[发明专利]一种基于meanshift分类的大规模客户点分类配送方法

权利要求书

1.一种基于meanshift分类的大规模客户点分类配送方法，其特征在于：所述分类配送方法包括以下步骤：

A1、获取带有至少包含NAME，OBJECTID^*，Shape^*，Shape_Length4个字段的路网矢量数据，对原始的矢量数据的不及、超过和节点不相交3种情况进行处理；然后建立GIS富网络路网模型；

A2、建立配送目标节点分类模型；

在地理坐标下，提取各个目标节点的地理坐标，依据样本密度动态选取聚类中心，直至将所有的目标节点分类；具体模型如下：

给定2维空间R²的n个样本点，i=1，…，n，在空间中任选一点x，那么Mean Shift向量的基本形式定义为：

Mh=1kΣxi∈sk(xi-x)---(1)]]>

S_k是一个半径为h的圆形区域，满足以下关系的y点的集合，

S_h(x)={y:(y-x_i)_T(y-x_i)<h²}      (2)

k表示在这n个样本点x_i中，有k个点落入S_k区域中，在2维空间中，任选一个点，然后以这个点为圆心，h为半径做一个圆形区域，落在这个圆内的所有点和圆心都会产生一个向量，向量是以圆心为起点落在球内的点位终点，然后把这些向量都相加，相加的结果就是Meanshift向量，再以meanshift向量的终点为圆心，再做一个半径为h的圆，重复以上步骤，得到一个新的meanshift向量，如此重复下去，meanshift算法收敛到概率密度最大的点，该点就是聚类的中心点；

A3、建立车辆优化调度模型，所述车辆优化调度模型是针对分类后类中的目标节点建立的，模型中的配送目标点将小于原来整体的目标点；具体模型如下：

配送车辆向L个客户送货，将L个客户分成K类，每个客户需求量为g_i(i＝1,2,…,L)，其中i为客户点，同时要求送货的时间窗及卸货时间分别为[et_i,lt_i]和ut_i(i＝1,2,…,L)；车辆每小时等待费用为e_i，每小时延迟费用为f_i(i=1，2，…，L)；仓库与客户、客户与客户之间的最短运距、平均车速和车辆每公里费用分别为d_ij，v_ij和ω_ijr_ij(i,j＝0,1,2,…,L)其中i，j为配送客户点中的任意两点；i=0时，为货物仓库，ω_ij为道路状况权重；配送车辆共有q₀类，其中第q类车辆有p₀辆，同时q类车辆载重量为v_qp(p＝1,2,…,p₀)，每辆车每次配送最短距离不超过D_qp；驾驶员行车补助和加班补助每小时分别为s和es；驾驶员在行车途中到中午T₁时刻和下午T₂时刻安排Ｐ分钟就餐时间，车辆当天返回配送仓；

使第q类车的第p辆车辆qp从客户j到达客户i时刻为t_i，则t_i＝t_j+ut_j+d_ij/v_ij，其中j为i的前一个客户点，若t_j<12且t_i≥12或t_j<18且t_i≥18，则考虑驾驶员的就餐时间；对t_j<12且t_i≥12的情况，有：

ti=tj+uti+dij/vij+0.5,tj+utj<12dij/vij+12.5,12≤tj+utj≤12.5tj+utj+dij/vij,tj+utj>12.5---(3)]]>

t_j<18且t_i≥18的情况与(3)式类似；弧段(i，j)表示仓库与客户或客户与客户之间的最短路径，x_ijqp=1表示车辆qp经过弧段(i，j)，x_ijqp=0表示车辆qp未经过弧段(i，j)；y_iqp=1表示车辆qp给客户i送货，y_iqp=0表示车辆不给客户i送货；令wt_qp表示驾驶员工作时间在8小时之内，可表示为wt_qp=min(t₀₀-t₀，8)，其中t₀是发车时刻，t₀＝et_i-dt_i-d_0i/v_0i，i是第一个客户点，dt_i为到达第一个客户点的等待时间，或t₀＝et_i+yt_i-d_0i/v_0i，i为第一个客户点，yt_i为达到第一个客户点的延迟时间，t₀₀为车辆返回仓库时刻；ewt_qp表示驾驶员的加班时间，表示为ewt_qp=max(t₀₀-t₀-8，0)；每条线路客户点配送量之和要小于线路车载量，表示为：

Σi=0LΣj=0Lyiqpgi≤vqp---(4)]]>A为惩罚因子，是一个足够大的正整数，Z为总配送费用；假定各项费用呈线性变化，则有目标函数：

在所述目标函数式中，前4项分别为配送车辆费用、驾驶员补助费用、车辆等待费用和延迟费用；在第4项中，如客户i不允许配送车辆延迟到达，则使f_i为

minZ=Σi=0LΣj=0LΣq=1q0Σp=1p0dijwijrijxijqp+Σi=0LΣq=1q0Σp=1p0yiqp(wtqp·s+ewtqp·es)+Σi=1Lei·max(eti-ti,0)+Σi=1Lfi·max(ti-lti,0)+AΣq=1q0Σp=1p0max(Σi=0LΣj=0Ldijxijqp-Dqp,0)---(5)]]>

足够大的正数；第5项限制车辆行驶距离不能超过最大配送距离；

A4、首先采用N阶最短近邻算法，确定大规模客户点分类的数目k，并将k值传递给meanshift算法，所述meanshift算法用于确定大规模客户点分类后的聚类中心，以及各个聚类包含的客户点；所述meanshift算法的过程如下：

Step1：将N阶最短近邻算法得到的k值作为参数输入；

Step2：随机产生一个中心R₀，并以R₀为圆心生成一个半径为d的圆；

Step3：计算meanshift向量，将落在圆内的每个样本点和圆心R₀都会产生一个向量，然后求出这些向量的矢量和，得到meanshift向量；

Step4：再以meanshift向量的终点为圆心再做一个半径为d的圆，得到一个新的meanshift向量，该步骤直到meanshift向量收敛为零向量，从而得出该聚类的中心R₁；

Step5：将已经聚类的样本点排除在外，在剩下的样本点中再次重复step2～step4，得到剩下的k-1类的样本点中心R₂-R_k；

A5、假设平均分配，则每一类中的配送目标节点为原来的1/k；此时再对每一类中的配送目标节点采用车辆优化调度算法，即可得到配送结果；所述车辆优化调度算法的步骤如下：

①根据类中客户点数目产生初始种群进行遗传编码；

②计算种群的适应度函数；

③最优选择与轮盘赌选择相结合的方法进行删减、复制染色体，最终产生新种群；

④以交叉概率p_c对种群进行交叉操作，检查是否满足约束条件，产生新种群；

⑤以变异概率p_m对种群进行变异操作，检查是否满足约束，形成新种群；

⑥判断是否满足终止法则，达到最大迭代次数或达到最优解要求，满足要求则停止，否则转入③；

⑦对计算结果进行解码；

⑧选择所有解码后的计算结果，并进行比较选取结果最小者。