物流运输调度方法、计算机存储介质及电子设备技术

本发明专利技术提供一种物流运输调度方法、计算机存储介质及电子设备，方法包括以下步骤：S1、随机生成灰狼种群并建立物流运输调度模型；S2、设置灰狼种群当前迭代次数t为0；S3、选择灰狼种群中的第一个灰狼为当前灰狼个体；S4、对当前灰狼个体进行解码和分组得到车辆路径，并计算当前灰狼个体的适应度；S5、将当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较，如果当前灰狼个体的适应度较优则选举当前灰狼为新的头狼个体。根据本发明专利技术实施例的基于自适应遗传灰狼优化算法的物流运输调度方法，通过生成灰狼种群和建立物流调度模型，并找出灰狼与客户之间的一一映射关系，能有效避免位置映射为无效解的情况，有效解决物流运输调度问题。

Logistics Transportation Scheduling Method, Computer Storage Media and Electronic Equipment

The invention provides a logistics transportation scheduling method, computer storage medium and electronic equipment, which includes the following steps: S1, random generation of grey wolf population and establishment of logistics transportation scheduling model; S2, setting the current iteration times of grey wolf population t to 0; S3, selecting the first grey wolf in the grey wolf population as the current grey wolf individual; S4, decoding and grouping the current grey wolf individual to obtain. Vehicle path, and calculate the fitness of the current gray wolf individual; S5. Compare the fitness of the current gray wolf individual with the original individual fitness Xalpha, Xbeta, XDelta. If the current individual fitness of the gray wolf is better, then elect the current gray wolf as a new individual. According to the embodiment of the present invention, a logistics transportation scheduling method based on adaptive genetic grey wolf optimization algorithm can effectively avoid the situation of location mapping to invalid solution and effectively solve the logistics transportation scheduling problem by generating grey wolf population and establishing logistics scheduling model, and finding out the one-to-one mapping relationship between grey wolf and customers.

