一种城市快递取送货过程低碳调度的学习型蚁群优化方法、系统

技术领域

本发明涉及一种城市快递取送货过程低碳调度的学习型蚁群优化方法、系统，属于车辆路径问题智能优化调度技术领域。

背景技术

在我国经济发展迅速的大背景下，网购成为现代人购物的一个重要渠道，物流业随之发展壮大，随着客户需求多样化，物流公司更加注重客户满意度、降低成本。据统计，2020年，我国快递量超过800亿件成为当之无愧的世界第一快递大国。2015年我国快递业务收入2769.6亿元，五年后到2020年就达到了8600亿元，呈三倍增长。如此庞大的快递运输量，如果不能找到一种有效的配送方法，会增大快递企业成本降低客户的满意度。

在城市快递配送过程中，客户的需求具有多样性，在客户收快递的同时需要寄出快递的情况并不少见。如果像传统快递一样，无法为客户提供取货寄出的服务，不仅降低了客户对服务的满意度，其他快递车还面临着要再去客户家取货的问题，造成资源浪费，加大了快递企业成本。此外，物流运输行业作为一个高能源依赖行业，据相关统计，碳排放量占全球总排放量的18％。在国家大力推行节能减排的背景下,合理的配送路径规划不仅可以帮助企业有效降低物流运输成本,而且有利于降低运输过程中的能源消耗,从而减少碳排放量,带来更好的环境效益和经济效益。

在整个城市快递取送货过程中，物流公司有若干辆快递配送车辆，在满足取送货容量约束的条件下为各个客户取送货，城市快递取送货过程的优化调度问题属于NP-hard问题，该问题的求解时间根据客户数量的增长呈指数型增长。因此有必要提出一种有效的求解方法，能够在短时间内获得问题的有效解决方案。

发明内容

本发明提供了一种城市快递取送货过程低碳调度的学习型蚁群优化方法、系统，以用于获得城市快递取送货过程中低碳调度问题的有效调度策略。

本发明的技术方案是：一种城市快递取送货过程低碳调度的学习型蚁群优化方法，包括：

以带碳排放成本的配送成本最小化为优化目标，建立基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型；

采用学习型蚁群算法对基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型进行求解，获得车辆的调度方案。

所述基于城市快递取送货过程低碳调度问题的混合整数规划模型，包括：

式中，Z表示目标函数；V

所述学习型蚁群优化算法，包括：

S1、编码方式：根据车辆容量约束、车辆最大行驶距离约束对客户序列进行车辆编号分配获得编码序列；其中，客户序列为基于客户编号排列的序列，客户编号为大于0的整数；

S2、初始化阶段：采用基于贪心算法的初始化策略；

S3、学习型蚁群算法寻优阶段：依据编码方式和初始化策略生成a条编码序列，采用学习型蚁群算法寻优，获得学习型蚁群算法寻优阶段最优解；

S4、终止条件：设定终止条件，如果满足则输出最优解，否则重复S3直至满足终止条件。

所述采用基于贪心算法的初始化策略，具体为：

设Π为客户序列，N

S2.1：令

S2.2：当

S2.3：当

所述学习型蚁群算法寻优阶段，包括：

S3.1、设蚂蚁数量为a，根据编码方式及初始化策略生成a条编码序列；

S3.2、根据整个蚂蚁群体走过的路径构建信息素矩阵；

S3.3、若寻优阶段为第一次迭代，则执行步骤S3.4直接进入学习阶段；否则根据信息素矩阵更新蚂蚁路径；

S3.4、学习阶段；

S3.5、若满足寻优阶段终止条件，则输出该阶段最优解；否则，根据整个蚂蚁群体中最好的n/2个蚂蚁个体走过的路径更新信息素矩阵，并转到S3.3；如果n为奇数，则向上/下取整。

所述学习阶段，包括：

对整个蚂蚁群体中最好的一个个体所代表的蚂蚁路径进行学习阶段的搜索；

设计三种邻域搜索算子：改进的swap：随机选择蚂蚁路径中的两个客户点，并交换位置；改进的insert：随机从蚂蚁路径的一条车辆行驶路线中选择一个客户点，插入到该路线或其他路线中的任意位置；2-opt：随机从蚂蚁路径的一条车辆行驶路线中选择两个客户点，将两客户点间的所有客户点逆序；

