仓储集货模式车辆路径逆选择操作方法
【专利摘要】仓储集货模式车辆路径逆选择操作方法，涉及一种信息通讯集货车辆路径选择操作方法，本发明针对不可行路径以及仓储集货运输两种运输模式提出了ACO?nso算法，进行了仿真计算求解并分别与不考虑不可行路径以及不考虑仓储集货的情况进行了比较，ACO?nso算法计算时间短，且算法的稳定性较高，可以得到满意的优化解。在实际生活中针对逆向物流网络中客户需求量整体偏低且需求点位置高度不集中的情况下，应用本发明所提出的方法进行处理可以有效地降低运输总成本，对指导实际应用具有一定的意义，使得VRPRL问题能够更加贴近于实际应用的要求。
【专利说明】
仓储集货模式车辆路径逆选择操作方法
技术领域
[0001] 本发明涉及集货车辆操作方法，特别是涉及仓储集货模式车辆路径逆选择操作方 法。
【背景技术】
[0002] 逆向物流回收车辆路径问题（Veh i c 1 e Rout ing Prob 1 em in Re ver se Logistics，VRPRL)是逆向物流网络设计问题中的重要组成部分。Hong K. Lo等研究了成 本回收条件下的连续时间维度的物流网络设计问题，并采用广义的既约梯度算法进行求 解。逆向物流网络设计过程中，选址-路径问题(Location-Routing Prob 1 em，LRP)作为物流 网络运作过程中的基础与核心，国内外的学者进行了广泛的研究。Emrah Demir等提出了运 输时间不确定下的绿色多式联运服务网络设计问题，将所提出的算法应用到实际物流网络 中并进行鲁棒性分析。周根贵等改进了遗传算法并用于解决需求随机、与正向物流结合的 逆向物流网络设计问题;熊中楷等对以旧换新收购模式下逆向物流网络优化问题进行了研 究，并采用粒子群算法进行求解。随着第三方物流产业的发展，企业在回收过程中只需考虑 各个需求点的位置和需求量信息，车辆完成回收任务后不需返回原出发点。产品的运输任 务外包给第三方物流商来进行，各条回收路径形成开放式的哈密顿路。A.D. L0pez-S；a nchez等研究了单客户最长配送时间最小化的0VRP问题，并通过多点下降算法进行求解。 Yannis Marinakis等采用了改进的蜂群算法对0VRP问题进行了求解，并对算法性能进行了 分析。张江华对同时集散货物的0VRP利用随机变频邻域搜索方法和重启策略进行了求解。
[0003] 在许多现实生活的情形中，逆向物流网络自身具有高度的不确定性，网络设计过 程中各个客户需求点的位置和需求量不能事先确定，且需求量较小。因此在实际回收过程 中，往往将几个回收站的货物集中到一个回收站后统一向处理中心运输，即产生了仓储集 货运输模式。同时由于地理环境、运载条件等外界因素限制，往往不能保证物流网络中任意 两点间均存在可行路径，则需要回收站之间通过中转运输完成回收任务，即产生了不可行 路径情况。从整个物流回收环节的角度，考虑这两种运输模式对降低物流成本，提升与客户 的市场竞争力有很大的益处。因此，回收车辆路径问题的研究对指导实际问题有着重要的 意义。
[0004] 目前国内外大量的研究主要针对LRP和0VRP，要求物流网络结构满足任意两个物 流节点之间存在可行的直线路径，且当存在货物运输中转情况时，每个中转站只能接收一 个中转站的发货，其研究成果与结论对于回收车辆路径问题的研究无法直接应用。
