一种基于改进沙丘猫算法的电动车辆路径规划方法

本发明涉及路径规划，具体是一种基于改进沙丘猫算法的电动车辆路径规划方法。

背景技术：

1、电动汽车是城市物流配送的首要交通工具，其合理的路径优化和充电策略的安排是实现城市碳中和的重要途经。带时间窗电动汽车路径优化问题是一种非确定性多项式难问题，即在带时间窗车辆路径优化问题的基础上考虑了车辆的电量、载重和时间窗约束，这给传统的精确搜索优化算法带来了极大的挑战。例如传统的禁忌搜索、模拟退火算法、自适应大邻域搜索等采用单一候选解进行迭代，收敛速度快但全局搜索能力不足。

2、基于种群迭代搜索的智能优化算法是立足于计算智能的机制求解多类复杂优化问题最优解或满意解的方法，在众多领域都取得了广泛的应用。但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中。例如遗传算法、沙丘猫群优化算法和蚁群算法等对多个候选解进行空间搜索，收敛速度较慢但有效缓解局部最优。

3、随着计算机技术的飞速发展，国内外众多学者开始关注并研究多种混合智能优化算法中的协同机制。旨在将多个对象通过一定的策略展开协同搜索，以达到提升算法性能的目的，即通过利用各种算法各自的优势协同搜索改善算法的性能，以解决日益复杂的问题。

技术实现思路

1、为了解决现有技术中存在的缺点和不足，本发明提供一种精准的基于改进沙丘猫算法的电动车辆路径规划方法，通过此方法有效提高路径规划效率。

2、为了达到上述目的，本发明是通过以下技术方案实现的：

3、本发明是一种基于改进沙丘猫算法的电动车辆路径规划方法，包括以下步骤：

4、步骤1：建立在配送车量不确定情况下的电动车辆路径规化问题模型优化函数，并设置相应时间窗、电量约束等限制条件；

5、步骤2：初始化沙丘猫算法、移动变异和大领域搜索算法中的各种参数以及对沙丘猫群体进行离散化编码；

6、步骤3：根据初始参数计算沙丘猫灵敏度，获取阶段决策变量将沙丘猫群体活动分为攻击和搜索两种阶段，从而生成初步解；

7、步骤4：对初步解进行解码，其最优解作为精英猫进行步骤5，其它作为普通猫进行步骤6；

8、步骤5：采用移动变异作为沙丘猫个体变异方式，根据位置因素和路径因素移除相关性权重较低的客户，并通过最远插入启发式方法将所移除的客户插入到全局代价最小位置中；

9、步骤6：利用粒子群优化算法更新个体搜索，基于个体迁移机制使得普通猫的优化解接近精英猫；

10、步骤7：重复执行步骤3—步骤6，直到达到最大迭代次数时终止；计算比较精英猫和普通猫的最优解，获取全局最优解。

11、本发明的进一步改进在于：步骤1中建立的模型优化函数如下：

12、

13、其中η表示车辆使用数目权重，dij表示顶点之间的距离，v表示含有充电站和所有客户的顶点集合，v0表示含有配送中心和所有客户的顶点集合，vn+1表示含有充电站、配送中心和所有客户的顶点集合，xij为二进制决策变量。

14、所述约束条件为

15、(1)只存在一个配送中心，所有电动物流车在配送中心充满电后出发，完成配送任务返回配送中心。

16、(2)电动物流车是同构车辆，所有车辆载重能力，充电速率，耗电速率，电池容量相同。

17、(3)每位客户只能访问一次，且只能使用一辆车。

18、(4)每位客户时间窗不变。

19、(5)配送中心的车辆储备量是充足的。

20、(6)每辆车的载重不得超过车辆最大载重能力。

21、本发明的进一步改进在于：步骤2的具体过程为：

22、针对d维多约束下电动车辆路径规划问题，改进的沙丘猫算法的初始化步骤为(1)每只沙丘猫都代表了多约束下电动车辆路径规划的一种配送方案，因此沙丘猫的维数设为d；(2)生成每只沙猫的位置定义为向量xi＝(xi1,xi2,...,xid)，总个体数量设置为n；(3)沙丘猫位置转变为离散化编码，其染色体长度d＝n+m+1，n为顾客数量，m为车辆最大使用量，利用排序的方式离散化沙丘猫位置生成沙丘猫染色体yi＝(yi1,yi2,...,yid)；(4)设置移动变异概率pm和转移客户数量c。

