector Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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"
-
- 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
-
- 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
Abstract
本发明公开了基于双染色体遗传算法的带服务约束多物流车调度方法，获取客户信息、仓库信息、物流车信息，根据实际应用场景下客户物流对运输物流车的限制，将物流调度运输问题建模为带服务约束的多物流车调度问题，建立物流车针对客户物流的可服务矩阵；采用双染色体表示法表征多物流车服务客户物流的调度方案，设计改进的部分匹配交叉策略，提出适应服务约束的变异算子，结合适应值评估，设置交叉概率、变异概率、最大适应值评估次数以及种群规模，基于遗传算法，迭代优化种群，不断更新全局最优物流车调度方案。本发明极大地提升了带服务约束多物流车调度优化问题的求解效率，有利于增加物流车调度效率，提升物流车运输过程中的吞吐量。
Description
技术领域
本发明属于物流车调度技术领域，尤其涉及基于双染色体遗传算法的带服务约束多物流车调度方法。
背景技术
本质上，物流运输优化问题可以归结为物流车调度优化问题。目前求解物流车调度优化问题主要存在两类方法：（1）精确方法，如整数规划、动态规划、分枝定界法等，但是随着物流数目的增多，精确方法所需要的计算成本会急剧增长，所以对于大规模物流的调度优化难以发挥作用；（2）启发式方法，如遗传算法、蚁群优化算法等；这类方法通过维持一个种群迭代搜索解空间，寻找物流调度优化的近似最优方案，具有较好的可行性和优化性能。但是现有针对物流调度的启发式方法一方面主要针对单物流车调度优化问题进行设计；另一方面，现有物流调度方法没有考虑到实际应用中用户物流对所服务的物流车的运输限制，如用户物流对车辆大小、类型等的要求。因此，现有物流调度优化方法无法满足日益多样、日益丰富、日益增长的物流运输需求。
发明内容
本发明所要解决的技术问题是：提出基于双染色体遗传算法的带服务约束多物流车调度方法，将物流调度优化问题建模为带服务约束的多物流车调度优化问题，使用双染色体编码技术将多物流车运输方案编码为遗传算法的个体，使用基于部分匹配交叉的遗传算法，优化物流车调度方案设计，进一步地提升物流调度效率，满足实际应用需求。
本发明为解决上述技术问题采用以下技术方案：
基于双染色体遗传算法的带服务约束多物流车调度方法，包括如下步骤：
S1、获取客户信息、仓库信息、物流车信息。
S2、对物流调度运输问题进行建模，基于客户物流信息，构建物流车对客户物流的可服务矩阵。
S3、设置交叉概率、变异概率、最大适应值评估次数、种群规模。
S4、依据收集的物流编号、物流车编号，随机初始化生成种群，其中种群中的每个个体表示一个可行的多物流车调度方案，由两个染色体表示，第一个染色体表示所有物流编号的随机排列，第二条染色体表示第一条染色体中每个用户物流随机分配的物流车序列。
S5、对种群中的每个物流车调度方案进行适应值评估，也即计算每个个体的适应值。
S6、依据所评估的适应值，计算物流车调度方案选择概率，根据轮盘赌策略选择种群中相对优秀的物流车调度方案（即种群中的一个个体）作为新种群。
S7、将步骤S6形成的新种群中物流车调度方案随机进行两两配对，并按照交叉概率，使用部分匹配交叉操作产生新的物流车调度方案；并依据可服务矩阵，修正物流车的分配，以确保所产生的新物流车调度方案可行。
S8、随机选择步骤S7产生的新物流车调度方案，按照变异概率，对所选择的方案进行变异操作，产生新的物流车调度方案，并依据可服务矩阵修正物流车的分配，以确保新产生的物流车调度方案可行。
S9、对步骤S8所产生的每个新物流车调度方案进行适应值评估。
S10、更新全局最优物流车调度方案，同时保存记录。
S11、若适应值评估次数达到预设次数，则输出全局最优的物流车调度方案，否则返回步骤S6重复迭代过程，直到达到预设次数时停止。
进一步的，步骤S2中，构建物流车对客户物流的可服务矩阵包括以下内容：
构建物流车针对用户物流的可服务矩阵。具体地，设定用户物流个数为n，物流车辆数为m，且n>>m，则可服务矩阵大小为n×m；而后用0和1填充该矩阵。当某辆物流车满足用户物流的约束条件时，该用户物流所对应的行和该物流车所对应的列元素为1；否则，该元素为0。通过构建的可服务矩阵，带服务约束的多物流车调度优化问题得以建模。
进一步的，步骤S4中，随机初始化生成种群包括以下子步骤：
S401、对可服务矩阵中的n个客户和m个物流车进行编号。
