一种车辆路径优化方法
【技术领域】
[0001] 本发明涉及车辆路径问题的优化方法，主要是从全局角度求解群集间的最小成本 路径来优化车辆路径问题的可行解空间，属于计算机技术、信息技术、人工智能技术交叉技 术应用领域。
【背景技术】
[0002] 遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的 计算模型，是一种通过模拟自然进化过程搜索最优解的方法，该算法是一类借鉴生物界的 进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法，其主要特点是直接 对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全 局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜 索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器 学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
[0003] 遗传算法也是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算 法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进 化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自 然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而 不能达到全局最优。
【发明内容】
[0004] 技术问题：本发明要解决的车辆路径问题是指一定数量的顾客，各自有不同数量 的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径， 目标是使得顾客的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗 费时间最少等目的，这里车辆路径问题可以描述如下：设有一调度站，共有M辆货车，车辆 容量为Q，有N位顾客，每位顾客有其需求量D。车辆从调度站出发对顾客进行配送服务最 后返回调度站，要求所有顾客都被配送，每位顾客一次配送完成，且不能违反车辆容量的限 制，目的是所有车辆路径的总距离最小。
[0005] 本发明利用遗传算法，解决全局连接中求解车辆路径问题，使问题的解决过程在 时间和空间复杂度得到优化。
[0006] 本发明解决车辆路径的优化问题，主要是利用遗传算法从全局角度求解群集间的 最小成本路径来优化车辆路径问题的可行解空间。
[0007] 技术方案：本发明所述的车辆路径问题的优化方法包含如下过程：将车辆路径问 题定义成图模型、从全局角度求解群集间成本路径获得可行解空间、利用遗传算法优化可 行解空间。
[0008] 本发明所述的车辆路径优化方法流程如下：
[0009] 步骤1)将车辆路径问题定义成图模型，具体步骤如下：
[0010] 步骤11)分析车辆路径问题，列出路径中所有顾客结点、调度站结点及结点间费 用；所述顾客结点、调度站结点为车辆路径问题中的顾客和配送中心。所述车辆路径问题 是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队 负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束 下，达到诸如路程最短、成本最小、耗费时间最少等目的。
[0011] 步骤12)将路径中所有顾客和调度站作为图模型顶点；
[0012] 步骤13)将图模型中代表调度站的顶点作为一个群集，将其余顶点随机划分为P 个群集，每个群集中的个体的数量为1，2，... η中的随机数，P = 1，2，... η，η为顾客结点的 数量；
[0013] 步骤14)将结点间含费用的路径作为图模型中顶点间的带非负成本的弧；
[0014] 所述图模型在建立后，每个顾客与一种已知的待传送的非负需求相关，每个群集 与总需求量相关，设定每个顾客的需求量均小于每个车辆的容量，每个车辆至多可以在一 条路径上运行。
[0015] 步骤2)从全局角度求解群集间成本路径获得可行解空间，具体步骤如下：
[0016] 步骤21)使用超级结点替换图模型中所有群集后得到全局图。所述超级结点为图 中代表群集的结点。
[0017] 步骤22)从调度站顶点出发，深度遍历全局图中所有顶点，最后再返回到调度站 顶点，列出全局图中所有遍历路径，全局图中所有遍历路径即全局图中的可行解决方案。所 述全局图中特定全局路径代表的广义群集路径的集合与结点数量以指数级的数量级相关。
[0018] 步骤23)构造分层网络以显示根据给定的序列访问群集的路径。
[0019] 步骤3)优化可行解空间，具体步骤如下：
[0020] 步骤31)利用蒙特卡罗方法从解空间中生成初始群体，将这些解比喻为染色体， 该初始群体称为第一代。所述解空间为上一步中的可行解决方案的集合。所述蒙特卡罗方 法是通过构造符合一定规则的随机数来解决数学上的各种问题，对于那些由于计算过于复 杂而难以得到解析解或者根本没有解析解的问题，蒙特卡罗方法是一种有效的求出数值解 的方法。
