一种物流配送路线规划方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种物流配送路线规划方法，基于当前系统中存在的客户、车辆以及基准路线，并根据粒子群优化算法以迭代的方式得出新的规划路线，然后对新的规划路线进行优化处理后最终得出优化后的新路线。本发明专利技术解决了现有技术中智能物流配送路线在规划时由于不考虑以前的路线，导致规划产生的路线变化较大，对配送人员带来困扰和不便的问题。本发明专利技术还提供了一种物流配送路线规划装置及存储介质。

A logistics distribution route planning method, device and storage medium

【技术实现步骤摘要】
一种物流配送路线规划方法、装置及存储介质
本专利技术涉及物流规划，尤其涉及一种物流配送路线规划方法、装置及存储介质。
技术介绍
目前，随着市场经济的发展，物流行业规模不断增长，人们对物流配送时效性的要求也越来越高。尤其在同城物流配送(如经销商给零售店供货)中，其时效性和稳定性就更受关注。传统的物流规划一般采用人工规划，由调度员安排配送车辆及配送路径，其成本高、效率低下，并且受调度员的经验影响，不能够很好地满足系统要求。随着技术的发展，越来越多的智能物流规划也发展起来。其中，对于物流配送规划可以总结为一个车辆路径问题(VehicleRoutingProblem,VRP)。在VRP中，客户位置和需求为已知的，由配送中心向客户供货，通过分配车辆、组织适当的配送路线，进而满足客户的需求；同时在一定约束条件下，使得配送路程最短、成本最低等目的。也即是说，VRP最终归结为NP-难问题。在求解大规模VRP时，现如今一般采用启发式算法：如模拟退火、遗传算法、蚁群算法等算法实现。基于这些求解算法，诞生了各种各样的智能物流配送路线规划系统。然而，对于通过上述启发式算法所得出的智能物流配送路线规划系统虽然理论上能够产生距离比较短的路线，理论上看似能够一定程度上解决问题，但在实际应用中，每周或者每月都会有新的订单，因此不会只规划一次就结束，往往需要多次规划。然而在一段时间内，由于客户的增加或减少，以及客户需求量的变化，传统方法规划出的路线往往会产生较大的变化，比如仅仅因为新开张了一家店铺，规划出的路线就完全不同，这就导致在实际送货过程中要么会安排给配送员不熟悉的区域，要么在配送员熟悉的区域内安排不符合配送员习惯的配送顺序，不仅会给配送员带来不便，也会影响配送效率。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种物流配送路线规划方法，其能够解决现有技术中智能物流配送路线在规划时由于不考虑系统中已经存在的路线，导致规划产生的路线变化较大，对配送人员带来困扰和不便的问题。本专利技术的目的之二在于提供一种物流配送路线规划装置，其能够解决现有技术中智能物流配送路线在规划时由于不考虑系统中已经存在的路线，导致规划产生的路线变化较大，对配送人员带来困扰和不便的问题。本专利技术的目的之三在于提供一种存储介质，其能够解决现有技术中智能物流配送路线在规划时由于不考虑系统中已经存在的路线，导致规划产生的路线变化较大，对配送人员带来困扰和不便的问题。本专利技术的目的之一采用如下技术方案实现：一种物流配送路线规划方法，所述路线规划方法包括：获取步骤：获取系统内客户的数量、车辆的数量以及基准路线的数量，并分别为客户、车辆以及基准路线进行编号；每一台车辆对应一条基准路线，所述基准路线为当前系统内所存在的路线；粒子初始化步骤：根据系统内客户的数量、车辆的数量以及基准路线的数量对粒子群优化算法的每个粒子进行初始化，并根据初始化的粒子以及粒子群优化算法得出规划路线；每个粒子均包括速度和位置；迭代步骡：设定粒子群优化算法的目标函数，并通过粒子群优化算法对规划路线进行多次迭代更新，直到达到迭代停止条件后输出更新后的规划路线；优化步骤：对更新后的规划路线进行优化得出优化路线；判断步骤：判断优化路线是否满足系统要求，若是，则输出优化路线；若否，则执行优化步骤，直到到达停止条件，输出优化路线。进一步地，所述优化步骤还包括对更新后的规划路线根据局部优化算法进行优化；其中，局部优化算法包括路线内优化算法和路线间优化算法；路线内优化算法是指针对一条路线内的客户的配送顺序进行调整；路线间优化算法是指针对不同路线之间客户的配送顺序调整。进一步地，所述路线内优化算法包括两元素优化算法和三元素优化算法；所述路线间优化算法是由一种或多种优化操作组合而成；其中，优化操作包括：将一条路线中rs的客户Cs，p安排给一条空路线rt；将一条路线rs中的客户Cs，p与另一条路线rt中的客户Ct，q交换；将一条路线rs中的客户Cs，p移动到另一条路线rt中的客户Ct，q之后；将一条路线rs中的客户Cs，p、客户Cs，p+1移动到另一条路线rt中的客户Ct，q之后；将一条路线rs中的客户Cs，p、客户Cs，p+1移动到另一条路线rt中的客户Ct，q之后，并将客户Cs，p和客户Cs，p+1交换；将一条路线rs中的客户Cs，p、客户Cs，p+1与另一条路线rt中的客户Ct，q交换；将一条路线rs中的客户Cs，p、客户Cs，p+1与另一条路线rt中的客户Ct，q、客户Ct，q+1交换；将一条路线rs中的客户Cs，p、客户Cs，p+1与另一条路线rt中的客户Ct，q、客户Ct，q+1交换后，将客户Ct，q和客户Ct，q+1交换；其中，rs、rt分别为第s、t条路线，s、t的取值范围为[1，m]；Cs，p、Cs，p+1分别为路线rs中的第p个客户、第p+1个客户，Ct，q、Ct，q+1分别为路线rt中的第q个客户、第q+1个客户；p、p+1的取值范围为[1，ns]，q、q+1的取值范围为[1，nt]；其中，ns、nt分别为路线rs、路线rt中的客户数量。进一步地，所述初始化步骤为：设定粒子群中有N个粒子，每个粒子i的位置记为Xi，速度记为Vi；将每个粒子i的位置Xi编码为一个长度为D＝n×m+n的向量；n为系统中客户的数量，m为系统中路线的数量；设定粒子i所到达过的历史最优位置Pbesti；粒子i的K个邻居粒子中每个邻居粒子的历史最优位置中目标函数最优的一个粒子的历史最优位置为粒子i的局部最优位置Lbesti；其中，K是粒子i的邻居粒子的数量，邻居粒子为粒子i的邻居粒子；设定适应度函数为目标函数；由使得粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti；最优适应度距离比为适应度的差与分量的差的比值；所有粒子所到达过的历史最优位置Gbest；其中，历史最优位置为粒子群优化算法中所达到目标函数最优的位置；对每个粒子i的位置Xi的向量的前n×m位进行初始化：若客户Cu在基准路线规划中属于路线rs，则第(u-1)×m+s位在[α1，α2]中随机取值，否则在[α3，α4]中随机取值；其中1＞α1＞α3，α2＞α4＞0；u的取值范围为[1，n]，s的取值范围为[1，m]；对每个粒子i的位置Xi的向量的后n位进行初始化：首先随机生成一个长度为n的数组a，数组a中每一位数据的取值范围均为[0，1]；然后对数组a中的n个数据进行排序；将速度Vi初始化为零向量，每个粒子i所到达的历史最优位置Pbesti初始化为Xi；最大迭代次数为T。进一步地，对数组a中的n个数据进行排序是根据每个客户的加权距离进行降序排序，进而使得排序后的数组a中的n个数据分别代表对应客户的优先度；数组a中的数据的编号与客户的编号相同；其中，定义客户Cu的加权距离为：v[rs]为本文档来自技高网...

