一种考虑复杂路网的物流配送区域划分方法

技术领域

本发明涉及一种考虑复杂路网的物流配送区域划分方法，属于交通运输科技领域。

背景技术

随着网络购物和现代物流业的飞速发展，物流配送成为连接生产者和消费者的一个重要环节，在整个供应链中发挥着越来越重要的作用。对城市物流配送区域进行划分对于降低物流运营成本、改善顾客服务满意度具有重要意义。物流配送区域划分被认为是缓解城市拥堵、提高流动性、减少污染的有效策略，可以减轻大规模物流配送网络优化的计算负担，为大都市物流城市规划提供便利。

物流配送区域划分问题是一个多约束、多目标决策的组合优化问题，是将具有配送需求的所有客户集散点划分到不同的区域中，每个区域中客户集散点的配送由同一个配送中心完成。在进行物流配送时，城市道路网络具有复杂性，影响着整个配送体系的运行，而复杂路网基本反映了现实城市的路网结构，研究面向实际路网约束，并能求解大规模配送区域划分的策略，具有重要的现实意义。

物流配送区域划分是将整个物流网络分割成几个较小的区域，在每个分区域内，对物流配送的车辆路径问题进行进一步研究，使得整个物流配送网络的车辆路径问题得到解决优化。一直以来，物流配送区域划分问题一直是国内外学者的研究热点，涉及区域分割、车辆调度、车辆组合优化、设施规模、配送时间和配送费用等问题，这些问题直接影响着物流配送区域规划的效率、成本、能力及服务水平。常用的配送区域划分方法主要与物流配送设施的选址或车辆路径问题进行结合研究，建立成本最小化的目标函数对模型进行优化求解，主要包括泰森多边形理论、聚类分析、网格划分等，但是在以往的研究中较少考虑多重因素对物流配送区域划分的影响，另外在划分出的每个区域内如何进一步优化车辆调度也未能很好的解决。

Wang Yong等人提出了扩展粒子群优化遗传算法(EPSO-GA)，通过建立两级物流配送区域成本最小化模型，采用EPSO-GA对模型进行优化求解(Yong Wang,Ma Xiaolei,XuMaozeng,et al.(2015)Two-echelon logistics distribution region partitioningproblem based on ahybrid particle swarm optimization-genetic algorithm.ExpertSystems with Applications An International Journal,42(12):5019-5031.)。这些算法在一定程度上解决了城市物流配送区域划分的问题，但在对较大规模的城市物流配送区域进行划分时，由于城市道路存在交叉路口和道路路段的限制，这些方法依然会导致物流配送效率低下的问题。如何对大规模城市物流配送区域进行有效划分，从而提高大规模城市物流配送效率成为亟待解决的问题。

发明内容

为了解决由于城市复杂路网导致的大规模物流配送中效率低下的物流配送区域划分问题，本发明提供了一种考虑复杂路网的物流配送区域划分方法，所述方法通过考虑城市复杂路网结构，对城市物流配送区域进行网格化，并结合多尺度网络模型构建得到考虑复杂路网的反向k-增长多尺度网络模型，在反向k-增长多尺度网络模型的基础上，采用混合遗传-集束搜索算法实现城市物流配送区域的划分。

可选的，所述方法包括：

(1)将城市物流配送区域进行网格化；

(2)将城市复杂路网进行模型化：

G＝(V(G)，A(G)，P(G))

