[发明专利]基于混合量子算法的智慧车辆调度管理系统及其工作方法

权利要求书

1.基于混合量子算法的智慧车辆调度管理系统，其特征在于：包括带时间窗不确定车辆调度模块、同时集送货车辆调度模块和动态车辆重调度模块；

所述的带时间窗不确定车辆调度模块包括用户时间窗设置模块和不确定需求变化设置模块，用户时间窗设置模块针对用户提出的收货时间区间以及用户的重要等级来设置配送的优先级和设置初始方案；不确定需求变化设置模块针对配送需求的模糊不确定问题设置不同的配送方案；

所述的同时集送货车辆调度模块包括送货需求调度模块和集货需求调度模块，送货需求调度模块对有同时集送货的配送情况设置合理的送货配送方案，集货需求调度模块对有同时集送货的配送情况设置合理的集货配送方案；

所述的动态车辆重调度模块包括动态变化设置模块和重调度操作模块，动态变化设置模块针对配送过程中可能出现的不同动态干扰因素进行分析以及设计相应的配送方案，调度操作模块主要对配送过程必须修改初始调度方案的情况进行实时重调度方案的生成和更新。

2.基于混合量子算法的智慧车辆管理系统的工作方法，其特征在于：包括以下步骤：

A：求解带时间窗不确定车辆调度问题

为了避免在搜寻过程中量子粒子群陷入局部最优解，在原有粒子群的基础上创建两个子相量子粒子群；两个子相量子粒子群开始时在相反的方向以不同的速度进行局部寻优，而主相量子粒子群粒子速度的更新借助于当前被所有子相搜索到的全局最优点；实现的具体步骤如下：

A1：对粒子群的规模、惯性权值、加速系数、压缩因子、所有粒子的初始位置和初始速度、允许的最大迭代次数、粒子群的子相数目以及每个子相的滚动优化结束指标和计数器进行初始化；所述的粒子群的规模为粒子群的粒子数目；

A2：根据目标函数对每个粒子的初始适应值进行评价、对每个粒子的初始个体历史最优位置以及个体最优适应值进行保存，同时对初始全局历史最优位置以及最优适应值进行保存；

A3：优化第i个子相粒子；

A4：判断i是否超过粒子群相数，如果超过，则令i＝0，并转到步骤A5；否则，令i＝i+1，然后转到步骤A3；

A5：如果适应值的误差已经达到设定的适应值误差限或者执行的迭代次数超过允许的最大迭代次数，则优化终止，同时对全局历史最优适应值和最优位置进行输出；否则，转到步骤A3，并继续优化；

B：求解有同时集送货需求的车辆调度问题

B1：生成初始解P(t)

基于混沌理论生成初始解，假设用Popu表示种群规模，用Sum表示客户数量，用K表示配送车辆数目，则量子个体的编码长度表示成n(Sum+K-1)，按如下步骤进行初始化：

B11：先生成Popu/10个初始解，然后根据二进制编码方法将其映射为量子个体，从而产生种子量子个体；

B12：用混沌方法对剩余种群个体进行初始化；即初始化第i个量子个体具体的方法为：

λ₀＝1/Popu

并根据下式：

λ_i＝μλ_i-1(1-λ_i-1),λ₀∈[0,1],μ≥4.

计算λ_i，设α_ji＝λ_i，从而生成全部量子位的概率幅，并生成量子个体；

B13：令i＝i+1后，转步骤B12，直至生成全部量子个体；

B2：由初始解P(t)生成二进制解R(t)

对初始解P(t)的每一个量子位的与[0，1]区间的随机数r_j进行比较，如果那么该位的值为0，否则为1；

B3：对R(t)进行解码和修正

解码和修正分为2个阶段：检查是否有重复编码或越界编码阶段以及对解码后的线路进行修正和改进的阶段；在前一阶段，如果发现有编码重复或越界的情况，就对这一整数对应的二进制串每位的值进行重新确定，直至没有重复或越界的编码；后一阶段针对解码后出现的不可行解或弱可行解进行改进；在此阶段，假设线路k上的集货量和送货量用P(k)和D(k)表示，待选择客户集合用Customlist表示，改进的步骤如下：

B31：对线路k上的D(k)和P(k)进行计算，并记录结果；

B32：弱可行检查线路k，如果线路k不可行，那么删除线路k上的若干个客户，使之满足弱可行的条件，并且在Customlist中保存删除的客户；如果P(k)＜＜Q且D(k)＜＜Q，就删除线路k，并保存线路上的所有客户到Customlist中；

B33：已有线路在确保弱可行前提下，用最临近法把Customlist中的客户插入到已有线路，如果已有线路中没有位置插入，就生成一条新的线路，直至Customlist中的客户为空；

B34：强可行检查弱可行线路，如果条件不满足，就找出不可行客户，并对客户的顺序进行交换，直至转换成可行解；否则，转至步骤B35；

B35：使用Relocate,Exchange线路间或线路内的交换算子，对强可行线路进行改进，从而减少线路的长度；

B36：对量子染色体编码进行更新；

B4：进行量子更新

对量子个体的适应度进行计算，将计算结果与已存在的精英量子个体进行比较，选择并保存适应度最高的K个量子个体；两点间的距离按以下公式计算：

δ1=|F(x0+δ0)-F(x0)|=dF(x0)dx·δ0]]>

导数决定了初始点迭代后的状态是靠近或分离；对量子个体量子位的旋转角进行计算，生成新的初始解P(t+1)；同时判断计算的终止条件是否满足，若满足则终止，否则转至步骤B2，即由初始解P(t)生成二进制解R(t)；

式中：x₀表示初始点，x₀+δ₀表示x₀的邻点；

C、求解动态车辆重调度问题

在量子优化算法的基础上引入经典的模拟退火算法的方法解决动态车辆重调度问题，具体步骤如下：

C1：令t1＝0，随机生成具有N个客户的种群Q(t1)，退温速率为υ，仿真次数为t以及最大迭代次数为n；

C2：进行客户点编号操作，并按照如下步骤优化路径：

C21：初始化种群，并生成粒子个体空间中的位置和速度；

C22:计算种群内所有粒子的目标函数值，pbest是自身位置，gbest是目标函数值最小的粒子位置；

C23：计算所有粒子位置矢量的全局平均最优值mbest，并更新粒子位置；

C24:计算所有粒子的目标函数如下，同时对pbest、gbest进行更新；

式中：表示所有客户惩罚成本之和，其中DTi车辆在客户点i的延误时间；

C25:判断是否满足终止条件，若满足，则转到步骤C26，否则转到步骤C23；

C26:输出gbest及与之相应的目标函数值，并终止计算；

C3：判断i是否超过最大迭代次数n，如果超过，则执行步骤C8，否则执行步骤C4；

C4：对种群的全部客户个体执行定步长抽样模拟退火计算；

C5：按下式进行退火操作：

T_t+1＝υ*T_t

式中，υ表示退火速率，T_t表示当前温度，t表示当前迭代次数；

C6：监测是否有动态需求信息提交调度中心，如果没有，就按照客户点编号对优化后结果进行解码，执行步骤C3；否则，执行步骤C7；

C7：对调度系统中未完成的客户信息进行统计，并插入动态客户需求信息，转步骤C2；

C8：输出本次优化结果，并判断是否得到当前最优解，如果是，则执行步骤C9，否则，转入步骤C10；

C9：进行旋转门更新量子比特种群，得到新的下一代种群Q(t1+1)，转入步骤C2；

C10：对多次优化结果进行统计，终止计算。