CN117933870A - 基于时变拥堵和停车等待的城市配送车辆路径优化方法 - Google Patents
基于时变拥堵和停车等待的城市配送车辆路径优化方法 Download PDFInfo
- Publication number
- CN117933870A CN117933870A CN202410332153.XA CN202410332153A CN117933870A CN 117933870 A CN117933870 A CN 117933870A CN 202410332153 A CN202410332153 A CN 202410332153A CN 117933870 A CN117933870 A CN 117933870A
- Authority
- CN
- China
- Prior art keywords
- time
- access
- delivery vehicle
- delivery
- parking
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 23
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 23
- 239000000446 fuel Substances 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及基于时变拥堵和停车等待的城市配送车辆路径优化方法,包括如下步骤:生成车辆访问客户点的顺序矩阵;从起点开始配送中心派一辆配送车辆;判断客户点是否需要新增配送车辆;记录多个可行的访问解;以总费用作为目标函数计算适应度;计算累计选择概率,求解出与随机生成数对应的访问解的位置,组成一个访问解集合;取出访问解执行变异交叉算子产生新的访问解,得到不停车情况下成本最低的全局最优解;将目标函数修改为可停车时间最大化,得到停车情况下成本最低的全局最优解;选取最优解。本发明提供的方法提高了配送的准确性和时效性,有效减少了燃油消耗及车辆碳排放。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及基于时变拥堵和停车等待的城市配送车辆路径优化方法。
背景技术
城市物流配送是依托城市内部交通运输网络,以城市配送企业为主体,为城市及周边区域的企业和居民提供物品实体转移的活动,其具有配送需求点繁多且分布不均匀、单批需求量小、道路拥堵情况时有发生的特点。
而车辆在实际配送过程中往往不会主动选择停车来规避交通拥堵,所以学者在对城市配送车辆路径优化研究中,也较少考虑车辆在需求点处停车等待。城市配送路径问题是车辆路径问题的一个重要分支,城市配送路径问题与一般的车辆路径问题相比,最主要的区别在于城市配送路网情况更为复杂,城市路网拥堵频发,配送需求点多,少批量、多批次的配送特点也增加了求解城市配送车辆路径问题的难度。随着城市配送路网拥堵及环境污染问题日益严峻,城市物流配送作为碳排放的密集领域,针对碳排放、时变速度以及交通拥堵的车辆路径优化问题越来越引起学者的重视。然而现有的城市配送车辆路径优化方法不能同时综合考虑这几点,形成很好的配送路径优化,目前主要是基于其中的碳排放,即包括碳排放在内的总配送成本最小为目标进行优化,这种优化方法已经不能适应现在城市机动车数量急剧增加,道路拥挤情况日益严重的现状。
发明内容
本发明所要解决的技术问题是提供基于时变拥堵和停车等待的城市配送车辆路径优化方法,从碳排放、企业运营成本及城市交通状况多方面综合考虑,获取城市配送车辆路径优化方法,不仅可以提高配送的准确性和时效性,增加顾客满意度,增强企业的竞争力,而且可以有效减少燃油消耗,节约企业运营成本,减少因车辆碳排放造成的环境污染。
本发明是通过以下技术方案予以实现:
基于时变拥堵和停车等待的城市配送车辆路径优化方法,其包括如下步骤:
S1:按照车辆到达顺序设置客户点数,并生成车辆访问客户点的顺序矩阵;
S2:以车辆访问客户点的顺序矩阵左边第一个客户点为车辆路径的起点,从起点开始配送中心派一辆配送车辆为客户点服务;
S3:判断起点所需配送量与下一个客户点所需配送量之和是否超出配送车辆最大载重,再判断从起点出发到达下一个客户点的时间是否满足下一个客户点的配送时间要求,根据是否满足这两种情况分别确定下一个客户点是否需要增加配送车辆,以及是否需要修改配送车辆离开时间,然后再以第二个客户点为起点按照车辆访问客户点的顺序矩阵依次判断,直至所有的客户点均有配送车辆访问为止;
