本发明涉及物流配送技术领域,具体涉及一种基于物流配送路径优的智能优化方法。
背景技术:
随着市场经济的发展和物流技术专业化水平的提高,物流配送业得到了迅猛发展。物流配送是指按用户的订货要求,在配送中心进行分货、配货,并将配好的货物及时送交收货人。
在物流配送业务中,存在许多优化决策问题,通过制定合理的配送路径,快速而经济地将货物送达用户手中,配送路径的选择是否合理,对加快配送速度、提高服务质量、降低配送成本及增加经济效益都有较大影响。
如何快配送速度、提高服务质量、降低配送成本及增加经济效益,是当前需要解决的问题。
技术实现要素:
本发明的目的是克服现有的物流配送业务,不能实现快配送速度降低配送成本的问题。本发明的基于物流配送路径优的智能优化方法。本发明的基于物流配送路径优的智能优化方法,根据物流配送路径问题建立对应的数学模型,然后全局搜索速度快的粒子群算法对模型进行求解,找到物流最优配送路线,不仅能够快速找到物流配送路径最优配送路线,同时获得的路长总长度最短,有效降低物流配送成本,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种基于物流配送路径优的智能优化方法,包括以下步骤,
步骤(a),建立物流配送路径优化的数学模型
在配送网络中共有m个客户点,已知每个客户点i的位置及需求量为qi,至多可用k辆车从配送中心到达所有的客户点,每辆车从配送中心出发,最后返回配送中心,每辆车h的最大装载量为ph,其中,h=1,2,.....k,且要求安排车辆行驶路线使车辆行驶总距离最少,并增加建立的数学模型的约束条件;
步骤(b),确定建立的数学模型的粒子群规模
根据建立的数学模型,通过混沌粒子群优化算法对该数学模型进行求解,确定粒子群规模n和相关参数,所述相关参数包括惯性权重因子、学习因子、最大迭代次数;
步骤(c),适应度评估
对粒子进行编解码,生成车辆配送方案,并根据各客户点的位置作为适应值函数来计算每个粒子的适应度函数值,得到车辆行驶总距离,并且检查是否满足式中的约束条件,若满足,且保留该车辆配送方案,并不执行步骤(d);否则,删除该车辆配送方案;
步骤(d),对于保留的车辆配送方案,对进行全局最优极值进行混沌优化,先将全局最优极值映射到方程的定义域,再根据式进行迭代产生多个混沌变量系列,最后把混沌变量系列通过逆映射返回到优化变量的取值区间,获得多个粒子,计算每个粒子的适应度函数值,得到最优解,用最优解代替当前群体中粒子的位置;
步骤(e),判断粒子群是否为早熟收敛,若粒子群早熟收敛,则对较优粒子进行混沌优化,执行步骤(f);否则,继续步骤(c)-步骤(d);
步骤(f),对较优粒子进行混沌优化,先将全局最优极值映射到方程的定义域,再根据式进行迭代产生多个混沌变量系列,最后把混沌变量系列通过逆映射返回到优化变量的取值区间,获得多个粒子,计算每个粒子的适应度函数值,此时,得到全局最优解,该全局最优解对应的车辆配送方案为最优配送路线,同时,获得的路长总长度最短。
前述的基于物流配送路径优的智能优化方法,步骤(a),增加建立的数学模型的约束条件,具体如下:
(a1),配送中心的位置已知且唯一;
(a2),配送中心只有一种车型,且每个客户点的需求只能由一辆车来完成;
(a3),每条线路上的客户点需求量之和不超过汽车载重量;
(a4),每条配送路径的总长度不大于汽车一次配送行驶的最大距离。
前述的基于物流配送路径优的智能优化方法,步骤(e),所述早熟收敛存在两个标志,包括粒子群严重聚集、最优粒子在多次迭代后无变化或者变化小。
前述的基于物流配送路径优的智能优化方法,步骤(c),粒子的编码策略为构造2m维的空间对应m个客户点的物流配送路径优化问题,每个客户点对应完成服务的车辆和该车辆在路径中的执行次序,即粒子i对应的2m维向量z分成两个m维向量zix1和zix2,zix1为服务任务的车辆编号,zix2为车辆在各客户点行驶的路径次序。
前述的基于物流配送路径优的智能优化方法,步骤(c),粒子的解码策略,具体如下,
(c1),对于服务任务的车辆编号zix1,对粒子i的向量zix1取整int(zix1),可得到配送中心分配给客户点的车辆;
