的供应点物资信息为该在途非空载运输工具所装载物资的信息，将在途空载运输工具虚拟为需求点，该需求点对应的需求点物资信息的物资数量为0，以参数信息发生变化的时刻为基准，重新生成运输工具调度方案，直至运输工具调度结束。本发明在不增加算法难度和计算量的情况下，有效解决了动态物资调度求解过程中在途运输工具的处理难题，求解精度较高，实时性好。
[0036]与现有技术相比，本发明运输工具虚拟为供应点或需求点的物资调度系统通过服务器与客户端实现信息的无线联网交互，从而能够实时动态地生成运输工具调度方案发送至各个在途运输工具，提高了物资调度的效率。该系统通过在已有运输工具上配制客户端即能够实现，配制方便，操作简单。
【附图说明】
[0037]图1通过遗传算法计算运输工具调度方案的流程图；
[0038]图2虚拟前通过遗传算法计算运输工具调度方案的算例示意图；
[0039]图3虚拟后通过遗传算法计算运输工具调度方案的算例示意图；
[0040]图4本发明物资调度系统的信息交互示意图。
【具体实施方式】
[0041]下面结合附图对本发明做进一步的详细说明。
[0042]本发明运输工具虚拟为供应点的动态物资调度方法，具体实现步骤如下:
[0043](I)根据物资调度参数信息建立数据模块，并按照数据模块对运输工具生成运输工具调度方案。
[0044]在该步骤中，参数信息包括供应点信息、需求点信息、路径信息、运输工具信息、物资信息、供应点物资信息、需求点物资信息以及调度目标信息。
[0045](2)运输工具按运输工具调度方案进行物资调度，当参数信息在某一时刻发生变化时，将在途非空载运输工具虚拟为供应点，其对应的供应点物资信息为该在途非空载运输工具所装载物资的信息。
[0046]在该步骤中，由于运输工具的装货、卸货需要一定的时间，因此在该某一时刻，可能有部分运输工具不在途，即正处于供应点或需求点。
[0047](3)以参数信息发生变化的时刻为基准，在途非空载运输工具由对应虚拟的供应点装载所有物资，重新生成运输工具调度方案。
[0048]在该步骤中，由于在途非空载运输工具对应虚拟的供应点的所有物资实际上是装载在该在途非空载运输工具上的，因此该在途非空载运输工具从对应虚拟的供应点装载所有物资的装货时间为O。
[0049](4)重复执行步骤(2)和步骤(3)，直至运输工具调度结束。
[0050]本发明运输工具虚拟为需求点的动态物资调度方法，具体实现步骤如下:
[0051](I)根据物资调度参数信息建立数据模块，并按照数据模块对运输工具生成运输工具调度方案。
[0052]在该步骤中，参数信息包括供应点信息、需求点信息、路径信息、运输工具信息、物资信息、供应点物资信息、需求点物资信息以及调度目标信息。
[0053](2)运输工具按运输工具调度方案进行物资调度，当参数信息在某一时刻发生变化时，将在途空载运输工具虚拟为需求点，其对应的需求点物资信息的物资数量为O。
[0054]在该步骤中，由于运输工具的装货、卸货需要一定的时间，因此在该某一时刻，可能有部分运输工具不在途，即正处于供应点或需求点。
[0055](3)以参数信息发生变化的时刻为基准，重新生成运输工具调度方案。
[0056](4)重复执行步骤(2)和步骤(3)，直至运输工具调度结束。
[0057]参见图1，本发明通过遗传算法计算运输工具调度方案的方法，具体实现步骤包括:
[0058]对数据模块中的参数信息进行编码:
[0059]供应点信息:S = (S1, s2, s3,…sM}，M为正整数；
[0060]需求点信息:D = {d” d2, d3,...dN}，N为正整数；
[0061]路径信息:R= ((S1, dj, (S1, d2}, Is1, d3},...(S1, dN},
[0062]......
[0063]{sM, (I1}，{sM, d2}, {sM, d3},...{sM, dN}}，
[0064]其中，{Si, dj}为供应点sjP需求点d」之间的路径信息，i = 1，2，...，M，j =1，2，...，N，1、j 为正整数；
[0065]运输工具信息:V = Iv1, v2, v3,...vA}，A为正整数；
[0066]物资信息:M= Im1, m2, m3,...mB}，B 为正整数；
[0067]供应点^对应的供应点物资信息:
[0068]mSi= {{m 1； xn}, {m2, xi2}, {m3, xi3},...{mB, xiB}}，其中 x 为物资数量，i =1，2，...，M，i为正整数；
[0069]需求点dj对应的需求点物资信息:
[0070]mdj= {{m ” YjJ，Im2, yJ2}，{m3, yJ3}，...{mB, yJB} }，其中 y 为物资数量，j =1，2，...，N，j为正整数;
[0071]生成初始种群，该种群包含N条染色体，每条染色体按照如下方法生成:逐一对每个运输工具生成其运输工具调度序列，该运输工具调度序列称为一个基因，所有运输工具的运输工具调度序列作为一条染色体，一条染色体即是一个运输工具调度方案；
[0072]开始迭代，反复执行以下步骤:
[0073](i)依交叉概率对种群中的染色体进行交叉操作，依变异概率对染色体进行变异操作；交叉操作和变异操作后生成的染色体加入原种群，形成待评价种群。
[0074](ii)根据调度目标信息，计算上述待评价种群中每条染色体的适应度。在该步骤中，适应度作为评价染色体优劣的指标。
[0075](iii)生成下一代种群。在该步骤中，下一代种群中的染色体可以是从待评价种群中选择产生，也可以有一部分染色体是从待评价种群中选择产生，另一部分染色体是新生成的染色体。
[0076](iv)判断是否达到设定的迭代终止条件；如是，则选出适应度最高的染色体作为最终的运输工具调度方案，结束；如否，则返回步骤(i)。在该步骤中，迭代终止条件的设定可以有多种方式，如设定迭代次数的上限作为迭代终止条件，设定经过若干次迭代后适应度最高染色体的适应度不再变化作为终止条件等。
[0077]参见图2，通过遗传算法计算运输工具调度方案的算例，步骤如下:
[0078](I)对数据模块中的参数信息进行编码，其中:
[0079]供应点信息:S= (S1, s2}；
[0080]需求点信息:D= {d” d2, d3}；
[0081]路径信息:R= {rn, r12, r13, r21, r22, r23};其中路径信息可以包含多种信息，如路径的长度、成本等。在该算例中，使用路径的长度作为路径信息(单位:km)，则R ={110，98，127，119，130，102}；
[0082]运输工具信息:V = Iv1, V2, v3, v4, vj ;其中运输工具信息可以包含多种信息，如运输工具的装载量、运输速度、装货耗时、卸货耗时、初始停靠点等。在该算例中，运输工具的装载量为10t，运输速度为60km/h，装货耗时为2h，卸货耗时为lh，V1, ^的初始停靠点为S1, V2、V3、￥5的初始停靠点为S 2o
[0083]物资信息:M = Im1, m2};其中Hi1表示食品，1112表示药品；
[0084]供应点~对应的供应点物资信息(单位:t，下同):mSl= {{m ” 204}，{m2, 295}}；
[0085]供应点82对应的供应点物资信息:ms2= {{m ” 389}，{m2, 375}}；
[0086]需求点屯对应的需求点物资信息:md != {{m ” 40}，Im2, 55}}；
[0087]需求点(12对应的需求点物资信息:md 2= {{m ” 65}，Im2, 48}}；
[0088]需求点d3对应的需求点物资信息:md 3= {{