本發(fā)明涉及的是一種純電動(dòng)汽車物流配送車輛調(diào)度方法，屬于智能優(yōu)化調(diào)度中的車輛路徑技術(shù)領(lǐng)域。

背景技術(shù)：

目前，純電動(dòng)汽車物流配送車輛調(diào)度方案主要集中在靜態(tài)車輛調(diào)度領(lǐng)域，即在調(diào)度開始之前，所有與調(diào)度相關(guān)的信息已經(jīng)確定，并且不會(huì)隨著時(shí)間的變化而變化。在實(shí)際物流配送過程中，車輛的行駛速度并不是一成不變的，而是隨著出發(fā)時(shí)間的不同而變化。因此，有必要對(duì)現(xiàn)有的調(diào)度模型進(jìn)行改進(jìn)，綜合考慮行駛速度隨出發(fā)時(shí)間的依賴特性、純電動(dòng)汽車的充電需求以及載重約束，對(duì)時(shí)間依賴的純電動(dòng)汽車車輛調(diào)度問題進(jìn)行模型構(gòu)建、求解，獲取優(yōu)選的調(diào)度方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的在于：針對(duì)上述存在的問題，構(gòu)建了時(shí)間依賴的純電動(dòng)汽車物流配送車輛調(diào)度問題模型，提出了基于遺傳算法的改進(jìn)車輛調(diào)度方法。

本發(fā)明的一種多目標(biāo)優(yōu)化的純電動(dòng)汽車物流配送優(yōu)化調(diào)度方法，包括下列步驟：

步驟1：構(gòu)建調(diào)度模型：

對(duì)真實(shí)充電站進(jìn)行復(fù)制得到訪問充電站集合S′，同一車輛對(duì)集合S′中的每個(gè)訪問充電站只能訪問一次；

用v₀表示車輛始發(fā)節(jié)點(diǎn)，v_n+1表示車輛返回節(jié)點(diǎn)，且節(jié)點(diǎn)v₀、v_n+1對(duì)應(yīng)同一配送中心，用于區(qū)分出發(fā)和返回狀態(tài)；

由配送節(jié)點(diǎn)集合C、訪問充電站集合S′和節(jié)點(diǎn)v₀的并集得到第一節(jié)點(diǎn)集合V₀，由配送節(jié)點(diǎn)集合C、訪問充電站集合S′和節(jié)點(diǎn)v_n+1的并集得到第二節(jié)點(diǎn)集合V_n+1，由配送節(jié)點(diǎn)集合C和訪問充電站集合S′的并集得到第三節(jié)點(diǎn)集合V；

構(gòu)建調(diào)度模型的目標(biāo)函數(shù)：其中表示車輛使用成本，表示所有車輛的總配送時(shí)間成本，f₁、f₂為預(yù)設(shè)權(quán)重，K表示配送中心的車輛集，第一訪問狀態(tài)變量的取值為：若存在車輛k從節(jié)點(diǎn)v₀到達(dá)節(jié)點(diǎn)j，則否則第二訪問狀態(tài)變量x_ijk的取值為：若存在車輛k從節(jié)點(diǎn)i到達(dá)節(jié)點(diǎn)j，則x_ijk＝1；否則x_ijk＝0；T_ij(·)表示依賴出發(fā)時(shí)刻的行駛時(shí)間函數(shù)，函數(shù)的輸入?yún)?shù)為從節(jié)點(diǎn)i的出發(fā)時(shí)刻，基于預(yù)設(shè)的旅行速度與出發(fā)時(shí)刻的映射關(guān)系得到當(dāng)前出發(fā)時(shí)刻的行駛速度，根據(jù)節(jié)點(diǎn)i與節(jié)點(diǎn)j間的路程得到任意車輛從節(jié)點(diǎn)i出發(fā)到達(dá)節(jié)點(diǎn)j的行駛時(shí)間t_ij，其中u_ik表示車輛k到達(dá)節(jié)點(diǎn)i的到達(dá)時(shí)刻，s_ik表示車輛k在節(jié)點(diǎn)i的停留時(shí)間，若節(jié)點(diǎn)i∈C₀，則停留時(shí)間s_ik等于節(jié)點(diǎn)i的服務(wù)時(shí)間，其中集合C₀＝C∪{v₀}；若節(jié)點(diǎn)i∈S′，則s_ik＝r_k(Q_k-q_ik)，其中r_k表示車輛k的充電時(shí)間參數(shù)、Q_k表示車輛k的電量最大值，q_ik表示車輛k到達(dá)節(jié)點(diǎn)i的電量；

