一种物流配送路径优化方法
【专利摘要】一种物流配送路径优化方法，用于有效地优化多目标下的物流配送路径。通过分析物流活动中影响客户满意度的因素，提出物流系统客户满意度目标函数，并结合距离目标函数，提出总目标函数。结合kruskal算法通过局部最优达到全局优化的优点，提出将kruskal算法有机的结合到传统遗传算法交叉算子，以此来解决传统遗传算法易过早收敛的问题。利用VRP模型结合客户满意度函数构建订单终端配送模型，使用本发明方法求解订单终端配送模型得出优化路径。采用本发明方法，不仅可以有效地降低物流配送路径，而且可以提供路径最短、客户满意度最高和总目标函数值最优三种物流配送方案，为降低物流成本、提高物流企业生命力创造条件。
【专利说明】
一种物流配送路径优化方法
技术领域
[0001] 本发明涉及数据挖掘，路径优化等技术，特别是涉及一种物流配送路径优化方法。
【背景技术】
[0002] 在全球经济一体化和国民经济飞速发展的背景下，物流产业的发展日新月异。 2005年至今，我国的物流成本占国内生产总值的比率一直处于18%左右的高位，远远的高 于欧、美等发达国家，这是由我国物流系统的不完善所决定的。物流系统中，优化良好的配 送路径不仅能够取得更好的运输结果，节省大量人力物力，而且还能有效的降低物流成本。 因此，物流系统配送路径的优化问题已成为一个非常重要的课题。
[0003] 自物流系统配送路径优化的研究兴起以来，国内外的一些著名研究机构和学术单 位都在这个领域开展了大量研究工作，归纳起来目前求解物流配送路径优化问题较为有效 的方法主要有：蚁群算法，禁忌搜索算法，模拟退火算法，遗传算法。蚁群算法本身很复杂， 需要较长的搜索时间，且很容易出现停滞现象。禁忌搜索算法是单操作，搜索过程的初始解 只能有一个，且对初始解有很强的依赖性。模拟退火算法收敛速度慢，执行时间长，且性能 与初始值有很大的关系。而遗传算法以生物进化为原型，从群体出发进行搜索，可进行多个 个体的同时比较，且具有潜在的并行性和较高的全局性。因此，遗传算法是求解物流配送路 径优化的有效途径。
[0004] 虽然遗传算法具有如上优点，但是同样也存在易"早熟"的缺点：算法运行过程中 可能会过早收敛，会导致求解到的物流配送路径并没有达到最优，甚至相隔较远。因此，需 要提供一种能够有效解决遗传算法过早收敛问题的方法，以实现对物流系统配送路径的高 效优化。
【发明内容】
[0005] 针对上述问题，本发明提供了一种物流配送路径优化方法，以解决传统遗传算法 优化物流配送路径时过早收敛导致的配送路径长、配送耗时长的问题。
[0006] 本发明采用的技术方案的步骤如下：
[0007] -种物流配送路径优化方法，用于多目标函数下的物流配送路径优化，包括步 骤：
[0008] A.采集客户对配送时间的要求，结合客户点的订单量，运用客户满意度目标函数 公式获得每个客户点随时间变化的客户满意度目标函数h (tj ;
[0009] B.结合客户满意度目标函数匕匕）和距离目标函数匕^、，构建总目标函数 F^t^o ；
[0010] C.将kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal交叉型遗 传算法；
[0011] D.以一个配送中心、多个客户终端，结合客户满意度目标函数和VRP模型构建订 单终端配送模型；
[0012] E.运用kruskal交叉型遗传算法以客户满意度和配送距离为目标函数，求解订单 终端配送模型，得出物流配送优化路径。
[0013] 所述步骤A采集客户对配送时间的要求，并运用客户满意度目标函数公式获得每 个客户点随时间变化的客户满意度目标函数。客户满意度目标函数公式如下所示：
(1)
[0015] Fi(ti) = (2)
[0016] 其中，公式a)中&为货物到达客户手中的时间，[oaj为客户满意时间段，[Q， LLJ为客户能接收货物时间段，在[Lp LLJ时间段内客户满意度逐渐降低到0。公式（2) 中&为客户的订单量，Fdh)为求取到的客户满意度目标函数。
[0017] 所述步骤B结合客户满意度目标函数Fi (ti)和距离目标函数Fi (ti) i，构建总目标 函数匕匕)。。构建总目标函数匕匕)。公式如下所示：
[0018] F； (t;) 〇 = (-F； (t;)) +F； (t;)! (3)
[0019] 其中，公式（3)中匕匕）为客户满意度目标函数，Fjtl为距离目标函数，匕匕)。 为总目标函数。
[0020] 所述步骤C将kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal 交叉型遗传算法。由选择步骤得到两个父代个体FA、FB，取出两个父代个体的随机长度基 因段FA1、FB1作为交叉基因段；按照kruskal算法分别搜索FA1、FB1，把FA1、FB1中的最短 边和次短边依次加入交叉基因段FA2、FB2中，再去除FA2、FB2中的重复基因，得到新的交 叉基因段FA2、FB2 ;去除FA中与FB2相同的基因，去除FB中与FA2相同的基因；交换FA2、 FB2，FA与FB2结合得到全新的子代SA，FB与FA2结合得到全新的子代SB ;将两个子代SA、 SB代入遗传算法剩余步骤，完成kruskal交叉型遗传算法的构建。
