[发明专利]一种有限充电设施条件下的电动物流车路径规划方法

说明书

本发明公开了一种有限充电设施条件下的电动物流车路径规划方法，包括以下步骤：S1.给定物流配单位的物流配送系统及配送要求；S2.根据新能源物流车的路径和选址，建立新能源汽车物流配送模型并给出目标函数；S3.在新能源汽车物流配送模型中进一步模拟实际问题，对不同的约束条件对目标函数进行限定；S4.给定车辆数目和客户数目，生成满足约束条件的所有初始配送方案，并基于目标函数选址最优配送方案，实现充电桩选址的物流车路径规划。本发明充分考虑了新能源物流车里程限制、容量限制、时间窗约束和设施建设与采购成本，从候选地址中选择出最合理的新能源物流车的充电桩位置，防止里程限制造成的运输距离过短从而影响整体物流企业配送范围的情况。

技术领域

本发明涉及新能源电动汽车，特别是涉及一种有限充电设施条件下的电动物流车路径规划方法。

背景技术

遗传算法(GA)是一种仿照大自然自然选择过程的算法。遗传算法的理念最开始被Bagley J.D于1967年所提出。在之后的发展中，于密歇根大学任教的J.H.Holland在1975年开始对遗传算法的整体系统理论进行了系统研究。这类启发式算法适用于优化类问题和搜索类问题，并给出有效且准确的解决方案。遗传算法(GA)的简要思路即通过模拟基因传递遗传特性。在该方法中，问题的解被作为模型的染色体。遗传算法(GA)模拟自然中的种群的进化过程。首先，生成初始种群，并计算初始种群中各个单体的适应度数值，并根据适应度数值来确定被选择的概率。之后将根据概率选择当前物种中的单体，最后对选出来的单体进行交叉、变异等流程来产生下一代种群，种群经过几代迭代后基本达到(或接近最优)结果。

新能源物流车选址路径模型问题包含了充电设施选址还有路径决策优化这两个NP问题。因此在用启发式算法对此类问题进行求解时，随着需要决策的数量的增加、问题规模变大，在搜索最优解的计算量过于庞大导致很难在规定的时间内得到最优解。针对该类复杂的非线性组合优化模型；但是目前新能源物流车选址路径时一般使用一次遗传算法，虽然理论上可使用，但随着基础数据即基础充电桩点位与配送点位增多时，程序迭代次数将呈几何倍变慢，且未必会出现在规定迭代数间出现收敛解。经典遗传算法使用的单点交叉，效率低，极有可能造成陷入局部最优解；并且只能做到统一时间窗的车辆调度与充电桩选址，而不能做到更贴近实际的灵活时间窗，导致若时间窗敏感可能造成大量的时间窗惩罚。

发明内容

本发明的目的在于克服现有技术的不足，提供一种有限充电设施条件下的电动物流车路径规划方法，充分考虑了新能源物流车里程限制、容量限制、时间窗约束和设施建设与采购成本，从候选地址中选择出最合理的新能源物流车的充电桩位置，防止里程限制造成的运输距离过短从而影响整体物流企业配送范围的情况。

本发明的目的是通过以下技术方案来实现的：一种有限充电设施条件下的电动物流车路径规划方法，包括以下步骤：

S1.给定物流配单位的物流配送系统及配送要求：

设物流配送单位为统一车型的新能源物流车，所有新能源物流车设定为纯电动物流车；新能源物流车从配送中心出发，为其路径上的客户点进行货物配送，完成任务之后返回配送中心；每辆车能够服务多个需求点的任务，每辆车受到载重和电量限制，新能源物流车在配送中心以及充电桩设置点进行充电；物流配送公司希望通过充电桩选址和物流路径的合理规划来降低所需要付出的总成本，相应的提高公司利润。

S2.根据新能源物流车的路径和选址，建立新能源汽车物流配送模型并给出目标函数：

S201.对于物流配送系统中涉及的参数进行定义：