城市复杂路网G由点集V(G)、有向路径集A(G)和道路拥堵信息P(G)组成；

V(G)为所有路径节点的集合，V(G)＝{v

A(G)由路径矩阵R(v

P(G)为道路拥堵描述；

城市物流配送区域中，客户集散节点的集合J＝{J

客户集散节点需求信息为C＝{c

其中，

(3)构造目标函数，即总费用GD，由行驶费用、车辆固定成本和时间延迟成本3部分构成：

其中，F为车辆的固定成本，l为时间延迟成本；

设D＝(v

每个客户集散节点J

假设客户集散节点集合J划分为S′个配送区域：J＝(JF

(4)在复杂路网上搭建反向k-增长多尺度网络模型

假设城市路网Z的边界为L，中心点为O，中心点O的经纬度坐标为(x

(5)染色体编码

将路径信息与配送信息进行染色体编码，采用二维染色体编码方式。

第一维度为自然数序列：1，2，3，...，S′，S′为配送区域的个数；

第二个维度是染色体的位置；

染色体位置表示为分配给每个配送中心的客户点的序列号；y

(6)设定适应度函数

其中，QZ为惩罚权重，S′

(7)染色体选择

采用Monte Carlo法选择算子，个体适应度越大，被选择的概率越高；

(8)确定集束搜索的拓扑结构，即生成可划分客户点的集合；

(9)初始化搜索束宽和权值。

判断初始节点的数量N是否大于bw，N＞bw，继续；N＜bw，对初始节点进行分支；

其中，bw为集束搜索的束宽。

(10)引入惩罚函数

max GD≥QZ

(11)交叉与变异

从父代里随机选择两个个体w

w

w

其中β为[0，1]间的随机数；

以预定概率完成均匀变异，使个体适应度更高，从局部角度逼近最优解；变异后的新基因值为：

w′＝γ(w

其中w

在经过多次交叉变异后，得到城市物流配送区域的最优路径，得出物流配送区域划分最优结果。

可选的，所述(4)在复杂路网上搭建反向k-增长多尺度网络模型，包括：

(4.1)确定中心点O

(4.2)初始网格划分

确定中心点O周围的r×r个初始网格，其中r＝g

输入：中心点坐标O(x

输出：初始网格坐标GRID

Step1：根据中心点O(x

Step2：在初始网格划分总体区域范围内，按照从左到右、从上至下的顺序计算各网格顶点坐标为：

GRID

(4.3)网格扩展划分

在第p-1步网格扩展划分结果的基础上进行第p步网格扩展划分，其中P

输入：中心点坐标O(x

输出：第p步网格扩展划分结果PGRID(a，b)。

可选的，所述道路拥堵描述P(G)中以自然条件、道路等级对道路通行能力的影响评价，引入公式P＝(P

P(G)＝{P(v

表示当从路径节点v

可选的，时间延迟成本l计算公式如下：

其中，ω表示单位距离对应的时间延迟成本。

可选的，所述均匀变异的预定概率为0.02。

可选的，QZ为惩罚权重，取值为$3800。

可选的，所述构造目标函数中，若实际配送线路中，存在无法直接穿越需要绕行的交通障碍，则判断由此产生的绕行成本是否超出配送承受范围，若超出配送承受范围，则在线路规划中避开；无法直接穿越需要绕行的交通障碍包括铁路和河流。

本申请还提供一种车辆调度方法，其特指在于，所述方法采用上述考虑复杂路网的物流配送区域划分方法对车辆调度范围进行区域划分，进而根据区域划分确定车辆调度方案。

本发明有益效果是：

(1)本发明通过将城市复杂的路网情况进行了模型网格化，并与反向k-增长多尺度网络模型进行融合处理，以确定的物流配送中心为中心点对城市物流配送区域进行划分。二者结合可以更好的描述城市物流配送所经过的道路信息，将城市复杂路网情况进行模型化。

(2)提出一种混合遗传-集束搜索算法，将道路信息与配送信息进行染色体编码，然后根据集束搜索的搜索条件对不合格染色体进行剪枝，保证了父代的最优，使得交叉变异后的子代最优，两种算法的融合既避免了了局部搜索的弊端，又发挥了全局搜索能力，使得对城市物流配送时更好地进行路径进行规划，提高配送区域划分的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例中提供的考虑复杂路网的物流配送区域划方法的流程图。

图2是本发明一个实施例中反向k-增长多尺度网络模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

首先对本申请涉及的基础理论进行介绍如下：

1、集束搜索算法运行步骤为：

(1)生成可划分客户集散点的集合；

(2)判断初始节点的数量N是否大于bw，N＞bw，转向(3)；N＜bw，对初始节点进行分支；

(3)将不完整的分配通过某种派发规则转变成完整分配；

(4)比较完整分配的目标值，并选择最优的bw个作为初始客户点位置；

(5)对束节点进行分支，并计算节点的目标值，选择最优客户点位置；

(6)从最终会产生的bw个完整的分配方案中选择最优的搜索的最佳客户点位置。

2、Monte Carlo方法

采用Monte Carlo法选择算子时，个体适应度越大，被选择的概率越高。设种群数量为m'，个体n'的适度值为F，则选中个体a的概率为：

实施例一

本实施例提供一种考虑复杂路网的物流配送区域划方法，请参照图1，所述方法包括：

(1)将城市物流配送区域进行网格化。

(2)将城市复杂路网进行模型化：

G＝(V(G)，A(G)，P(G))

