一种基于多目标粒子群优化算法的车辆调度方法与装置制造方法及图纸

本发明专利技术公开了一种基于多目标粒子群优化算法的车辆调度方法与装置，用于解决以客户等待时间和送货车辆成本为优化目标的车辆调度问题，该车辆调度方法包括：一种构建车辆成本与客户等待时间的双目标优化模型；对每个目标粒子进行编码并得到编码结果；基于所述双目标优化模型对每个目标粒子进行计算并得到计算结果；根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作，得到寻优结果；对所述寻优结果进行解码操作，得到目标车辆的最优行驶路径，根据所述最优行驶路径对所述目标车辆进行调度。采本发明专利技术的技术方案，通过对粒子群算法进行改进，应用于物流中心的车辆调度，帮助物流中心节省车辆成本，减少客户等待的时间，给客户更好的用户体验。

A vehicle scheduling method and device based on multi-objective particle swarm optimization (PSO) algorithm

The invention discloses a multi-objective particle swarm optimization algorithm for vehicle scheduling method and device based on, is used to solve the customer waiting time and delivery vehicles cost for the vehicle scheduling problem with the optimization objectives, including the vehicle scheduling method: a dual objective optimization model of vehicle cost and customer waiting time; encoding for each target the particle and encoding results; the double objective optimization model of each particle is calculated and calculated based on the results; according to the calculation results and the results of the encoding of each target particles in the optimization operation, get the optimization result; the optimization results of the decoding operation, to obtain the optimal objective vehicle route, according to the target vehicle scheduling and the optimal path. The technological scheme of the invention is applied to the vehicle scheduling of logistics centers by improving particle swarm optimization algorithm, helping logistics centers save vehicle costs, reduce customer waiting time, and provide users with better user experience.

