基于改进MOEA/D算法的车辆装载和路径优化系统及方法

本发明涉及路径优化，尤其涉及一种基于改进moea/d算法的车辆装载和路径优化系统及方法。

背景技术：

1、车辆路径优化是指在给定起点和终点以及可能的路径限制条件下，确定一条最优路径，使得车辆能够在规定的时间内到达终点。该问题通常涉及到大量的地理信息数据、交通数据和运输数据，需要综合考虑多个因素，如道路拥堵情况、交通信号灯、车辆行驶速度、燃油消耗等。车辆路径规划问题是实际生活中非常重要的问题，它广泛应用于物流配送、城市交通管理、公共交通、出租车调度、自动驾驶等领域。在实际应用中，车辆路径规划不仅要求路径最优，还需要考虑实际的道路情况和行驶约束，如禁行区域、限行时间、交通管制等。

2、装载优化问题是指在给定的运输容器和物品集合中，将物品尽可能合理地装入运输容器中，以最大限度地利用运输容器的容量或减少装载次数的同时，保证物品不被损坏和安全运输。这个问题在物流、货运、运输和仓储等领域都有着广泛的应用。装载优化问题的复杂度通常很高，因为需要考虑到物品的尺寸、形状、重量、易碎性、货值、安全性等多个因素，同时还要考虑运输容器的容量、尺寸、重量和堆放规则等限制条件。在实际应用中，装载优化问题还要考虑到运输路径和时间、运输成本、工作效率和客户需求等多个方面的问题。随着计算机技术的发展，特别是优化算法的发展，装载优化问题得到了很大的改善和发展。现在已经出现了许多基于启发式算法、进化算法、模拟退火等算法的优化方法，这些算法能够有效地解决装载优化问题，提高装载效率和运输质量。此外，人工智能技术的发展也为解决装载优化问题提供了新的思路和方法。

3、moea/d(multi-objective evolutionary algorithm based on decomposition，基于分解的多目标进化算法)是一种常用于解决多目标优化问题的进化算法。它基于分解思想，将多目标优化问题转化为多个单目标优化问题，并通过有效的协同进化方式来解决整个多目标优化问题。moea/d算法的提出，填补了传统进化算法难以有效处理多目标问题的缺陷。moea/d算法的核心思想是将多目标问题分解成多个子问题，然后分别求解每个子问题，最终通过协同进化方式得到整个问题的最优解。具体来说，moea/d算法将多目标问题转化为一组单目标子问题，并在每个子问题上应用一个单目标进化算法来求解最优解。同时，moea/d算法引入了邻域搜索的概念，通过局部搜索来加速算法的收敛速度，提高算法的搜索效率。moea/d算法在解决多目标优化问题方面表现出了很好的效果，尤其在解决高维、复杂的多目标问题方面具有很大的优势。该算法已经被广泛应用于工程优化、自动控制、供应链管理、金融风险管理等领域，并在实际应用中得到了良好的效果。

4、目前现有技术中，中国专利“cn115759914a计及物资装载率优化的电表配送车辆路径规划方法及系统”建立大规模电表轮换配送车辆调度模型,根据每个订单编号确定配送电表种类及相应的收货点,确定每个订单发货地点。在设定白鲸优化算法改进过程中的个体编码和解码格式时,通过立方混沌映射构造具有高遍历性的映射初始订单种群,并计算适应度；根据平衡因子判断所述白鲸优化算法是否处于探索阶段或开发阶段,并建立一种基于种群分级的精英扰动机制提高白鲸优化算法后期的收敛精度和全局搜索能力；检查迭代次数是否满足要求。此发明针对大规模电表轮换配送要求,可有效降低车辆固定成本、配送成本、人工成本以及电表轮换储存成本,实现最优电网企业批量轮转物资调配求解方案。

