CN117313977A - 一种基于改进蚁群算法的运输路径优化方法及系统 - Google Patents
一种基于改进蚁群算法的运输路径优化方法及系统 Download PDFInfo
- Publication number
- CN117313977A CN117313977A CN202311600415.8A CN202311600415A CN117313977A CN 117313977 A CN117313977 A CN 117313977A CN 202311600415 A CN202311600415 A CN 202311600415A CN 117313977 A CN117313977 A CN 117313977A
- Authority
- CN
- China
- Prior art keywords
- transportation
- cost
- expression
- preset
- optimizing
- 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 100
- 238000000034 method Methods 0.000 title claims abstract description 44
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 25
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 25
- 239000003016 pheromone Substances 0.000 claims description 42
- 238000010276 construction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material 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
- G06Q10/04—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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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
本发明提供了一种基于改进蚁群算法的运输路径优化方法及系统,涉及智能运输技术领域,通过利用改进蚁群算法原理对预定优化和预定影响因素进行分析,并构建运输路径优化模型;对装配式建筑部件运输订单进行多维度信息采集得到订单信息;通过运输路径优化模型对订单信息进行寻优分析得到最优路径。解决了现有技术中存在装配式建筑部品部件的运输路径并非实现最低成本、最短时间和最低碳排放量的最优解,在影响装配式建筑部品部件的运输成本的同时,对于环境造成污染影响的技术问题。达到了基于改进蚁群算法进行装配式建筑部品部件运输路径优化设计,分析获得实现运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的线路的技术效果。
Description
技术领域
本发明涉及智能运输技术领域,具体涉及一种基于改进蚁群算法的运输路径优化方法及系统。
背景技术
装配式建筑的兴起为我国建筑业可持续发展提供了新的契机。与传统建造方式相比,工业化建筑方式能耗降低了20%-30%、材料损耗减少约60%、建筑垃圾减少了83%。
装配式建筑的最大特点是将大量现场作业转移到工厂进行制造,因此必然涉及从构件生产厂到施工现场的运输过程。
综上所述,现有技术中存在装配式建筑部品部件的运输路径规划侧重于人工经验,导致所获运输路径并非实现最低成本、最短时间和最低碳排放量的最优解,在影响装配式建筑部品部件的运输成本的同时,对于环境造成污染影响的技术问题。
发明内容
本申请提供了一种基于改进蚁群算法的运输路径优化方法及系统,用于针对解决现有技术中存在装配式建筑部品部件的运输路径规划侧重于人工经验,导致所获运输路径并非实现最低成本、最短时间和最低碳排放量的最优解,在影响装配式建筑部品部件的运输成本的同时,对于环境造成污染影响的技术问题。
鉴于上述问题,本申请提供了一种基于改进蚁群算法的运输路径优化方法及系统。
本申请的第一个方面,提供了一种基于改进蚁群算法的运输路径优化方法,所述方法包括:读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。