【技术保护点】
1.一种物流配送路线规划方法，其特征在于，所述路线规划方法包括：/n获取步骤：获取系统内客户的数量、车辆的数量以及基准路线的数量，并分别为客户、车辆以及基准路线进行编号；每一台车辆对应一条基准路线，所述基准路线为当前系统内所存在的路线；/n粒子初始化步骤：根据系统内客户的数量、车辆的数量以及基准路线的数量对粒子群优化算法的每个粒子进行初始化，并根据初始化的粒子以及粒子群优化算法得出规划路线；每个粒子均包括速度和位置；/n迭代步骤：设定粒子群优化算法的目标函数，并通过粒子群优化算法对规划路线进行多次迭代更新，直到达到迭代停止条件后输出更新后的规划路线；/n优化步骤：对更新后的规划路线进行优化得出优化路线；/n判断步骤：判断优化路线是否满足系统要求，若是，则输出优化路线；若否，则执行优化步骤，直到到达停止条件，输出优化路线。/n

【技术特征摘要】
1.一种物流配送路线规划方法，其特征在于，所述路线规划方法包括：
获取步骤：获取系统内客户的数量、车辆的数量以及基准路线的数量，并分别为客户、车辆以及基准路线进行编号；每一台车辆对应一条基准路线，所述基准路线为当前系统内所存在的路线；
粒子初始化步骤：根据系统内客户的数量、车辆的数量以及基准路线的数量对粒子群优化算法的每个粒子进行初始化，并根据初始化的粒子以及粒子群优化算法得出规划路线；每个粒子均包括速度和位置；
迭代步骤：设定粒子群优化算法的目标函数，并通过粒子群优化算法对规划路线进行多次迭代更新，直到达到迭代停止条件后输出更新后的规划路线；
优化步骤：对更新后的规划路线进行优化得出优化路线；
判断步骤：判断优化路线是否满足系统要求，若是，则输出优化路线；若否，则执行优化步骤，直到到达停止条件，输出优化路线。


