面向大规模批量轮换任务的电能表物流调度方法及系统与流程

1.本发明涉及物流调度的技术领域，尤其涉及面向大规模批量轮换任务的电能表物流调度方法及系统。


背景技术：

2.随着数字经济的持续发展，实体经济与数字经济相互融合，电网的智能化水平显著提高。构建智能电网和智慧电力已逐渐成为当前电网企业的主要发展趋势。智慧物流作为电网企业供应链优化整合的重要组成部分，是电网企业全面迈向5g时代，推动数字孪生与电网深度融合的必经一步，因此构建数字化、经济化的智慧物流供应系统必将对物流调度模型的对象做出进一步细致化的要求。
3.电网配送较传统的货物配送调度方案不同，其具有配送范围广、配送货物数量多且种类复杂、签约承运车型异构、运输距离等复杂约束，因此跨区域的电网配送运输的核心问题是一个涉及多维复杂环境条件约束的多目标车辆路径规划问题。
4.由于面向大规模批量轮换任务的电能表物流调度具有配送数量需求大、跨区域、严格的时间要求等特点，目前物流行业亟需一种高效且智能的电能表物流调度方案，本发明在此前提下进行了方案研究和技术设计。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述现有面向大规模批量轮换任务的电能表物流调度具有配送数量需求大、跨区域以及时间要求严格等问题，提出了本发明。
7.因此，本发明目的是提供面向大规模批量轮换任务的电能表物流调度方法及系统。
8.为解决上述技术问题，本发明提供如下技术方案：
9.作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：采集运输总时间、配送费用、惩罚成本和车辆空载率数据建立大规模批量轮换任务的电能表物流调度模型；
10.通过立方混沌映射构造具有高遍历性的映射初始配送种群，并设定参数；
11.通过基本蜜獾优化算法计算每种配送方案的适应度值并将最小的适应度值作为最优适应度值；
12.根据所述最优适应度值计算种群中每个个体的气味强度得到随机数，并更新新型配送方案；
13.判断算法迭代是否陷入停滞。
14.作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：所述大
规模批量轮换任务的电能表物流调度模型包括，
15.目标函数为：
[0016][0017]
其中，∑
a＝1
、∑
i＝1
、∑
j＝1
、∑
k＝1
分别为运输总时间、配送费用、惩罚成本何车辆空载率，为型号为m的第a辆车在运送过程中的总运输费用、为车辆am的运输总时间，为车辆的总休息时间，c
am
为惩罚成本，w
am
为车辆空载率；
[0018]
目标函数计算过程中还需满足全部约束条件。
[0019]
作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：所述约束条件包括车辆发货点始发约束、车辆装载限制约束、最大日出库约束、准运证时间约束以及每个车型数量约束。
[0020]
作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：通过立方混沌映射构造具有高遍历性的映射初始配送种群，并设定参数包括
[0021]
立方混沌映射的公式如下所示：
[0022]
c(o+1)＝4c(o)
3-3y(o)-1《c(0)《1，c(o)≠0o＝0，1，2，...
[0023]
其中，c为混沌变量，设定初始蜜獾种群由nop个d维个体组成，即可初始化nop个可行配送种群；
[0024]
生成[-1，1]之间的随机数rand作为每个种群个体中的第一维度的位置；
[0025]
通过迭代的方法生成种群个体中每一维度的后续d-1个个体，并将立方映射产生的变量值映射到蜜獾种群个体中，具体公式如下：
[0026]
xc＝x
initial
(c+1)/2
[0027][0028]
其中，xc为映射初始配送种群，x
initial
为初始化维度为d的可行调度配送种群且由由立方混沌映射随机生成，t为当前迭代次数，t
max
为最大迭代次数；
[0029]
其中，设定参数包括设定搜索空间的上限up，下限down，更新密度因子α，自适应惯性因子w，当前迭代次数t，最大迭代次数t。
[0030]
作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：根据所述最优适应度值计算种群中每个个体的气味强度得到随机数，并更新新型配送方案包括，
[0031]
基本蜜獾算法在更新的过程中，通过挖掘阶段与采蜜阶段两个阶段进行算法的迭代更新；
[0032]
在挖掘阶段中，基本蜜獾算法进行全局搜索，具体公式如下：
[0033]
x
new
＝x
prey
+f
·
β
·i·
x
prey