本申请的第二个方面,提供了一种基于改进蚁群算法的运输路径优化系统,所述系统包括:优化目标读取模块,用于读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;优化模型构建模块,用于利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;订单信息采集模块,用于对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;最优路径确定模块,用于通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。达到了基于改进蚁群算法进行装配式建筑部件运输路径优化设计,分析获得实现运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的目标线路的技术效果。
附图说明
图1为本申请提供的一种基于改进蚁群算法的运输路径优化方法流程示意图;
图2为本申请提供的一种基于改进蚁群算法的运输路径优化方法中获取运输可行解列表的流程示意图;
图3为本申请提供的一种基于改进蚁群算法的运输路径优化系统的结构示意图。
附图标记说明:优化目标读取模块1, 优化模型构建模块2, 订单信息采集模块3,最优路径确定模块4。
具体实施方式
本申请提供了一种基于改进蚁群算法的运输路径优化方法及系统,用于针对解决现有技术中存在装配式建筑部品部件的运输路径规划侧重于人工经验,导致所获运输路径并非实现最低成本、最短时间和最低碳排放量的最优解,在影响装配式建筑部品部件的运输成本的同时,对于环境造成污染影响的技术问题。达到了基于改进蚁群算法进行装配式建筑部品部件运输路径优化设计,获得实现运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的目标线路的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,本领域普通技术人员在没有做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。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种基于改进蚁群算法的运输路径优化方法,所述方法包括:
A100:读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;
在一个实施例中,本申请提供的方法步骤A100还包括,所述预定优化目标包括运输总成本最低、运输时间最短、运输路径最优和运输过程碳排放量最低。
具体而言,本实施例设定进行表征装配式建筑部品部件的运输路径的优化要求的所述预定优化目标具体为运输总成本最低、运输时间最短、运输路径最优和运输过程碳排放量最低,相较于当前进行单个优化目标进行运输路径优化,本实施例设定包括多个优化目标的所述预定优化目标进行后续路径规划优化分析,实现了提高所获运输路径在运输成本、运输时间等方面的综合性优势。
进一步的,本实施例分析所述预定优化目标,以确定影响所述预定优化目标中不特定优化项目实现的影响因素,获得所述预定影响因素,所述预定影响因素后续用于作为运输路径寻优过程的约束条件。
示例性的,车辆固定使用成本、车辆行驶距离成本和违反客户服务时间窗惩罚成本三者对于所述预定优化目标中运输总成本最低的实现造成影响,因而,本实施例将车辆固定使用成本、车辆行驶距离成本和违反客户服务时间窗惩罚成本添加至所述预定影响因素中。
本实施例逐一进行所述预定优化目标中不特定优化目标的实现影响因素进行分析,并将分析结构添加至所述预定影响因素,进行影响因素扩充,以获得涵盖对于所述预定优化目标中不特定优化目标的实现产生影响的因素构成的所述预定影响因素。
A200:利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;
在一个实施例中,所述利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型,本申请提供的方法步骤A200还包括:
A210:遍历所述预定影响因素得到对应所述预定优化目标中所述运输总成本最低的第一影响因素集;
A220:对所述第一影响因素集中的因素进行分析,得到所述运输总成本最低的第一寻优表达式,所述第一寻优表达式如下:
;
其中,为所述第一寻优表达式,/>分别为第一成本表达式、第二成本表达式与第三成本表达式;
A230:获取所述运输时间最短的第二寻优表达式,所述第二寻优表达式如下:
;
其中,为所述第二寻优表达式,/>为道路运输中所被允许的预计最长时间上限,/>为运输所需要的具体时间,且/>;