【技术实现步骤摘要】
物流运输调度方法、计算机存储介质及电子设备
本专利技术涉及物流运输调度领域，尤其涉及物流运输调度方法、计算机存储介质及电子设备。
技术介绍
随着经济和物流技术的发展，物流作为第三利润源泉对经济活动的影响越来越明显。其中，物流中的运输调度是物流配送优化的核心环节之一。随着客户的要求越来越高，企业的物流运输调度已成为提高企业资源利用率、运作的稳定性和均衡性的关键性问题，是迫切需要解决的。在物流运输调度中，其中一种物流运输调度模型描述为：使用一个配送中心的多台车辆为客户配送货物，寻找一种配送计划，使得总的开销最低，并且满足：每台车辆均从车场出发，服务完毕回到车场；每个客户有且只能有一辆车访问和提供服务；一台车辆行驶经过的所有客户的配送需求不超过车辆容量限制。因为物流运输调度模型是一类典型的NP-Hard问题，大规模的算例很难应用精确算法进行求解。
技术实现思路
有鉴于此，本专利技术提供一种基于自适应遗传灰狼优化算法的物流运输调度方法、计算机存储介质及电子设备，基于自适应遗传灰狼优化算法的物流运输调度方法能够有效地解决物流运输调度问题。为解决上述技术问题，一方面，本专利技术提供一种基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，所述方法包括以下步骤：S1、随机生成灰狼种群并建立物流运输调度模型；S2、设置所述灰狼种群当前迭代次数t为0；S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体；S4、对所述当前灰狼个体进行解码和分组得到车辆路径，并计算所述当前灰狼个体的适应度；S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较，如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体；S6、如所述当前灰狼个体为最后一个灰狼个体，则跳转S7；否则选择下一个灰狼个体为当前灰狼个体，跳转S4；S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略；S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置；S9、t加1，如果t小于最大迭代次数L，则跳转S3；否则跳转S10；S10、输出所述头狼个体代表的路径为最优路径；其中，在步骤S1中，所述物流运输调度模型的顶点和路径用无向图G＝(V,E)来表示；其中，V＝{1...n}为顶点集合，1为车场，2到n为客户；E＝{(i,j)|i,j∈V}为顶点之间的边的集合；定义决策变量为：建立所述物流运输调度模型的数学模型如下：其中，cij是车辆经过边(i,j)的开销；客户i的派送需求以di表示，i∈{2...n}；所有车辆为同型号且最大车辆数量为K；车辆容量限制向量为Q；本物流运输调度模型寻找不多于K条简单回路；式(3)为目标函数，表示总运输开销最小；式(4)表示客户只能由一辆车提供服务；式(5)表示车场则被多台车辆访问，车辆数量不大于K；式(6)保证每个节点车辆到达和离开的数量平衡；式(7)为车辆的容量约束；式(8)为保证路径的连续性，消除了车辆不是从车场出发的现象；(9)和(10)表示决策变量为0-1变量；其中，在步骤S8中，设置适应度函数所述物流运输调度模型的成本越小，适应度越优，该灰狼在算法的迭代过程中将具有更高的选为头狼的概率。根据本专利技术实施例的基于自适应遗传灰狼优化算法的物流运输调度方法，通过生成灰狼种群和建立物流调度模型，并找出灰狼与客户之间的一一映射关系，能有效避免位置映射为无效解的情况，有效解决物流运输调度问题。根据本专利技术实施例的基于自适应遗传灰狼优化算法的物流运输调度方法还可以具有以下技术特征：根据本专利技术的一个实施例，在步骤S7中，所述编码过程包括：在所述物流运输调度模型中，令客户数量为m＝n-1，最大可用车辆为K，则车辆路径L维数为m+2K，连接操作是在所有车辆路径中去掉车场，首尾相连组成m维的包含全部客户的基本通路向量，记为T，T＝L\{1}，定义灰狼i位置为m维向量T元素值减1，一一映射为灰狼位置向量的元素，将T映射为灰狼位置。根据本专利技术的一个实施例，在步骤S7中，所述解码过程包括：灰狼m维位置向量的每个元素加1，灰狼位置元素一一映射为T元素，将灰狼位置映射为T，形成包含全部客户的基本通路向量。根据本专利技术的一个实施例，在步骤S7中，对[T,Q,d,cost]四元组对基本通路向量进行分组；其中，T为灰狼位置得到的基本通路向量；Q为车辆最大载重容量；d＝(d1,d2,…,di,…dn)是客户需求向量；cost是节点间开销矩阵；节点包括车场和所有客户。根据本专利技术的一个实施例，在步骤S8中，所述离散灰狼优化算法包括：狩猎机制，所述狩猎机制即在猎物位置未知的情况下，由头狼α、头狼β和头狼δ引导狩猎，群狼ω根据所述头狼α、所述头狼β和所述头狼δ的位置更新其位置为在所述头狼α、所述头狼β和所述头狼δ为中心的圆的随机位置；基于以上离散域移动和趋近的定义，所述群狼ω等级中个体i依据其自身当前位置和所述头狼α、所述头狼β和所述头狼δ的位置来更新下一步的位置更新如(18)到(22)所示：l＝[m×(1-abs(A/2))],(18)os＝[r3×(m-l)],(19)其中，r3和r4为[0,1]范围的随机向量，分别为所述头狼α、所述头狼β、所述头狼δ当前位置；为灰狼i当前位置；为灰狼下一步的更新位置；[]表示四舍五入取整；分别表示所述头狼α、所述头狼β、所述头狼δ的位置向量的第os到os+l的分量组成的子集；向量赋予3个子集其中之一；表示维数为l的并入向量的位置od中，并消除群狼位置向量中的原有重复元素；式中变量l、os、od通过A和C来计算得到，A和C的计算由式(23)、式(24)得到A＝2a·r1-a,(23)C＝2·r2,(24)其中，r1、r2为[0,1]范围的随机向量；在算法的多次迭代当中，所述群狼ω按4:3.5:2.5的概率随机取所述头狼α、所述头狼β、所述头狼δ当中的其中一个个体进行跟随操作，所述群狼ω位置分量的排列根据所述头狼α、所述头狼β、所述头狼δ来调整，实现所述群狼ω的狩猎动作。根据本专利技术的一个实施例，所述离散灰狼优化算法还包括：攻击猎物机制，在所述攻击猎物机制中设定A是[-2a,2a]范围内的随机数，a是从2线性减少到0的实数，a越小，分量序列相同的数量l越接近m，灰狼越趋近所述头狼α、所述头狼β和所述头狼δ。根据本专利技术的一个实施例，在步骤S8中，所述按离散灰狼优化算法还包括：搜寻猎物机制，在所述搜寻猎物机制中，控制变量a＝2时，l较小，在算法内交叉算子和变异算子的作用下，灰狼越远离所述头狼α、所述头狼β和所述头狼δ，变量C是0到2之间的随机实数，在式(20)、式(21)和式(22)中通过相同分量序列起始序号os、od使ω向α为中心的一定范围内随机位置移动，从而控制灰狼在一定范围内随机搜索猎物，当C＝1时，os＝od，代表ω以直线向α移动，若|os-od|＝m-l，则ω趋近α一定范围的边缘。根据本专利技术的一个实施例，在步骤S8中，所述移动平均自适应灰狼更新策略，通过移动平均值σ和当前最佳适应度的对比，感知算法的全局最优值的停滞程度，在多次迭代最优值不变的情况下，a获得一个增量，控制灰狼进行探索，从而达到探索和围猎的自适应交替进行，为了实现移动平本文档来自技高网...