S402、针对种群中的每个个体，构建两个n个元素的向量表示个体中的两条染色体；其中第一条染色体表示用户物流的服务序列，因此可以通过随机生成n个用户物流编号的排列来初始化第一条染色体；第二条染色体表示分配给第一条染色体中用户物流的物流车，因此可以结合可服务矩阵为每个用户物流分配物流车；当一个用户物流只允许某一特定物流车服务时（即可服务矩阵所对应的行只有一个1），该物流只能分配所指定的特定物流车；当一个用户物流可以允许多个物流车服务时（即可服务矩阵所对应的行有多个1），则随机从这些物流车中选择一个来服务该用户物流。
S403、经过步骤S402的操作，生成了一个随机物流调度方案；重复NP次步骤S402的操作，即可生成NP个可行的物流车调度方案，其中NP为预设的种群规模。
进一步的，步骤S5中，由于本发明的优化目标是最小化所有物流车的总路径长度，因此，为了与遗传算法中适应值越好个体存活概率越大的准则相适应，本发明将物流车调度方案（个体）适应值定义为物流车调度方案中所有物流车的总路径长度的倒数。
对种群中的每个物流车调度方案进行适应值评估的具体公式为：
；
其中，f表示适应值函数，x i 表示当前的物流车调度方案，c i 表示第i个目标客户，c i+1表示第i+1个目标客户，为第i个目标客户与第i+1个目标客户之间的距离，/>为客户/>与客户c 1之间的距离，n j 表示的是第j个物流车所服务的客户个数，表示对于单个物流车调度方案中所有物流车的运行距离之和。
进一步的，步骤S6中，更新种群包括以下内容：
依据每个物流车调度方案的适应值，计算每个物流车调度方案的选择概率，具体计算公式如下：
；
其中，表示第k个物流车调度方案被选中的概率，/>表示第k个物流车调度方案的适应值，/>表示拥有NP个物流车调度方案的种群中所有方案的适应值总和。
依据轮盘赌选择算法，依次有放回地选取NP个物流车调度方案，形成一个新种群。
进一步的，步骤S7中，对新种群中的物流车调度方案进行交叉操作包括以下内容：
对新种群中的物流车调度方案进行随机两两配对，针对每对物流车调度方案随机生成一个在(0, 1)之间的均匀随机数；若该随机数小于设定的交叉概率P c ，则这对物流车调度方案需要进行交叉操作；否则，这对物流车调度方案不需要进行交叉操作。
交叉操作的具体内容为：针对两个物流车调度方案的第一条染色体执行部分匹配交叉操作，并对交叉后的第一条染色体中重复出现的城市进行纠正；结合可服务矩阵，对第二条染色体的物流车分配进行纠正。其中，对于第一条染色体的部分匹配交叉操作，具体步骤如下：
S701、将每对需要进行交叉操作的物流车调度方案命名为亲本1和亲本2；随机选择两个不同的基因点。
S702、交换亲本1和亲本2中两个基因点之间的基因片段，产生新的物流服务序列，假设名命名为子代1和子代2。
S703、子代1和子代2中的第一条染色体可能存在着重复服务的用户物流，为此，进行冲突检测，找出重复的用户物流；根据交换的基因片段间的映射关系对重复的用户物流进行修正。修正完第一条染色体后，根据可服务矩阵，修正第二条染色体。具体地，针对第一条染色体中的每个用户物流，检查所分配的物流车是否满足用户物流的需求；如果满足，则跳过，继续检查下一个用户物流；否则，需要对所分配的物流车进行纠正；若只有一辆物流车可以服务该用户物流，则用此物流车替换原有的物流车分配；若有多辆物流车可以服务该用户物流，则在所有能服务该用户物流的物流车中随机选择一个来代替原有的物流车分配。经过上述两种修正，交叉操作之后将产生两个可行的子代物流车调度方案。
进一步的，步骤S8中，对物流车调度方案进行变异操作包括以下内容：
针对交叉操作后种群中的每个物流车调度方案，随机生成一个在(0, 1)之间的均匀随机数；若该随机数小于系统预设的变异概率P m ，则对当前的物流车调度方案进行变异操作；否则，该物流车调度方案不进行变异操作。
对于每个需要变异的物流车调度方案，变异操作主要分为两个部分：对第一条染色体的变异操作和对第二条染色体的变异操作。对第一条染色体，随机选择该染色体上的两个不同位置，将这两个位置上的基因进行交换；对第二条染色体，随机选择该染色体上的一个位置，随机将该位置上原有的物流车编号替换为一个可服务该位置上对应第一条染色体上客户物流的物流车。
变异操作后的物流车调度方案中物流车的分配可能存在与可服务矩阵不一致的情况。因此，需要对变异后的个体中的第二条染色体进行纠正，以使得所有用户物流分配到的物流车与可服务矩阵一致，不存在冲突。
进一步的，步骤S10中，更新全局最优物流车调度方案包括以下内容：
对于经历交叉和变异操作后的种群，评估每个物流车调度方案的适应值；而后，将每个物流车调度方案的适应值与全局最优物流车调度方案的适应值进行比较。若某个物流车调度方案的适应值优于当前系统中的全局最优物流车调度方案的适应值，则该物流车调度方案代替当前系统中的全局最优物流车调度方案。更新全局最优物流车调度方案的具体公式如下：
；
其中，表示当前系统中的全局最优物流车调度方案。
进一步的，步骤S11中，输出全局最优的物流车调度方案包括以下内容：