A240:获取所述运输路径最优的第三寻优表达式,所述第三寻优表达式如下:
;
其中,为所述第三寻优表达式,/>为道路通畅度最低容忍度,/>为运输于节点/>的路径通畅度,且/>;
A250:获取所述运输过程碳排放量最低的第四寻优表达式,所述第四寻优表达式如下:
;
其中,为所述第四寻优表达式,/>为燃油消耗,/>为碳排放系数;
A260:基于所述第一寻优表达式、所述第二寻优表达式、所述第三寻优表达式和所述第四寻优表达式构建所述运输路径优化模型。
在一个实施例中,所述对所述第一影响因素集中的因素进行分析,得到所述运输总成本最低的第一寻优表达式,本申请提供的方法步骤A220还包括:
A221:所述第一影响因素集包括车辆固定使用成本、车辆行驶距离成本和时间窗惩罚成本;
A222:分析得到所述车辆固定使用成本的第一成本表达式:
;
其中,为所述第一成本表达式,/>为车辆固定使用成本,/>为部件生产中心的车辆总数;
A223:分析得到所述车辆行驶距离成本的第二成本表达式:
;
其中,为所述第二成本表达式,/>为施工现场需求个数,/>为车辆行驶单位距离的成本,/>为车辆从客户/>点到客户/>点行驶的距离,/>为决策变量;
A224:分析得到所述时间窗惩罚成本的第三成本表达式:
;
其中,为所述第三成本表达式,/>为车辆提前到达客户点而产生的单位时间惩罚成本,/>为车辆晚于最迟时间到达客户点而产生的单位时间惩罚成本,/>为施工现场即客户接受服务的最早时间,/>为客户接受服务的最晚时间,/>为客户接受服务的时间;
A225:根据所述第一成本表达式、所述第二成本表达式与所述第三成本表达式,得到所述第一寻优表达式。
具体而言,在本实施例中,所述运输路径优化模型具体包括所述第一寻优表达式、所述第二寻优表达式、所述第三寻优表达式和所述第四寻优表达式。
所述第一寻优表达式映射于所述预定优化目标中的所述运输总成本最低,基于步骤A100可知,所述预定影响因素中包括所述预定优化目标中任一目标实现的影响因素,基于此,本实施例采用所述运输总成本最低遍历所述预定影响因素得到所述运输总成本最低在所述预定影响因素中所映射的影响因素构成的所述第一影响因素集,所述第一影响因素集具体包括车辆固定使用成本、车辆行驶距离成本和时间窗惩罚成本。
所述车辆固定使用成本为与拥有和维护一辆车辆相关的固定费用,通常与车辆本身的属性和状态相关,与车辆的使用频率或行驶距离无关,所述车辆固定使用成本包括车辆的购车成本、保险费、年度注册费、折旧、贷款利息等,这些成本不会随着车辆的使用而变化。
所述车辆行驶距离成本为与车辆的实际使用和行驶距离相关的成本,这些成本随着车辆的使用而变化,通常包括燃油费用、维护和修理费用、轮胎更换成本等,车辆行驶距离成本会随着车辆的行驶距离、燃油效率和维护需求而波动。
所述时间窗惩罚成本表示因未能在规定的时间窗口内完成交付或服务而产生的额外成本,可以包括罚款、客户满意度下降、延误造成的额外工资支出等。
进一步的,本实施例分析得到所述车辆固定使用成本的第一成本表达式:
;
其中,为所述第一成本表达式,/>为车辆固定使用成本,/>为部件生产中心的车辆总数,所述部件生产中心为进行装配式建筑部品部件生产的生产厂家所处地,所述部件生产中心中共计有/>辆用于进行装配式建筑部品部件运输用的车辆。
进一步的,本实施例分析得到所述车辆行驶距离成本的第二成本表达式:
;
其中,为所述第二成本表达式,/>为施工现场需求个数,所述施工现场需求个数为对于装配式建筑部品部件的需要量个数,/>为车辆行驶单位距离的成本,/>为车辆从客户/>点到客户/>点行驶的距离,/>为决策变量。
进一步的,本实施例分析得到所述时间窗惩罚成本的第三成本表达式:
;
其中,为所述第三成本表达式,/>为车辆提前到达客户点而产生的单位时间惩罚成本,/>为车辆晚于最迟时间到达客户点而产生的单位时间惩罚成本,/>为施工现场即客户接受服务的最早时间,/>为客户接受服务的最晚时间,/>为客户接受服务的时间;
集成所述第一成本表达式、所述第二成本表达式与所述第三成本表达式,得到所述第一寻优表达式,所述第一寻优表达式如下:
;
其中,为所述第一寻优表达式,/>分别为第一成本表达式、第二成本表达式与第三成本表达式。
所述第二寻优表达式映射于所述预定优化目标中的所述运输时间最短,所述第二寻优表达式如下:
;
其中,为所述第二寻优表达式,/>为道路运输中所被允许的预计最长时间上限,/>为运输所需要的具体时间,且/>。应理解的,所述第二寻优表达式计算所获的比值,其越大,则代表运输实际时间越长。
所述第三寻优表达式映射于所述预定优化目标中的所述运输路径最优,所述第三寻优表达式如下:
;
其中,为所述第三寻优表达式,/>为道路通畅度最低容忍度,/>为运输于节点/>的路径通畅度,且/>,应理解的,第三寻优表达式的计算结果值越大,则代表运输车辆所选路径越通畅。
