[发明专利]一种快递物流背包优化方法

权利要求书

1.一种快递物流背包优化方法，用于对配送中心产生的订单进行装载优化。包括步骤：

A.采集配送点的详细订单情况，并运用初始解生成公式初始化粒子群，获得一系列随机的初始化种群pop(n)。

B.运用约束检验条件对生成的初始化种群是否符合约束条件，如果有不可行的粒子pop_i，则运用调整公式对不可行解pop_i进行约束调整。

C.计算粒子群中各粒子的适应度值fit(i)(目标函数值)，对粒子群中的个体最优解pb_i以及种群的全局最优解gb进行保留。

D.运用位置更新公式和速度更新公式，对粒子群中各粒子的位置和速度进行更新，得到粒子新的状态。

E.再次计算粒子群中各粒子的适应度值fit(i)(目标函数值)，同时对粒子群中的个体最优解pb_i和全局最优解gb进行更新。

F.运用模拟退火操作对粒子群的全局最优解进行更新。

G.运用权重和学习因子更新公式对算法的惯性权重ω，学习因子c1，c2进行更新。

H.若达到迭代终止条件，则输出粒子群的全局最优解为算法的最终解sol。否则跳转到步骤D，循环执行步骤D～H。

2.根据权利要求1所述一种物流背包问题的解决方法，其特征在于：所述步骤A采集终端配送点的订单数据，每个订单的属性包括订单的起点，终点，质量，体积，邮费。根据配送点的订单数量以及种群规模生成初始化粒子群pop(n)。粒子采用二进制编码的方式进行表示pop_i＝(x₁，x₂，...，x_n-1，x_n)。其中，x_i＝0表示第j个订单没有装入背包，n表示配送点的订单数。

3.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤B运用约束条件对生成的初始化粒子群进行检测，是否符合背包的质量限制，体积限制。如果粒子不符合约束条件，则对粒子进行约束性调整，使其最终符合背包的约束条件。

4.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤C运用适应度计算公式(即目标函数)计算各个粒子的适应度值。比较各个粒子的适应度值，保留最大的适应度值并将其相应的解作为粒子群的全局最优解gb，同时保留粒子的个体最优解pb_i。

5.根据权利要求1所述一种物流背包问题的解决方法，其特征在于：所述步骤D运用速度与位置更新公式对粒子群中每个粒子的速度与位置进行更新操作，从而得到每个粒子新的状态，实现种群的进化过程。

6.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤E运用适应度更新公式计算各个粒子的适应度值，比较前后两代的适应度值得大小，完成对粒子群的全局最优解和各粒子的个体最优解进行更新。

7.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤F利用模拟退火算法的Metropolis准则对粒子群的全局最优解进行更新，得到新的全局最优解，作为本次迭代的全局最优解参与下次的进化过程。

8.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤G使用相应的更新公式对算法的惯性权重ω和学习因子c1，c2进行更新。较大的惯性权重有利于搜索时跳出局部所处的极值点，同时较小的惯性权重有利于算法快速收敛与提高搜索范围的精度。学习因子分别调整粒子的局部搜索能力和全局搜索能力，在种群进化的过程中，如何通过更新权重和学习因子来平衡粒子的局部搜索和全局搜索过程显得尤为重要。

9.根据权利要求1所述一种快递物流背包优化方法，其特征在于：所述步骤H判断是否达到了迭代终止条件，如果达到了迭代终止条件，则将最后一次迭代得到的全局最优解作为最终的算法最优解sol输出。否则，跳转到步骤D，循环执行步骤D～H，直到达到迭代终止条件。