一种结合时间要求的快递车辆路径优化的方法及系统技术方案

本发明专利技术涉及一种结合时间要求的快递车辆路径优化的方法及系统，首先将车辆配送信息形成遗传编码，初始化种群，接着计算每个个体的适应度值，并选取适应度值最小的个体作为最优个体。采用轮盘赌的方法，对种群进行一次选择，采用三角概率对未被选择的个体进行二次选择，最后对最优个体进行解码得到车辆优化后的路径。本发明专利技术不仅能有效解决快递路径和时间要求复杂的问题，也提高了遗传算法的优化效果。

【技术实现步骤摘要】
一种结合时间要求的快递车辆路径优化的方法及系统
本专利技术涉及物流优化
，特别是一种结合时间要求的快递车辆路径优化的方法及系统。
技术介绍
快递是近二三十年发展起来的一种新兴物流业务，其在近十几年的发展尤为迅猛，已经成为电子商务的重要支撑，被称为最贴近顾客的“最后一公里”物流。快递行业已从过去的无序竞争发展到现在的有序竞争，快递配送的时间、效率和服务质量直接决定着快递公司的生存。面对激烈的市场竞争，快递公司越来越重视提高服务质量并降低运营成本，而车辆路径问题是快递公司提高配送效率的核心问题。早期车辆路径问题是通过一些简单的精确算法进行求解的，如分割平面法、支定界法、网络流算法以及动态规划法等，但这些算法都只适用于小规模的车辆路径问题。近年来随着智能启发式算法的产生和应用，国内外很多学者采用了各种智能启发式算法对该问题进行研究。麻存瑞在研究中考虑快件数量、车辆载重、车辆容量等，将这些影响因素作为约束，通过遗传算法对快递的配送路径进行优化。李玲玉利用C-W节约算法对快递配送路径进行优化研究，同时结合了高德地图开发了基于Internet的快递配送路径优化软件；鲍立婷通过粒子群算法来优化LBS快递派送路径问题；陈文利用精英蚁群系统模拟的方法来优化快递的配送路径。由于该优化问题的编码为随机车辆编号按客户编号从小到大按顺序排列，而车辆的总数即为车辆编号的上限，比如有4辆车，那服务于每个客户的车辆编号即为1-4之间的自然数，而遗传算法是模拟基因遗传的原理来优化的，即通过改变染色体的碱基对来完成遗传，而碱基对就A-T、T-A、C-G、G-C4种，因此该问题的编码跟遗传学中染色体相吻合，使用遗传算法来解决该问题就特别有效。而遗传算法是利用生物的物竞天择的原理，通过改变种群内部的染色体来实现全局搜索的一种优化算法，具有很强的全局搜索能力，但由于存在淘汰机制会导致搜索较早进入收敛，最终出现早熟现象。
技术实现思路
有鉴于此，本专利技术的目的是提出一种结合时间要求的快递车辆路径优化的方法及系统，不仅能有效解决快递路径和时间要求复杂的问题，也提高了遗传算法的优化效果。本专利技术采用以下方案实现：一种结合时间要求的快递车辆路径优化的方法，具体包括以下步骤：步骤S1：获取车辆编号信息、客户时间要求信息以及配送点信息，并将上述信息进行组合编码，形成遗传编码[y1,y2,...,yi,...yn]，每个遗传编码对应一个个体；步骤S2：初始化种群，设置迭代次数G＝1，步骤S3：计算每个个体的适应度值，并选取适应度值最小的个体作为最优个体，其中，适应度值为个体中所有车辆的总时间成本TA的倒数；步骤S4：判断当前迭代次数是否满足要求，若是，则进入步骤S8，否则进入步骤S5；步骤S5：采用轮盘赌的方法，根据每个个体的适应度值，依据概率函数选择个体是否进入下一代，适应度值越大，进入下一代的概率越高；被选择进入下一代的个体进入步骤S6，未被选择进入下一代的个体进入步骤S7；步骤S6：进行交叉操作与变异操作，并将交叉与变异之后的种群送入步骤S8；步骤S7：采用三角概率对未被选择的个体进行二次选择，将步骤S4中未被选择的个体进行排序，根据个体的三角分布概率来确定是否对其进行更新，并将当前选中的个体进行更新操作之后与当前未被选中的个体一同送入步骤S8中；步骤S8：得到新种群，令迭代次数G＝G+1；步骤S9：对当前种群的最优个体的遗传编码进行解码，得到各车辆的最优行驶路径。