所述第三寻优表达式映射于所述预定优化目标中的所述运输过程碳排放量最低的第四寻优表达式,所述第四寻优表达式如下:
;
其中,为所述第四寻优表达式,/>为燃油消耗,/>为碳排放系数,所述碳排放系数即为消耗单位燃油所释放的二氧化碳数量。
在获得所述第一寻优表达式、所述第二寻优表达式、所述第三寻优表达式和所述第四寻优表达式的基础上,采用所述第一寻优表达式、所述第二寻优表达式、所述第三寻优表达式和所述第四寻优表达式构建生成所述运输路径优化模型。
本实施构建所述运输路径优化模型用于快速进行寻优分析,获得运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的目标最优路径。
A300:对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;
具体而言,基于步骤A200可知,在本实施例中,所述部件生产中心为进行装配式建筑部品部件生产的生产厂家所处地的场地中心。所述客户点为装配式建筑部品部件运输抵达的位置。
车辆在部件生产中心将装配式部品部件装车后,逐一经过各个客户点,直至全部N个客户点进行装配式部品部件的卸货。
多维度信息具体包括部件生产中心的空间位置信息,客户点的空间位置信息,部件生产中心到N个客户点的路径上的信息素浓度,任意一个不特定空间点到另一不特定空间点的路径上的信息素浓度。
基于此,本实施例基于采集获得的多维度信息,构建所述目标订单中心,所述目标订单中心记录有多个客户点和部件生产中心的位置坐标,以及包含部件生产中心前文其他N个客户点的N个信息素浓度,每个客户点前往其他N-1个客户点的N-1个信息素浓度构建的信息素矩阵。
基于信息素矩阵,可以直接调用获得一个客户点到另一个客户点的路径上的信息素浓度,同时,应理解的,通常,在目标订单信息中每个路径的信息素值都初始化为相同的初始值,以确保在算法的早期阶段,蚂蚁们能够进行探索。
A400:通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。
在一个实施例中,所述通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径,本申请提供的方法步骤A400还包括:
S100:从所述目标订单信息中依次提取所述部件生产中心的初始信息素、第一客户点的第一初始信息素和第二客户点的第二初始信息素;
S200:所述运输路径优化模型根据所述初始信息素与所述第一初始信息素,得到第一路径段的第一运输数据;
S300:若所述第一运输数据满足预定需求,将所述第一客户点添加至预定禁忌表;若所述第一运输数据不满足所述预定需求,返回S100并格式化所述预定禁忌表。
S400:所述运输路径优化模型根据所述第一初始信息素与所述第二初始信息素,得到第二路径段的第二运输数据;
S500:若所述第二运输数据满足所述预定需求,将所述第二客户点添加至所述预定禁忌表;
S600:当所述目标订单信息中所有客户点均添加至所述预定禁忌表时,调取所述第一运输数据和所述第二运输数据得到第一运输可行解;
S700:对基于所述第一运输可行解组建的运输可行解列表依次进行分析,并确定所述目标最优路径。
在一个实施例中,如图2所示,在所述对基于所述第一运输可行解组建的运输可行解列表依次进行分析之前,本申请提供的方法步骤A400包括:
A410:读取预定迭代次数阈值;
A420:当实时迭代次数达到所述预定迭代次数阈值时停止迭代,获取所述运输可行解列表。
在一个实施例中,本申请提供的方法步骤还包括,若所述运输可行解列表中存在一运输可行解出现5次,启动预定混沌扰动机制对所述目标订单信息中各客户点的初始信息素进行更新。
具体而言,在本实施例中,从所述目标订单信息中依次提取所述部件生产中心的初始信息素、第一客户点的第一初始信息素和第二客户点的第二初始信息素。
所述第一路径段为用于进行装配式建筑部品部件运输用的车辆从部件生产中心前往第一客户点的行驶路径,所述运输路径优化模型根据所述初始信息素与所述第一初始信息素,得到第一路径段的第一运输数据。
所述预定需求为客户点的到货时间窗和装配式建筑部品部件的载重限制。若所述第一运输数据满足预定需求,将所述第一客户点添加至预定禁忌表;若所述第一运输数据不满足所述预定需求,返回S100并格式化所述预定禁忌表,同时采用现有技术的采用2-opt对每所述第一路径段内的配送路径进行局部优化,并再次执行步骤S100~S300。
