一种基于路网可达性的带时间窗的车辆调度方法技术

一种基于路网可达性的带时间窗的车辆调度方法，首先，创建研究区域的网络数据集，获取研究对象点之间的真实道路距离；然后客户点采用自然数编码方式进行编码操作，并完成种群的初始化；对种群进行交叉、变异操作后，依据适应度的大小筛选出适应度较高的染色体构成新的种群，重复交叉、变异和选择操作，直到满足迭代的终止条件；最终，输出种群中适应度最高的染色体，完成解码操作后，即可得到车辆调度的最优路径方案。本发明专利技术提供一种更加贴合实际应用的基于路网可达性的带时间窗的车辆调度方法。

A vehicle scheduling method with time window based on road network accessibility

【技术实现步骤摘要】
一种基于路网可达性的带时间窗的车辆调度方法
本专利技术涉及GIS技术、物流配送、智能计算、计算机应用领域，尤其涉及的是一种基于路网可达性的带时间窗的车辆调度方法。
技术介绍
物流产业已经逐渐成为国民经济的重要支柱，该产业是融合运输、仓储、货运代理和信息等行业的复合型服务产染。依靠降低商品成本及拓展市场获取经济利益的空间已经变得越来越小，众多企业纷纷将目光投向如何降低企业物流成本。然而与发达国家相比，我国物流业总体水平不高，在这样的背景下，政府出台了一系列支持促进第三方物流发展的政策措施，来促进整个物流行业健康稳定的发展。物流配送在第三方物流系统中处于非常重要的位置，多于一半甚至更高的成本来自于配送环节。物流配送路线的合理规划，即车辆路径问题，已经引起了学术界的广泛关注。车辆调度问题，也称为车辆路径问题，是运输组织优化中的核心问题之一，它通过对车辆的运输路线进行优化，在满足客户需求的前提下，尽量以最低的运输成本与费用将货物送达目的地。在实践中，该问题的应用不仅仅局限于物流配送领域，在航空、远洋航运、工业管理等领域也有一定的应用，其研究成果已用于轮船公司运送货物经过港口与货物安排的优化设计、交通车辆线路安排等多种组合优化问题。车辆路径问题的研究影响了物流、供应链管理、企业资源计划等多个应用领域的发展，至今仍然吸引着广大学者的关注。带时间窗的车辆调度问题的研究，相比传统的车辆调度问题，更加贴合生活实际，应用价值也更高。目前，针对带时间窗的车辆调度问题的研究，大多数研究人员都是通过图论简单建模的方式，将客户点的位置和道路抽象成为图论中的交汇点和边，在计算每个客户点之间的距离时，是基于客户点的地位置坐标的转换，运用两点间距离公式来开展的。这样的数据处理方式，完全忽略了真实道路下客户点之间的路网可达性，两点间的欧氏距离并不等同于真实道路下两个客户点之间的实际道路距离，回归到实际应用，精准度损失较大。因此，现有的带时间窗的车辆调度方法在真实道路下配送方案应用研究的精准性上存在缺陷，需要改进。
技术实现思路
为了解决现有的带时间窗的车辆调度方法对真实道路下的配送问题解决方案精确度不高的缺陷，本专利技术提出了一种基于路网可达性的带时间窗的车辆调度方法，利用GIS技术，将配送区域的实际地理信息，进行矢量化建模，创建特征网络数据集，针对网络数据集上的客户点位置，建立“起始点-目的地”成本距离分析矩阵，获取每个客户点之间的实际路网距离，再采用改进的遗传算法来解决车辆调度问题。本专利技术解决的技术问题所采用的技术方案是：一种基于路网可达性的带时间窗的车辆调度方法，包括以下步骤：1)以所有配送车辆的总成本最小为目标建立如下目标函数：其中C为配送车辆单位距离的运输成本，K为配送车辆数目，V为所有客户点的集合，为决策变量，取值为0或1，当配送车辆k从客户点i到j时取值为1，否则为0，dij表示客户点i与j之间的真实道路距离，ei和li表示客户点i接受服务的起始时间和结束时间，M1表示在ei之前到达客户点i需等待的时间成本惩罚系数，M2表示晚于li到达客户点i接受惩罚的时间成本系数，ti表示到达客户点i的时刻；约束条件为：仅一个配送中心，且其所有的配送车辆均以配送中心为起点和终点，客户点的需求量已知且均小于车辆的最大承载量，每辆车可以配送多个客户点，但是每个客户点只能由单个车辆配送；2)设置参数：单位距离的运输成本C，客户点数目N，车辆最大载重量Q，客户点的需求量列表T，客户点接受服务的时间窗TW，服务时间H，时间成本惩罚系数M1和M2，交叉概率PC，变异概率PM，种群规模NP，迭代次数G；3)借助ArcMap平台导入目标区域的地理信息地图，依据真实道路信息创建对应的道路线图层，完成目标区域的道路矢量化以及地理配准操作；4)基于创建的道路线图层来构建目标区域的网络数据集，在网络数据集中新建点特征图层来表征配送中心和客户点地理位置；5)创建配送中心和客户点之间的距离成本分析模型，获取配送中心以及客户点之间基于路网可达性的距离成本矩阵D，其中其中，矩阵中对角线元素d00,d11,…,dNN值为0，d0j表示配送中心0到客户点j的真实道路距离，di0表示客户点i返回配送中心0的真实道路距离，dij表示客户点i到客户点j之间的真实道路距离，i,j∈V且i≠j；6)确定所需的配送车辆数量其中qi表示第i个客户点的货物需求量，α为[0,1]的随机约束因子，表示向下取整；7)编码：采用自然数的编码方式，将客户点编码为1,2,3,…,N，0表示配送中心；8)种群初始化：将客户点的自然数编码随机排成一排构成一条初始染色体，重复操作2NP次，得到2NP染色体构成的样本种群，计算样本种群中每条染色体的适应度大小，适应度为目标函数的倒数，将适应度较高的NP条保留下来构成初始种群；9)交叉操作，过程如下：9.1)从种群中随机不重复选取两个染色体作为父代染色体，产生一个在[0,1]区间的随机数r，若r＜PC，执行步骤9.2)，否则直接保留这两条染色体至下一代，转至步骤9.4)；9.2)采用部分匹配交叉的方式：产生两个小于染色体长度的随机整数p1和p2且需满足p1＜p2，将两条父代染色体中位于p1与p2之间的客户点编码片段交换位置；若交换后，染色体编码出现重复冲突，则将与交换片段中重复的编码替换为交换片段对应的另一条染色体的等位编码；9.3)计算两条父代染色体和交叉后的两条染色体的适应度，将适应度较高的两条染色体保留下来，作为交叉操作的结果；9.4)迭代步骤9.1)至9.3)，直至遍历完所有染色体；10)变异操作：产生一个在[0,1]区间的随机数r′；若r′＜PM，随机选择染色体中的两个客户点编码进行位置交换；若r′≥PM，直接保留当前染色体至下一代；11)选择操作：计算父代种群和交叉、变异操作后得到的子代种群的所有染色体个体的适应度，再依据适应度的大小将染色体按升序排列，选择适应度高的NP条染色体构成新的种群；12)迭代步骤9)至步骤11)至最大迭代次数G，选取当前种群中适应度最高的染色体进行解码操作，即qi表示第i个客户点的需求量，如果满足且则在该染色体第a位后面插入0，随后开始重复计算直至插入K-1个0，最后在染色体首位和最后一位分别添加一个0，得到解码后的染色体即为目标函数的最优解。本专利技术的有益效果为：借助ArcMap平台来构建路网模型，创建相应的网络数据集，来获取配送中心和客户点之间的真实路网距离。在此基础上，运用寻优能力强的遗传算法来解决车辆调度问题；在遗传算法的求解过程中，均采用考虑真实路网可达性的真实道路距离，相对比于传统方法中的欧氏距离更加具有现实意义，也更贴合实际应用。附图说明图1是一种基于路网可达性的带时间窗的车辆调度方法流程图。图2是研究区域网络模型及配送中心和客户点的分布图。图3是最佳配送方案的路径图。具体实施方式下面结合附图对本专利技术作进一步本文档来自技高网...

