一種基于改進型染色體編碼的物流運輸調(diào)度方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種物料調(diào)度方法，尤其涉及一種基于改進型染色體編碼的物流運輸 調(diào)度方法。
【背景技術(shù)】
[0002] 運輸調(diào)度問題可以影響企業(yè)的配送服務(wù)質(zhì)量和配送成本。優(yōu)化的運輸調(diào)度加快了 配送速度、降低了配送成本、提高了服務(wù)質(zhì)量并增加了企業(yè)利潤。能否準時并高效地將商品 送到客戶手中取決于車輛調(diào)度是否合理。一般而言，決策者需要制定的調(diào)度方案包括：載貨 車輛的分配，送貨路徑的選擇、配送時間段的選取等等。
[0003] 但是，如果配送的客戶較多且比較分散，配送道路復(fù)雜，那么若僅僅只憑人工經(jīng)驗 就不能制定合理的調(diào)度方案?，F(xiàn)在的客戶要求較高的配送服務(wù)質(zhì)量，并且要求商品在一定 時間內(nèi)送達，這就導(dǎo)致調(diào)度方案的確定更加困難。若配送時間過早，則車輛使用率降低，增 加了成本；若配送時間過晚，則滿足不了客戶的需求，降低了客戶滿意率，這對企業(yè)而言都 是不利的。因此，在保證高效準時配送下，降低配送成本是車輛調(diào)度問題的核心。為了解決 以上問題，必須設(shè)計合理的配送調(diào)度模型和算法，并用計算機對該模型和算法加以實現(xiàn)。
[0004] 車輛路徑問題是一個非確定性多項式問題，該問題很難求得精確解。在實際車輛 配送問題中，由于客戶數(shù)量龐大并且路況復(fù)雜，經(jīng)常使用啟發(fā)式算法或生物進化算法對這 一系列問題進行求解。本章通過遺傳算法來優(yōu)化車輛路徑問題，為企業(yè)決策者提供智能調(diào) 度決策，從而提高配送速度、降低配送成本，增加企業(yè)的利潤。
[0005] VRP可以定義為一個無向網(wǎng)絡(luò)圖G= (V，E)，其中V= {0, 1，...，η}是頂點集合A， 1，2, ...，η表示收貨點，0表示發(fā)貨點，A是由弧度組成的集合。VRP表述問題如下：假設(shè)客 戶點為Ρ，客戶所在的地理位置和訂單需求量已知。配送中心派車配送物品，每輛車的運載 能力有限，每輛車派送完畢是返回配送中心。需要求得每輛車的配送路徑，使車的行駛總距 離、總時間、總的運輸成本達到最低。該問題有幾個約束條件：
[0006] 1)車輛所運載的貨物總量不能超過車輛的最大運載力。
[0007] 2)客戶的訂單不能分批運送，每個客戶的訂單必須用一輛車在配送。
[0008] 3)必須把配送到每一個客戶，不能遺漏掉客戶訂單。
[0009] VRP問題是一個復(fù)雜的問題，需要的多門學(xué)科來共同解決，如計算機學(xué)、運籌學(xué)、經(jīng) 濟學(xué)、工程學(xué)、物流學(xué)等等，配送路徑示意圖如圖1所示。
[0010] VRP大致可分為以下幾種：
[0011] (1)滿載和非滿載。滿載是指貨運量大于一輛車的運載量，需要幾輛車共同完成。 非滿載是指貨運量小于一輛車的運載量，一輛車就能完成運貨。
[0012] (2)單車型和多層型。單車型問題是指所有配送車輛的運載能力相同，多車型問題 是指所有配送車輛的運載能力不同。
[0013] (3)車輛開放和車輛封閉，車輛開放問題是指車輛運完貨后不返回出車場地，車輛 封閉問題是指車輛運完貨后必須返回出車場地。
[0014] (4)單源和多源。單源問題是指只有一個配送中心，多源問題是有多個配送中心。
[0015] (5)帶時間窗問題和無時間窗問題。帶時間窗問題是指客戶對送貨時間有一定要 求，必須在客戶所規(guī)定的時間內(nèi)到貨，無時間窗問題是客戶對送貨時間沒有要求。
[0016] 遺傳算法