采用上述三种算子中的改进的swap及改进的insert作为邻域搜索的搜索算子，2-opt作为邻域搜索的扰动算子。

所述搜索算子的初始操作次数均为n次，在每一次学习迭代中，依次采用改进的swap及改进的insert进行操作，对于每种搜索算子，在每次操作结束后均需判断当前解是否满足容量约束及最大行驶距离约束，若满足，则计算当前解的目标值，并进行保优，否则舍弃当前解，利用搜索前的解继续进行搜索；若一种算子n次操作结束后，解的质量得到t次改善，则在后续学习迭代中，该算子的操作次数增加t次，否则不增加；若连续两次学习迭代，解的质量均未得到改善，则在后续每次学习迭代中先使用扰动算子对当前解进行m次操作，使解跳出当前局部，再使用搜索算子进行操作；直至达到学习阶段的程序执行时间，学习迭代终止。

根据本发明实施例的另一方面，提供了一种城市快递取送货过程低碳调度的学习型蚁群优化系统，包括：

构建模块，用于以带碳排放成本的配送成本最小化为优化目标，建立基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型；

获得模块，用于采用学习型蚁群算法对基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型进行求解，获得车辆的调度方案。

根据本发明实施例的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的城市快递取送货过程低碳调度的学习型蚁群优化方法。

根据本发明实施例的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的城市快递取送货过程低碳调度的学习型蚁群优化方法。

本发明的有益效果是：本发明通过确定城市快递取送货过程中的车辆调度模型和优化目标，并设计学习型蚁群算法的优化调度方法对优化目标进行优化。算法中采用基于贪心算法的初始化策略，可在算法初期就获得较高质量的可行解，有效提高初始种群的种群质量，根据初始种群构建的信息素矩阵可在下一次迭代中有效引导算法的搜索方向，使算法在一开始就朝着优质区域所在方向进行搜索；在迭代过程中，根据上一代种群中质量较高的解更新信息素矩阵，在当前迭代中引导算法持续向优质区域进行搜索，增强算法的全局搜索能力；学习阶段使用三种邻域搜索算子，增强算法的局部搜索能力，并根据过去迭代中优质解的信息，调整各搜索算子的搜索次数，采用效果较强的算子在当前邻域持续向下搜索，增强算法的搜索深度，此外，为避免算法陷入局部最优，设置扰动机制，当解的质量在当前邻域无法改进时，利用扰动使解跳出当前局部。该调度方法合理有效，可在短时间内获得城市快递取送货过程中的车辆优化调度问题的有效调度策略，使得城市快递取送货过程变得更加清晰准确，可大大提高城市快递取送货的效率，降低取送货过程中产生的成本。

附图说明

图1为本发明的流程图；

图2为本发明的整体算法流程图；

图3为编码方式示意图；

图4为本发明的车辆调度方案的示意图；

图5为本发明的邻域算子操作示意图。

具体实施方式

下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。

实施例1：如图1-5所示，一种城市快递取送货过程低碳调度的学习型蚁群优化方法，包括：以带碳排放成本的配送成本最小化为优化目标，建立基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型；采用学习型蚁群算法对基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型进行求解，在短时间内获得车辆的调度方案；依据获得的调度方案对各客户进行快递的取送货服务。

进一步地，可以设置所述基于城市快递取送货过程低碳调度问题的混合整数规划模型，包括：

式中，Z表示目标函数；V

进一步地，可以设置所述学习型蚁群优化算法，包括：

S1、编码方式：根据车辆容量约束、车辆最大行驶距离约束对客户序列进行车辆编号分配获得编码序列；其中，客户序列为基于客户编号排列的序列，客户编号为大于0的整数；

例如，令客户点集合V＝{1，2，3，4，5，6，7，8，9，10}，对应的送货量为{1，5，3，6，3，6，3，7，3，6},取货量为{8，3，6，3，7，2，5，2，6，1}，车辆编号为{11，12，13}，对基于城市快递取送货过程车辆低碳调度问题进行编码，编码序列如图3所示。客户序列为{8,4,2,6,7,5,9,10,1,3}，根据车辆容量约束(即公式10)、车辆最大行驶距离约束(即公式13)对客户序列进行车辆编号分配获得编码序列{11，8,4,2,12,6,7,5,9,13,10,1,3}；即编码序列为多组车辆编号开头并包含多个客户编号的序列。再对该编码序列根据车辆编号进行解码可知，车辆11依次服务的客户为8、4、2；车辆12依次服务的客户为6、7、5、9；车辆13依次服务的客户为10、1、3。即解码后可得到每辆车的服务客户对象及次序、行驶路径、车辆负载等信息。

S2、初始化阶段：采用基于贪心算法的初始化策略；

可选地，可以设Π为客户序列，N

S2.1：令

S2.2：当

S2.3：当

既可以避免算法随机性降低，种群多样性不足；也可以避免种群质量较低。

S3、学习型蚁群算法寻优阶段：依据编码方式和初始化策略生成a条编码序列，采用学习型蚁群算法寻优，获得学习型蚁群算法寻优阶段最优解；

可选地，所述学习型蚁群算法寻优阶段，包括：

S3.1、设蚂蚁数量为a，根据编码方式及初始化策略生成a条编码序列(即根据初始化策略生成a条客户序列，再依据编码方式，获得a条客户序列对应的编码序列)，执行S3.2；每条完整的蚂蚁路径代表一条编码序列，即一个可行解；