S4:记录所有车辆访问客户点的个数及顺序作为一个访问解,并重复执行步骤S1至步骤S3,得到多个可行的访问解;
S5:以访问解的总费用作为目标函数计算每个可行的访问解的适应度;
S6:随机选取多个可行的访问解并按照适应度的大小进行排列,计算累计选择概率,然后随机生成一个位于相邻两个累计选择概率之间的数,求解出与这个数对应的访问解的位置,找到相应的访问解组成一个访问解集合,直到访问解集合中的访问解达到设定值;
S7:取出访问解集合里的访问解执行变异交叉算子,产生新的访问解,计算每一个新的访问解的总费用,得到不停车情况下成本最低的全局最优解;
S8:将步骤S5中的目标函数修改为可停车时间最大化,重复步骤S1-步骤S7,得到停车情况下成本最低的全局最优解;
S9:选取不停车情况下成本最低的全局最优解与停车情况下成本最低的全局最优解中较低的作为最终城市配送车辆路径最优解。
进一步,步骤S3中按照如下方法确定下一个客户点是否需要增加配送车辆以及是否需要修改配送车辆离开时间:首先判断起点所需配送量与下一个客户点所需配送量之和是否超出配送车辆最大载重,再判断从起点出发到达下一个客户点的时间是否满足下一个客户点的配送时间要求,若起点所需配送量与下一个客户点所需配送量之和不超出配送车辆最大载重且满足下一个客户点的配送时间要求,则这两个客户点用一辆配送车辆配送,然后按照车辆访问客户点的顺序矩阵继续进行下一个客户点的判断,若起点所需配送量与下一个客户点所需配送量之和不超出配送车辆最大载重且到达第一个客户点的时间早于客户点的配送时间要求,则不需要增加配送车辆且将配送车辆的离开时间修改为配送开始时间,再按照车辆访问客户点的顺序矩阵继续进行下一个客户点的判断,若起点所需配送量与下一个客户点所需配送量之和超出配送车辆最大载重,且从起点出发到达下一个客户点的时间迟于下一个客户点的配送时间要求,则新增一辆配送车辆为下一个客户点服务。
优选的,步骤S5中总费用的目标函数为式(1):
(1);
其中:表示配送车辆发车的固定成本,/>表示配送车辆序号,/>表示所有配送车辆的集合,/>和/>分别表示两个不同的客户点位置,/>表示配送车辆/>是否从配送中心出发到达客户点/>,/>表示配送车辆单位距离折旧成本,/>表示连接所有客户点的弧集,/>表示配送车辆/>是否从客户点/>出发到达客户点/>,/>表示客户点/>到客户点/>的距离,/>表示单位燃油价格,/>表示单位碳排放成本,/>表示碳排放与燃油消耗的转化系数,/>表示配送车辆/>到达客户点/>的时间,/>表示配送车辆/>到达客户点/>的时间,/>表示配送车辆/>到达客户点/>之后在服务客户/>之前停车等待的时间,/>表示配送车辆/>在客户点/>处的服务时间,/>表示配送车辆/>在服务完客户点/>之后在客户点/>处停车等待的时间,/>表示时间/>内配送车辆油耗量,/>表示时间,/>表示配送车辆的单位时间停车费用。
优选的,步骤S5中的适应度按照式(2)进行计算:
(2);
其中:表示访问解的序号,/>表示第/>个访问解的适应度,/>表示第/>个访问解的目标函数。
进一步,步骤S7中按照下述方法执行变异交叉算子:
S71:在访问解集合里的一个访问解中随机选择一条车辆配送路径删除,然后把被删除车辆配送路径的客户点随机插入到该访问解中其他配送车辆访问路径中,再执行步骤S3至步骤S4,产生新的访问解;
S72:将步骤S71产生的新的访问解的客户点访问顺序反转形成新的配送车辆访问路径,再执行步骤S3至步骤S4,产生最终新的访问解。
优选的,步骤S8中可停车时间最大化的目标函数为式(3);
(3);
其中:为可停车时间最大化的目标函数值,/>表示可停车时间范围内从客户点/>到客户点/>路段中的最大速度,/>表示可停车时间范围内从客户点/>到客户点/>路段中的最小速度,/>表示能够停留的最长时间。
进一步,获得不停车情况下成本最低的全局最优解或者停车情况下成本最低的全局最优解的方法如下:在步骤S7获得的一个新的访问解中随机在一个客户点位置插入一个设定步长的停车时间进行试探,若插入设定步长的停车时间后,新的访问解依然可行,则记录最新访问解,并在该客户点位置继续插入一个设定步长的停车时间进行试探,直至新的访问解不可行,然后缩小步长,在客户点位置插入一个1/2设定步长的停车时间继续试探,直至设定步长小于终止步长,计算每次试探获得的最新访问解的总费用的目标函数,最低的最新访问解则为成本最低的全局最优解。
发明的有益效果:
本发明提供的基于时变拥堵和停车等待的城市配送车辆路径优化方法,从城市配送实际出发,不仅考虑了配送成本,而且采用更符合实际的时变拥堵速度来刻画城市配送网络,使得对城市配送车辆路径的优化更准确更高效。从企业的角度来看,根据时变拥堵速度优化车辆行驶路径,同时决策停车时间,以获得相对经济的行驶速度,不仅可以提高配送的准确性和时效性,增加顾客满意度,增强企业的竞争力,而且可以有效减少燃油消耗,节约企业运营成本;从社会环境的角度来看,本发明对于规避与缓解交通拥堵,减少因车辆碳排放造成的环境污染具有显著意义,这符合生态文明建设的目标。
附图说明
图1是本发明流程示意图。
图2是本发明配送车辆访问客户点情况示意图。
图3是本发明访问解分布示意图。
图4是本发明优化过程示意图。
图5是本发明访问解分布示意图。
具体实施方式
基于时变拥堵和停车等待的城市配送车辆路径优化方法,流程图如图1所示,具体包括如下步骤:
S1:按照车辆到达顺序设置客户点数,并生成车辆访问客户点的顺序矩阵;
S2:以车辆访问客户点的顺序矩阵左边第一个客户点为车辆路径的起点,从起点开始配送中心派一辆配送车辆为客户点服务;
S3:判断起点所需配送量与下一个客户点所需配送量之和是否超出配送车辆最大载重,再判断从起点出发到达下一个客户点的时间是否满足下一个客户点的配送时间要求,根据是否满足这两种情况分别确定下一个客户点是否需要增加配送车辆,以及是否需要修改配送车辆离开时间,然后再以第二个客户点为起点按照车辆访问客户点的顺序矩阵依次判断,直至所有的客户点均有配送车辆访问为止。
具体的可以按照如下方法确定下一个客户点是否需要增加配送车辆以及是否需要修改配送车辆离开时间:
首先判断起点所需配送量与下一个客户点所需配送量之和是否超出配送车辆最大载重,再判断从起点出发到达下一个客户点的时间是否满足下一个客户点的配送时间要求,若起点所需配送量与下一个客户点所需配送量之和不超出配送车辆最大载重且满足下一个客户点的配送时间要求,则这两个客户点用一辆配送车辆配送,然后按照车辆访问客户点的顺序矩阵继续进行下一个客户点的判断,若起点所需配送量与下一个客户点所需配送量之和不超出配送车辆最大载重且到达第一个客户点的时间早于客户点的配送时间要求,则不需要增加配送车辆且将配送车辆的离开时间修改为配送开始时间,再按照车辆访问客户点的顺序矩阵继续进行下一个客户点的判断,若起点所需配送量与下一个客户点所需配送量之和超出配送车辆最大载重,且从起点出发到达下一个客户点的时间迟于下一个客户点的配送时间要求,则新增一辆配送车辆为下一个客户点服务。
配送车辆访问客户点情况示意图如图2所示,图2中上面一行为步骤S1生成的车辆访问客户点的顺序矩阵,其中的数字表示客户点的序号,下面一行记录相应的客户点配送车辆的情况,将新增一辆配送车辆记作1,不新增配送车辆记作0。图2表示第一辆配送车辆先到达客户点4,经判断,第一辆配送车辆再到达客户点2,再到达客户点1均满足要求,则客户点按照4、2、1的顺序由第一辆配送车辆进行配送,经判断第一辆配送车辆不再满足客户点3的要求,因此客户点3需新增一辆配送车辆进行配送,再按照上面方法进行判断,新增的配送车辆到达客户点6仍然满足要求,则客户点6仍然由新增配送车辆进行配送,而客户点不再满足要求,则客户点5需再重新增加一辆配送车辆进行配送。
S4:记录所有车辆访问客户点的个数及顺序作为一个访问解,并重复执行步骤S1至步骤S3,得到多个可行的访问解;
S5:以访问解的总费用作为目标函数计算每个可行的访问解的适应度;
具体的,访问解总费用的目标函数根据式(1)计算:
(1);
其中:表示配送车辆发车的固定成本,/>表示配送车辆序号,/>表示所有配送车辆的集合,/>和/>均表示客户点位置,/>为决策变量,表示配送车辆/>是否从配送中心出发到达客户点/>,/>表示配送车辆单位距离折旧成本,/>表示连接所有客户点的弧集,/>为决策变量,表示配送车辆/>是否从客户点/>出发到达客户点/>,/>表示客户点/>到客户点/>的距离,/>表示单位燃油价格,/>表示单位碳排放成本,/>表示碳排放与燃油消耗的转化系数,表示配送车辆/>到达客户点/>的时间,/>表示配送车辆/>到达客户点/>的时间,/>表示配送车辆/>到达客户点/>之后在服务客户/>之前停车等待的时间,/>表示配送车辆/>在客户点处的服务时间,/>表示配送车辆/>在服务完客户点/>之后在客户点/>处停车等待的时间,表示时间/>内配送车辆油耗量,/>表示时间,/>表示配送车辆的单位时间停车费用。