[0017] 遺傳算法是模擬進化論的自然選擇和遺傳學(xué)機制的最優(yōu)搜索算法。其模擬了自然 界中生物遺傳中的繁殖、雜交和突變現(xiàn)象。遺傳算法的在求解時，問題可能潛在的解集存在 一個種群中，該種群是由多個個體組成，每一個個體都是帶有實體特征的染色體。而染色體 是多個基因的集合，每個基因都具有特征編碼。初始化種群產(chǎn)生后，按照優(yōu)勝劣汰和適者生 存原則，一代代進行繁殖，產(chǎn)生越來越好的近似解。在每一代中，選擇問題既定的適應(yīng)度較 高的個體參加遺傳操作，個體間進行基因交叉、變異操作，生成子代。產(chǎn)生的子代具有父代 的優(yōu)良特性又具有自身的特性，總體優(yōu)于上一代。一代代進行繁殖，逐步變?yōu)樽顑?yōu)，得到近 似解。
[0018] 在遺傳算法提出之后，國內(nèi)外一直對其進行研究和改進，于是便產(chǎn)生了多種遺傳 算法的建模的算法流程。在1975年，Michigan University的J. H. Holland教授對遺傳算 法進行了系統(tǒng)性的研究，他提出的遺傳算法被稱為標準遺傳算法。通常情況下，遺傳算法 包含選擇算子、交叉算子和變異算子。算法反復(fù)進行以上三大操作，直到滿足某個條件時停 止。

【發(fā)明內(nèi)容】

[0019] 本發(fā)明的目的是提出一種基于改進型染色體編碼的物流運輸調(diào)度方法，本發(fā)明通 過遺傳算法的運用，以配送時間和實用車輛最小化為原則，獲取整個物流配送路徑的最優(yōu) 配置。
[0020] 為了實現(xiàn)上述的目的，本發(fā)明采用了以下的技術(shù)方案：
[0021] 一種基于改進型染色體編碼的物流運輸調(diào)度方法，該方法包括以下的步驟：
[0022] 1)編碼：將待優(yōu)化種群個體的每一個特征都進行對應(yīng)的編號，一個特征代表一個 基因，一個解由一組基因組成；
[0023] 2)初始化種群：隨機產(chǎn)生N個經(jīng)過編碼的個體，形成一個種群；
[0024] 3)對每一個個體的適應(yīng)度進行計算，適應(yīng)度是用于衡量種群中個體優(yōu)劣的指標 值；
[0025] 4)通過對每一個個體適應(yīng)度大小進行判斷，以適應(yīng)度較大，遺傳概率大為原則，確 定哪些個體可以進入下一步驟；
[0026] 5)按概率P。進行交叉操作：隨機選擇兩個個體，對其按概率P。進行基因某些位交 叉互換操作，進入下一代繁殖；
[0027] 6)按概率Pni進行變異操作：對個體按概率P "對某些位進行變異操作，進入下一代 繁殖；
[0028] 7)判斷最優(yōu)個體適應(yīng)度是否滿足給定的條件或者反復(fù)進行交叉變異后個體的適 應(yīng)度不再提高，如果滿足，則算法迭代過程收斂，算法結(jié)束；否則，轉(zhuǎn)到步驟3)，進入迭代操 作；
[0029] 8)算法輸出最優(yōu)解，最優(yōu)解是種群中適應(yīng)度最高的染色體。
[0030] 作為優(yōu)選，所述的編碼采用以下的方法：
[0031] 該染色體由1到X整數(shù)排列串構(gòu)成，記作：
[0032] g = (w1? W2, , Wjj . . . , Wxj )
[0033] 其中X為車輛數(shù)k與商業(yè)公司數(shù)量q的乘積，W1E {1，2，..，χ}，ψ# {l，2，..，x}， wi# W i;W j可以表亦：
[0034] 對應(yīng)商業(yè)公司編號為： Wi. - 1
[0035] ? = ?/ -「一V其中□表示取整 q ，
[0036] 對應(yīng)的路徑編號為X = I^d]+1 q
[0037] 確定商業(yè)公司m是否由車輛k配送以及確定商業(yè)公司m在路徑k中的順序為j。
[0038] 作為優(yōu)選，所述的種群的規(guī)模選取為[10, 1000]區(qū)間范圍內(nèi)。
[0039] 作為優(yōu)選，所述的車輛調(diào)度的目標函數(shù)為：
[0040]
[0041] 公式中的M是一個正數(shù)，表示當違反車輛運載約束時，所做出的相應(yīng)懲罰；
[0042] 假設(shè)初始種群中染色體數(shù)目為n，通過目標函數(shù)可以得出第i條染色體的適應(yīng)度 匕，公式為：
[0043] f；= b (z' /z i)
