[发明专利]一种预聚类的车辆配送路径规划方法和装置

说明书

本发明涉及一种预聚类的车辆配送路径规划方法和装置，具体包括步骤S1：客户订单预聚类；步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径；步骤S4：循环判断。本发明在规划路径之前预先对客户订单进行聚类，基于订单到达时间的预聚类方式在规划路径的同时保障订单的正常配送，满足实际配送的需求，路径规划过程兼顾了全局搜索能力和收敛速度。

技术领域

本发明实施例涉及车辆调度技术领域，特别涉及一种预聚类的车辆配送路径规划方法和装置。

背景技术

车辆路径问题一直是物流运输和配送方面的重要问题，现有技术的车辆路径问题通常假定每个客户的需求只能由一辆车在单次服务中完成，而在现实情况中的物流中，难免会出现客户需求量大于车辆最大承载量的情况，这时就需要对客户的需求进行拆分，目前需求可拆分的车辆路径规划问题已经成为车辆路径问题中一个新的分支。

蚁群算法是现有技术中常见的求解方法之一，蚁群算法求解车辆配送路径时，主要包括初始客户选择环节、状态转移环节和信息素变化环节。其中，初始客户的选择会影响车辆后续对客户点的选择，如果初始客户选不好，那很难可以探索出较优解的路线。现有技术车辆初始客户的选择一般有全部放置方式和随机放置方法。全部放置方式是从每个客户点开始遍历，扩大的搜索的范围，当处理大规模问题时，算法运行时间会大幅增加，而且会增加车辆在搜索过程中的相互干扰，导致运算量较大，求解时间较长且难以找到最优解。随机放置方式将随机的选择车辆的初始客户点，在一定程度上降低了算法的时间复杂度，但是由于随机选择，可能会导致每次迭代产生的最优路径存在较大的差异，算法的收敛速度较慢。现有技术的客户初始客户点选择过程随机性较强，难以平衡算法的收敛速度和全局搜索能力。

此外，部分现有技术在进行车辆配送路径规划时，会事先根据距离对客户进行聚类，然后在各个小类中利用蚁群算法寻求最优路径。但是，聚类算法中主要使用的K-means聚类方法过度依赖分类中心的初始化，不能很好的发现优良个体的潜能，易陷入局部最优，而且当客户点数目增多时，预处理也会变得复杂，不利于寻找拆分需求的客户点。另一方面，在聚类步骤中，聚类的因素主要基于客户之间的距离以便于车辆到达后的配送和车辆行驶距离最短目标的实现，然而在运输领域，货物到达时间是最关键的因素之一，未能按时到达的货物会给客户带来严重的损失，现有技术在对客户进行拆分和组合时未能考虑各客户对货物到达时间的要求，求解的路径虽然距离最优，但难以适应实际配送的需求。

因此，亟需一种满足客户配送需求的车辆配送路径的方法和装置。

发明内容

本发明实施方式的目的在于提供一种预聚类的车辆配送路径规划方法和装置，在充分考虑用户对到达时间的需求的基础上，优化初始客户点的选择方式，提高算法收敛速度，同时避免搜索过程的相互干扰，提高全局搜索能力。

为解决上述技术问题，本发明的实施方式提供了一种预聚类的车辆配送路径规划方法，所述预聚类的车辆配送路径规划方法具体包括：

步骤S1：客户订单预聚类：获取订单数量和各订单对应的客户的订单到达时间信息，基于订单数量和客户的订单到达时间信息进行预聚类，获得多个客户类；其中，所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重，以设置k-means方法的初始化参数，利用k-means方法获得多个客户类；

步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；

步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径，其中，所述模型最优求解采用蚁群算法；

步骤S4：循环判断：判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类，若存在，返回步骤S2，否则，完成所有客户订单的车辆配送路径规划。