亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法與流程

文檔序號:12272651閱讀:497來源:國知局
一種物流領(lǐng)域多車型多次配送的智能優(yōu)化調(diào)度方法與流程

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:

dij=|lani-lanj|+|longi-longj| (1)

tij=dij/speed (2)

其中(lani,longi)、(lanj,longj)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;Vk表示輛車k遍歷收貨點組成的向量,Vk由配送中心和收貨點集合組成;tij表示車輛k從收貨點i到收貨點j的行駛時間長度,tij>0,tii=∞,i,j∈Vk;Hk表示車輛k最大運載能力限制,qi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,si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,βij表示從收貨點i到收貨點j的訪問概率,初始時βij=1,1≤i,j≤n,tabun_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;βgene為種群中第gene代的2維概率學(xué)習(xí)模型β(n×n),表示βgene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:

βij=ρ×βij+Vβij (17)

其中Qk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(lani,longi)、(lanj,longj)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)。

dij=|lani-lanj|+|longi-longj| (1)

tij=dij/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∈Ek,Ek={1,2,L,maxek},maxek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;Vk表示輛車k遍歷收貨點組成的向量,Vk由配送中心(V=0)和收貨點(Vk≠0且Vk≠φ)集合組成;tij(tij>0,tii=∞,i,j∈Vk)表示車輛k從收貨點i到收貨點j的行駛時間長度;Hk(若k1≠k2,k1,k2∈K,則)表示車輛k最大運載能力限制,qi(i∈Vc)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,si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,βij表示從收貨點i到收貨點j的訪問概率,初始時βij=1(1≤i,j≤n),tabun_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;βgene為種群中第gene代的2維概率學(xué)習(xí)模型β(n×n),表示βgene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,Qk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:

βij=ρ×βij+Vβij (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(βij=1,1≤i,j≤n)初始化,并設(shè)定人工螞蟻禁忌表tabun_popsize,tabun_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Tk=+∞;

(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Hk,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tabuk

(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,Qk表示車輛k總工作時長:

βij=ρ×βij+Vβij

(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)。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1