一种群智能动态物流背包优化方法与流程

本发明涉及动态路径规划，背包优化，人工智能，物流配送优化等技术领域，特别是一种涉及动态物流背包优化问题及其优化方法。

背景技术：

路径规划问题是运筹学与组合优化领域的热点问题，而动态路径规划的研究最早源于19世纪70年代，该问题基于车辆路径规划，并在规划车辆路线的基础上，合理考虑其他因素，如交通，客户服务质量，异常等，以满足不断变化的配送需求，使模型的应用性更强。现有的动态因素包含顾客动态需求量，不确定信息，随机行驶时间，顾客满意度，时间窗等等。背包问题(kp)也属于运筹学中的一个典型组合优化问题，且背包问题模型广泛应用于预算控制、项目选择、材料切割、货物装载等工程领域。

解决上述两类组合优化问题的方法包括：精确算法，传统启发式算法和现代启发式算法。其中，精确算法与传统启发式算法适用于解决小规模问题，实际应用范围很有限，现代启发式算法更适用于大量数据信息的处理与决策，主要包括禁忌搜索算法(ts)、模拟退火算法(sa)、遗传算法(ga)、果蝇优化算法(ffo)等。此类算法思想基于对自然界某种群体或行为的总结与模仿，提高算法计算效率，允许劣质解的产生，进而在全局范围内寻优。基于群智能优化算法在解决组合优化问题上的优势，同时结合动态路径规划模型与背包问题的实际应用场景，可以将动态路径规划与背包问题整合，用于物流配送终端的方案规划中，综合两者以解决物流终端配送的优势，并利用群智能优化方法求解最终的物流配送方案。

技术实现要素：

本发明提出了动态物流背包综合优化问题，并提供了一种解决综合优化问题的群智能优化方法，动态物流背包综合优化问题模型适用于现代大规模物流配送环境，包括仓储现场配送，物流全流程配送，最后一公里配送等场景。相应的，考虑到现有启发式算法在求解组合优化问题时，不能兼顾局部优化与全局优化的缺点，本发明采用的灰狼优化算法能兼顾局部优化与全局优化，从而求解动态物流背包综合优化问题，得到更优的终端配送方案。

所述的动态物流背包综合优化问题将动态路径规划与背包问题结合，以达到综合优化物流配送路径与配送车辆满载率的目的。该优化问题模型可以定义为：在一系列初始化的城市点架构中，取出一个配送点与n个需要配送的客户终端，求解一种规划方案，即在配送点安排k辆车，规划k辆车的行车路线，以满足所有终端客户的配送需求，最终使得配送的整体距离与车辆动态满载率最优。其中，客户端需求量与动态时间窗约束已知，具体表示如下：

车辆配送距离成本：

车辆载重价值率：

总配送成本：

车辆容积/背包限制：

订单配送车辆唯一性：

订单(i→j)已从i送出：

订单(i→j)已被j接收：

其中，式(1)(2)分别代表车辆配送距离优化目标与配送车辆背包价值率优化目标，所述的背包价值率优化目标即为车辆载重率优化目标，式(3)表示综合优化目标函数，在距离优化目标与车辆背包价值率基础上，加入动态时间窗成本。式(4)-(9)为物流配送时的约束条件，式(4)表示车辆载重/背包容量，式(5)表示订单配送所需车辆的唯一性，式(6)表示订单已从客户点i送出，式(7)表示订单已被客户点j接收，式(8)表示由车辆k配送从客户点i至客户点j的订单，式(9)表示从客户点i订单全部由车辆k配送。最终，形成动态物流背包优化模型。

所述的动态物流背包综合优化问题模型综合考虑物流配送过程的多个因素，车辆行驶距离，车辆载重价值率，客户动态时间窗以及基本配送要求，能较好地模拟现实物流配送场景，进而应用到实际物流配送规划问题中。

本发明所述的求解动态物流背包优化模型的群智能优化方法，为灰狼优化算法，是一种基于群体智能技术的仿生物学算法。所述的灰狼优化算法用于求解动态物流背包模型时，其特征是具有如下步骤：

①采集配送点相关数据，包括配送点个数，规定配送时间，配送点位置等；

②初始化灰狼群体及其位置，初始化位置更新因子a，a，c；

③计算种群适应度函数，并得出适应度值前三的灰狼个体；同时记录对应个体的适应度值；

④根据位置更新公式更新群体的位置，同时根据迭代因子公式更新参数a，a，c；

⑤计算更新后的群体适应度值，并求出适应度值前三的灰狼个体的位置xα，xβ，xδ；

⑥若达到迭代终止条件，则输出最优个体xα，xβ，xδ，否则跳至步骤④。

所述的步骤①中，为加大模型的实际应用范围，采集的数据内容可为随机产生，也可直接使用企业拥有的物流数据。其中，随机产生的数据也可用于相关问题的研究、物流配送解决方案的预测等。

