[发明专利]一种面向多仓库运输的车辆路径优化方法

说明书

本发明公开了一种面向多仓库运输的车辆路径优化方法，包括：计算客户节点距离所有仓库的距离，将客户节点分配至距离最近的仓库,分配完成后,针对每一个仓库及其被分配到该仓库的客户节点，使用人工蜂群算法找到部分最优解；将针对单一仓库节点的车辆调度路线集合合并为一个集合，组成针对多仓库车辆路径问题的总车辆调度路线集合，实现车辆路径的优化。本发明提通过分配，修正及合并阶段的设置，将多仓库背景划归为单仓库背景，使得可以并行地计算针对每一个单仓库的车辆路径调度路线，从而缩小了调度路线的搜索范围，提高了计算效率；且由于蜂群中跟随蜂和巡回蜂的存在，使得其不易陷入局部最优导致过早收敛，更容易找到更好的近似解。

技术领域

本发明涉及计算机与信息技术领域，具体涉及一种面向多仓库运输的车辆路径优化方法。

背景技术

智能制造供应链，是近年来在智能制造和工业4.0影响下提出的一种新型供应链。它由大数据提供支持，并在智能设备和智能算法的支持下工作。在智能制造供应链的构建过程中，资源调度问题是贯穿整条智能制造供应链构建的核心问题之一。车辆资源，作为供应链系统中的物流系统的重要组成部分，对于供货方来说价值非同小可。而车辆调度问题，即是制定运载车辆的调度策略并进行优化，最终达到在满足客户需求以及车辆运载能力的情况下总成本最小或其他优化目的。此类问题在现实生活中有着很多的应用场景，例如物流配送，快递收发件，共享车辆的路线设计等等。车辆路径问题(Vehicle RoutingProblem,VRP)是智能交通中的一个典型问题，它要求在给定仓库及客户坐标的情况下，确定一组满足所有客户需求的车辆路径，并使运输距离最小。容量受限车辆路径问题(CVRP)是该类问题的基本形式，其假设每辆车的容量是有限的。虽然在单仓库的背景下针对该问题已经得到了较多的算法成果，但是对于更贴近现实的多仓库背景，由于其涉及更复杂的环境，相关的算法研究则较少。

现有技术中，主要有两类算法解决此类调度问题。一类是使用贪心算法进行搜索；另一类是采用遗传算法来找到近似解。

第一类算法是直接使用常用的贪心算法来得到该问题的近似解。具体来说，该算法从仓库点出发，选择当前状态下可到达的距离最短的点作为下一节点，到达下一节点后，继续该过程，直到所有的客户节点都能被服务到。

第二类算法是采用模拟基因遗传变异过程而设计的遗传算法。遗传算法的基本步骤如下：(1)随机生成一定数目的个体(可行解)，然后从中挑出最好的个体加到初始群体中。这种过程不断迭代，直到初始群体中个体数达到了预先确定的规模。(2)计算初始群体中各个个体对应的适应度值(可行解对应的目标函数值)。(3)依据适应度值在群体中选择参与到下一代个体生成过程的个体。(4)对上一步选择出的个体施加交叉算子得到新的个体。5)在新的个体上施加变异算子使其产生适当程度的变异。(5)重复(1)至(4)步直到达到最大的迭代次数，将现有群体中的最优个体作为近似解。

上述技术中存在如下的缺点：

第一种算法较为短视，由于只能实现每一步上的优化而非全局优化，因此只能得到较差的最优解。

第二种算法则主要有两大弊端。首先是效率较低，这导致其往往需要较大的群体数量以及较大的迭代次数。其次是容易过早收敛，由于新一代的个体总是大体基于上一代个体而产生，因此使得该算法很容易陷入局部最优解从而过早收敛。

综上，行业内急需研发一种效率高，不会过早收敛的多仓库车辆路径问题的调度方法或者系统。

发明内容

本发明的目的是为了克服以上现有技术存在的不足，提供了一种计算效率高，能容易找到更好的近似解的面向多仓库运输的车辆路径优化方法。

本发明的目的通过以下的技术方案实现：

一种面向多仓库运输的车辆路径优化方法，包括：