[发明专利]一种基于meanshift分类的大规模客户点分类配送方法

摘要

一种基于meanshift算法的大规模客户点分类配送方法，包括以下步骤：A1、获取带有4个字段的路网矢量数据，对不及、超过和节点不相交3种情况进行处理并建立GIS富网络路网模型，A2、建立配送目标节点分类模型；A3、建立车辆优化调度模型；A4、先采用N阶最短近邻算法，确定大规模客户点分类的数目k，meanshift算法确定大规模客户点分类后的聚类中心以及各个聚类包含的客户点；A5、每一类中的配送目标节点为原来的1/k，再对每一类中的配送目标节点采用车辆优化调度算法得到配送结果。本发明以配送点间的实际路网线路距离为计算依据，同时考虑道路实际行车能力、网点数较大、配送点对货运需求时间。

主权项

一种基于meanshift分类的大规模客户点分类配送方法，其特征在于：所述分类配送方法包括以下步骤：A1、获取带有至少包含NAME，OBJECTID*，Shape*，Shape_Length 4个字段的路网矢量数据，对原始的矢量数据的不及、超过和节点不相交3种情况进行处理；然后建立GIS富网络路网模型；A2、建立配送目标节点分类模型；在地理坐标下，提取各个目标节点的地理坐标，依据样本密度动态选取聚类中心，直至将所有的目标节点分类；具体模型如下：给定2维空间R²的n个样本点，c＝1，…，n，在空间中任选一点x，那么Mean Shift向量的基本形式定义为：$M_h=\frac{1}{k}{\mathrm{\&Sigma;}}_{x_c\&Element;S_k}(x_c-x)---\left(1\right)$S_k是一个半径为h的圆形区域，满足以下关系的y点的集合，s_h(x)＝{y:(y‑x_c)_T(y‑x_c)＜h²}   (2)k表示在这n个样本点x_c中，有k个点落入S_k区域中，在2维空间中，任选一个点，然后以这个点为圆心，h为半径做一个圆形区域，落在这个圆内的所有点和圆心都会产生一个向量，向量是以圆心为起点落在球内的点位终点，然后把这些向量都相加，相加的结果就是Meanshift向量，再以meanshift向量的终点为圆心，再做一个半径为h的圆，重复以上步骤，得到一个新的meanshift向量，如此重复下去，meanshift算法收敛到概率密度最大的点，该点就是聚类的中心点；A3、建立车辆优化调度模型，所述车辆优化调度模型是针对分类后类中的目标节点建立的，模型中的配送目标点将小于原来整体的目标点；具体模型如下：配送车辆向L个客户送货，将L个客户分成K类，每个客户需求量为g_i，i＝1,2,…,L，其中i为客户点，同时要求送货的时间窗及卸货时间分别为[et_i,lt_i]和ut_i，i＝1,2,…,L；车辆每小时等待费用为e_i，每小时延迟费用为f_i，i＝1,2,…,L；仓库与客户、客户与客户之间的最短运距、平均车速和车辆每公里费用分别为d_ij，v_ij和ω_ijr_ij，其中i，j为配送客户点中的任意两点，i,j＝0,1,2,…,L；i＝0时，为货物仓库，ω_ij为道路状况权重；配送车辆共有q₀类，其中第q类车辆有p₀辆，同时q类车辆载重量为v_qp，p＝1,2,…,p₀，每辆车每次配送最短距离不超过D_qp；驾驶员行车补助和加班补助每小时分别为s和es；驾驶员在行车途中到中午T₁时刻和下午T₂时刻安排P分钟就餐时间，车辆当天返回配送仓；使第q类车的第p辆车辆qp从客户j到达客户i时刻为t_i，则t_i＝t_j+ut_j+d_ij/v_ij，其中j为i的前一个客户点，若t_j<12且t_i≥12或t_j<18且t_i≥18，则考虑驾驶员的就餐时间；对t_j<12且t_i≥12的情况，有：$t_i=\left\{\begin{array}{c}{t}_j+{\mathrm{ut}}_i+d_{ij}/v_{ij}+0.5,t_j+{\mathrm{ut}}_j\&lt;12\\ d_{ij}/v_{ij}+12.5,12\&le;t_j+{\mathrm{ut}}_j\&le;12.5\\ t_j+{\mathrm{ut}}_j+d_{ij}/v_{ij},t_j+{\mathrm{ut}}_j\&gt;12.5\end{array}\right.