初始时适应值评估次数初始化为0，在适应值评估过程中，每对一个物流车调度方案进行一次评估，适应值评估次数加1；若当前适应值评估次数达到预设次数时，则输出全局最优的物流车调度方案；否则返回步骤S6重复迭代过程，直到当前适应值评估次数达到预设次数时停止。预设的适应值评估次数一般设置为1000*n次。
本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：
本发明所提出的技术应用场景广，考虑到了实际应用场景下不同待运输的物品对于运输车辆大小、形状、属性等诸多方面的要求，构建物流车针对客户物流的可服务矩阵，可以满足多种应用场景的要求，在可服务矩阵的约束下进行调度优化，以满足不同客户物流的需求，更贴近生活实际，具有较好的应用价值。
本发明通过构建带服务约束的多物流车调度优化问题，使用双染色体编码技术对物流车运输方案进行编码，提出改进的部分匹配交叉操作和变异操作，基于遗传算法，进行迭代优化，最终找到全局最优或近优的物流车调度方案。该发明技术能够大大节俭物流运输成本，提高物流运输效率。
附图说明
图1是本发明的整体实施流程图。
图2是本发明实施例中可服务矩阵示意图。
图3是本发明实施例中双染色体表示法示意图。
图4是本发明实施例中部分匹配交叉的示意图。
图5是本发明实施例中最优物流车调度方案示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例所述的基于双染色体遗传算法的带服务约束多物流车调度方法，如图1所示，包括以下步骤：
S1、获取客户信息、仓库信息、物流车信息，客户信息包括客户编号、客户坐标、客户物流对物流车的要求，仓库信息包括仓库位置，物流车信息包括物流车编号、物流车类型，具体数据如表1和表2所示。
表1 客户编号与坐标信息表
表2 仓库位置表
物流车一共有两辆，编号分别为物流车1与物流车2。
S2、对物流调度运输问题进行建模，构建物流车针对用户物流的可服务矩阵，具体内容为：
将待解决的物流调度优化问题建模为带服务约束的多物流车调度问题，建立一个大小为13×2的可服务矩阵，如图2所示；其中矩阵的行表示能够服务每个用户物流的物流车，列表示每个物流车可以服务的用户物流。具体地，在矩阵中，若数值为1，则表示该物流车可服务对应的客户物流；若数值为0，则表示该物流车不能服务所对应的客户物流；值得注意的是，在可服务矩阵中未列出仓库，因为仓库对于所有的物流车均为可服务。
S3、设置交叉概率、变异概率、最大适应值评估次数、种群规模。交叉概率即为种群中每个物流车调度方案参与交叉的概率；交叉概率较大时，物流车调度方案更有可能参与交叉。变异概率指的是种群中每个物流车调度方案在变异过程中参与变异的概率。变异概率较大时，物流车调度方案更有可能参与变异。最大适应值评估次数是系统的终止迭代条件。具体参数如表3所示。
表3 参数设置表
S4、随机初始化生成种群，种群中每个可行的物流调度方案为多个物流车的服务序列；即在实际的应用中，在将待服务的目的客户进行编号的情况下，按照服务序列中的编号顺序进行逐个服务目的客户，具体内容为：
S401、对可服务矩阵中的13个客户和2个物流车进行编号。
S402、针对一个个体的第一条染色体，随机生成13个用户物流的一个排列，如图3所示，生成的排列为“5, 4, 9, 13, 12, 2,1, 11, 8, 7, 3, 6, 10”。针对第二条染色体，依据可服务矩阵，随机为第一条染色体中的用户物流分配物流车，如图3所示，分配的物流车序列为“1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2”。
S403、经过步骤S402的操作，生成了一个随机初始化的物流调度方案（个体）。重复100次步骤S402的操作，即可生成100个可行的物流车调度方案，从而得到初始种群。
S5、对种群中的每个物流车调度方案进行适应值评估，具体公式为：
；
其中，f表示适应值函数，x k 表示第k个物流车调度方案，c i 表示第i个目标客户，c i+1表示第i+1个目标客户，表示第i个目标客户与第i+1个目标客户之间的距离，/>表示客户/>与客户c 1之间的距离，n j 表示第j个物流车所服务的客户个数，表示对于单个物流车调度方案中所有物流车的运行距离之和。
本实施样例中，针对方案“5, 4, 9, 13, 12, 2, 1, 11, 8, 7, 3, 6, 10”、“1,1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2”，根据用户物流的经纬度坐标计算出第一辆物流车的服务路径长度为32.43，第二条辆物流车的服务路径长度为33.57，因此，所有路径的长度之和为66.00，则个体的适应值为1.52E-2。
由于本系统的优化目标为最小化所有物流车的路径之和，所以物流车调度方案应当拥有越短的总路径长度而拥有越高的适应值，于是设置适应值为物流车调度方案中所有物流车路径长度的总和。同时记录下种群中当前拥有最高适应值的物流车调度方案。
