[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

摘要

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。

主权项

1.一种基于参数自学习的差分进化物流配送路径优化方法，其特征在于：所述路径规划方法包括以下步骤：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：其中，为配送车辆数量，q_i表示第i个客户的所需货物的重量，α∈[0,1]为约束因子，表示向下取整；r_ki表示客户点在第k辆车配送的客户顺序中为第i个，r_k0表示配送中心，n_k表示第k辆车配送的客户数量，表示第k辆车配送的第i个客户和第i‑1个客户之间的距离，表第k辆车配送完n_k个客户后返回配送中心的路程，sign(n_k)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；配送模型的约束条件为：每辆车配送的货物重量小于其最大载重Q，且每辆车的配送路程小于其最大可行驶路程D，每辆车的配送客户数量小于需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；2)编码：用数字1表示配送中心，2,3,4,…,L+1表示各客户点，则配送路径编码为(1,2,3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；3)通过xs＝(1,2,3,4,1,5,6,7,1,8,…,L+1,1)表示配送方案，其中xsj,j＝1,2,...,L+K+1表示xs的第j维元素；4)种群初始化，生成NP个初始配送方案，过程如下：4.1)对xs中的配送顺序进行NP次随机排序，每一次随机排序则生成一种配送方法，从而生成NP种新的配送方案；4.2)判断4.1)中产生的方案是否满足步骤1)中的约束条件且互不相同，若不满足，则根据步骤4.1)重新生成配送方案，直至产生的配送方案数量达到NP个为止；4.3)将每一种配送方案看作一个个体xm，组建初始种群P＝{x1,x2,...,xNP}，其中NP为种群规模；5)确定每个个体的步长因子Fm和交叉概率CRm，过程如下：5.1)如果迭代代数g≤20，则Fm＝rand(0,1)，CRm＝rand(0,1)，其中rand(0,1)表示从0到1之间的随机数；Fm表示第m个个体的步长因子，CRm表示第m个个体的交叉概率；5.2)如果g>20，则根据如下步骤确定Fm和CRm：5.2.1)将Fm的取值范围(0,1)平均分为10等份，即生成10个值域区间，分别记作(0，0.1),[0.1，0.2),…,[0.9，1)；5.2.2)获取当前代的前20代中所有测试个体um成功替换目标个体xm的Fm值及其所对应的区间；然后分别计算每个区间上成功的Fm的次数，记为Ns，s∈{1,2,...,10}，其中s为Fm的取值区间索引；5.2.3)根据公式分别计算10个值域区间内F_m的成功率，将10个区间的成功率依次记为p₁,p₂,…,p₁₀；其中，p_s表示第s个区间的成功率，W表示前20代中F_m成功的总次数；如果某一值域区间上没有成功的F_m，则将该区间上的成功率记为0.01；5.2.4)在(0,1)内随机生成一个小数t，对ps进行累加，直到p1+p2+…+pq≥t时，选取第q个区间作为产生步长因子Fm的取值范围，并在此范围内随机生成一个小数作为Fm的值；5.2.5)根据步骤5.2.1)‑5.2.4)同样的方法产生CRm，即将上述步骤中的Fm替换成CRm；6)根据公式(1)计算当前种群中每个个体的目标函数值，并根据目标函数值对所有个体进行升序排序；7)对当前种群NP中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：7.1)从排名靠前的NP/2个个体上中随机选取NP/4个个体xe,e＝1,2,...,NP/4，并根据目标函数值对这NP/4个个体重新进行降序排序，记录每个个体的排名Re,e＝1,2,...,NP/4，其中Re表示第e个个体的排名；7.2)计算步骤7.1)中所选择的每个个体的选择概率e＝1,2,...,NP/4，其中X_e表示第e个个体的选择概率；7.3)随机生成一个0和1之间的小数T，对Xe进行累加，直到X1+X2+...+XZ＞T为止，选择第Z个个体，并记为xLbest；7.4)对个体xm中不为1的元素xmj进行变异生成变异个体vm：其中F_m为步长因子，v_mj表示目标个体x_m的一个变异个体v_m的第j维元素，a和b为从{1,2,…,NP}中随机选取的不相同的且与m不同的数字，x_aj、x_bj和分别表示种群个体x_a、x_b和x^Lbest的第j维元素，且x_aj、x_bj和均不等于1，表示向上取整；7.5)对变异个体vm和目标个体xm进行交叉，过程如下：生成测试个体um：其中umj表示测试个体um的第j维元素，vmj表示变异个体vm的第j维元素，rand(0,1)表示0到1之间的随机数，CRm表示交叉概率，jrand表示1到L+K+1之间的随机整数；7.6)如果测试个体um的各维元素中除了1以外的元素有不在区间(1,L+1]内的元素或者有相同的元素，则从1到L+1之间随机生成一个数字进行替换，直到所有除了1以外的元素均在1和L+1之间，且互不相同为止；8)根据公式(1)计算测试个体um所对应的路线的目标函数值，如果um的目标函数值小于目标个体xm的目标函数值，且um满足步骤1)中的约束条件，则um替换目标个体xm；9)对种群中的每个个体都执行完步骤5)‑8)以后，迭代次数g＝g+1；10)如果满足终止条件，则继续步骤11)，否则返回步骤5)；11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。