一种基于动态优化算法的动态车辆路径规划方法技术

本发明专利技术提出了一种基于动态优化算法的动态路径规划方法，包括：动态车辆路径问题的描述以及约束条件，动态车辆规划方法的实现流程和具体实施方式。根据专利要求书1所述的基于动态优化算法的动态路径规划方法，其特征在于1)对当前时刻和上一时刻的非支配解集进行分区，分别对每个分区采用前馈中心点算法预测下一时刻的非支配集。2)通过非支配解集与结构化参考点之间的联系算法，筛选出多样性好的个体，选择非支配解集中收敛性好的拐点，两者统称为特殊点，3)对当前时刻和上一时刻的特殊点采用逐步搜索策略，预测下一时刻的特殊点。4)自适应的种群多样性保持机制，维持下一时刻种群的大小保持不变。群的大小保持不变。群的大小保持不变。

【技术实现步骤摘要】
一种基于动态优化算法的动态车辆路径规划方法


[0001]本专利技术涉及到一种动态车辆路径规划方法。

技术介绍

[0002]动态车辆路径问题是日常生活中被广泛关注的问题。考虑到环境污染、能源的消耗、车辆的负荷以及行驶的距离等因素，旨在寻找满足最短等待时间、最低碳排放量等条件满足的路径.但是实际环境中有很多时变因素存在，比如服务客户动态出现、路况发生变化、车辆发生故障等。由此可见，动态车辆路径问题需归结到动态多目标优化问题当中。在现实生活中，动态多目标优化问题存在多个目标函数之间互相矛盾以及参数、目标函数、约束等随时间的变化而变化的问题，相比较多目标优化问题，动态多目标优化问题不仅需要找出发生了什么变化，还要响应所发生的变化以及快速地找出最优解集，显然，传统的静态多目标优化算法应对这些问题就显得力不从心，此时需要动态多目标算法能够快速响应环境的变化，追踪最优解集。