这里的总费用包括固定发车成本、车辆折旧成本、燃油与碳排放成本、停车等待成本,其综合考虑了车辆的固定成本、燃油及碳排放成本以及停车等待成本等,对后期的城市配送车辆路径优化具有现实的指导意义,不仅可以提高配送的准确性和时效性,增加顾客满意度,增强企业的竞争力,而且可以有效减少燃油消耗,节约企业运营成本。
适应度的计算根据式(2)进行计算:
(2);
其中:表示访问解的序号,/>表示第/>个访问解的适应度,/>表示第/>个访问解的目标函数,在本发明中/>可以取访问解总费用的目标函数/>,也可以取可停车时间最大化的目标函数/>。
适应度是评价一个个体优劣的重要依据,个体的适应度越大,被选择的几率越大。即哪一个访问解的适应度大,路径优化时被选择的几率越大,适应度函数具有非负性,任何情况下都大于等于0,其值越大越好。为了使小数点后面的位数更加精确,也可以将目标函数的倒数值乘以100表示访问解的适应度。
S6:随机选取多个可行的访问解并按照适应度的大小进行排列,计算累计选择概率,然后随机生成一个位于相邻两个累计选择概率之间的数,求解出与这个数对应的访问解的位置,找到相应的访问解组成一个访问解集合,直到访问解集合中的访问解达到设定值;
假设随机生成的数为,则累计选择概率为/>,其中/>表示第/>个访问解对应的适应度除以所有解适应度的和,/>表示访问解的位置,根据/>可以求解出与/>对应的访问解的位置,即求解出/>的值。
S7:取出访问解集合里的访问解执行变异交叉算子,产生新的访问解,计算每一个新的访问解的总费用,得到不停车情况下成本最低的全局最优解;
具体的可以按照下述方法执行变异交叉算子:
S71:在访问解集合里的一个访问解中随机选择一条车辆配送路径删除,然后把被删除车辆配送路径的客户点随机插入到该访问解中其他配送车辆访问路径中,再执行步骤S3至步骤S4,产生新的访问解;
S72:将步骤S71产生的新的访问解的客户点访问顺序反转形成新的配送车辆访问路径,再执行步骤S3至步骤S4,产生最终新的访问解。
这里所述将客户点访问顺序反转是指把一个解先随机选择一个起点和终点,然后把起点和终点之间的解进行反转,本来是按照从左到右的顺序配送,现在以从右到左的顺序配送。以图2为例,在反转之前客户点的访问顺序为4-2-1-3-6-5,反转后客户点的访问顺序为5-6-3-1-2-4。
将取出访问解集合里的访问解执行变异交叉算子,通过步骤S71和S72两种变异交叉算子作为局部优化策略,通过系统迭代的方式寻找满足约束条件同时目标函数尽可能小的局部最优解,优于变异交叉算子之前的访问解,因此更加有利于后期的路径优化,使路径优化方法更简化,优化结果更准确。
优选的,步骤S8中可停车时间最大化的目标函数为式(3);
(3);
其中:为可停车时间最大化的目标函数值,/>表示可停车时间范围内从客户点/>到客户点/>路段中的最大速度,/>表示可停车时间范围内从客户点/>到客户点/>路段中的最小速度,/>表示能够停留的最长时间。
S8:将步骤S5中的目标函数修改为可停车时间最大化,重复步骤S1-步骤S7,得到停车情况下成本最低的全局最优解;
具体的,可以通过下述方法获得不停车情况下成本最低的全局最优解或者停车情况下成本最低的全局最优解的:在步骤S7获得的一个新的访问解中随机在一个客户点位置插入一个设定步长的停车时间进行试探,若插入设定步长的停车时间后,新的访问解依然可行,则记录最新访问解,并在该客户点位置继续插入一个设定步长的停车时间进行试探,直至新的访问解不可行,然后缩小步长,在客户点位置插入一个1/2设定步长的停车时间继续试探,直至设定步长小于终止步长,计算每次试探获得的最新访问解的总费用的目标函数,/>最低的最新访问解则为成本最低的全局最优解。
S9:选取不停车情况下成本最低的全局最优解与停车情况下成本最低的全局最优解中较低的作为最终城市配送车辆路径最优解。
具体实施例:
假设配送中心需要对其周围的处于不同地理位置、且对送货时间有不同要求的客户提供配送服务。其中配送中心的车辆是同质的,都有相同的载重量,均为200单位;车辆在所有客户点处服务的时间均为90单位,配送中心的时间窗定义为[0,1236],为保证方法的可行性和科学性,本发明定义客户要求的最早服务时间都大于配送中心的最早工作时间,最晚服务时间都小于配送中心的最晚工作时间,同时所有客户对货物的需求均不超过车辆的载重容量限制。
由于本发明考虑配送中心所在地是一极为拥堵的大型城市,因此把车辆速度设定为基于时变拥堵的连续函数,“50”表示无拥堵时城市道路的自由速度,/>为时变拥堵系数。车辆其他参数见表1:
表1
