[发明专利]多车场与多车型车辆路径调度控制方法

摘要

多车场与多车型车辆路径调度控制方法，包括：步骤1，以所有配送车辆总成本最低为目标建立目标函数；步骤2，编码步骤3，种群初始化；步骤4，采用目标函数作为适应度函数对所有个体进行评价；步骤5，选择和交叉操作步骤6，变异操作；步骤7，用改进的极值优化算法对种群中每个个体进行邻域搜索；步骤8，计算种群中所有个体的适应度；步骤9，选择；步骤10，精英保留；步骤11，依次迭代完成；步骤12，判断是否满足终止条件，终止条件为迭代次数g达到最大迭代次数MaxGen或者Gb适应度值保持不变的次数Nu达到指定次数Kbest，如果满足，继续执行步骤13，否则返回执行步骤5；步骤13，输出个体Gb及其适应度值fGb；步骤14，对最优个体Gb及其适应度值fGb进行解读。本发明旨在提高算法的搜索效率与收敛速度。

主权项

1.多车场与多车型车辆路径调度控制方法，包括以下步骤：步骤1，以所有配送车辆总成本最低为目标建立如下目标函数：其中，z代表所有配送车辆的总成本；H表示多个车场不同型号的车辆总数；h表示车辆；表示从节点i到节点j由车辆h进行配送；Q_h表示车辆h的装载量；C_1h代表车辆h的固定成本；C_2h代表车辆h行驶单位距离的可变成本；g_i表示客户i的需求量；N表示总的客户数量；d_ij表示节点i到节点i之间的距离；步骤2，编码：采用多条染色体编码的方式，个体染色体的数量等于车场车辆的总数量，用数字1～N表示客户，数字N+1～N+H表示车辆，例如一个包含两种车型(I型、II型)、共5辆车、10个服务客户的多车场多车型车辆路径调度问题，用数字1～10表示客户，11～15表示车辆，则可能的编码方式为[11，8，1，3；12，6，2；13，10，5；14；15，7，4，9]，分别表示车辆11从车场出发，首先服务客户8，然后1和3，最后回到原车场；其它以此类推，车辆14未被调用；步骤3，种群初始化：确定种群规模NP，迭代次数MaxGen，最优解保持不变次数Kbest，交叉概率P_c，变异概率P_m，初始温度T，降温速率q，生成NP个初始种群，具体过程如下：步骤3.1，将编号1～N随机进行排序，构成新的序列；步骤3.2，随机在N+1～N+H中选择一辆车，并将新序列的第一个客户分配给这辆车；步骤3.3，判断该车是否超载，如果不超载，该客户即由该车服务，若超载，则在剩余车辆中随机挑选一辆车，并再次判断是否超载，以此类推，直至将该客户分配给某辆车；步骤3.4，将新序列的剩余客户按照上述方法依次分给剩余车辆，客户被分配给车辆的先后顺序即为车辆服务客户的先后顺序；步骤4，采用目标函数作为适应度函数对所有个体进行评价；步骤5，选择和交叉操作：具体过程如下：步骤5.1，确定交叉概率Pc，Pc为0～1之间的随机浮点数，在种群中随机选择两个个体A和B，产生一个0～1之间的随机浮点数ri，如果r_i小于Pc，则进行交叉操作，并依次执行步骤5.2～5.6，否则不进行交叉，再次随机选择两个个体，并判断是否执行交叉操作，直至种群中所有个体均被选择过；步骤5.2，在1～H之间产生一个随机自然数，代表将要进行交叉操作的两个个体染色体的编号，记为a和b，且a＝b；步骤5.3，分别将a、b两条染色体中共有的客户基因存放到基因库F_ab中，而将独有的客户基因分别存放在基因库F_a和F_b中；步骤5.4，按照顺序交换a、b两条染色体的客户基因；步骤5.5，遍历个体A中除染色体a以外的其它染色体的客户基因，并将其与F_b中的基因进行比较，将所有共有的基因删除；然后，以此类推