【技术实现步骤摘要】
基于改进蚁群算法的多目标车辆路径优化方法
[0001]本专利技术属于物流配送、电子商务、智能优化、网络分析等应用领域,具体涉及一种基于改进蚁群算法的多目标车辆路径优化方法。
技术介绍
[0002]随着全球污染日益严峻,低碳环保问题引起了各行业的重视,根据国际能源属2016年数据统计,车辆在物流配送中产生的碳排放量大约占全球总量的16.9%,因此,降低车辆配送中所排出的二氧化碳(CO2)逐渐成为车辆路径优化问题的新的研究热点。Jabir E等分别以配送成本最小、环境成本最小、配送成本与环境成本之和最小为目标构建3种VRP模型。
[0003]张立毅等根据配送车辆载重不同建立碳排放成本模型,并设计带混沌扰动的蚁群算法来求解该模型。任腾等以车辆载重、客户时间窗和冷链产品变质率为约束,考虑客户满意度的条件下,建立了以碳排放量最小的冷链车辆路径优化模型。代楚楚等在考虑低碳条件下,建立了车辆路径选择模型,并提出多种群遗传算法来求解模型,但该研究仅考虑碳排放量仅与车辆的行驶速度与行驶距离有关,其研究模型还存在改进空间。Pan,Yamei通过分析最短路径建立了碳排放量最少的模型,并根据模型特点设计了改进算法来求解。史雨同等构建了低碳条件下,新能源车辆路径问题模型建立最短路径和最小碳排放的多目标集货模型,通过改进两阶段启发式算法求解模型。李文霞等以带时间窗车辆路径为基础,通过对车辆行驶速度、载重和运行里程的改变建立了总成本最低、周转时间最小的车辆路径优化模型。陈志等通过地图软件获取实际配送距离,以配送车辆载重为约束,构建了碳排放 ...
【技术保护点】
【技术特征摘要】
1.基于改进蚁群算法的多目标车辆路径优化方法,其特征在于,一、在初始时刻,将信息素总量与各个需求点和配送中心的距离作为信息素分布矩阵,初始信息素的具体表达式为:Q为每一次搜索蚂蚁释放的信息素总量,d
1i
为需求点i和配送中心的实际距离,d
1j
为需求点j和配送中心的实际距离;二、考虑客户i与客户j的时间窗宽度及碳排放量,转移规则的具体表达式为:q为假定的固定阈值,用来控制状态转移规则参数,q0为一个在区间[0,1]上的随机数,当q<q0,采用确定性搜索模型,当q≥q0,采用改进的概率模型;改进的概率模型具体表达式为:α为信息素浓度重要因子,β、ω和γ为启发函数重要程度因子,d
ij
为配送车辆从客户i点到客户j点的距离,为启发函数,Width
ij
=l(i)
‑
e(i)为客户的时间窗宽度,Z
ij
为路径上需求点i到需求点j配送车辆产生的碳排放量,其值越小,说明点i到点j的所积累的信息素浓度越高,则蚂蚁选择该条路径的可能性越高;三、更新后的信息素表达式为:Δτ
ij
、和的具体表达如下:
τ
ij
(t)表示在第t次迭代时,需求点i和需求点j之间路径上的信息素浓度;ρ表示每一次迭代后,路径上信息素的挥发因子;Δτ
ij
表示每一次迭代的i点与j点信息素改变总量;表示在该次迭代中,第kk个蚂蚁对于点i与点j信息素改变的贡献值;表示额外对目前获得的最优路径的奖励;l
kk
表示第kk个蚂蚁选择的路径的总长;l
best
表示目前获得的最优路径的总长;sizepop为蚂蚁总数;四、引入混沌扰乱机制,对信息素进行混沌初始化,根据混沌迭代方程生成一组混沌变量,混沌变量是通过Logistic映射产生的,具体方式如下:F
ij
(t+1)=μF
ij
(t)*[1
‑
F
ij
(t)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)混沌扰动后的信息素更新表达式为:ξ为可调节系数,是一个常数,F
ij
(t)是混沌变量,μ为控制变量,μ的取值范围为[3.5
‑
4.0];模型求解的具体流程如下:1)、初始化参数,设定最大迭代次数maxiter,按照公式(1)对每个客户点之间产生初始信息素,初始化迭代次数=0,确定每个参数的函数值;2)、创建禁忌表,让所有的配送车辆从配送中心出发,在满足约束的前提下,按...
【专利技术属性】
技术研发人员:陈高华,郗传松,周子涵,陈康,裴育,丁庆伟,
申请(专利权)人:太原科技大学,
类型:发明
国别省市:
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。