本发明涉及物流领域，特别是一种基于遗传算法的零售业物流配送方法。
背景技术：
物流配送，即从商品流通的经营方式看的一种商品流通方式。是一种现代的流通方式。物流配送定位在为电子商务的客户提供服务，根据电子商务的特点，对整个物流配送体系实行统一的信息管理和调度，按照用户订货要求，在物流基地进行理货工作，并将配好的货物送交收货人的一种物流方式。物流仓储配送服务已然成为中国电子商务最为核心的行业环节，能够提供一个全面完善的物流仓储配送解决方案也成为了很多中小卖家、电子商务供应商品牌商必须关注的问题。
随着人民生活水平的提高，居民对15分钟生活圈所能提供的服务越来越高，传统夫妻店、零售店等形式已经不能满足人民的需求，因此需要及时提供并更新居民周边零售店提供的物品种类，因此需要更新更有效的物流系统。
目前传统夫妻店及零售店的进货方式比较单一，没有形成统一物流配送优化，因而综合物流成本高且服务能力不佳，同时也浪费了大量的人力、燃料及时间。给这些店铺及时更新并供应商品主要集中在运输成本问题上，故零售业配送车辆的调度及路径规划方法成为其关键因素。
技术实现要素：
本发明针对上述问题，公开了一种基于遗传算法的零售业物流配送方法。
具体的技术方案如下：
一种基于遗传算法的零售业物流配送方法，其特征在于，步骤如下：
(1)建立数据库，获取每个目标配送点与相邻配送点之间的距离，输入仓库，零售点的地理信息数据，零售点各类物品的需求量数据，输入路网数据，计算仓库与零售点的最短距离，计算各个零售点的最短距离；
(2)根据仓库，零售点直接的距离，构建距离矩阵；
(3)根据配送方案得到需要的车辆数，其约束条件为每辆车配送的货物不超过其装载量；
(4)计算物流的综合成本，其综合成本包括物流车的使用费用以及所有物流车行驶过程中的燃油费；
(5)构建遗传算法；
(6)建立零售业物流的调度配送模型；
(7)初始化零售点及仓库位置信息；
(8)构建零售点及仓库位置信息；
(9)构建模型的目标函数及限制及条件，并计算适应度函数；
(10)根据遗传算法进行优化，输出物流配送方案。
进一步的，所述物流车的使用费用包括车辆使用费及货车司机工资。
相比于现有技术，本发明的有益效果为：
本发明提供一种面向零售业物流车辆配置及路径规划的多目标优化方法，同时考虑配送燃油成本、配送时间及配送使用车辆作为综合成本，使用遗传算法来进行优化解析，以期达到成本优化的目的。本发明可以利用此物流路径规划方式组织适当的配送计划及行车路线，在满足一定的约束条件下，比如客户需求量、车辆载重等，实现配送的成本最小、车辆最少等目标。
附图说明
图1为本发明遗传算法示意图。
具体实施方式
为使本发明的技术方案更加清晰明确，下面结合附图对本发明进行进一步描述，任何对本发明技术方案的技术特征进行等价替换和常规推理得出的方案均落入本发明保护范围。
一种基于遗传算法的零售业物流配送方法，包括以下步骤：
(1)建立商品数据库：数据库包括每天需要运送的各类商品需求量，假设一共有K种商品，第i个店铺所需的k种商品的体积为Vi,k。
(2)建立零售点空间地理信息库，共有m个零售点，给出其地理坐标。
(3)建立路网数据库，建立m个零售点之间的路网矩阵Di,j，指的就是零售点i到零售点j之间的距离。
(4)每辆车的装载能力为Cap_Car，计算总的车辆需求Car_num量为：INT INT函数为取整数。
(5)构建广义费用函数：其中a为每辆车每日的平均使用费用，b为每公里车辆的使用费用。
(6)对参数变量空间进行编码：采用自然数编码方式对染色体编码。0表示配送中心，由k辆车向m个客户进行配送，将模型转换成m+n+1的一条染色体。如0 1 2 0 5 6 0 3 4 0表示6位客户由3辆车进行配送，第一辆车配送到零售点点1、2，第二辆车配送到零售点点5、6，第三辆车配送到服务点3、 4。
(7)初始化：定义整数pop_size作为染色体的个数，并且随机产生pop_size 个初始染色体。在一般情况下，由于问题的复杂性，解析地产生可行的染色体是困难的。此时，可以采这两个办法作为初始化的过程，具体实施的时候依赖于决策者所提供的信息。
设决策者能够给初可行集中的一个内点，记做V0。定义一个足够大数M，以保证遗传操作可以遍及整个可行集，此大数不仅在初始化过程中使用而且在变异操作中使用。按照下面的方法产生pop_size个染色体。在空间中，随机选择一个方向d，如果V0+M d能满足不等式，则将V0+M d作为一个染色体。否则，将M置为0到M之间的一个随机数，直到V0+M d可行为止。由于V0是内点，所以在有限步内，可以找到满足不等式约束的可行解。重复上述过程pop_size次，从而产生pop_size个初始染色体V1，V2，V3，Vpop-size。
评价函数设定：F(i)＝1/f(i)，设参数集中0和0之间的点的集合为R，若则F(i)＝0
选择过程:
交叉过程：首先定义参数Pc为交叉操作的概率，这个概率说明种群中有期望为Pcpop_size个染色体来进行交叉操作。为确定交叉操作的父代，从i＝1到 pop_size重复以下的过程；从[0,1]中产生随机数r,如果r＜Pc，则选择Vi作为一个父代。用V′1,V′2,V′3,…表示上面选择的父代，并把它们随即分为下面的对：
(V′1,V′2),(V′3V′4),(V′5,V′6),…,
以(V′1,V′2)为例子来解释怎样对上面所有的对进行交叉操作。首先，从开区间 (0，1)中产生一个随机数c，然后，按下列形式在V′1和V′2之间进行交叉操作，并产生两个后代X和Y：
X＝cV′1+(1-c)V′2
Y＝(1-c)V′1+cV′2
变异过程：
定义参数Pm作为遗传系统中的变异概率，这个概率表明，总体中有期望为 Pm pop_size个染色体用来进行变异操作。
类似于交叉操作中选择父代的过程，由i＝1到pop_size，重复下列过程：从区间[0，1]中产生随机数r，如果r＜Pm,则选择染色体Vi作为变异的父代。对每一个选择的父代，用V＝(x1,x2,……，xn)表示，按照下列方法进行变异。在中随机选择变异的方向d，如果V+M·d是不可行的，那么，置M为0和M之间的随机数，直到可行为止。其中M是初始化过程定义的一个足够大的数。如果在预先给定的迭代次数之内没有找到可行解，则置M＝0。无论M为何值，总用X ＝V+M·d来代替V。
算法终止
经过选择、交叉和变异操作，得到一个新的种群，准备进行下一代进化。对上述步骤经过给定的循环次数以后，遗传算法终止。最终得到最优的配送向量V。
通过本发明提供的物流路径规划方式，选择最优的行车路线及车辆安排本发明的有益效果在于：可以利用此物流路径规划方式组织适当的配送计划及行车路线，在满足一定的约束条件下，比如客户需求量、车辆载重等，实现配送的成本最小、车辆最少等目标。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应该以权利要求书的保护范围为准。