一种用于多车场配送的路径规划方法与流程

本发明涉及数据处理系统领域，尤其涉及一种用于多车场配送的路径规划方法。

背景技术：

1、车辆路径规划问题自被提出以来就是运筹学与组合优化问题的研究前沿与热点。典型的车辆路径规划问题(vehicle routing problem，vrp)指的是：对一系列发货点和收货点，调用不超出现有数量的车辆，求解合适的行车路线，使该行车路线在满足车辆配重，车辆行驶里程等约束条件下，争取更小消耗，例如总里程数、总运输费用等。早期求解路径规划主要集中在精确解的研究，即通过数学的方法处理模型，得到问题的最佳解，代表算法有分支定解法，网络流算法。后续研究中，为了平衡求解质量和求解时间，更多集中于研究启发式算法和智能算法。代表算法为禁忌搜索算法，蚁群算法，遗传算法等。vrp在求解难度上属于典型的np问题，当问题超出一定规模后，求出精确最佳解需要耗费大量资源，或者不可能实现。

2、例如，一种在中国专利文献上公开的“基于地理位置的物流配送路径规划方法和系统”，其公告号：cn1051844412a，包括：获取配送中心和各需求点的地理位置、配送中心和各需求点之间以及任意两个需求点之间的最短实际距离；根据各需求点的地理位置将各需求点划分进不同分区；根据节约里程数确定每一分区内的以配送中心为起止点，各需求点为目标点的配送路径；节约里程数为节约的最短实际距离。但是该技术方案采用区域划分的方法解决多车场问题并不能保证区域内车场送货能力覆盖收货点需求；后端的节约算法偏向求解速度，针对同一问题的求解路径单一，无法调优。

3、例如，一种在中国专利文献上公开的“一种基于布谷鸟算法的带时间窗的物流配送路径规划方法”其公告号：cn109034468a，包括，具有如下步骤：首先根据拟解决的带时间窗的物流配送车辆路径规划问题建立客户数据模型，设置需求点数据并计算需求点两两之间的直线距离；根据物流配送的实际需求建立一种如果早于时间窗到达则增加时间成本惩罚，晚于时间窗则另派其他车辆配送的vrptw模型来提高服务质量；调用布谷鸟算法迭代寻找最优配送顺序；最后得到所需车辆数，每台车的配送路径，目标函数值等结果输出完成路径规划。但是上述方案采用的布谷鸟算法为群体智能算法的一种，存在迭代进度过慢，容易陷入局部最优的缺点。

技术实现思路

1、本发明是为了克服现有技术的物流路径规划求解路径单一无法调优，算法迭代进度过慢容易陷入局部最优的问题，提供一种结合聚类算法、节约算法以及遗传算法的用于多车场配送的物流路线规划方法，提高求解效率，保持高的求解精度，起到降低运输成本，提高生产效率的目的。

2、为实现上述目的，本发明采用以下技术方案：

3、一种用于多车场配送的物流路线规划方法，包括如下步骤：

4、步骤s1：获取当前收货点的坐标数据、发货点的坐标数据以及对应货物的配送信息；

5、步骤s2：采用k-means聚类算法，选取发货点为初始质心，更新迭代选择离质心最近的车场为该发货点的配送车场，构成单车场问题；

6、步骤s3：结合节约算法，计算单车场问题的若干路线两两之间的节约值，合并满足合并条件的路线，输出合并后的剩余路线；

7、步骤s4：将剩余路线输入遗传算法，设定分别与负载、时间窗、路线长度和车辆个数相关的惩罚函数，基于惩罚函数配置最优目标，迭代输出符合最优目标的最优路线。采用聚类算法对多车场配送问题中初始车场进行选取，将多车场问题转化为单车场问题。通过节约算法求解路径规划，作为遗传算法的初始种群，采用遗传算法对含时间窗的路径规划问题求解。基于多种惩罚函数构建优化目标，对多车场路径规划问题进行快速求解,并保持较高的求解精度，实现降低运输成本，提高生产效率的目的。