【技术保护点】
1.一种基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，所述方法包括以下步骤：S1、随机生成灰狼种群并建立物流运输调度模型；S2、设置所述灰狼种群当前迭代次数t为0；S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体；S4、对所述当前灰狼个体进行解码和分组得到车辆路径，并计算所述当前灰狼个体的适应度；S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较，如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体；S6、如所述当前灰狼个体为最后一个灰狼个体，则跳转S7；否则选择下一个灰狼个体为当前灰狼个体，跳转S4；S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略；S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置；S9、t加1，如果t小于最大迭代次数L，则跳转S3；否则跳转S10；S10、输出所述头狼个体代表的路径为最优路径；其中，在步骤S1中，所述物流运输调度模型的顶点和路径用无向图G＝(V,E)来表示；其中，V＝{1...n}为顶点集合，1为车场，2到n为客户；E＝{(i,j)|i,j∈V}为顶点之间的边的集合；定义决策变量为：...

【技术特征摘要】
1.一种基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，所述方法包括以下步骤：S1、随机生成灰狼种群并建立物流运输调度模型；S2、设置所述灰狼种群当前迭代次数t为0；S3、选择所述灰狼种群中的第一个灰狼为当前灰狼个体；S4、对所述当前灰狼个体进行解码和分组得到车辆路径，并计算所述当前灰狼个体的适应度；S5、将所述当前灰狼个体的适应度依次与原来的头狼个体适应度Xα、Xβ、Xδ进行比较，如果所述当前灰狼个体的适应度较优则选举所述当前灰狼为新的头狼个体；S6、如所述当前灰狼个体为最后一个灰狼个体，则跳转S7；否则选择下一个灰狼个体为当前灰狼个体，跳转S4；S7、对所述灰狼种群的位置编码进行灰狼基因遗传策略的选择操作、交叉操作、变异操作和执行停滞重置策略；S8、按离散灰狼优化算法和移动平均灰狼策略更新所述灰狼种群中的每个灰狼个体的当前位置；S9、t加1，如果t小于最大迭代次数L，则跳转S3；否则跳转S10；S10、输出所述头狼个体代表的路径为最优路径；其中，在步骤S1中，所述物流运输调度模型的顶点和路径用无向图G＝(V,E)来表示；其中，V＝{1...n}为顶点集合，1为车场，2到n为客户；E＝{(i,j)|i,j∈V}为顶点之间的边的集合；定义决策变量为：建立所述物流运输调度模型的数学模型如下：其中，cij是车辆经过边(i,j)的开销；客户i的派送需求以di表示，i∈{2...n}；所有车辆为同型号且最大车辆数量为K；车辆容量限制向量为Q；本物流运输调度模型寻找不多于K条简单回路；式(3)为目标函数，表示总运输开销最小；式(4)表示客户只能由一辆车提供服务；式(5)表示车场则被多台车辆访问，车辆数量不大于K；式(6)保证每个节点车辆到达和离开的数量平衡；式(7)为车辆的容量约束；式(8)为保证路径的连续性，消除了车辆不是从车场出发的现象；(9)和(10)表示决策变量为0-1变量；其中，在步骤S8中，设置适应度函数所述物流运输调度模型的成本越小，适应度越优，该灰狼在算法的迭代过程中将具有更高的选为头狼的概率。2.根据权利权利要求1所述的基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，在步骤S7中，所述编码过程包括：在所述物流运输调度模型中，令客户数量为m＝n-1，最大可用车辆为K，则车辆路径L维数为m+2K，连接操作是在所有车辆路径中去掉车场，首尾相连组成m维的包含全部客户的基本通路向量，记为T，T＝L\{1}，定义灰狼i位置为m维向量T元素值减1，一一映射为灰狼位置向量的元素，将T映射为灰狼位置。3.根据权利权利要求2所述的基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，在步骤S7中，所述解码过程包括：灰狼m维位置向量的每个元素加1，灰狼位置元素一一映射为T元素，将灰狼位置映射为T，形成包含全部客户的基本通路向量。4.根据权利权利要求3所述的基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，在步骤S7中，对[T,Q,d,cost]四元组对基本通路向量进行分组；其中，T为灰狼位置得到的基本通路向量；Q为车辆最大载重容量；d＝(d1,d2,…,di,…dn)是客户需求向量；cost是节点间开销矩阵；节点包括车场和所有客户。5.根据权利权利要求4所述的基于自适应遗传灰狼优化算法的物流运输调度方法，其特征在于，在步骤S8中，所述离散灰狼优化算法包括：狩猎机制，所述狩猎机制即在猎物位置未知的情况下，由头狼α、头狼β和头狼δ引导狩猎，群狼ω根据所述头狼α、所述头狼β和所述头狼δ...

【专利技术属性】
技术研发人员：戚远航，蔡延光，黄戈文，陈厚仁，王世豪，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：广东,44