S3.2、根据整个蚂蚁群体走过的路径构建信息素矩阵(信息素矩阵根据标准蚁群算法构建)，执行S3.3；

S3.3、若寻优阶段为第一次迭代，则执行步骤S3.4直接进入学习阶段；否则根据信息素矩阵更新蚂蚁路径(根据标准蚁群算法更新)；

S3.4、学习阶段；

S3.5、若满足寻优阶段终止条件，则输出该阶段最优解；否则，根据整个蚂蚁群体中最好的n/2个蚂蚁个体走过的路径更新信息素矩阵(根据标准蚁群算法更新)，并转到S3.3；如果n为奇数，则向上/下取整；

S4、终止条件：设定终止条件为程序执行时间，如果满足则输出最优解，否则重复S3直至满足终止条件。

所述学习阶段，包括：

对整个蚂蚁群体中最好的一个个体所代表的蚂蚁路径进行学习阶段的搜索；

设计三种邻域搜索算子：改进的swap：随机选择蚂蚁路径中的两个客户点，并交换位置(所选择的两个点既可以来自来于不同车辆行驶路线，也可以来自于同一车辆行驶路线，更便于找到更优质的解)；改进的insert：随机从蚂蚁路径的一条车辆行驶路线中选择一个客户点，插入到该路线或其他路线中的任意位置；2-opt：随机从蚂蚁路径的一条车辆行驶路线中选择两个客户点，将两客户点间的所有客户点逆序(包括被选中的两客户点)；

采用上述三种算子中的改进的swap及改进的insert作为邻域搜索的搜索算子，2-opt作为邻域搜索的扰动算子。

进一步地，可以设置搜索算子的初始操作次数均为n次(n为客户点数)，在每一次学习迭代中，依次采用改进的swap及改进的insert进行操作，对于每种搜索算子，在每次操作结束后均需判断当前解是否满足容量约束及最大行驶距离约束，若满足，则计算当前解的目标值，并进行保优，否则舍弃当前解，利用搜索前的解继续进行搜索；此外，若一种算子n次操作结束后，解的质量得到t次改善，则在后续学习迭代中，该算子的操作次数增加t次，否则不增加；若连续两次学习迭代，解的质量均未得到改善，则在后续每次学习迭代中先使用扰动算子对当前解进行m次操作(m为车辆数)，使解跳出当前局部，再使用搜索算子进行操作；直至达到学习阶段的程序执行时间，学习迭代终止；比如，在一次学习迭代过程中，对来自整个蚂蚁群体中最好的一个个体所代表的蚂蚁路径进行学习阶段的搜索可以为如下：在第一次学习迭代中，对最好的个体先进行改进的swap操作，每次操作中，如果当前解满足容量约束及最大行驶距离约束，则计算当前解的目标值，如果解得到改善，则保留，用于下次操作，否则不保留；n次操作结束后，保留改善后的最优结果，用于后续操作，同时如果解的质量得到t次改善，则在后续学习迭代中，该算子的操作次数增加t次，否则不增加。接着在改进的swap操作基础上进行改进的insert操作，每次操作中，如果当前解满足容量约束及最大行驶距离约束，则计算当前解的目标值，如果解得到改善，则保留，用于下次操作，否则不保留；n次操作结束后，保留改善后的最优结果，用于后续操作，同时如果解的质量得到t次改善，则在后续学习迭代中，该算子的操作次数增加t次，否则不增加。接着进行下一次学习迭代；若连续两次学习迭代，解的质量均未得到改善，则使用扰动算子对当前解进行m次操作(m为车辆数)，使解跳出当前局部，在扰动结束后，判断当前解是否满足容量约束及最大行驶距离约束，若满足，则结束扰动，否则继续扰动，直到扰动后的解满足容量约束及最大行驶距离约束，后续操作均对扰动后的解进行；直至达至学习阶段的程序执行时间，学习迭代终止。

实施例2：一种城市快递取送货过程低碳调度的学习型蚁群优化系统，包括：

构建模块，用于以带碳排放成本的配送成本最小化为优化目标，建立基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型；

获得模块，用于采用学习型蚁群算法对基于城市快递取送货过程车辆低碳调度问题的混合整数规划模型进行求解，获得车辆的调度方案。

实施例3：一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的城市快递取送货过程低碳调度的学习型蚁群优化方法。

实施例4：一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的城市快递取送货过程低碳调度的学习型蚁群优化方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。