同理,所述第二路径段为用于进行装配式建筑部品部件运输用的车辆从第一客户点前往第二客户点的行驶路径。所述运输路径优化模型根据所述第一初始信息素与所述第二初始信息素,得到第二路径段的第二运输数据。若所述第二运输数据满足所述预定需求,将所述第二客户点添加至所述预定禁忌表;当所述目标订单信息中所有客户点均添加至所述预定禁忌表时,调取所述第一运输数据和所述第二运输数据得到第一运输可行解,所述第一运输可行解为用于进行装配式建筑部品部件运输用的车辆从部件生产中心前往第一客户点后,再后第一客户点前往第二客户点的符合所述预定需求的多条运输路径。
读取预定迭代次数阈值,所述预定迭代次数阈值为预先设定的短发最大迭代次数,用于控制算法的运行时长;当实时迭代次数达到所述预定迭代次数阈值时停止迭代,获取由多次迭代获得多个所述第一运输可行解组件所述运输可行解列表。
进一步的,对基于所述第一运输可行解组建的运输可行解列表依次进行分析,获得运输可行解列表中各个运输路径的多组运输总成本、运输时间、运输路径和运输过程碳排放量。
进而基于运输总成本、运输时间、运输路径和运输过程碳排放量进行各个运输路径排序,获得运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的所述目标最优路径。
本实施例设定运输可行解列表,若所述运输可行解列表中存在一运输可行解出现5次,启动预定混沌扰动机制对所述目标订单信息中各客户点的初始信息素进行更新,本实施例进行N个客户点信息素更新在于加快算法收敛速度,适度削弱最差路径,添加惩罚因素,以降低被选择概率,强化质量较好路径的信息素浓度,促使蚂蚁选择质量最佳路径。
本实施例达到了获得实现运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的线路的技术效果,同时,相比遗传算法与传统蚁群算法,本实施例基于改进蚁群算法的部品部件运输最优路径长度均值较小,相比遗传算法与传统蚁群算法,基于改进蚁群算法的物流运输最优路径优化模型迭代次数较少,本实施例实现了快速高效获得路径长度较短且运输总成本最低、运输时间最短、运输路径最优化和碳排放量最低的线路的技术效果。
实施例二
基于与前述实施例中一种基于改进蚁群算法的运输路径优化方法相同的发明构思,如图3所示,本申请提供了一种基于改进蚁群算法的运输路径优化系统,其中,所述系统包括:
优化目标读取模块1,用于读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;
优化模型构建模块2,用于利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;
订单信息采集模块3,用于对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;
最优路径确定模块4,用于通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。
在一个实施例中,所述优化目标读取模块1还包括:
所述预定优化目标包括运输总成本最低、运输时间最短、运输路径最优和运输过程碳排放量最低。
在一个实施例中,所述优化模型构建模块2还包括:
遍历所述预定影响因素得到对应所述预定优化目标中所述运输总成本最低的第一影响因素集;
对所述第一影响因素集中的因素进行分析,得到所述运输总成本最低的第一寻优表达式,所述第一寻优表达式如下:
;
其中,为所述第一寻优表达式,/>分别为第一成本表达式、第二成本表达式与第三成本表达式;
获取所述运输时间最短的第二寻优表达式,所述第二寻优表达式如下:
;
其中,为所述第二寻优表达式,/>为道路运输中所被允许的预计最长时间上限,/>为运输所需要的具体时间,且/>;
获取所述运输路径最优的第三寻优表达式,所述第三寻优表达式如下:
;
其中,为所述第三寻优表达式,/>为道路通畅度最低容忍度,/>为运输于节点/>的路径通畅度,且/>;
获取所述运输过程碳排放量最低的第四寻优表达式,所述第四寻优表达式如下:
;
其中,为所述第四寻优表达式,/>为燃油消耗,/>为碳排放系数;
基于所述第一寻优表达式、所述第二寻优表达式、所述第三寻优表达式和所述第四寻优表达式构建所述运输路径优化模型。
在一个实施例中,所述优化模型构建模块2还包括:
所述第一影响因素集包括车辆固定使用成本、车辆行驶距离成本和时间窗惩罚成本;
分析得到所述车辆固定使用成本的第一成本表达式:
;
其中,为所述第一成本表达式,/>为车辆固定使用成本,/>为部件生产中心的车辆总数;
分析得到所述车辆行驶距离成本的第二成本表达式:
;
其中,为所述第二成本表达式,/>为施工现场需求个数,/>为车辆行驶单位距离的成本,/>为车辆从客户/>点到客户/>点行驶的距离,/>为决策变量;
分析得到所述时间窗惩罚成本的第三成本表达式:
;
其中,为所述第三成本表达式,/>为车辆提前到达客户点而产生的单位时间惩罚成本,/>为车辆晚于最迟时间到达客户点而产生的单位时间惩罚成本,/>为施工现场即客户接受服务的最早时间,/>为客户接受服务的最晚时间,/>为客户接受服务的时间;
根据所述第一成本表达式、所述第二成本表达式与所述第三成本表达式,得到所述第一寻优表达式。
在一个实施例中,所述最优路径确定模块4还包括:
S100:从所述目标订单信息中依次提取所述部件生产中心的初始信息素、第一客户点的第一初始信息素和第二客户点的第二初始信息素;
S200:所述运输路径优化模型根据所述初始信息素与所述第一初始信息素,得到第一路径段的第一运输数据;
S300:若所述第一运输数据满足预定需求,将所述第一客户点添加至预定禁忌表;
S400:所述运输路径优化模型根据所述第一初始信息素与所述第二初始信息素,得到第二路径段的第二运输数据;
S500:若所述第二运输数据满足所述预定需求,将所述第二客户点添加至所述预定禁忌表;
S600:当所述目标订单信息中所有客户点均添加至所述预定禁忌表时,调取所述第一运输数据和所述第二运输数据得到第一运输可行解;
S700:对基于所述第一运输可行解组建的运输可行解列表依次进行分析,并确定所述目标最优路径。
在一个实施例中,所述最优路径确定模块4还包括:
若所述第一运输数据不满足所述预定需求,返回S100并格式化所述预定禁忌表。
在一个实施例中,所述最优路径确定模块4还包括:
读取预定迭代次数阈值;
当实时迭代次数达到所述预定迭代次数阈值时停止迭代,获取所述运输可行解列表。
在一个实施例中,所述最优路径确定模块4还包括:
若所述运输可行解列表中存在一运输可行解出现5次,启动预定混沌扰动机制对所述目标订单信息中各客户点的初始信息素进行更新。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (9)
1.一种基于改进蚁群算法的运输路径优化方法,其特征在于,包括:
读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;
利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;
对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;
通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。
2.根据权利要求1所述方法,其特征在于,所述预定优化目标包括运输总成本最低、运输时间最短、运输路径最优和运输过程碳排放量最低。
3.根据权利要求2所述方法,其特征在于,所述利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型,包括:
遍历所述预定影响因素得到对应所述预定优化目标中所述运输总成本最低的第一影响因素集;
对所述第一影响因素集中的因素进行分析,得到所述运输总成本最低的第一寻优表达式,所述第一寻优表达式如下:
;
其中,为所述第一寻优表达式,/>分别为第一成本表达式、第二成本表达式与第三成本表达式;
获取所述运输时间最短的第二寻优表达式,所述第二寻优表达式如下:
;
其中,为所述第二寻优表达式,/>为道路运输中所被允许的预计最长时间上限,/>为运输所需要的具体时间,且/>;
获取所述运输路径最优的第三寻优表达式,所述第三寻优表达式如下:
;
其中,为所述第三寻优表达式,/>为道路通畅度最低容忍度,/>为运输于节点/>的路径通畅度,且/>;
获取所述运输过程碳排放量最低的第四寻优表达式,所述第四寻优表达式如下:
;
其中,为所述第四寻优表达式,/>为燃油消耗,/>为碳排放系数;
基于所述第一寻优表达式、所述第二寻优表达式、所述第三寻优表达式和所述第四寻优表达式构建所述运输路径优化模型。
4.根据权利要求3所述方法,其特征在于,所述对所述第一影响因素集中的因素进行分析,得到所述运输总成本最低的第一寻优表达式,包括:
所述第一影响因素集包括车辆固定使用成本、车辆行驶距离成本和时间窗惩罚成本;
分析得到所述车辆固定使用成本的第一成本表达式:
;
其中,为所述第一成本表达式,/>为车辆固定使用成本,/>为部件生产中心的车辆总数;
分析得到所述车辆行驶距离成本的第二成本表达式:
;
其中,为所述第二成本表达式,/>为施工现场需求个数,/>为车辆行驶单位距离的成本,/>为车辆从客户/>点到客户/>点行驶的距离,/>为决策变量;
分析得到所述时间窗惩罚成本的第三成本表达式:
;