---\left(3\right)$弧段(i，j)表示仓库与客户或客户与客户之间的最短路径，x_ijqp＝1表示车辆qp经过弧段(i，j)，x_ijqp＝0表示车辆qp未经过弧段(i，j)；y_iqp＝1表示车辆qp给客户i送货，y_iqp＝0表示车辆不给客户i送货；令wt_qp表示驾驶员工作时间在8小时之内，可表示为wt_qp＝min(t₀₀‑t₀，8)，其中t₀是发车时刻，t₀＝et_i‑dt_i‑d_0i/v_0i，i是第一个客户点，dt_i为到达第一个客户点的等待时间，或t₀＝et_i+yt_i‑d_0i/v_0i，i为第一个客户点，yt_i为达到第一个客户点的延迟时间，t₀₀为车辆返回仓库时刻；ewt_qp表示驾驶员的加班时间，表示为ewt_qp＝max(t₀₀‑t₀‑8，0)；每条线路客户点配送量之和要小于线路车载量，表示为：$\underset{i=0}{\overset{L}{\&Sigma;}}\underset{j=0}{\overset{L}{\&Sigma;}}{y}_{iqp}{g}_i\&le;v_{qp}---\left(4\right)$A为惩罚因子，是一个足够大的正整数，Z为总配送费用；假定各项费用呈线性变化，则有目标函数：$\begin{array}{c}\min Z=\underset{i=0}{\overset{L}{\&Sigma;}}\underset{j=0}{\overset{L}{\&Sigma;}}\underset{q=1}{\overset{q_0}{\&Sigma;}}\underset{p=1}{\overset{p_0}{\&Sigma;}}{d}_{ij}{\mathrm{\&omega;}}_{ij}{r}_{ij}{x}_{ijqp}+\underset{i=0}{\overset{L}{\&Sigma;}}\underset{q=1}{\overset{q_0}{\&Sigma;}}\underset{p=1}{\overset{p_0}{\&Sigma;}}{y}_{iqp}({\mathrm{wt}}_{qp}\&CenterDot;s+{\mathrm{ewt}}_{qp}\&CenterDot;es)\\ +\underset{i=1}{\overset{L}{\&Sigma;}}{e}_i\&CenterDot;\max ({\mathrm{et}}_i-t_i,0)+\underset{i=1}{\overset{L}{\&Sigma;}}{f}_i\&CenterDot;\max (t_i-{\mathrm{lt}}_i,0)\\ +A\underset{q=1}{\overset{q_0}{\&Sigma;}}\underset{p=1}{\overset{p_0}{\&Sigma;}}\max (\underset{i=0}{\overset{L}{\&Sigma;}}\underset{j=0}{\overset{L}{\&Sigma;}}{d}_{ij}{x}_{ijqp}-D_{qp},0)\end{array}---\left(5\right)$在所述目标函数式中，前4项分别为配送车辆费用、驾驶员补助费用、车辆等待费用和延迟费用；在第4项中，如客户i不允许配送车辆延迟到达，则使f_i为足够大的正数；第5项限制车辆行驶距离不能超过最大配送距离；A4、首先采用N阶最短近邻算法，确定大规模客户点分类的数目B，并将B值传递给meanshift算法，所述meanshift算法用于确定大规模客户点分类后的聚类中心，以及各个聚类包含的客户点；所述meanshift算法的过程如下：Step1：将N阶最短近邻算法得到的B值作为参数输入；Step2：随机产生一个中心R₀，并以R₀为圆心生成一个半径为d的圆；Step3：计算meanshift向量，将落在圆内的每个样本点和圆心R₀都会产生一个向量，然后求出这些向量的矢量和，得到meanshift向量；Step4：再以meanshift向量的终点为圆心再做一个半径为d的圆，得到一个新的meanshift向量，该步骤直到meanshift向量收敛为零向量，从而得出该聚类的中心R₁；Step5：将已经聚类的样本点排除在外，在剩下的样本点中再次重复step2～step4，得到剩下的B‑1类的样本点中心R₂‑R_k；A5、假设平均分配，则每一类中的配送目标节点为原来的1/B；此时再对每一类中的配送目标节点采用车辆优化调度算法，即可得到配送结果；所述车辆优化调度算法的步骤如下：①根据类中客户点数目产生初始种群进行遗传编码；②计算种群的适应度函数；③最优选择与轮盘赌选择相结合的方法进行删减、复制染色体，最终产生新种群；④以交叉概率p_c对种群进行交叉操作，检查是否满足约束条件，产生新种群；⑤以变异概率p_m对种群进行变异操作，检查是否满足约束，形成新种群；⑥判断是否满足终止法则，达到最大迭代次数或达到最优解要求，满足要求则停止，否则转入③；⑦对计算结果进行解码；⑧选择所有解码后的计算结果，并进行比较选取结果最小者。