The invention relates to a swarm intelligence dynamic logistics knapsack optimization method, which includes a dynamic logistics knapsack integrated optimization problem in logistics distribution and its solution method. The dynamic logistics knapsack optimization problem described in this paper combines dynamic path planning with knapsack problem in order to optimize vehicle distribution routes and optimize vehicle knapsack value rate synthetically. The knapsack problem described in this paper converts vehicle loading model into knapsack value optimization model, which can simplify the loading optimization rate model of logistics distribution vehicles appropriately and make dynamic logistics knapsack synthesis. It is easier to solve combined optimization problems. The proposed swarm intelligence optimization algorithm is the grey wolf optimization algorithm. The grey wolf optimization algorithm belongs to a biomimetic algorithm. This kind of algorithm is often used to solve combinatorial optimization problems. Moreover, the grey wolf optimization algorithm has a swarm learning mechanism, which can balance local optimization and global optimization, and overcomes the shortcomings of existing heuristic algorithms that can not give consideration to both local optimization and global optimization. The distribution scheme obtained by solving the comprehensive optimization problem shows that the method described in the present invention can optimize the distribution distance and the vehicle load ratio comprehensively. At the same time, the data experiments show that the dynamic logistics knapsack optimization problem is suitable for large-scale logistics distribution optimization scenarios.
【技术实现步骤摘要】
一种群智能动态物流背包优化方法
本专利技术涉及动态路径规划,背包优化,人工智能,物流配送优化等
,特别是一种涉及动态物流背包优化问题及其优化方法。
技术介绍
路径规划问题是运筹学与组合优化领域的热点问题,而动态路径规划的研究最早源于19世纪70年代,该问题基于车辆路径规划,并在规划车辆路线的基础上,合理考虑其他因素,如交通,客户服务质量,异常等,以满足不断变化的配送需求,使模型的应用性更强。现有的动态因素包含顾客动态需求量,不确定信息,随机行驶时间,顾客满意度,时间窗等等。背包问题(KP)也属于运筹学中的一个典型组合优化问题,且背包问题模型广泛应用于预算控制、项目选择、材料切割、货物装载等工程领域。解决上述两类组合优化问题的方法包括:精确算法,传统启发式算法和现代启发式算法。其中,精确算法与传统启发式算法适用于解决小规模问题,实际应用范围很有限,现代启发式算法更适用于大量数据信息的处理与决策,主要包括禁忌搜索算法(TS)、模拟退火算法(SA)、遗传算法(GA)、果蝇优化算法(FFO)等。此类算法思想基于对自然界某种群体或行为的总结与模仿,提高算法计算效率,允许劣质解的产生,进而在全局范围内寻优。基于群智能优化算法在解决组合优化问题上的优势,同时结合动态路径规划模型与背包问题的实际应用场景,可以将动态路径规划与背包问题整合,用于物流配送终端的方案规划中,综合两者以解决物流终端配送的优势,并利用群智能优化方法求解最终的物流配送方案。
技术实现思路
本专利技术提出了动态物流背包综合优化问题,并提供了一种解决综合优化问题的群智能优化方法,动态物流背包综合优化问题 ...
【技术保护点】
1.一种群智能动态物流背包优化方法,用于解决物流配送中的动态物流背包优化问题。其特征在于:利用群体智能优化算法,求解物流终端配送中的动态物流背包综合优化问题。所述的动态物流背包综合优化问题,其特征在于,将动态车辆路径规划问题与背包问题结合,以达到物流配送车辆距离和车辆载重率的综合优化。其中,所述的动态车辆路径规划问题为带有动态时间窗约束的车辆路径规划问题;所述的背包问题为常见的组合优化问题,在物流配送系统中背包问题的目标在于最优化车辆装载率,以达到背包价值率的最优化。所述的群体智能优化方法为灰狼优化算法,该算法区别于常见的单体优化方法。所述的灰狼优化算法模拟了灰狼群体捕食过程,利用群体捕食中的自我调整能力寻找最佳捕食位置,完成捕食过程。捕食过程中不断更新灰狼群体的适应度值,是一种解决多目标优化问题的群体智能优化方法。
【技术特征摘要】
1.一种群智能动态物流背包优化方法,用于解决物流配送中的动态物流背包优化问题。其特征在于:利用群体智能优化算法,求解物流终端配送中的动态物流背包综合优化问题。所述的动态物流背包综合优化问题,其特征在于,将动态车辆路径规划问题与背包问题结合,以达到物流配送车辆距离和车辆载重率的综合优化。其中,所述的动态车辆路径规划问题为带有动态时间窗约束的车辆路径规划问题;所述的背包问题为常见的组合优化问题,在物流配送系统中背包问题的目标在于最优化车辆装载率,以达到背包价值率的最优化。所述的群体智能优化方法为灰狼优化算法,该算法区别于常见的单体优化方法。所述的灰狼优化算法模拟了灰狼群体捕食过程,利用群体捕食中的自我调整能力寻找最佳捕食位置,完成捕食过程。捕食过程中不断更新灰狼群体的适应度值,是一种解决多目标优化问题的群体智能优化方法。2.根据权利要求1所述的动态物流背包优化问题,其特征在于,将动态车辆路径规划问题与背包问题结合。所述的动态物流路径优化,其特征在于,优化配送路径以得到物流终端配送方案,规划过程的约束条件主要包含动态时间窗约束,配送车辆的容量约束。所述的背包问题,其特征在于,优化配送车辆背包价值率以进一步优化终端配送方案,优化过程中约束条件主要为配送车辆容量约束。最终,形成动态物流背包优化模型,此综合优化模型对比车辆路径规划与车辆载重优化的直接综合问题更简...
【专利技术属性】
技术研发人员:禄盛,周焰梅,张艳,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。