一种基于遗传算法的车辆配送路径优化方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及物流配送方案设计技术领域,尤其是一种基于遗传算法的车辆配送路径优化方法。
背景技术
当前,物流正处于快速发展的生命周期,物流行业的快速发展,各种产品的生产和销售都出现了区域性的集聚,使得人们对物品的采购方式由以往的大量低频向小量高频转变。由于市场需求量和品质需求的日益增长,物流中存在的不足也逐渐显现,特别是当前国内的物流基础设施建设和信息化程度还有很多欠缺,产品配送工作环境繁杂,既有货运点多产品受损,路径网络繁杂,又有配送网点分布散乱,使得产品物流体系必然需要面对配送路径及配送时间的科学设计等难题。而且市场对各种产品的选择性、多元性、绿色性、新鲜度等方面需求的增涨。因此,充分利用现代物流技术进行农产品物流优化具有重要意义。现有的物流配送路径浪费严重,成本高且无法满足客户需求。
发明内容
本发明所要解决的技术问题在于针对现有技术的不足提供一种能够提高配送效率,减少配送成本的基于遗传算法的车辆配送路径优化方法。
本发明所要解决的技术问题是通过以下技术方案来实现的,本发明是一种基于遗传算法的车辆配送路径优化方法,其特点是,该方法以配送总成本最小为目标函数,以客户需求量、服务时间窗及车辆最大装载量为约束,包括以下步骤:
S1:解决实际的配送车辆路径优化问题,需要对其进行编码,其中染色体的长度等于客户点数目和配送车辆最大使用数目,染色体的每个基因代表一个客户点或配送车辆的编号;在一个染色体中,一个编号只出现一次,不会重复出现;若N为客户点总数,K为配送车辆最大使用数目,则染色体长度记为N+K-1,染色体结构表示为(1,2,3,…,N,N+1,…,N+K-1);
S2:选择初始种群规模,种群规模设置在30-200之间,在所有的配送点中随机选择节点,满足特定条件下连接形成一条子路径,在连接过程中,如果这条线路所运送的货物超过了最大的载重,或者配送时间超出了客户所能接受的服务时间窗,那么就终止这条线路的连接,并启动其他线路的连接;在满足各客户需求量、服务时间窗以及车辆最大装载量的约束下,将距离最短的路径作为问题的初始解;
S3:构造车辆路径优化的目标函数及适应度函数,该方法的目标函数为:
S4:计算个体适应度值,采用排序分组选择方法对个体进行排序和交叉;
S5:改善种群进化多样性,对个体进行变异操作;
S6:为进一步提高路径优化方法的质量,加入具有破坏和修复思想的局部搜索操作,相关的破坏操作是选择一组具有高度相关性的若干客户进行移除,移除若干个客户后,再使用修复操作将移除的客户重新插入到使车辆行驶总路径增加最少的位置,并且再插入的位置还需满足车辆最大装载量和服务时间窗的约束;修复操作过程中,先找到满足约束条件的位置,计算插入位置使增加值最小的位置即为最佳插入位置,再计算所有移除客户插入最佳位置后目标增加值,将增加值最大的客户作为第一个插入,重复进行上述过程直至移除客户全部重新插入车辆配送路径中;
S7:输出最终车辆配送路径方案。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述S1包括如下步骤:
(1)计算融合任意两个路径节省的里程值s(i,j),i是与仓库和客户相关的索引,位于第一个节点为仓库的边缘(i=1,2,…,n)的开头;j是与边缘末端的仓库和客户相关的索引(j=1,2,…,n);即s(i,j)=L
(2)若
a.点i和点j不在已配置的路径中;
b.点i和点j位于已配置的路径上,而两点不属于同一条路径;
c.点i和点j由不止一条直线连接,而且它们不是路径内的点,点i,j一个是起点,另一个是终点;
(3)计算连接点i和点j后的线路的总载货量d
(4)计算每条配送路径上在各个点开始服务的时间和返回配送中心时间;
(5)连接点i和点j,对车辆服务每个客户点的新到达时间以及返回配送中心的时间进行计算,判断是否违背服务时间窗约束。符合服务时间窗约束则生成较优的初始路径,否则转至步骤(6);
(6)消除S中的元素s(i,j),点i和j不能插入作为配送车辆服务的客户点,因此对于点i,消除元素s(i,p)(p=1,2,…,n),同样地,消除元素s(p,j),如果
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述S4中排序分组选择实现步骤如下:
(1)将种群规模大小设置为n,计算个体的适应度值,然后依据从大到小的顺序进行依次排序;
(2)将适应度值大的前n/2个个体分为一组,后一半归为第二组,将两组染色体相对应位置个体,1和n/2+1、k和n/2+k进行配对交叉。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述S6中客户间相关性计算公式为:
与现有技术相比,本发明的有益效果是:
(1)优化了果蔬类农产品的配送路径,可以极大地促进我国农产品的物流发展,在理论研究的基础上,将基于遗传算法的车辆路径优化应用于产品的运输配送中,优化配送路径,降低运输成本,缩短运输时间,能够提高服务质量,提升客户满意度,在运输环节尽可能的保留了农产品的新鲜程度等,提升产品的产品质量。
(2)车辆路径优化问题的研究适用于整个物流体系,能够高效率、高质量解决配送路径问题,能够快速、准确地解决实际问题,具有很大的现实意义价值。
附图说明
图1为本发明方法流程示意图;
图2为遗传算法流程图;
图3为车辆路径优化问题示意图;
图4为两路径节约里程值示意图。
具体实施方式
以下进一步描述本发明的具体技术方案,以便于本领域的技术人员进一步地理解本发明,而不构成对其权利的限制。
参照图1-图4,一种基于遗传算法的车辆配送路径优化方法,包括以下步骤:
S1:解决实际的配送车辆路径优化问题,需要对其进行编码,其中染色体的长度等于客户点数目和配送车辆最大使用数目,染色体的每个基因代表一个客户点或配送车辆的编号;在一个染色体中,一个编号只出现一次,不会重复出现;若N为客户点总数,K为配送车辆最大使用数目,则染色体长度记为N+K-1,染色体结构表示为(1,2,3,…,N,N+1,…,N+K-1);
S2:选择初始种群规模,种群规模设置在30-200之间,在所有的配送点中随机选择节点,满足特定条件下连接形成一条子路径,在连接过程中,如果这条线路所运送的货物超过了最大的载重,或者配送时间超出了客户所能接受的服务时间窗,那么就终止这条线路的连接,并启动其他线路的连接;在满足各客户需求量、服务时间窗以及车辆最大装载量的约束下,将距离最短的路径作为问题的初始解;
S3:构造车辆路径优化的目标函数及适应度函数,该方法的目标函数为:
S4:计算个体适应度值,采用排序分组选择方法对个体进行排序和交叉;
S5:改善种群进化多样性,对个体进行变异操作;
S6:为进一步提高路径优化方法的质量,加入具有破坏和修复思想的局部搜索操作,相关的破坏操作是选择一组具有高度相关性的若干客户进行移除,移除若干个客户后,再使用修复操作将移除的客户重新插入到使车辆行驶总路径增加最少的位置,并且再插入的位置还需满足车辆最大装载量和服务时间窗的约束;修复操作过程中,先找到满足约束条件的位置,计算插入位置使增加值最小的位置即为最佳插入位置,再计算所有移除客户插入最佳位置后目标增加值,将增加值最大的客户作为第一个插入,重复进行上述过程直至移除客户全部重新插入车辆配送路径中;
S7:输出最终车辆配送路径方案。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述S1包括如下步骤:
(1)计算融合任意两个路径节省的里程值s(i,j),i是与仓库和客户相关的索引,位于第一个节点为仓库的边缘(i=1,2,…,n)的开头;j是与边缘末端的仓库和客户相关的索引(j=1,2,…,n);即s(i,j)=L
(2)若
a.点i和点j不在已配置的路径中;
b.点i和点j位于已配置的路径上,而两点不属于同一条路径;
c.点i和点j由不止一条直线连接,而且它们不是路径内的点,点i,j一个是起点,另一个是终点;
(3)计算连接点i和点j后的线路的总载货量d
(4)计算每条配送路径上在各个点开始服务的时间和返回配送中心时间;
(5)连接点i和点j,对车辆服务每个客户点的新到达时间以及返回配送中心的时间进行计算,判断是否违背服务时间窗约束。符合服务时间窗约束则生成较优的初始路径,否则转至步骤(6);
(6)消除S中的元素s(i,j),点i和j不能插入作为配送车辆服务的客户点,因此对于点i,消除元素s(i,p)(p=1,2,…,n),同样地,消除元素s(p,j),如果
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述S4中排序分组选择实现步骤如下:
(1)将种群规模大小设置为n,计算个体的适应度值,然后依据从大到小的顺序进行依次排序;
(2)将适应度值大的前n/2个个体分为一组,后一半归为第二组,将两组染色体相对应位置个体,1和n/2+1、k和n/2+k进行配对交叉。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述S6中客户间相关性计算公式为:
对于车辆路径优化问题的一般描述为在所有点的位置已知的基础上,即配送中心和一系列在地理位置上分散的客户需求点位置是给定的,配送中心用于配送的同质车辆数目也是一定的,通过科学合理的规划车辆服务客户的数量和次序,最优化相关的目标(诸如总成本最少、总行驶距离最短等),同时需满足车辆装载量、服务时间窗等约束条件。通常要结合目标函数,在优化目标功能的前提下,优化配送车辆的行驶路径。
可使用网络G=(V,A)进行描述,所有端点集合用V={0}∪M
- 一种基于遗传算法的作业车间物流配送路径优化方法
- 一种基于遗传算法的作业车间物流配送路径优化方法