一种预聚类的车辆配送路径规划方法和装置制造方法及图纸

本发明专利技术涉及一种预聚类的车辆配送路径规划方法和装置，具体包括步骤S1：客户订单预聚类；步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径；步骤S4：循环判断。本发明专利技术在规划路径之前预先对客户订单进行聚类，基于订单到达时间的预聚类方式在规划路径的同时保障订单的正常配送，满足实际配送的需求，路径规划过程兼顾了全局搜索能力和收敛速度。径规划过程兼顾了全局搜索能力和收敛速度。径规划过程兼顾了全局搜索能力和收敛速度。

【技术实现步骤摘要】
一种预聚类的车辆配送路径规划方法和装置


[0001]本专利技术实施例涉及车辆调度
，特别涉及一种预聚类的车辆配送路径规划方法和装置。

技术介绍

[0002]车辆路径问题一直是物流运输和配送方面的重要问题，现有技术的车辆路径问题通常假定每个客户的需求只能由一辆车在单次服务中完成，而在现实情况中的物流中，难免会出现客户需求量大于车辆最大承载量的情况，这时就需要对客户的需求进行拆分，目前需求可拆分的车辆路径规划问题已经成为车辆路径问题中一个新的分支。
[0003]蚁群算法是现有技术中常见的求解方法之一，蚁群算法求解车辆配送路径时，主要包括初始客户选择环节、状态转移环节和信息素变化环节。其中，初始客户的选择会影响车辆后续对客户点的选择，如果初始客户选不好，那很难可以探索出较优解的路线。现有技术车辆初始客户的选择一般有全部放置方式和随机放置方法。全部放置方式是从每个客户点开始遍历，扩大的搜索的范围，当处理大规模问题时，算法运行时间会大幅增加，而且会增加车辆在搜索过程中的相互干扰，导致运算量较大，求解时间较长且难以找到最优解。随机放置方式将随机的选择车辆的初始客户点，在一定程度上降低了算法的时间复杂度，但是由于随机选择，可能会导致每次迭代产生的最优路径存在较大的差异，算法的收敛速度较慢。现有技术的客户初始客户点选择过程随机性较强，难以平衡算法的收敛速度和全局搜索能力。
[0004]此外，部分现有技术在进行车辆配送路径规划时，会事先根据距离对客户进行聚类，然后在各个小类中利用蚁群算法寻求最优路径。但是，聚类算法中主要使用的K
‑
means聚类方法过度依赖分类中心的初始化，不能很好的发现优良个体的潜能，易陷入局部最优，而且当客户点数目增多时，预处理也会变得复杂，不利于寻找拆分需求的客户点。另一方面，在聚类步骤中，聚类的因素主要基于客户之间的距离以便于车辆到达后的配送和车辆行驶距离最短目标的实现，然而在运输领域，货物到达时间是最关键的因素之一，未能按时到达的货物会给客户带来严重的损失，现有技术在对客户进行拆分和组合时未能考虑各客户对货物到达时间的要求，求解的路径虽然距离最优，但难以适应实际配送的需求。
[0005]因此，亟需一种满足客户配送需求的车辆配送路径的方法和装置。

