本發(fā)明涉及一種物流調(diào)度方法，尤其涉及一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法，屬于物流管理范疇內(nèi)的車輛優(yōu)化調(diào)度技術(shù)領(lǐng)域。

背景技術(shù)：

現(xiàn)代物流指的是將信息、運輸、倉儲、庫存、裝卸搬運以及包裝等物流活動綜合起來的一種新型的集成式管理，其任務(wù)是盡可能降低物流的總成本，為顧客提供最好的服務(wù)。而我國諸多專家學(xué)者認(rèn)為：現(xiàn)代物流是根據(jù)客戶的需求，以最經(jīng)濟的費用，將物流從供給地向需求地轉(zhuǎn)移的過程，它主要包括運輸、儲存、加工、包裝、裝卸、配送和信息處理等活動。

在經(jīng)濟全球化和電子商務(wù)的雙重推動下，物流業(yè)正在從傳統(tǒng)物流向現(xiàn)代物流迅速轉(zhuǎn)型并成為當(dāng)前物流業(yè)發(fā)展的必然趨勢。在系統(tǒng)工程思想的指導(dǎo)下，以信息技術(shù)為核心，強化資源整合和物流全過程優(yōu)化是現(xiàn)代物流的最本質(zhì)特征。

車輛路徑問題(Vehicle Routing Problem,VRP)具有大規(guī)模、不確定、多目標(biāo)等復(fù)雜因素，對其相關(guān)調(diào)度算法的研究一直是學(xué)術(shù)界和工業(yè)界的熱點課題。帶時間窗的車輛調(diào)度問題(VRPTW)是在經(jīng)典VRP問題基礎(chǔ)上擴展衍生出的一類問題。標(biāo)準(zhǔn)VRPTW問題的約束條件是客戶時間窗約束、配送中心時間窗約束和車輛最大載重約束，求解目標(biāo)是配送車輛數(shù)最優(yōu)，并在此配送車輛數(shù)的基礎(chǔ)上最優(yōu)化配送總里程，屬于一類多約束多目標(biāo)優(yōu)化的組合優(yōu)化問題，具有NP-hard屬性。現(xiàn)實生活中很多很多管理調(diào)度問題都可抽象成VRPTW問題來處理，如郵政投遞、運鈔車調(diào)度、軍事戰(zhàn)場補給配送等，具有很高的實際運用價值。故此，對VRPTW問題及其衍生問題的研究具有極高的理論意義和經(jīng)濟價值。

其中，蟻群算法是一類吸收螞蟻覓食行為特征的隨機優(yōu)化算法，通過蟻群的反饋和協(xié)同機制，構(gòu)造概率搜索方法，實現(xiàn)對求解目標(biāo)的優(yōu)化。1991年，Dorigo首次提出蟻群系統(tǒng)(Ant System,AS)，并有效求解TSP問題。蟻群算法是一種模仿自然界中螞蟻覓食行為的群智能算法，通過各只螞蟻間的反饋和協(xié)同機制得到最短覓食路徑，已成功應(yīng)用于多種組合優(yōu)化問題的求解。Dorigo根據(jù)信息素更新方式將AS劃分成三種算法模型——ant-cycle，ant-quantity及ant-density。其中，ant-cycle使用全局信息進(jìn)行信息素更新，而ant-quantity和ant-density僅利用局部信息進(jìn)行更新。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法，能夠解決在一定的時間段內(nèi)不同車型分別執(zhí)行多車次的配送任務(wù)，大大提升調(diào)度排單的質(zhì)量和效率，有效輔助調(diào)度人員完成調(diào)度工作。