，对B个体进行同样的操作；步骤5.6，随机选择F_a中的一个客户基因，并将其插入到个体A中任意染色体的车辆基因后的其它随机位置，并判断是否超载，若超载，则随机插入下一条染色体中，并再次进行超载的判断，直至F_a为空，即全部基因分配出去为止；以此类推，对B个体采取相同的操作；步骤6，变异操作：变异分为两种，一种为插入变异，将一条染色体上的某些基因插入到其它染色体中，帮助染色体之间的交流；另一种为重排变异，将染色体上的客户基因进行重排，产生更好的客户服务顺序，具体过程如下：步骤6.1，插入变异：具体过程如下：步骤6.1.1设置变异概率P_e，P_e为0～1之间的随机浮点数，每个个体的染色体中，表示车辆的第一个基因均不产生变异，对于染色体的其它每个客户基因，产生一个0～1之间的随机浮点数r_i，如果r_i小于P_e，则将该基因存储到变异基因库G中，相应的删除原染色体中的对应客户基因；如果r_i大于等于P_e，那么该基因不产生变异，即不做任何变动；以此类推，个体中所有染色体的客户基因均执行以上操作；步骤6.1.2，随机选择G中的一个客户基因，然后将其插入到个体任意染色体的车辆基因后的其它任意位置，并判断是否超载，若超载，则将其随机插入到下一条染色体中，并再次进行超载的判断，直至G为空，即G中客户基因全部分配出去为止；步骤6.2，重排变异：具体过程如下：步骤6.2.1，针对个体中每一条染色体，产生两个位于2到该染色体长度之间的随机自然数，值较大的为命名max，较小的命名为min；步骤6.2.2，将染色体中由编号min到max之间的客户基因倒置，例如由456调整为654；步骤6.2.3，计算倒置前后该条染色体的适应度，如果重排后适应度更小，则保存该重排的操作，否则，该染色体不进行倒置；步骤6.3，对种群中的每个个体均执行变异操作；步骤7，用改进的极值优化算法对种群中每个个体进行邻域搜索，具体过程如下：步骤7.1，定义染色体中除车辆基因外的每个节点(客户)i的适应度λ_i如下：λ_i＝(d(y_imin，y_i)+d(y_i，y_imin2))‑(d(y_i‑1，y_i)+d(y_i，y_i+1))   (3)其中，y_imin和y_imin2分别表示距离客户y_i最近的客户和第二近的客户，d(y_i‑1，y_i)表示节点y_i‑1和y_i之间的距离；步骤7.2，根据公式选择将要进行邻域搜索的客户基因i，其中，1≤r≤t，代表客户基因适应度的顺序，r＝1代表适应度最小的客户基因，r＝t代表适应度最大的客户基因，t为该条染色体中客户基因的数目，τ为大于等于0的可以调节的系数，p(r)表示适应度第r的基因被选中的概率；步骤7.3，根据公式选择进行邻域搜索客户基因的相邻节点(客户)j，其中s表示该客户基因是距离将要进行邻域搜索的客户基因i的第s近，例如，s＝1表示该基因距离邻域搜索客户基因i最近，s＝2表示距离基因i第2近，以此类推，h表示该条染色体上所有基因的总数目，包括客户基因与车辆基因，μ为大于等于0的可以调节的系数，p(s)表示距离基因i第s近的基因被选中的概率；步骤7.4，对选择好的进行邻域搜索的客户基因i及其相邻基因j进行重新分配，探索更大的空间，重新分配主要有以下六种情况：(1)相同车场客户搬迁。当客户基因i和i分属不同路线，但是由同一个配送中心进行服务时，把一个客户从一条路线上重新分配到另一条路线上来；(2)相同车场路线部分交换。当客户基因i和j分属不同路线，但是由同一个配送中心进行服务时，随机选择一条路线上的一段路线，长度随机，与另一条路线上的同样长度的路线进行交换；(3)相同车场客户互换。