[0021] 所述步骤D以一个配送中心、多个客户终端，结合客户满意度目标函数和VRP模 型构建订单终端配送模型。其中VRP模型表示为：从物流中心用多辆汽车向多个需求点送 货，每个需求点的位置一定且每个需求点各自有不同数量的货物需求，每辆汽车的载重量 一定。要求合理安排汽车路线，使得目标函数值最小，并满足约束条件：每条配送路径上需 求点的需求量之和不超过汽车的载重量；每条配送路径的长度不超过汽车一次配送的最大 行驶距离；每个需求点的需求必须满足，且只能由一辆汽车送货；每个需求点都要走到，且 每个需求点只能走一次，然后回到配送中心。
[0022] 所述步骤E运用kruskal交叉型遗传算法以客户满意度和配送距离为目标函数， 求解订单终端配送模型，得出物流配送优化路径。先将种群按目标函数数目均等的分成三 个子种群，并对各个子种群分配一个子目标函数；再运用各个子目标函数在其相应的子群 体中进行独立的选择操作，并将选择出的群体组成新的种群完成kruskal交叉型遗传算法 后面的交叉、变异等操作；最后迭代求出物流配送优化路径。
[0023] 本发明提出了一种全新的物流配送路径优化方法，具有以下优点：
[0024] 1.通过结合客户满意度日标函数和距离目标函数，构建了总目标函数。对物流配 送路径进行了多目标函数的优化，能提供用户多种具有不同优点的优化配送方案。
[0025] 2.通过将kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal交 叉型遗传算法，解决了传统遗传算法求解配送路径优化问题时易过早收敛导致的配送路径 长、配送耗时长的问题，保证了物流配送路径优化的效果，为降低物流成本、提高物流企业 生命力创造条件。
【附图说明】
[0026] 图1是本发明实施步骤A至步骤E的流程图。
[0027] 图2是本发明实施步骤C的算法流程图。
【具体实施方式】
[0028] 下面，结合附图对本发明的【具体实施方式】作进一步说明。
[0029] 如图1与图2所示，本发明的具体实施过程和工作原理如下：
[0030] A.采集客户对配送时间的要求，结合客户点的订单量，运用客户满意度目标函数 公式获得每个客户点随时间变化的客户满意度目标函数h (tj ;
[0031] B.结合客户满意度目标函数Fjti)和距离目标函数匕(〖1)1，构建总目标函数 F^t^o ；
[0032] C.将kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal交叉型遗 传算法；
[0033] D.以一个配送中心、多个客户终端，结合客户满意度目标函数和VRP模型构建订 单终端配送模型；
[0034] E.运用kruskal交叉型遗传算法以客户满意度和配送距离为目标函数，求解订单 终端配送模型，得出物流配送优化路径。
[0035] 步骤A采集客户对配送时间的要求：满意时间段和能接收货物时间段。当货物到 达时间在客户满意时间段内，客户满意度最大；当货物到达时间超过客户满意时间段，且处 于客户能接收时间段时，客户满意度逐渐降低；当货物到达时间超过客户能接收时间段，客 户满意度降至最低。运用客户满意度目标函数公式获得每个客户点随时间变化的客户满意 度目标函数。客户满意度目标函数公式如下所示：
(1)
[0037] Fjtj = f1(t1)*X1 (2)
[0038] 其中，公式（1)中h为货物到达客户手中的时间，[Oaj为客户满意时间段，[Q， LLJ为客户能接收货物时间段，在[Lp LLJ时间段内客户满意度逐渐降低到0。公式（2) 中&为客户的订单量，Fdh)为求取到的客户满意度目标函数。
[0039] 步骤B结合客户满意度目标函数匕匕）和距离目标函数匕(tj i，构建总目标函数 h (tj。。由于距离目标函数取的是极小值，而客户满意度目标函数取得是极大值，因此先将 客户满意度目标函数取反，再结合距离目标函数构建极小值的总目标函数。构建总目标函 数F; (tj。公式如下所示：
[0040] F； (t;) 〇 = (-F； (t;)) +F； (t;)! (3)
[0041] 其中，公式（3)中匕(^为客户满意度目标函数，Fjtl为距离目标函数，Fjti)。 为总目标函数。
[0042] 步骤C将kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal交叉 型遗传算法。由传统遗传算法选择步骤得到两个父代个体FA、FB，取出两个父代个体的随 机长度基因段FA1、FB1作为交叉基因段；按照kruskal算法分别搜索FA1、FB1，把FA1、FB1 中的最短边和次短边依次加入交叉基因段FA2、FB2中，再去除FA2、FB2中的重复基因，得到 新的交叉基因段FA2、FB2 ;去除FA中与FB2相同的基因，去除FB中与FA2相同的基因；交 换FA2、FB2, FA与FB2结合得到全新的子代SA，FB与FA2结合得到全新的子代SB ;将两个 子代SA、SB代入传统遗传算法的剩余步骤，完成kruskal交叉型遗传算法的构建。