[0021] 步骤32)定义适应度函数，通过适应度函数对每个解指定一个适应度的值以对每 个解的适应度进行度量。所述适应度用于评价个体的优劣程度，适应度越大个体越好，反之 适应度越小则个体越差；根据适应度的大小对个体进行选择，以保证适应性能好的个体有 更多的机会繁殖后代，使优良特性得以遗传。
[0022] 步骤33)通过遗传操作产生新一代群体，每代群体只有一代寿命。所述遗传操作 包括交叉算子、突变算子、选择算子。所述交叉算子结合两个或更多的双亲以增加获得更好 后代结点的可能性，交叉算子是通过二进制比赛机制来从群体中选出两个双亲。所述突变 算子随机选择两个位置并交换它们的值。所述选择算子是从一个群体中选择出用来接收新 一代的个体。
[0023] 步骤34)利用量子旋转门自适应策略对群体中的个体进行更新，保留最佳个体并 对其他个体继续进行遗传操作。所述量子旋转门自适应策略是利用量子旋转门对个体进 行调整操作，以获得最佳个体。所述量子调整操作如下
【主权项】
1. 一种车辆路径优化方法，其特征在于该方法包括以下步骤： 步骤1)将车辆路径问题定义成图模型，具体步骤如下： 步骤11)分析车辆路径问题，列出路径中所有顾客结点、调度站结点及结点间费用；所 述顾客结点、调度站结点为车辆路径问题中的顾客和配送中心；所述车辆路径问题是指一 定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分 送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达 到诸如路程最短、成本最小、耗费时间最少等目的； 步骤12)将路径中所有顾客和调度站作为图模型顶点； 步骤13)将图模型中代表调度站的顶点作为一个群集，将其余顶点随机划分为p个群 集，每个群集中的个体的数量为1，2，...n中的随机数，p=1，2，...n，n为顾客结点的数 量； 步骤14)将结点间含费用的路径作为图模型中顶点间的带非负成本的弧； 所述图模型建立后，每个顾客与一种已知的待传送的非负需求相关，每个群集与总需 求量相关，设定每个顾客的需求量均小于每个车辆的容量，每个车辆至少可以在一条路径 上运行； 步骤2)从全局角度求解群集间成本路径获得可行解空间，具体步骤如下： 步骤21)使用超级结点替换图模型中所有群集后得到全局图，所述超级结点为图中代 表群集的结点； 步骤22)从调度站顶点出发，深度遍历全局图中所有顶点，最后再返回到调度站顶点， 列出全局图中所有遍历路径，全局图中所有遍历路径即全局图中的可行解决方案，所述全 局图中特定全局路径代表的广义群集路径的集合与结点数量以指数级的数量级相关； 步骤23)构造分层网络以显示根据给定的序列访问群集的路径； 步骤3)优化可行解空间，具体步骤如下： 步骤31)利用蒙特卡罗方法从解空间中生成初始群体，将这些解比喻为染色体，该初 始群体称为第一代，所述解空间为上一步中的可行解决方案的集合，所述蒙特卡罗方法是 通过构造符合规则的随机数来解决数学上的各种问题，对于那些由于计算过于复杂而难以 得到解析解或者根本没有解析解的问题，蒙特卡罗方法是一种有效的求出数值解的方法； 步骤32)定义适应度函数，通过适应度函数对每个解指定一个适应度的值以对每个解 的适应度进行度量，所述适应度用于评价个体的优劣程度，适应度越大个体越好，反之适应 度越小则个体越差；根据适应度的大小对个体进行选择，以保证适应性能好的个体有更多 的机会繁殖后代，使优良特性得以遗传； 步骤33)通过遗传操作产生新一代群体，每代群体只有一代寿命，所述遗传操作包括 交叉算子、突变算子、选择算子；所述交叉算子结合两个或更多的双亲以增加获得更好后代 结点的可能性，交叉算子是通过二进制比赛机制来从群体中选出两个双亲；所述突变算子 随机选择两个位置并交换它们的值；所述选择算子是从一个群体中选择出用来接收新一代 的个体； 步骤34)利用量子旋转门自适应策略对群体中的个体进行更新，保留最佳个体并 对其他个体继续进行遗传操作，所述量子旋转门自适应策略是利用量子旋转门对个体进 行调整操作，以获得最佳个体，所述量子调整操作如下
其中，（ai为染色体中的第i个量子比特，旋转角，所述染色体为种群 的个体，所述量子比特为量子信息论中信息的载体，一个量子比特的状态可表示 为：4>=a|0>+州l>|a|2 + |州2=1，式中a，0是两个复常数，IaI2,IIeI2分别表示 量子比特处于"〇"态和" 1"态的概率，采用二进制编码，对存在多态的问题进行量子比特编 码，一个由m个量子比特位的系统可描述为
.中，|a|2+| |2=l，i= IT1〇
【专利摘要】本发明给出一种车辆路径优化方法，该方法将车辆路径问题定义成图模型，从全局角度求解群集间成本路径获得可行解空间，通过蒙特卡罗方法、遗传操作和量子旋转门自适应策略等优化可行解空间。本发明能够解决全局连接中求车辆路径问题，能够使问题的解决过程在时间和空间复杂度得到优化，并能够避免早熟收敛。本发明要解决的车辆路径问题是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。
【IPC分类】G06N3-12, G06Q10-04
【公开号】CN104700160
【申请号】CN201510083950
【发明人】陈志 , 卢海燕, 岳文静
【申请人】南京邮电大学
【公开日】2015年6月10日
【申请日】2015年2月16日