+f
·
r1·
α
·di
·
cos(2πr2)[1-cos(2πr3)]
[0034]
其中，x
new
为蜜獾个体的新位置，x
prey
为当前全局最有位置；β为蜜獾个体获取食物的能力，r1、r2、r3和r4为[0，1]间不相等的随机数，f为改变蜜獾搜索方向参数标志，i为猎物的气味强度；
[0035]
若气味强度越高，则蜜獾的搜索速度越快；
[0036]
若气味强度越低，则蜜獾的搜索速度越慢；
[0037]
在采蜜阶段中，基本蜜獾算法进行局部搜索，具体公式如下：
[0038]
x
new
＝x
prey
+fgrand
·
α
·di
[0039]
其中，rand为[0，1]之间的随机数，f，α，di分别由挖掘优化阶段的公式进行求解得出。
[0040]
作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：判断算法迭代是否陷入停滞包括，
[0041]
若算法陷入停滞阶段，则通过精英策略进行局部范围扰动更新；
[0042]
首先将订单种群按适应度值排序，根据当前平均适应度函数值分别划分为优势种群与劣势种群，将优势订单群按照精英策略进行局部范围扰动更新，将劣势订单种群按照随机扰动的方式进行更新，具体公式如下：
[0043][0044]
其中，为下一代的蜜獾位置，为当前最优的蜜獾个体位置，ε为服从0-1的正态分布，为当代种群个体位置，为当前种群中任意蜜獾个体位置，f
average
为当前平均适应度函数值，fi为当代个体适应度函数值。
[0045]
若未停滞阶段，则根据贪婪策略选取父代订单调度种群和新生成的调度订单种群种选取优势的调度方案，构成新型配送种群；
[0046]
其中，生成新型配送种群时检查是否满足迭代条件。
[0047]
作为本发明所述面向大规模批量轮换任务的电能表物流调度方法，其中：生成新型配送种群时检查是否满足迭代条件包括，
[0048]
若t≤t
max
，则重复生成新型配送种群；
[0049]
若t＞t
max
，则输出最优订单调度方案。
[0050]
第二方面，本发明实施例提供了面向大规模批量轮换任务的电能表物流调度系统，包括，
[0051]
模型搭建模块，用于建立大规模批量轮换任务的电能表物流调度模型；
[0052]
计算模块，用于通过基本蜜獾优化算法计算每种配送方案的适应度值并将最小的适应度值作为最优适应度值，以及根据所述最优适应度值计算种群中每个个体的气味强度得到随机数，并更新新型配送方案；
[0053]
输出模块，用于判断算法迭代是否陷入停滞。
[0054]
第三方面，本发明实施例提供了一种计算设备，包括：
[0055]
存储器和处理器；
[0056]
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述面向大规模批量轮换任务的电能表物流调度方法的步骤。
[0057]
第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述面向大规模批量轮换任务的电能表物流调度方法的步骤。
[0058]
本发明的有益效果：本发明的算法收敛速度快、精度高且稳定性强，可有效提高大
规模批量轮换任务的的电能表物流调度配送效率，并降低运输成本；本发明提供的模型目标函数清晰且易于理解，决策变量及约束条件符合电能表物流运输的实际情况，可有效提高物流运输的经济收益与效率，同时实现大规模批量轮换物流调度的合理配送。
附图说明
[0059]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0060]
图1为本发明面向大规模批量轮换任务的电能表物流调度方法及系统的流程图。
具体实施方式
[0061]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0062]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0063]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0064]
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，为器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0065]
实施例1
[0066]
参照图1，为本发明的一个实施例，为提供了面向大规模批量轮换任务的电能表物流调度方法及系统，包括：
[0067]
如图1所示，本发明的步骤具体如下：
[0068]
s1：采集运输总时间、配送费用、惩罚成本和车辆空载率数据建立大规模批量轮换任务的电能表物流调度模型。应说明的是：
