基于改进万有引力算法的多时间窗车辆路径选择方法
【专利摘要】本发明公开了一种基于改进万有引力算法的多时间窗车辆路径选择方法，主要解决现有技术不能同时对离散型和聚集型多时间窗车辆路径进行选择的问题。其实现步骤为：（1）对输入的客户进行聚类处理，确定聚类中心，并对车辆编号；（2）以车场为中心，根据聚类中心，将客户分布区域分为车辆数个片区，确定每辆车服务的客户集合；（3）记第k辆车服务的客户集为一个种群，在t＝0时刻，初始化该种群，并用万有引力算法对该种群进行寻优；（4）对该种群中各个体执行交叉操作，得到一个临时种群，再对该临时种群的各个体执行边界约束检查，并通过下、上层终止判断，得到多时间窗车辆路径问题的最优路径。本发明能同时对不同类型的多时间窗车辆路径进行选择。
【专利说明】基于改进万有引力算法的多时间窗车辆路径选择方法
【技术领域】
[0001]本发明属于交通运输【技术领域】，特别涉及多时间窗的车辆路径选择方法，可用于对离散型和聚集型的多时间窗车辆路径进行调度。
【背景技术】
[0002]多时间窗车辆路径问题是指车辆从配送中心出发服务客户，需要在用户提供若干个时间窗内，选择在唯一的一个时间窗内抵达服务，要求每个客户只能被一辆车服务且仅服务一次，路径选择目标是使得在满足用户时间要求及车辆载荷有限等条件下成本最小。基于多时间窗的车辆路径问题广泛存在于当今现实生活的物流运输之中，而国内对于此问题的研究还较少且一般仅只能解决某种特殊类型的多时间窗车辆调度问题。
[0003]多时间窗车辆路径问题是一个NP-Hard问题，这意味着在问题规模增大到一定数量时将很难或者根本无法求得问题的全局最优解。采用精确算法虽然可以对小规模的多时间窗车辆调度问题得到最优解，但却不适用于求解现实中的大规模的多时间窗车辆调度问题。有些学者运用序列插入启发式算法求解多时间窗车辆路径问题，虽然取得不错结果，但此种算法只能对聚集型或离散型多时间窗车辆路径选择起作用，而不能同时适用于两种类型的多时间窗车辆路径选择。
【发明内容】
[0004]本发明的目的在于针对上述已有技术的不足，提出一种基于万有引力算法的多时间窗车辆路径选择方法，以同时对两种类型的多时间窗车辆路径进行选择。
[0005]实现本发明目的技术思路是对现有的万有引力算法GSA进行改进，以有效解决离散型和聚集型多时间窗的车辆路径问题，提高搜索能力，其技术方案包括如下步骤:
[0006](I)输入客户分布位置情况，车场中的车辆数M，下层迭代次数D和上层调整次数U，对客户进行快速聚类处理，即随机选择M个点作为聚类中心，设聚类调整次数1 = 1;
[0007](2)聚类分组:对每辆车进行编号，令第一辆车的序号k= I ;以车场为中心，根据聚类中心，将客户分布区域分为车辆数个片区，确定每辆车服务的客户集合；
[0008](3)初始化种群:记第k辆车服务的客户集为一个种群，在t = O时刻，初始化该种群中每个个体的空间位置；
[0009](4)利用万有引力算法寻优:在t时刻，选取种群中适应度值最好的m个个体，经万有引力作用使其施力于种群中的其他个体，然后更新一次个体速度和个体位置，得到T =t+ι时刻种群初始速度和位置，令t = t+1 ；
[0010](5)局部搜索:
[0011](5a)对更新后的种群中每个个体进行一次交叉操作，得到一个临时种群，再对临时种群中每个个体执行边界约束检查，若该种群中存在目标值优于初始个体目标值的个体，则用其替换初始个体，否则种群中每个个体的位置不变；
[0012](5b)比较T与下层迭代次数D，若T < D,返回步骤(4);否则，记录第k辆车的最优路径、路径长及迟到时间；
[0013](6)下层终止判断:将车辆序号k+Ι与车辆数M进行比较，若(k+1) ≤M，则返回步骤(3);否则，计算当前分组下寻得的最优个体，并将该最优个体与种群中已知最优个体相比较，若当前分组下寻得的最优个体的目标函数值小于种群中已知最优个体的目标函数值，则用当前分组下寻得的最优个体替换种群中已知最优个体；否则，保持种群中已知最优个体不变；
[0014](7)上层终止判断:将聚类调整次数1+1与上层调整次数U进行比较，若(1+1)≤U，则对输入的客户重新进行聚类，确定聚类中心，并返回步骤(2);否则，停止聚类，并返回记录的已知最优路径、路径长及迟到时间，该路径即为所选多时间窗车辆路径的最优路径。
