一种处理快递新增取件需求的车辆自治调度方法与流程

本发明属于车辆智能优化调度
技术领域：
，涉及一种处理快递新增取件需求的车辆自治调度方法。
背景技术：
：电子商务环境下的客户需求呈现出规模庞大、动态程度高的特点。动态需求在时间上的随机出现和空间上的随机分布，使得快递公司只有对这些动态需求进行延时批量处理，才能降低居高不下的空载率，取得规模效益，但这样又进一步降低了物流配送服务的时效性。特别是在配送过程中，客户可以随时提交或取消寄件订单、要求尽快上门取件，快递公司如果不能对客户需求做出快速响应并及时变更原来的快递取送件方案，继续沿用过去的集中式数据处理方式和调度方法，不仅不会使客户满意度提高，还会进一步增加企业的物流配送成本。多智能体系统(multi-agentsystem，mas)是多个智能体组成的集合，可以将大而复杂的系统建设成小的、彼此互相通信和协调的易于管理的系统，具有适应性、自组织和良好的协调性能，可通过协调方式完成繁杂的整体运作。利用mas能够进行高效的动态运算，非常适用于解决物流配送中的车辆调度问题。将mas技术引入物流配送系统中，可以实现配送车辆的自治调度。车辆自治调度是一种分布式的自治物流调度方法，区别于传统的集中式物流调度，车辆自治调度的决策主体是配送车辆上的车载智能体，而不再是配送中心或调度中心。车载智能体享有自治权，可以根据实时信息自主做出判断和决策。较传统的集中式物流调度，车辆自治调度能够应对大规模的运输任务，适应交通、路网的动态变化，能够及时处理随机出现的客户需求信息。在车辆自治调度方法下，配送中心或调度中心主要负责传输信息和协调各个车辆更好地完成任务，并对全部配送车辆进行宏观调控；对于单一配送车辆的管理，由各个车辆上的车载智能体分别进行管理。在车辆自治调度方法下，车载智能体可根据实时路况信息和需求信息，自主对车辆行驶路径做出动态规划；对于随机发生的新增取件需求，车载智能体可自主判断是否可将此需求插入到当前行驶路线中，并自主决策出最佳插入位置；针对存在多辆配送车辆都可以接受同一取件需求的情况，利用多智能体所具有的适应性、自组织和良好的协调性能，可通过多车协调自治决策方式，解决从多个可行取件车辆中选出最佳车辆的复杂决策问题。利用正在配送的车辆完成新增取件需求，可以大大缩短物流时间，降低了物流配送成本；通过车辆自治调度，由多个配送车辆协调自治决策出最佳取件车辆，可以大幅提高对客户订单的响应速度，提高了企业的客户满意度。车辆自治调度能够更合理、更有效的实现物流资源的配置和提高物流响应速度和效率，适应了电子商务发展的需要。技术实现要素：本发明针对快递公司对配送过程中出现的新增取件需求无法做出快速响应、上门取件不及时的问题，提出一种通过多个配送车辆协调自治的方式决策出新增取件需求的最佳插入位置，并对插入后的路线进行局部路径优化的车辆自治调度方法。一种处理快递新增取件需求的车辆自治调度方法包括如下步骤：步骤1配送车辆接收新增取件需求：客户的新增取件需求首先提交到配送中心，然后由配送中心将其发送到该新增取件需求附近的车辆。设在时刻τ，客户提交新增取件需求u，要求的上门取件服务时间窗为(etu,ltu)，etu为u的最早允许的开始服务时间，ltu为u的最晚允许的开始服务时间，tru表示在时刻τ，任意车辆kr到新增取件需求u所在位置的车辆行驶时间，则可以接收到新增取件需求u的车辆集合ku为：ku＝{kr|tru≤ltu-τ}步骤2新增取件需求插入可行性验证：配送车辆接收到新增取件需求后，首先进行插入可行性验证，计算是否可将新增取件需求插入到本线路中，进一步，包括如下步骤：设有一条客户点数目为n的路线，车辆从配送中心出发，最后回到配送中心。i、j为这条路线上两个相邻的静态客户点，si为车辆在客户点i处的服务时间，tij为从客户点i到客户点j的车辆行驶时间，btj为车辆在客户点j的开始服务时间，btj′表示将新增取件需求u插入到客户点i与j后，车辆在客户点j处新的开始服务时间，定义变量pfj来反映待插入位置之后的客户点在插入前后开始服务时间的增加量，pfj计算方法如下：btj＝max{etj,bti+si+tij}btj′＝max{etj,btu+su+tuj}pfj＝btj′-btj1≤j≤n+12-1：更新当前车辆所在位置、尚未服务的需求信息及新增的取件需求信息；2-2：选择待验新增取件需求。