技术实现思路

[0003]本专利技术要克服现有技术的上述缺点，提供一种基于动态优化算法的动态车辆路径规划方法。
[0004]为了能够解决传统的静态多目标优化算法在环境变化后不能良好的追踪到Pareto解集和Pareto前沿，以及大多改进后的算法在环境发生变化后有可能陷入过早收敛和不能良好的平衡收敛性和多样性的问题。本专利技术提出了一种基于参考点和中心点的预测策略以更好的追踪帕累托解集以及帕累托前沿。
[0005]本专利技术的一种基于动态优化算法的动态车辆路径规划方法，假设动态车辆路径问题需要满足两个目标：1.物流活动产生的碳排放量；2.车辆的等待时间。除此之外，还要满足以下约束条件：1.每辆车的负荷不超过其最大容量；2.每一位客户仅被服务一次；3.车辆数量不超过限定数量；4.客户要求的货物必须在其时间窗口内完全卸货；5.车辆必须在工作时间内返回仓库。
[0006]为了满足上述条件，具体实现步骤如下：
[0007]S1.对具有硬时间窗和随机出现动态客户的动态车辆路径问题进行建模，动态车辆路径问题需要满足两个目标：物流活动产生的碳排放量minZ
C
，车辆的等待时间minZ
R
。两个目标值与动态车辆路径问题各项参数关系公式如下：
[0008][0009][0010][0011][0012][0013]目标函数minZ
C
为物流活动产生的碳排放量，目标函数minZ
R
为车辆的等待时间。M+N+1表示一个仓库和M+N位客户，K表示车辆数，P
i
表示第i个动态用户要求交付请求的概率，表示第i个动态用户要求交付请求的最大概率，T0为仓库的工作时间，λ＞1调整了工作时间可能出现动态客户的时间间隔。C
ijk
为受客户访问的第k辆车辆的负荷率，Q表示车辆的最大容量，y
ki
指客户由第k辆车服务，意味着每辆车出发时的总容量不超过最大容量，q
i
指第i个客户对货物的要求，f(C
ijk
)表示根据车辆负荷和相应的油耗，采用二项模型拟合碳排放与车辆负荷的关系。D
ij
表示任意两个客户之间的距离，D
ij
x
ijk
表示第k辆车从客户i到客户j经过路线的距离(i
→
j)的距离，W
i
＝max{0,ts
i
‑
t
i
},i＝1,...,M+N表示等待时间，其中表示时间窗口，t
i
表示到达客户i处的时间。
[0014]S2.设置动态车辆路径问题的约束条件，在满足上述两个目标函数的同时，动态车辆路径问题仍然需要满足以下约束条件：
[0015](1)每辆车的负荷不超过其最大容量：
[0016][0017](2)每一位客户都有一辆车精确地访问：
[0018][0019](3)车辆不超过限定数量：
[0020]K≤D
ꢀꢀ
(8)
[0021]其中，D表示车辆的限定数量。
[0022](4)客户要求的货物必须在其时间窗口内完全卸货：
[0023][0024]无论哪种客户，都只能在服务间隔的时间内访问，表示时间窗口，t
i
表示到达客户i处的时间，t
j
表示到达客户j处的时间，t
ij
表示从客户i处到客户j处的时间。
[0025](5)车辆必须在工作时间内返回仓库：
[0026][0027]其中，l0表示服务的结束时间。
[0028]S3.初始化种群，初始的种群规模设置为N＝100。根据公式(1)和公式(2)计算目标函数值。
[0029]S4.使用重评估的环境检测策略对环境变化进行检测，如果没有发生变化就转到第S19；反之如果环境发生了变化就转到S5。
[0030]S5.对当前种群使用非支配排序算法进行分层处理，选择RANK＝1的个体作为非支配解集pop
Non
。
[0031]S6.针对双目标问题，采用分区的前馈中心点算法，找到非支配集的边界点组成的线段，对该线段划分区域。
[0032]S7.将非支配集中的所有个体投影到线段的各区域上实现分区，由以下公式实现。
[0033][0034]其中(x,y)表示非支配集个体的在目标空间的坐标，(x
a
,y
a
)表示非支配集的某个边界点。d表示非支配集个体在线段的投影的距离。
[0035]S8.计算t
‑
1时刻种群的非支配集，将其非支配个体采用公式(10)的方法投影到当前种群非支配集边界点组成的线段上实现分区。随后分别对各个分区采用前馈中心点的算法预测t+1时刻的非支配集加入到下一代的种群中。前馈中心点预测算法的公式如下。
[0036][0037][0038]其中k＝0,1,2...,n，n为决策空间中决策向量的维数，和分别表示t+1时刻第k维的非支配个体和t时刻第k维的非支配个体。和分别表示t和t+1时刻的中心点。
[0039]S9.根据当前种群非支配集的大小，自适应地设置的结构化参考点的大小，一般参考点的大小应该大于非支配集(这里取大于非支配集大小的一半)。对于双目标问题，得出参考点的大小然后均匀的划分，对于三目标问题，参考点根据以下公式进行划分。
[0040][0041]其中M为目标函数的个数，p为每维坐标分段的数目。
[0042]S10.计算非支配集中每一维度上的最小的目标函数值，构造理想点，再计算出非支配集中每一维度目标上的极值点，构造出(M
‑
1)维的超平面，然后根据理想点和极值点对非支配集进行归一化处理，公式如下所示。
[0043][0044]其中i＝1,2...,M，M为目标数，a
i
表示截距，表示理想点。
[0045]S11.参考点与原点在目标空间相连形成参考向量，计算每个参考向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态优化算法的动态车辆路径规划方法，假设动态车辆路径问题需要满足两个目标：1.物流活动产生的碳排放量；2.车辆的等待时间；除此之外，还要满足以下约束条件：1.每辆车的负荷不超过其最大容量；2.每一位客户仅被服务一次；3.车辆数量不超过限定数量；4.客户要求的货物必须在其时间窗口内完全卸货；5.车辆必须在工作时间内返回仓库；包括如下步骤：S1.对具有硬时间窗和随机出现动态客户的动态车辆路径问题进行建模，动态车辆路径问题需要满足两个目标：物流活动产生的碳排放量minZ
C
，车辆的等待时间minZ
R
；两个目标值与动态车辆路径问题各项参数关系公式如下：标值与动态车辆路径问题各项参数关系公式如下：标值与动态车辆路径问题各项参数关系公式如下：标值与动态车辆路径问题各项参数关系公式如下：标值与动态车辆路径问题各项参数关系公式如下：目标函数minZ
C
为物流活动产生的碳排放量，目标函数minZ
R
为车辆的等待时间；M+N+1表示一个仓库和M+N位客户，K表示车辆数，P
i
表示第i个动态用户要求交付请求的概率，表示第i个动态用户要求交付请求的最大概率，T0为仓库的工作时间，λ>1调整了工作时间可能出现动态客户的时间间隔；C
ijk
为受客户访问的第k辆车辆的负荷率，Q表示车辆的最大容量，y
ki
指客户由第k辆车服务，意味着每辆车出发时的总容量不超过最大容量，q
i
指第i个客户对货物的要求，f(C
ijk
)表示根据车辆负荷和相应的油耗，采用二项模型拟合碳排放与车辆负荷的关系；D
ij
表示任意两个客户之间的距离，D
ij
x
ijk
表示第k辆车从客户i到客户j经过路线的距离(i
→
j)的距离，W
i
＝max{0,ts
i
‑
t
i
},i＝1,...,M+N表示等待时间，其中表示时间窗口，t
i
表示到达客户i处的时间；S2.设置动态车辆路径问题的约束条件，在满足上述两个目标函数的同时，动态车辆路径问题仍然需要满足以下约束条件：(1)每辆车的负荷不超过其最大容量：(2)每一位客户都有一辆车精确地访问：(3)车辆不超过限定数量：K≤D
ꢀꢀ
(8)其中，D表示车辆的限定数量；(4)客户要求的货物必须在其时间窗口内完全卸货：
无论哪种客户，都只能在服务间隔的时间内访问，表示时间窗口，t
i
表示到达客户i处的时间，t
j
表示到达客户j处的时间，t
ij
表示从客户i处到客户j处的时间；(5)车辆必须在工作时间内返回仓库：其中，l0表示服务的结束时间；S3.初始化种群，初始的种群规模设置为N＝100；根据公式(1)和公式(2)计算目标函数值；S4.使用重评估的环境检测策略对环境变化进行检测，如果没有发生变化就转到第S19；反之如果环境发生了变化就转到S5；S5.对当前种群使用非支配排序算法进行分层处理，选择RANK＝1的个体作为非支配解集pop
Non
；S6.针对双目标问题，采用分区的前馈中心点算法，找到非支配集的边界点组成的线段，对该线段划分区域；S7.将非支配集中的所有个体投影到线段的各区域上实现分区，由以下公式实现；其中(x,y)表示非支配集个体的在目标空间的坐标，(x
a
,y
a
)表示非支配集的某个边界点；d表示非支配集个体在线段的投影的距离；S8.计算t
‑
1时刻种群的非支配集，将其非支配个体采用公式(10)的方法投影到当前种群非支配集边界点组成的线段上实现分区；随后分别对各个分区采用前馈中心点的算法预测t+1时刻的非支配...

【专利技术属性】
技术研发人员：王万良，陈忠馗，赵燕伟，吴菲，沈豪鑫，张辉伦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：