The present invention provides a method for optimizing the information search history of Dynamic Logistics Based on the optimal path, this method has high efficiency and can find the best distribution line is a shortest and meet each customer delivery requirements between the distribution center and distribution customers in dynamic logistics distribution problem. The path between the traditional logistic problems in the distribution of the customer and the customer value is fixed, the modeling method can not meet the needs of some practical problems as a model, that is to say, the distribution path between the distribution node represents the distribution of customers and their length can be changed. Despite the changes, but at different times, the optimal distribution line contains some common sub lines, these lines can be sub optimal follow-up time search algorithm study, avoid repeated search, so as to improve the search efficiency of the optimal distribution line.
【技术实现步骤摘要】
基于历史搜索信息的动态物流最佳配送线路的优化方法
本专利技术涉及物流配送路径优化和进化计算两大领域,更具体地,涉及一种基于历史搜索信息的动态物流配送最佳配送线路优化方法。
技术介绍
物流配送问题是组合优化问题的一个分支,是国际运筹学界经久不衰的研究热点,也是困扰学术界的典型NP-hard问题。物流配送的核心问题是需要在一个固定的无向图G={U,E,P}中找到一条能够让送货车辆从配送中心(deport)出发,最后返回到配送中心的最短的配送线路。物流配送问题的符号定义如下:在上述参数中C={1,2,3,4,…,U}表示一组给定的配送客户,U代表最大的客户编号。为了突出历史搜索信息在动态离散粒子群算法中的作用,我们将参数[ei,li]的取值范围为[0,1440],其最小粒度为分钟。Q的值初始化为U,qi的值为1(每个配送客户的送货单位为1,货车的容量为U个单位),Pij由具体的数据集生成。E={(i,j)|i≤U,j≤U}表示由配送客户构成的无向边的集合,P={pij|i∈[1,U],j∈[1,U]}是每个配送客户之间的距离构成的路径矩阵。不少学者将时间窗的概念加入到物流配送问题中,即构成了带时间窗的物流配送问题。这样对于客户i的送货请求都有一个时间限制TLi=[ei,li],其中ei表示客户i的最早送货时间,li表示最晚送货时间。矩阵中的每一个元素的值表示从一个配送客户到另一个配送客户的距离。物流配送问题的模型已经被成功地扩展到路径调度、基因工程、系统优化等一系列实际问题上。这些模型大多考虑的是静态场景下的应用,配送客户的数量和配送客户之间的距离是固定的。但实 ...
【技术保护点】
一种基于历史搜索信息的动态物流最佳配送线路的优化方法,其特征在于,包括以下步骤:S1:构建动态物流配送模型;S2:对构建的动态物流配送模型利用粒子群算法在离散空间下进化;S3:引入粒子群历史最优解对进化后的动态物流配送模型进行再学习得到优配送线路。
【技术特征摘要】
1.一种基于历史搜索信息的动态物流最佳配送线路的优化方法,其特征在于,包括以下步骤:S1:构建动态物流配送模型;S2:对构建的动态物流配送模型利用粒子群算法在离散空间下进化;S3:引入粒子群历史最优解对进化后的动态物流配送模型进行再学习得到优配送线路。2.根据权利要求1所述的基于历史搜索信息的动态物流配送最佳配送线路优化方法,其特征在于,所述步骤S1的具体过程如下:当配送客户之间的路径值变化时,t0表示初始时刻,路径值从时刻tk转变到时刻tk+1的方式为:其中,为初始时刻下配送中心需要配送客户的数量,为tk时刻客户i和客户j路径的改变权重因子,用来度量路径值的改变大小,k为配送环境编号,lp和up分别代表路径改变因子的最大值和最小值,和分别代表在时刻tk和在时刻tk+1中从配送客户i到配送j的路径值的大小,是起始时刻中从配送客户i到配送客户j路径值的大小,其值和原始数据集中配送客户i和配送客户j之间的路径值相等,pro为[0,1]之间的参数,为了模拟无向图G中任意路径值动态变化的情形,模型为每条路径值产生的一个随机数numij,如果路径值已经发生改变且numij不大于参数pro,则这条路径值就会被设置为初始值,否则其路径值会变大;当配送中心需要配送的客户数量发生变化时,从时刻tk转变到tk+1方式为:其中,表示在tk时刻暂时不需要配送的客户集合,和分别表示在tk时刻和tk+1时刻需要送货的客户集合,为一可正可负整数,rdτ表示随机挑选的且属于集合的配送客户编号,这样能够确保在任意时刻tk需要配送货物的客户动态改变且改变的幅度具有良好的可控性,从而准确的模拟的现实情况并且测试最优配送线路算法的性能。3.根据权利要求1所述的基于历史搜索信息的动态物流配送最佳配送线路优化方法,其特征在于,所述步骤S3的具体过程如下:S31:初始化粒子群的速度和位置以及算法部分参数,包括μ、number,其中是整形参数,表示要引入的前次配送环境中离子群的历史最佳配送线路,μ表示配送环境发生变化的次数,number表示粒子群的大小,最后将代数计数器iteration置为0;S32:若配送环境没有发生变化将iteration加1,更新每个粒子的速度、位置、历...
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。