5、中国专利“cn115616923b一种基于遗传算法和麻雀算法的车辆路径优化方法”通过构建道路和运输方式数学模型,初始化遗传算法的道路和运输方式数学模型,以及建立融入麻雀搜索算法的改进遗传算法对车辆路径问题进行优化。其中,建立融入麻雀搜索算法的改进遗传算法包括：将遗传算法得到的目标种群作为初始种群，计算所述初始种群的适应度值,并根据适应度值将初始种群分类为探索者和追随者,并将追随者中的预设比例确定为警惕者，然后根据麻雀搜索算法分别更新探索者位置、追随者位置和警惕者位置，将探索者位置、追随者位置和警惕者位置更新后的麻雀搜索算法优化结果带入遗传算法进行迭代,直至迭代结束,生成路径优化方法。

6、中国专利“cn115759914a计及物资装载率优化的电表配送车辆路径规划方法及系统”与中国专利“cn115616923b一种基于遗传算法和麻雀算法的车辆路径优化方法”虽然都取得了较好的效果，但在物流运输优化过程中，前者的白鲸优化算法在优化过程中，由于没有动态变异能力，使算法的收敛效率不够优秀，后者没有考虑到物料装载过程中，具体货物的装载条件，因此不能直接对运输的需求订单进行优化。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于改进moea/d算法的车辆装载和路径优化系统及方法，能够高效地对物流领域中的车辆路径问题及装载效率问题进行优化，提供更好的物流运输方案，节约物流成本，提高运输效率。

2、一方面，一种基于改进moea/d算法的车辆装载和路径优化系统，包括数据预处理层、算法优化层和结果分析层；

3、所述数据预处理层获取车辆运输所需的订单信息、供应商位置信息、货物包装尺寸信息，对各类信息进行数据预处理和整合；

4、所述算法优化层对考虑装载效率的车辆路径优化进行数学建模，建立待优化的目标函数及各类约束条件；

5、所述结果分析层对自适应进化的moea/d算法求得的考虑装载效率的车辆路径优化结果进行展示、分析和评价，用于给提高决策者的决策效率。

6、另一方面，一种基于改进moea/d算法的车辆装载和路径优化方法，基于前述一种基于改进moea/d算法的车辆装载和路径优化系统实现，包括以下步骤：

7、步骤1：获取进行车辆路径优化及装载优化所需基础信息作为原始数据；具体包括订单信息、供应商位置信息、货物包装规格信息和可用路径信息；

8、步骤1.1：获取订单信息，每条订单信息包括汽车零件需求数据、供应商识别码、该供应商提供的具体货物识别码、该种货物的需求数量、配送目的地、配送日期；

9、步骤1.2：获取供应商位置信息，每条供应商位置信息包括供应商识别码、供应商地理位置；

10、步骤1.3：获取货物包装规格信息，每条货物包装规格信息包括货物识别码、货物包装尺寸、货物包装总质量；

11、步骤1.4：通过采用地图类服务提供商提供的api，生成两两供应商之间的路径信息，具体的，可以根据预设的时段、车型，生成不同的可用路径信息，该可用路径信息包括预计总距离、预计总时长和预计费用信息。

12、步骤2：对步骤1获取的原始数据进行数据预处理和数据整合；具体包括对原始数据的检验、匹配；

13、步骤2.1：将订单信息中的汽车零件需求数据转化为与货物包装规格匹配的需求数据；

14、步骤2.2：将订单信息、包装规格信息和供应商地理位置进行匹配，得到供应商所有待取货点的待取货物的所有包装信息；

15、步骤3：建立车辆路径优化及装载优化问题优化模型；具体包括待优化的目标函数以及约束条件；

16、步骤3.1：确定待求解问题所需的优化目标，获得待优化的目标函数；

17、所述优化目标为，在完成所有订单的情况下，最小化总配送路径和最大化平均装载效率；具体表示为：

18、

19、

20、其中，i为车辆编号，i＝1,2,...,n，n为所用的车辆总数；disi为第i辆车行驶的总距离；m为一辆车中装载的货物总数；j为货物编号，j＝1,2,...,mi，mi为第i辆车中装载的货物总数，vij为第i辆车中第j个货物所占的体积；vi为第i辆车的总体积。f1为总配送路径目标，期望得到最小的总配送路径；f2为货车的平均装载效率，期望得到最大的平均装载效率。

