[发明专利]一种基于参数自学习的差分进化物流配送路径优化方法

说明书

一种基于参数自学习的物流配送路径优化方法，首先，根据配送点和车辆对问题进行编码，将其转化为算法可以优化的变量；然后，设计基于参数自学习的差分进化算法，将递进式更新步长因子和交叉概率的策略与基于局部精英信息的变异获取优异测试个体策略相结合起来，不仅提高了算法的实际搜索效率和可靠性，而且有效避免了早熟收敛；最后，根据算法所设计的编码对实际车辆配送问题进行优化，并对最优解进行解码得到最优配送方案。本发明提供一种搜索速度较快，且结果可靠的基于参数自学习的物流配送路径优化方法。

技术领域

本发明涉及物流配送、商务运输、最优化算法、计算机软件应用领域，尤其涉及的是一种基于参数自学习的差分进化物流配送路径优化方法。

背景技术

车辆路径问题(VRP)是现代物流管理研究中一项十分重要的问题。随着社会和经济的快速发展，人们对货物运输和配送的需求不断增加，交通运输物流服务的占比不断上升，配送压力大是负责末端物流配送的物流企业面临的突出问题，同时由于城市居民人数的不断增加，城市规模的不断扩张，交通拥堵已严重影响物流末端的配送效率，这是城市物流企业所面临的又一突出问题。如何在有限的时间里，有效的调度物流运输车辆，通过合理的安排配送车辆的配送路径和出行时间，在克服交通拥堵的情况下以最小的配送成本完成配送任务，实现物流配送系统高效低成本的运作，是当今物流业亟待解决的问题。因此，研究基于动态交通网络的车辆路径问题具有十分重要的现实意义。

车辆路径问题是指在客户需求位置己知的情况下，确定车辆在各个客户间的行程路线，使得运输路线最短或运输成本最低。车辆路径问题由Dantzig和Ramser于1959年首次提出，并针对此类问题进行了数学建模，设计出了相应的求解算法，很快便在学术界引起了关注，成为了当时运筹学等各领域的热点问题。经过国内外学者和专家半个多世纪的研究，针对物流配送车辆路径问题取得了丰硕的研究成果，并且在此问题的基础上做了相关的延伸研究。Sungur等针对物流配送采用了两阶段启发式算法来研究物流配送过程中的不确定因素；Bodin在对VRP问题的处理上，根据时间与空间的相对重要性把该问题进行了划分：从空间性角度来对车辆路线进行规划的问题、从时间性的角度来对车辆路线进行规划的问题和既考虑空间性又考虑时间性的混合车辆路线规划的问题；Chang和Yen在城市物流配送车辆路径问题的研究中建立了非线性的路径规划模型。上述方法都能有效地得到物流配送的最佳路径，然而，随着配送客户数量的增多，配送车辆的数量也随之上升，从而导致优化模型复杂度的不断升高；其次环境因素、地域因素等因素复杂多变，对配送运输问题带来较大的影响和不确定性。利用现有方法求解不仅编码复杂、搜索过程繁琐、速度慢，而且易早熟收敛而无法得到最优解，从而导致算法的配送方案可靠性不高。

因此，现有的物流配送车辆路径优化方法对于复杂的配送问题在编码、搜索效率和配送方案的可靠性方面存在缺陷，需要进行改进。

发明内容

为了克服现有的物流配送车辆路径优化方法搜索效率低和配送方案的可靠性不高的不足，本发明提出一种编码简易高效、搜索速度快、且配送方案可靠性高的基于参数自学习的差分进化物流配送路径优化方法。

本发明解决其技术问题所采用的技术方案是：

一种基于参数自学习的差分进化物流配送路径优化方法，所述方法具体内容包括以下步骤：

1)以所有配送车辆的总路程最短为目标建立如下目标函数：