An express logistics backpack optimization method is used to optimize the loading order of distribution points, making the vehicle full load rate maximum and increasing the total revenue of the vehicle loading order. The binary particle swarm optimization algorithm is adopted to preserve the global optimal solution of each particle, and the search range of particle swarm is expanded by interacting with particles. The simulated annealing algorithm is introduced and the Metropolis criterion of simulated annealing algorithm is used to improve the local search capability of the algorithm and speed up the convergence rate of the later iterative algorithm. The algorithm takes the average load rate, the average volume rate and the total postage of the loading order as the subgoal function, and obtains the total objective function by normalization treatment, and the effect of the optimization is measured by the value of the total objective function. The experimental results show that the proposed method can achieve more satisfactory optimization results than other algorithms.
【技术实现步骤摘要】
一种快递物流背包优化方法
本专利技术涉及数据挖掘,背包优化等技术,特别是涉及一种快递物流背包优化方法。
技术介绍
背包问题是运筹学中一个典型的NP完全问题,即多项式复杂程度的非确定性问题。目前,解决背包问题的常规算法包括穷举法、动态规划法和递归回溯法等,但只能解决小规模背包问题。启发式算法是模拟自然界和生物行为的新型算法,具有模型灵活,求解速度快,解的质量高等优点。在这些启发式算法中,遗传算法、蚁群算法、差分进化算法等优化算法收敛速度慢、全局收敛性差。粒子群算法简单易实现,参数设置较小,收敛速度较快,但是也具有收敛精度和收敛效率较低,收敛过程中易于停滞,易陷入局部最优的缺点。而模拟退火算法(SimulatedAnnealingAlgorithm,简称SA)能改善陷入局部最优解的缺陷,使算法快速地收敛于全局最优解。因此,有必要把模拟退火的思想引入粒子群算法中,优化粒子群的进化过程,从而提高粒子群算法的收敛精度和收敛效率,帮助粒子群跳出局部极值。
技术实现思路
本专利技术提供了一种综合优化方法,以解决基础优化算法在解决物流背包问题时容易陷入局部最优及后期迭代速度慢的问题。本专利技术的实质是:把物流配送中心的车辆载重率,车辆容积率以及总邮费作为子目标函数,并经过归一化得到综合目标函数,利用模拟退火和粒子群相结合的算法对其进行寻优。本专利技术采用的技术方案的步骤如下:一种快递物流背包优化方法,用于对物流配送中心产生的订单进行装载优化,包括步骤:A.采集配送点的详细订单情况,并运用初始解生成公式初始化粒子群,获得一系列随机的初始化种群pop(n)。B.运用约束检验条件对 ...
【技术保护点】
1.一种快递物流背包优化方法,用于对配送中心产生的订单进行装载优化。包括步骤:A.采集配送点的详细订单情况,并运用初始解生成公式初始化粒子群,获得一系列随机的初始化种群pop(n)。B.运用约束检验条件对生成的初始化种群是否符合约束条件,如果有不可行的粒子popi,则运用调整公式对不可行解popi进行约束调整。C.计算粒子群中各粒子的适应度值fit(i)(目标函数值),对粒子群中的个体最优解pbi以及种群的全局最优解gb进行保留。D.运用位置更新公式和速度更新公式,对粒子群中各粒子的位置和速度进行更新,得到粒子新的状态。E.再次计算粒子群中各粒子的适应度值fit(i)(目标函数值),同时对粒子群中的个体最优解pbi和全局最优解gb进行更新。F.运用模拟退火操作对粒子群的全局最优解进行更新。G.运用权重和学习因子更新公式对算法的惯性权重ω,学习因子c1,c2进行更新。H.若达到迭代终止条件,则输出粒子群的全局最优解为算法的最终解sol。否则跳转到步骤D,循环执行步骤D~H。
【技术特征摘要】
1.一种快递物流背包优化方法,用于对配送中心产生的订单进行装载优化。包括步骤:A.采集配送点的详细订单情况,并运用初始解生成公式初始化粒子群,获得一系列随机的初始化种群pop(n)。B.运用约束检验条件对生成的初始化种群是否符合约束条件,如果有不可行的粒子popi,则运用调整公式对不可行解popi进行约束调整。C.计算粒子群中各粒子的适应度值fit(i)(目标函数值),对粒子群中的个体最优解pbi以及种群的全局最优解gb进行保留。D.运用位置更新公式和速度更新公式,对粒子群中各粒子的位置和速度进行更新,得到粒子新的状态。E.再次计算粒子群中各粒子的适应度值fit(i)(目标函数值),同时对粒子群中的个体最优解pbi和全局最优解gb进行更新。F.运用模拟退火操作对粒子群的全局最优解进行更新。G.运用权重和学习因子更新公式对算法的惯性权重ω,学习因子c1,c2进行更新。H.若达到迭代终止条件,则输出粒子群的全局最优解为算法的最终解sol。否则跳转到步骤D,循环执行步骤D~H。2.根据权利要求1所述一种物流背包问题的解决方法,其特征在于:所述步骤A采集终端配送点的订单数据,每个订单的属性包括订单的起点,终点,质量,体积,邮费。根据配送点的订单数量以及种群规模生成初始化粒子群pop(n)。粒子采用二进制编码的方式进行表示popi=(x1,x2,...,xn-1,xn)。其中,xi=0表示第j个订单没有装入背包,n表示配送点的订单数。3.根据权利要求1所述一种快递物流背包优化方法,其特征在于:所述步骤B运用约束条件对生成的初始化粒子群进行检测,是否符合背包的质量限制,体积限制。如果粒子不符合约束条件,则对粒子进行约束性调整,使其最终符合背包的约束条件...
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。