所述的步骤②中初始化灰狼群体及其位置，为采集数据中的实际配送中心与配送点的分布情况。进一步的，所述的位置更新因子a，a，c的更新规则可表示为：

其中，a随着迭代次数的增加从2至0线性降低，为[0，1]内的随机向量。式(10)中，a随着a的变化而降低，且逐渐逼近0；式(11)中，c随的变化在[0，1]内随机变化；进一步的，a，c分别表示了灰狼优化算法在寻优时的局部搜索因子与全局搜索因子，即在求解动态物流背包模型时，调整全局优化与局部优化，已达到最优方案。

所述的步骤③中，种群的适应度值即为动态物流背包模型的综合优化目标函数。

所述的步骤④中，灰狼群体位置更新公式为：

dα＝|c1xα-x|，dβ＝|c2xβ-x|，dδ＝|c3xδ-x|(12)

x1＝xα-aαdα，x2＝xβ-aβdβ，x3＝xδ-aδdδ(13)

其中，t表示迭代次数，x(t+1)即为更新后的位置。

由上述步骤可以求得最佳群体捕食位置，即得出最佳的配送方案。解决了以下问题：在满足动态时间窗与基本配送约束条件下，规划配送车辆、配送路线等，以达到配送距离、配送车辆价值率最优的目的。

本发明的有益效果在于，本发明提出了动态物流背包综合优化问题模型，通过结合物流终端配送中的距离优化与载重价值约束，并考虑实际配送的动态时间窗因素，较全面地模拟了现实大规模物流配送场景，以解决大规模物流配送方案规划的问题。同时，利用群体智能优化算法求解该综合模型，所述的群体智能算法能较好的平衡局部寻优与全局寻优，克服了现有算法难以兼顾局部优化与全局优化的缺点。

附图说明

图1是本发明的群智能动态物流背包优化方法的流程图；

图2是物流终端配送方案表示图。

具体实施方式

现在结合附图对本发明做进一步详细说明。

如图1所示，本发明的具体实施步骤如下：

①采集配送点相关数据，包括配送点个数，规定配送时间，配送点位置等；

②初始化灰狼群体及其位置，初始化位置更新因子a，a，c；

③计算种群适应度函数，并得出适应度值前三的灰狼个体；同时记录对应个体的适应度值；

④根据位置更新公式更新群体的位置，同时根据迭代因子公式更新参数a，a，c；

⑤计算更新后的群体适应度值，并求出适应度值前三的灰狼个体的位置xα，xβ，xδ；

⑥若达到迭代终止条件，则输出最优个体xα，xβ，xδ，否则跳至步骤④。

所述的步骤①中，为加大模型的实际应用范围，采集的数据内容可为随机产生，也可直接使用企业拥有的物流数据。其中，随机产生的数据也可用于相关问题的研究、物流配送解决方案的预测等。

所述的步骤②中初始化灰狼群体及其位置，为采集数据中的实际配送中心与配送点的分布情况。进一步的，所述的位置更新因子a，a，c的更新规则可表示为：

其中，a随着迭代次数的增加从2至0线性降低，为[0，1]内的随机向量。式(1)中，a随着a的变化而降低，且逐渐逼近0；式(2)中，c随的变化在[0，1]内随机变化；进一步的，a，c分别表示了灰狼优化算法在寻优时的局部搜索因子与全局搜索因子，即在求解动态物流背包模型时，调整全局优化与局部优化，已达到最优方案。

所述的步骤③中，种群的适应度值即为动态物流背包模型的综合优化目标函数。其目标函数与约束条件：如下

车辆容积/背包限制：

订单配送车辆唯一性：

订单(i→j)已从i送出：

订单(i→j)已被j接收：

其中，式(3)表示综合优化目标函数，包含车辆配送距离优化目标与配送车辆背包价值率优化目标，所述的背包价值率优化目标即为车辆载重率优化目标；同时，在考虑距离优化目标与车辆背包价值率基础上，加入动态时间窗成本的因素。式(4)-(9)为物流配送时的约束条件，式(4)表示车辆载重/背包容量，式(5)表示订单配送所需车辆的唯一性，式(6)表示订单已从客户点i送出，式(7)表示订单已被客户点j接收，式(8)表示由车辆k配送从客户点i至客户点j的订单，式(9)表示从客户点i订单全部由车辆k配送。

所述的步骤④中，灰狼群体位置更新公式为：

dα＝|c1xα-x|，dβ＝|c2xβ-x|，dδ＝|c3xδ-x|(10)

x1＝xα-aαdα，x2＝xβ-aβdβ，x3＝xδ-aδdδ(11)

其中，t表示迭代次数，x(t+1)即为更新后的灰狼最佳捕食位置。

由上述步骤可以求得最佳群体捕食位置，即得出最佳的配送方案。解决了以下问题：在满足动态时间窗与基本配送约束条件下，规划配送车辆、配送路线等，以达到配送距离、配送车辆价值率最优的目的。

所述的物流终端配送方案表示方法如图2所示，其特征在于，假设一个配送中心负责12个客户端的配送任务，配送订单由配送中心分四辆车送出，每辆车按箭头方向完成货物配送，最终回到配送中心。配送过程中，各客户点满足相应配送需求、动态时间窗需求，车辆满足配送容量限制，商品满足配送唯一性、确定性等。