基于精英驱动粒子群算法的快递配送路线优化方法与流程

本发明属于机器学习、物流技术领域，提出一种使用改进的粒子群算法寻找最优快递配送路线的模型，可以快速有效的找到最佳的配送方案，以此帮助快递企业实现快捷高效配送服务。

背景技术：

高效的配送是快递企业生存和发展的前提。在电子商务蓬勃发展的今天，仅仅一个城市快递企业每日需要配送的货物就数以百万计。不合理的配送路径将为企业带来巨大的损失。利用计算机技术合理的规划配送路径，是快递企业实现快捷高效配送服务的必然选择。然而，路径规划是一个复杂的多目标任务，既要考虑配送成本，又要考虑客户满意度，需配送货物的不同要求也要考虑在内，如生鲜水果要加急配送而易碎物品需谨慎运输。面对如此复杂的一个多目标优化问题，仅仅给出一套规划方案是不合适的。给出多套基于不同角度考察配送问题的可行方案及备选方案供企业选择，是一个理想的快递管理系统应当具备的功能。

近年来，计算机技术飞速发展，kennedy和eberhart在1995年提出的粒子群优化算法(pso,particleswarmoptimization)是一种基于种群的演化计算算法。由于该算法概念简单、易于实现且计算开销小的特点，在过去的20年中它吸引了很多学者和研究人员的注意力。面对复杂的优化问题时，pso已经被证明是有效且强大的。如今，pso已经成功的广泛应用于多个领域，如电力系统、工程设计、神经网络等。

利用pso算法可以有效的完成多目标寻优任务。它会综合考虑上述快递配送路径规划中的各个影响因素，快捷高效的寻求最优方案。但是，传统的pso算法容易产生早熟收敛(尤其是在处理复杂的多峰搜索问题中)且局部寻优能力较差。pso算法陷入局部最小，主要归咎于种群在搜索空间中多样性的丢失，及种群中各个粒子均向全局最优粒子靠拢，从而陷入了局部最优解。为此，需要对传统pso算法的学习模型进行改进，增加种群的多样性，同时尽可能的降低算法复杂度，使其更好的解决配送路径寻优问题。

技术实现要素：

为了解决现有技术存在的问题，本发明提出一种基于精英驱动粒子群算法(particleswarmoptimizationdrivenbyelite,pso-ed)的快递配送路线优化方法。

本发明的技术方案：

步骤1、设置快递端参数，所述快递端参数包括集散点信息、配送点信息、快递内容信息和运输工具；

步骤2、从第三方的电子地图供应商获取路网数据；

具体的，步骤2中的路网数据包括交通线路位置、道路物理几何特征、历史交通数据和道路收费信息，对应的，步骤5中的配送方案的搜索空间包括基于枚举法处理的交通路线位置、道路物理几何特征、历史交通数据、道路收费信息、基本配送任务、约束条件和优化目标。路网数据、运输工具、集散点及配送点等信息将被系统自动量化为离散的数字信息。

步骤3、获取订单数据，并根据订单数据生成基本配送任务和约束条件；

具体的，步骤3中的订单数据包括：需快递的物品类型、订单要求、物品总重量以及目的地。订单输入模块主要用于获取订单信息，包括：根据顾客的要求生成的时间约束条件；根据物品的类型生成交通工具约束条件及是否需要谨慎处理此快递(如含有锂电池的电子设备无法空运，易碎物品需要轻拿轻放、不能随意堆放及陆运时不能走颠簸的道路)等。

步骤4、从预设的优化目标集合中确定至少一种优化目标，并将优化目标在适应度函数中呈现，得到需要优化的目标函数；优化目标包括：成本最低、时间最短、营业点及时派送；

步骤5、基于枚举法处理步骤2中路网数据、步骤3中基本配送任务及约束条件，以获取配送方案的搜索空间。所述搜索空间包括运输路线、运输工具、集散点、配送点；配送员配送路线；

步骤6、基于需优化的目标函数用精英驱动粒子群算法寻找最优解，具体过程如下：

以步骤4所选择的优化目标对需要优化的目标函数的各部分权重进行调整，如优化目标为时间最短时，则表示时间的部分的权重将会增大，含有三个优化目标的优化函数可以表示为：

f(x)＝αf(x)+βg(x)+γh(x)(1)

其中f(x)为成本模块，g(x)为时间模块，h(x)为营业点即时派送模块。然后利用精英驱动粒子群方法寻找最优解，精英驱动粒子群方法公式如下：

其中，t为迭代计数，及时间步；c1，c2，c3是学习因子，即调整社会学习、邻里学习、自我学习的偏向权重；r1，r2，r3是服从[0,1]区间内均匀分布的随机数，使得搜索过程具有随机性，更能覆盖整个搜索空间；w表示惯性权重，指当前时间步的速度继承上一时间步速度的多少；x为各个粒子的位置，每个粒子的位置都代表着一条快递路线信息，所述快递路线信息包括运输路线、运输工具、集散点、配送点和配送员配送路线；v是粒子各自的速度，由于每一次迭代的时间步长均为1，即可以认为是粒子的位移量，在该位移量的驱使下粒子由当前的解跳转至另一个解；i，j分别是粒子标号以及维度标号；gbest为当前所有粒子搜索到的最优的位置，即全局最优粒子；pbest为当前各个粒子搜索到的最优的位置，nbest为当前粒子的各个邻居搜索到的最优的位置，即邻域最优粒子。

ggr与ngr为全局最优粒子与邻域最优粒子对每个粒子的引力系数，具体计算公式如下：

其中，dist代表当前粒子分别与全局最优粒子与邻域最优粒子的距离。distgmax是整个搜索空间的最大欧式距离，distnmax是邻域最优粒子所能影响的最大距离，每个维度的最大、最小搜索位置由被量化的路网信息给出：

distnmax为邻域最优粒子的影响范围，引力系数与粒子间距离的平方成反比，而这也符合牛顿对万有引力的计算，同时公式(4)(5)计算出的引力系数总是一个在区间[0.5,1]间的数。