調(diào)度模型的約束條件為：

(1)每個(gè)配送節(jié)點(diǎn)只能由一輛車進(jìn)行服務(wù)：

(2)同一車輛k對(duì)訪問充電站集合S′中的訪問充電站最多能被訪問一次：

(3)對(duì)于任意節(jié)點(diǎn)，訪問該節(jié)點(diǎn)的車輛數(shù)等于離開該節(jié)點(diǎn)的車輛數(shù)：

(4)車輛k到達(dá)任意節(jié)點(diǎn)的載重不大于車輛k離開上一個(gè)節(jié)點(diǎn)的載重：

其中g(shù)_jk、g_ik分別表示車輛k到達(dá)節(jié)點(diǎn)i、j的載重，m_i表示節(jié)點(diǎn)i的需求量，G_k表示車輛k的額定載重；

(5)車輛從配送中心出發(fā)時(shí)的載重不大于車輛額定載重且大于等于0：

(6)車輛k從節(jié)點(diǎn)i到達(dá)節(jié)點(diǎn)j的到達(dá)時(shí)刻u_jk應(yīng)滿足：

其中T_max表示預(yù)設(shè)配送截止時(shí)間，即配送中心運(yùn)行的最大配送時(shí)間；

(7)若車輛k訪問的上一節(jié)點(diǎn)i∈C，則從節(jié)點(diǎn)i到達(dá)節(jié)點(diǎn)j的電量q_jk應(yīng)滿足：

若車輛k訪問的上一節(jié)點(diǎn)i∈S′，則從節(jié)點(diǎn)i到達(dá)節(jié)點(diǎn)j的電量q_jk應(yīng)滿足：

電量消耗函數(shù)

其中電量消耗估計(jì)值m_k表示車輛k的質(zhì)量，v_ijk(t)表示車輛k在時(shí)刻t的速度，ρ_a表示空氣密度，A_fk表示車輛k的橫截面面積，C_d為風(fēng)阻系數(shù)，f_r表示摩擦系數(shù)，g表示重力加速度；φ^c、φ^r分別表示電功率與機(jī)械功率轉(zhuǎn)換的消耗系數(shù)、回收系數(shù)，分別表示電池功率與電功率轉(zhuǎn)換的消耗系數(shù)、回收系數(shù)；

(8)表示車輛k從配送中心出發(fā)時(shí)的電池狀態(tài)為充滿狀態(tài)，即

步驟2：以單個(gè)車輛從始發(fā)節(jié)點(diǎn)經(jīng)配送節(jié)點(diǎn)/配送節(jié)點(diǎn)和訪問充電站到達(dá)返回節(jié)點(diǎn)的配送路徑作為遺傳算法的基因、不同車輛的配送路徑組合作為遺傳算法的個(gè)體，且每個(gè)個(gè)體的配送節(jié)點(diǎn)集合等于C；

采用遺傳算法，在滿足調(diào)度模型的約束條件下，求解使得調(diào)度模型的目標(biāo)函數(shù)取得最小值的個(gè)體，得到調(diào)度方案。

本發(fā)明為一種多目標(biāo)優(yōu)化的純電動(dòng)汽車物流配送優(yōu)化調(diào)度方法，根據(jù)純電動(dòng)汽車和路網(wǎng)的特點(diǎn)構(gòu)建了時(shí)間依賴的純電動(dòng)汽車物流配送調(diào)度模型，在滿足調(diào)度模型的約束條件下，求解使得目標(biāo)函數(shù)最優(yōu)的車輛配送路徑組合，得到關(guān)于所有待分配的配送節(jié)點(diǎn)的調(diào)度方案。其調(diào)度適用性比現(xiàn)有的靜態(tài)車輛調(diào)度方案更強(qiáng)。