S6、根据轮盘赌选择策略从种群中依概率选择相对优秀的物流车调度方案形成新种群，具体内容为：
依据每个物流车调度方案被选中概率和其适应值成比例，适应值越大，选中概率也越大。在单次选择中当前物流车调度方案被选中的概率为：
；
其中，表示第k个物流车调度方案被选中的概率，/>表示第k个物流车调度方案的适应值，/>表示拥有NP个物流车调度方案的种群中所有方案的适应值总和。
设定种群内所有物流车调度方案适应值总和为2.00，对于适应值为1.52E-2的物流车调度方案，其被选中的概率为0.76%；随后，重复执行轮盘赌策略100次，选择100个个体形成新种群。
S7、将步骤S6更新的种群中物流车调度方案随机进行两两配对，并按照交叉概率使用部分匹配交叉操作产生新的方案；修正错误分配的新的物流车调度方案，具体内容为：
S701、一对需要进行交叉的物流车调度方案分别称为亲本1和亲本2；其中亲本1的第一条染色体为“5, 4, 9, 13, 12, 2, 1, 11, 8, 7, 3, 6, 10”，第二条染色体为“1,1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2”；亲本2的第一条染色体为“2, 13, 12, 3, 7, 5,6, 9, 4, 8, 1, 11, 10”，第二条染色体为“1, 1, 1, 2, 2, 1, 2, 1, 1, 1, 2, 2, 2”；随后，针对第一条染色体，随机选择两个不同的基因位置，如图4所示，选择的两个基因位置为4和7。
S702、交换亲本1和亲本2中从基因位置4到7的基因片段，产生的新物流车调度方案分别为子代1和子代2；其中子代1的第一条染色体为“5, 4, 9, 3, 7, 5, 6, 11, 8, 7,3, 6, 10”，第二条染色体为“1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2”，子代2的第一条染色体为“2, 13, 12, 13, 12, 2, 1, 9, 4, 8, 1, 11, 10”，第二条染色体为“1, 1, 1,2, 2, 1, 2, 1, 1, 1, 2, 2, 2”。
S703、对于亲本1和亲本2中的第一条染色体中重复的用户物流，依据映射关系“3-13”，“7-12”，“5-2”，“1-6”，进行修正；修正后的子代1的第一条染色体为“2, 4, 9, 3, 7,5, 6, 11, 8, 12, 13, 1, 10”，第二条染色体为“1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2,2, 2”，子代2的第一条染色体为“5, 3, 7, 13, 12, 2, 1, 9, 4, 8, 6, 11, 10”，第二条染色体为“1, 1, 1, 2, 2, 1, 2, 1, 1, 1, 2, 2, 2”。随后，对子代1和子代2的第二条染色体，按照可服务矩阵进行纠正；纠正后的子代1的第一条染色体为“2, 4, 9, 3, 7, 5,6, 11, 8, 12, 13, 1, 10”，第二条染色体为“1, 1, 1, 2, 2, 1, 2, 2, 2, 1, 1, 2,2”，子代2的第一条染色体为“5, 3, 7, 13, 12, 2, 1, 9, 4, 8, 6, 11, 10”，第二条染色体为“1, 2, 2, 1, 1, 1, 2, 1, 1, 1, 2, 2, 2”。
S8、针对步骤S7后的种群中的每个物流车调度方案，按照变异概率进行变异操作产生新的物流车调度方案，并依据可服务矩阵修正每个方案的第二条染色体。具体内容为：
需要变异的物流车调度方案为第一条染色体“5, 4, 9, 13, 12, 2, 1, 11, 8,7, 3, 6, 10”，第二条染色体“1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2”；首先，对于第一条染色体，随机选择两个基因位置，假定为“4”与“9”，随后将基因位置4的用户物流“13”与基因位置9的用户物流“8”进行交换，则变异后的第一条染色体为“5, 4, 9, 8, 12, 2,1, 11, 13, 7, 3, 6, 10”。对于第二条染色体，随机选择一个基因位置，假定为“13”，随后将基因位置13的用户物流“10”所分配的物流车2，随机换为可服务的物流车1，则变异后的第二条染色体为“1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 1”。
对于变异后产生的新方案，即第一条染色体“5, 4, 9, 8, 12, 2, 1, 11, 13,7, 3, 6, 10”，第二条染色体“1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 1”，根据可服务矩阵得出，客户物流“13”被分配给了不能服务的物流车2，所以需要将客户物流“13”重新分配给可以服务的物流车1。修正后的第二条染色体为“1, 1, 1, 1, 1, 1, 2, 2, 1, 2, 2,2, 1”。因此，修正后的新方案为：第一条染色体“5, 4, 9, 8, 12, 2, 1, 11, 13, 7, 3,6, 10”，第二条染色体“1, 1, 1, 1, 1, 1, 2, 2, 1, 2, 2, 2, 1”。