本发明的有益效果：本发明通过设置快递端参数以确定运输的前置条件，通过电子地图获取路网数据以获取现有的路径信息，根据订单数据、配送要求来制定用于限定物流方案的约束条件，通过枚举法来确定配送方案的解的空间，最后通过pso-ed搜索出满足各个需求的最优物流配送计划。

附图说明

图1是本发明的流程示意图。

图2是pso-ed中引力系数的示意图。

图3是一则模拟快递优化路线实验示意图。

具体实施方案

根据以上对各个步骤的具体说明，我们在采集到的路网信息上对输入的快递配送需求进行模拟，并对比了本发明所提出的精英驱动粒子群搜索算法与传统粒子群搜索算法的性能优劣。路网信息包括北京、河北及山东的详细路网信息。北京部分地区路况拥堵，快递发往山东若走陆运则需通过收费的高速公路并经过河北，而因北京距山东部分地区较远则可能会选择空运，因此我们选择了在这三个地区上进行仿真实验。我们模拟了200个快递运输路线，包括普通物件、无法空运的电子产品、易碎物件、高价值产品等，并随机为这些快递分配了一种或多种优化目标。

下面是一则具体的仿真实验，详见图3。

步骤1、设置快递端参数，所述快递端参数包括集散点信息、配送点信息、快递内容信息和运输工具；快递端参数由工作人员在采集完客户的寄件信息后录入系统；集散点、配送点信息动态更新，以防止配送点有过多快递而无法及时配送完毕，它们的位置信息都已在电子地图上被标注；物品信息包括物品的体积、重量及类型，其中各种物品的类型信息都事先存储在了系统中，对应着它们各自的特征数据，如易碎、易潮或因一些原因限制运输工具或道路选择等，体积和重量信息也同样会限制运输工具(需考虑车辆或飞机的限重、限高、容量等因素)。参数录入后，后台将返回此订单的订单编号；

步骤2、从第三方的电子地图供应商获取路网数据；路网数据通过网络地图提供商(第三方，如高德地图)开放的接口，系统直接接入，当需要计算某一段路程的行进时间，其具体路段的长度和对应时刻的交通通行情况作为外部初始参量数据接入并计算。各个营业点的快递都会被运输车运送到各个城市的集散点，然后根据目的地的不同与系统给出的运输工具的不同被分拣，此处，系统还会考虑到每一个车次/航班是否被有效利用，即是否已经尽可能多的运输快递包裹。当某个车次/航班利用率不足时，会将高优先级的快递包裹先行运往下一个集散点，而低优先级的包裹则等待至次日与次日的包裹一起运输，而此时会因为时间的原因它们的优先级会相应的被提高。

步骤3、获取订单数据，并根据订单数据生成基本配送任务和约束条件。如步骤1中营业员提交完快递端参数，后台将自动。如图3中的基本配送任务为：快递从北京市海淀区北京外国语大学菜鸟驿站寄往山东省枣庄市台儿庄区中医院，包裹重量2kg，包裹大小为0.1×0.1×0.1m³。约束条件为：易碎物品、次日到达、高价值物品。

步骤4、从预设的优化目标集合中确定至少一种优化目标，本实施例确定的优化目标为时间最短，并将优化目标在优化函数中呈现，本例中即提高参数β的大小，于是将α和γ设置为1，β设置为5，优化函数即为：

f(x)＝1×f(x)+5×g(x)+1×h(x)(7)

步骤5、根据上述步骤中已获取的路网数据、基本配送任务及约束条件，后台将根据枚举法生成配送方案的搜索空间。所述搜索空间包括运输路线、运输工具、集散点、配送点、配送员配送路线；

步骤6、在获取搜索空间后，利用pso-ed算法初始化粒子参数并进行迭代，尝试寻找全局最优解。此过程的时间开销受问题的复杂程度影响，因此可以人为的设置一个上限求解时间，或在求解过程中手动终止并输出当前得到的最优方案。本组实验中我们设置单任务的求解上限时间为10秒。

当派送员收到多个派送任务后，系统也将会生成最优的派送路线。

仿真结果表明基于精英驱动粒子群算法的快递路线优化较基于传统粒子群算法的快递路线优化具有更好的寻优性能并且在迭代次数相同的情况下，这两种算法时间开销近似。由于引入了引力系数，精英驱动粒子群算法的收敛速度提高了30％，并且在每一个快递的路线优化任务中，精英驱动粒子群算法算法寻找到的最优解的评分都大于等于传统粒子群算法算法寻找到的最优解。因此，本发明可以有效地处理递路线优化问题，寻找到更好的快递路线。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。