進(jìn)一步的，步驟2中，采用遺傳算法求解的具體過程為：

步驟201：結(jié)合隨機(jī)生成算法和貪婪生成算法，生成關(guān)于調(diào)度模型的初始解，即初始可行解，得到遺傳算法的初始種群，貪婪生成算法能夠生成可行解，但是會(huì)造成求解結(jié)果陷入局部最優(yōu)；隨機(jī)生成算法能夠提高求解速度，但是由于求解結(jié)果不一定是可行解，增加了后續(xù)算法的求解難度。將貪婪算法與隨機(jī)算法相結(jié)合，能夠在保證可行解的同時(shí)，增加了可行解的多樣性，提高搜索空間。

具體的，生成初始解的可具體包括下列步驟：

步驟101：設(shè)置當(dāng)前節(jié)點(diǎn)為節(jié)點(diǎn)v₀；

步驟102：獲取當(dāng)前節(jié)點(diǎn)標(biāo)識(shí)符；

步驟103：判斷當(dāng)前節(jié)點(diǎn)是否為配送中心，若是，則從當(dāng)前待分配的配送節(jié)點(diǎn)中隨機(jī)選擇配送節(jié)點(diǎn)進(jìn)行分配處理；否則，從當(dāng)前待分配的配送節(jié)點(diǎn)中選擇與當(dāng)前節(jié)點(diǎn)最近的待分配的配送節(jié)點(diǎn)進(jìn)行分配處理；

步驟104：判斷是否完成初始解的構(gòu)建(即集合C中的所有配送節(jié)點(diǎn)均被分配且滿足分配約束條件(調(diào)度模型的約束條件))，若是，則轉(zhuǎn)到步驟102繼續(xù)執(zhí)行；否則輸出初始解。

步驟202：從當(dāng)代種群中隨機(jī)選擇個(gè)體對(duì)，并在所選個(gè)體對(duì)中隨機(jī)選擇需要交叉的基因?qū)?，?duì)個(gè)體對(duì)進(jìn)行交叉操作，并對(duì)交叉后的個(gè)體進(jìn)行重組，使重組后的個(gè)體滿足調(diào)度模型的約束條件且目標(biāo)函數(shù)最??；

步驟203：從當(dāng)代種群中選擇前T1個(gè)適配度最大的個(gè)體作為變異對(duì)象，在變異對(duì)象中隨機(jī)選擇變異的基因，對(duì)個(gè)體進(jìn)行變異操作，并對(duì)變異后的個(gè)體進(jìn)行重組，使重組后的個(gè)體滿足調(diào)度模型的約束條件且目標(biāo)函數(shù)最?。?/p>

步驟204：對(duì)當(dāng)代種群、交叉后的個(gè)體、變異后的個(gè)體進(jìn)行適應(yīng)度排序，取前T2個(gè)最小適應(yīng)度的個(gè)體進(jìn)化到下一代，得到下一代種群；

步驟205：若當(dāng)前迭代次數(shù)達(dá)到迭代閾值，則將最新代的種群(步驟204得到的下一代種群)中適應(yīng)度最小的個(gè)體作為最優(yōu)調(diào)度結(jié)果并輸出；否則更新迭代次數(shù)，繼續(xù)執(zhí)行步驟202。

步驟2、3中所述的重組可具體為：

從當(dāng)前待分配的配送節(jié)點(diǎn)集合中隨機(jī)選取待分配的配送節(jié)點(diǎn)；

查找最小成本的可插入配送路徑：對(duì)當(dāng)前個(gè)體的配送路徑集合進(jìn)行遍歷，通過計(jì)算當(dāng)前節(jié)點(diǎn)行駛到選取的待分配的配送節(jié)點(diǎn)的時(shí)間消耗查找最小成本的可插入配送路徑；