根据参数设置,以总配送成本最低为优化目标,进行实验分析。该实验分为两阶段,第一阶段,利用多目标进化优化方法求解车辆配送成本最低与可优化空间最大两个维度的访问解;第二阶段,在得到的访问解中,按照变步长插入试探法插入停车时间,寻找使总配送成本最低的配送路径及停车时间。
第一阶段,多目标优化。为了使得到的解更科学有效,本文进行了20次随机测试,取20次测试中的最小成本作为本算例的最优解。通过筛选最终得到12个可优化空间较大与配送成本较低的访问解,其访问解分布如图3所示。访问解集中既有配送成本较低但可停车优化空间也相对较低的解,也有可停车优化空间较大但配送成本较高的解,总体而言,所得到的访问集能够为第二阶段插入停车时间提供较大的优化空间。
第二阶段:随机试探法插入停车时间。依次对每一访问解随机插入1分钟停车时间试探,12组访问解经过400次左右插入试探之后,配送成本均趋于收敛,达到停车时间优化的最优解,其优化过程示意图如图4所示,其优化路径示意图如图5所示:
其中插入停车时间后,得到的全局最优解的配送成本由初始最优的5140.60元下降为5128.1元,100个客户点最终需用14辆配送车辆进行配送,各配送车辆的客户点访问顺序、停车时间及成本情况如表2所示:
表2
本发明中燃油及碳排放成本由总配送成本扣除车辆的固定发车成本4200元、车辆折旧成本585元得到,如表3所示:
表3
由表3可以看出,在不考虑停车等待时的全局最优解为访问解6,燃油及碳排放成本为348.02元;考虑停车等待后的全局最优解为访问解10,燃油及碳排放成本为341.54元,考虑停车等待后燃油及碳排放成本下降了1.87%。其中,优化比例最高的为访问解10,燃油及碳排放成本由不考虑停车条件下的355.55元下降至343.29元,优化比例高达3.45%。可见考虑停车等待的情况,在降低企业油耗及碳排放成本方面具有显著作用。
通过分析实验结果发现,插入停车时间后,得到的使总配送成本最低的路径,既不是第一阶段多目标求解中得到的配送成本最低的访问解D1,也不是可停车优化空间最大的访问解D2,而是配送成本与可停车优化空间两个维度都处于中间地段的访问解D3,如图3所示。这说明:如果简单地通过寻找不考虑停车条件下的最优路径,再在最优路径基础上进行停车时间优化,会使全局最优解在局部搜索过程中被淘汰掉,导致问题陷入局部最优。而本发明所采用的两阶段求解法,能够在寻找最低成本解的同时,将可停车优化的、非成本最低的可行解保留下来,扩大了可停车优化的寻优空间,能快速找到全局最优解,本实验结果充分证明了采用两阶段求解策略的有效性。
综上所述,本发明提供基于时变拥堵和停车等待的城市配送车辆路径优化方法,采用两阶段方式求解,基于访问解总费用的目标函数及可停车时间最大化的目标函数,从城市配送实际出发,不仅考虑了配送成本,而且采用更符合实际的时变拥堵速度来刻画城市配送网络,使得对城市配送车辆路径的优化更准确更高效,从企业的角度来看,根据时变拥堵速度优化车辆行驶路径,同时决策停车时间,以获得相对经济的行驶速度,不仅可以提高配送的准确性和时效性,增加顾客满意度,增强企业的竞争力,而且可以有效减少燃油消耗,节约企业运营成本;从社会环境的角度来看,本发明对于规避与缓解交通拥堵,减少因车辆碳排放造成的环境污染具有显著意义,这也符合生态文明建设的目标。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:包括如下步骤:
S1:按照车辆到达顺序设置客户点数,并生成车辆访问客户点的顺序矩阵;
S2:以车辆访问客户点的顺序矩阵左边第一个客户点为车辆路径的起点,从起点开始配送中心派一辆配送车辆为客户点服务;
S3:判断起点所需配送量与下一个客户点所需配送量之和是否超出配送车辆最大载重,再判断从起点出发到达下一个客户点的时间是否满足下一个客户点的配送时间要求,根据是否满足这两种情况分别确定下一个客户点是否需要增加配送车辆,以及是否需要修改配送车辆离开时间,然后再以第二个客户点为起点按照车辆访问客户点的顺序矩阵依次判断,直至所有的客户点均有配送车辆访问为止;
S4:记录所有车辆访问客户点的个数及顺序作为一个访问解,并重复执行步骤S1至步骤S3,得到多个可行的访问解;
S5:以访问解的总费用作为目标函数计算每个可行的访问解的适应度;
S6:随机选取多个可行的访问解并按照适应度的大小进行排列,计算累计选择概率,然后随机生成一个位于相邻两个累计选择概率之间的数,求解出与这个数对应的访问解的位置,找到相应的访问解组成一个访问解集合,直到访问解集合中的访问解达到设定值;
