[发明专利]一种含时间窗的时变车辆路径规划方法及系统

说明书

本发明公开了一种含时间窗的时变车辆路径规划方法及系统，该方法包括：获取基础数据，根据基础数据和含软时间窗的时变绿色车辆路径规划多目标优化模型，得到最优规划路径；其中，所述含软时间窗的时变绿色车辆路径规划多目标优化模型的构建过程包括：将含软时间窗的时变绿色车辆路径规划多目标优化模型定义为一个完整的完全有向图，所述完全有向图由顶点集和边集合组成，所述顶点集包括顾客集合和车辆集合，每个顾客都与服务时间、商品需求和时间窗口相关联，每条边表示相应的车辆路径；同时将多目标优化模型定义为三维目标最小化问题，结合完全有向图和三维目标最小化问题得到最优规划路径。

技术领域

本发明属于车辆路径优化技术领域，尤其涉及一种含时间窗的时变车辆路径规划方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在现代交通运输业，由Dantzig和Ramser引入的车辆路径问题(vehicle routingproblem，VRP)已经被Lenstra和Kan证明这是一个NP难问题。VRP已被广泛应用和研究，比如易腐产品运输、冷链运输，快递运输等。同时，在环境污染和全球变暖的压力下，以提高能源效率和减少碳排放为目标的绿色车辆路径问题(green vehicle routing problem,GVRP)已经成为世界范围内的研究热点。传统的绿色车辆路径问题并未综合考虑现实情况，现实情况较为复杂，需要同时考虑经济效益、环境效益和社会效益等相互冲突的目标。

在车辆路径问题研究中，顾客之间运输时间的衡量被认为是一个关键问题。大多数技术都将运输时间简化为一个常量，现有技术研究了以新能源为动力的带容量约束的绿色车辆路径问题(capacitated green vehicle routing problem,CGVRP)，并采用带竞争的模因算法进行求解，还有专注于危险品运输，道路上风险固定为路径上的权重，利用一种有效的基于扰动的局部搜索算法来解决自然灾害发生时救灾物资的运输问题。Ghannadpour和Zandiyeh采用自适应多目标遗传算法解决了贵重商品配送问题。上述技术方案均忽略了运输时间对实际问题的影响。值得注意的是，在实际应用中，运输时间应该需要得到更加明确的处理。现有技术很少考虑这一具有挑战性的约束。

如使用一般函数形式来代替三角模糊数作为行程时间，或提出一天中的时间差异将影响运输时间，通过进一步分析证明，交通拥堵引起的车速变化是影响车辆运输时间变化的主要原因。最近，现有技术利用一种结合遗传算法(genetic algorithm,GA)和变邻域搜索(variable neighborhood search,VNS)的混合算法解决了时间依赖的多仓库GVRP问题，或研究了以最小化总路线持续时间为目标的时间依赖且带时间窗的车辆调度问题(time-dependentvehicleroutingproblemwithtimewindows，TDVRPTW)，以及以最小化所有行程的行程距离为目标的多行程TDVRPTW。然而，研究仍然局限于单目标 TDVRPTW概念。

此外，许多类型的多目标进化算法(multi-objective evolutionaryalgorithms,MOEAs)已经发展并应用于求解连续和离散优化问题。与单目标算法相比，多目标优化算法具有可以很好的平衡冲突目标的能力，因此越来越受到研究者的关注。MOEAs是一种群智能算法，它通过个体之间的交互来传递信息并且遵循适者生存的原则。基于支配的 MOEA可以将多个目标置于同一优先级，利用支配关系来决定当前的解决方案是否应该保留。这样，决策者可以得到更合理的方案，然后根据实际情况进行选择。通常来说， MOEAs的进化过程主要包括交配、重组和环境选择三个步骤。然而，对于VRP而言，通过变异和交叉产生的扰动非常大，在指定的时间或迭代次数下很难收敛到帕累托最优。因此，引入局部搜索策略，充分利用已有解，加快收敛速度。在以往的研究中，多数文献采用等概率方法选择局部搜索策略，但这种方法忽略了进化过程中产生的知识。

发明内容