其中,为所述第三成本表达式,/>为车辆提前到达客户点而产生的单位时间惩罚成本,/>为车辆晚于最迟时间到达客户点而产生的单位时间惩罚成本,/>为施工现场即客户接受服务的最早时间,/>为客户接受服务的最晚时间,/>为客户接受服务的时间;
根据所述第一成本表达式、所述第二成本表达式与所述第三成本表达式,得到所述第一寻优表达式。
5.根据权利要求4所述方法,其特征在于,所述通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径,包括:
S100:从所述目标订单信息中依次提取所述部件生产中心的初始信息素、第一客户点的第一初始信息素和第二客户点的第二初始信息素;
S200:所述运输路径优化模型根据所述初始信息素与所述第一初始信息素,得到第一路径段的第一运输数据;
S300:若所述第一运输数据满足预定需求,将所述第一客户点添加至预定禁忌表;
S400:所述运输路径优化模型根据所述第一初始信息素与所述第二初始信息素,得到第二路径段的第二运输数据;
S500:若所述第二运输数据满足所述预定需求,将所述第二客户点添加至所述预定禁忌表;
S600:当所述目标订单信息中所有客户点均添加至所述预定禁忌表时,调取所述第一运输数据和所述第二运输数据得到第一运输可行解;
S700:对基于所述第一运输可行解组建的运输可行解列表依次进行分析,并确定所述目标最优路径。
6.根据权利要求5所述方法,其特征在于,若所述第一运输数据不满足所述预定需求,返回S100并格式化所述预定禁忌表。
7.根据权利要求6所述方法,其特征在于,在所述对基于所述第一运输可行解组建的运输可行解列表依次进行分析之前,包括:
读取预定迭代次数阈值;
当实时迭代次数达到所述预定迭代次数阈值时停止迭代,获取所述运输可行解列表。
8.根据权利要求7所述方法,其特征在于,若所述运输可行解列表中存在一运输可行解出现5次,启动预定混沌扰动机制对所述目标订单信息中各客户点的初始信息素进行更新。
9.一种基于改进蚁群算法的运输路径优化系统,其特征在于,所述系统包括:
优化目标读取模块,用于读取预定优化目标,并将分析所述预定优化目标得到的影响因素集合作为预定影响因素;
优化模型构建模块,用于利用改进蚁群算法原理对所述预定优化目标和所述预定影响因素进行分析,并构建运输路径优化模型;
订单信息采集模块,用于对目标装配式建筑部件运输订单进行多维度信息采集,得到目标订单信息;
最优路径确定模块,用于通过所述运输路径优化模型对所述目标订单信息进行寻优分析,得到目标最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600415.8A CN117313977A (zh) | 2023-11-28 | 2023-11-28 | 一种基于改进蚁群算法的运输路径优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600415.8A CN117313977A (zh) | 2023-11-28 | 2023-11-28 | 一种基于改进蚁群算法的运输路径优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313977A true CN117313977A (zh) | 2023-12-29 |
Family
ID=89250227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311600415.8A Pending CN117313977A (zh) | 2023-11-28 | 2023-11-28 | 一种基于改进蚁群算法的运输路径优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313977A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967668A (zh) * | 2020-08-17 | 2020-11-20 | 安徽理工大学 | 一种基于改进蚁群算法的冷链物流路径优化方法 |
CN113343575A (zh) * | 2021-06-21 | 2021-09-03 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
-
2023
- 2023-11-28 CN CN202311600415.8A patent/CN117313977A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967668A (zh) * | 2020-08-17 | 2020-11-20 | 安徽理工大学 | 一种基于改进蚁群算法的冷链物流路径优化方法 |
