一种物流配送车辆路径优化方法与流程

本发明涉及一种物流配送、电子商务、智能优化、计算机应用领域，尤其涉及的是一种物流配送车辆路径优化方法。
背景技术：
：随着经济全球化和信息化程度的提高，我国电子商务迅速发展。据中国互联网络络信息中心提供的数据，至2015年12月，我国网民规模已达6.88亿人，全年共计新增网民4000多万人，互联网普及率为达到50.3％，较去年年底增长了2.4个百分点。随着人们生活水平的提高，越来越多的网民已习惯于价格透明和购买方便的网络购物，然而决定电子商务发展的一个重要因素就是物流。对于企业来说，高效的物流体系能带来更少的物流成本和更高的服务水平；对于买家或者客户来说，大多数产品实体的最终交付都要通过物流系统来完成。如果物流运作效率低下，那么电子商务的诸多优势就无法体现出来，同时，没有物流业的支持，电子商务就只能成为空中楼阁，无法发挥作用。在物流配送中，物流配送车辆的合理调度以及车辆路径规划问题涉及到的因素十分广泛，需要考虑条件因素较多。如何合理的处理好物流配送中各因素的关系，对一些配送企业减少物流成本、提供好的服务质量、以及促进企业整体效益的增加有着重大的影响，物流配送车辆路径规划问题是优化整个物流服务行业的关键点。物流配送中车辆调度的线路规划问题是交通运输业务中合理高效化的重要内容，配送线路的是否合理对配送过程中的成本效益、人力时间成本和发货配送的速度都有很大的影响。一般来讲，物流配送车辆优化调度问题可以分为三类：车辆路径问题(VRP)、多路旅行商问题(MTSP)和车辆调度问题(VSP)和。VRP由Dantzig和Ramser在1959年作为卡车调度问题第一次提出的，由于VRP在物流运输方面的高实用性，自被提出后就被各国学者广泛研究。VRP所关注的问题就是为一组车辆确定一组路线，使得每个车辆在单个站点开始和结束，同时满足所有客户的要求和操作限制，以使得总运输成本最低。为了解决VRP问题，国内外学者相继提出了各种方法。例如基于邻域限制的粒状禁忌搜索方法、基于启发式规则的混合遗传算法、基于遗传算法和粒子群算法的混合算法和基于自适应变量邻域搜索和大邻域搜索的混合方法，这些方法都能有效的解决VRP问题。然而，由于VRP是一个NP复杂的非线性问题，随着需要配送客户的增多，配送车辆也随之增加，这导致优化模型复杂度的不断增加，利用现有方法求解不仅编码难、搜索效率不高，而且易陷入局部最优解，从而导致算法的配送方案可靠性不高。因此，现有的物流配送车辆路径优化方法对于复杂的配送问题在编码、搜索效率和配送方案的可靠性方面存在缺陷，需要改进。技术实现要素：为了克服现有的物流配送车辆路径优化方法搜索效率低和配送方案的可靠性不高的不足，本发明提出一种编码容易、搜索效率高、配送方案可靠性高的物流配送车辆路径优化方法。本发明解决其技术问题所采用的技术方案是：一种物流配送车辆路径优化方法，所述方法包括以下步骤：1)以所有配送车辆的总路程最短为目标建立如下目标函数：其中，K为配送车辆数量，nk表示第k辆车配送的客户数量，rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，表示第k辆车配送的第i个客户和第i-1个客户之间的距离，表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；约束条件为：每辆车的配送路程不得超过其最大可行驶路程D，且每辆车配送的货物重量不得超过其最大载重Q，每辆车的配送客户数量不得超过需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；2)确定所需的配送车辆数量其中qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，表示向下取整；3)编码：用数字1表示配送中心，2,3,…,L+1表示各客户点，，则配送路径可以编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，则(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；4)通过xs表示(1,2,3,4,1,5,6,7,1,…,L+1,1)，即xs＝(1,2,3,4,1,5,6,7,1,…,L+1,1)，其中通过xsj,j＝1,2,...,L+K+1表示xs的第j维元素；5)种群初始化：对xs的每