為實現(xiàn)上述目標(biāo)，本發(fā)明的采用以下技術(shù)方案是提供一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法，包括以下步驟：S1)輸入訂單信息、收貨點信息、車輛信息和配送中心信息；S2)根據(jù)收貨點信息中導(dǎo)航地址及經(jīng)緯度坐標(biāo)，采用曼哈頓距離計算車輛在收貨點間的平均行駛時間；S3)對多目標(biāo)進(jìn)行分層排序?qū)崿F(xiàn)車輛調(diào)度，以一段時間內(nèi)配送中心收到的全部訂單量為計算單位，分別最大化車輛在該段時間內(nèi)的配送訂單數(shù)、最小化車輛在該段時間內(nèi)的配送次數(shù)、最小化車輛在該段時間內(nèi)的工作總時長；S4)根據(jù)學(xué)習(xí)模型指導(dǎo)算法搜索解空間，實現(xiàn)路線構(gòu)建和路線改進(jìn)；S5)采用遺忘率解決算法早熟，對學(xué)習(xí)模型進(jìn)行更新；S6)終止條件判斷，當(dāng)?shù)阶畲筮\行時間或最大迭代次數(shù)，終止算法運行；S7)最終調(diào)度計劃輸出，通過人工簡單篩選，按車型輸出調(diào)度計劃。

進(jìn)一步地：所述訂單信息訂單信息包括：訂單編號、訂單方量和訂單重要性；所述收貨點信息包括收貨點編碼、收貨點名稱、收貨點導(dǎo)航地址、收貨點經(jīng)緯度坐標(biāo)、收貨點時間窗和收貨點等待時長期望；所述車輛信息包括車輛運能；所述配送中心信息包括配送中心編碼、配送中心名稱、配送中心導(dǎo)航地址、配送中心經(jīng)緯度坐標(biāo)和配送中心運營時間窗。

進(jìn)一步地：所述步驟S2)計算車輛在收貨點間的平均行駛時間過程如下：

d_ij＝|lan_i-lan_j|+|long_i-long_j| (1)

t_ij＝d_ij/speed (2)

其中(lan_i,long_i)、(lan_j,long_j)分別表示收貨點i和j的經(jīng)緯度坐標(biāo)，speed表示車輛的平均速度。

進(jìn)一步地：所述步驟S3)中車輛調(diào)度過程如下：

若則

式中：f₁為車輛在該時間段內(nèi)的配送訂單數(shù)、f₂車輛在該時間段內(nèi)的配送次數(shù)、f₃為車輛在該時間段內(nèi)的工作總時長；c表示訂單；K表示可使用車輛集合；N＝{1,2,…,n}表示求解問題中全部收貨點集合，V＝{0,N}為配送中心和全部收貨點的集合；V_k表示輛車k遍歷收貨點組成的向量，V_k由配送中心和收貨點集合組成；t_ij表示車輛k從收貨點i到收貨點j的行駛時間長度，t_ij>0，t_ii＝∞，i,j∈V_k；H_k表示車輛k最大運載能力限制，q_i表示收貨點i貨物需求量；表示訂單c是否由車輛k配送，表示車輛k完成收貨點i后是否配送點j，表示收貨點i是否由車輛k配送；表示收貨點i的時間窗約束，表示i最早開始收貨時刻，表示i最遲開始收貨時刻，s_i表示收貨點i卸貨等待收貨時長，表示從收貨點完成i到收貨點j，完成收貨且準(zhǔn)備離開的時刻。

進(jìn)一步地：所述步驟S4)以二維概率幅學(xué)習(xí)模型β為觀測模型，路線構(gòu)建如公式(14)所示，β_ij表示從收貨點i到收貨點j的訪問概率，初始時β_ij＝1，1≤i,j≤n，tabu_{n_popsize}人工螞蟻禁忌表；觀測過程如公式(15)所示：

