一种面向粗略定位的协同车辆路径优化方法与流程

本发明属于协同车辆路径优化技术领域，尤其涉及一种面向粗略定位的协同车辆路径优化方法。

背景技术：

物流横向合作是指多个物流服务供应商为了降低物流活动成本而进行统一的物流资源管理。协同车辆路径问题是物流横向合作的主要研究内容之一。近年来，全球市场竞争激烈，运输成本上升，产品生命周期缩短以及顾客期望值提高等因素都给物流服务供应商(logisticsserviceprovider，lsp)带来了巨大的压力。在这种情形下，物流服务供应商之间的合作日益增多，以降低物流配送成本，提高资源利用率，增强市场竞争力。如果物流服务供应商的合作是处于供应链的同一层次，则可称为物流横向合作，即形成横向物流联盟。协同车辆路径问题的求解目标是找到在物流服务供应商相互合作情况下的最优配送方案。

协同车辆路径问题需要考虑资源共享、合作伙伴策略等因素。协同车辆路径问题中的资源共享主要包含两种方式：一是物流服务供应商之间通过共享或交换顾客订单的方式提高配送效率，二是共享车辆资源以提高车辆利用率。另外，协同车辆路径问题也需要考虑各个物流服务供应商自身的企业策略，以免损害部分合作伙伴的利益。

目前有关协同车辆路径的模型，大多只考虑了资源共享因素，而没有考虑合作伙伴策略因素。然而，前者通常会在一定程度上影响后者。首先，部分物流服务供应商不愿与竞争对手共享顾客信息。然而在现有的研究模型中，路径计划通常公开所有顾客的详细定位。其次，资源共享可能会影响物流服务供应商的策略，但先前关于协同车辆路径问题的研究模型都假设横向物流联盟可以控制每个物流服务供应商的所有资源。此时，由于物流服务供应商大部分物流资源都将被横向物流联盟长时间占用，因此物流服务供应商的长期决策将受到一定的限制。

技术实现要素：

本发明的目的是提供一种面向粗略定位的协同车辆路径优化方法，以寻找在物流服务供应商相互合作情况下的最优配送方案，并且不必公开所有顾客的详细定位。

为了实现上述目的，本发明技术方案如下：

一种面向粗略定位的协同车辆路径优化方法，包括：

根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，所述协同车辆路径模型以最小运输成本为目标函数，所述目标函数对应的运输成本包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本，及顾客自己的物流服务供应商为其提供服务时所产生的运输成本；

基于蚁群优化算法构建目标函数的初始解；

采用lns算法提升当前最优解和全局最优解；

采用局部搜索算法进一步提升当前最优解和全局最优解；

判断是否满足迭代终止条件，在满足迭代终止条件时，输出最优路径计划，否则返回继续进行迭代。

进一步地，所述在粗略定位中的运输成本，随着粗略定位的面积增大将指数增长，而随着粗略定位的周长增大将趋于线性增长。

进一步地，所述目标函数的约束条件包括：

每个顾客只会被访问一次；

每个节点的到达车辆数目相等离开车辆数目；

物流服务供应商的协同物流共享度不能大于其协同物流共享度最大值；

车辆在规定时间内到达节点应大于或等于置信水平的可信度；

车辆都不能超载；

所述节点包括顾客和物流服务供应商的仓库。

进一步地，所述物流服务供应商的协同物流共享度为运输容量共享度、仓库库存共享度和顾客订单共享度的加权之和。

进一步地，所述运输容量共享度为：

物流服务供应商为其它物流服务器的顾客进行服务所需的成本与物流服务供应商的共享运输容量最大值的比值；

所述物流服务供应商为其它物流服务器的顾客进行服务所需的成本，包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本。

进一步地，所述基于蚁群优化算法构建目标函数的初始解，包括：

节点i和节点j之间的新路径可以按照以下规则构建：

其中τij表示节点i到节点j路径上的信息素浓度；ηij表示节点i到节点j的启发式信息，α和β是用来调整信息素的影响和启发式信息重要性的参数，i^k为当前构建的解的所有车辆位置的集合，是尚未被当前构建的解访问且当前车辆在节点i时可以到达的顾客集合，r是在范围[0,1]内的随机数，r1和r2是用户参数，y¹,y²和y³分别表示三种不同的新路径构建方式：

如果r≤r1，将会随机构建一条新路径，节点i与节点j之间建立可行路径的概率计算方式如y¹所示；如果r1＜r≤r2，蚂蚁将应用y²来选择下一个节点y；否则，选择y³方式；

