[发明专利]一种车辆路径优化的处理方法

说明书

本发明公开了一种车辆路径优化的处理方法，包括以下步骤：a、采集订单数量、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；本设计合理利用约束条件，蚁群遗传融合算法迭代计算后进行复制和变换，得出最短路径，并且结果性能指标较好。

技术领域

本发明涉及一种车辆物流领域，特别是对车辆路径优化的处理方法。

背景技术

国外最早研究物流路径规划问题大约在20世纪中页，两位数学家首先提出了关于汽车配送问题的模型，即VRP(Vehicle Routing Problem)模型。之后由于其物流范围越来越大，这个问题的实际应用价值也越来越高，所以研究的人也越来越多，各个领域的学者都参与其中。Bodin等人基于这些模型归纳出了解决这些模型的七大方法。基于G.B.Dantzig在1947年提出的线性规划思想，B.Jackowski等人1985年提出的隐式枚举算法和J.Culberson在1992年提出的迭代的贪心算法等精确算法成功解决小规模数据网点VRP，这类算法在网点数目不大的情况下能准确的求出当前条件下的最小路径的最优解。而当网点规模较大时，就不能再用精确算法了。1995年由Eberhart和Kennedy根据鸟群扑食中的协同合作方法研究出了粒子群算法，利用随机解迭代的方式来求出近似解。1999年，DonaldWaters和RonaldH.Ballou从路径的网络规划角度分析了物流配送中心的选址问题。EiichiT，MichihikoN，TadashiY,ToruL结合现实中的交通、成本等因素，设计了一个双层数学模型，优化配送中心的选择。2002年，Yang-JaJang结合拉格朗日松弛算法和遗传算法，优化求解物流的路径规划问题。2003年，Jayaraman在一个多产品、单生产基地、多配送中心的模型下，运用模拟退火算法求解优化物流的路径规划问题。2006年，Marie-ClaudeBolduc等人提出了在大规模生产和有时间窗限制的多个配送点的车辆路径模型下，运用启发式数学算法来优化求解问题，并且也适用于多级零售商的车辆路径选择问题。

目前，国内对VRP的多约束条件下的研究仍处于理论研究和实验阶段。这些实验成果在特定的条件下会有比较良好的表现，但还是无法大规模的进行使用，有可能根据约束条件的变化而使得算法本身的性能差距巨大，导致算法的复用性较差，并且单独采用蚁群算法或者单独采用遗传算法得出的最优解并不准确，经过实验分析，性能指标较差。

发明内容

为解决上述技术问题，本发明的目的是提供一种根据订单数量、网点数量、网点距离矩阵、车辆信息、是否开启时间窗和/或线路模版作为约束条件，采用蚁群遗传融合算法迭代进行路径优化的处理方法。

本发明采用的技术方案是：

一种车辆路径优化的处理方法，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。

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。

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；