S9、对步骤S8修正后的种群中的每个物流车调度方案进行适应值评估。
S10、更新全局最优物流车调度方案。
S11、若适应值评估次数达到预设次数，则输出全局最优的物流车调度方案，否则返回步骤S6重复迭代过程，直到达到预设次数时停止，具体内容为：
本实施样例将最大适应值评估设为1400，最终输出的最优物流车调度方案为：第一条染色体“4, 5, 6, 12, 13, 7, 9, 11, 10, 1, 8, 2, 3”，第二条染色体“1, 1, 2,1, 1, 2, 1, 2, 2, 2, 1, 2, 2”，将两条染色体转换为两辆物流车的服务路径，分别为物流车1“4, 5, 12, 13, 9, 8”与物流车2“6, 7, 11, 10, 1, 2, 3”，总物流车服务路径长度为21.96，其中每个物流车分别从仓库出发，分别依次从前往后服务路径中的每个客户，最后回到仓库。最优物流车调度方案示意图如图5所示。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于双染色体遗传算法的带服务约束多物流车调度方法，其特征在于，包括如下步骤：
S1、获取客户信息、仓库信息、物流车信息；
S2、对物流调度运输问题进行建模，基于客户物流信息，构建物流车对客户物流的可服务矩阵；
S3、设置交叉概率、变异概率、最大适应值评估次数和种群规模；
S4、随机初始化生成种群，种群中每个物流车调度方案包含两条染色体，其中第一条染色体是所有客户物流的服务序列，第二条染色体是服务每个客户物流的物流车编号；
S5、针对每个物流车调度方案，根据两条染色体的客户物流服务顺序和物流车分配信息，生成物流车服务对应客户物流的序列，对该物流车调度方案进行适应值评估，具体公式为：
其中，f表示适应值函数，xk表示第k个物流车调度方案，ci表示第i个目标客户，ci+1表示第i+1个目标客户，表示第i个目标客户与第i+1个目标客户之间的距离，/>表示客户/>与客户c1之间的距离，nj表示第j个物流车所服务的客户个数，/>表示对于单个物流车调度方案中所有物流车的运行距离之和，m表示物流车的总数；
S6、根据轮盘赌策略选择物流车调度方案形成新的种群，包括以下内容：
依据种群中个体的适应值，计算选中每个物流车调度方案的概率，具体公式为：
其中，P(xk)表示第k个物流车调度方案被选中的概率，表示第k个物流车调度方案的适应值，/>表示拥有NP个物流车调度方案的种群中所有方案的适应值总和；
依据上述计算所得的概率，按照轮盘赌选择方式，随机选择一个物流车调度方案放入新种群中；重复放回地选NP次，共选择NP个物流车调度方案形成新种群；
S7、将步骤S6所选择的物流车调度方案随机进行两两配对；针对每对物流车调度方案，按照交叉概率使用部分匹配交叉操作对两个物流车调度方案的第一条染色体进行交叉，并根据可服务矩阵对第二条染色体进行纠错，得到两个对应的子代个体，包括以下内容：
对新种群中的物流车调度方案进行两两配对；针对每对物流车调度方案，产生一个在(0,1)之间的均匀随机数；若该随机数小于系统预设的交叉概率，则对该个体执行交叉操作，产生一对子代物流车调度方案，具体步骤如下：
S701、设定需要进行交叉的一对物流车调度方案中的两个亲本分别称为亲本1和亲本2；针对两个亲本中的第一条染色体，随机选择两个不同的基因位置；
S702、交换亲本1和亲本2第一条染色体中两个基因位置间的基因片段，并对第一条染色体进行纠正，产生两个新物流车调度方案，称为子代1和子代2；
S703、根据可服务矩阵，确定错误分配物流车的客户物流；再依据可服务矩阵，重新给这些客户物流分配物流车；若只有一辆物流车能服务该客户物流，则用此物流车替换错误分配的物流车；若有多辆物流车能服务该客户物流，则从所有能服务该客户物流的物流车中随机选择一辆物流车代替原本错误分配的物流车；
S8、针对步骤S7的每个子代物流车调度方案，按照变异概率，对第一条染色体进行变异操作，产生新的物流车调度方案，并依据可服务矩阵对第二条染色体进行纠错，包括以下内容：
对每个物流车调度方案生成一个在(0,1)之间的均匀随机数，若随机数小于系统预设的变异概率，则对当前的物流车调度方案进行变异操作；
针对第一条染色体，随机选择两个不同的基因位置，把这两个位置上的基因进行交换，并依据可服务矩阵对第二条染色体进行如步骤S703所进行的纠正；针对第二条染色体，随机选择一个基因位置，而后随机将该位置上原有的物流车编号替换为一个能服务该位置上对应第一条染色体上的客户物流的物流车；
S9、对步骤S8所产生的物流车调度方案进行适应值评估；
