一种面向粗略定位的协同车辆路径优化方法技术

本发明专利技术公开了一种面向粗略定位的协同车辆路径优化方法，根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，并运用LNS和局部搜索算法相结合的改进型蚁群优化算法对面向粗略定位的协同车辆路径问题进行求解。通过本发明专利技术的技术方案，物流服务供应商形成横向物流联盟，优化整个物流配送网络，将大大降低运输成本。相比其它现有技术，本发明专利技术能更有效地求解面向粗略定位的协同车辆路径问题，能够得出较优解。

A Collaborative Vehicle Route Optimization Method for Rough Location

【技术实现步骤摘要】
一种面向粗略定位的协同车辆路径优化方法
本专利技术属于协同车辆路径优化
，尤其涉及一种面向粗略定位的协同车辆路径优化方法。
技术介绍
物流横向合作是指多个物流服务供应商为了降低物流活动成本而进行统一的物流资源管理。协同车辆路径问题是物流横向合作的主要研究内容之一。近年来，全球市场竞争激烈，运输成本上升，产品生命周期缩短以及顾客期望值提高等因素都给物流服务供应商(logisticsserviceprovider，LSP)带来了巨大的压力。在这种情形下，物流服务供应商之间的合作日益增多，以降低物流配送成本，提高资源利用率，增强市场竞争力。如果物流服务供应商的合作是处于供应链的同一层次，则可称为物流横向合作，即形成横向物流联盟。协同车辆路径问题的求解目标是找到在物流服务供应商相互合作情况下的最优配送方案。协同车辆路径问题需要考虑资源共享、合作伙伴策略等因素。协同车辆路径问题中的资源共享主要包含两种方式：一是物流服务供应商之间通过共享或交换顾客订单的方式提高配送效率，二是共享车辆资源以提高车辆利用率。另外，协同车辆路径问题也需要考虑各个物流服务供应商自身的企业策略，以免损害部分合作伙伴的利益。目前有关协同车辆路径的模型，大多只考虑了资源共享因素，而没有考虑合作伙伴策略因素。然而，前者通常会在一定程度上影响后者。首先，部分物流服务供应商不愿与竞争对手共享顾客信息。然而在现有的研究模型中，路径计划通常公开所有顾客的详细定位。其次，资源共享可能会影响物流服务供应商的策略，但先前关于协同车辆路径问题的研究模型都假设横向物流联盟可以控制每个物流服务供应商的所有资源。此时，由于物流服务供应商大部分物流资源都将被横向物流联盟长时间占用，因此物流服务供应商的长期决策将受到一定的限制。
技术实现思路
本专利技术的目的是提供一种面向粗略定位的协同车辆路径优化方法，以寻找在物流服务供应商相互合作情况下的最优配送方案，并且不必公开所有顾客的详细定位。为了实现上述目的，本专利技术技术方案如下：一种面向粗略定位的协同车辆路径优化方法，包括：根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，所述协同车辆路径模型以最小运输成本为目标函数，所述目标函数对应的运输成本包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本，及顾客自己的物流服务供应商为其提供服务时所产生的运输成本；基于蚁群优化算法构建目标函数的初始解；采用LNS算法提升当前最优解和全局最优解；采用局部搜索算法进一步提升当前最优解和全局最优解；判断是否满足迭代终止条件，在满足迭代终止条件时，输出最优路径计划，否则返回继续进行迭代。进一步地，所述在粗略定位中的运输成本，随着粗略定位的面积增大将指数增长，而随着粗略定位的周长增大将趋于线性增长。进一步地，所述目标函数的约束条件包括：每个顾客只会被访问一次；每个节点的到达车辆数目相等离开车辆数目；物流服务供应商的协同物流共享度不能大于其协同物流共享度最大值；车辆在规定时间内到达节点应大于或等于置信水平的可信度；车辆都不能超载；所述节点包括顾客和物流服务供应商的仓库。进一步地，所述物流服务供应商的协同物流共享度为运输容量共享度、仓库库存共享度和顾客订单共享度的加权之和。进一步地，所述运输容量共享度为：物流服务供应商为其它物流服务器的顾客进行服务所需的成本与物流服务供应商的共享运输容量最大值的比值；所述物流服务供应商为其它物流服务器的顾客进行服务所需的成本，包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本。进一步地，所述基于蚁群优化算法构建目标函数的初始解，包括：节点i和节点j之间的新路径可以按照以下规则构建：其中τij表示节点i到节点j路径上的信息素浓度；ηij表示节点i到节点j的启发式信息，α和β是用来调整信息素的影响和启发式信息重要性的参数，Ik为当前构建的解的所有车辆位置的集合，是尚未被当前构建的解访问且当前车辆在节点i时可以到达的顾客集合，r是在范围[0,1]内的随机数，r1和r2是用户参数，Y1,Y2和Y3分别表示三种不同的新路径构建方式：如果r≤r1，将会随机构建一条新路径，节点i与节点j之间建立可行路径的概率计算方式如Y1所示；如果r1＜r≤r2，蚂蚁将应用Y2来选择下一个节点y；否则，选择Y3方式；所述节点包括顾客和物流服务供应商的仓库。进一步地，所述采用LNS算法提升当前最优解和全局最优解，其中：顾客x在当前解的运输异常成本计算方法如下：顾客会被移除的概率计算公式如下：其中，f(s)和f-x(s)分别表示解s包含和不包含顾客x的运输成本；是其它节点到顾客x最小成本，C为顾客集合。进一步地，所述采用局部搜索算法进一步提升当前最优解和全局最优解，其中局部搜索算法包括2-opt算法和Or-opt算法。本专利技术提出的一种面向粗略定位的协同车辆路径优化方法，通过构建一种面向粗略定位的协同车辆路径模型，并运用LNS和局部搜索算法相结合的EACO算法对面向粗略定位的协同车辆路径问题进行求解。通过本专利技术的技术方案，物流服务供应商形成横向物流联盟，优化整个物流配送网络，将大大降低运输成本。相比其它现有技术，本专利技术能更有效地求解面向粗略定位的协同车辆路径问题，能够得出较优解。附图说明图1为本专利技术实施例一种面向粗略定位的协同车辆路径优化方法流程图；图2为本专利技术实施例局部搜索算法示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请提供的一种面向粗略定位的协同车辆路径优化方法，综合考虑了共享资源的配置问题和物流服务供应商的策略。本申请符号的定义如下所示：D仓库集合；C顾客集合；Cl物流服务供应商l中的顾客集合；N节点集合，N＝C∪D；K车辆集合；L物流服务供应商集合；aij顾客粗略定位i和顾客粗略定位j之间的运输成本；hij顾客i和顾客j之间的运输成本；gi在粗略定位i中的运输成本；si节点i的粗略定位面积(注意：仓库的粗略定位面积等于0，因为没有必要隐藏仓库的详细位置)；ci节点i的粗略定位周长(注意：仓库的粗略定位周长等于0，因为没有必要隐藏仓库的详细位置)；ξij节点i和节点j之间的模糊运输时间；Ti顾客i的到期时间；wi顾客i所需产品的容量；w0车辆容量；置信水平；物流服务供应商l的共享运输容量最大值；物流服务供应商l的共享仓库存货最大值；物流服务供应商l的共享顾客订单最大值；MCLSDl物流服务供应商l的协同物流共享度最大值；xijkl如果物流服务供应商l的车辆k从节点i运输到节点j(i,j∈N,k∈K,l∈L)；则xijkl＝1，否则集合xijkl＝0；节点i的模糊到达时间。在一个实施例中，如图1所示，提供了一种面向粗略定位的协同车辆路径优化方法，包括：步骤S1、根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，所述协同车辆路径模型以最小运输成本为目标函数。对于协同车辆路径问题，为了寻找到最优的路径计划，需要建立对应的协同车辆路径模型并进行求解，建立对应的协同车辆路径模型就是确定其目标函数本文档来自技高网...