路网G由点集V(G)和有向路径集A(G)、道路拥堵信息P(G)组成。

其中：V(G)为所有路径节点的集合，V(G)＝{v

P(G)＝{P(v

表示当从路径节点v

客户集散节点的集合J＝{J

客户集散点需求信息为C＝{c

其中，

(3)构造目标函数

本发明采用的目标函数是在考虑到配送区域划分中存在的配送站点容量约束，对于考虑复杂路网配送区域划分问题，假设路径中任意两点是连通的，而在实际配送线路中，铁路、河流等交通障碍是无法直接穿越的，如果配送线路经过上述障碍，则车辆需要绕行，继而产生绕行成本，对于绕行成本超出配送承受范围的障碍必须在线路规划中避开。

总费用GD由行驶费用、车辆固定成本和时间延迟成本3部分构成：

其中，车辆的固定成本为F，时间延迟成本为l：

时间延迟成本l与线路内部所有客户至地理位置中心点的距离之和成正比，这里的时间延迟成本仅用于比较方案之间的优劣，其单个方案的值并没有实际的运营意义。

D＝(v

每个客户集散节点J

假设客户集散节点集合J划分为S′个配送区域：J＝(JF

(4)在复杂路网上搭建反向k-增长多尺度网络模型

建立反向k-增长多尺度网格模型时，需首先确定网格的中心点，并以此作为基点进行初始网格划分，即先进行最小粒度网格的划分；然后增加网格划分粒度，进行扩展网格划分；最终建立反向k-增长多尺度网格模型。

请参考图2，假设城市路网Z的边界为L，中心点为O，中心点O的经纬度坐标为(x

(4.1)确定中心点。

物流配送区域划分是以城市路网Z的配送中心的位置(即中心点O)为基础点进行区域选择，在城市物流配送路网中，中心点O是确定的。

(4.2)初始网格划分

确定中心点周围的r×r个初始网格，其中r＝g

输入：中心点坐标O(x

输出：初始网格坐标GRID

Step1：根据中心点O(x

Step2：在初始网格划分总体区域范围内，按照从左到右、从上至下的顺序计算各网格顶点坐标为：

GRID

(4.3)网格扩展划分

在第p-1(p＝1，2，...，p

输入：中心点坐标O(x

输出：第p步网格扩展划分结果PGRID(a，b)。

在将城市复杂路网进行模型化、建立反向k增长多尺度模型进行初步划分后，需要对区域内的路径进行优化，验证配送区域划分的合理性。

(5)染色体编码

将路径信息与配送信息进行染色体编码，采用二维染色体编码方式。

第一维度为自然数序列：1，2，3，...，S′，S′为配送区域的个数；

第二个维度是染色体的位置。

染色体位置可以表示为分配给每个配送中心的客户点的序列号。y

(6)设定适应度函数

其中，QZ为惩罚权重，可根据目标函数的范围预定义为一个大数，S′

(7)染色体选择

采用Monte Carlo法选择算子，个体适应度越大，被选择的概率越高。

(8)确定集束搜索的拓扑结构，即生成可划分客户点的集合。

(9)初始化搜索束宽和权值。

判断初始节点的数量N是否大于bw，N＞bw，继续；N＜bw，对初始节点进行分支。

其中，bw为集束搜索的束宽。

(10)引入惩罚函数

max GD≥QZ

(11)交叉与变异

从父代里随机选择两个个体w

w

w

其中β为[0，1]间的随机数。

以某一较小的概率完成均匀变异，使个体适应度更高，从局部角度逼近最优解。变异后的新基因值为：

w′＝γ(w

其中w

在经过多次交叉变异后，得到城市物流配送区域的最优路径，从而验证区域划分的有效性，得出物流配送区域划分最优结果。

本发明的效果可通过以下实验进一步说明。

1.仿真条件

本实施例利用MATLAB 2020a进行仿真实验，实验设备为具有i7-7500 2.90GHzCPU的电脑。由于每个客户集散点通常包含20多个客户，而Solomon数据集或扩展Solomon数据集中的需求是为每个客户收集的。为了更好地反映每个客户点的实际配送需求，本实施例中将对Solomon数据集(详请参照：http://download.csdn.net/tagalbum/12619)中的RC1_2_1的客户交付需求乘以20作为交付需求，即对该数据集进行扩展操作以达到和实际配送需求相符的目的。