统计已经接收到的新增取件需求的最早开始服务时间，依次选择其中允许开始服务时间最早的作为待验证的新增取件需求u；2-3：确定可行插入位置。判断u是否可插入到线路中任意客户点i与j之间；进一步包括如下步骤：2-3-1:判断u插入到点i与j之间后，u自身的时间窗是否满足：btu≤ltu2-3-2:判断u插入到点i与j之间后，后续客户的时间窗要求是否满足：btl+pfl≤ltl,j≤l≤n2-3-3：若满足以上两个条件，计算将u插入到可行位置的插入成本cost，若不满足，令cost等于一个极大值m，α+β＝1,α,β,γ为不小于0的常数；cost＝α·(diu+duj-dij)+β·(btj′-btj)-γdou2-4：确定最佳插入位置。选择cost最小的可行位置作为最佳插入位置；步骤3建立多车协调自治决策模型，选出最佳取件车辆：各个车辆经过新增取件需求插入可行性验证，确定每一辆车所在路线的最佳可行位置后，通过多个车辆之间信息传输与协调决策，确定最佳取件车辆。进一步，包括如下步骤：3-1接收到同一新增取件需求并且有可行插入位置的车辆组成协调小组，若无可行插入位置，由配送中心单独派车完成未调度成功的新增取件需求；3-2根据多车协调自治决策模型，比较协调小组内各个车辆的决策函数评价值，确定最佳取件车辆。根据车辆当前信息，统计车辆的已有任务数量、剩余装载空间、增加的距离、后续客户点延误时间增加值及总工作时间，建立决策函数如下：其中表示将ct归一化处理，设ct＝{ct1,ct2,…,ctn}，ct中任意元素ctr的归一化处理方法如下：其中ωt表示在决策函数cbest各决策变量中ct所占的权重，依次对ct中各元素归一化处理，得到同理可对cg、cn、cc归一化处理，得到具体的相关函数定义过程如下：1)若将新增取件需求u插入到车辆ki所在的线路，计算所需要的总工作时间ti′，根据配送车辆最长工作时间tmax确定总工作时间控制变量ct:ct＝tmax-ti′2)车辆ki若不接受新增取件需求u，按照原有配送方案，完成取送件任务，计算返回配送中心时的剩余装载空间rgi，计算载重量控制变量cg：rgi＝(gmax-∑gj)其中gmax为车辆i最大载重量，gj为车辆客户点j的送件的重量或取件的重量，若gj<0，则为送件的重量，若gj>0则为取件的重量，m表示一个极大值；3)车辆ki若不接受新增取件需求u，按照原有配送方案，统计已有的取件数量和送件数量计算已有任务量决策变量cn：4)若将新增取件需求u插入到车辆ki所在的线路中，计算插入后的距离增加值da及后续客户点延误时间增加值td，计算配送方案变动代价变量cc:cc＝α·da+β·td，α+β＝1da＝d′-dtd＝∑dtj′-∑dtj其中d、d′分别表示插入u前后车辆行驶距离，dtj、dtj′分别表示插入u前后车辆ki在其行驶路线上任意客户点j处的延误时间，atj为车辆到达j处的时间，车辆在j处的延误时间计算方法如下：dtj＝max{0,atj-ltj}步骤4单车局部路径优化：若经过多车协调自治决策，确定车辆i为最佳取件车辆，车辆i根据单车动态路径优化模型，对插入新需求后的路线重新优化，调整取送件顺序，生成新的车辆行驶路线。步骤4中的路径规划为单车路径规划，属于tsp问题，但与典型tsp问题不同的是：典型tsp问题是一个闭环回路，车辆从起点出发，最后回到起点；而本发明是在动态环境下对车辆路径进行优化，其起点并不是固定的，需要在优化时获取车辆当前位置，并以当前位置作为路径的起点。因此，本发明在利用蚁群算法求解路径时，将各个蚂蚁放在同一个出发点即车辆当前位置，以保证生成的路径方案能够执行。在对插入新增取件需求后的路线进行单车局部路径优化时，建立单车动态路径优化模型，然后利用蚁群算法对其求解，生成新的车辆行驶路线。