21、步骤3.2：对车厢装载能力约束进行定义，具体表示为：

22、

23、

24、其中，qij为第i辆车中第j个货物的重量，qi为第i辆车的最大载重能力；

25、步骤3.3：将优化目标函数优化方向转为一致，转为同向的最小化问题，转化如下：

26、

27、至此，完成了对车辆路径优化及装载优化问题的数学建模；

28、步骤4：设计自适应进化的moea/d算法，具体包括算法的初始化设置、自适应邻域大小设置、自适应个体之间的交叉策略和种群的更新策略；

29、步骤4.1：自适应进化的moea/d算法在初始化阶段，需要对算法的各项输入进行初始化设置；设置输入优化问题f、算法种群规模n、搜索邻域大小t、算法变异概率p、权重向量的初始化{λ1,λ2,...,λn}、最大迭代次数genmax、邻域变异界限[tmin,tmax]、变异概率界限[pmin,pmax]；其中，由于多目标优化问题为双目标的多目标优化问题，分解方法采用切比雪夫聚合法，具体表示为：

30、

31、subject to x∈ω

32、其中，fi(x)为待优化的目标函数，λi为权向量，z*为理想点，gte(x|λ,z*)表示待求解在权向量分解下的最优值。

33、步骤4.2：设置自适应的moea/d算法邻域大小，具体如下式所示：

34、首先定义t代时间内，种群的进化程度δ：

35、

36、其中，f(x)为种群的适应度函数，f(x)gen为第gen代时种群的适应度，f(x)gen-t为第gen-t代时种群的适应度；根据种群i的进化效率，调整其邻域ti大小：

37、

38、其中，εt为邻域ti调整一次的变更值，即步长；δ0为进化效率的阈值。gen和gen-t为当前迭代的代数。

39、步骤4.3：设计自适应的moea/d算法变异概率，具体如下式所示：

40、

41、其中，εp为邻域pi调整一次的变更值，即步长；δ0为进化效率的阈值。gen和gen-t为当前迭代的代数。

42、步骤4.4：更新参考点，通过在每个分解的权向量方向比较得到的新解和旧解的质量，不断更新每个权向量方向的最优解，最终形成最优解集；

43、步骤5：基于步骤2整合的输入数据和步骤3中的自适应进化moea/d算法，对车辆路径优化及装载优化问题求解，具体包括设计问题优化框架，解结构构造方法，装箱约束判定过程，生成优化方案；本方案的优化策略为对运输路径和装载效率同步优化；

44、步骤5.1：对所求解结构进行编码，对运输路径和装载效率同步优化，将车辆装载部分和运输路径部分分别编码，然后将两部分编码连接，形成最终的解结构，用于基于自适应进化moea/d算法的优化过程。

45、其中所述车辆装载部分采用嵌套编码，嵌套内层先对每辆车内部的货物采用整数编码，编码内容为待运送货物的编号；嵌套外层为到达每家供应商的车辆数量。

46、所述运输路径部分采用整数编码，对应货车分配的二进制编码，路径分配的基因表示前往供应商具体的位置；

47、步骤5.2：对生成的解进行装箱约束判定，通过判定生成的解是否符合实际逻辑装载，将无法实际装载的新解进行舍弃；

48、步骤5.3：生成优化方案，在算法运行达到预设的终止条件，即达到最大迭代次数或优化过程达到停滞的阈值时，停止优化，给出当前的最优化方案；最优化方案为一组帕累托解集，其中的每个解包括每日应派出的总货车数量、每辆货车的运输路线、每辆货车抵达每家供应商时需要装载的货物、每辆货车的具体装载方式、每日运输的总里程数和所有货车的平均装载效率。

49、采用上述技术方案所产生的有益效果在于：

50、本发明提供一种基于改进moea/d算法的车辆装载和路径优化系统及方法，本发明基于自适应进化moea/d算法对考虑装载效率的车辆路径优化问题求解，能够更加快速，准确地获得物流过程中，针对运输需求的车辆路径优化及装载优化解决方案。通过对某公司两工厂实际数据的实验发现，使用本发明的优化方法能够有效减少运输过程中所需的货车数量，达到节约物流成本，提高运输效率的效果。