S10、更新全局最优物流车调度方案，同时保存记录；
S11、若适应值评估次数达到预设次数，则输出全局最优的物流车调度方案，否则返回步骤S6重复迭代过程，直到适应值评估次数达到预设次数时停止。
2.根据权利要求1所述的基于双染色体遗传算法的带服务约束多物流车调度方法，其特征在于，步骤S1中，客户信息包括客户编号、客户坐标、客户物流对物流车的要求，仓库信息包括仓库位置，物流车信息包括物流车编号、物流车类型。
3.根据权利要求1所述的基于双染色体遗传算法的带服务约束多物流车调度方法，其特征在于，步骤S2中，构建物流车对客户物流的可服务矩阵包括以下内容：
将待解决的客户物流服务优化问题建模为带服务约束的多物流车调度问题，其中物流车服务客户物流的约束条件表示为大小为n×m的可服务矩阵，其中n为客户物流个数，m为物流车个数，且n>>m；在可服务矩阵中，若数值为1则表示该物流车能服务对应的客户物流，若数值为0则表示该物流车不能服务对应的客户物流；仓库是所有的物流车的出发点和终点，因此可以被所有物流车服务；在该可服务矩阵中，每行之和表示所对应的客户物流可以被多少辆物流车服务，而每列之和表示所对应的物流车可以服务多少个客户物流。
4.根据权利要求1所述的基于双染色体遗传算法的带服务约束多物流车调度方法，其特征在于，步骤S4中，随机初始化生成初始种群包括以下子步骤：
S401、对可服务矩阵中的n个客户和m辆物流车进行编号；
S402、针对每个物流车调度方案的第一条染色体，随机生成一个客户物流的服务序列；针对每个物流车调度方案的第二条染色体，依据可服务矩阵，依次对第一条染色体中的客户物流进行物流车分配；如果某个客户物流只能允许一个物流车服务，则为该客户物流分配所指定的物流车；如果某个客户物流允许多个物流车服务，则从这些物流车中随机选择一个物流车分配给该客户物流；
S403、经过步骤S402的操作，生成一个可行物流车调度方案，该方案蕴含着m辆物流车服务客户物流的服务序列，重复NP次步骤S402的操作，则生成NP个可行物流车调度方案形成初始种群。
5.根据权利要求1所述的基于双染色体遗传算法的带服务约束多物流车调度方法，其特征在于，步骤S10中，更新全局最优物流车调度方案包括以下内容：
对经历交叉和变异所产生的新种群中的每个物流车调度方案进行适应值评估，将每个物流车调度方案与最优当前最优调度方案进行比较；若某个物流车调度方案的适应值大于当前系统的全局最优物流车调度方案的适应值，则用该物流车调度方案代替当前系统中的全局最优物流车调度方案，具体公式如下：
其中，xbest表示当前系统中的全局最优物流车调度方案。
6.根据权利要求1所述的基于双染色体遗传算法的带服务约束多物流车调度方法，其特征在于，步骤S11中，输出全局最优的物流车调度方案包括以下内容：
初始时适应值评估次数为0，在个体适应值评估过程中，每对一个物流车调度方案进行一次评估，适应值评估次数加1；当前适应值评估次数达到预设次数时，则输出全局最优的物流车调度方案，否则返回步骤S6重复迭代过程，直到当前适应值评估次数达到预设次数时停止；
依据全局最优物流车调度方案中的两个染色体，将全局最优的物流车调度方案转化成m条客户物流的服务序列；其中每条服务序列对应一个物流车的运输路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311493018.5A CN117252395B (zh) | 2023-11-10 | 2023-11-10 | 基于双染色体遗传算法的带服务约束多物流车调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311493018.5A CN117252395B (zh) | 2023-11-10 | 2023-11-10 | 基于双染色体遗传算法的带服务约束多物流车调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252395A CN117252395A (zh) | 2023-12-19 |
| CN117252395B true CN117252395B (zh) | 2024-02-06 |
Family
ID=89127914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311493018.5A Active CN117252395B (zh) | 2023-11-10 | 2023-11-10 | 基于双染色体遗传算法的带服务约束多物流车调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252395B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522088B (zh) * | 2024-01-05 | 2024-03-29 | 南京信息工程大学 | 一种融合充电约束和容量约束的多电动物流车调度方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543990A (zh) * | 2019-09-05 | 2019-12-06 | 吉林大学 | 一种基于双层遗传算法的洒水车路线智能规划方法 |