[0069]
大规模批量轮换任务的电能表物流调度模型目标函数为：
[0070][0071]
其中，∑
a＝1
、∑
i＝1
、∑
j＝1
、∑
k＝1
分别为运输总时间、配送费用、惩罚成本何车辆空载率，为型号为m的第a辆车在运送过程中的总运输费用、为车辆am的运输总时间，为车辆的总休息时间，24小时内两个司机总共驾车时间为16小时，即每满16小时休息8小时，c
am
为惩罚成本，w
am
为车辆空载率。
[0072]
总运输费用具体公式如下：
[0073]
[0074]
其中，am为第a辆车的型号，m为车辆型号，i为第i个发货点，j为第j个收货点，u为型号为m的车辆每公里运输单价，wami为型号为m的第a辆车从第i个发货点装载的货物吨数，wamj为型号为m的第a辆车运往第j个收货点的货物吨数，为第am辆车从第i个发货点装载的k种表记物资的数量，l
ij
为从第i个发货点到第j个收货点的路径，ωk为第k种表记物资单位重量，l
jj
′
为从第j个收货点到第j
′
个收货点的路径；
[0075]
运输总时间具体公式如下：
[0076][0077]
其中，tami为型号为m的第a辆车在第i个发货点的出货时间，tam
ij
为型号为m的第a辆车从第i个发货点到第j个收货点的路程时间，∑tam
jj
′
为型号为m的第a辆车从第j个收货点到第j
′
个收货点的总路程时间，型号为m的第a辆车在第j个收货点的总入库时间。
[0078]
总休息时间具体公式如下：
[0079][0080]
惩罚成本c
am
，具体公式如下：
[0081]cam
＝∑
a＝1
β
am
×
ε；
[0082]
其中，∑
a＝1
β
am
为车辆am的空载率是否超过5％的所有车辆总数，ε为每辆车空载率超过5％的惩罚代价。
[0083]
车辆空载率w
am
，具体公式如下：
[0084][0085]
其中，wam
max
为车辆最大装载量，wami为当前车辆的装载率。
[0086]
目标函数计算过程中还需满足全部约束条件。
[0087]
约束条件包括车辆发货点始发约束、车辆装载限制约束、最大日出库约束、准运证时间约束以及每个车型数量约束。
[0088]
车辆发货点始发约束：为车辆只能从一个发货点装载始发。
[0089]
车辆服务人数约束：为一辆车最多只能服务3个客户。
[0090]
车辆装载限制约束：为车辆am装载重量限制，由车辆自身性能所决定。
[0091]
其中，ωam
min
、ωam
max
为车辆am的最大和最小装载重量。
[0092]
最大日出库约束：为配送中心发货点i的日出货上限，由仓库结构、工作人员和工作时间所决定。
[0093]
其中，为第i个发货点的日总计装载量，wi为第i个发货点的最大日出库量。
[0094]
准运证时间约束：为运输时间限制，由收货点所决定，其中timej为车辆am从生产发货点i到收货点j的最大时间。
[0095]
车型数量约束：为第i个发货点车型为m的数量，为第i个发货点车型为m的车辆数量总数。
[0096]
s2：通过立方混沌映射构造具有高遍历性的映射初始配送种群，并设定参数。应说明的是：
[0097]
通过立方混沌映射构造具有高遍历性的映射初始配送种群，并设定参数包括
[0098]
立方混沌映射的公式如下所示：
[0099]
c(o+1)＝4c(o)
3-3y(o)-1《c(0)《1，c(o)≠0o＝0，1，2，...
[0100]
其中，c为混沌变量，设定初始蜜獾种群由nop个d维个体组成，即可初始化nop个可行配送种群。
[0101]
生成[-1，1]之间的随机数rand作为每个种群个体中的第一维度的位置。
[0102]
通过迭代的方法生成种群个体中每一维度的后续d-1个个体，并将立方映射产生的变量值映射到蜜獾种群个体中，具体公式如下：
[0103]
xc＝x
initial
(c+1)/2
[0104][0105]
其中，xc为映射初始配送种群，x
initial
为初始化维度为d的可行调度配送种群且由由立方混沌映射随机生成，t为当前迭代次数，t
max
为最大迭代次数。
[0106]
其中，设定参数包括设定搜索空间的上限up，下限down，更新密度因子α，自适应惯性因子w，当前迭代次数t，最大迭代次数t。
[0107]
s3：通过基本蜜獾优化算法计算每种配送方案的适应度值并将最小的适应度值作为最优适应度值。
[0108]
s4：根据最优适应度值计算种群中每个个体的气味强度得到随机数，并更新新型配送方案。应说明的是：
[0109]
基本蜜獾算法在更新的过程中，通过挖掘阶段与采蜜阶段两个阶段进行算法的迭代更新。
[0110]
在挖掘阶段中，基本蜜獾算法进行全局搜索，具体公式如下：
[0111]
x
