一种基于混合灰狼粒子群算法的车辆路径规划方法

本发明属于路径规划，具体涉及一种基于混合灰狼粒子群算法的车辆路径规划方法。

背景技术：

1、随着现代物流配送系统的建立和电子商务的快速发展，传统的车辆路径规划问题（vrp）很难适应高效准时的配送要求。带时间窗的车辆路径规划（vrptw）与vrp相比，更符合现实的配送流程，但求解的过程也更加复杂。

2、在实际生活的配送过程中，如果只考虑成本，可能会产生反效果，因此需要考虑客户满意度，若运输成本最小且对于客户满意度最高，则可以实现企业与客户的双赢，提高服务质量。

3、智能启发式算法对于求解vrptw问题有着一些优势，引起了不少专家学者的关注，比如遗传算法、粒子群算法和蚁群算法等。以上算法均对vrptw的求解进行了一定程度的探究，但是遗传算法易早熟收敛，蚁群算法易陷入局部最优，粒子群算法不能直接应用于离散空间。目前尚没有哪种算法在求解vrptw问题上存在绝对优势，因此寻找能有效求解该问题的智能算法仍有重要的现实意义。

4、灰狼优化算法是mirjalili等提出的元启发式算法，它源于对于灰狼种群制度的模仿。该算法原理简单、参数设置少和容易实现等特点，但不能用于离散空间且易陷入局部解。因此，如何让灰狼算法应用于离散空间并避免陷入局部解也是一个需要考虑的问题。

技术实现思路

1、本发明的目的在于克服现有方法的不足，提供一种基于混合灰狼粒子群算法的车辆路径规划方法，解决了双目标带时间窗的车辆路径规划中，运输总成本高和客户满意度不高的问题。

2、技术方案：本发明提供一种基于混合灰狼粒子群算法的车辆路径规划方法，包括以下步骤：

3、s1确认配送中心、配送车辆数量、各个车辆的容量约束、总配送距离以及选择多个任务点；

4、s2采用gwopso算法求解多目标带时间窗车辆路径规划，进而得到最终的规划路径以及车辆的分配情况；

5、所述gwopso算法包括以下步骤：

6、s21设置算法参数，主要包括种群大小n、最大迭代次数maxt、外部存档数目 a、划分网格数量 b；

7、s22采用最短距离规则和最大满意度规则来实施种群的初始化，并对种群个体进行编码操作和计算目标函数值，然后将这些个体加入到外部存档中，最后刷新外部存档；

8、s23采用多策略方式从外部存档中选出3个最优个体、和；

9、s24采用灰狼算法或粒子群算法对种群中的所有个体进行更新，将更新后的个体并入外部存档中，并刷新外部存档；

10、s25选择外部存档中最优的一些个体进行局部搜索，并将得到的新个体并入外部存档，然后刷新外部存档；

11、s26如果算法的迭代次数小于最大迭代次数，则转到步骤s23进行循环运算；否则，转到步骤s27；

12、s27随机从外部存档中选择一定比例的个体进行全局搜索，并将全局搜索得到的新个体并入外部存档，然后刷新外部存档；

13、s28输出外部存档中特定数目的最优个体对应的车辆路径规划方案。

14、进一步的，包括：

15、所述最短距离规则为：当前车辆从配送中心出发，将满足当前车辆容量约束并能在规定时间窗口内服务的任务点记录下来，且最短距离服务原则为：选择距离最小的任务点作为下一个被服务的任务点，当当前车辆的剩余容量不满足下一个任务点的需求时，当前车辆将返回配送中心，配送中心将派遣新车辆，所述新车辆继续按照上述的最短距离服务原则对任务点进行服务，直到所有任务点被服务。

16、所述最大满意度规则为：车辆从配送中心出发，将满足车辆容量约束并能在规定时间窗口内服务的任务点记录下来，且满意度最大服务原则为：选择满意度最大的任务点作为下一个被服务的任务点，当车辆的剩余容量不满足下一个任务点的需求时，车辆将返回配送中心，配送中心将派遣新车辆，继续按照上述的满意度最大服务原则对任务点进行服务，直到所有任务点被服务。

17、进一步的，包括：

18、所述目标函数为：

19、；

20、其中，ct表示车辆违反时间窗口的成本，cu表示车辆启用成本，cd表示车辆的运输成本，i表示任务点的数量，为第 i个任务点用户的满意度，为总成本，为用户的总满意度。