(c2)对于车辆在各客户点行驶的路径次序zix2,可按照向量元素的大小顺序来确定,即首先寻找车辆h完成配送的客户点i,然后按照客户点i对应的的大小,从小到大进行排序编号,从而确定车辆h的行驶路径次序。
前述的基于物流配送路径优的智能优化方法,步骤(a),增加建立的数学模型的约束条件可根据需要扩展。
本发明的有益效果是:本发明的基于物流配送路径优的智能优化方法,根据物流配送路径问题建立对应的数学模型,然后全局搜索速度快的粒子群算法对模型进行求解,找到物流最优配送路线,不仅能够快速找到物流配送路径最优配送路线,同时获得的路长总长度最短,有效降低物流配送成本,具有良好的应用前景。
附图说明
图1是本发明的基于物流配送路径优的智能优化方法的流程图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1所示,本发明的基于物流配送路径优的智能优化方法,包括以下步骤,
步骤(a),建立物流配送路径优化的数学模型
在配送网络中共有m个客户点,已知每个客户点i的位置及需求量为qi,至多可用k辆车从配送中心到达所有的客户点,每辆车从配送中心出发,最后返回配送中心,每辆车h的最大装载量为ph,其中,h=1,2,.....k,且要求安排车辆行驶路线使车辆行驶总距离最少,并增加建立的数学模型的约束条件,具体如下:
(a1),配送中心的位置已知且唯一;
(a2),配送中心只有一种车型,且每个客户点的需求只能由一辆车来完成;
(a3),每条线路上的客户点需求量之和不超过汽车载重量;
(a4),每条配送路径的总长度不大于汽车一次配送行驶的最大距离;
优选的,约束条件可根据需要扩展;
步骤(b),确定建立的数学模型的粒子群规模
根据建立的数学模型,通过混沌粒子群优化算法对该数学模型进行求解,确定粒子群规模n和相关参数,所述相关参数包括惯性权重因子、学习因子、最大迭代次数;
步骤(c),适应度评估
对粒子进行编解码,生成车辆配送方案,并根据各客户点的位置作为适应值函数来计算每个粒子的适应度函数值,得到车辆行驶总距离,并且检查是否满足式中的约束条件,若满足,且保留该车辆配送方案,并不执行步骤(d);否则,删除该车辆配送方案;
步骤(d),对于保留的车辆配送方案,对进行全局最优极值进行混沌优化,先将全局最优极值映射到方程的定义域,再根据式进行迭代产生多个混沌变量系列,最后把混沌变量系列通过逆映射返回到优化变量的取值区间,获得多个粒子,计算每个粒子的适应度函数值,得到最优解,用最优解代替当前群体中粒子的位置;
步骤(e),判断粒子群是否为早熟收敛,若粒子群早熟收敛,则对较优粒子进行混沌优化,执行步骤(f);否则,继续步骤(c)-步骤(d),所述早熟收敛存在两个标志,包括粒子群严重聚集、最优粒子在多次迭代后无变化或者变化小;
步骤(f),对较优粒子进行混沌优化,先将全局最优极值映射到方程的定义域,再根据式进行迭代产生多个混沌变量系列,最后把混沌变量系列通过逆映射返回到优化变量的取值区间,获得多个粒子,计算每个粒子的适应度函数值,此时,得到全局最优解,该全局最优解对应的车辆配送方案为最优配送路线,同时,获得的路长总长度最短。
其中,步骤(c)粒子的编码策略为构造2m维的空间对应m个客户点的物流配送路径优化问题,每个客户点对应完成服务的车辆和该车辆在路径中的执行次序,即粒子i对应的2m维向量z分成两个m维向量zix1和zix2,zix1为服务任务的车辆编号,zix2为车辆在各客户点行驶的路径次序。
步骤(c),粒子的解码策略,具体如下,
(c1),对于服务任务的车辆编号zix1,对粒子i的向量zix1取整int(zix1),可得到配送中心分配给客户点的车辆;
(c2)对于车辆在各客户点行驶的路径次序zix2,可按照向量元素的大小顺序来确定,即首先寻找车辆h完成配送的客户点i,然后按照客户点i对应的的大小,从小到大进行排序编号,从而确定车辆h的行驶路径次序。
综上所述,本发明的基于物流配送路径优的智能优化方法,根据物流配送路径问题建立对应的数学模型,然后全局搜索速度快的粒子群算法对模型进行求解,找到物流最优配送路线,不仅能够快速找到物流配送路径最优配送路线,同时获得的路长总长度最短,有效降低物流配送成本,具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。