本发明涉及一种基于混合遗传算法的生鲜配送实时优化方法，属于物流配送算法
技术领域：
。
背景技术：
：当前城市的生鲜配送业务急速上升，呈现多品种、少批量、配送点分布不均匀、交通拥堵频繁等情况。同时，客户通过移动电商平台即时对订单信息进行频繁的变更，也大大提高了生鲜配送作业计划的难度。生鲜配送效率一方面影响生鲜产品品质，另一方面关联配送企业的经济收益。长期以来，城市生鲜配送一直面临利润低、时效高、多品种、小批次的高要求复杂作业。并且，和普通的配送路径规划不同，生鲜配送由于面对广大城市居民消费，配送的动态变量更多，配送要求的时效更高。在实际配送中心的运营管理中，生鲜配送的路径、计划往往由送货员根据具体情况自主决定，缺乏一个系统性、科学性的成本核算与优化设计。技术实现要素：为解决现有技术的不足，本发明的目的在于提供一种基于混合遗传算法的生鲜配送实时优化方法，能够解决目前实施配送生鲜时效率低，成本高的问题。为了实现上述目标，本发明采用如下的技术方案：一种基于混合遗传算法的生鲜配送实时优化方法，其特征是，包括如下步骤：1)根据配送中心以及各个送货点的位置，采用Floyd算法和Dijkstra算法，结合仓储费用、中转费用和管理费用，以总配送费用最小为优化目标进行求解，计算出送货点之间的最短路径；2)采用节约里程法对步骤1)得到的各个最短路径进行合并；3)根据当前配送站点的资源结合步骤2)的结果进行路径划分，计算静态下的配送路线的最小成本目标函数，形成若干条配送路线；4)实时对送货信息进行监控，如果对送货信息进行变更，采用混合遗传算法重新构造配送路线；具体重新构造步骤如下：步骤401)采用送货点直接排列的编码方法，用一个矩阵表示所有需要完成配送的送货点的顺序，送货点的编号由1～n构成；将未被访问过的送货点随机形成序列，按顺序逐一将每个送货点加入到当前配送路线中；检验是否满足车辆载重限制，若满足，则将该送货点加入到当前配送路线中；若不满足，则将其加入到下一条配送路线；步骤402)计算+成本目标函数，G为个体对应的配送路径方案的不可行路径条数：若当前配送路线个数<车辆总台数，则G＝0，表示该个体对应一个可行解；若当前配送路线个数≥车辆总台数，则G>0，表示该个体无解；Pw表示对每条不可行路径的惩罚权重，适应度值满足优化准则；步骤403)选择新个体送货点；采用随机算法选择具有较高区域出现度的个体送货点；将当前送货点集合作为子代，保留当前送货点集合的最优解，并保持子代的送货群体个数与总群体个体数相同；步骤404)采用类改进的OX法作为交叉方法进行反复交叉操作。进一步地，所述步骤1)中通过Floyd算法求出送货点间的最短路径距离、需要中转的次数和配送时间；通过Dijkstra算法算出生鲜货物配送量和中转量，并根据运费率、配送量和距离求出运输成本。进一步地，所述步骤2)具体步骤为：21)测出配送中心到送货点、送货点之间的最短距离；22)按节约里程公式求得相应的节约里程数；23)根据车载重量作为约束条件与节约里程数的大小，顺序连接各送货点结点；24)将得到的各个最短路径进行合并。进一步地，所述步骤3)中的配送站点的资源包括车载重、车辆容积、计划安排的车辆数X、平均车速V、单位配送费率为c、车辆每日最大行驶距离为L、超出最大行驶距离后的每公里需附加支付给司机的费用为pl、违反时间窗约束的惩罚费用为早到的费用p1和晚到的费用p2。进一步地，所述步骤3)中最小成本目标函数：超出最大行程后的额外成本违反时间窗限制的惩罚成本上述涉及的基本约束条件为：这三个约条件中第一个为保证每辆配送车辆均不超过其最大载量能力、下面两个约束条件为确保每个顾客只能被分配到一条路径上，即每个顾客配送次数为1次；其中，N表示配送点和本次实际送货点代号的集合，配送点标记为0；M表示实际安排的车辆集合，c0表示多派出一辆车的固定成本，dij表示任意两送货点间的距离，Q表示每辆车的最大配送量，Lk表示已行驶的距离，p0为车辆的起步费用，xijk表示车辆k经过路径(i,j)，取值为1，送货点i的送货量为qi，送货点i的送达时间要求在时间窗[ETi,LTi]内，TAi为实际到达送货点i的时间，[ai,bi]表示送货点i要求货物的送到时间不得超出的时间范围，A表示超出[ai,bi]送达时间范围的惩罚成本取值，依据经验值设定。进一步地，所述步骤402)中优化准则具体为：优化结果如收敛到要求的精度范围，以优化的收敛精度作为优化准则，否则按照Dijkstra算法的最大仿真代数作为结束条件。本发明所达到的有益效果：本方法能够在实时配送中，对于各种动态送货点的出现，通过混合遗传算法，结合最优化配送成本，实现实时路线分配，提高整体的分配效率，对于生鲜的配送有着极大的意义。具体实施方式下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。本实施例中以苏州食行生鲜企业的生鲜配送路径规划为例：已知生鲜配送中心坐标为(137，93)，车辆载重均为5吨，车辆容积为354×795×220cm，车辆能容纳20个标准周转箱(即标准配送单位)，所有送货点需求的送货量均小于配送车辆的最大装载能力，车辆由配送中心苏州跨塘出发，完成配送任务后须返回跨塘配送中心。配送费率c＝1元/公里，多派出一辆车的固定成本c0＝100元，车辆最大货物配送量5吨，车辆每日行驶距离最多300公里，超出300公里每公里需附加支付给司机1.2元/公里的费用，假设平均车速50公里/时，以送货量(吨)的1/3为该送货点的服务时间(小时)。假设起始点有8个送货点的配送任务，各个送货点要求的送货量下表所示：送货点145815161722送货量(吨)21.52.551.52.532.5时间窗[0，2][0.5，3][2，4][1，4][3，7][2，5][0.5，2][2，5]位置坐标(公里)(95，55)(134，50)(160，48)(175，90)(58，92)(71，73)(84，76)(184，71)表1假设T时刻(即时性)出现新的送货点后，排队等候送货的情况如下表(表2)所示：表2根据上述数据进行运算，若配送路线不变更，则送货路线和成本如下表(表3)：表3基于静态配送路线的成本核算如果采用本发明所涉及的方法进行配送路线的调整，会得到如下表的配送方案：表4基于动态调整的配送路线成本核算以上数据明确显示，通过本发明中的所采用的混合型的遗传算法运算出来新的配送路径能够节省22.4％配送费用。从以上实施例的说明中可以看到，本方法能够提高生鲜配送的速度，保证生鲜的品质，同时降低企业配送成本，快速响应客户需求，并且能够提高车辆利用率，低碳节能，减少城市交通拥堵，最后通过农产品流通效率，促进农业产业链的健康快速发展。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。当前第1页1 2 3