| CN111178582A (zh) * | 2019-11-29 | 2020-05-19 | 浙江工业大学 | 一种基于改进遗传算法的物流配送优化方法 |
| CN112379996A (zh) * | 2020-10-14 | 2021-02-19 | 华南理工大学 | 基于动态目标策略的云计算资源调度优化方法及应用 |
| CN113052537A (zh) * | 2021-04-06 | 2021-06-29 | 南京信息工程大学 | 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 |
| CN113988497A (zh) * | 2021-07-21 | 2022-01-28 | 西安电子科技大学广州研究院 | 基于进化算法的电镀线行车调度方法、装置及存储介质 |
| CN114022014A (zh) * | 2021-11-15 | 2022-02-08 | 北京京东乾石科技有限公司 | 一种车辆智能调度方法、装置、电子设备及存储介质 |
| CN115146866A (zh) * | 2022-07-25 | 2022-10-04 | 江南大学 | 一种考虑实际多约束的多条等效最优路径规划方法 |
| CN115511228A (zh) * | 2022-11-17 | 2022-12-23 | 北京慧拓无限科技有限公司 | 一种园区无人物流车通行的智能调度系统及方法 |
| CN115689247A (zh) * | 2022-11-19 | 2023-02-03 | 南昌大学 | 一种基于改进遗传算法的整车物流调度优化方法 |
| CN116341860A (zh) * | 2023-03-30 | 2023-06-27 | 淮阴工学院 | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| US10496436B2 (en) * | 2018-01-30 | 2019-12-03 | Pusan National University Industry-University Cooperation Foundation | Method and apparatus for automatically scheduling jobs in computer numerical control machines using machine learning approaches |
-
2023
- 2023-11-10 CN CN202311493018.5A patent/CN117252395B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543990A (zh) * | 2019-09-05 | 2019-12-06 | 吉林大学 | 一种基于双层遗传算法的洒水车路线智能规划方法 |
| CN111178582A (zh) * | 2019-11-29 | 2020-05-19 | 浙江工业大学 | 一种基于改进遗传算法的物流配送优化方法 |
| CN112379996A (zh) * | 2020-10-14 | 2021-02-19 | 华南理工大学 | 基于动态目标策略的云计算资源调度优化方法及应用 |
| CN113052537A (zh) * | 2021-04-06 | 2021-06-29 | 南京信息工程大学 | 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 |
| CN113988497A (zh) * | 2021-07-21 | 2022-01-28 | 西安电子科技大学广州研究院 | 基于进化算法的电镀线行车调度方法、装置及存储介质 |
| CN114022014A (zh) * | 2021-11-15 | 2022-02-08 | 北京京东乾石科技有限公司 | 一种车辆智能调度方法、装置、电子设备及存储介质 |
| CN115146866A (zh) * | 2022-07-25 | 2022-10-04 | 江南大学 | 一种考虑实际多约束的多条等效最优路径规划方法 |
| CN115511228A (zh) * | 2022-11-17 | 2022-12-23 | 北京慧拓无限科技有限公司 | 一种园区无人物流车通行的智能调度系统及方法 |
| CN115689247A (zh) * | 2022-11-19 | 2023-02-03 | 南昌大学 | 一种基于改进遗传算法的整车物流调度优化方法 |