【技术实现步骤摘要】
一种基于多目标粒子群优化算法的车辆调度方法与装置
本专利技术涉及物流领域，尤其涉及一种基于多目标粒子群优化算法的车辆调度方法与装置。
技术介绍
随着电子商务行业的发展，物流业已经成为了人们生活中非常重要的一个环节，在整个物流配送货物的过程中，有两个关键点。第一点是车辆装载问题(VehicleFillingProblem，VFP)，也就是研究在货物装载的过程中使用什么装配方式能够相对节省时间并节省人力物力；另一个关键点是车辆路径问题(VehicleRoutingProblem，VRP)，就是研究车辆配送环节中，哪一辆车送哪几个货物点能够达到效率最大化的问题。车辆路径问题又可以分为两部分，一种是根据路径的空间特性，譬如考虑运输成本最低的问题，称为车辆路径问题，另外一种是考虑时间特性的情况下，在有限的时间或规定的时间范围内求解车辆路径优化问题的，称为车辆调度问题。因此，目前亟需一种解决方案，以送货车辆运输成本与客户等待时间双优化目标问题的解决方案。
技术实现思路
本专利技术的主要目的在于公开一种基于多目标粒子群优化算法的车辆调度方法与装置，用于提出一种以送货车辆运输成本与客户等待时间双优化目标问题的解决方案。为达上述目的，根据本专利技术的一个方面，公开一种基于多目标粒子群优化算法的车辆调度方法，并采用如下技术方案:一种基于多目标粒子群优化算法的车辆调度方法包括：构建车辆成本与客户等待时间的双目标优化模型；对每个目标粒子进行编码并得到编码结果；基于所述双目标优化模型对每个目标粒子进行计算并得到计算结果；根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作，得到寻优结果；对所述寻优结果进行解码操作，得到目标车辆的最优行驶路径，根据所述最优行驶路径对所述目标车辆进行调度。进一步地，所述构建车辆成本与客户等待时间的双目标优化模型包括：设定目标物流中心有K辆车，给M个客户点配送货物，则所述双目标优化模型为：D0j＝D0i+Dij(5-8)其中，表示车辆每公里成本，Ck表示第k辆车出车的固定成本，q表示每个客户点的货物量，g表示车辆载货量上线，v是速度；Dij是点i到点j的距离，D0j是点0到点j的距离；G是扣分函数，在一辆运输卡车按照方案的路线超载的情况下，就增加扣分项，将约束条件(5-3)转化为扣分项加入至所述扣分函数中。进一步地，所述对每个目标粒子进行编码并得到编码结果包括：设有M个客户点，表示为：1、2、3…M，K辆车进行配送；第一行用x1表示车辆的序号；第二行x2表示车辆运送客户点的顺序；所述编码结果为所述第一行与所述第二行组成的实数矩阵。进一步地，所述根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作包括：将所述计算结果填入所述实数矩阵中；对x1进行取整操作后，得到每辆车对应的客户点；列出K辆车分别对应的客户点，得到每辆车的行驶路径。进一步地，所述对所述寻优结果进行解码操作包括：将所述实数矩阵转化为一行数列；将车辆的行驶路径按照先后顺序排列，并在每一辆车行驶路径的后面加上该车辆的编号，得到每辆车的最优行驶路径。根据本专利技术的另外一个方面，提供一种基于多目标粒子群优化算法的车辆调度装置，并采用如下技术方案：一种基于多目标粒子群优化算法的车辆调度装置包括：构建模块，用于构建车辆成本与客户等待时间的双目标优化模型；编码模块，用于对每个目标粒子进行编码并得到编码结果；计算模块，用于基于所述双目标优化模型对每个目标粒子进行计算并得到计算结果；寻优模块，用于根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作，得到寻优结果；解码模块，用于对所述寻优结果进行解码操作，得到目标车辆的最优行驶路径，根据所述最优行驶路径对所述目标车辆进行调度。进一步地，所述构建模块还用于：设定目标物流中心有K辆车，给M个客户点配送货物，则所述双目标优化模型为：D0j＝D0i+Dij(5-8)其中，表示车辆每公里成本，Ck表示第k辆车出车的固定成本，q表示每个客户点的货物量，g表示车辆载货量上线，v是速度；Dij是点i到点j的距离，D0j是点0到点j的距离；G是扣分函数，在一辆运输卡车按照方案的路线超载的情况下，就增加扣分项，将约束条件(5-3)转化为扣分项加入至所述扣分函数中。进一步地，所述编码模块还用于：设有M个客户点，表示为：1、2、3…M，K辆车进行配送；第一行用x1表示车辆的序号；第二行x2表示车辆运送客户点的顺序；所述编码结果为所述第一行与所述第二行组成的实数矩阵。进一步地，所述寻优模块包括：填入模块，用于将所述计算结果填入所述实数矩阵中；取整模块，用于对x1进行取整操作后，得到每辆车对应的客户点；列出模块，用于列出K辆车分别对应的客户点，得到每辆车的行驶路径。进一步地，所述解码模块包括：转化模块，用于将所述实数矩阵转化为一行数列；排列模块，用于将车辆的行驶路径按照先后顺序排列，并在每一辆车行驶路径的后面加上该车辆的编号，得到每辆车的最优行驶路径。本专利技术通过对粒子群算法的改进，将多目标粒子群优化算法应用于物流中心的车辆调度问题，以客户等待时间和送货车辆运输成本为优化目标，将实际问题转化为多目标优化问题，进而帮助物流中心节省车辆成本，并给客户更好的用户体验。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1为本专利技术实施例所述的物流中心车辆运输图；图2为本专利技术实施例所述的一种基于多目标粒子群优化算法的车辆调度方法的流程图；图3为本专利技术实施例所述多样性指标示意图；图4为本专利技术实施例所述的车辆调度装置的结构示意图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。粒子群算法依据生物仿生学对鸟类觅食行为的研究，种群通过对自己搜索路线的记忆和种群中的信息共享，具备较强的全局搜索能力。但同样这样的特点也会导致种群扎堆，指导粒子对种群过强的指导特性会让种群缺失一定的多样性，甚至是带领整个种群陷入局部最优点。本申请针对现有基于粒子群算法的不足做了改进,并具体应用到物流中心的车辆调度问题上。针对粒子群算法多样性方面的不足提出了IMOPSO算法，通过设计外部档案维护策略，在存储非劣解的过程中，保证了非劣粒子的多样性，同时能够对粒子的性能在不同的时期做出准确的判断，使表现性能更好的粒子成为指导粒子来引领种群的收敛。经过测试函数和其他算法之间的测试比较，证实了IMOPSO算法能够在维持算法多样性的同时，不会造成更高的算法复杂度，从而影响到粒子的收敛速度。针对粒子群算法在求解复杂优化问题，尤其是多峰函数的时候，难以跳出局部最优值，局部搜索能力不强这一特点，结合模式搜索思想和高斯变异算子的思想和粒子群算法有效的协调计算，既保证了粒子群算法的全局搜索能力，也克服了局部搜索能力不强这一弱点，经过对benchmark的测试以及和其他算法的对比，证实了算法的可行性，同时和IMOPSO算法比较，讨论了加入局部搜索算法后，对粒子群算法性能究竟产生了怎样的影响以及如何去协调两个算法融合的问题。本专利技术对于问题的解决采用了本文档来自技高网...