进一步地，步骤S1中，遗传编码[y1,y2,...,yi,...yn]中，元素yi的值代表车辆的编号，元素所在的向量位置代表该编号的车辆所要服务的客户编号，每个元素yi绑定有对应的客户时间要求信息以及配送点位置信息、配送点前往另一个配送点的路段信息。进一步地，所述计算每个个体的适应度值具体包括以下步骤：步骤S31：对一个个体的遗传编码，找到元素值为j的所有元素，获取这些元素在遗传编码中的位置，即j所要服务的所有客户编号，同时获取j绑定的信息；步骤S32：按照客户的时间要求，车辆j按照时间从先至后的顺序，依次从配送中心前往各客户对应的配送点最后回到配送中心，得到该个体中车辆j的路径；步骤S33：按照步骤S31至步骤S32的方法，遍历个体中的所有编码，得到一个个体所对应的所有车辆的路径，并以此计算该个体中所有车辆的总时间成本，将其倒数作为该个体的适应度值。进一步地，步骤S3中，一个个体中，所有车辆的总时间成本TA的计算如下：式中，V为配送车辆的编号集合，V＝{1,2,...,m}，m为车辆总数；P为配送点的编号集合，P＝{1,2,...,l}，l为配送点总数；T为配送的时间段的编号集合，T＝{T1,T2,...,TD}，TD为一天的总的时段数；C为客户的统一编号集合，C＝{1,2,...,n}，n为客户统一编号的总数；TH为早晚拥堵的时段编号集合，TL为中午拥堵的时段编号集合，TH与TL均为T的子集合；tij表示第i点到j点所需的时间，qi表示配送点i的快递数量，表示配送点i点到配送点j点上下班高峰期时所需的额外等待红绿灯时间，表示配送点i点到配送点j点中午高峰期时所需的额外等待红绿灯时间，ET(i)表示未能满足客户时间要求而产生的惩罚时间成本，wij表示提前到配送点需要等待的时间，θ表示每个快件的平均等待时间，表示每个快件的平均签收时间，α表示每个快件签收前的平均准备时间；xijtk表示整数变量，当配送车辆是从配送点i到j，并是在对应的规划时间段内，xijtk＝1，否则xijtk＝0；yijtk表示整数变量，当配送车辆从配送点i到j，时间在早晚高峰期时段内，yijtk＝1，否则yijtk＝0；zijtk表示整数变量，当配送车辆从配送点i到j，时间在中午高峰期时段内，zijtk＝1，否则zijtk＝0。进一步地，配送点i点到配送点j点上下班高峰期时所需的额外等待红绿灯时间配送点i点到配送点j点中午高峰期时所需的额外等待红绿灯时间每个快件的平均签收时间以及每个快件签收前的平均准备时间α均由历史数据估计得到。进一步地，所述未能满足客户时间要求而产生的惩罚时间成本ET(i)的计算如下：ET(i)＝60×误点费/平均时薪。进一步地，其中的交叉操作具体为：设定一个第一判定概率P，对个体上的每一个遗传编码随机产生一个0到1的随机数，如果这个随机数大于第一判定概率P，则随机用其它个体对应位置上的编码来替换原始编码；其中的变异操作具体为：设定一个第二判定概率P，对每个个体上的所有元素进行判断，每个元素都产生一个0到1之间的随机数，如果随机数大于第二判定概率P，则随机产生一个小车编号替代该元素。进一步地，步骤S7中，每个个体的三角概率公式为：Pj＝2(n+1-j)/n(n+1),j＝1,…,n；式中，n为未被选择的个体的数量，j是表示个体的适应度值在剩余个体中的排名，适应度值最高的个体j为1，其三角概率为2/(n+1)，适应度值本文档来自技高网...