本发明建立的单车动态路径优化模型如下：iw所有尚未服务的客户点集合iθ配送车辆所在位置c1车辆行驶成本系数c2车辆早于eti到达客户点i的惩罚系数c3车辆晚于lti到达客户点i的惩罚系数eti客户点i最早允许的开始服务时间lti客户点i最晚允许的开始服务时间ati到达客户点i的时间wti提前到达客户点i需要等待的时间tij从客户点i到客户点j的行驶时间dij从客户点i到客户点j的距离决策变量：目标函数：约束条件：atj＝ati+wti+si+tijwti＝max(eti-ati,0)(5)(1)式为目标函数，表示最小化车辆行驶成本、客户满意度成本；(2)式、(3)式确保每个客户点都只能被一辆车服务，且只能被访问一次；(4)式为车辆最大载重量限制；(5)式为车辆到达客户点时间及等待时间的计算公式；如图2所示，本发明用来进行单车路径规划的蚁群算法流程描述如下:a)初始化参数初始化相关参数：蚁群规模m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量q、最大迭代次数nmax、迭代次数初值n0＝1。b)构建解空间将各个蚂蚁放在同一个出发点即车辆当前位置，对每个蚂蚁w(w＝1,2,…,m)，按照转移概率计算其下一个到达的客户点，直到所有蚂蚁访问完所有客户点。其中，τij(t)为启发函数，ηij(t)＝1/dij，表示蚂蚁从客户点i转移到客户点j的期望程度；cpw(w＝1,2,…,m)为蚂蚁w待服务客户点的集合，α为信息素重要程度因子，β为启发函数重要程度因子。c)更新信息素计算各个蚂蚁经过的路径长度lw(w＝1,2,…,m)，记录当前迭代次数中的最优解。同时，根据如下公式对各个客户点连接路径上的信息素浓度进行更新。其中表示第w只蚂蚁在客户点i与客户点j连接路径上释放的信息素浓度；δτij表示所有蚂蚁在客户点i与客户点j连接路径上释放的信息素浓度之和。其中q为常数，表示蚂蚁循环一次所释放的信息素总量；lw为第w只蚂蚁经过路径的长度。d)判断是否终止若迭代次数n<nmax，则令n＝n+1，清空蚂蚁经过的记录表，并返回步骤2；否则，终止计算，输出最优解。本发明的有益效果在于：有效地弥补了传统集中调度方法费时费力的缺点，对于新增取件需求，无须经过配送中心批量调度，配送车辆可自主判断能否接受取件需求；利用mas技术的适应性、自组织和良好的协调性能，可以避免存在多个车辆争抢同一取件需求，解决从多个可行取件车辆选出最佳车辆的复杂决策问题；利用智能体进行高效的动态运算，可根据动态情况，及时对车辆行驶路径进行更新和优化。本发明提出的车辆自治调度方法可以大幅缩短快递配送和上门取件时间，大大提高对客户动态订单的响应速度，提高了客户满意度，并降低物流成本。附图说明图1车辆自治调度过程图2蚁群算法流程图图3车辆自治调度开始时新增取件需求位置及车辆位置路线图具体实施方式下面将结合实施例和附图对本
发明内容进行详细说明。为了说明本发明所述的车辆自治调度方法，需要生成静态配送路线作为调度过程的基础。因此，在实施例中，车辆离开配送中心前每一辆车根据已经确定的自己需要完成的取送件需求，利用单车动态路径优化模型，利用蚁群算法对这些需求点进行单个车辆的路径规划，从而得到初始配送路线。单车动态路径优化模型如下：iw所有未服务的客户点集合iθ配送车辆所在位置c1车辆行驶成本系数c2车辆早于eti到达客户点i的惩罚系数c3车辆晚于lti到达客户点i的惩罚系数eti客户点i最早允许的开始服务时间lti客户点i最晚允许的开始服务时间ati到达客户点i的时间wti提前到达客户点i需要等待的时间tij从客户点i到客户点j的行驶时间dij从客户点i到客户点j的距离决策变量：目标函数：约束条件：atj＝ati+wti+si+tijwti＝max(eti-ati,0)(5)(1)式为目标函数，表示最小化车辆行驶成本、客户满意度成本；(2)式、(3)式确保每个客户点都只能被一辆车服务，且只能被访问一次；(4)式为车辆最大载重量限制；(5)式为车辆到达客户点时间及等待时间的计算公式；蚁群算法求解过程如下：a)初始化参数初始化相关参数：蚁群规模m＝50、信息素重要程度因子α＝1、启发函数重要程度因子β＝5、信息素挥发因子ρ＝0.1、信息素释放总量q＝1、最大迭代次数nmax＝200、迭代次数初值n0＝1。