[发明专利]一种快递物流背包优化方法

说明书

一种快递物流背包优化方法，用于对配送点的待配送订单进行装载优化，使得车辆满载率达到最大的同时提高车辆所装载订单的总收益。算法通过二进制粒子群算法，每次迭代保留粒子的全局最优解，并结合粒子间的相互作用扩大粒子群的搜索范围。并引入模拟退火算法，利用模拟退火算法的Metropolis准则提高算法局部搜索的能力同时加快迭代后期算法的收敛速度。算法以配送车辆的平均载重率，平均容积率，以及所装载订单的总邮费为子目标函数，通过归一化处理得到总目标函数，以总目标函数的值来衡量优化的效果。实验结果表明，采用本发明方法，相比于其他算法可以得到更满意的优化效果。

技术领域

本发明涉及数据挖掘，背包优化等技术，特别是涉及一种快递物流背包优化方法。

背景技术

背包问题是运筹学中一个典型的NP完全问题，即多项式复杂程度的非确定性问题。目前，解决背包问题的常规算法包括穷举法、动态规划法和递归回溯法等，但只能解决小规模背包问题。启发式算法是模拟自然界和生物行为的新型算法，具有模型灵活，求解速度快，解的质量高等优点。在这些启发式算法中，遗传算法、蚁群算法、差分进化算法等优化算法收敛速度慢、全局收敛性差。粒子群算法简单易实现，参数设置较小，收敛速度较快，但是也具有收敛精度和收敛效率较低，收敛过程中易于停滞，易陷入局部最优的缺点。而模拟退火算法(Simulated Annealing Algorithm，简称SA)能改善陷入局部最优解的缺陷，使算法快速地收敛于全局最优解。因此，有必要把模拟退火的思想引入粒子群算法中，优化粒子群的进化过程，从而提高粒子群算法的收敛精度和收敛效率，帮助粒子群跳出局部极值。

发明内容

本发明提供了一种综合优化方法，以解决基础优化算法在解决物流背包问题时容易陷入局部最优及后期迭代速度慢的问题。本发明的实质是：把物流配送中心的车辆载重率，车辆容积率以及总邮费作为子目标函数，并经过归一化得到综合目标函数，利用模拟退火和粒子群相结合的算法对其进行寻优。

本发明采用的技术方案的步骤如下：

一种快递物流背包优化方法，用于对物流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.运用模拟退火算法对粒子群的全局最优解更新操作。

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。