若存在最小成本的可插入配送路徑，則將待分配的配送節(jié)點(diǎn)添加到所述可插入配送路徑，并更新當(dāng)前車輛到達(dá)各節(jié)點(diǎn)的電量、到達(dá)時(shí)刻以及載重；否則，從配送中心的車輛集中隨機(jī)選擇未配送的車輛，采用生成初始解相同的方式，生成當(dāng)前車輛的配送路徑并添加到當(dāng)前個(gè)體的配送路徑集合中。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：公開了一種根據(jù)純電動(dòng)汽車和路網(wǎng)的特點(diǎn)構(gòu)建了時(shí)間依賴的純電動(dòng)汽車物流配送調(diào)度模型，在滿足調(diào)度模型的約束條件下，求解使得目標(biāo)函數(shù)最優(yōu)的車輛配送路徑組合，得到關(guān)于所有待分配的配送節(jié)點(diǎn)的調(diào)度方案。其調(diào)度適用性比現(xiàn)有的靜態(tài)車輛調(diào)度方案更強(qiáng)。且基于改進(jìn)的分組遺傳算法中，個(gè)體的元素不再是配送節(jié)點(diǎn)，而是多個(gè)車輛的配送路徑的組合，其能更進(jìn)一步優(yōu)化對(duì)調(diào)度模型的最優(yōu)解求解過程，降低優(yōu)化計(jì)算復(fù)雜度。

附圖說明

圖1是本發(fā)明具體實(shí)施方式的流程圖。

圖2是具體實(shí)施方式中，本發(fā)明進(jìn)行交叉處理的過程示意圖。

圖3是具體實(shí)施方式中，本發(fā)明進(jìn)行變異操作的過程示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施方式和附圖，對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

參見圖1，采用遺傳算法對(duì)本發(fā)明構(gòu)建的調(diào)度模型進(jìn)行求解，求解使得目標(biāo)函數(shù)取得最小值的調(diào)度方案。

首先要確定遺傳算法的基因的編碼方式。本發(fā)明采用分組策略對(duì)個(gè)體進(jìn)行編碼，即個(gè)體中的元素不再是配送節(jié)點(diǎn)(本具體實(shí)施方式中，配送節(jié)點(diǎn)為顧客點(diǎn))序列，而是車輛配送路徑的組合，其中車輛配送路徑包括分配給車輛的顧客點(diǎn)與充電站的組合。個(gè)體對(duì)象主要包括車輛總路徑和目標(biāo)成本，目標(biāo)成本是車輛使用成本和配送時(shí)間成本的和，車輛總路徑是配送路徑信息的組合，主要包括單車路徑、車輛編號(hào)、剩余電量(到達(dá)非配送中心的節(jié)點(diǎn)的電量)、剩余載重(到達(dá)任意顧客點(diǎn)的載重)以及車輛的行駛時(shí)間，其中單車路徑為訪問點(diǎn)的編號(hào)序列。

基于本發(fā)明的調(diào)度模型，采用貪婪隨機(jī)生成法生成遺傳算法的初始解，由多個(gè)初始解構(gòu)成初始種群；綜合考慮調(diào)度模型中的純電動(dòng)汽車的充電需求、傳統(tǒng)車輛調(diào)度問題的載重約束以及路網(wǎng)的時(shí)間依賴特性，生成初始解，即初始可行解。同時(shí)初始化迭代次數(shù)的值為0。

對(duì)初始種群進(jìn)行適應(yīng)度(本發(fā)明的調(diào)度模型的目標(biāo)函數(shù)值)排序，用于變異操作的變異對(duì)象選擇；

交叉操作屬于遺傳算法中的關(guān)鍵步驟，對(duì)于遺傳算法的計(jì)算速度和最優(yōu)解的生成具有較大影響，本發(fā)明中，基于傳統(tǒng)遺傳算法的交叉操作對(duì)個(gè)體進(jìn)行交叉處理。參見圖2，以顧客點(diǎn)為編號(hào)1-6，訪問充電站編號(hào)為7-8，編號(hào)0表示配送中心，其種群交叉操作的步驟如下：

步驟1：在每次迭代過程中，從當(dāng)代個(gè)體中隨機(jī)選擇兩個(gè)個(gè)體，并隨機(jī)確定所選個(gè)體之間需要交叉的單車路徑，如圖2-a所示，其中交叉對(duì)象選定為個(gè)體1中的純電動(dòng)車輛3、個(gè)體2中的純電動(dòng)車輛1；