CN113343575A (zh) * | 2021-06-21 | 2021-09-03 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860754B (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
CN109800904B (zh) | 带时间窗的装配式建筑预制件配送路径优化方法及系统 | |
Palmgren et al. | A near‐exact method for solving the log‐truck scheduling problem | |
CN112733272A (zh) | 一种解决带软时间窗的车辆路径问题的方法 | |
CN113343575B (zh) | 基于改进蚁群算法的多目标车辆路径优化方法 | |
CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
CN101620694A (zh) | 物流运输决策支持系统及方法、运输管理系统 | |
CN115981264A (zh) | 一种考虑冲突的agv调度与数量联合优化方法 | |
Pinho et al. | Modelling a biomass supply chain through discrete-event simulation | |
Sarbijan et al. | Multi-fleet feeder vehicle routing problem using hybrid metaheuristic | |
CN114037335A (zh) | 一种最大化承运能力的车货匹配智能决策方法及系统 | |
CN116402420A (zh) | 用于运输车辆的智能网络管理与调度方法及系统 | |
CN117313977A (zh) | 一种基于改进蚁群算法的运输路径优化方法及系统 | |
CN114139392A (zh) | 基于自适应大规模领域搜索算法的车辆路径问题方法及系统 | |
CN114444809A (zh) | 一种数据驱动下的多目标露天矿卡路径优化方法 | |
CN116882673A (zh) | 一种煤炭供应链系统及调度方法 | |
Natalia et al. | Completion of capacitated vehicle routing problem (cvrp) and capacitated vehicle routing problem with time windows (cvrptw) using bee algorithm approach to optimize waste picking transportation problem | |
Jun et al. | Evolutionary neural network for learning of scalable heuristics for pickup and delivery problems with time windows | |
CN112734111B (zh) | 一种水平运输任务agv动态时间预估方法 | |
CN116957174A (zh) | 基于数据融合的货运线路集成规划方法及系统 | |
CN114186924B (zh) | 一种协同配送路径规划方法、装置、电子设备和存储介质 | |
Cheng et al. | Efficient scenario analysis for optimal adaptation of bridge networks under deep uncertainties through knowledge transfer | |
CN111445100B (zh) | 有限运力下基于自适应时间窗口的车货匹配方法 | |
Hosseini-Motlagh et al. | A multi-path traffic-covering pollution routing model with simultaneous pickup and delivery | |
Bhattacharjee et al. | An efficient ant colony algorithm for multi-depot heterogeneous fleet green vehicle routing problem |
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 |