当客户基因i和i在同一条路线上时，将客户i和j进行互换；(4)不同车场客户搬迁。当客户基因i和j分属不同路线，并且由不同配送中心进行服务时，把一个客户从一条路线上重新分配到另一条路线上来；(5)不同车场路线部分互换。当客户基因i和j分属不同路线，并且由不同配送中心进行服务时，随机选择一条路线上的一段路线，长度随机，与另一条路线上的同样长度的路线进行交换；(6)车场互换。当客户基因i和i分属不同车场时，交换两条路线的车场。步骤7.5，对种群中的每个个体均执行邻域搜索策略，在执行过程中，每一次邻域搜索后的解必须是可行解，并满足车辆容量约束等要求，否则，重新进行邻域搜索，直到最大搜索次数G；步骤7.6，按照模拟退火的策略接受邻域搜索的解，具体步骤如下：根据公式(1)计算邻域搜索后的解f(x′)，x′代表邻域搜索后的车辆路线，如果f(x’)＜f(x)，则接受该邻域搜索的解，否则，以概率exp(‑(f(x′)‑f(x))/T_g)接受邻域搜索的解，T_g表示第g次迭代时的温度；步骤8，根据公式(1)计算种群中所有个体的适应度，即个体对应路线的目标函数值；步骤9，选择：根据个体适应度，有概率的将适应度更好的个体选择下来，保留其优良基因，实现种群的进化，具体过程如下：步骤9.1，根究公式将个体适应度进行转化，其中f_k表示该个体转化前的适应度，f_k′表示转化后的适应度，f_max表示种群中个体最大的适应度，f_min表示种群中个体最小的适应度，γ表示车辆使用的平均固定成本；步骤9.2，按照概率对个体进行选择，个体的适应度越大，被选择保留下来的概率也就越大，具体过程如下：步骤9.2.1，计算所有个体的适应度之和F＝∑f_ki′，个体i的相对概率P_ri＝f_ki′/F，个体i的累积概率P_ci＝∑P_rj；步骤9.2.2，在0～1之间产生一个随机浮点数r_i，如果r_i小于P_ci，则选择种群中的第一个个体，否则选择可以使P_c(i‑1)＜r_i≤P_ci成立的第i个个体；步骤9.3，重复执行步骤9.2共NP次，NP个个体组成新的种群；步骤10，精英保留：将种群中的最优个体保存下来，确保种群朝着正确的方向进化，而不会出现退化的现象，具体过程如下：令初始种群中最优的个体为G_b，每进行一次进化，将G_b与种群中所有个体的适应度进行比较，如果个体G_b的适应度值更优，则用G_b替代种群中适应度值最差的个体，否则，G_b被种群中的最优个体所取代；步骤11，一次迭代完成，迭代次数g＝g+1，当前温度T_g＝T*q；步骤12，判断是否满足终止条件，终止条件为迭代次数g达到最大迭代次数MaxGen或者G_b适应度值保持不变的次数Nu达到指定次数Kbest，如果满足，继续执行步骤13，否则返回执行步骤5；步骤13，输出个体G_b及其适应度值f_Gb，其中每条染色体的第一位为车辆基因，后面为客户基因；步骤14，对最优个体G_b进行解读，G_b为[N+1，a，f，...，b；N+2，d，c，...，e；...；N+H‑1，g，k，...，h；N+H，j，i，...，m]；其中，[a，b，...，k，...，m，...]代表N个客户，N+1‑N+H代表H辆车，根据结果G_b，安排车辆N+1依次服务客户a、f、...、b，最后回到原车场，安排车辆N+2依次服务客户d、c、...、e，最后回到原车场，...，安排车辆N+H‑1依次服务客户g、k、...、h，最后回到原车场，安排车辆N+H依次服务客户j、i、...、m，最后回到原车场，此次调度安排配送的车辆总成本为f_Gb。