所述节点包括顾客和物流服务供应商的仓库。

进一步地，所述采用lns算法提升当前最优解和全局最优解，其中：

顾客x在当前解的运输异常成本计算方法如下：

顾客会被移除的概率计算公式如下：

其中，f(s)和f-x(s)分别表示解s包含和不包含顾客x的运输成本；是其它节点到顾客x最小成本，c为顾客集合。

进一步地，所述采用局部搜索算法进一步提升当前最优解和全局最优解，其中局部搜索算法包括2-opt算法和or-opt算法。

本发明提出的一种面向粗略定位的协同车辆路径优化方法，通过构建一种面向粗略定位的协同车辆路径模型，并运用lns和局部搜索算法相结合的eaco算法对面向粗略定位的协同车辆路径问题进行求解。通过本发明的技术方案，物流服务供应商形成横向物流联盟，优化整个物流配送网络，将大大降低运输成本。相比其它现有技术，本发明能更有效地求解面向粗略定位的协同车辆路径问题，能够得出较优解。

附图说明

图1为本发明实施例一种面向粗略定位的协同车辆路径优化方法流程图；

图2为本发明实施例局部搜索算法示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的一种面向粗略定位的协同车辆路径优化方法，综合考虑了共享资源的配置问题和物流服务供应商的策略。本申请符号的定义如下所示：

d仓库集合；

c顾客集合；

cl物流服务供应商l中的顾客集合；

n节点集合，n＝c∪d；

k车辆集合；

l物流服务供应商集合；

aij顾客粗略定位i和顾客粗略定位j之间的运输成本；

hij顾客i和顾客j之间的运输成本；

gi在粗略定位i中的运输成本；

si节点i的粗略定位面积(注意：仓库的粗略定位面积等于0，因为没有必要隐藏仓库的详细位置)；

ci节点i的粗略定位周长(注意：仓库的粗略定位周长等于0，因为没有必要隐藏仓库的详细位置)；

ξij节点i和节点j之间的模糊运输时间；

ti顾客i的到期时间；

wi顾客i所需产品的容量；

w0车辆容量；

置信水平；

物流服务供应商l的共享运输容量最大值；

物流服务供应商l的共享仓库存货最大值；

物流服务供应商l的共享顾客订单最大值；

mclsdl物流服务供应商l的协同物流共享度最大值；

xijkl如果物流服务供应商l的车辆k从节点i运输到节点j(i,j∈n,k∈k,l∈l)；则xijkl＝1，否则集合xijkl＝0；

节点i的模糊到达时间。

在一个实施例中，如图1所示，提供了一种面向粗略定位的协同车辆路径优化方法，包括：

步骤s1、根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，所述协同车辆路径模型以最小运输成本为目标函数。

对于协同车辆路径问题，为了寻找到最优的路径计划，需要建立对应的协同车辆路径模型并进行求解，建立对应的协同车辆路径模型就是确定其目标函数，本实施例以最小运输成本为目标函数。

目标函数对应的最小运输成本，由两部分组成：第一部分为物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本，其中会涉及到限制粗略定位面积的惩罚机制；第二部分是顾客自己的物流服务供应商为其提供服务时所产生的运输成本。本实施例中粗略定位是指顾客的粗略定位，以下不再赘述。

本实施例面向粗略定位的协同车辆路径模型的目标函数如下：

约束条件如下：

其中，物流服务供应商到达粗略定位的运输成本，本实施例用aij表示，在粗略定位中的运输成本涉及到限制粗略定位面积的惩罚机制，用惩罚成本表示。公式(2)表示每个顾客只会被访问一次。公式(3)表示每个节点的到达车辆数目相等离开车辆数目，即车辆流量是守恒的。其中节点是指顾客或物流服务供应商的仓库，以下不再赘述。公式(4)表示物流服务供应商l的协同物流共享度不能大于其协同物流共享度最大值，以防止物流服务供应商l共享过多资源。公式(5)表示从仓库i到顾客j的模糊到达时间。公式(6)表示从顾客i到节点j的模糊到达时间。公式(7)表示车辆在规定时间内到达节点应大于或等于置信水平的可信度。公式(8)表示车辆都不能超载。本申请不限于上述约束条件，上述约束条件是申请人根据实际应用环境列出的可以想到的约束条件，本领域技术人员还可以想到其他因素的影响，加入其他约束条件。

