一种基于改进型染色体编码的物流运输调度方法
【技术领域】
[0001] 本发明涉及一种物料调度方法，尤其涉及一种基于改进型染色体编码的物流运输 调度方法。
【背景技术】
[0002] 运输调度问题可以影响企业的配送服务质量和配送成本。优化的运输调度加快了 配送速度、降低了配送成本、提高了服务质量并增加了企业利润。能否准时并高效地将商品 送到客户手中取决于车辆调度是否合理。一般而言，决策者需要制定的调度方案包括：载货 车辆的分配，送货路径的选择、配送时间段的选取等等。
[0003] 但是，如果配送的客户较多且比较分散，配送道路复杂，那么若仅仅只凭人工经验 就不能制定合理的调度方案。现在的客户要求较高的配送服务质量，并且要求商品在一定 时间内送达，这就导致调度方案的确定更加困难。若配送时间过早，则车辆使用率降低，增 加了成本；若配送时间过晚，则满足不了客户的需求，降低了客户满意率，这对企业而言都 是不利的。因此，在保证高效准时配送下，降低配送成本是车辆调度问题的核心。为了解决 以上问题，必须设计合理的配送调度模型和算法，并用计算机对该模型和算法加以实现。
[0004] 车辆路径问题是一个非确定性多项式问题，该问题很难求得精确解。在实际车辆 配送问题中，由于客户数量庞大并且路况复杂，经常使用启发式算法或生物进化算法对这 一系列问题进行求解。本章通过遗传算法来优化车辆路径问题，为企业决策者提供智能调 度决策，从而提高配送速度、降低配送成本，增加企业的利润。
[0005] VRP可以定义为一个无向网络图G= (V，E)，其中V= {0, 1，...，η}是顶点集合A， 1，2, ...，η表示收货点，0表示发货点，A是由弧度组成的集合。VRP表述问题如下：假设客 户点为Ρ，客户所在的地理位置和订单需求量已知。配送中心派车配送物品，每辆车的运载 能力有限，每辆车派送完毕是返回配送中心。需要求得每辆车的配送路径，使车的行驶总距 离、总时间、总的运输成本达到最低。该问题有几个约束条件：
[0006] 1)车辆所运载的货物总量不能超过车辆的最大运载力。
[0007] 2)客户的订单不能分批运送，每个客户的订单必须用一辆车在配送。
[0008] 3)必须把配送到每一个客户，不能遗漏掉客户订单。
[0009] VRP问题是一个复杂的问题，需要的多门学科来共同解决，如计算机学、运筹学、经 济学、工程学、物流学等等，配送路径示意图如图1所示。
[0010] VRP大致可分为以下几种：
[0011] (1)满载和非满载。满载是指货运量大于一辆车的运载量，需要几辆车共同完成。 非满载是指货运量小于一辆车的运载量，一辆车就能完成运货。
[0012] (2)单车型和多层型。单车型问题是指所有配送车辆的运载能力相同，多车型问题 是指所有配送车辆的运载能力不同。
[0013] (3)车辆开放和车辆封闭，车辆开放问题是指车辆运完货后不返回出车场地，车辆 封闭问题是指车辆运完货后必须返回出车场地。
[0014] (4)单源和多源。单源问题是指只有一个配送中心，多源问题是有多个配送中心。
[0015] (5)带时间窗问题和无时间窗问题。带时间窗问题是指客户对送货时间有一定要 求，必须在客户所规定的时间内到货，无时间窗问题是客户对送货时间没有要求。
[0016] 遗传算法
[0017] 遗传算法是模拟进化论的自然选择和遗传学机制的最优搜索算法。其模拟了自然 界中生物遗传中的繁殖、杂交和突变现象。遗传算法的在求解时，问题可能潜在的解集存在 一个种群中，该种群是由多个个体组成，每一个个体都是带有实体特征的染色体。而染色体 是多个基因的集合，每个基因都具有特征编码。初始化种群产生后，按照优胜劣汰和适者生 存原则，一代代进行繁殖，产生越来越好的近似解。在每一代中，选择问题既定的适应度较 高的个体参加遗传操作，个体间进行基因交叉、变异操作，生成子代。产生的子代具有父代 的优良特性又具有自身的特性，总体优于上一代。一代代进行繁殖，逐步变为最优，得到近 似解。
[0018] 在遗传算法提出之后，国内外一直对其进行研究和改进，于是便产生了多种遗传 算法的建模的算法流程。在1975年，Michigan University的J. H. Holland教授对遗传算 法进行了系统性的研究，他提出的遗传算法被称为标准遗传算法。通常情况下，遗传算法 包含选择算子、交叉算子和变异算子。算法反复进行以上三大操作，直到满足某个条件时停 止。
【发明内容】
[0019] 本发明的目的是提出一种基于改进型染色体编码的物流运输调度方法，本发明通 过遗传算法的运用，以配送时间和实用车辆最小化为原则，获取整个物流配送路径的最优 配置。
[0020] 为了实现上述的目的，本发明采用了以下的技术方案：
[0021] 一种基于改进型染色体编码的物流运输调度方法，该方法包括以下的步骤：
[0022] 1)编码：将待优化种群个体的每一个特征都进行对应的编号，一个特征代表一个 基因，一个解由一组基因组成；
[0023] 2)初始化种群：随机产生N个经过编码的个体，形成一个种群；
[0024] 3)对每一个个体的适应度进行计算，适应度是用于衡量种群中个体优劣的指标 值；
[0025] 4)通过对每一个个体适应度大小进行判断，以适应度较大，遗传概率大为原则，确 定哪些个体可以进入下一步骤；