一维元素进行NP次随机排序，一次排序即为一种配送路线，如果满足步骤1)中的约束条件，则记为一个个体xm，直到生成NP个满足条件的个体为止，则NP个个体组成种群P＝{x1,x2,...,xNP}，根据公式(1)计算各个体对应的路线的目标函数值，其中NP表示种群规模；6)根据各个体的目标函数值对当前种群中的个体进行排名，选出前N个个体记为计算这N个所选个体的中心个体xcenter：其中，是中心个体xcenter的第j维元素，是根据排名所选的第t个个体的第j维元素，表示向上取整；7)针对当前种群中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：7.1)依次对每个个体中不为1的元素xmj进行变异：其中F为步长因子，vmj表示与目标个体xm对应的变异个体vm的第j维元素，xmj表示目标个体xm的第j维元素，a、b和c为从{1,2,…,NP}中随机选取的互不相同的且与m不同的数字，xaj、xbj和xcj分别表示种群个体xa、xb和xc的第j维元素，且xaj、xbj和xcj均不等于1；7.2)对变异个体vm和目标个体xm进行交叉生成测试个体um：其中umj表示测试个体um的第j维元素，rand(0,1)表示0到1之间的随机数，CR表示交叉概率，jrand表示1到L+K+1之间的随机整数；7.3)如果测试个体um的各维元素中除了1以外的元素有小于2或者大于L+1的元素，则从2到L+1之间随机生成一个数字进行替换，直到所有除了1以外的元素均在2和L+1之间为止；7.4)如果测试个体um的各维元素中除了1以外的元素有相同的元素，则从2到L+1之间随机生成一个与其他元素不同的数字进行替换，直到除了1以外的元素互不同为止；8)根据公式(1)分别计算测试个体um所对应的路线的目标函数值，如果测试个体um的目标函数值小于目标个体xm的目标函数值，且测试个体um满足步骤1)中的约束条件，则测试个体um替换目标个体xm；9)如果种群中的每个个体都执行完步骤7)和8)以后，则迭代次数g＝g+1；10)如果满足终止条件，则继续步骤(11)，否则返回步骤6)；11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。进一步，所述步骤10)中，终止条件为迭代次数g达到预设最大迭代次数gmax。本发明的技术构思为：首先，针对车辆配送路径优化问题，对各配送点利用连续数字进行编码，将离散问题转化为连续问题；然后，针对配送路径优化模型，设计基于最优个体信息的变异策略，根据各个体的目标函数值排名选出部分最优个体，通过提取部分最优个体的信息指导搜索，从而提高算法的搜索效率和可靠性；最后，针对优化所得到的最优解，根据编码规则进行解码，从而得到最优配送路径方案。本发明的有益效果表现在：一方面，利用连续数字对各配送点进行编码，将离散问题转化为方便求解的连续整数优化问题；另一方面，根据多个最优个体的信息指导搜索，而不是使用单一最优个体信息，不仅可以防止陷入局部最优，从而提高最佳配送方案的可靠性，而且可以加快寻优速度，提高搜索效率。附图说明图1是物流配送车辆路径优化方法的基本流程图。图2是某物流公司的配送客户点和配送中心位置示意图。图3是最佳配送方案的路径图。具体实施方式下面结合附图对本发明作进一步描述。参照图1～图2，一种物流配送车辆路径优化方法，包括以下步骤：1)以所有配送车辆的总路程最短为目标建立如下目标函数：其中，K为配送车辆数量，nk表示第k辆车配送的客户数量，rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，表示第k辆车配送的第i个客户和第i-1个客户之间的距离，表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；约束条件为：每辆车的配送路程不得超过其最大可行驶路程D，且每辆车配送的货物重量不得超过其最大载重Q，每辆车的配送客户数量不得超过需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；2)确定所需的配送车辆数量其中qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，一般取0.85，表示向下取整；3)编码：用数字1表示配送中心，2,3,…,L+1表示各客户点，，则配送路径可以编