值得注意的是，本实施例仅列出了一种惩罚成本的表达函数。这种表达式主要考虑到粗略定位的面积和周长对实际物流配送的影响，其随着粗略定位的面积增大，惩罚成本将指数增长，而随着粗略定位的周长增大，惩罚成本将趋于线性增长。本领域技术人员可以想到的是，还可以通过粗略定位的半径来构成惩罚成本的表达式，本申请的技术方案的主要思想是考虑到粗略定位的惩罚成本来进行约束，而并不限于具体惩罚成本的表达式。

本实施例面向粗略定位的协同车辆路径模型中，物流服务供应商只向其合作伙伴提供顾客的粗略定位以保护顾客敏感信息。如果将顾客订单外包给另一个物流服务供应商，则运输成本取决于粗略定位的面积与其之间的距离。值得注意的是，粗略定位的面积将影响整个物流活动，粗略定位的面积越大，路径的不确定性就越大。因此，如果粗略定位的面积太大，会增加整体的运行成本；但如果粗略定位的面积太小，就不能保证顾客信息的安全性。在本实施例中，如果某个物流服务供应商的顾客是由其它物流服务供应商来提供物流服务，该物流服务供应商将产生额外的惩罚成本。产生的惩罚成本将根据粗略定位的面积和周长来计算，而粗略定位的设置取决于物流服务供应商的策略。

此外，物流服务供应商可以根据协同物流共享度从三个方面调整各自的共享资源。第一，在横向物流联盟中，物流服务供应商通常不会共享所有运输容量，而将不参与共享的运输容量用于自己的预期计划。在本实施例中，其它物流服务供应商的顾客的运输成本可以通过共享的运输容量来度量。第二，在横向物流联盟中，物流服务供应商通常不会共享所有仓库库存，而将剩余库存用于自己的顾客订单。第三，在横向物流联盟中，物流服务供应商通常不会共享所有的顾客订单，而会自行完成剩余的顾客订单。因此，协同物流共享度由以上三个部分组成，即运输容量共享度(freightcapacitysharingdegree，fcsd)、仓库库存共享度(warehouseinventorysharingdegree，wisd)和顾客订单共享度(warehouseinventorysharingdegree，cosd)。计算公式如下所示：

clsdl＝ω1fcsdl+ω2wisdl+ω3cosdl(12)

外包顾客的粗略定位面积越大，车辆路径就越不可靠。公式(9)表示运输容量共享度为物流服务供应商为其它物流服务器的顾客进行服务所需的成本与物流服务供应商的共享运输容量最大值的比值，其中物流服务供应商为其它物流服务器的顾客进行服务所需的成本包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本，即除了考虑明确的运输成本aij外，还设置了惩罚成本以防止粗略定位的面积过大，也防止部分物流服务供应商承担过多的运输容量。ω1、ω2和ω3分别表示选择物流服务供应商时运输容量共享度、仓库库存共享度和顾客订单共享度所占的权重，三者相加为1。协同物流共享度范围取值为[0,1]，如公式(12)所示，协同物流共享度为运输容量共享度、仓库库存共享度和顾客订单共享度的加权之和。

在上述协同车辆路径模型中，将基于可信度理论将模糊交货时间应用于协同车辆路径问题。车辆到达顾客的模糊时间可以用梯形模糊数表示，和分别代表最早到达时间和最晚到达时间。由于顾客只提供粗略定位，车辆更有可能在和之间到达顾客。和可以根据物流服务供应商提供的历史数据进行估算。隶属度函数如下所示。

从以上定义中，可以得出车辆在规定时间之前到达顾客的可信度，公式如下所示：

需要说明的是，在可信度理论中，pos{a}为元素a的可能性，nec{a}＝1-pos{a^c}为元素a的必要性，cr{a}＝1/2*(pos{a}+nec{a})为元素a的可信度。关于可信度理论，是本技术领域的成熟技术，这里不再赘述。

步骤s2、基于蚁群优化算法构建目标函数的初始解。

传统的蚁群优化算法(antcolonyoptimization，aco)具有正反馈、自组织以及启发式搜索等优点，适用于各种车辆路径问题。本申请技术方案可以基于蚁群优化算法构建目标函数的初始解。

然而，随着问题规模的增大，基础型aco算法难以满足实际需求。其主要原因是aco算法缺乏强大的局部搜索能力，容易陷入局部最优解。为了避免以上问题，本实施例提出了改进型aco算法(extendedantcolonyoptimization，eaco)。