[0026] 5)按概率P。进行交叉操作：随机选择两个个体，对其按概率P。进行基因某些位交 叉互换操作，进入下一代繁殖；
[0027] 6)按概率Pni进行变异操作：对个体按概率P "对某些位进行变异操作，进入下一代 繁殖；
[0028] 7)判断最优个体适应度是否满足给定的条件或者反复进行交叉变异后个体的适 应度不再提高，如果满足，则算法迭代过程收敛，算法结束；否则，转到步骤3)，进入迭代操 作；
[0029] 8)算法输出最优解，最优解是种群中适应度最高的染色体。
[0030] 作为优选，所述的编码采用以下的方法：
[0031] 该染色体由1到X整数排列串构成，记作：
[0032] g = (w1? W2, , Wjj . . . , Wxj )
[0033] 其中X为车辆数k与商业公司数量q的乘积，W1E {1，2，..，χ}，ψ# {l，2，..，x}， wi# W i;W j可以表亦：
[0034] 对应商业公司编号为： Wi. - 1
[0035] ? = ?/ -「一V其中□表示取整 q ，
[0036] 对应的路径编号为X = I^d]+1 q
[0037] 确定商业公司m是否由车辆k配送以及确定商业公司m在路径k中的顺序为j。
[0038] 作为优选，所述的种群的规模选取为[10, 1000]区间范围内。
[0039] 作为优选，所述的车辆调度的目标函数为：
[0040]
[0041] 公式中的M是一个正数，表示当违反车辆运载约束时，所做出的相应惩罚；
[0042] 假设初始种群中染色体数目为n，通过目标函数可以得出第i条染色体的适应度 匕，公式为：
[0043] f；= b (z' /z i)
[0044] 其中，b是常数，Z1为第i条染色体的运输成本，z'是种群中最好染色体的运输成 本；
[0045] 染色体被遗传到下一代的概率为：Pl= h/ Σ f，其中A，表示第i条染色体的适应 度。
[0046] 作为优选，通过对每一个个体适应度大小进行判断，以适应度较大，遗传概率大为 原则，设定一个符合实际情况的适应度平均值F，与遗传到下一代的概率的设定值P，凡经 过步骤3)计算后得出的适应度^和遗传概率p i均大于对于设定值的个体可以进入下一步 骤，适者生存，不适者淘汰。
[0047] 本发明的有效增益：本发明可以为企业决策者提供智能调度决策，从而提高配送 速度和准确率，降低配送成本，增加企业的利润。
【附图说明】
[0048] 图1为VRP配送路径示意图。
[0049] 图2为本发明的方法流程框图。
【具体实施方式】
[0050] 下面结合附图对本发明的【具体实施方式】做一个详细的说明。
[0051] 实施例1
[0052] 假设配送中心有m量车，每辆车的容载量为qi(i = 1，2, 3，...，m)。为了降低配送 成本，提高配送效率，在给定时间约束、车辆容载量约束以及其他相关约束的条件下，需要 为每辆车设计一条最优的配送路线。
[0053] 优化算法的几个限制条件描述如下：商业公司的分布、商业公司的配送量、可用车 辆数量、车辆的容载力。送货车辆最少且车辆运输距离最短为算法的优化结果。若能同时 满足以上两个条件，那就是最优解，但这往往不可能出现。故只要满足以上两个条件之一即 可。
[0054] 对线路优化算法的求解主要分为问题的建模和求解。建模对算法而言是很重要 的，模型的好坏决定了算法实现结果质量的好坏。本节根据实际问题并结合最优化目标和 约束条件进行列方程建模。
[0055] 假设配送中心有车辆l，2，...，m，对应载重为qi(i = l，2,3，...，m);共有配送中 心和商业公司n+1个，其中0为配送中心，1，2，...，η为商业公司，gl是商业公司i的配送 量，本节考虑的是非满载调度模型，则max gl<max qi。CljR表从配送中心i到商业公司 j的成本系数。定义变量：
[0058] 那么，可以得出车辆k从商业公司i到商业公司j需要的费用是C1Jljk[0059] 构建费用最小数学模型的目标函数为：
[0056]
[0057]
[0068] 其中，⑴是目标函数，表示车辆完成送货后的最少费用、⑵是车辆k的运载约 束、（3)表示第i个商业公司只能由一辆车进行配送、（4)表示第i个商业公司是否由k进 行配送，若是，则为1，否则为0、（5)和6)是到达商业公司车辆唯一性约束、（7)表示车辆k 是否经过路径ij，若是，则为1，否则为0。
[0069] 实施例2
[0070] (1)编码
[0071] 利用染色体原理，使用自然数对运送目标节点进行编码，方便简单，又便于计算机 进行处理。用一条长度为k+m+1的染色体对上节得到的数学模型解向量进行编码，该染色 体为（〇, i1; i2, · · ·，i8, 〇, i." · · ·，i8, 〇, · · ·，〇, ip，· · ·，iq，〇)。
[0072] 这条染色体共有m+1个0,0表示配送中心，ij表示商业公司j，共有商业公司k个。 这条染色体表示为：第1辆车从配送中心出发，经过L，...，i s这几个商业公司后，回到配 送中心，构成第一条路径；第2辆车从配送中心出发，经过i,，...，is这几个商业公司后，回 到配送中心，构