[发明专利]一种基于改进布谷鸟算法的物流配送车辆路径优化方法

说明书

本发明涉及一种基于改进布谷鸟算法的物流配送车辆路径优化方法，其特征在于包括以下步骤：步骤1：设置改进布谷鸟算法的参数；步骤2：初始化种群并计算适应度值；其中种群采用均匀分布函数随机产生size个nd维搜索空间范围为[1,carnumber]的寄生巢；适应度值的计算先采用2‑opt算法局部优化每条线路中的路径，并采用分段罚函数法求解每条优化后线路的路径值的和作为该方案的适应度值；步骤3：执行寄生巢的levy游走操作；步骤4：执行寄生巢被发现操作；步骤5：执行寄生巢变异操作；步骤6：动态调整发现概率。本发明通过采用改进的布谷鸟算法与2‑opt算法相结合运用到物流配送车辆路径问题的求解中，为解决物流车辆配送优化问题提供了一种新的可行且有效的解决方案，丰富了求解物流配送路径优化问题的方法。

技术领域

本发明涉及一种物流配送车辆路径优化方法，具体涉及一种基于改进布谷鸟算法的物流配送车辆路径优化方法。

背景技术

随着现代经济和网络技术的飞速发展，物流产业已经成为现代企业的“第三利润源泉”。2011年中国的物流总费用高达8.5万亿元，占GDP的17.8%。在物流的各个环节中，运输配送成本占物流总成本的60%左右，过高的的物流成本，制约了国民经济的发展，同时也削弱了企业的市场竞争力。物流配送车辆路径优化问题（VRP），是物流配送优化中最关键的一个环节。而物流配送车辆路径优化问题是一个典型的 NP-hard 问题，由DantZig和Ramser在1959年提出，主要研究物流车辆配送过程中如何实现在满足客户需求以及其它约束条件（如：车辆最大载荷，车辆最大形成距离等）下使得车辆配送的成本最优，如：路径最短，费用最少等目标。该问题已经成为运筹学以及组合优化领域中的研究热点问题。

近年来，对物流车辆配送路径问题的研究主要集中在采用各种启发式算法来求解。王铁君等通过结合混沌的遍历性和粒子群的快速性的优点，提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法；官东等提出的改进遗传算法求解物流配送优化问题的方法，从而提供了一条解决与之相关优化问题的有效途径；邬月春提出了将自适应变异粒子群算法应用于物流配送路径问题优化的方法；王华东、李巍等提出一种粒子群算法的物流配送路径优化方法。对物流配送优化问题的研究都停留在遗传算法、粒子群算法以及蚁群算法等传统智群算法在物流配送优化问题的应用。然而在求解物流配送车辆路径问题中，采用单一的算法往往易陷入局部最优值，造成优化精度低。布谷鸟算法由于采用的是Levy搜寻方式，其实现简单、需要设置参数少、寻优精度和收敛速度上都要优于粒子群算法和遗传算法。

发明内容

本发明所要解决的问题是采用一种基于改进布谷鸟算法实现物流配送车辆路径优化问题的方法。其技术方案为：

一种基于布谷鸟算法的改进物流配送车辆路径问题的求解方法，包括下述步骤:

步骤1：设置算法的参数,设置种群规模size，服务客户的数量nd，当前求解问题所需车辆数carnumber,设置车的载荷CarrayCarCan，寄生巢中鸟蛋的发现概率，算法搜索空间范围[1, carnumber]，种群迭代次数Max_iter，迭代计数器N_iter=1；

步骤2：初始化种群并计算适应度值,采用均匀分布函数随机产生size个nd维搜索空间范围为[1, carnumber]的寄生巢，记第i个寄生巢位置为，并对每个寄生巢用ceil函数进行取整（即），以保证每个客户点由一辆车进行服务，并计算其对应的适应度值；

步骤3：执行寄生巢的levy游走操作，采用更新方式产生新的寄生巢位置，并与执行levy游走前的位置进行比较，选择位置较好的寄生巢保留到下一代。

步骤4：执行寄生巢被发现操作，产生随机数，若，对该寄生巢进行扰动产生新的寄生巢，并与扰动前对应的位置进行比较，保留位置较好的寄生巢。

步骤5：执行寄生巢变异操作，采用对寄生巢进行变异操作。