| CN116341860A (zh) * | 2023-03-30 | 2023-06-27 | 淮阴工学院 | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 |
Non-Patent Citations (5)
| Title |
|---|
| "Genetic algorithm and a double-chromosome implementation to the traveling salesman problem";Amin Riazi;《 SN Applied Sciences》;第1卷(第11期);第1-7页 * |
| "基于多目标优化的改进遗传算法求解柔性车间调度问题";李长云 等;《制造技术与机床》(第5期);第173-178页 * |
| "多机器人协调调度的贪婪双染色体遗传算法";董愫铭 等;《机械设计与制造》;第1-9页 * |
| "面向多起点均衡多旅行商问题的进化算法";孙冰，杨强 等;《计算机工程与设计》;第44卷(第7期);第2030-2038页 * |
| 基于改进遗传算法的物流配送路径优化;罗庆;周军;;物流技术(第09期);第187-189页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252395A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909930B (zh) | 一种面向冷库的移动式货架仓储系统货位分配方法 | |
| CN117252395B (zh) | 基于双染色体遗传算法的带服务约束多物流车调度方法 | |
| CN111178582B (zh) | 一种基于改进遗传算法的物流配送优化方法 | |
| CN109559062B (zh) | 一种合作式物流问题的任务分配与路径规划方法 | |
| CN105096006A (zh) | 一种智能电能表的配送车辆路径优化方法 | |
| CN109948855A (zh) | 一种带时间窗的异构危化品运输路径规划方法 | |
| 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 | |
| CN108921468B (zh) | 一种物流配送车辆智能排线方法 | |
| CN106682769A (zh) | 一种产品车辆路径实现方法和装置 | |
| CN109934405B (zh) | 基于模拟退火算法的有时限的多车型多车次路径规划方法 | |
| CN112836892A (zh) | 基于改进遗传算法的多目标车辆配送路径确定方法及系统 | |
| CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
| CN111582582A (zh) | 一种基于改进ga-pac的仓库拣选路径优化方法 | |
| CN104700160A (zh) | 一种车辆路径优化方法 | |
| CN113935452A (zh) | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 | |
| CN113408771B (zh) | 物品出库调度方法、装置以及存储介质 | |
| CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
| CN113780676A (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
| CN114611794A (zh) | 基于亚启发式算法的车机协同取送货路径优化方法和系统 | |
| Chand et al. | A multi-objective vehicle routing problem using dominant rank method | |
| CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
| CN112884254B (zh) | 一种汽车配送路径规划的优化方法 | |
| CN115146866A (zh) | 一种考虑实际多约束的多条等效最优路径规划方法 | |
| Pop et al. | A hybrid approach based on genetic algorithms for solving the clustered vehicle routing problem | |
| Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm |
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 |