[发明专利]一种车辆路径优化方法

说明书

本发明给出一种车辆路径优化方法，该方法将车辆路径问题定义成图模型，从全局角度求解群集间成本路径获得可行解空间，通过蒙特卡罗方法、遗传操作和量子旋转门自适应策略等优化可行解空间。本发明能够解决全局连接中求车辆路径问题，能够使问题的解决过程在时间和空间复杂度得到优化，并能够避免早熟收敛。本发明要解决的车辆路径问题是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。

技术领域

本发明涉及车辆路径问题的优化方法，主要是从全局角度求解群集间的最小成本路径来优化车辆路径问题的可行解空间，属于计算机技术、信息技术、人工智能技术交叉技术应用领域。

背景技术

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，该算法是一类借鉴生物界的进化规律 (适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

遗传算法也是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而不能达到全局最优。

发明内容

技术问题：本发明要解决的车辆路径问题是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的，这里车辆路径问题可以描述如下：设有一调度站，共有M辆货车，车辆容量为 Q，有N位顾客，每位顾客有其需求量D。车辆从调度站出发对顾客进行配送服务最后返回调度站，要求所有顾客都被配送，每位顾客一次配送完成，且不能违反车辆容量的限制，目的是所有车辆路径的总距离最小。

本发明利用遗传算法，解决全局连接中求解车辆路径问题，使问题的解决过程在时间和空间复杂度得到优化。

本发明解决车辆路径的优化问题，主要是利用遗传算法从全局角度求解群集间的最小成本路径来优化车辆路径问题的可行解空间。

技术方案：本发明所述的车辆路径问题的优化方法包含如下过程：将车辆路径问题定义成图模型、从全局角度求解群集间成本路径获得可行解空间、利用遗传算法优化可行解空间。

本发明所述的车辆路径优化方法流程如下：

步骤1)将车辆路径问题定义成图模型，具体步骤如下：

步骤11)分析车辆路径问题，列出路径中所有顾客结点、调度站结点及结点间费用；所述顾客结点、调度站结点为车辆路径问题中的顾客和配送中心；所述车辆路径问题是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达到路程最短、成本最小、耗费时间最少的目的；

步骤12)将路径中所有顾客和调度站作为图模型顶点；

步骤13)将图模型中代表调度站的顶点作为一个群集，将其余顶点随机划分为p个群集，每个群集中的个体的数量为1,2,...n中的随机数，p＝1,2,...n,n为顾客结点的数量；