23、本发明的进一步改进在于：步骤3的具体过程：

24、根据阶段决策变量r区分沙丘猫的攻击和搜索阶段。当sm/2≤|r|≤sm时，沙丘猫属于搜索阶段；当|r|≤sm/2时，沙丘猫属于攻击阶段，其中sm为灵敏度初始值。

25、(1)搜索阶段：搜索阶段的沙丘猫根据个体历史最佳位置fib(k)、当前位置fc(k)和灵敏度范围r更新位置fc(k+1)，具体公式如下

26、fc(k+1)＝r·(fib(k)-rand(0,1)·fc(k))

27、其中k为迭代次数。灵敏度范围r使得位置选择相对随机，有效预防局部最优解的产生。

28、(2)攻击阶段：攻击阶段的沙丘猫根据全局最佳位置fb(k)posb(i)、当前位置fc(k)、随机方向θ以及灵敏度范围r更新位置fc(k+1)，其个体均可从原本位置的任意角度选择搜索方向，保证算法的随机性，具体公式如下

29、fs(k+1)＝|rand(0,1)·fb(k)-fc(k)|

30、fc(k+1)＝fb(k)-r·fs(k+1)cosθ

31、本发明的进一步改进在于：步骤5中计算所有攻击阶段沙丘猫的位置，并将所有位置离散化后作为沙丘猫染色体编号，根据目标函数筛选出精英猫。精英猫需要经过移动变异和大领域搜索的移除和插入操作。将精英猫经过移动变异后，根据权重大小从中移除c位相关度较低客户；并通过最远插入启发式方法将所移除的客户插入到全局代价最小位置中。

32、具体包括如下步骤：

33、步骤5.1、采用移动变异作为变异方式。从染色体中随机选择一个基因，向左或向右随机移动几位。

34、步骤5.2、将染色体破坏后重新构建，寻找新的可行解。这个过程提供了一种更好的机制来减少由遗传算法导致的局部最优解。

35、1)移除：是指通过一定的权重ω(i,j)选择需要移除的客户，影响权重的两个因素是：距离因素rij'，路径因素nij'。用顶点i和j之间的距离dij来定义两点间的距离相关性rij'，rij'越小，两点的距离相关性就越大。同样的，同一运输路径上的两点的路径相关性nij'大于不同路径的路径相关性。权重ω(i,j)可以定义为：

36、

37、

38、其中，rij'取值范围为[0,1]。当客户i和j在同一路径时nij'取值1，否则取值0。依次计算每位客户和其他客户之间的相关性权重ω(i,j)，移除相关性权重较低的t位客户。

39、2)插入：设δi为移除客户i插入被移除染色体某一位置后的配送代价，此位置使其代价增加最小。依次将所有移除客户回插被移除染色体后结束，在每次插入客户时，最远插入启发式方法选择全局代价最小的移除客户i，并将其插入使全局代价最小的位置。直到所有被移除客户全部回插被移除染色体后结束。

40、本发明的进一步改进在于：步骤6的具体过程为普通猫通过速度更新和位置更新方式学习精英猫优化自身位置，使生成的解更接近精英猫的解；普通群体采用精英学习策略共享精英猫位置信息。

41、本发明的进一步改进在于：所建模型综合考虑车辆载货容量、电池续航、充电时间和客户时间窗等实际因素，所述方法利用多种群混合协同智能进化机制增强该算法的局部搜索能力的同时改进沙丘猫种群进化能力。

42、本发明的有益效果是：本发明的改进沙丘猫算法，首先引入遗传算法的移动变异思想和大领域搜索改进沙丘猫算法的局部搜索能力；其次采用精英个体迁移机制共享信息实现种群的协同进化；最后，设计一种自适应的方式使局部搜索模块的调用次数随迭代次数的上升而升高，使算法在保证收敛精度的同时提升收敛速度。

43、本发明可使电动物流车更精确规划配送时间和电量，优化方法高效低碳。