其中r為在[0,1]上服從均勻分布的隨機變量，r₀表示收貨點搜索方式選擇參數(shù)，0≤r₀≤1,at表示車輛到達(dá)收貨點j的時刻,表示收貨點j最早開始收貨時刻,表示收貨點j開始卸貨時刻，lt表示離開收貨點i時刻，為時間窗相關(guān)緊度；β^gene為種群中第gene代的2維概率學(xué)習(xí)模型β(n×n)，表示β^gene中第i列選擇收貨點j概率；μ、λ分別表示學(xué)習(xí)模型β和相鄰收貨點時間窗相關(guān)緊度τ的重要性，μ∈{1,2,3}，λ∈{1,2,3}。

進(jìn)一步地：所述步驟S5)采用如下方式(16)～(18)更新學(xué)習(xí)模型：

β_ij＝ρ×β_ij+Vβ_ij (17)

其中Q_k表示車輛k總工作時長，ρ表示遺忘率。

進(jìn)一步地：還包括設(shè)置算法種群規(guī)模為n_popsize＝20，最大迭代次數(shù)為n_dim＝200，遺忘率為ρ＝0.75。

進(jìn)一步地：所述最終調(diào)度計劃輸出還包括參考當(dāng)天的實際車輛車況、人員到勤及道路限制情況，對調(diào)度計劃進(jìn)行修改調(diào)整。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)勢：本發(fā)明能夠大大提升調(diào)度排單的質(zhì)量和效率，有效輔助調(diào)度人員完成調(diào)度工作；本發(fā)明提供的蟻群智能優(yōu)化算法，簡單易用；基于二維概率幅的學(xué)習(xí)模型有效降低了算法在時間及空間上的復(fù)雜度，提高算法的搜索速度；采用internal-two-opt和interval-two-opt最佳人工螞蟻執(zhí)行當(dāng)前局部最優(yōu)解空間的深度挖掘。此外，本發(fā)明通過設(shè)計二維概率幅模型更新方式，拓寬了算法的對全局解空間的搜索寬度，又通過人機結(jié)合的方式，進(jìn)一步增加了算法搜索結(jié)果的可執(zhí)行性。

附圖說明

圖1是本發(fā)明的物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度算法流程圖；

圖2是本發(fā)明的車輛調(diào)度系統(tǒng)流程圖；

圖3是本發(fā)明的internal-two-opt操作示意圖；

圖4是本發(fā)明的interval-two-opt操作示意圖。

具體實施方式

下面結(jié)合實例實例及附圖對本發(fā)明作進(jìn)一步詳細(xì)闡述，但本發(fā)明的實施方式不限于此。

請參見圖1和圖2，本發(fā)明提供的一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法，包括以下步驟：

S1)輸入訂單信息、收貨點信息、車輛信息和配送中心信息；

S2)根據(jù)收貨點信息中導(dǎo)航地址及經(jīng)緯度坐標(biāo)，采用曼哈頓距離計算車輛在收貨點間的平均行駛時間；

基于配送中心編碼及收貨點的經(jīng)緯度坐標(biāo)，采用曼哈頓距離計算方式，進(jìn)而得到不同收貨點間的車輛行駛時長，具體計算方式如公式(1)、(2)所示：其中(lan_i,long_i)、(lan_j,long_j)分別表示收貨點i和j的經(jīng)緯度坐標(biāo)，speed表示車輛的平均速度(km/小時)。

d_ij＝|lan_i-lan_j|+|long_i-long_j| (1)

t_ij＝d_ij/speed (2)

S3)對多目標(biāo)進(jìn)行分層排序?qū)崿F(xiàn)車輛調(diào)度，以一段時間內(nèi)配送中心收到的全部訂單量為計算單位，分別最大化車輛在該段時間內(nèi)的配送訂單數(shù)、最小化車輛在該段時間內(nèi)的配送次數(shù)、最小化車輛在該段時間內(nèi)的工作總時長；

所述利用分層排序?qū)崿F(xiàn)多目標(biāo)優(yōu)化，以一定時間段內(nèi)配送中心收到的派遣訂單量為基本計算單位，分別最大化車輛在改時間段內(nèi)的配送訂單數(shù)f₁、最小化車輛在改時間段內(nèi)的配送次數(shù)f₂、最小化車輛在改時間段內(nèi)的工作總時長f₃。所述車輛調(diào)度模型如下所示：