[0043] 步骤D以一个配送中心、多个客户终端，结合客户满意度目标函数和VRP模型构建 订单终端配送模型。每个客户点对配送车辆不仅有距离约束，还具有时间约束。其中VRP模 型表示为：从物流中心用多辆汽车向多个需求点送货，每个需求点的位置一定且每个需求 点各自有不同数量的货物需求，每辆汽车的载重量一定。要求合理安排汽车路线，使得目标 函数值最小，并满足约束条件：每条配送路径上需求点的需求量之和不超过汽车的载重量； 每条配送路径的长度不超过汽车一次配送的最大行驶距离；每个需求点的需求必须满足， 且只能由一辆汽车送货；每个需求点都要走到，且每个需求点只能走一次，然后回到配送中 心。
[0044] 步骤E运用kruskal交叉型遗传算法以客户满意度和配送距离为目标函数，求解 订单终端配送模型，得出物流配送优化路径。先将初始化的种群按目标函数数目均等的分 成三个子种群，并对各个子种群随机分配一个子目标函数；再运用各个子目标函数在其相 应的子群体中进行独立的选择操作，并将选择出的群体组成新的种群完成kruskal交叉型 遗传算法后面的选择算子、kruskal交叉算子、变异算子等操作；最后迭代求出物流配送优 化路径。
【主权项】
1. 一种物流配送路径优化方法，用于多目标函数下的物流配送路径优化，包括步骤： A. 采集客户对配送时间的要求，结合客户点的订单量，运用客户满意度目标函数公式 获得每个客户点随时间变化的客户满意度目标函数F 1 U1); B. 结合客户满意度目标函数F1 U1)和距离目标函数F1 U1) i，构建总目标函数F1匕)。； C. 将kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal交叉型遗传算 法； D. 以一个配送中心、多个客户终端，结合客户满意度目标函数和VRP模型构建订单终 端配送模型； E. 运用kruskal交叉型遗传算法以客户满意度和配送距离为目标函数，求解订单终端 配送模型，得出物流配送优化路径。2. 根据权利要求1所述一种物流配送路径优化方法，其特征在于：所述步骤A采集客 户对配送时间的要求，并运用客户满意度目标函数公式获得每个客户点随时间变化的客户 满意度目标函数。3. 根据权利要求1所述一种物流配送路径优化方法，其特征在于：所述步骤B结合客 户满意度目标函数F1 U1)和距离目标函数F1 U1) i，构建总目标函数F1 U1)。。4. 根据权利要求1所述一种物流配送路径优化方法，其特征在于：所述步骤C将 kruskal算法有机的结合到传统遗传算法交叉算子，构建kruskal交叉型遗传算法。由选 择步骤得到两个父代个体FA、FB，取出两个父代个体的随机长度基因段FA1、FBl作为交叉 基因段；按照kruskal算法分别搜索FAUFBl，把FAUFBl中的最短边和次短边依次加入交 叉基因段FA2、FB2中，再去除FA2、FB2中的重复基因，得到新的交叉基因段FA2、FB2 ;去除 FA中与FB2相同的基因，去除FB中与FA2相同的基因；交换FA2、FB2, FA与FB2结合得到 全新的子代SA，FB与FA2结合得到全新的子代SB ;将两个子代SA、SB代入遗传算法剩余步 骤，完成kruskal交叉型遗传算法的构建。5. 根据权利要求1所述一种物流配送路径优化方法，其特征在于：所述步骤D以一个 配送中心、多个客户终端，结合客户满意度目标函数和VRP模型构建订单终端配送模型。其 中VRP模型表示为：从物流中心用多辆汽车向多个需求点送货，每个需求点的位置一定且 每个需求点各自有不同数量的货物需求，每辆汽车的载重量一定。要求合理安排汽车路线， 使得目标函数值最小，并满足约束条件：每条配送路径上需求点的需求量之和不超过汽车 的载重量；每条配送路径的长度不超过汽车一次配送的最大行驶距离：每个需求点的需求 必须满足，且只能由一辆汽车送货；每个需求点都要走到，且每个需求点只能走一次，然后 回到配送中心。6. 根据权利要求1所述一种物流配送路径优化方法，其特征在于：所述步骤E运用 kruskal交叉型遗传算法以客户满意度和配送距离为目标函数，求解订单终端配送模型，得 出物流配送优化路径。先将种群按目标函数数目均等的分成三个子种群，并对各个子种群 分配一个子目标函数；再运用各个子目标函数在其相应的子群体中进行独立的选择操作， 并将选择出的群体组成新的种群完成kruskal交叉型遗传算法后面的交叉、变异等操作； 最后迭代求出物流配送优化路径。
【文档编号】G06N3/12GK105894222SQ201410778217
【公开日】2016年8月24日
【申请日】2014年12月16日
【发明人】张艳, 吴星怡, 禄盛, 权五景
【申请人】重庆邮电大学