[发明专利]一种车辆路径优化的处理方法

权利要求书

1.一种车辆路径优化的处理方法，其特征在于，包括以下步骤：

a、输入订单数量、网点数量、网点距离矩阵以及车辆信息；

b、设定时间窗和/或线路模版是否开启；

c、以订单数量、网点数量、网点距离矩阵、车辆信息、时间窗是否开启、线路模版是否开启作为约束条件，采用蚁群遗传融合算法迭代计算得出最优路径，并且更新网点信息素；

所述步骤c中采用混合路径模型，混合路径模型中建立的数学模型为：

其中，定义各个网点编号为{1，2，…，L}；

从网点i到网点j的运输距离成本为c_ij，此处运输距离成本主要考虑的是距离，假设每段距离所需要的成本均为一个固定的值；

各个参与配送车辆编号为k{k＝1，2，…，K}；

迭代上限值为N_m；

定义变量为：

若网点i的任务由配送车辆k完成，y_ik＝1，否则，y_ik＝0；若车辆k由网点i行驶到网点j，X_ijk＝1，否则，x_ijk＝0；

所述混合路径模型中包括车辆装箱的最大容积和/或车辆装箱的最大载重量和/或车辆运行的最大里程和/或车辆运行的最大时长作为约束条件，约束模型为：

其中，网点i任务货物的重量为g_i；

网点i任务货物的体积为q_i；

配送车辆k的最大载重量为G_k；

配送车辆k的最大行使里程为S_k；

配送车辆k的最大容积为Q_k；

配送车辆k的总工作时间为T_k；

配送车辆k配送网点i任务货物工作时间为t_ki。

2.根据权利要求1所述的一种车辆路径优化的处理方法，其特征在于：还包括步骤d、将计算得出结果上传到云端服务器的数据库中。

3.根据权利要求1所述的一种车辆路径优化的处理方法，其特征在于，所述步骤c中在未达到迭代上限值内进行迭代计算，包括以下步骤：

c1、初始化蚁群和蚂蚁；

c2、蚂蚁根据确定性探索策略或者随机性探索策略选择下一网点；

c3、判断蚂蚁是否历遍所有网点，若是，则进入步骤c4，若否，则返回步骤c2；

c4、获取历遍所有网点后的出的循环最优蚂蚁；

c5、将循环最优蚂蚁与迭代过程中得出的全局最优蚂蚁进行复制交叉；

c6、对全局最优蚂蚁进行交换变异和倒置变异；

c7、判断全局最优蚂蚁是否迭代进化，若是，则进入步骤c8，若否则进入步骤c9；

c8、将迭代进化得出的最优解替换原全局最优蚂蚁的网点信息，进入步骤c9；

c9、更新网点信息素；

c10、判断迭代次数是否超过迭代上限值，若是，则输出结果，若否，则返回步骤c2。

4.根据权利要求1所述的一种车辆路径优化的处理方法，其特征在于：所述步骤c中根据订单数量、网点数量建立单车多路径模型或者多车多路径系统模型或者结合单车多路径模型和多车多路径系统模型的混合路径模型。

5.根据权利要求4所述的一种车辆路径优化的处理方法，其特征在于：所述车辆信息包括车辆数量和/或车辆的体积和/或车辆装箱的最大容积和/或车辆装箱的最大载重量和/或车辆运行的最大行驶里程和/或车辆工作的最大时长。

6.根据权利要求5所述的一种车辆路径优化的处理方法，其特征在于，若时间窗开启，混合路径模型的时间窗包括第一时间窗区间以及第二时间窗区间，从网点i到网点j按工作时间进行划分，第一时间窗区间为DBE_i1-DBS_i1，第二时间窗区间为DBE_i2-DBS_i2，并且DBE_i1＜DBS_i1＜DBE_i2＜DBS_i2，若配送车辆到达时t_ki≤DBE_i1，则t_ki＝DBE_i1；若配送车辆到达时，DBS_i1≤t_ki≤DBE_i2，则t_ki＝DBE_i2；其他时间段到达，t_ki＝t_ki。