若則

式中：c表示訂單(c∈C，C＝{1,2,…,s}表示所有訂單集合)；K(k∈K，k＝{1,2,L,w})表示可使用車輛集合，e(e∈E_k，E_k＝{1,2,L,maxe_k}，maxe_k表示車輛k的最大可用次數(shù))表示車輛k的出車次數(shù)；N＝{1,2,…,n}表示求解問題中全部收貨點集合，V＝{0,N}為配送中心(V＝0表示物流配送配送中心)和全部收貨點的集合；V_k表示輛車k遍歷收貨點組成的向量，V_k由配送中心(V＝0)和收貨點(V_k≠0且V_k≠φ)集合組成；t_ij(t_ij>0，t_ii＝∞，i,j∈V_k)表示車輛k從收貨點i到收貨點j的行駛時間長度；H_k(若k₁≠k₂，k₁,k₂∈K，則)表示車輛k最大運載能力限制，q_i(i∈V_c)表示收貨點i貨物需求量；表示訂單c是否由車輛k配送(若表示配送，若否則反之)，表示車輛k完成收貨點i后是否配送點j(若表示配送，若否則反之)，表示收貨點i是否由車輛k配送(若表示配送，若否則反之)；表示收貨點i的時間窗約束，表示i最早開始收貨時刻，表示i最遲開始收貨時刻，s_i表示收貨點i卸貨等待收貨時長，表示從收貨點完成i到收貨點j，完成收貨且準(zhǔn)備離開的時刻。

S4)根據(jù)學(xué)習(xí)模型指導(dǎo)算法搜索解空間，實現(xiàn)路線構(gòu)建和路線改進(jìn)；觀測模型為二維概率幅學(xué)習(xí)模型β，具體如公式(14)所示，β_ij表示從收貨點i到收貨點j的訪問概率，初始時β_ij＝1(1≤i,j≤n)，tabu_{n_popsize}人工螞蟻禁忌表；觀測規(guī)則如公式(15)所示，其中r為在[0,1]上服從均勻分布的隨機變量，r₀(0≤r₀≤1)表示收貨點搜索方式選擇參數(shù),at表示車輛到達(dá)收貨點j的時刻,表示收貨點j最早開始收貨時刻,表示收貨點j開始卸貨時刻，lt表示離開收貨點i時刻，為時間窗相關(guān)緊度；β^gene為種群中第gene代的2維概率學(xué)習(xí)模型β(n×n)，表示β^gene中第i(1≤i≤n)列選擇收貨點j(1≤j≤n)的概率；μ(μ∈{1,2,3})、λ(λ∈{1,2,3})分別表示學(xué)習(xí)模型β和相鄰收貨點時間窗相關(guān)緊度τ的重要性。

S5)采用遺忘率解決算法早熟，實現(xiàn)學(xué)習(xí)模型更新，Q_k表示車輛k總工作時長；如公式(17)所示ρ(ρ＝0.75)表示遺忘率：

β_ij＝ρ×β_ij+Vβ_ij (17)

采用方式(16)～(18)操作，實現(xiàn)學(xué)習(xí)模型更新，可有效避免算法搜索陷入局部最優(yōu)，增強算法搜索的深度和廣度。

S6)終止條件判斷，當(dāng)?shù)阶畲筮\行時間或最大迭代次數(shù)，終止算法運行；

S7)最終調(diào)度計劃輸出，通過人工簡單篩選，按車型輸出調(diào)度計劃。

以上海今日合理物流2016年7月27日配送任務(wù)為例：

(1)訂單信息、收貨點信息、車輛信息及配送中心信息的數(shù)據(jù)讀入。訂單信息包括：訂單編號(總計446單)、訂單方量(/立方米)、訂單重要性(必送/非必送)；其中，收貨點信息包括：收貨點編碼、收貨點名稱、收貨點導(dǎo)航地址、收貨點經(jīng)緯度坐標(biāo)、收貨點時間窗、收貨點等待時長期望；車輛信息包括：車輛運能(最大承載空間，/立方米)；配送中心信息包括：配送中心編碼、配送中心名稱、配送中心導(dǎo)航地址、配送中心經(jīng)緯度坐標(biāo)、配送中心運營時間窗。