【技术保护点】
1.一种面向粗略定位的协同车辆路径优化方法，其特征在于，所述面向粗略定位的协同车辆路径优化方法，包括：根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，所述协同车辆路径模型以最小运输成本为目标函数，所述目标函数对应的运输成本包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本，及顾客自己的物流服务供应商为其提供服务时所产生的运输成本；基于蚁群优化算法构建目标函数的初始解；采用LNS算法提升当前最优解和全局最优解；采用局部搜索算法进一步提升当前最优解和全局最优解；判断是否满足迭代终止条件，在满足迭代终止条件时，输出最优路径计划，否则返回继续进行迭代。

【技术特征摘要】
1.一种面向粗略定位的协同车辆路径优化方法，其特征在于，所述面向粗略定位的协同车辆路径优化方法，包括：根据物流服务供应商向其合作伙伴提供的顾客的粗略定位信息，构建面向粗略定位的协同车辆路径模型，所述协同车辆路径模型以最小运输成本为目标函数，所述目标函数对应的运输成本包括物流服务供应商到达粗略定位的运输成本和在粗略定位中的运输成本，及顾客自己的物流服务供应商为其提供服务时所产生的运输成本；基于蚁群优化算法构建目标函数的初始解；采用LNS算法提升当前最优解和全局最优解；采用局部搜索算法进一步提升当前最优解和全局最优解；判断是否满足迭代终止条件，在满足迭代终止条件时，输出最优路径计划，否则返回继续进行迭代。2.根据权利要求1所述的面向粗略定位的协同车辆路径优化方法，其特征在于，所述在粗略定位中的运输成本，随着粗略定位的面积增大将指数增长，而随着粗略定位的周长增大将趋于线性增长。3.根据权利要求1所述的面向粗略定位的协同车辆路径优化方法，其特征在于，所述目标函数的约束条件包括：每个顾客只会被访问一次；每个节点的到达车辆数目相等离开车辆数目；物流服务供应商的协同物流共享度不能大于其协同物流共享度最大值；车辆在规定时间内到达节点应大于或等于置信水平的可信度；车辆都不能超载；所述节点包括顾客和物流服务供应商的仓库。4.根据权利要求3所述的面向粗略定位的协同车辆路径优化方法，其特征在于，所述物流服务供应商的协同物流共享度为运输容量共享度、仓库库存共享度和顾客订单共享度的加权之和。5.根据权利要求4所述的面向粗略定位的协同车辆路径优化方法，其特征在于，所述运输容量共享度为：物流服务供应商为其它物流服务器...

【专利技术属性】
技术研发人员：张帅，陈铭洲，张文宇，林剑，沈月，蔡怡帅，
申请(专利权)人：浙江财经大学，
类型：发明
国别省市：浙江,33