[0005] 蚁群算法(Ant Colony Optimization, AC0)是由意大利学者Dorigo等人根据蚂 蚁的群体觅食行为所抽象出的启发式算法，并被广泛的应用于组合优化问题中。蚁群算法 的运行原理如下：蚂蚁种群觅食的过程中在搜索的路径上留下信息素，信息素浓度较大的 路径被选择的概率较大。随着时间的推移信息素开始进行挥发，较短路径上的蚂蚁能完成 更多次数的循环，则信息素浓度较高，促使更多的蚂蚁选择这条路径，这种正反馈机制是蚁 群算法进行寻优操作的核心。蚁群算法本身具有较强的鲁棒性，并且算法中的概率选择操 作在处理回收车辆路径选择问题时具有很大的优势，传统蚁群算法的概率选择操作是通过 禁忌表的方式确定已访问节点和未访问节点，根据当前节点到所有未访问节点的转移概率 进行下一访问节点的选择，每一次概率选择操作后将新选择的节点置于上一被选择节点后 面，直到所有的物流节点都被访问。根据节点访问顺序将所有物流节点两两相连，即为逆向 物流回收网络中的回收路径构成。由于这种选择方式都是一对一的，所得的解无法对仓储 集货运输情况进行表达。
[0006] 传统蚁群算法采用表中节点的顺序来记录回收路径，；ffiia表中的元素取 值于未访问节点集合必好從!，贝ij构成的路径即为教:个物流节点的一个不重复排列，无法 表现出仓储集货运输所产生的分支路径情况。
[0007] 因此本发明对传统蚁群算法编码方式与概率选择操作进行了改进提出逆选择操 作蚁群算法(ACO-nso)进行求解分析。
【发明内容】
[0008] 本发明的目的在于提供一种仓储集货模式车辆路径逆选择操作方法，该方法针对 逆向物流网络中回收车辆的路径设计问题，对物流节点之间不可行路径以及仓储集货模式 的考虑，并提出一种改进的蚁群算法进行仿真与求解，在实际生活中针对逆向物流网络中， 客户需求量整体偏低且需求点位置高度不集中的情况下，应用本发明算法可以有效地降低 运输成本，对指导实际应用具有重要意义。
[0009] 本发明的目的是通过以下技术方案实现的： 仓储集货模式车辆路径逆选择操作方法，所述方法基于逆选择操作蚁群算法的编码方 式、对下一节点的概率选择操作方式、蚁群算法流程及算法收敛性分析方法;基于逆选择操 作蚁群算法的编码方式采用路径串的形式进行编码;对下一节点的概率选择操作方式对于 蚂蚁是，设0中第一个点为待访问节点i，之后计算待访问节点f到已访问节点 集合nhfei⑷中每个元素的转移概率，假设J e 为被选择节点，则将加入到 2??的末端，并将/从中删除加入到t)中;通过上述对编码方式 以及概率选择操作，得VRPRL问题的蚁群算法流程如下： Step 1.输入节点参数、初始化距离矩阵，以处理中心为原点计算其它各个物流节点 的极坐标并按照极径升幂排列，根据不可行路径信息更新距离矩阵，并构造节约矩阵； Step 2.初始化集，根据集确定已访问集合与未访问 集合，将处理中心G加入到已访问集合中； Step 3.若未访问节点集合转入Step 5,否则以未访问节点集 合中第一个节点i为待决策点，计算i与中各个节点j的距离以及选择/后回 收站J的货物量，再判断节点/是否可被决策，即?和i之间存在可行路径且运输后不超 过回收站/的最大负载能力； Step 4.根据式（10)计算Jfi)各点转移概率，根据转移概率确定出节点i的决策节 点/，在1?餘鐵Ι?分中添加节点?，φ?)中添加节点/，并更新节点/的废弃物数量 信息； Step 5.若Γ￡^&(?η)集中存在负决策点，转入Step 6;否则二破+1，若權士1， 则转入St印2,否则转入St印8; Step 6.对集中的负决策点进行二次决策操作，若二次决策后不存在不可 决策点，转入Step 7;若二次决策后仍存在不可决策点，记这些节点为不可派送点，令 :?? "?? ) u，转Step 7 ； Step 7.夏二滚+.1，若魏<:M .+:1.,则转入Step 2,否则转入Step 8; Step 8.若Π ，根据第《次循环蚁群的行进路径更新信息素，则κ::=，如i转 入Step 2;若>'? ，则输出上一次循环的最优结果； 所述算法收敛性分析方法，解空间◎中存在一个最优解，这最优解必在ACO-nso算法 的搜索空间化;:3中；设尽和尽^分别为蚂蚁在Ω和〇^:2中能够找到一个最优解的概 率，则： H <1 (⑵； 由式(12)，以及极限的保不等式性可知：
