[发明专利]一种多车型车辆路径优化方法、服务器及系统

权利要求书

1.一种多车型车辆路径优化方法，其特征在于，包括：

步骤1：构建多车型车辆路径优化模型；

目标函数为油耗成本与固定成本的最小值；

约束条件包括：

（a）载重量约束；

（b）最大行驶距离约束；

（c）每个客户点有且仅有一辆车配送；

（d）车辆都是从配送中心出发且最终又回到配送中心；

步骤2：求解多车型车辆路径优化模型；

在所述步骤2中，以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态为客户点分配不同类型的车辆；

根据车型之间的转换概率动态为客户点分配不同类型的车辆的具体过程为：

1）设置车辆类型之间的转换概率；

2）选取载重量不小于第一个客户点的需求量的最小车型的车辆进行配送，依次将之后的客户点添加到当前车辆的服务路径中，并将其需求量相加，当客户点的需求量之和大于当前车辆的最大载重量时，生成一个随机概率；

3）若随机概率小于转换概率，则将当前路径中的最后一个客户点从当前路径中剔除后插入“0”，此时得到一条由当前车辆配送的路径；否则，重新选择一辆载重量大于当前客户点需求量之和且车型最小的车辆，继续添加客户点，直至得到一条配送路径；

4）完成一条配送路径后，以未被配送的第一个客户点为起点，重复步骤2）-3）直到所有客户点都被配送；

将万有引力搜索算法中粒子位置映射为客户点序列，并为客户点分配车辆；

在万有引力搜索算法中引入遗传算法中的交叉算子和变异算子，若交叉、变异后的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置；

直至达到最大迭代次数，并输出最优解。

2.如权利要求1所述的一种多车型车辆路径优化方法，其特征在于，在步骤2中，还对万有引力搜索算法进行初始化，采用随机键编码的方式，将粒子在每一维的位置分量控制在[0,1] 范围内。

3.如权利要求1所述的一种多车型车辆路径优化方法，其特征在于，在步骤2中，还包括对万有引力搜索算法中粒子边界约束检查，对于溢出边界的粒子，将粒子位置分量设置为最低边界值与边界范围内随机数之和。

4.如权利要求1所述的一种多车型车辆路径优化方法，其特征在于，已知粒子经过映射之后得到客户点顺序。

5.一种多车型车辆路径优化服务器，其特征在于，其被配置为执行以下步骤：

构建多车型车辆路径优化模型；

目标函数为油耗成本与固定成本的最小值；

约束条件包括：

（a）载重量约束；

（b）最大行驶距离约束；

（c）每个客户点有且仅有一辆车配送；

（d）车辆都是从配送中心出发且最终又回到配送中心；

求解多车型车辆路径优化模型；

在所述求解多车型车辆路径优化模型中，以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态为客户点分配不同类型的车辆

将万有引力搜索算法中粒子位置映射为客户点序列，并为客户点分配车辆；

在万有引力搜索算法中引入遗传算法中的交叉算子和变异算子，若交叉、变异后的粒子的适应度值优于原本粒子的适应度值，则更新该粒子的位置；

直至达到最大迭代次数，并输出最优解。

6.如权利要求5所述的一种多车型车辆路径优化服务器，其特征在于，所述服务器还被配置为：

对万有引力搜索算法进行初始化，采用随机键编码的方式，将粒子在每一维的位置分量控制在[0,1] 范围内；

或所述服务器还被配置为：

对万有引力搜索算法中粒子边界约束检查，对于溢出边界的粒子，将粒子位置分量设置为最低边界值与边界范围内随机数之和。

7.如权利要求5所述的一种多车型车辆路径优化服务器，其特征在于，所述服务器还被配置为：

以车型为基准的车辆动态分配原则，根据车型之间的转换概率动态为客户点分配不同类型的车辆。