基于粒子群算法的载运货车规划方法、装置、设备及介质与流程

本公开涉及物流管理，尤其涉及基于粒子群算法的载运货车规划方法、装置、设备及介质。

背景技术：

1、货运成本问题是一种具有广泛应用价值的优化问题，常见于物流和生产系统中。其中，基于三维货品信息的货车推荐问题是其中最具挑战性和实用性的一个问题。该问题要求基于已知的某一组三维货品的信息推荐出适合的载运车型和对应车型的需求数量。此问题的优化目标是最小化所需的货车数量，即降低总成本。

2、在实际情况中，许多厂家物流部在运货规划上是按照过往经验做出决策，但每次货单的货品组合是千变万化的，即使经验丰富的员工在货车需求决策上也无法实现低成本运输。所以，一种高效的货车推荐算法不仅能帮助他们快速做出需求决策，还能尽可能降低运输成本，提高资源利用效率。

3、目前有一种采用传统粒子群的解决方案，其首先在一个足够大的装货空间中制定出所有货物装载方式，再根据装载方式和装载结果将装货空间映射到对应的货车类型和货车数量上。换言之，这个方案需要先解决一个子问题，即货车装箱问题，目标是最小化货车的剩余空间或最大化装载效率。下面是此类方案的一般步骤：

4、(1)定义问题空间：将货车装载问题转化为一个空间，其中每个维度表示一个物品的尺寸和位置。例如，可以使用二维空间表示货车平面上的位置，或者使用三维空间表示货车的立体装载。

5、(2)确定适应度函数：定义一个适应度函数来评估每个粒子(解)的装载效果。适应度函数考虑装载效率、剩余空间、物品之间的重叠等因素。

6、(3)初始化粒子群：随机生成一组初始粒子，每个粒子代表一种装载方案。每个粒子的位置表示物品在货车中的位置和排列顺序，速度表示物品在空间中的移动方式。

7、(4)迭代更新粒子：根据粒子群优化算法的速度更新公式和位置更新公式，对每个粒子进行迭代更新。在更新过程中，考虑粒子自身的历史最佳位置和整个群体的最佳位置。

8、(5)终止条件：设定停止条件，例如达到最大迭代次数、适应度函数收敛等。

9、(6)输出结果：选择适应度最好的粒子作为最优装载方案，根据此装载方案，计算出实际装载容积(例如货物是堆叠放置的，那实际装载容积就是这个堆叠体的体积)，然后基于最小货车数量的原则，将空间切割成多个子空间，每个子空间都有对应的货车货箱规格，换言之，最终得到货车类型和货车需求数量。

10、以上解决方案会面临以下问题：

11、(1)维度灾难：上述方案中的子问题的解空间非常庞大，随着物品数量的增加，解空间的维度也会呈指数级增长。传统粒子群算法可能面临维度灾难，导致搜索效率下降。

12、(2)问题约束的处理：上述方案中的子问题通常涉及各种约束，如物品的重量限制、尺寸限制、摆放规则等。传统粒子群算法在处理约束时可能需要额外的处理方法，以确保生成的解符合问题的约束条件。

13、(3)寻优低效问题：以上方案属于一种间接式解决方案，由于其考虑到了每个货物的放置情况，所以面对多种不同尺寸的货物时，所得出的推荐结果和实际情况偏差不大，但是缺点也非常明显，其需要先算出货物装载方式再换算出对应的车型和数量，是一种低效的寻优策略。

技术实现思路

1、本公开提供了一种基于粒子群算法的载运货车规划方法、装置、设备及介质。

2、根据本公开的第一方面，提供了一种基于粒子群算法的载运货车规划方法。该方法包括：

3、获取待运输货物信息和可载运货车信息；

4、根据所述待运输货物信息和所述可载运货车信息确定最大货车需求量；根据所述可载运货车信息生成初始粒子群；

5、根据所述最大货车需求量，基于粒子群算法，更新所述初始粒子群的位置和速度，并根据预设公式计算粒子群的适应度值；

6、满足预设条件时，输出对应的适应度值，并确定适应度值最小的粒子为最优粒子；

7、根据所述最优粒子确定最优载运货车规划方案。

8、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

9、所述待运输货物信息包括多个货物的货物体积和对应的货物重量；所述可载运货车信息包括货车类型、货车载货体积和货车载重量；

10、根据所述待运输货物信息和所述可载运货车信息确定最大货车需求量的公式如下：

11、

12、其中，k表示最大货车需求量；a1表示货物总体积；b1表示货物总重量；a2表示最小货车载货体积；b2表示最小货车载重量；random表示随机变量，其数值大小由货物尺寸数据分布的mardia多元峰度系数进行控制。

13、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

14、所述根据所述可载运货车信息生成初始粒子群，包括：

15、根据货车类型确定货车种类总数；

16、根据所述货车种类总数，确定初始粒子；

17、根据多个初始粒子，生成初始粒子群。

18、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

19、所述根据预设公式计算粒子群的适应度值，包括：

20、计算当前粒子群中的目标粒子的载货总体积和承载总重量；

21、判断所述货物总体积和货物总重量是否分别小于等于所述载货总体积和所述承载总重量；

22、若所述货物总体积小于等于所述载货总体积，且所述货物总重量小于等于所述承载总重量，则根据预设公式计算所述目标粒子的适应度值；

23、若所述货物总体积大于所述载货总体积，和/或所述货物总重量大于所述承载总重量，则将所述目标粒子的适应度值设为无限大。

24、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

25、所述预设公式如下：

26、c＝吨次费×b1+货物运价×b1×计费里程+z

27、c表示适应度值，即待运输货物总运费；b1表示货物总重量；z表示货物运输其它费用。

28、如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

29、所述初始粒子群，包括多个初始粒子；其中，一个初始粒子包括货车类型的编号及其对应的初始货车数量；

30、所述根据所述最优粒子确定最优载运货车规划方案，包括：

31、根据最优粒子的货车类型的编号确定对应的货车类型和货车数量，得到最优载运货车规划方案。

32、根据本公开的第二方面，提供了一种基于粒子群算法的载运货车规划装置。该装置包括：

33、信息获取模块，用于获取待运输货物信息和可载运货车信息；

34、初始粒子生成模块，用于根据所述待运输货物信息和所述可载运货车信息确定最大货车需求量；根据所述可载运货车信息生成初始粒子群；

35、适应度计算模块，用于根据所述最大货车需求量，基于粒子群算法，更新所述初始粒子群的位置和速度，并根据预设公式计算粒子群的适应度值；

36、最优粒子确定模块，用于满足预设条件时，输出对应的适应度值，并确定适应度值最小的粒子为最优粒子；

37、规划方案生成模块，用于根据所述最优粒子确定最优载运货车规划方案。

38、根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

39、根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面所述的方法。

40、本公开的实施例提供了一种基于粒子群算法的载运货车规划方法、装置、设备及介质，一方面，根据所述待运输货物信息和所述可载运货车信息确定最大货车需求量，并根据所述最大货车需求量，基于粒子群算法，更新所述初始粒子群的位置和速度，即采用最大货车需求量作为维度约束条件，成功克服了维度灾难问题，能够提高算法的效率和收敛性，加速求解过程。另一方面，通过预设公式，即综合考虑货物的总体积和总重量，在无需先求出货物装载方式的情况下，高效快速地选择出运货成本最低的货车组合。

41、应当理解，
技术实现要素：
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。