当蚁群算法的迭代次数趋于无穷大时，ACO-nso算法能够找到最优解的概率为1，即 ACO-nso算法是收敛的。
[0010] 所述的仓储集货模式车辆路径逆选择操作方法，所述基于逆选择操作蚁群算法的 编码方式，路径串由两个结构体构成，结构体中的每个元素为一个物流节点的编号，解的形 式可表不为：:(??.…，氣…巧》4:(?:為…S % S..… 收站编号，且对于是尹I，4和&相同。
[0011] 所述的仓储集货模式车辆路径逆选择操作方法，所述对下一节点的概率选择操作 方式，待访问节点_i到已访问节点集合巧女)中每个节点的转移概率均为〇，则定义 待访问节点i为不可决策点。
[0012] 所述的仓储集货模式车辆路径逆选择操作方法，所述待访问节点i只与物流节点 /之间存在可行路径，而中节点J的位置在节点丨的后面，则节点f进行决策 时i中，所有节点都进行过决策之后对不可决策点进行二次决策操作，若二 次决策时某一节点仍然无法进行决策，则该点不存在与处理中心的通路，定义该节点为不 可派送点。
[0013] 所述的仓储集货模式车辆路径逆选择操作方法，所述方法算法流程Step 3若不可 被决策，则搜索中下一节点，若可被决策，将/放入可行集中。
[0014] 所述的仓储集货模式车辆路径逆选择操作方法，所述ACO-nso算法在进行迭代寻 优过程前首先对节点进行了次序重排处理，即未访问节点集合〇? 7拉中的所有点按 照极径升幂重新排列。
[0015] 所述的仓储集货模式车辆路径逆选择操作方法，所述算法收敛性分析方法的解空 间〇内所有解的路径串编码可划分为如下三类： (1) 在路径串编码中，属于ACO-nso算法的搜索空间内的编码，这类编码用Of c表示； (2) 在路径串编码中，至少产生了一条不可行路径的编码；即路径串编码中存在憂，被 选择的回收站.与是之间不存在可行路径，这类编码用表示。
[0016] (3)在路径串编码中，至少存在一个编码，在路径可行情况下，选择了极径大于自 身的编码。
[0017] 本发明的优点与效果是： 1.本发明集中处理后进行回收运输任务，即仓储集货运输模式，适宜于汽、电动等货运 车，改变了物流网络的结构，使问题更加符合实际情况，同时很大程度的减少车辆调用费用 与运输费用，降低了物流网络的运作成本。
[0018] 2.本发明算法的编码能够准确的表达出仓储集货运输中分支路径的情况，并保证 路径的可行性。本发明采用路径串的形式进行编码，路径串由两个结构体构成，这样就解决 了仓储集货运输模式下的分支路径情况的表达。
[0019] 3.本发明体现了 ACO-nso算法在求解考虑路径可行性与仓储集货模式下的回收车 辆路径的优势，本发明所提出的改进蚁群算法适用于求解中等及以下规模的逆向物流网络 回收路径问题，并且计算时间短、全局搜索能力强。
[0020] 4.本发明合理的选择回收站的选址与回收车辆的回收路径，使得完成回收任务的 总运输成本最小。
【附图说明】
[0021] 图1为LRP物流网络结构图； 图2为不可行路径情况下的运输示意图； 图3为0VRP的网络结构示意图； 图4为仓储集货运输模式示意图； 图5为VRPRL物流网络结构图； 图6为解的结构不意图； 图7为概率选择操作示意图； 图8为第三类路径串编码示意图。
【具体实施方式】
[0022]下面结合附图所示实施例对本发明进行详细说明。
