基于历史搜索信息的动态物流最佳配送线路的优化方法技术

本发明专利技术提供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，该方法在动态物流配送问题中具有较高效率且能够在配送中心和配送客户之间找到一条最短且满足每个客户配送要求的最佳配送线路。传统物流问题中的配送客户和客户之间的路径值都是固定的，这种建模方式不符合一些以此为模型的实际问题的需要，也就是说，配送客户所代表的配送结点以及它们之间的配送路径的长度都可能是变化的。尽管是变化的，但在不同时刻，最优配送线路包含一些公共子线路，这些最优子线路可以被后续时刻的搜索算法学习，避免重复搜索，从而提高最优配送线路的搜索效率。

Optimization method of dynamic logistics optimal delivery route based on historical search information

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。但实际上，现实世界中通常可以物流配送问题为模型的应用常常是动态的。也就是说，当城市交通存在高度动态性，如意外事故，路况问题、天气原因时，问题模型中的客户配送路径矩阵和配送客户的数量是动态变化的。这就导致动态物流配送问题的产生。动态物流配送问题在现实中有着很多的应用场景，如邮递员派信问题和拨号叫车问题。换句话说，当有些地点没有信件时，邮递员就不需要去这些地方派送信件；如果某些特殊原因导致邮递员到一个派送点线路发生改变，那么相对于往常情况来说到该派送点可能要走更长的路。也就是说，从配送中心出发的配送车辆的送货客户集合是动态改变的，但其本质还是要寻找到一条最佳配送线路使得配送车辆在配送过程中满足所有配送客户要求且行驶距离最短。动态物流配送问题的广泛性和现实性使得对动态物流配送问题的研究不仅极具现实意义而且在物流行业中可以帮助企业减少运输成本。由于动态物流配送问题本质还是组合优化问题，这就使得一些进化算法同样可以被应用到动态物流配送的最优配送方案优化中。目前，应用到该问题的进化算法主要分为两类：确定性算法和进化算法两类。确定性算法，比较经典的有动态规划算法、分枝定界算法、K度中心树算法和集分割和列生成算法，这些算法最大的弊端就是容易陷入局部最优从而导致次优配送方案。相比之下，进化算法有更广泛的可行解空间搜索能力，因此比确定性的方法更适合于动态物流配送最佳配送路线的优化。粒子群算法是进化算法的重要组成部分，因其更新规则清晰，简单实用且具有求解精度高、鲁棒性强、收敛速度快、解的质量稳定的优点，自提出以来就得到了广泛的应用。目前的粒子群算法主要针对连续空下的问题求解，为了将其算法优点拓展到离散问题的求解，不少学者曾尝试将粒子群算法扩展到离散空间。一种比较成功的是基于集合理论的离散粒子群优化算法。这种算法将整个离散的搜索空间看成是一个全集，粒子对应的可行解都被看作是这个全集的一个子集，粒子的速度被定义成是一组带概率的边的集合。这种离散粒子群算法具有易扩展、性能稳定等优点并且已经被扩展到了一些诸如带时间窗的路径问题的优化中。所以，这种基于集合的动态离散粒子群算法十分适合动态物流配送问题中最优配送线路的求解。
技术实现思路
本专利技术提供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，该方法可缩短搜索到更优的配送线路的时间。为了达到上述技术效果，本专利技术的技术方案如下：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，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。进一步地，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的配送客户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中路径值动态变化情形，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。这样就确保在任意时刻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。进一步地，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、历史最优配送线路pbest以及粒子群的全局最优配送线路gbest；若iteration的值等于模型会根据权利要求S1的步骤改变配送环境，然后执行S33；S33：如果配送环境发生变化，判断变化的次数是否等于μ。如果等于μ算法结束，输出粒子群的全局最优配送路线的路径值；否则将时刻的所有粒子的历史最优配送线路保存在一个特定集合中，记为pset，其中，k(k∈[1,μ])用来标识配送环境编号。pset集合大小记为π且然后重新初始化粒子群；S34：计算出集合pset中每个配送线路pseti的配送客户的个数θi，其中i∈[1,π]；S35：如果则需要配送的客户减少，这时需要将出现在pseti而没有出现在的客户暂时删除，保持pseti中其它客户的配送顺序不变；S36：如果则需要配送的客户增加，这时需要将未出现在pseti而出现在的客户暂时插入到pseti，在插入的过程始终要使当前的路径值最短；S37：如果则说明在tk时刻需要配送的客户数量没有改变，但是配送客户之间的路径值发生变化，那么pseti代表的最优配送线路不作调整；S38：在保存了前次环境中粒子群所有粒子的本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：曹彦，凌应标，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44