部分訂單信息如下表所示：

部分收貨點信息如下表所示：

部分車輛信息如下表示：

(2)根據(jù)訂單中涉及的收貨點信息，采用曼哈頓距離計算，進(jìn)而得到收貨點間的旅行時間矩陣。其中，車輛平均時速為speed＝40(km/小時)；

(3)將上述信息載入一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法中；

(4)設(shè)計蟻群智能優(yōu)化算法參數(shù)初始化，所述參數(shù)包括：算法迭代次數(shù)(n_dim＝200)、人工螞蟻個數(shù)(n_popsize＝20)、表示遺忘率ρ(ρ＝0.75)、二維概率幅學(xué)習(xí)模型β(β_ij＝1，1≤i,j≤n)初始化，并設(shè)定人工螞蟻禁忌表tabu_{n_popsize}，tabu_{n_popsize}伴隨算法運行而不斷更新，并設(shè)定所有車輛的最大可用次數(shù)均為T_k＝+∞；

(5)終止條件判斷：若n_gene>n_dim，輸出最終調(diào)度計劃并退出算法計算；若否，則轉(zhuǎn)至步驟(6)；

(6)路線構(gòu)建；選擇配載車輛，并更新人工螞蟻最大負(fù)載H_k，觀測模型為二維概率幅學(xué)習(xí)模型β，觀測方法如下式所示。其中，搜索方式選擇參數(shù)r₀＝0.5，學(xué)習(xí)模型β的重要性μ＝2，相鄰收貨點時間窗相關(guān)緊度τ的重要性λ＝1，同時更新人工螞蟻k當(dāng)前位置節(jié)點以及禁忌表tabu_k；

(7)當(dāng)代最優(yōu)人工螞蟻選?。阂?016年7月28日0:00之前今日合理配送中心收到的派遣訂單量為基本，分別最大化車輛2016年7月28日的配送訂單數(shù)f₁、最小化車輛2016年7月28日的配送次數(shù)f₂、最小化車輛2016年7月28日的工作總時長f₃；

(8)路線改進(jìn)，采用internal-two-opt和interval-two-opt對當(dāng)種群(n_gene，1≤n_gene≤n_dim)代的最佳人工螞蟻執(zhí)行當(dāng)前局部最優(yōu)解空間的深度挖掘，進(jìn)一步提高調(diào)度計劃的質(zhì)量，如圖2和圖3所示；

(9)更新二維概率幅學(xué)習(xí)模型β，采用如下公式所示方式，Q_k表示車輛k總工作時長：

β_ij＝ρ×β_ij+Vβ_ij

(10)更新n_gene＝n_gene+1，更新全局搜索最優(yōu)解

(11)轉(zhuǎn)至步驟(5)。

(12)參考當(dāng)天的實際車輛車況、人員到勤、道路限制及其它情況，適當(dāng)調(diào)整完成調(diào)度計劃并輸出最終2016年7月28日實際可執(zhí)行調(diào)度計劃，本發(fā)明機器派車排單部分總耗時37秒(系統(tǒng)：win7 64bit，CPU：i5-5200U，主頻：2.20GHz；內(nèi)存：12GB；開發(fā)語言：Python)。

上述實例為本發(fā)明的一種實施方式，但本發(fā)明的實施方式并不受上述實施實例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合及簡化，等效的轉(zhuǎn)換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。