[发明专利]一种多车场物流运输调度方法、装置、设备及可读存储介质

权利要求书

1.一种多车场物流运输调度方法，其特征在于，包括：

获取多车场物流运输调度模型，并初始化相关参数；将所述多车场物流运输调度模型转换为多个单车场物流运输调度模型，其中，所述多车场物流运输调度模型为描述多个车场的车辆共同完成多个客户点的送货任务的模型；其中，多车场物流运输调度模型为其中，D表示运输车辆所经过路径的总长度，单位为千米，M表示车场的数量，K_m表示车场m所拥有的运输车辆数量，单位为辆；N表示客户点的数量，单位为个，表示车场m运输车辆由客户点i行驶至客户点j的直线距离，单位为千米，m＝1,2,...,M；i，j＝0,1,...,N；或表示车场m运输车辆行驶至客户点j的直线距离，为非0即1的变量，m＝1,2,...,M；i，j＝0,1,...,N；k＝1,2,...,K_m，时表示车场m的车辆k经客户点i驶向客户点j；所述并初始化相关参数包括初始化多车场物流运输调度模型的参数，以及初始化和声搜索算法参数；其中所述初始化多车场物流运输调度模型的参数具体包括：初始化车场的数量M，车场m所拥有的运输车辆数量K_m，其中车场m的第k辆运输车辆的最大载重为客户点的数量N，其中第i个客户点需求载重为w_i，i，j＝1,2,...,N；所述初始化和声搜索算法参数具体包括：初始化和声搜索算法和声记忆库大小HMS、记忆库取值概率HMCR、微调概率最小值PAR_min、微调概率最大值PAR_max、音调微调初始带宽bw₀和创作次数Tmax，人工鱼的视野范围visual、单次游动最大距离range、尝试次数try_number，算法的当前迭代次数gn；

针对各个所述单车场物流运输调度模型，根据和声搜索算法执行搜索操作，并根据目标适应度函数确定当前迭代过程中的最优和声，其中，所述目标适应度函数用于衡量与和声对应的配送路径的长度；所述根据目标适应度函数确定当前迭代过程中的最优和声，包括：随机初始化和声记忆库；确定和声记忆库中每个和声的适应度值；根据适应度值，确定全局最优和声和其适应度值，并确定最差和声和其适应度值；所述适应度函数为：所述随机初始化和声记忆库，包括：随机生成初始混沌向量；该初始混沌向量Y₀＝[y₀₁,y₀₂,...,y_0j,…,y_0N]，其中y_0j∈(0,1)，j对应于客户点，j＝1,2,...,N；根据初始混沌向量和目标函数，生成HMS个混沌向量，其中，所述HMS个混沌向量中第i个向量为：Y_i＝[y_i1,y_i2,…,y_ij,...,y_iN]，目标函数为：y_(i+1)j＝μy_ij(1-y_ij)；其中，i对应于客户点，i＝1,2,...,HMS，μ为4；将生成的HMS个混沌向量映射到物流运输调度问题的取值范围中，得到HMS个符合解码策略的向量；将HMS个向量放入和声记忆库HM中，得到和声记忆库的初始值：

在当前迭代次数未达到最大迭代次数时，根据人工鱼群算法生成新的和声，并进入下一迭代过程；所述根据人工鱼群算法生成新的和声，包括：生成第一随机数，所述第一随机数为(0,1)之间的随机数rand(0,1)；若第一随机数小于记忆库取值概率HMRC，则从和声记忆库随机选取一组和声，记为X^new，其中，X^new＝rand[X¹,X²,...,X^HMS]；根据这组和声生成新的和声，具体包括：取X_best作为人工鱼群算法中的一条人工鱼的位置，按照公式X_j＝X_best+rand()*visual，rand()表示(0,1)之间的随机数，生成另一条人工鱼的位置X_j，并比较X_best和X_j的适应度值，如果位置X_j的适应度值优于位置X_best，则人工鱼向位置X_j的方向，以不超过其单次前进最大距离的步长游动一次，游动后位置为X^new；反之需要重新生成位置X_j；如果在反复尝试try_number次后仍然不满足前进条件，则该人工鱼随机游动一次，游动后的位置赋值给X^new，具体公式为：若第一随机数大于等于记忆库取值概率HMRC，则根据人工鱼群算法生成新的和声；生成第二随机数，所述第二随机数为(0,1)之间的随机数rand(0,1)；若第二随机数小于微调概率PAR，则根据微调函数X^new＝X^new±rand()×bw对新的和声X^new进行微调，输出新的和声，其中，bw为带宽；否则X^new不改变；其中，所述根据微调函数X^new＝X^new±rand()×bw对新的和声X^new进行微调包括：根据自适应调整函数调整音调微调概率和带宽，并对一组和声执行音调微调的操作，所述自适应调整函数为

其中，PAR为音调微调概率，bw_new为调整后的带宽，PAR_min为微调概率最小值，PAR_max为微调概率最大值，bw₀为音调微调初始带宽，Tmax为创作次数，gn为算法当前迭代次数；

在当前迭代次数达到所述最大迭代次数时，得到所述单车场物流运输调度模型的目标最优和声；

分别确定与各个所述单车场物流运输调度模型的目标最优和声相对应的最优车辆路径，以作为所述多车场物流运输调度模型的物流运输调度结果；

所述目标最优和声相对应的最优车辆路径，采用等分和声取值域与最大位置法相结合的解码策略对和声进行解析获取，包括：

将第p个和声记为X_p＝[x_p1,x_p2,...,x_pq,...,x_pN]；

对和声X_p进行内部分组，得到C_mj；所述C_mj具体为：

C_mj＝{(x_pq,q)|j-1≤x_pq＜j}，

其中，C_mj为对和声X_p进行内部分组后得到的集合，j为客户点，x_pq为第p个和声的第q个元素，m为大于等于1且小于等于M的整数，M为初始化车场的数量，p为大于等于0且小于等于HMS的整数，HMS为和声搜索算法和声记忆库大小，q为大于等于0且小于等于N的整数，N为客户点的数量，k为大于等于1且小于等于K_m的整数，K_m为车场m所拥有的运输车辆数量；

根据最大位置法，对每个集合中的元素按照x_pq的大小降序排列，排列完成后每个集合中每个元素的第二维数值为对应车辆需要服务的客户点及顺序；

所述将所述多车场物流运输调度模型转换为多个单车场物流运输调度模型，包括：确定所述多车场物流运输调度模型中的车场和客户点；针对各个所述客户点，确定所述客户点与各个所述车场之间的距离；根据所述距离和亲密度目标函数，确定所述客户点与各个所述车场之间的亲密度；所述亲密度目标函数为：其中，表示车场m运输车辆行驶至客户点j的直线距离，m＝1,2,...M；j＝1,2,...,N，DOI(m,j)表示亲密度，m∈M，j∈N，式中α为里程加权系数，β为载重加权系数，M_m表示已分配给车场m的客户端数量，w_j表示客户点j的物料需求量；将所述客户点分配至所述亲密度最大的车场，直至全部所述客户点分配完毕，得到各个所述车场的客户点，以作为多个单车场物流运输调度模型。