8、作为优选，步骤s2包括如下细分步骤：

9、步骤s21：根据当前收货点的坐标数据和发货点的坐标数据计算距离矩阵；

10、步骤s22：选取发货点为初始质心，利用步骤s21中所述的距离矩阵，对每个发货点分类并计算更新后的质心；

11、步骤s23：重复迭代步骤s22直至质心位置保持恒定，选取此时的收货点分类作为各个车场的配送点，选取离质心最近的车场作为配送车场；

12、步骤s24：将分配车场后的每个车场的车辆路线规划问题分别构成单车场问题。

13、进一步地，所述距离矩阵可采用欧式距离和链接地图api求解两点间的实际距离中的一种。

14、作为优选，所述步骤s3包括如下细分步骤：

15、步骤s31：生成单车场问题中配送n个送货点的n条路线；

16、步骤s32：计算两两送货点之间的节约值并排序，构成节约矩阵；

17、其中，节约值sij满足如下关系：

18、sij＝di0+dj0-dij；

19、其中，0代表配送中心；i，j代表送货点；dij代表送货点i到送货点j之间的距离；

20、步骤s33：按照节约值从大到小依次排序，判断是否满足合并条件，合并满足合并条件的路线；

21、步骤s34：重复步骤s33直到任意两条路线都无法合并为止，输出此时的剩余路线作为初始解。节约值越大，说明两路线合并后总距离缩减越大。

22、进一步地，所述获取初始解具体为：

23、步骤ss1：设定n为第n大距离节约值的位置，n的初始值为1；

24、步骤ss2：将每个收货点分配给一辆车；

25、步骤ss3：计算融合每两个路径的距离节约值；

26、步骤ss4：将当前节约值最大的两条路径融合；

27、步骤ss5：更新距离节约值，通过将路径上只有一个收货点的收货点插入到其它路径上；

28、步骤ss6：将节约值最大的两条路径融合；

29、步骤ss7：设定n＝1；

30、步骤ss8：判断融合后的路径上车辆所运输的货物总载重量是否超过该车辆的额定容量，若是则执行步骤ss9，若否则返回步骤ss5；

31、步骤ss9：执行n＝n+1；

32、步骤ss10：将节约值第n大的两条路径融合；

33、步骤ss11：判断是否还存在某条路径上只有一个收货点的情况，若是则返回步骤ss5；若否则执行步骤ss12；

34、步骤ss12：输出每辆车所经过的收货点序号。快速生成初始解，提高路径规划求解效率。

35、作为优选，所述步骤s4包括如下细分步骤：

36、步骤s41：将剩余路线输入遗传算法，采用真值编码格式对发货点和收货点进行编码，输出编码形式的初始解；

37、步骤s42：设定负载惩罚函数、时间窗惩罚函数、路线长度惩罚函数和车辆个数惩罚函数四个惩罚函数，将所述四个惩罚函数施加对应权重之后汇总为评价函数；

38、步骤s43：通过遗传算法进行交叉变异，对子代编码结尾进行补零，通过锦标赛筛选法筛选出评价函数得分较高的个体进行循环迭代，经过迭代设定轮数后输出当前最优解的路线信息。负载惩罚函数对不满足车辆负载要求的个体进行惩罚。时间窗惩罚函数采用软时间窗惩罚方式，允许个体错过时间窗，通过左右时间窗惩罚权重控制惩罚力度。时间窗惩罚权重增大时，软时间窗逐渐退化成硬时间窗惩罚方式。路线长度惩罚函数计算个体对应收货点配送路线的总距离，总距离越大，惩罚力度越大。车辆个数惩罚函数计算路线所需车辆个数，偏好选择车辆数较少的个体。通过调整评价函数中的各个惩罚函数的权重，可实现单一惩罚函数作为遗传算法总适应度的目标，例如路程最短或者配送时间优先。