本实施例优选采用一种改进型解构建机制进行启发式搜索，构建目标函数的初始解。

在每一次迭代中，每只蚂蚁将根据信息素和启发式信息构建解。该步骤可以看作是一种启发式聚类过程，能够搜索到较好的解。在传统的aco算法研究中，解的构建过程由于太依赖信息素而往往导致算法停滞。因此，为了避免算法停滞不前，本实施例中运用了新的解构建机制。节点i和节点j之间的新路径可以按照以下规则构建：

其中τij表示节点i到节点j路径上的信息素浓度；ηij表示节点i到节点j的启发式信息，α和β是用来调整信息素的影响和启发式信息重要性的参数，i^k为当前构建的解的所有车辆位置的集合，是尚未被当前构建的解访问且当前车辆在节点i时可以到达的顾客集合。r是在范围[0,1]内的随机数。r1和r2是用户参数。y¹,y²和y³分别表示三种不同的新路径构建方式。如果r≤r1，将会随机构建一条新路径，节点i与节点j之间建立可行路径的概率计算方式如y¹所示；如果r1＜r≤r2，蚂蚁将应用y²来选择下一个节点y；否则，选择y³方式。在所有顾客都被访问之后，将进入下一阶段。

需要说明的是，本步骤构建的新路径即构建的目标函数的初始解。

步骤s3、采用lns算法提升当前最优解和全局最优解。

在本步骤中，采用lns(largeneighborhoodsearch)算法提升当前最优解和全局最优解，其主要流程是通过移除算法是对当前解移除部分顾客，再通过插入算法将移除的顾客重新插入，从而对解进行提升。

本实施例优选提出了一种改进型worst移除算法对顾客进行移除。在此算法中，运输成本异常高的顾客具有较高的移除概率。一个顾客在当前解的运输异常成本计算方法如公式(18)所示:

其中，f(s)和f-x(s)分别表示解s包含和不包含顾客x的运输成本；是其它节点到顾客x最小成本。

根据概率πx，一些顾客会被移除，移除的顾客数量占总体顾客的δ倍，其中参数δ为一个固定的预设值，其取值范围为0到1之间。

然后，根据贪心插入算法重新插入这些被移除的顾客。贪心插入算法是将以最小成本插入每个被移除的顾客。

关于贪心插入算法，是比较成熟的技术，这里不再赘述。

步骤s4、采用局部搜索算法进一步提升当前最优解和全局最优解。

虽然基础型aco算法可以用于搜索车辆路径问题的解，但基础aco在迭代一定次数之后容易陷入停滞，所以需要通过结合其它方法来避免此缺点。在以往的研究中，通常采用局部搜索算法来提高aco算法的性能，取得良好的效果。

在本实施例中，也采用局部搜索算法进一步提高eaco的优化性能。本实施例采用了2-opt算法和or-opt算法两种局部搜索算法。2-opt算法是一种有效的局部搜索算法，如图2a所示，它将解中的一段路径进行反转，若解得到改进则继续这一步骤。相似的，or-opt算法是将解中的一段路径进行反转，然后改变这一段路径在整个路径中的位置，若解得到改进则继续这一步骤，如图2b所示。局部搜索算法弥补了贪心插入算法可能产生低质量解的缺点。2-opt算法和or-opt算法本身都是比较成熟的技术，这里不再赘述。

步骤s5、判断是否满足迭代终止条件，在满足迭代终止条件时，输出最优路径计划，否则返回继续进行迭代。

本实施例设置的终止条件是达到预设的最大迭代次数，在达到预设的最大迭代次数时，终止迭代，输出最优的路径计划，输出的最优路径计划，即通过迭代求出的全局最优解，否则返回步骤s2继续进行迭代。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为了验证本申请的技术效果，申请通过计算机模拟仿真生成一系列实例进行实验验证。mclsd和置信度的取值范围分别为[0.50,0.95]和[0.80,0.95]。根据粗略定位的大小和位置，在一定范围内随机产生模糊的运输时间和配送成本。物流服务供应商将只提供圆形区域形式的粗略定位，其中，不同顾客的粗略定位大小有不同。通过本申请的技术方案，物流服务供应商形成横向物流联盟，将大大降低运输成本。同时，通过对协同物流共享度对整个物流过程的影响进行分析，实验结果可以看出总体运输成本随着mclsd的增加而逐渐降低，因此联盟中资源共享量决定了物流网络的优化程度。通过物流横向合作，物流服务供应商可以优化整个物流配送网络，显著减少成本。此外，物流服务供应商的协同物流共享度会对物流配送产生影响。相比其它五种启发式算法，本申请提出的eaco算法更有效地求解面向粗略定位的协同车辆路径问题。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。