【技术保护点】
1.一种基于路网可达性的带时间窗的车辆调度方法，其特征在于，所述车辆调度方法包括以下步骤：/n1)以所有配送车辆的总成本最小为目标建立如下目标函数：

【技术特征摘要】
1.一种基于路网可达性的带时间窗的车辆调度方法，其特征在于，所述车辆调度方法包括以下步骤：
1)以所有配送车辆的总成本最小为目标建立如下目标函数：其中C为配送车辆单位距离的运输成本，K为配送车辆数目，V为所有客户点的集合，为决策变量，取值为0或1，当配送车辆k从客户点i到j时取值为1，否则为0，dij表示客户点i与j之间的真实道路距离，ei和li表示客户点i接受服务的起始时间和结束时间，M1表示在ei之前到达客户点i需等待的时间成本惩罚系数，M2表示晚于li到达客户点i接受惩罚的时间成本系数，ti表示到达客户点i的时刻；约束条件为：仅一个配送中心，且其所有的配送车辆均以配送中心为起点和终点，客户点的需求量已知且均小于车辆的最大承载量，每辆车可以配送多个客户点，但是每个客户点只能由单个车辆配送；
2)设置参数：单位距离的运输成本C，客户点数目N，车辆最大载重量Q，客户点的需求量列表T，客户点接受服务的时间窗TW，服务时间H，时间成本惩罚系数M1和M2，交叉概率PC，变异概率PM，种群规模NP，迭代次数G；
3)借助ArcMap平台导入目标区域的地理信息地图，依据真实道路信息创建对应的道路线图层，完成目标区域的道路矢量化以及地理配准操作；
4)基于创建的道路线图层来构建目标区域的网络数据集，在网络数据集中新建点特征图层来表征配送中心和客户点地理位置；
5)创建配送中心和客户点之间的距离成本分析模型，获取配送中心以及客户点之间基于路网可达性的距离成本矩阵D，其中其中，矩阵中对角线元素d00,d11,…,dNN值为0，d0j表示配送中心0到客户点j的真实道路距离，di0表示客户点i返回配送中心0的真实道路距离，dij表示客户点i到客户点j之间的真实道路距离，i,j∈V且i≠j；
6)确定所需的配送车辆数量其中qi表示第i个客户点的货物需求量，α为[0,1]的随机约束因子，...

【专利技术属性】
技术研发人员：张贵军，陈驰，武楚雄，陈芳，刘俊，周晓根，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33