[发明专利]一种车辆路径优化方法

摘要

本发明给出一种车辆路径优化方法，该方法将车辆路径问题定义成图模型，从全局角度求解群集间成本路径获得可行解空间，通过蒙特卡罗方法、遗传操作和量子旋转门自适应策略等优化可行解空间。本发明能够解决全局连接中求车辆路径问题，能够使问题的解决过程在时间和空间复杂度得到优化，并能够避免早熟收敛。本发明要解决的车辆路径问题是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。

主权项

1.一种车辆路径优化方法，其特征在于该方法包括以下步骤：步骤1)将车辆路径问题定义成图模型，具体步骤如下：步骤11)分析车辆路径问题，列出路径中所有顾客结点、调度站结点及结点间费用；所述顾客结点、调度站结点为车辆路径问题中的顾客和配送中心；所述车辆路径问题是指一定数量的顾客，各自有不同数量的货物需求，配送中心向顾客提供货物，由一个车队负责分送货物，组织适当的行车路径，目标是使得顾客的需求得到满足，并能在一定的约束下，达到路程最短、成本最小、耗费时间最少的目的；步骤12)将路径中所有顾客和调度站作为图模型顶点；步骤13)将图模型中代表调度站的顶点作为一个群集，将其余顶点随机划分为p个群集，每个群集中的个体的数量为1,2,...n中的随机数，p＝1,2,...n,n为顾客结点的数量；步骤14)将结点间含费用的路径作为图模型中顶点间的带非负成本的弧；所述图模型建立后，每个顾客与一种已知的待传送的非负需求相关，每个群集与总需求量相关，设定每个顾客的需求量均小于每个车辆的容量，每个车辆至少可以在一条路径上运行；步骤2)从全局角度求解群集间成本路径获得可行解空间，具体步骤如下：步骤21)使用超级结点替换图模型中所有群集后得到全局图，所述超级结点为图中代表群集的结点；步骤22)从调度站顶点出发，深度遍历全局图中所有顶点，最后再返回到调度站顶点，列出全局图中所有遍历路径，全局图中所有遍历路径即全局图中的可行解决方案，所述全局图中特定全局路径代表的广义群集路径的集合与结点数量以指数级的数量级相关；步骤23)构造分层网络以显示根据给定的序列访问群集的路径；步骤3)优化可行解空间，具体步骤如下：步骤31)利用蒙特卡罗方法从解空间中生成初始群体，将这些解比喻为染色体，该初始群体称为第一代，所述解空间为上一步中的可行解决方案的集合；步骤32)定义适应度函数，通过适应度函数对每个解指定一个适应度的值以对每个解的适应度进行度量，所述适应度用于评价个体的优劣程度，适应度越大个体越好，反之适应度越小则个体越差；根据适应度的大小对个体进行选择，以保证适应性能好的个体有更多的机会繁殖后代，使优良特性得以遗传；步骤33)通过遗传操作产生新一代群体，每代群体只有一代寿命，所述遗传操作包括交叉算子、突变算子、选择算子；所述交叉算子结合两个或更多的双亲以增加获得更好后代结点的可能性，交叉算子是通过二进制比赛机制来从群体中选出两个双亲；所述突变算子随机选择两个位置并交换它们的值；所述选择算子是从一个群体中选择出用来接收新一代的个体；步骤34)利用量子旋转门自适应策略对群体中的个体进行更新，保留最佳个体并对其他个体继续进行遗传操作，所述量子旋转门自适应策略是利用量子旋转门对个体进行调整操作，以获得最佳个体，所述量子调整操作如下：其中，(α_i β_i)为染色体中的第i个量子比特，θ_i为旋转角，所述染色体为种群的个体，所述量子比特为量子信息论中信息的载体，一个量子比特的状态可表示为其中|α|²+|β|²＝1，式中α,β是两个复常数，|α|²，|β|²分别表示量子比特处于“0”态和“1”态的概率，采用二进制编码，对存在多态的问题进行量子比特编码，一个由m个量子比特位的系统可描述为：其中，|α|²+|β|²＝1,i＝1,2,...,m。