技术实现思路

[0006]本专利技术实施方式的目的在于提供一种预聚类的车辆配送路径规划方法和装置，在充分考虑用户对到达时间的需求的基础上，优化初始客户点的选择方式，提高算法收敛速度，同时避免搜索过程的相互干扰，提高全局搜索能力。
[0007]为解决上述技术问题，本专利技术的实施方式提供了一种预聚类的车辆配送路径规划方法，所述预聚类的车辆配送路径规划方法具体包括：步骤S1：客户订单预聚类：获取订单数量和各订单对应的客户的订单到达时间信
息，基于订单数量和客户的订单到达时间信息进行预聚类，获得多个客户类；其中，所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重，以设置k
‑
means方法的初始化参数，利用k
‑
means方法获得多个客户类；步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径，其中，所述模型最优求解采用蚁群算法；步骤S4：循环判断：判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类，若存在，返回步骤S2，否则，完成所有客户订单的车辆配送路径规划。
[0008]优选的，所述步骤S1具体包括：步骤S101：获取订单数量和订单到达时间跨度，所述订单到达时间跨度是最早订单到达时间和最晚订单到达时间之间的时间差；步骤S102：根据订单数量和订单到达时间跨度确定聚类个数；步骤S103，根据聚类个数确定各个订单的订单权重；步骤S104，利用k
‑
means算法获得多个客户类。
[0009]优选的，所述根据订单数量和订单到达时间跨度确定聚类个数，具体为：其中，T为订单到达时间跨度，为第一时差阈值，N
mount
为车场收到的订单总数，N1为第一订单总量阈值，a为第一倍率系数，n1为聚类基数。
[0010]优选的，所述根据聚类个数确定各个订单的订单权重，具体为：根据聚类个数和订单到达时间跨度计算订单区间值：，其中，
△
t为订单区间值，为四舍五入的函数符号；根据订单区间值划分订单区间，设置订单区间中第一订单类型的订单权重为p1，第二订单类型的订单权重为p2。
[0011]优选的，所述第一订单类型具体为订单区间中订单到达时间点最靠近订单区间中间时间的订单，第二订单类型具体为订单区间内除第一订单类型外的其他订单。
[0012]优选的，所述步骤S2具体包括：目标函数为车辆运输成本最小：
ꢀꢀꢀꢀꢀꢀ
(1)，其中，z表示车辆总配送路径，M为完成任务需要的最小车辆数，其取值如式（2）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)，N表示当前客户类的订单数量，i、j分别表示第i、j节点，m表示第m条线路，d
ij
为集
合V内任意两点i，j间的距离，V是综合集合，包括配送中心和客户订单集合V
c = {1,2,
…
,N}；为第i、j节点间路径m的决策变量：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)，q
i
为节点i代表的客户的需求量；Q为车辆的最大承载量；约束条件为：s. t.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
ꢀꢀꢀꢀꢀꢀꢀ
(9)
ꢀꢀ
(10)其中、分别表示节点i、k之间和节点k、j之间路径m的决策变量，表示在第m条路线中满足节点i代表的客户的需求量，S
m
表示第m条路线中服务的客户集合；|S
m
|表示集合S中包含的元素个数。
[0013]优选的，所述步骤S3具体包括：步骤S301：初始化参数，从当前客户类中选择待满足需求的第一节点；步骤S302：规划第一节点的车辆；步骤S303：判断车辆到达第一节点时是否还存在待满足需求的节点，若存在，根据状态转移规则选择下一节点作为最新的第一节点，返回步骤S302，若不存在，记录规划完成的子路径，修改蚂蚁寻路状态为已寻路，执行步骤S304；步骤S304：判断已寻路状态的蚂蚁数量是否小于寻路阈值，若是，则重置客户需求量为初始状态，返回步骤S302，否则，执行步骤S305；步骤S305：多个蚂蚁寻路获得的多个子路径构成子路径集合，从子路径集合中选择路径最短的子路径，更新子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预聚类的车辆配送路径规划方法，其特征在于，所述预聚类的车辆配送路径规划方法具体包括：步骤S1：客户订单预聚类：获取订单数量和各订单对应的客户的订单到达时间信息，基于订单数量和客户的订单到达时间信息进行预聚类，获得多个客户类；其中，所述预聚类包括根据订单数量和订单到达时间信息计算聚类个数和订单权重，以设置k
‑
means方法的初始化参数，利用k
‑
means方法获得多个客户类；步骤S2：建立模型：从步骤S1中获得的多个客户类中选择一个未规划车辆配送路径的客户类，建立客户类对应的车辆配送路径模型；步骤S3：模型最优求解：求解车辆配送路径模型，获得当前客户类的最优路径，其中，所述模型最优求解采用蚁群算法；步骤S4：循环判断：判断步骤S1获得的多个客户类中是否存在未规划车辆配送路径的客户类，若存在，返回步骤S2，否则，完成所有客户订单的车辆配送路径规划。2.根据权利要求1所述的预聚类的车辆配送路径规划方法，其特征在于，所述步骤S1具体包括：步骤S101：获取订单数量和订单到达时间跨度，所述订单到达时间跨度是最早订单到达时间和最晚订单到达时间之间的时间差；步骤S102：根据订单数量和订单到达时间跨度确定聚类个数；步骤S103，根据聚类个数确定各个订单的订单权重；步骤S104，利用k
‑
means算法获得多个客户类。3.根据权利要求2所述的预聚类的车辆配送路径规划方法，其特征在于，所述根据订单数量和订单到达时间跨度确定聚类个数，具体为：其中，T为订单到达时间跨度，为第一时差阈值，N
mount
为车场收到的订单总数，N1为第一订单总量阈值，a为第一倍率系数，n1为聚类基数。4.根据权利要求3所述的预聚类的车辆配送路径规划方法，其特征在于，所述根据聚类个数确定各个订单的订单权重，具体为：根据聚类个数和订单到达时间跨度计算订单区间值：，其中，
△
t为订单区间值，为四舍五入的函数符号；根据订单区间值划分订单区间，设置订单区间中第一订单类型的订单权重为p1，第二订单类型的订单权重为p2。5.根据权利要求4所述的预聚类的车辆配送路径规划方法，其特征在于，所述第一订单类型具体为订单区间中订单到达时间点最靠近订单区间中间时间的订单，第二订单类型具体为订单区间内除第一订单类型外的其他订单。6.根据权利要求1所述的预聚类的车辆配送路径规划方法，其特征在于，所述步骤S2具体包括：目标函数为车辆运输成本最小：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)，其中，z表示车辆总配送路径，M为完成任务需要的最小车辆数，其取值如式（2）所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)，N表示当前客户类的订单数量，i、j分别表示第i、j节点，m表示第m条线路，d
ij
为集合V内任意两点i，j间的距离，V是综合集合，包括配送中心和客户订单集合V
c = {1,2,
…
,N}；为第i、j节点间路径m的决策变量：
ꢀꢀꢀꢀꢀ
(3)，q
i
为节点i代表的客户的需求量；Q为车辆的最大承载量；约束条件为：s. t.
ꢀꢀꢀꢀꢀ
(4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
ꢀꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：马晓轩，刘超，郭茂祖，李志文，孙博洋，邓轶博，郝冬，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：