b)构建解空间将各个蚂蚁放在同一个出发点即车辆当前位置，对每个蚂蚁w(w＝1,2,…,m)，按照转移概率计算其下一个到达的客户点，直到所有的蚂蚁访问完所有的客户点。其中，τij(t)为启发函数，ηij(t)＝1/dij，表示蚂蚁从客户点i转移到客户点j的期望程度；cpw(w＝1,2,…,m)为蚂蚁w待服务客户点的集合，α为信息素重要程度因子，β为启发函数重要程度因子。c)更新信息素计算各个蚂蚁经过的路径长度lw(w＝1,2,…,m)，记录当前迭代次数中的最优解。同时，根据如下公式对各个客户点连接路径上的信息素浓度进行更新。其中表示第w只蚂蚁在客户点i与客户点j连接路径上释放的信息素浓度；δτij表示所有蚂蚁在客户点i与客户点j连接路径上释放的信息素浓度之和。其中q为常数，表示蚂蚁循环一次所释放的信息素总量；lw为第w只蚂蚁经过路径的长度。d)判断是否终止若迭代次数n<nmax，则令n＝n+1，清空蚂蚁经过的记录表，并返回步骤2；否则，终止计算，输出最优解。以下以30个快递取送件需求客户点为例对本发明提出的一种处理快递新增取件需求的车辆自治调度方法进行详细说明：配送中心坐标序号为0，坐标为(35,35)，在不加班情况下的正常工作时间窗为(0,230)，车辆平均行驶速度设定为1，最大载重量为200，服务时间s＝10，c1、c2、c3的取值分别为1、1.5、2。配送车辆对30个客户点进行快递件的收派，其中1-29为已知的客户点，客户点30为新增取件客户点。gi为客户点i处的快递重量，若快递重量gi>0，则快递需求i为送件需求，若快递重量gi<0，则快递需求i为取件需求。各个客户点的坐标(xi,yi)、时间窗(eti,lti)及快递重量gi如下表1所示：表1各个客户点坐标、时间窗及快递重量序号xiyietiltigi03535023001153020107-262253054153-33302570208-234151032137-20530530154-86102054105-1972020117160-885542145-169241225172-510233115158-711111431138-181263829189-1613321278133-714212417123-281514372197-11161131681431717162274117111841879118351928188411116201519130194121222218181222182441199122326278812127242524148320252227119160212625211221532227192132931028202638137929181828195173012245910213根据实施例中所建的单车动态路径优化模型，利用蚁群算法对客户点进行车辆路径规划，可得车辆行驶路线。在本发明实施例中，一种处理快递新增取件需求的车辆自治调度方法，具体实施步骤如下：步骤1配送车辆接收新增取件需求：假设配送中心在时刻τ＝5，接到新增取件需求，序号为30，配送中心将需求信息发送给配送车辆，接收到新增取件需求30的车辆集合k30为：k30＝{kr|tr30≤lt30-τ}统计接收到新增取件需求30的车辆，更新这些车辆位置数据，并以各个车辆所在位置为对应虚拟客户点位置，虚拟客户点的最早开始服务时间eti取当前时刻τ，最晚开始服务时间lti取值为车辆所在路线下一个客户的最晚服务时间lti+1,虚拟客户点的信息如下表2所示：表2虚拟客户点信息更新在当前时刻，各个车辆尚未服务的客户点信息，获取各车辆的路线信息如下表3所示，车辆自治调度开始时新增取件需求的位置及车辆位置路线如图3所示。表3各个车辆路线信息步骤2新增取件需求插入可行性验证：本发明实施例中，以路线1为例，对新增取件需求的插入可行性进行验证，可行插入位置及插入成本的评价值如下表4所示：表4路线1可行插入位置及插入成本路线1中最小插入成本为9.589，最佳插入位置在第3个客户点与第4个客户点之间，即客户点12与客户点16之间，将客户点30插入到路线1后路线为：θ1-15-12-[30]-16-1-2-23-25-26-3-0同理可得其他路线的可行插入位置，路线2的最佳插入位置为客户点6与18之间，路线3的最佳插入位置为客户点22与17之间。