39、作为优选，所述k-means聚类算法、节约算法和遗传算法的解均采用如下约束条件约束：

40、收货点车辆约束：所有到达收货点i的车辆数等于所有离开收货点i的车辆数；

41、车辆配送约束：对于单一收货点，有且只有一辆车辆配送；

42、路线约束；对于单一收货点，只有一条路线经过；

43、车辆载重约束：单个车辆经过的路线中所有收货点的货物需求量之和不大于该车辆的额定载重；

44、车辆数目约束：从配送中心发出的车辆数目不大于配送中心所拥有的车辆数目。

45、进一步地，收货点车辆约束的公式表达为：

46、

47、车辆配送约束的公式表达为：

48、

49、路线约束的公式表达为：

50、

51、车辆载重约束的公式表达为：

52、

53、车辆数目约束的公式表达为：

54、

55、其中，d表示收货点集合；k表示配送车辆集合；o表示送货点；c表示车辆行驶单位距离成本；qi表示收货点i的需求量；q表示配送车辆的额定载重。

56、作为优选，步骤s43中所述的通过遗传算法进行交叉变异，对子代编码结尾进行补零包括：

57、交叉：确定父代1,2两个体，随机选择父代1中一条车辆路线保留信息，并前置所选路线；父代1所选车辆路线作为子代a的一部分，列在子代a编码的开头，剩余未包含在子代的收货点编号由父代2按编号顺序填充，并在后续为结尾补零；

58、计算变异前的路线的评价函数得分和变异后路线评价函数得分，比较变异前和变异后的评价函数得分，接受评价函数变异后高于变异前的路线；概率接受评价函数变异后低于变异前的路线；更新更新当前个体为经邻域搜索变异后的解。交叉操作目的为在保留父辈部分基因片段的情况下，发现比父辈优秀的个体，更新种群。变异部分采用自适应邻域搜索的方式，定向搜索优秀个体，为保证变异程度足够跳出局部最优，设计多种破坏和修复算子，并通过迭代更新选择算子选择概率。

59、进一步地，补零操作具体为：在子代a补充信息中的每个收货点后插入0.计算路线适应度，取最高适应度的个体，得出子代a的编码。

60、变异具体为：采用破坏算子当前解进行破坏，破坏算子可设计随机破坏，贪婪破坏等算子；

61、修复算子同样设计多种算子，并以当前概率选择修复算子进行解的修复。

62、作为优选，所述概率接受评价函数变异后低于变异前的路线包括：对于当前选择算子，进行评价函数中的权重增加操作。提高下次迭代时选择该算子的概率，达到自适应更新概率的目的。

63、作为优选，步骤s43中所述的通过锦标赛筛选法筛选出评价函数得分较高的个体进行循环迭代，经过迭代设定轮数后输出当前最优解的路线信息包括：

64、随机抽取种群中若干个体，选择其中评价函数得分较高的n个个体放回种群，重复若干次，直到种群达到原来规模；

65、每轮迭代过程判断当前迭代轮数是否满足设定轮数，若当前迭代轮数达到设定轮数，则退出迭代，输出当前最优解的路线信息。

66、作为优选，所述设定轮数为预先设定迭代轮数值或者设定方差阈值中的一种；当设定轮数为设定方差阈值时，当方差小于设定方差阈值时，退出迭代。

67、作为优选，所述货物的配送信息包括：发货点车辆载重，发货点车辆最大行驶里程数据，收货点需求、时间窗数据和路线优化目标。

68、因此，本发明具有如下有益效果：(1)采用k-means聚类算法，判定每个收货点所属车场，将多车场问题转化为单车场，并对算法聚类结果进行判定，使各车场分配收货点满足约束。(2)为快速生成初始解，采用节约算法求解路径规划，结果作为遗传算法初始种群。(3)在遗传算法变异阶段，采用邻域搜索的方法，增加遗传算法定向搜索能力，提高路径规划求解效率。(4)设计多种变异算子，使算法在迭代过程中自适应更新选择概率，增强求解效果。