21、进一步的，包括：

22、所述刷新外部存档为取出外部存档中所有的个体，组成一个解集合，然后从这个解集合中按照解对应的目标函数值选取所有的非劣解组成非劣解集合，并根据非劣解集合中各个解的密度进行排序，密度小的解排在前面，最后选择排在非劣解集合前面的 a个解保存到外部存档中。

23、进一步的，包括：

24、所述步骤s23具体包括：

25、s231利用网格技术对外部存档中的个体进行区域划分，将双目标形成的二维空间划分为多个网格，并计算每个个体的网格坐标；

26、s232计算个体的拐点距离和加权分布距离；

27、其中，拐点距离计算方法为：根据外部存档中的2个极端个体，确定一条直线，后计算外部存档每个个体距离该直线的距离；

28、个体的加权分布距离计算公式如下：

29、；

30、其中，m为目标函数的个数，为个体在第 m维度上的目标函数值；

31、s233采用距离最大策略或加权分布距离最大策略来选择最优个体，即：则从两个极端个体所在网格，分别选取网格中拐点距离值或加权分布距离值中最大的个体为最优个体和，并选择外部存档中拐点距离值或加权分布距离值最大的个体为最优个体。

32、进一步的，包括：

33、步骤s24中，对种群中的所有个体进行更新包括：按一定概率选择灰狼算法或粒子群算法为来更新种群中所有个体。

34、采用的灰狼算法更新个体过程为：

35、若当前迭代次数为 t，则种群中的每个个体对应一头狼，设狼群的个数为种群数目n，每头狼的位置为，并指定、和狼为步骤s23选择的3个最优个体、和，它们的位置分别为；

36、计算第 i头狼与、和狼的距离：

37、；

38、然后计算第 i头狼向、和狼移动的趋势项：

39、；

40、式中，，和为[0,1]上的随机数， j=1,2,3；

41、则第 i头狼的位置更新为：

42、；

43、采用的粒子群算法更新个体公式如下：

44、；

45、；

46、；

47、其中，表示第 i个个体第 t次迭代时的速度，和为学习因子； t为当前迭代次数， maxt为算法最大迭代次数，为惯性系数，选0.4，选0.9；、和为步骤s23选择的3个最优个体、和的位置，为第 i个个体更新后的位置。

48、进一步的，包括：

49、所述步骤s25具体包括：

50、s251选择外部存档中最优的3个个体，对这些个体的编码进行映射，得到对应的车辆路径；

51、s252对于最优个体对应的路径，先进行路径内部局部搜索操作，搜索次数为任务点数目，再进行路径间局部搜索操作，搜索次数为两条路径中最多的任务点数目，若局部搜索得到的路径优于原路径，则代替原路径；

52、s252将局部搜索得到的个体并入外部存档，然后刷新外部存档。

53、进一步的，包括：

54、所述路径内部局部搜索操作包括：

55、1）选取1条路径r1，随机交换路径内2个任务点的位置；

56、2）选取1条路径r1，随机选择2个任务点，将2个任务点间的路径进行逆转；

57、3）选取1条路径r1，随机选择一个任务点，将其插入到其它任务点前；

58、所述路径间局部搜索操作包括：

59、4）选取2条路径r1和r2，分别在r1和r2中随机选择任务点和，交换和；

60、5）选取2条路径r1和r2，在r1中随机选择2个连续任务点和，在r2中随机选择任务点，将和插入到前；

61、6）选取2条路径r1和r2，在r1中随机选择2个连续任务点和，在r2中随机选择2个连续任务点和，交换、和、；

62、7）选取2条路径r1和r2，在r1中随机选择2个连续任务点和，在r2中随机选择任务点，交换、和。

63、另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。

64、最后，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。

65、有益效果：1、本发明采用多规则方式来初始化种群，保证了种群的多样性和分散性。采用多策略选择最优个体，能平衡种群的多样性和收敛性，使算法探索更多的区域。2、本发明融合了灰狼算法和粒子群算法两种算法的优点，粒子群算法能使算法快速收敛，灰狼算法能减少算法陷入局部最优的风险。3、本发明采用局部搜索策略，充分利用不同的局部搜索操作，动态地选择合适的局部策略，可以有效地提高算法的局部探索能力，保证种群的探索深度，有利于获得最优解决方案。4、本发明采用全局策略对个体进行重新插入操作，使得个体变得更优，提高了算法的整体性能。通过对实例进行测试，结果表明本发明所提出的算法能够高效地解决双目标带时间窗路径规划问题。