[发明专利]物流配送车辆路径优化方法和装置

说明书

技术领域

本发明涉及物流领域，特别是指一种物流配送车辆路径优化方法和装置。

背景技术

随着物流行业的不断发展，对于物流配送也提出了更高的要求。如何更快捷地配送物品成为提高配送服务质量、降低配送成本的重要课题，于是配送路径优化成为物流领域的一项关键技术。配送路径优化的目标是生成一条最优的配送路径。最优路径的标准有：路程尽可能段、时间尽可能少。目前车辆路径优化方法大致可分为两类：精确计算方法和启发式方法。其中，精确计算方法包括：穷举法、动态规划法等。启发式方法包括：遗传算法、模拟退火算法、蚁群算法、粒子群算法等。精确算法往往计算量大、计算时间长，当配送路径较为复杂时，往往不太适用。启发式方法会有容易陷入局部最优解的缺点。

目前，国内的现有技术中存在的配送路径优化的方法，例如，中国专利文献CN104573880A公开了一种路径优化方法，它主要采用模拟退火算法计算大规模目的地的最短、最优路径，该方法的路径优化只考虑到路径长度，路径优化的目标是使得总体配送路径长度最短。然而，现实任务当中，除了需要考虑配送路径长短外，还需要考虑配送消耗的时间多少。最好的配送路径是配送时间尽可能少、配送路径尽可能短。而影响配送时间的条件不仅有路径的长度，还包括路径的拥堵情况。因此，在路径优化过程中需要综合考虑路径总长度和路径拥堵情况来进行路径优化。

发明内容

本发明要解决的技术问题是提供一种配送路径尽可能短、配送时间尽可能少的物流配送车辆路径优化方法和装置。

为解决上述技术问题，本发明提供技术方案如下：

一种物流配送车辆路径优化方法，包括：

步骤S101：获取配送路径上各配送节点之间的实时拥堵系数矩阵α，并根据实时路况对该矩阵进行定时更新；

步骤S102：初始化配送路径上各配送节点之间的距离矩阵D；

步骤S103：根据所述拥堵系数矩阵α和距离矩阵D，生成配送路径权值矩阵ω＝αD；

步骤S104：初始化种群规模N_ZQ，选择种群规模N_X、最大遗传代数N_G、交叉率β、变异率γ和遗传代数n＝0；

步骤S105：针对配送路径上各配送节点，采用贪婪算法生成一条初始路径r₁；

步骤S106：对初始路径r₁进行变异操作，生成N_ZQ-1个新路径，初始路径与新路径组成第一代种群，并计算每条路径的适应度A_n；

步骤S107：在当前种群中采用选择算子选择适应度最高的N_X条路径，并对这N_X条路径按照交叉率β和变异率γ进行交叉和变异操作，生成下一代群体，更新n＝n+1；

步骤S108：当n＝N_G时，计算最新的种群中所有路径的适应度A_n，选择当前种群中适应度最高的配送路径为最优路径，算法终止；否则跳转至步骤S107。

进一步的，所述步骤S101中拥堵系统矩阵α是N×N矩阵，矩阵α内的元素α_ij为第i个配送节点和第j个配送节点之间的拥堵系数，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵α为：

所述步骤S102中距离矩阵D是N×N矩阵，矩阵D内的元素D_ij为第i个配送节点和第j个配送节点之间的路径距离，当i＝j时，D_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵D为：

所述步骤S103中配送路径权值矩阵ω是N×N矩阵，矩阵ω内的元素ω(i,j)为第i个配送节点和第j个配送节点之间的路径权值，ω(i,j)＝α_ijD_ij，当i＝j时，α_ij＝INF，INF是一个无穷大的数，N表示配送节点的个数，矩阵ω为：

进一步的，所述步骤S105包括：

步骤S1051：以序号为IPP₁的配送节点为起始节点，选择与配送节点IPP₁之间权值最小的配送节点为下一个配送节点IPP₂，即：ω(1,IPP₂)＝min(ω(1,j)),j＝1,2,…,N；