[发明专利]一种汽车配送路径规划的优化方法

说明书

本发明公开了一种汽车配送路径规划的优化方法，包括设置算法的超参数；获取并规范化TSPLIB数据集，并规定为*.csv格式的文档，且文档第一列为城市的横坐标，第二列为城市的纵坐标；将城市序列存储为数组，数组中行数代表染色体；根据指数尺度变换适应度函数，计算出当前种群的每一条染色体的个体适应度；根据适应度，选出此世代得以被保留的父代城市序列染色体；对选出的城市序列染色体，进行部分匹配交叉PMX即城市序列之间交换部分基因；对城市序列染色体进行染色体片段逆转变异操作，增强种群的基因多样性；重复上述步骤，直至满足：当前进化世代数≥终止世代数Ge，则跳出循环，根据当前基因型数组，输出城市规划路径及对应的最短路径计算结果。

技术领域

本发明涉及汽车配送路径技术领域，尤其涉及一种汽车配送路径规划的优化方法。

背景技术

现有无约束的汽车配送路径规划问题，类似是一种“旅行销售商”问题，是经典的NP-Hard组合优化问题，它的描述如下:设一位商人需要到N个城市推销商品，依次不重复地访问每个城市，最终回到起始城市，求解其访问路线的最短回路。生活中的车辆交通路径规划问题、电路板布线问题、最短物流配送问题、车间调度问题等，都可抽象为TSP从而进行求解。比如电力系统巡检机器人的路径规划问题即可以建模成TSP问题，滴滴、顺丰、美团等公司经常面临的车辆调度问题也可以看成是在TSP的基础上叠加多种业务要求(多车辆、取送货等)及约束(容量约束、时间约束、续航里程约束等)。因此研究TSP具有较高的实际价值和理论意义。

该类问题的求解主要有完全算法、近似算法以及启发式算法三大方向。

完全算法如动态规划法、分支定界法等可以保证搜索到最优解。但由于其时间复杂度过高，且TSP问题的NP-hard属性，问题的解空间规模往往呈现指数级增长，因此完全算法在大规模问题上往往难以满足性能要求。

近似算法不保证找到问题的最优解，但是可以在多项式计算复杂度内严格保证所找到解的路径长度与最优解的路径长度之间的比值不超过一定上限，该上限被称为近似度。近似度越接近1，算法性能越好。

启发式算法能在可接受的时间、空间之内找到近似解。但对于较为复杂的非线性问题，传统的启发式算法，如：遗传算法、粒子群优化算法、模拟退火法、蚁群算法等，较为容易陷入局部最优。因此，如何有效优化启发式算法，改善其全局搜索能力，成为广大学者关注和研究的热点。

发明内容

为解决上述技术问题，本发明的目的是提供一种汽车配送路径规划的优化方法，该方法基于杰出精英保留机制(Elitist Reservation)，在原有的遗传算法基础上，结合锦标赛选择、部分匹配交叉以及染色体逆转变异，其分别作为选择算子、交叉算子和变异算子。通过锦标赛选择，保留种群中的优势子代解；利用部分匹配交叉算子保留染色体中的优势基因；使用染色体逆转变异的方法，增强城市序列种群的基因多样性。算法在国际通用的TSPLIB库提供的数据集上进行方针测试，根据仿真得出的结果，在时间花销上远胜于传统的完全算法，在MER、BER等指标上，效果亦优于一般的遗传算法、差分进化算法、粒子群优化算法等。与以上算法相比，本算法具有更强的鲁棒性，其种群基因的多样性也得到了增强。

本发明的目的通过以下的技术方案来实现：

一种汽车配送路径规划的优化方法，包括

A设置算法的超参数；

B获取并规范化TSPLIB数据集，并规定为*.csv格式的文档，且文档第一列为城市的横坐标，第二列为城市的纵坐标；

C将城市序列存储为数组，数组中行数代表染色体；

D根据指数尺度变换适应度函数，计算出当前种群的每一条染色体的个体适应度；

E根据适应度，选出此世代得以被保留的父代城市序列染色体；