[0023]基于逆选择操作蚁群算法的编码方式。针对VRPRL解的特点，需要加入不可行路径和 仓储集货运输的要素，则需要智能算法的编码能够准确的表达出仓储集货运输中分支路径的 情况，并保证路径的可行性。本发明采用路径串的形式进行编码，路径串由两个结构体构成，结 构体中的每个元素为一个物流节点的编号，解的形式可表示为:_(1 工.._A一… 其中^表示对回收站?服务的回收站编号，且对于:是# I，4和4可以相同，这样就解决了 仓储集货运输模式下的分支路径情况的表达。例如（UA45HS) - Κ〇Λ〇,2Λ3Λ3.) 表示回收站1，3,7处的废弃物直接运送至处理中心，回收站2,5通过回收站1进行中转运输， 回收站6,8通过回收站3进行中转运输，回收站4首先通过回收站2运输至回收站1最终运往 处理中心，该编码对应解的结构示意图如图6所示。
[0024]对下一节点的概率选择操作： 本发明对于蚂蚁Ir，设中第一个点为待访问节点i，之后计算待访问节 点f到已访问节点集合中每个元素的转移概率，假设j 濟k)为被选择节 点，则将加入到的末端，并将?从^^中删除加入到中，概 率选择操作示意图如图7所示。在进行概率选择操作时，若待访问节点:i到已访问节点集合 中每个节点的转移概率/?均为〇，则定义待访问节点i为不可决策点，不可决策 点的产生是由于考虑道路可行性导致的。假设待访问节点i只与物流节点/之间存在可行 路径，而中节点/的位置在节点i的后面，则节点i进行决策时j不在 中，故节点:i无法进行决策。在所有节点都进行过决策之后对不可决策点进行二 次决策操作，若二次决策时某一节点仍然无法进行决策，则该点不存在与处理中心的通路， 定义该节点为不可派送点。
[0025] 综上所述，对于蚂蚁I：的未访问节点集合中第一个节点i，#珍表示所有可访问 节点的集合，若= 0，则该节点为不可决策点，定义该点的决策为一i，并将i加入到 已访问节点集合中；若J @ = 0，则节点对下一节点/的转移概率为4:
[0026] 式(10)为蚂蚁是从节点?到/的转移概率;啦/)为路径(U)的轨迹强度，由对应的信息 素浓度表示，初始值为1，经过蚂蚁完成若干次循环后，轨迹强度发生改变心(， 声表示信息素挥发系数，表示在第f次循环中增加的信息素；#、/)为路径彳人/)的能 见度，由其距离的倒数表示；α表示屯,〇的权重；#表示啦./)的权重;式a 1)中[:节/)表示 从/到/的距离节约比例。其中名表示第僉只蚂蚁从节点i直接运送到处理中心的距离， ^^表示节点i到节点/的距离。
[0027] 算法描述： 通过对编码方式以及概率选择操作的改进，可得VRPRL问题的蚁群算法流程如下： Step 1.输入节点参数，初始化距离矩阵，以处理中心为原点计算其它各个物流节点 的极坐标并按照极径升幂排列，设置算法最大迭代次数和种群规模以及决策次 数P，令?1通.=i，夕二i。根据不可行路径信息更新距离矩阵，并构造节约矩阵。
[0028] step 2.初始化集，根据Γβ&Μ(?η)集确定已访问集合朽《Μ#(βι)与未 访问集合LkWsir _ ，将处理中心〇加入到已访问集合中。
[0029] Step 3.若未访问节点集合0.，转入Step 5,否则以未访问节点 集合中第一个节点i为待决策点，计算?与中各个节点i的距离以及选择/后 回收站/的货物量，再判断节点i是否可被决策，即i和/之间存在可行路径且运输后不 超过回收站/的最大负载能力。若不可被决策，则搜索中下一节点，若可被决策， 将/放入可行集Jl>中。遍历搜索结束后，得到节点f的可决策点集合Ai)。若刀i) = G， 则定义节点j为不可决策点，在^^(m)中添加节点一；1，中删除?， 中加入i，!转入Step 3;若 痧， 则转入Step 4。
[0030] Step 4.根据式（10)计算Jg)各点转移概率，根据转移概率确定出节点?的决策 节点_/，在中添加节点i 轉中添加节点/，并更新节点/的废弃物数 量信息。中删除，#=#_+!.，转入 Step 3。