S7:取出访问解集合里的访问解执行变异交叉算子,产生新的访问解,计算每一个新的访问解的总费用,得到不停车情况下成本最低的全局最优解;
S8:将步骤S5中的目标函数修改为可停车时间最大化,重复步骤S1-步骤S7,得到停车情况下成本最低的全局最优解;
S9:选取不停车情况下成本最低的全局最优解与停车情况下成本最低的全局最优解中较低的作为最终城市配送车辆路径最优解。
2.根据权利要求1所述的基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:步骤S3中按照如下方法确定下一个客户点是否需要增加配送车辆以及是否需要修改配送车辆离开时间:首先判断起点所需配送量与下一个客户点所需配送量之和是否超出配送车辆最大载重,再判断从起点出发到达下一个客户点的时间是否满足下一个客户点的配送时间要求,若起点所需配送量与下一个客户点所需配送量之和不超出配送车辆最大载重且满足下一个客户点的配送时间要求,则这两个客户点用一辆配送车辆配送,然后按照车辆访问客户点的顺序矩阵继续进行下一个客户点的判断,若起点所需配送量与下一个客户点所需配送量之和不超出配送车辆最大载重且到达第一个客户点的时间早于客户点的配送时间要求,则不需要增加配送车辆且将配送车辆的离开时间修改为配送开始时间,再按照车辆访问客户点的顺序矩阵继续进行下一个客户点的判断,若起点所需配送量与下一个客户点所需配送量之和超出配送车辆最大载重,且从起点出发到达下一个客户点的时间迟于下一个客户点的配送时间要求,则新增一辆配送车辆为下一个客户点服务。
3.根据权利要求1所述的基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:步骤S5中总费用的目标函数为式(1):
(1);
其中:表示配送车辆发车的固定成本,/>表示配送车辆序号,/>表示所有配送车辆的集合,/>和/>分别表示两个不同的客户点位置,/>表示配送车辆/>是否从配送中心出发到达客户点/>,/>表示配送车辆单位距离折旧成本,/>表示连接所有客户点的弧集,/>表示配送车辆/>是否从客户点/>出发到达客户点/>,/>表示客户点/>到客户点/>的距离,/>表示单位燃油价格,/>表示单位碳排放成本,/>表示碳排放与燃油消耗的转化系数,/>表示配送车辆/>到达客户点/>的时间,/>表示配送车辆/>到达客户点/>的时间,/>表示配送车辆/>到达客户点/>之后在服务客户/>之前停车等待的时间,/>表示配送车辆/>在客户点/>处的服务时间,/>表示配送车辆/>在服务完客户点/>之后在客户点/>处停车等待的时间,/>表示时间内配送车辆油耗量,/>表示时间,/>表示配送车辆的单位时间停车费用。
4.根据权利要求1所述的基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:步骤S5中的适应度按照式(2)进行计算:
(2);
其中:表示访问解的序号,/>表示第/>个访问解的适应度,/>表示第/>个访问解的目标函数。
5.根据权利要求1所述的基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:步骤S7中按照下述方法执行变异交叉算子:
S71:在访问解集合里的一个访问解中随机选择一条车辆配送路径删除,然后把被删除车辆配送路径的客户点随机插入到该访问解中其他配送车辆访问路径中,再执行步骤S3至步骤S4,产生新的访问解;
S72:将步骤S71产生的新的访问解的客户点访问顺序反转形成新的配送车辆访问路径,再执行步骤S3至步骤S4,产生最终新的访问解。
6.根据权利要求1所述的基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:步骤S8中可停车时间最大化的目标函数为式(3);
(3);
其中:为可停车时间最大化的目标函数值,/>表示可停车时间范围内从客户点/>到客户点/>路段中的最大速度,/>表示可停车时间范围内从客户点/>到客户点/>路段中的最小速度,/>表示能够停留的最长时间。
