专利名称：基于改进粒子群优化的带时间窗约束的车辆路径优化方法
技术领域：
本发明属于计算机科学领域，涉及一种带时间窗约束的最优车辆路径问题的求解方法，同时还涉及应用人工智能领域的遗传算法和粒子群优化算法。
背景技术：
车辆路径问题(Vehicle Routing Problems,VRP)是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车线路，使车辆有序地通过它们，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下，达到一定问题的目标(如路程最短、费用最少、时间尽量少、使用车辆数尽量少等)。考虑需求点对于车辆到达的时间有所要求之下，在车辆途程问题之中加入时窗的限制，便成为带时间窗车辆路径问题(VRP with TimeWindows, VRPTW)。带时间窗车辆路径问题是在VRP上加上了客户的被访问的时间窗约束。在VRPTW问题中，除了行驶成本之外，成本函数还要包括由于早到某个客户而引起的等待时间和客户需要的服务时间。VRP问题已引起了地理信息科学、管理学、运筹学、应用数学、物流科学及计算机应用等学科专家学者的高度重视，并己取得了较大的进展，其成果在应急路径规划系统、物资配送系统、运输系统及邮递收发系统中得到了广泛应用。然而，由车辆路径问题的复杂性(已被证明为NP-hard问题)，当节点规模较大时，很难得到问题的精确解，尤其是对于应急服务所涉及的大量应急物资配送服务，除了考虑成本因素外，还要考虑配送时间和环境等方面的因素，这就使问题的建模和求解变得更加复杂，因而对这一难题的研究也就更具学术价值。目前用于求解车辆路径问题的算法大致可以分为两类精确算法和启发式算法。精确算法主要包括分支界定法、集分割算法、动态规划、整数规划等，启发式算法主要包括节约算法、扫描算法、两阶段法、禁忌搜索算法、遗传算法、模拟退火算法、蚁群算法、神经网络优化算法、粒子群算法等。精确算法虽然能得到精确解，但计算量很大，一般随着问题规模的增大呈指数级增长，求解时间过长，只能解决节点数有限的简单VRP问题，而传统启发式算法，虽然计算时间缩短了，运算量也降低了，但往往都只能得到接近于最优解的近似解，而且适用范围也只能限定在小规模的VRP问题，当节点数目增多时，求解精度往往很差。传统启发式算法经常用于局部优化，并与元启发式算法相结合，对己有的路径进行局部改进。
发明内容
本发明的目的是采用全局搜索性能较强的改进粒子群优化算法求解带有时间窗的车辆路径问题，实现对实时性要求较高的复杂优化问题进行求解。为解决上述技术问题，本发明提供了一种基于改进粒子群优化的带时间窗约束的车辆路径优化方法，包括如下步骤
步骤10 :参数初始化设置，设定学习因子C1和C2，最大进化代数nmax，惯性因子初始值Qci，惯性因子终值，交叉概率p。，种群中粒子总数n;步骤20 :构造粒子群，在初始值范围内，根据粒子和速度的编码方式初始化粒子群X= (X1, X2,…，X。)，各粒子的位置Xid及速度Vid;步骤30 :粒子解码，依据解码规则对粒子进行解码；步骤40 :适应度计算，按照“先线路后分组”的方法进行解码，对于解码得到的配送路线，计算目标值ζ,染色体的适应度定义为Fitness = 1/z ；步骤50 :查找个体最优状态和群体最优状态，粒子的适应度计算完成后，每个粒子的当前适应度与自身己知的最优适应度比较，选出个体最优状态Pi, Pi即为当前迭代条件下第i个粒子的最优路径；将种群中本次迭代的最优粒子适应度与种群己知的最优适应度比较，选出群体最优状态Pg，Pg即为当前迭代条件下车辆路径问题的最优路径；步骤60 :条件判断，结束条件选为达到最大迭代次数Tmax,或者粒子群搜索到的最优位置满足评价指标，粒子群搜索到的最优位置即为当前状态下的最优路径，若未达到终止条件，则转向步骤601，否则转向步骤603 ；步骤601 :状态更新，根据当前状态更新公式，进行粒子的状态更新；步骤602 :引入交叉算子操作，依据交叉概率P。，形成t+Ι时刻种群Xt+1 ;转入步骤30重复进行粒子解码；·步骤603 :迭代结束，输出车辆路径问题的最优路径结果。本发明取得了以下技术效果本发明针对粒子群算法中整数编码计算量比较大、计算结果比较差，提出了一种基于实数排序的编码、解码方法；通过利用基于迭代次数的线性递减惯性权重函数，既可以平衡全局和局部搜索能力，也可以平衡算法的收敛速度和收敛精度，使算法以最少的迭代次数找到最优解；通过借鉴遗传算法中的交叉原理，对父代粒子进行交叉算子运算，避免了粒子群算法早熟收敛和陷入局部极值点，增加了粒子的多样性。本发明提出的基于改进粒子群优化的带时间窗车辆路径问题算法具有计算简单、编程容易实现、较强的鲁棒性和计算速度快等优点，是路径规划、物资配送以及邮递收发等领域中的研究热点。
图1是本发明所采用的粒子的解码原理。图2是本发明所采用的粒子的实数编码原理。图3是基于改进粒子群优化的带时间窗车辆路径问题算法的流程图。
具体实施例方式为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式