[0031] Step 5.若拉知_)集中存在负决策点，转入step 6;否则街=?料1，若傭<!/ + !， 则转入St印2,否则转入St印8。
[0032] Step 6.对集中的负决策点进行二次决策操作，若二次决策后不存在 不可决策点，转入Step 7;若二次决策后仍存在不可决策点，记这些节点为不可派送点，令 Γ??δ.?? (泔)二???，转Step 7 〇
[0033] Step 7.规二滚￥1，若+ i，则转入Step 2,否则转入Step 8。
[0034] St印8.若ri<JVC_，根据第η次循环蚁群的行进路径更新信息素，则符=冷Η: 转入step2;若s ，则输出上一次循环的最优结果。
[0035] ACO-nso算法收敛性分析： 在算法流程中，ACO-nso算法在进行迭代寻优过程前首先对节点进行了次序重排处理， 即未访问节点集合中的所有点按照极径升幂重新排列，这个操作保证了进行 概率选择操作时所产生的解均为可行解，同时缩小了 ACO-nso算法解的搜索空间。因此我们 需要证明考虑路径可行性与仓储集货模式下的回收车辆路径问题的最优解处于ACO-nso算 法的搜索空间内，并且当算法迭代次数趋于无穷时ACO-nso算法在此空间内能够找到一个 最优解的概率为1。
[0036] 首先设考虑路径可行性与仓储集货模式下的回收车辆路径问题的解空间为则 解空间Ο内所有解的路径串编码可划分为如下三类： (1)在路径串编码中，属于ACO-nso算法的搜索空间内的编码，这类编码用表示。
[0037] (2)在路径串编码中，至少产生了一条不可行路径的编码。即路径串编码中存在念 ，被选择的回收站'与長之间不存在可行路径，这类编码用表示。
[0038] (3)在路径串编码中，至少存在一个编码，在路径可行情况下，选择了极径大于自 身的编码。如图8所示，0Α之间存在可行路径，但Α进行编码选择时选择极径大于自身的回收 站B对其进行服务，这类编码用进行表示。
[0039] 分析解空间关系可知 li〇r，且 licv) = :0。对于 中的解，由于存在不可行路径，因此Ω.Ι5中的解均为不可行解，则最优解不在Ωι>中；对 于中的解，总存在中的一个解与其对应，且路径选择^中未选择的可行路径。
[0040] 以图8为例，显然￡題+3# i + (当A，B两点的极径相等时取等号），则对 于中的任意一个解总存在〇.^^中一个解的值优于这个解，因此最优解不在Ωβ。综上 分析，若解空间〇中存在一个最优解，则这个最优解必在ACO-nso算法的搜索空间中。 设尽和分别为蚂蚁在D和〇.^中能够找到一个最优解的概率，则： ?〇 ^ο ^ (12) 假设蚂蚁在进行路径寻优搜索过程中一共进行了 T次迭代，每次迭代蚂蚁需要进行η次 概率选择操作，完成η个节点的对应服务节点选择。不妨设蚂蚁在第r次迭代过程中找到了 最优解，则最优解的路径串编码为： :(15 2,…，持》-14 5 ^.... " 5 ?.,.,, ? I (13) 故蚂蚁在第W欠迭代时找到最优解的概率为：
概率。对于蚁群算法在进行寻优过程中，只要有一个节点编码的不正确，则不能搜索到最优 解，因此蚂蚁在寻优过程中未找到最优解的概率为：
因此，在τ个迭代周期内，蚂蚁仍没搜索到最优解的概率为 ，故在τ个迭代周 期内，蚂蚁能够在??中找到最优解的概率是：
当蚁群算法的迭代次数趋于无穷大时，ACO-nso算法能够找到最优解的概率为1，即 ACO-nso算法是收敛的。
[0041] 实际生活的许多情况中，通常无法确保任意两个物流节点间的路径都可以通行， 则需要通过中转运输的方式寻找可行路径进行运输。如图2所示，回收站A与处理中心0之间 没有可行路径，则回收站A的废弃物在回收过程中首先要通过路径AB运往回收站B，之后通 过路径B0运往处理中心0完成回收任务。综上所言，不可行路径情况的考虑相对于LRP模型 更贴近实际情况。选址-路径问题在模型建立时需假设物流网络中任意两个物流节点间存 在可行的直线路径，LRP物流网络结构如图1所示，不可行路径情况下的运输示意图如图2所 不。