本实施例将本申请方法和现有的HPSO、GA、ACO、EPSO-GA、2MPSO、IPSO、TS-MOEA、HPSO-HGA等八种算法进行了对比，该八种算法分别可参考：

HPSO，可参考“Yin P Y,Yu S S,Wang P P,et al.A hybrid particle swarmoptimization algorithm for optimal task assignment in distributed systems[J].Computer Standards&Interfaces,2006,28(4):441-450.”

GA，可参考“Shima T,Rasmussen S J,Sparks A G,et al.Multiple taskassignments for cooperating uninhabited aerial vehicles using geneticalgorithms[J].Computers&Operations Research,2006,33(11):3252-3269.”

ACO，可参考“HuaChen,Albert Mo KimCheng,Ying-WeiKuo.Assigning real-timetasks to heterogeneous processors by applying ant colony optimization[J].Journal of Parallel and Distributed Computing.2011,71(1):132-142.”

EPSO-GA，可参考“Yong Wang,Ma Xiaolei,Xu Maozeng,et al.Two-echelonlogistics distribution region partitioning problem based on a hybrid particleswarm optimization-genetic algorithm[J].Expert Systems with Applications AnInternational Journal,2015,42(12):5019-5031.”

2MPSO，可参考“Okulewicz M,Madziuk J.The impact of particularcomponents of the pso-based algorithm solving the dynamic vehicle routingproblem[J].Applied Soft Computing,2017,58(9):586-604.”

IPSO，可参考“Hannan M A,Akhtar M,Begum R A，et al.Capacitated vehicle-routing problem model for scheduled solid waste collection and routeoptimization using PSO algorithm[J].Waste Management,2018,71:31-41.”

TS-MOEA，可参考“Wang J,Weng T,Zhang Q.A Two-Stage MultiobjectiveEvolutionary Algorithm for Multiobjective Multidepot Vehicle Routing ProblemWith Time Windows[J].IEEE Transactions on Cybernetics,2018:1-12.”

HPSO-HGA，可参考“Lu Zhen,Chengle Ma,Kai Wang,et al.Multi-depot multi-trip vehicle routing problem with time windows and release dates[J].Transportation Research Part E,2020,135:1-21.”

2.仿真结果

为了更好地反映每个配送单元的实际配送需求，将扩展Solomon数据集中的RC1_2_1的客户交付需求乘以20(因为每个客户集散点一般包括20个客户)，作为交付需求。并在该数据集上进行实验仿真，即分别以本申请提出的方法和上述八种算法对同一物流配送网络进行区域划分，以计算得到的各种不同划分情况下总花费的数据以及得到划分区域最优结果所需的算法迭代次数，仿真结果对比如下表1和表2所示。

表1不同方法下结果对比(总花费，单位：$)

表2不同方法下结果对比(算法总迭代次数).

从表1和表2可以看出，整个物流配送网络下的最佳成本，HPSO方法下的最小花费为GD＝$31577，GA方法下的最小花费为GD＝$32693，ACO方法下的最小花费为GD＝$34672，EPSO-GA方法下的最小花费为GD＝$29993，2MPSO方法下的最小花费为GD＝$31106，IPSO方法下的最小花费为GD＝$29653，TS-MOEA方法下的最小花费为GD＝$28906，HPSO-HGA方法下的最小花费为GD＝$30017。

以本发明提出的算法得到的结果为基准，采用t检验的统计学方法检验本申请方法是否优于其他方法，若所得检验结果P的值小于0.01则表示两组数据存在极显著性差异，P值越小差异性越明显，与基准数据的差异越大。

基于t检验的结果，每天的分配成本和迭代次数与其他方法都有显著差异。与遗传算法相比，本申请方法的总成本降低了14.1％，同时，达到最优解所需的迭代次数减少了152次，这意味着本发明提出的方法找到最优解的可能性比其他方法更高，即本发明所提出的方法可以更好地捕获分区方案，最优成本和迭代次数，并展示了其解决城市物流配送网络中复杂的配送区域分区问题的能力。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。