一种多目标优化的纯电动汽车物流配送优化调度方法与流程

技术特征：

1.一种多目标优化的纯电动汽车物流配送优化调度方法，其特征在于，包括下列步骤：

步骤1：构建调度模型：

对真实充电站进行复制得到访问充电站集合S′，同一车辆对集合S′中的每个访问充电站只能访问一次；

用v₀表示车辆始发节点，v_n+1表示车辆返回节点，且节点v₀、v_n+1对应同一配送中心，用于区分出发和返回状态；

由S′配送节点集合C、访问充电站集合S′和节点v₀的并集得到第一节点集合V₀，由配送节点集合C、访问充电站集合S′和节点v_n+1的并集得到第二节点集合V_n+1，由配送节点集合C和访问充电站集合S′的并集得到第三节点集合V；

构建调度模型的目标函数：其中f₁、f₂表示预设权重，K表示配送中心的车辆集，第一访问状态变量的取值为：若存在车辆k从节点v₀到达节点j，则否则第二访问状态变量x_ijk的取值为：若存在车辆k从节点i到达节点j，则x_ijk＝1；否则x_ijk＝0；T_ij(·)表示依赖出发时刻的行驶时间函数，函数的输入参数为从节点i的出发时刻，基于预设的旅行速度与出发时刻的映射关系得到当前出发时刻的行驶速度，根据节点i与节点j间的路程得到任意车辆从节点i出发到达节点j的行驶时间t_ij，其中u_ik表示车辆k到达节点i的到达时刻，s_ik表示车辆k在节点i的停留时间，若节点i∈C₀，则停留时间s_ik等于节点i的服务时间，其中集合C₀＝C∪{v₀}；若节点i∈S′，则s_ik＝r_k(Q_k-q_ik)，其中r_k表示车辆k的充电时间参数、Q_k表示车辆k的电量最大值，q_ik表示车辆k到达节点i的电量；

调度模型的约束条件为：

(1)每个配送节点只能由一辆车进行服务：

(2)同一车辆k对访问充电站集合S′中的访问充电站最多能被访问一次：

$\underset{k\∈K}{\Σ}\underset{j\∈V_{n+1}}{\Σ}{x}_{ijk}\≤1,\∀i\∈S^{\′};i\≠j;$

(3)对于任意节点，访问该节点的车辆数等于离开该节点的车辆数：

$\underset{i\∈V_{n+1}}{\Σ}{x}_{jik}-\underset{i\∈V_0}{\Σ}{x}_{ijk}=0,\∀j\∈V;i\≠j;\∀k\∈K;$

(4)车辆k到达任意节点的载重不大于车辆k离开上一个节点的载重：

其中g_jk、g_ik分别表示车辆k到达节点i、j的载重，m_i表示节点i的需求量，G_k表示车辆k的额定载重；

(5)车辆从配送中心出发时的载重g_v0k不大于车辆额定载重且大于等于0：

$0\≤g_{v_{0}k}\≤G_k,\∀k\∈K;$

(6)车辆k从节点i到达节点j的到达时刻u_jk应满足：

其中T_max表示预设配送截止时间；

(7)若车辆k访问的上一节点i∈C，则从节点i到达节点j的电量q_jk应满足：

$0\≤q_{jk}\≤q_{lk}-b_{ij}\left(\right(u_{ik}+s_{ik}),t_{ij})x_{ijk}+Q_k(1-x_{ijk}),\∀i\∈C;\∀j\∈V_{n+1};i\≠j;\∀k\∈K;$

若车辆k访问的上一节点i∈S′，则从节点i到达节点j的电量q_jk应满足：

$0\≤q_{jk}\≤Q_k-b_{ij}\left(\right(u_{ik}+s_{ik}),t_{ij})x_{ijk},s_{ik}=r_k(Q_k-q_{ik});\∀i\∈S^{\′};\∀j\∈V_{n+1};i\≠j;\∀k\∈K;$

电量消耗函数

其中电量消耗估计值m_k表示车辆k的质量，v_ijk(t)表示车辆k在时刻t的速度，ρ_a表示空气密度，A_fk表示车辆k的横截面面积，C_d为风阻系数，f_r表示摩擦系数，g表示重力加速度；φ^c、φ^r分别表示电功率与机械功率转换的消耗系数、回收系数，分别表示电池功率与电功率转换的消耗系数、回收系数；

(8)表示车辆k从配送中心出发时的电池状态为充满状态，即

步骤2：以单个车辆从始发节点经配送节点/配送节点和访问充电站到达返回节点的配送路径作为遗传算法的基因、不同车辆的配送路径组合作为遗传算法的个体，且每个个体的配送节点集合等于C；

采用遗传算法，在满足调度模型的约束条件下，求解使得调度模型的目标函数取得最小值的个体，得到调度方案。

2.如权利要求1所述的方法，其特征在于，步骤2中，采用遗传算法求解的具体过程为：

步骤201：结合随机生成算法和贪婪生成算法，生成关于调度模型的初始解，得到遗传算法的初始种群；

步骤202：从当代种群中随机选择个体对，并在所选个体对中随机选择需要交叉的基因对，对个体对进行交叉操作，并对交叉后的个体进行重组，使重组后的个体满足调度模型的约束条件且目标函数最小；

步骤203：从当代种群中选择前T1个适配度最大的个体作为变异对象，在变异对象中随机选择变异的基因，对个体进行变异操作，并对变异后的个体进行重组，使重组后的个体满足调度模型的约束条件且目标函数最小；

步骤204：对当代种群、交叉后的个体、变异后的个体进行适应度排序，取前T2个最小适应度的个体作为下一代种群；

步骤205：若当前迭代次数达到迭代阈值，则将最新代的种群中适应度最小的个体作为最优调度结果并输出；否则更新迭代次数，继续执行步骤202。

3.如权利要求2所述的方法，其特征在于，步骤1中，生成初始解的具体步骤为：

步骤101：设置当前节点为节点v₀；

步骤102：获取当前节点标识符；

步骤103：判断当前节点是否为配送中心，若是，则从当前待分配的配送节点中随机选择配送节点进行分配处理；否则，从当前待分配的配送节点中选择与当前节点最近的待分配的配送节点进行分配处理；

步骤104：判断是否完成初始解的构建，若是，则转到步骤102继续执行；否则输出初始解。

4.如权利要求2或3所述的方法，其特征在于，步骤2、3中所述的重组具体为：

从当前待分配的配送节点集合中随机选取待分配的配送节点；

查找最小成本的可插入配送路径：对当前个体的配送路径集合进行遍历，通过计算当前节点行驶到选取的待分配的配送节点的时间消耗查找最小成本的可插入配送路径；

若存在最小成本的可插入配送路径，则将待分配的配送节点添加到所述可插入配送路径，并更新当前车辆到达各节点的电量、到达时刻以及载重；否则，从配送中心的车辆集中随机选择未配送的车辆，采用生成初始解相同的方式，生成当前车辆的配送路径并添加到当前个体的配送路径集合中。