[0042] 开放式车辆路径问题的主要特点是运输车辆在服务完最后一个需求点后，不要求 其返回出发车场，车辆路径是一个哈密顿路(Hamiltonian path)AVRP的网络结构如图3所 示，仓储集货运输模式示意图如图4所示。
[0043] 在0VRP中，配送车辆依次对多个需求点进行服务，但不可以同时对两个需求点进 行服务，在网络图中的体现为运输路径图不可出现分支结构。然而对于实际情况尤其是在 逆向物流网络设计中，大多数回收站的废弃物数量较少，因此在回收过程中通常先将多个 废弃物量较少的回收站的废弃物统一运输到某一个回收站，集中处理后进行回收运输任 务，即仓储集货运输模式。将运输模式这样处理改变了物流网络的结构，使问题更加符合实 际情况，同时很大程度的减少车辆调用费用与运输费用，降低了物流网络的运作成本。其运 输示意图如图4所示。
[0044]图5为一个逆向物流回收网络结构图，该物流网络主要由需求点、回收站、处理中 心三部分构成。图中节点Ο为处理中心，节点1至28为物流网络中设立的回收站。回收物流 网络在运作过程中，需求点的用户首先将废弃物送往最近的回收站，回收站在收到需求点 客户的废弃物之后，对当前回收站和临近物流节点的废弃物数量以及路径可行性信息进行 分析，采用中转运输或仓储集货运输模式将废弃物运往其它回收站，或者直接运送至处理 中心。
[0045] VRPRL物流网络结构图如图5所示，在VRP模型的基础上，根据VRPRL问题的特点，考 虑不可行路径和仓储集货运输两种因素，建立以逆向物流回收网络总运输费用最低为目标 函数的数学模型，首先给出决策变量：
则可建立数学模型如下：
[0046] 式中：表示从点丨到i的可行路径长度(对于e OUF，若存在可行路径，则定 义％ = 4，其中4表示点i到点j的欧氏距离;若不存在可行路径，则定义％ = M， 其中J/为一个充分大的正数）；<\为回收路径的行驶成本;为回收站J的最大负载能 力；为回收站森的建设成本;+??表示回收站J的废弃物数量;馬,+鳥分别代表回收站/ 接收其它回收站废弃物总量与该回收站的废弃物发出量。g表示回收站I的废弃物回收至 处理中心C?的过程中节点i是否承担转运。
[0047] 4表示回收站|的废弃物回收至处理中心￡?的过程中路径是否承担转运。模 型的目标函数由两部分组成，第一部分表示废弃物回收运输费用，第二部分表示物流设施 建设费用，#^#2表示各个部分费用的权重。约束条件中，式(2)表示回收站负载约束，表示 每座回收站从需求点客户直接回收到的废弃物与接收其它回收站废弃物的总和不可超过 运往回收站的最大负载能力;式(3) ,(4),(5)为访问约束，其中式(3)表示每个回收站可以 接收多个回收站的发货但只能向一个回收站进行发货，式(4)表示每个回收站须将从客户 需求点和其它回收站得到的废弃物全部发出，即所有废弃物都能得到处理，式(5)确保被选 择接收废弃物的回收站已经建立;式(6)，（7)为路径回路消除约束，表示在废弃物回收过程 中不允许存在回路;式(8)，（9)为变量约束。
[0048] 实施例一： 随机产生1个处理中心，30个回收站，120个需求点的逆向物流回收网络，处理中心的坐 标0(37km，25km)，30个回收站的信息见表1。要求合理的选择回收站的选址与回收车辆的回 收路径，使得完成回收任务的总运输成本最小。
[0049]表1回收站信息