2.根据权利要求1所述一种物流配送路线规划方法，其特征在于：所述优化步骤还包括对更新后的规划路线根据局部优化算法进行优化；其中，局部优化算法包括路线内优化算法和路线间优化算法；路线内优化算法是指针对一条路线内的客户的配送顺序进行调整；路线间优化算法是指针对不同路线之间客户的配送顺序调整。


3.根据权利要求2所述一种物流配送路线规划方法，其特征在于：所述路线内优化算法包括两元素优化算法和三元素优化算法；
所述路线间优化算法是由一种或多种优化操作组合而成；其中，优化操作包括：将一条路线中rs的客户Cs，p安排给一条空路线rt；
将一条路线rs中的客户Cs，p与另一条路线rt中的客户Ct，q交换；
将一条路线rs中的客户Cs，p移动到另一条路线rt中的客户Ct，q之后；
将一条路线rs中的客户Cs，p、客户Cs，p+1移动到另一条路线rt中的客户Ct，q之后；
将一条路线rs中的客户Cs，p、客户Cs，p+1移动到另一条路线rt中的客户Ct，q之后，并将客户Cs，p和客户Cs，p+1交换；
将一条路线rs中的客户Cs，p、客户Cs，p+1与另一条路线rt中的客户Ct，q交换；
将一条路线rs中的客户Cs，p、客户Cs，p+1与另一条路线rt中的客户Ct，q、客户Ct，q+1交换；
将一条路线rs中的客户Cs，p、客户Cs，p+1与另一条路线rt中的客户Ct，q、客户Ct，q+1交换后，将客户Ct，q和客户Ct，q+1交换；
其中，rs、rt分别为第s、t条路线，s、t的取值范围为[1，m]；Cs，p、Cs，p+1分别为路线rs中的第p个客户、第p+1个客户，Ct，q、Ct，q+1分别为路线rt中的第q个客户、第q+1个客户；p、p+1的取值范围为[1，ns]，q、q+1的取值范围为[1，nt]；其中，ns、nt分别为路线rs、路线rt中的客户数量。


4.根据权利要求1所述一种物流配送路线规划方法，其特征在于：所述初始化步骤为：
设定粒子群中有N个粒子，每个粒子i的位置记为Xi，速度记为Vi；将每个粒子i的位置Xi编码为一个长度为D＝n×m+n的向量；n为系统中客户的数量，m为系统中路线的数量；
设定粒子i所到达过的历史最优位置Pbesti；
粒子i的K个邻居粒子中每个邻居粒子的历史最优位置中目标函数最优的一个粒子的历史最优位置为粒子i的局部最优位置Lbesti；其中，K是粒子i的邻居粒子的数量，邻居粒子为粒子i的邻居粒子；设定适应度函数为目标函数；
由使得粒子i的每个分量具有最优适应度距离比的分量所组成的向量Nbesti；最优适应度距离比为适应度的差与分量的差的比值；
所有粒子所到达过的历史最优位置Gbest；其中，历史最优位置为粒子群优化算法中所达到目标函数最优的位置；
对每个粒子i的位置Xi的向量的前n×m位进行初始化：若客户Cu在基准路线规划中属于路线rs，则第(u-1)×m+s位在[α1，α2]中随机取值，否则在[α3，α4]中随机取值；其中1＞α1＞α3，α2＞α4＞0；u的取值范围为[1，n]，s的取值范围为[1，m]；
对每个粒子i的位置Xi的向量的后n位进行初始化：首先随机生成一个长度为n的数组a，数组a中每一位数据的取值范围均为[0，1]；然后对数组a中的n个数据进行排序；
将速度Vi初始化为零向量，每个粒子i所到达的历史最优位置Pbesti初始化为Xi；
最大迭代次数为T。


5.根据权利要求4所述一种物流配送路线规划方法，其特征在于：对数组a中的n个数据进行排序是根据每个客户的加权距离进行降序排序，进而使得排序后的数组a中的n个数据分别代表对应客户的优先度；数组a中的数据的编...

【专利技术属性】
技术研发人员：杨朝晖，李玉清，王健，周波，李善平，
申请(专利权)人：浙江浙大网新国际软件技术服务有限公司，
类型：发明
国别省市：浙江;33