步驟2：分別將所選的兩個(gè)個(gè)體中需要交叉的單車路徑原封不動(dòng)地添加到對(duì)方的個(gè)體中去，如圖2-b所示。

步驟3：如果交叉后的個(gè)體存在顧客點(diǎn)或者車輛重復(fù)的情況，則對(duì)除交叉對(duì)象以外的其他單車路徑中的重復(fù)顧客點(diǎn)以及重復(fù)車輛進(jìn)行消除，并保存去除車輛以后沒有安排的顧客點(diǎn)，所得結(jié)果如圖2-c所示。

步驟4：對(duì)個(gè)體中有變動(dòng)的單車路徑進(jìn)行重新插入，并對(duì)不符合要求的顧客點(diǎn)設(shè)置為未分配狀態(tài)，如圖2-d所示。步驟5：仿照初始解生成法對(duì)沒有安排的顧客點(diǎn)進(jìn)行插入安排，并為了保證單車路徑為可行解，可以增加配送車輛引入新的配送路徑，如圖2-e所示。

其中初始解生成法的具體包括下列步驟：

(1)設(shè)置當(dāng)前節(jié)點(diǎn)為配送中心。

(2)獲取當(dāng)前節(jié)點(diǎn)的編號(hào)；

(3)判斷當(dāng)前節(jié)點(diǎn)是否為配送中心，若是，則從當(dāng)前未分配的顧客點(diǎn)中隨機(jī)選擇顧客點(diǎn)進(jìn)行分配處理；否則選擇與當(dāng)前節(jié)點(diǎn)最近的未分配顧客點(diǎn)進(jìn)行分配處理；

(4)判斷是否完成初始解的構(gòu)建，即判斷是否存在未分配的顧客點(diǎn)時(shí)，若是，則轉(zhuǎn)到步驟(2)繼續(xù)執(zhí)行；否則，初始解生成法結(jié)束。

變異操作主要是對(duì)種群中適應(yīng)度較差的個(gè)體進(jìn)行變異優(yōu)化，從而盡可能確保種群的優(yōu)良性。本發(fā)明將前T1(經(jīng)驗(yàn)預(yù)設(shè)值)個(gè)適應(yīng)度最大的個(gè)體作為變異個(gè)體，以圖3-a中的個(gè)體1中為例，種群變異操作的具體步驟如下，其中編號(hào)1-6表示顧客點(diǎn)，編號(hào)7-8表示訪問充電站，編號(hào)0表示配送中心：

步驟1：在每次迭代過程中，從當(dāng)代種群的前T1個(gè)適應(yīng)度最大的的個(gè)體中隨機(jī)選擇父代個(gè)體，并隨機(jī)選擇需要變異的基因片段p，如圖3-a中的個(gè)體1中的純電動(dòng)車輛3。

步驟2：去除基因片段p，并將p中的顧客點(diǎn)設(shè)為未分配狀態(tài)，如圖3-b所示。

步驟3：仿照初始解生成法重新插入個(gè)體，并可適當(dāng)安排新車輛保證可行性，如圖3-c所示。

對(duì)當(dāng)代種群、交叉后的個(gè)體、變異后的個(gè)體進(jìn)行適應(yīng)度排序，取前T2個(gè)最小適應(yīng)度的個(gè)體進(jìn)化到下一代，即由前T2個(gè)最小適應(yīng)度的個(gè)體得到下一代種群；

判斷迭代是否完成，即通過迭代次數(shù)達(dá)到迭代閾值來進(jìn)行判斷，若是，則將最新代的種群中適應(yīng)度最小的個(gè)體作為最優(yōu)調(diào)度結(jié)果并輸出；否則更新迭代次數(shù)，基于最新待的種群繼續(xù)執(zhí)行種群交叉、種群變異及進(jìn)化到下一代的迭代處理。

以上所述，僅為本發(fā)明的具體實(shí)施方式，本說明書中所公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換；所公開的所有特征、或所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以任何方式組合。