在此，利用ACO-nso算法以回收任务总运输成本最低为优化目标对逆向物流回收网络 进行优化求解，并与不考虑不可行路径以及仓储集货运输模式下的计算结果进行对比，优 化结果如表2。
[0050]表2总运输成本最低为优化目标的车辆调度 通过表2中计算结果可以发现，对于逆向物流回收车辆路径，不可行路径以及仓储集货 运输两种模式所建立的数学模型更加符合实际情况，并且很大程度上减少了回收任务中的 运输费用与物流设施建设费用，使得物流系统总运作成本降低。
[0051 ] 实施例二： 为了讨论本发明所提出的AC0-nS〇算法对回收车辆路径问题的适用性，在此对多种问 题规模的实例采用该算法进行求解分析，仿真计算结果对比如表3。
[0052] 表3仿真计算结果对比分析
通过表3可以看出，当问题规模小于70时，算法的稳定性较高，能够得出较好的优化结 果；当问题规模继续增大时，算法的稳定性开始下降，主要表现为对最优解的搜索成功率下 降、并且迭代次数和计算时间较长。这是由于本发明考虑了不可行路径和仓储集货模式导 致解空间的规模从??!增大为，当问题规模增大时解的搜索空间规模呈指数性增长。因 此本发明所提出的改进蚁群算法适用于求解中等及以下规模的逆向物流网络回收路径问 题，并且计算时间短、全局搜索能力强。
[0053] 实施例三： 由表2的结果可知，ACO-nso算法的能够搜索得到问题的满意解。为了更好的体现AC0-nso算法在求解考虑路径可行性与仓储集货模式下的回收车辆路径问题的优势，将其与枚 举法(EM)和遗传算法(GA)的算法性能进行对比分析，如表4所示。
[0054] 表4算法与枚举法和遗传算法的算法性能对比
通过表4.可以看出ACO-nso算法计算时间短且算法的稳定性较高，可以得到满意的优 化解。对于枚举法求解，虽然可以准确的找到最优解，但算法的计算时间较长。由例二对于 解空间规模的分析可知，以例三问题规模为30的算例，求解空间规模从2.65e+32增加到了 2.05e+44,因此计算量呈指数性增长，导致枚举法的计算时间较长;对于遗传算法的求解， 虽然同样可以搜索到最优解，但计算时间和搜索成功率同ACO-nso相比结果较差。产生上述 结果是由于ACO-nso算法在进行概率选择操作时保证了初始解的可行性，而遗传算法在进 行路径串编码时随机产生初始解，导致初始解空间内存在大量的不可行解，降低了遗传算 法的运行效率与准确度。
【主权项】
1.仓储集货模式车辆路径逆选择操作方法，其特征在于，仓储集货模式车辆路径逆选 择操作方法，所述方法基于逆选择操作蚁群算法的编码方式、对下一节点的概率选择操作 方式、蚁群算法流程及算法收敛性分析方法;基于逆选择操作蚁群算法的编码方式采用路 径串的形式进行编码;对下一节点的概率选择操作方式对于妈蚁恶，设巧:兩中第 一个点为待访问节点f，之后计算待访问节点i到已访问节点集合巧si垃泣'(i-忡每个元素的 转移概率，假设J e化?滅權）为被选择节点，则将/加入到的末端，并将I从 [兩vM紀巧.叫中删除加入到Γυ?泣刹、fc)中；通过上述对编码方式W及概率选择操作，得 VRP化问题的蚁群算法流程如下： Step 1.输入节点参数、初始化距离矩阵，W处理中屯、为原点计算其它各个物流节点 的极坐标并按照极径升幕排列，根据不可行路径信息更新距离矩阵，并构造节约矩阵； Step 2.初始化集，根据Γ崩蝴掉)集确定已访问集合?'駐;始巧;樹）与未访问 集合按奴被涂_减細)，将处理中心忽加入到已访问集合中； Step 3.若未访问节点集合:扮級弦法滋雌轉=:终，转入Step 5,否则W未访问节点集合 中第一个节点I为待决策点，计算?与約碼数轉蠕中各个节点/的距离W及选择/后回收 站/的货物量，再判断节点/是否可被决策，即i和i之间存在可行路径且运输后不超过 回收站/的最大负载能力； Step 4.