[发明专利]一种在环境约束下的车辆路径智能搜索方法

说明书

本发明涉及一种在环境约束下的车辆路径智能搜索方法，属于人工智能车辆路径规划领域。本方法在考虑各种复杂地形和波动气象等约束条件下，通过构建恰当数量的目标点、车辆数目及地图，提出一个以最小化最后一个任务完工时间为目标，由目标点聚类和路径搜索构成的嵌套式算法，在构建的地图上将目标点分配给各个车辆，为每个车辆自动搜索计算出最优的行车路径。本方法考虑了各目标点有不同任务，每个任务耗时不同的特性，具有稳定高效的性能表现。本方法结合了机器学习方法与启发式方法，表现出良好的适应能力。

技术领域

本发明涉及一种车辆路径智能搜索方法，具体涉及一种在环境约束下的车辆路径智能搜索方法，属于人工智能车辆路径规划领域。

背景技术

车辆路线问题，最早由Dantzig和Ramser于1959年首次提出，是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责提供货物，组织适当的行车路线，更好地满足客户需求。这是经典的VRP问题描述，这一普遍存在于生活中的问题，在各种实际场景中却是要复杂的多。例如：网购物流配送、外卖订单配送、司机运送旅客、军事中部队的执行任务等。在各种实际的场景中，会出现各种条件的制约以及意外情况的发生，使问题变得异常复杂。例如：物流配送中不仅要考虑最快速度配送到多个地点，还需考虑每个地点配送的先后次序、车辆的载货情况、燃料剩余情况、订单转寄及退回等该场景出现的复杂情景。

根据调查发现，在物流配送系统中，在基本车辆路线问题基础上，车辆路线问题在学术研究和实际应用上产生了许多不同的延伸和变化形态，包括时窗限制车辆路线问题、多车种车辆路线问题、车辆多次使用的车辆路线问题、考虑收集的车辆路线问题、随机需求车辆路线问题等。在解决方法上，综合以往有关车辆路线问题求解方法，可分为精确算法与启发式解法，其中，精确算法包括分支限界法、分支切割法、集合涵盖法等；启发式解法包括节约法、模拟退火法、确定性退火法、禁忌搜索法、基因算法、神经网络、蚂蚁算法等。

1995年，Fisher曾将求解车辆路线问题方法分为三个阶段。第一阶段是1960年到1970年，属于简单启发式方法，包括有各种局部改善启发式方法和贪婪法等；第二阶段是从1970年到1980年，属于一种以数学规划为主的启发式解法，包括指派法、集合分割法和集合涵盖法；第三阶段是从1990开始至今，属于较新的方法，包括利用严谨启发式方法、人工智能方法等。

近年来，对于车辆路径问题，国内外学者有较多研究。Ge等人研究了多车型车辆调度问题，建立了以油耗最低为目标的模型，采用量子遗传算法进行了求解。Pan等人研究了需求拆分的多车型路径问题，使用了两阶段法求解。Koc等人研究了带时间窗的异质车队的车辆调度问题，将自适应大邻域搜索算法与遗传算法混合进行了求解。

当前，车辆线路问题纷繁复杂、多种多样，对该类问题解决方法的研究层出不穷，每个具体场景下都有其特定的约束条件。在众多的车辆路径问题中，对于地理环境及气象环境的考虑却少之又少，而在实际场景中，雨雪、大雾等恶劣天气都会影响车辆的行车速度，此外，道路拥堵、损毁等意外情况也会使车辆改变原先路径。同时，山丘、沙地等地理情况同样会影响车辆的行车速度。考虑到在军事行动中，部队装甲车及履带式车辆常常不止在公路上行驶，会经常穿越山川河流、沙漠村落等复杂地形，因此，军事行动中车辆的路径规划与地形的联系更为密切。

目前，在现有文献中，各类路线规划问题少有对地形、天气等因素的考虑，大多假设道路是通畅的，目标点之间可以直线到达。而实际情况中，地形、天气并不都是理想环境。因此，需要在考虑不同复杂地形及各类天气影响情况下进行车辆路线规划的方法。

综合以上描述，为了应对各类地形、波动的天气，考虑多车辆行车受阻情况，需要提出一种环境约束下的车辆路径智能搜索方法。

发明内容

本发明的目的是针对复杂地形、波动天气等环境约束下，车辆在目标点之间不能直线到达，为解决车辆行车路线规划的技术问题，提出一种在环境约束下的车辆路径智能搜索方法。