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，则(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；4)通过xs表示(1,2,3,4,1,5,6,7,1,…,L+1,1)，即xs＝(1,2,3,4,1,5,6,7,1,…,L+1,1)，其中通过xsj,j＝1,2,...,L+K+1表示xs的第j维元素；5)种群初始化：对xs的每一维元素进行NP次随机排序，一次排序即为一种配送路线，如果满足步骤1)中的约束条件，则记为一个个体xm，直到生成NP个满足条件的个体为止，则NP个个体组成种群P＝{x1,x2,...,xNP}，根据公式(1)计算各个体对应的路线的目标函数值，其中NP表示种群规模；6)根据各个体的目标函数值对当前种群中的个体进行排名，选出前N个个体记为计算这N个所选个体的中心个体xcenter：其中，是中心个体xcenter的第j维元素，是根据排名所选的第t个个体的第j维元素，表示向上取整；7)针对当前种群中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：7.1)依次对每个个体中不为1的元素xmj进行变异：其中F为步长因子，vmj表示与目标个体xm对应的变异个体vm的第j维元素，xmj表示目标个体xm的第j维元素，a、b和c为从{1,2,…,NP}中随机选取的互不相同的且与m不同的数字，xaj、xbj和xcj分别表示种群个体xa、xb和xc的第j维元素，且xaj、xbj和xcj均不等于1；7.2)对变异个体vm和目标个体xm进行交叉生成测试个体um：其中umj表示测试个体um的第j维元素，rand(0,1)表示0到1之间的随机数，CR表示交叉概率，jrand表示1到L+K+1之间的随机整数；7.3)如果测试个体um的各维元素中除了1以外的元素有小于2或者大于L+1的元素，则从2到L+1之间随机生成一个数字进行替换，直到所有除了1以外的元素均在2和L+1之间为止；7.4)如果测试个体um的各维元素中除了1以外的元素有相同的元素，则从2到L+1之间随机生成一个与其他元素不同的数字进行替换，直到除了1以外的元素互不同为止；8)根据公式(1)分别计算测试个体um所对应的路线的目标函数值，如果测试个体um的目标函数值小于目标个体xm的目标函数值，且测试个体um满足步骤1)中的约束条件，则测试个体um替换目标个体xm；9)如果种群中的每个个体都执行完步骤7)和8)以后，则迭代次数g＝g+1；10)如果满足终止条件，则继续步骤(11)，否则返回步骤6)；11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。进一步，所述步骤10)中，终止条件为迭代次数g达到预设最大迭代次数gmax。以某物流公司的配送路径为列，该配送路径中包含25个配送点和1个配送中心，每辆配送车辆的最大承重为Q＝65t，每辆配送车辆的最大行驶里程为D＝600km，配送中心和各配送客户点的坐标以及配送点的需求量见表1所示，配送中心和各配送点的位置示意图见图1。表1所需的配送车辆数为K＝[∑qi/αQ]+1＝[332/(0.85*65)]+1＝6，种群规模NP＝50，步长因子F＝0.5，交叉概率CR＝0.5，所选的最优个体数量N＝10，最大迭代次数gmax＝1000，10次优化得到的所有配送车辆的总路程如表2所示：计算次序12345678910总路程(km)694.4660.5682.3672.8662.9643.6692.5642.3692.8662.4表2第6次优化方案为最佳配送方案，其6辆配送车辆的路径如下：配送车辆1：1-4-25-26-10-21-1；配送车辆2：1-13-8-11-12-20-1；配送车辆3：1-5-22-9-2-1；配送车辆4：1-6-14-1；配送车辆5：1-3-15-18-1；配送车辆6：1-24-23-16-17-19-7-1；最佳配送方案的路径图如图3所示，其中1表示配送中心，其他2-26之间的各数字表示配送点，可以看出，所有配送点均能完成配送，且各配送点不重复配送，仅配送一次。以上说明是本发明以某物流公司的配送录路径优化所得出的优化效果，并非限定本发明的实施范围，在不偏离本发明基本内容所涉及范围的的前提下对其做各种变形和改进，不应排除在本发明的保护范围之外。当前第1页1 2 3