在本发明实施例中，存在多辆配送车辆都可以将新增取件需求30插入到自身线路中，因此需要利用多车协调自治决策方法，选出最佳取件车辆。步骤3建立多车协调自治决策模型，选出最佳取件车辆：各配送车辆经过新增取件需求插入可行性验证，确定最佳可行位置后，通过多个车辆之间信息传输与决策，确定最佳取件车辆。根据车辆当前信息，计算车辆的已有任务数量、剩余装载空间、增加的距离、后续客户点延误时间增加值及总工作时间，建立决策函数如下：表5决策变量权重本发明实施例中设定决策变量权重如表5所示，tmax＝230，μ＝1.5，α＝0.3，β＝0.7，决策函数各变量计算过程如下：5)若将新增取件需求u插入到车辆ki所在的线路，计算所需要的总工作时间ti′，根据配送车辆最长工作时间tmax确定总工作时间控制变量ct:ct＝tmax-ti′6)车辆ki若不接受新增取件需求u，按照原有配送方案，完成取送件任务，计算返回配送中心时的剩余装载空间rgi，计算载重量控制变量cg：rgi＝(gmax-∑gj)其中gmax为车辆i最大载重量，gj为车辆客户点j的送件的重量或取件的重量，若gj<0，则为送件的重量，若gj>0则为取件的重量，m表示一个极大值；7)车辆ki若不接受新增取件需求u，按照原有配送方案，统计已有的取件数量和送件数量计算已有任务量决策变量cn：8)若将新增取件需求u插入到车辆ki所在的线路中，计算插入后的距离增加值da及后续客户点延误时间增加值td，计算配送方案变动代价变量cc:cc＝α·da+β·td，α+β＝1在本发明实施例中，依次对3条路线的各个决策函数变量进行计算，3条路线决策函数计算结果如下表6所示：表6三条路线决策函数变量计算结果归一化处理后，计算结果如下表7所示：表7归一化处理后三条路线决策函数变量计算结果分析表格可得cbest＝-0.053，即将新增取件需求插入到路线3的客户点22与17之间，则插入客户点的新路线为：24-14-28-22-(30)-17-19-9-10-5-13-0步骤4单车局部路径优化：若经过多车协调自治决策，车辆i被选定为最佳取件车辆，该车辆根据单车动态路径优化模型，对插入新需求后的路线重新优化，调整取送件顺序，生成新的车辆行驶路线。根据步骤1中动态路径规划模型，利用蚁群算法对插入新需求后的路线重新优化，可得局部路径优化后的车辆行驶路线：24-14-28-22-(30)-17-19-13-5-10-9-0表8路线3优化过程根据表8所示路线3优化过程所示：相比插入新增取件需求后的路线，经过局部路径优化，车辆行驶总距离和总时间小幅度增加(分别为2.39％和1.09％)，但总成本却大幅下降(43.22％)，说明局部路径优化能进一步降低车辆行驶成本。相比初始路线，插入新增取件需求并经过局部路径优化后，车辆行驶总距离和总时间虽然会增加(分别为11.23％和5.90％)，但却没有使总成本增加过多反而出现了较大幅度的下降(34.80％)，说明将新增取件需求插入到正在配送中的车辆并进行局部路径优化，可以大大降低客户的等待时间和延误时间，从而提高客户满意度，同时，利用正在配送中车辆完成新增取件需求，比起从配送中心直接派车上门取件，可以大大降低物流成本。综上，本发明提出的车辆自治调度方法能够有效地弥补了传统集中调度方法费时费力的缺点，对于新增取件需求，无须经过配送中心批量调度，配送车辆可自主判断能否接受取件需求；利用mas系统的适应性、自组织和良好的协调性能，可以避免存在多个车辆争抢同一取件需求，解决从多个可行取件车辆选出最佳车辆的复杂决策问题；利用智能体进行高效的动态运算，可根据动态情况，及时对车辆行驶路径进行更新和优化。本发明提出的车辆自治调度方法可以大幅缩短快递配送和上门取件时间，大大提高对客户动态订单的响应速度，提高了客户满意度，并降低物流成本。最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。当前第1页12