7.根据权利要求6所述的基于时变拥堵和停车等待的城市配送车辆路径优化方法,其特征在于:获得不停车情况下成本最低的全局最优解或者停车情况下成本最低的全局最优解的方法如下:在步骤S7获得的一个新的访问解中随机在一个客户点位置插入一个设定步长的停车时间进行试探,若插入设定步长的停车时间后,新的访问解依然可行,则记录最新访问解,并在该客户点位置继续插入一个设定步长的停车时间进行试探,直至新的访问解不可行,然后缩小步长,在客户点位置插入一个1/2设定步长的停车时间继续试探,直至设定步长小于终止步长,计算每次试探获得的最新访问解的总费用的目标函数,/>最低的最新访问解则为成本最低的全局最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410332153.XA CN117933870B (zh) | 2024-03-22 | 2024-03-22 | 基于时变拥堵和停车等待的城市配送车辆路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410332153.XA CN117933870B (zh) | 2024-03-22 | 2024-03-22 | 基于时变拥堵和停车等待的城市配送车辆路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933870A true CN117933870A (zh) | 2024-04-26 |
CN117933870B CN117933870B (zh) | 2024-05-24 |
Family
ID=90754285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410332153.XA Active CN117933870B (zh) | 2024-03-22 | 2024-03-22 | 基于时变拥堵和停车等待的城市配送车辆路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933870B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335025A (zh) * | 2017-10-16 | 2018-07-27 | 同济大学 | 基于重置成本法的城市地下空间开发间接效益评价方法 |
CN111144568A (zh) * | 2019-12-19 | 2020-05-12 | 华南理工大学 | 一种多目标城市物流配送路径规划方法 |
CN114418497A (zh) * | 2022-01-19 | 2022-04-29 | 圆通速递有限公司 | 基于混合麻雀算法的物流路径优化方法 |
CN114611830A (zh) * | 2022-03-28 | 2022-06-10 | 重庆邮电大学 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
CN114655282A (zh) * | 2022-03-11 | 2022-06-24 | 北京工业大学 | 一种列车运行方案优化方法及系统 |
CN115994591A (zh) * | 2021-10-18 | 2023-04-21 | 潘之凯 | 解决大城市通勤难题的城市交通系统和方法 |
CN116976781A (zh) * | 2023-06-09 | 2023-10-31 | 湖南工商大学 | 时间位置依赖型多目标绿色车辆路径问题求解方法与装置 |
-
2024
- 2024-03-22 CN CN202410332153.XA patent/CN117933870B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335025A (zh) * | 2017-10-16 | 2018-07-27 | 同济大学 | 基于重置成本法的城市地下空间开发间接效益评价方法 |
CN111144568A (zh) * | 2019-12-19 | 2020-05-12 | 华南理工大学 | 一种多目标城市物流配送路径规划方法 |
CN115994591A (zh) * | 2021-10-18 | 2023-04-21 | 潘之凯 | 解决大城市通勤难题的城市交通系统和方法 |
CN114418497A (zh) * | 2022-01-19 | 2022-04-29 | 圆通速递有限公司 | 基于混合麻雀算法的物流路径优化方法 |
CN114655282A (zh) * | 2022-03-11 | 2022-06-24 | 北京工业大学 | 一种列车运行方案优化方法及系统 |
CN114611830A (zh) * | 2022-03-28 | 2022-06-10 | 重庆邮电大学 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