[0044] 其中，b是常數(shù)，Z1為第i條染色體的運輸成本，z'是種群中最好染色體的運輸成 本；
[0045] 染色體被遺傳到下一代的概率為：Pl= h/ Σ f，其中A，表示第i條染色體的適應(yīng) 度。
[0046] 作為優(yōu)選，通過對每一個個體適應(yīng)度大小進行判斷，以適應(yīng)度較大，遺傳概率大為 原則，設(shè)定一個符合實際情況的適應(yīng)度平均值F，與遺傳到下一代的概率的設(shè)定值P，凡經(jīng) 過步驟3)計算后得出的適應(yīng)度^和遺傳概率p i均大于對于設(shè)定值的個體可以進入下一步 驟，適者生存，不適者淘汰。
[0047] 本發(fā)明的有效增益：本發(fā)明可以為企業(yè)決策者提供智能調(diào)度決策，從而提高配送 速度和準確率，降低配送成本，增加企業(yè)的利潤。
【附圖說明】
[0048] 圖1為VRP配送路徑示意圖。
[0049] 圖2為本發(fā)明的方法流程框圖。
【具體實施方式】
[0050] 下面結(jié)合附圖對本發(fā)明的【具體實施方式】做一個詳細的說明。
[0051] 實施例1
[0052] 假設(shè)配送中心有m量車，每輛車的容載量為qi(i = 1，2, 3，...，m)。為了降低配送 成本，提高配送效率，在給定時間約束、車輛容載量約束以及其他相關(guān)約束的條件下，需要 為每輛車設(shè)計一條最優(yōu)的配送路線。
[0053] 優(yōu)化算法的幾個限制條件描述如下：商業(yè)公司的分布、商業(yè)公司的配送量、可用車 輛數(shù)量、車輛的容載力。送貨車輛最少且車輛運輸距離最短為算法的優(yōu)化結(jié)果。若能同時 滿足以上兩個條件，那就是最優(yōu)解，但這往往不可能出現(xiàn)。故只要滿足以上兩個條件之一即 可。
[0054] 對線路優(yōu)化算法的求解主要分為問題的建模和求解。建模對算法而言是很重要 的，模型的好壞決定了算法實現(xiàn)結(jié)果質(zhì)量的好壞。本節(jié)根據(jù)實際問題并結(jié)合最優(yōu)化目標和 約束條件進行列方程建模。
[0055] 假設(shè)配送中心有車輛l，2，...，m，對應(yīng)載重為qi(i = l，2,3，...，m);共有配送中 心和商業(yè)公司n+1個，其中0為配送中心，1，2，...，η為商業(yè)公司，gl是商業(yè)公司i的配送 量，本節(jié)考慮的是非滿載調(diào)度模型，則max gl<max qi。CljR表從配送中心i到商業(yè)公司 j的成本系數(shù)。定義變量：
[0058] 那么，可以得出車輛k從商業(yè)公司i到商業(yè)公司j需要的費用是C1Jljk[0059] 構(gòu)建費用最小數(shù)學(xué)模型的目標函數(shù)為：
[0056]
[0057]
[0068] 其中，⑴是目標函數(shù)，表示車輛完成送貨后的最少費用、⑵是車輛k的運載約 束、（3)表示第i個商業(yè)公司只能由一輛車進行配送、（4)表示第i個商業(yè)公司是否由k進 行配送，若是，則為1，否則為0、（5)和6)是到達商業(yè)公司車輛唯一性約束、（7)表示車輛k 是否經(jīng)過路徑ij，若是，則為1，否則為0。
[0069] 實施例2
[0070] (1)編碼
[0071] 利用染色體原理，使用自然數(shù)對運送目標節(jié)點進行編碼，方便簡單，又便于計算機 進行處理。用一條長度為k+m+1的染色體對上節(jié)得到的數(shù)學(xué)模型解向量進行編碼，該染色 體為（〇, i1; i2, · · ·，i8, 〇, i." · · ·，i8, 〇, · · ·，〇, ip，· · ·，iq，〇)。
[0072] 這條染色體共有m+1個0,0表示配送中心，ij表示商業(yè)公司j，共有商業(yè)公司k個。 這條染色體表示為：第1輛車從配送中心出發(fā)，經(jīng)過L，...，i s這幾個商業(yè)公司后，回到配 送中心，構(gòu)成第一條路徑；第2輛車從配送中心出發(fā)，經(jīng)過i,，...，is這幾個商業(yè)公司后，回 到配送中心，構(gòu)