【技术保护点】
1.一种结合时间要求的快递车辆路径优化的方法，其特征在于，包括以下步骤：/n步骤S1：获取车辆编号信息、客户时间要求信息以及配送点信息，并将上述信息进行组合编码，形成遗传编码[y1,y2,...,yi,...yn]，每个遗传编码对应一个个体；/n步骤S2：初始化种群，设置迭代次数G＝1，/n步骤S3：计算每个个体的适应度值，并选取适应度值最小的个体作为最优个体，其中，适应度值为个体中所有车辆的总时间成本T

【技术特征摘要】
1.一种结合时间要求的快递车辆路径优化的方法，其特征在于，包括以下步骤：
步骤S1：获取车辆编号信息、客户时间要求信息以及配送点信息，并将上述信息进行组合编码，形成遗传编码[y1,y2,...,yi,...yn]，每个遗传编码对应一个个体；
步骤S2：初始化种群，设置迭代次数G＝1，
步骤S3：计算每个个体的适应度值，并选取适应度值最小的个体作为最优个体，其中，适应度值为个体中所有车辆的总时间成本TA的倒数；
步骤S4：判断当前迭代次数是否满足要求，若是，则进入步骤S8，否则进入步骤S5；
步骤S5：采用轮盘赌的方法，根据每个个体的适应度值，依据概率函数选择个体是否进入下一代，适应度值越大，进入下一代的概率越高；被选择进入下一代的个体进入步骤S6，未被选择进入下一代的个体进入步骤S7；
步骤S6：进行交叉操作与变异操作，并将交叉与变异之后的种群送入步骤S8；
步骤S7：采用三角概率对未被选择的个体进行二次选择，将步骤S4中未被选择的个体进行排序，根据个体的三角分布概率来确定是否对其进行更新，并将当前选中的个体进行更新操作之后与当前未被选中的个体一同送入步骤S8中；
步骤S8：得到新种群，令迭代次数G＝G+1；
步骤S9：对当前种群的最优个体的遗传编码进行解码，得到各车辆的最优行驶路径。


2.根据权利要求1所述的一种结合时间要求的快递车辆路径优化的方法，其特征在于，步骤S1中，遗传编码[y1,y2,...,yi,...yn]中，元素yi的值代表车辆的编号，元素所在的向量位置代表该编号的车辆所要服务的客户编号，每个元素yi绑定有对应的客户时间要求信息以及配送点位置信息、配送点前往另一个配送点的路段信息。


3.根据权利要求2所述的一种结合时间要求的快递车辆路径优化的方法，其特征在于，所述计算每个个体的适应度值具体包括以下步骤：
步骤S31：对一个个体的遗传编码，找到元素值为j的所有元素，获取这些元素在遗传编码中的位置，即j所要服务的所有客户编号，同时获取j绑定的信息；
步骤S32：按照客户的时间要求，车辆j按照时间从先至后的顺序，依次从配送中心前往各客户对应的配送点最后回到配送中心，得到该个体中车辆j的路径；
步骤S33：按照步骤S31至步骤S32的方法，遍历个体中的所有编码，得到一个个体所对应的所有车辆的路径，并以此计算该个体中所有车辆的总时间成本，将其倒数作为该个体的适应度值。


4.根据权利要求2所述的一种结合时间要求的快递车辆路径优化的方法，其特征在于，步骤S3中，一个个体中，所有车辆的总时间成本TA的计算如下：



式中，V为配送车辆的编号集合，V＝{1,2,...,m}，m为车辆总数；P为配送点的编号集合，P＝{1,2,...,l}，l为配送点总数；T为配送的时间段的编号集合，T＝{T1,T2,...,TD}，TD为一天的总的时段数；C为客户的统一编号集合，C＝{1,2,...,n}，n为客户统一编号的总数；TH为早晚拥堵的时段编号集合，TL为中午拥堵的时段编号集合，TH与TL均为T的子集合；tij表示第i点到j点所需的时间，qi表示配送点i的快递数量，表示配送点i点到配送点j点上下班高...

【专利技术属性】
技术研发人员：林蔚青，林秀芳，
申请(专利权)人：宁德师范学院，
类型：发明
国别省市：福建;35