【技术保护点】
一种基于多目标粒子群优化算法的车辆调度方法，其特征在于，包括：构建车辆成本与客户等待时间的双目标优化模型；对每个目标粒子进行编码并得到编码结果；基于所述双目标优化模型对每个目标粒子进行计算并得到计算结果；根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作，得到寻优结果；对所述寻优结果进行解码操作，得到目标车辆的最优行驶路径，根据所述最优行驶路径对所述目标车辆进行调度。

【技术特征摘要】
1.一种基于多目标粒子群优化算法的车辆调度方法，其特征在于，包括：构建车辆成本与客户等待时间的双目标优化模型；对每个目标粒子进行编码并得到编码结果；基于所述双目标优化模型对每个目标粒子进行计算并得到计算结果；根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作，得到寻优结果；对所述寻优结果进行解码操作，得到目标车辆的最优行驶路径，根据所述最优行驶路径对所述目标车辆进行调度。2.根据权利要求1所述的车辆调度方法，其特征在于，所述构建车辆成本与客户等待时间的双目标优化模型包括：设定目标物流中心有K辆车，给M个客户点配送货物，则所述双目标优化模型为：D0j＝D0i+Dij(5-8)其中，表示车辆每公里成本，Ck表示第k辆车出车的固定成本，q表示每个客户点的货物量，g表示车辆载货量上线，v是速度；Dij是点i到点j的距离，D0j是点0到点j的距离；G是扣分函数，在一辆运输卡车按照方案的路线超载的情况下，就增加扣分项，将约束条件(5-3)转化为扣分项加入至所述扣分函数中。3.根据权利要求2所述的车辆调度方法，其特征在于，所述对每个目标粒子进行编码并得到编码结果包括：设有M个客户点，表示为：1、2、3…M，K辆车进行配送；第一行用x1表示车辆的序号；第二行x2表示车辆运送客户点的顺序；所述编码结果为所述第一行与所述第二行组成的实数矩阵。4.根据权利要求3所述的车辆调度方法，其特征在于，所述根据所述计算结果及所述编码结果对所述每个目标粒子进行寻优操作包括：将所述计算结果填入所述实数矩阵中；对x1进行取整操作后，得到每辆车对应的客户点；列出K辆车分别对应的客户点，得到每辆车的行驶路径。5.根据权利要求4所述的车辆调度方法，其特征在于，所述对所述寻优结果进行解码操作包括：将所述实数矩阵转化为一行数列；将车辆的行驶路径按照先后顺序排列，并在每一辆车行驶路径的后面加上该车辆的编号，得到每辆车的最优行驶路径。6.一...

【专利技术属性】
技术研发人员：徐文星，王万红，边卫斌，王琴，何骞，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：北京,11