CN116976781A (zh) * | 2023-06-09 | 2023-10-31 | 湖南工商大学 | 时间位置依赖型多目标绿色车辆路径问题求解方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117933870B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766994B (zh) | 一种共享自行车调度方法与调度系统 | |
Miao et al. | Autonomous connected electric vehicle (ACEV)-based car-sharing system modeling and optimal planning: A unified two-stage multi-objective optimization methodology | |
CN103413209B (zh) | 多客户多仓库物流配送路径选择方法 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN108647821B (zh) | 一种基于参数自学习的差分进化物流配送路径优化方法 | |
CN110852530A (zh) | 一种多车场多车型的车辆路径规划方法 | |
CN115689247A (zh) | 一种基于改进遗传算法的整车物流调度优化方法 | |
CN113052537A (zh) | 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 | |
CN111461396A (zh) | 物流排线方法、装置、电子设备及可读存储介质 | |
CN111222705A (zh) | 一种非线性充电车辆路径优化方法 | |
CN117933870B (zh) | 基于时变拥堵和停车等待的城市配送车辆路径优化方法 | |
CN113050644B (zh) | 基于迭代贪婪进化的agv调度方法 | |
Liang et al. | Online crowdsourced delivery for urban parcels using private cars under time-dependent travel times | |
CN113344267A (zh) | 一种基于合作的物流网络资源配置优化方法 | |
CN116502989A (zh) | 一种基于混合平衡优化算法的冷链物流车辆路径优化方法 | |
Wang et al. | Order dispatching optimization in ride-sourcing market by considering cross service modes | |
CN115375220A (zh) | 物流调度方法、电子设备及存储介质 | |
CN115907097A (zh) | 一种考虑用户出行特性与交通流量的加氢站优化布局方法 | |
CN115310676A (zh) | 一种时变路网下的路径优化方法、装置及存储介质 | |
CN114861972A (zh) | 基于遗传和鲸鱼混合算法的混合车辆路径优化方法和系统 | |
Cao et al. | [Retracted] A New Intelligent Rebalancing Management Method for Multiperiod and Multiobjective Bike‐Sharing System Based on Machine Learning‐Enabled Signal Processing Techniques | |
Tang et al. | Energy-oriented routing strategy of electric vehicle: An end-to-end reinforcement learning approach | |
CN113705879A (zh) | 一种多车场多车型车辆路径规划方法 | |
CN113469473A (zh) | 一种考虑逆向物流的同城配送路线规划方法 | |
CN116703291B (zh) | 一种混合能源车队配送路径优化方法 |
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 |