[发明专利]一种求解多配送中心物流运输车辆路径问题的方法

摘要

本发明公开了一种求解多配送中心物流运输车辆路径问题的方法，包括输入基于实时交通信息的多配送中心问题基本参数，建立基于实时交通信息的多配送中心物流运输调度数学模型，采用聚类分析的方法，引入粒子群算法对蚁群算法信息素进行调整优化，通过粒子群算法对蚁群算法启发因子进行优化，求解最优配送路径，针对基于实时交通信息的多配送中心物流运输车辆路径问题，建立数学模型；以客户与车场之间的距离为主要因素，采用聚类分析方法对客户和车场来进行划分区域，将多配送中心转换为单配送中心问题；引入粒子群算法改进蚁群算法求解该模型，本发明具有较好的全局和局部寻优能力，在解决多配送中心问题时具有较高的效率和稳定性。

主权项

一种求解多配送中心物流运输车辆路径问题的方法，其特征在于，包括以下步骤：S1、输入基于实时交通信息的多配送中心问题基本参数：物流配送中心的位置，客户的地理位置以及客户货物需求量，客户的时间窗车辆的信息；S2、路段行程时间会受到动态交通网络中上下班高峰期、交通事故或天气变化的影响而不断变化，车辆行驶速度由不同时间段决定，1个调度周期分为若干离散区间时段，车辆在各个时段的行驶速度是变化的，各区间内部行驶速度一定，调度中心只能知道当前时间行驶速度，未来时间行驶速度与当前速度相同处理；S3、建立基于实时交通信息的多配送中心物流运输调度数学模型，如(1)式所示：$\min z=c_x*\underset{m=1}{\overset{k}{\Σ}}\underset{k=1}{\overset{k_m}{\Σ}}\underset{i=i}{\overset{N+M}{\Σ}}\underset{j=1}{\overset{N+M}{\Σ}}{x}_{ij}^{nk}\left(t\right)+c_r*\underset{m=1}{\overset{k}{\Σ}}\underset{k=1}{\overset{k_m}{\Σ}}\underset{i=i}{\overset{N+M}{\Σ}}\underset{j=1}{\overset{N+M}{\Σ}}{r}_{ij}^{nk}\left(t\right)x_{ij}^{nk}\left(t\right)+c_w*\underset{m=1}{\overset{k}{\Σ}}\underset{k=1}{\overset{k_m}{\Σ}}(t_k-t_0),t\>0---\left(1\right)$目标函数表示物流运输过程中的成本耗费，包括物流运输中车辆启动成本，运输成本和司机薪酬；第一项为车辆的启动费用，c_x为车辆启动单位费用；第二项为行驶费用，c_r表示车辆行驶单位费用；第三项为司机费用，c_w为司机单位成本；S4、采用聚类分析的方法，以客户与车场之间的距离为主要因素，对客户和车场来进行划分区域，将多配送中心的车辆调度问题转化为单配送中心的车辆调度问题，通过对N个客户根据M个车场的位置进行划分；S4‑1:以M个车场作为对象，代表M个配送中心；S4‑2:每个客户到车场的距离为d_mn，m∈M，n∈N；$d_{mn}=\sqrt{{(x_m-x_n)}^2+{(y_m-y_n)}^2}---\left(2\right)$S4‑3:将Close(m，n)从大到小排序，将客户m分配到相应的车场N中$Close(m,n)=\frac{Aff(m,n)}{d_{mn}},m\∈M,n\∈N---\left(3\right)$S4‑4:每次分配客户时需验证载重及里程是否满足约束，若不满足约束条件，修改Close(m，n)；$Aff(m,n)=\frac{\underset{m\∈M,n\∈N}{\Σ}(e^{-{\mathrm{\φD}}_{mn}}+e^{{\mathrm{\βG}}_{mn}})}{M\left(n\right)+1}---\left(4\right)$S4‑5:直到N个客户分配完毕，结束；S5、引入粒子群算法对蚁群算法信息素进行调整优化；S5‑1:对多个车场的车辆路径进行编码，初始化粒子群，设置粒子的位置和速度；S5‑2:根据建立的模型目标函数计算每个粒子的适应度；S5‑3:分别更新每个粒子的个体和全局最优；S5‑4:再更新每个粒子的位置和速度；S5‑5:查看算法迭代次数，若达到最大迭代次数，则输出得到的最优路径，否则转向步骤S5‑2；S5‑6:将得到的最优路径转化为蚁群算法中的初始信息素增量再根据公式(5)得到优化后的初始信息素分布；${\mathrm{\τ}}_{\mathrm{ij}}\left(t_0\right)={\mathrm{\τ}}_{\mathrm{ij}}^C+{\mathrm{\τ}}_{\mathrm{ij}}^P---\left(5\right)$S6、通过粒子群算法对蚁群算法启发因子α和β进行优化；S7、利用粒子群融合蚁群算法寻求基于实时交通信息的多配送中心物流运输车辆路径问题的最优解，即最优配送路径。