[0015]本发明与现有技术相比具有以下优点:
[0016]1、本发明通过聚类和改进的万有引力算法，能实现对离散型和聚集型的多时间窗车辆路径选择，而目前国内对于多时间窗车辆路径选择问题的研究较少，且一般研究只能解决特定的一种类型的多时间窗车辆路径问题。
[0017]2、本发明与现有的万有引力算法相比较，表现出更强的搜索能力，而且有效性和实用性突出。
【专利附图】
【附图说明】
[0018]图1是本发明的实现步骤流程图。
[0019]具体实施方法:
[0020]参照图1，本发明的实现步骤如下:
[0021]步骤1、输入客户分布位置情况，车场中的车辆总数M和客户总数C，设下层迭代次数为D≥5，上层调整次数为U≥5，聚类调整次数为I = I，对客户进行快速聚类处理，即随机选择M个点作为聚类中心(Xi, Yi), i = I, 2，…，M。
[0022]步骤2、聚类分组
[0023]对每辆车进行编号，令第一辆车的序号k = I ;以车场为中心，根据聚类中心(Xi, Yi)，i = 1，2，…，M，用下式将客户分布区域分为M个片区，确定每辆车服务的客户集合:
[0024]
【权利要求】
1.一种基于改进万有引力算法的多时间窗车辆路径选择方法，包括如下步骤: (1)输入客户分布位置情况，车场中的车辆数M，下层迭代次数D和上层调整次数U，对客户进行快速聚类处理，即随机选择M个点作为聚类中心，设聚类调整次数1 = 1; (2)聚类分组:对每辆车进行编号，令第一辆车的序号k=I ;以车场为中心，根据聚类中心，将客户分布区域分为车辆数个片区，确定每辆车服务的客户集合； (3)初始化种群:记第k辆车服务的客户集为一个种群，在t= O时刻，初始化该种群中每个个体的空间位置； (4)利用万有引力算法寻优:在t时刻，选取种群中适应度值最好的m个个体，经万有引力作用使其施力于种群中的其他个体，然后更新一次个体速度和个体位置，得到T = t+1时刻种群初始速度和位置，令t = t+1 ； (5)局部搜索: (5a)对更新后的种群中每个个体进行一次交叉操作，得到一个临时种群，再对临时种群中每个个体执行边界约束检查，若该种群中存在目标值优于初始个体目标值的个体，则用其替换初始个体，否则种群中每个个体的位置不变； (5b)比较T与下层迭代次数D，若T < D，返回步骤(4);否则，记录第k辆车的最优路径、路径长及迟到时间； (6)下层终止判断:将车辆 序号k+Ι与车辆数M进行比较，若(k+1)SM，则返回步骤(3);否则，计算当前分组下寻得的最优个体，并将该最优个体与种群中已知最优个体相比较，若当前分组下寻得的最优个体的目标函数值小于种群中已知最优个体的目标函数值，则用当前分组下寻得的最优个体替换种群中已知最优个体；否则，保持种群中已知最优个体不变； (7)上层终止判断:将聚类调整次数1+1与上层调整次数U进行比较，若(1+1)( U，则对输入的客户重新进行聚类，确定聚类中心，并返回步骤(2);否则，停止聚类，并返回记录的已知最优路径、路径长及迟到时间，该路径即为所选多时间窗车辆路径的最优路径。
2.根据权利要求1所述的基于改进万有引力算法的多时间窗车辆路径选择方法，其中所述步骤(3)中初始化种群中每个个体的空间位胥,按如下公式进行:
=(b-ci)R+ c“ //, e[c/,^], 1- 1,2,..-,L, j = !?2,...,Nk 其中，P'是第i个个体在第j维空间的位置坐标，R是[O，I]内的随机数，L为种群规模，k表示车辆编号，Nk表示第k辆车服务客户数目，[a，b]为空间范围。
3.根据权利要求1所述的基于改进万有引力算法的多时间窗车辆路径选择方法，其中步骤(4)所述的更新一次个体速度和个体位置，按如下公式进行:
v;,(, + ])=Rx vf {()+α； (?) , p'Hl + I)= /);,(/)+ ν;,(/ + 1) 其中ι ^⑴为t时刻个体i在第d维空间中的速度a; (t)为t时刻个体i在第d维空间中的加速度，Pdl⑴为t时刻个体i在第d维空间中的位置，R是[O，I]内的随机数。
【文档编号】G06Q50/28GK103530699SQ201310470013
【公开日】2014年1月22日 申请日期:2013年9月21日 优先权日:2013年9月21日
【发明者】高淑萍, 屈明恩, 梁原 申请人:西安电子科技大学