根据式（10)计算巧避各点转移概率，根据转移概率确定出节点I的决策节点 J，在Ms渝塌班i中添加节点?，Ml#磅中添加节点/，并更新节点/的废弃物数量信 息； Step 5.若扣細.征）集中存在负决策点，转入Step 6;否则.被二雜寺1，若徽<游斗！， 则转入St巧2,否则转入St巧8; Step 6.对Ic心ij(m)集中的负决策点进行二次决策操作，若二次决策后不存在不可决 策点，转入Step 7;若二次决策后仍存在不可决策点，记运些节点为不可派送点，令 拓左化（好? j = f?!，转St邱7; Step 7.糜二激+1，若游CM夺I，则转入St巧2,否则转入St巧8; Step 8.若巧<.。，根据第巧次循环蚁群的行进路径更新信息素，则恐=巧车?转入 Step 2;若紋>]￥巧胃，则输出上一次循环的最优结果； 所述算法收敛性分析方法，解空间〇中存在一个最优解，运最优解必在ACO-nso算法的 捜索空间Ω.4::.中；设&和瑪。分别为妈蚁在爲和化中能够找到一个最优解的概率， 则：(12)； 由式(12)，W及极限的保不等式性可知：(18) 当蚁群算法的迭代次数趋于无穷大时，ACO-nso算法能够找到最优解的概率为1，即 ACO-nso算法是收敛的。2. 根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述基 于逆选择操作蚁群算法的编码方式，路径串由两个结构体构成，结构体中的每个元素为一 个物流节点的编号，解的形式可表示为：狂是…，喪…，絳 4表示对回收站I:服务的回收站编号，且对于I： #1, :?和相同。3. 根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述对 下一节点的概率选择操作方式，待访问节点i到已访问节点集合扔4-):中每个节点的 转移概率均为0,则定义待访问节点i为不可决策点。4. 根据权利要求3所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述待 访问节点?只与物流节点./之间存在可行路径，而。部巧中节点i的位置在节点I 的后面，则节点?进行决策时/不在中，所有节点都进行过决策之后对不可决策 点进行二次决策操作，若二次决策时某一节点仍然无法进行决策，则该点不存在与处理中 屯、的通路，定义该节点为不可派送点。5. 根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述方 法算法流程Step 3若不可被决策，则捜索巧强奴巧故）中下一节点，若可被决策，将i放入可 行集./(i)中。6. 根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述 ACO-nso算法在进行迭代寻优过程前首先对节点进行了次序重排处理，即未访问节点集合 CM愈游鸿中的所有点按照极径升幕重新排列。7. 根据权利要求1所述的仓储集货模式车辆路径逆选择操作方法，其特征在于，所述算 法收敛性分析方法的解空间Ω内所有解的路径串编码可划分为如下Ξ类： (1) 在路径串编码中，属于ACO-nso算法的捜索空间内的编码，运类编码用表示； (2) 在路径串编码中，至少产生了一条不可行路径的编码；即路径串编码中存在表，被 选择的回收站4与裏之间不存在可行路径，运类编码用表示； (3) 在路径串编码中，至少存在一个编码，在路径可行情况下，选择了极径大于自身的 编码。
【文档编号】G06N3/00GK106096881SQ201610400495
【公开日】2016年11月9日
【申请日】2016年6月8日
【发明人】刘艳秋, 陈明非, 张颖, 徐世达, 李佳, 胡忠君, 蔡超, 郭洪月
【申请人】沈阳工业大学