new
＝x
prey
+f
·
β
·i·
x
prey
+f
·
r1·
α
·di
·
cos(2πr2)[1-cos(2πr3)]
[0112]
其中，x
new
为蜜獾个体的新位置，x
prey
为当前全局最有位置；β为蜜獾个体获取食物的能力且取值大于1，r1、r2、r3和r4为[0，1]间不相等的随机数，f为改变蜜獾搜索方向参数标志，i为猎物的气味强度。
[0113]
若气味强度越高，则蜜獾的搜索速度越快。
[0114]
若气味强度越低，则蜜獾的搜索速度越慢。
[0115]
α为密度因子，保证了算法从全局搜索至局部搜索间的平稳过渡，数学模型如下所示：
[0116][0117]
[0118][0119]
其中，f为改变搜索方向的标志，c为常数，t为当前迭代次数，t
max
为迭代总数，ii为种群中每个蜜獾的气味强度，s为源强度，di为当前全局最优位置与当前蜜獾个体的位置间的相对距离，
[0120]
源强度s与相对距离di的数学计算公式如下：
[0121]
s＝(x
i-x
i+1
)2[0122]di
＝x
prey-xi[0123]
在采蜜阶段中，基本蜜獾算法进行局部搜索，具体公式如下：
[0124]
x
new
＝x
prey
+fgrand
·
α
·di
[0125]
其中，rand为[0，1]之间的随机数，f，α，di分别由挖掘优化阶段的公式进行求解得出。
[0126]
s5：判断算法迭代是否陷入停滞。应说明的是：
[0127]
若算法陷入停滞阶段，则通过精英策略进行局部范围扰动更新。
[0128]
首先将订单种群按适应度值排序，根据当前平均适应度函数值分别划分为优势种群与劣势种群，将优势订单群按照精英策略进行局部范围扰动更新，将劣势订单种群按照随机扰动的方式进行更新，具体公式如下：
[0129][0130]
其中，为下一代的蜜獾位置，为当前最优的蜜獾个体位置，ε为服从0-1的正态分布，为当代种群个体位置，为当前种群中任意蜜獾个体位置，f
average
为当前平均适应度函数值，fi为当代个体适应度函数值。
[0131]
若未停滞阶段，则根据贪婪策略选取父代订单调度种群和新生成的调度订单种群种选取优势的调度方案，构成新型配送种群。
[0132]
其中，生成新型配送种群时检查是否满足迭代条件t≤t
max
；
[0133]
生成新型配送种群时检查是否满足迭代条件包括，若t≤t
max
，则重复生成新型配送种群。
[0134]
若t＞t
max
，则输出最优订单调度方案。
[0135]
本实施例还提供面向大规模批量轮换任务的电能表物流调度系统，包括：
[0136]
模型搭建模块，用于建立大规模批量轮换任务的电能表物流调度模型。
[0137]
计算模块，用于通过基本蜜獾优化算法计算每种配送方案的适应度值并将最小的适应度值作为最优适应度值，以及根据最优适应度值计算种群中每个个体的气味强度得到随机数，并更新新型配送方案。
[0138]
输出模块，用于判断算法迭代是否陷入停滞。
[0139]
本实施例还提供一种计算设备，适用于面向大规模批量轮换任务的电能表物流调度方法的情况，包括：
[0140]
存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的面向大规模批量轮换任务的电能表物流调度方法。
[0141]
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0142]
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现面向大规模批量轮换任务的电能表物流调度方法。
[0143]
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
[0144]
实施例2
[0145]
为本发明的另一个实施例，提供了面向大规模批量轮换任务的电能表物流调度方法及系统的验证测试，对本方法中采用的技术效果加以验证说明。
[0146]
将本发明方法与粒子群算法(pso)，遗传算法(ga)，差分进化算法(de)进行对比，测试数据为仿造的云南省内电能表运输任务，总线路为10条，车型为3种，进行20次仿真实验，实验结果结果如下表：
[0147]
表1：4个算法总配送网络平均指标值的各项实际指标值。
[0148][0149]
可以看出，本发明相比于其他3种方法，在储存成本中分别降低了3.9％，8.2％，4.5％，在平均作业时间上分别降低了15.4％，8.5％，12.7％，在配送路径长度上平均降低了14.3％，7.4％，11.7％。
[0150]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。