对本发明作进一步的详细描述。本发明的方法采用基于实数排序的粒子编码、解码方法，避免了粒子群陷于局部极值点；利用基于迭代次数的线性递减惯性权重函数，既可以平衡全局和局部搜索能力，又可以平衡算法的收敛速度和收敛精度，使算法用最少的迭代次数找到最优解；借鉴遗传算法中的交叉原理，对父代粒子进行交叉算子运算，避免粒子群算法早熟收敛，增加了粒子的多样性。改进后的算法具有良好的全局寻优性能，提高了算法的计算精度，能寻求到较优的可行解。本发明提供的基于改进粒子群优化的带时间窗车辆路径问题方法如图3所示，包括以下步骤。步骤10 :方法开始，设置初始化参数。设定学习因子C1和c2，最大进化代数nmax，惯性因子初始值Oci，惯性因子终值COe，交叉概率P。，种群中粒子总数n。步骤20 :构造粒子群。在初始值范围内，根据粒子和速度的编码方式初始化粒子群X= (XpX1,…，Xn)，各粒子的位置Xid及速度Vid。每个粒子表示D维空间的一个解，设粒子数为I，t表示粒子的时间，则第i个粒子的状态表示Xi= (χη，χ 2，…，xiD)，第i个粒子的速度向量表示为Vi = (Vil,vi2,…，viD),第i个粒子经历过的最优状态记为Pi = (pn，pi2，…，piD)，群体经历过的最优状态用Pg表示，在t+Ι时刻状态更新方程为
权利要求
1.一种基于改进粒子群优化的带时间窗约束的车辆路径优化方法，其特征在于包括如下步骤步骤10 :参数初始化设置，设定学习因子C1和C2，最大进化代数nmax，惯性因子初始值 Otl，惯性因子终值，交叉概率p。，种群中粒子总数n ;步骤20 :构造粒子群，在初始值范围内，根据粒子和速度的编码方式初始化粒子群X = (X1, X2,…，Xn)，各粒子的位置Xid及速度Vid ；步骤30 :粒子解码，依据解码规则对粒子进行解码；步骤40 :适应度计算，按照“先线路后分组”的方法进行解码，对于解码得到的配送路线，计算目标值ζ,染色体的适应度定义为Fitness = 1/z ；步骤50 :查找个体最优状态和群体最优状态，粒子的适应度计算完成后，每个粒子的当前适应度与自身己知的最优适应度比较，选出个体最优状态Pi, Pi即为当前迭代条件下第i个粒子的最优路径；将种群中本次迭代的最优粒子适应度与种群己知的最优适应度比较，选出群体最优状态Pg，Pg即为当前迭代条件下车辆路径问题的最优路径；步骤60 :条件判断，结束条件选为达到最大迭代次数Tmax,或者粒子群搜索到的最优位置满足评价指标，粒子群搜索到的最优位置即为当前状态下的最优路径，若未达到终止条件，则转向步骤601，否则转向步骤603 ；步骤601 :状态更新，根据当前状态更新公式，进行粒子的状态更新；步骤602 :引入交叉算子操作，依据交叉概率P。，形成t+Ι时刻种群Xt+1 ;转入步骤30重复进行粒子解码；步骤603 :迭代结束，输出车辆路径问题的最优路径结果。
2.根据权利要求1所述的基于改进粒子群优化的带时间窗约束的车辆路径优化方法， 其特征在于所述步骤20中，构造粒子群的方法为每个粒子表示D维空间的一个解，设粒子数为I，t表示粒子的时间，则第i个粒子的状态表示Xi= (xn, xi2,…，xid)，第i个粒子的速度向量表示为Vi = (vn, vi2, "^viD),第i 个粒子经历过的最优状态记为Pi = (Pil，Pi2，…，PiD)，群体经历过的最优状态用Pg表示， 在t+Ι时刻状态更新方程为
3.根据权利要求1-2中任一项所述的基于改进粒子群优化的带时间窗约束的车辆路径优化方法，其特征在于所述步骤20中，构造粒子群的方法中，在t+Ι时刻状态更新方程引入惯性权重ω，将其速度方程设置为vt+1id = ω Vti^c1XrandO X (Ptid-XtidHc2XrandO X (Ptgd-Xtid) 苴中
4.根据权利要求1-3中任一项所述的基于改进粒子群优化的带时间窗约束的车辆路径优化方法，其特征在于所述步骤40中，适应度计算的具体方法是将目标值定义为
5.根据权利要求1-3中任一项所述的基于改进粒子群优化的带时间窗约束的车辆路径优化方法，其特征在于所述步骤602中，引入交叉算子操作的具体方法为粒子状态和速度的每一维交叉算子如下所示P1chlId O, ) = PcX Piparent (Xi)+ (1-Pc)X P2Paren, )P2Child (Λ ) = PcX P1Parent ) + (l-^c)X Parent O,)
全文摘要
本发明涉及一种基于改进粒子群优化的带时间窗约束的车辆路径优化方法，包括步骤步骤10参数初始化设置；步骤20构造粒子群；步骤30粒子解码，依据解码规则对粒子进行解码；步骤40适应度计算，对于解码得到的配送路线；步骤50查找个体最优状态和群体最优状态，选出群体最优状态Pg，Pg即为当前迭代条件下车辆路径问题的最优路径；条件判断，粒子群搜索到的最优位置即为当前状态下的最优路径，若未达到终止条件，则转向步骤601，否则转向步骤603；步骤601状态更新；步骤602引入交叉算子操作，转入步骤30重复进行粒子解码；步骤603迭代结束，输出车辆路径问题的最优路径结果。
文档编号G06Q10/04GK103049805SQ201310018409
公开日2013年4月17日 申请日期2013年1月18日 优先权日2013年1月18日
发明者徐胜华, 刘纪平, 孙立坚, 王想红, 沈晶 申请人:中国测绘科学研究院