一种基于混合遗传算法的生鲜配送实时优化方法与流程

技术特征：

1.一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；

P_w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O X法作为交叉方法进行反复交叉操作。

2.根据权利要求1所述的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，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。

3.根据权利要求1所述的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，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。

4.根据权利要求1所述的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，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。

5.根据权利要求4所述的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，所述步骤3)中最小成本目标函数：

$\min Z=c\underset{k\&Element;M}{\mathrm{\&Sigma;}}\underset{i\&Element;N}{\mathrm{\&Sigma;}}\underset{j\&Element;N}{\mathrm{\&Sigma;}}{d}_{ij}{x}_{ijk}+c_0\underset{k\&Element;M}{\mathrm{\&Sigma;}}\underset{j\&Element;N}{\mathrm{\&Sigma;}}{x}_{0jk}+\underset{k\&Element;M}{\mathrm{\&Sigma;}}{P}_{L\left(k\right)}+\underset{i\&Element;N}{\mathrm{\&Sigma;}}{P}_{T\left(i\right)};$

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：

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，d_ij表示任意两送货点间的距离，Q表示每辆车的最大送货量，p₀为车辆的起步费用，x_ijk表示车辆k经过路径(i,j)，取值为1，送货点i的送货量为q_i，送货点i的送达时间要求在时间窗[ET_i,LT_i]内，TA_i为实际到达送货点i的时间，[a_i,b_i]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[a_i,b_i]送达时间范围的惩罚成本取值，依据经验值设定。

6.根据权利要求3所述的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，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。