一种基于改进差分进化算法的车辆路径优化方法技术

本申请公开了一种基于改进差分进化算法的车辆路径优化方法，所述方法包括：构建道路和运输方式数学模型；所述初始化模块被配置为：初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束；采用道路和运输方式数学模型对多式联运车辆路径问题进行优化，输出最优解即最优路径。径。径。

【技术实现步骤摘要】
一种基于改进差分进化算法的车辆路径优化方法


[0001]本专利技术涉及网络通信
，特别涉及一种基于改进差分进化算法的车辆路径优化方法。

技术介绍

[0002]在贸易全球化的现在，各物流公司更加有效地优化和管理物流环节是很有必要。其中，最重要的一种实现方法就是对物流运输时车辆路线进行合理的规划，因为这不仅可以降低运输成本，还对提升服务质量起到重要作用。经典的车辆路径问题（Vehicle Route Problem，VRP）是指在给定的运输网络上的对物流车辆的路线进行有效规划，以便物流公司在一些特定的约束条件下高效地服务于客户。其中，缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件，一般意义上，基本的车辆路径问题是指确认一组有效的多个旅行商问题（TSP）路线，即车辆从起点到目的地的，以服务给定的一组客户，并且每个客户应该只被一辆车访问一次。此外，由于单个路线可能超过允许的运输距离或者运输时间，因此物流车辆可能存在多种不同运输路线。因此，VRP实际上被认为是更复杂、更高级别和更广泛的一类路由问题。而启发式算法作为解决该类问题的主流算法之一，主要包括有遗传算法、差分进化算法等。
[0003]差分进化算法（DE）是一类基于群体的自适应全局优化算法。DE算法通过采用浮点矢量进行编码生成种群个体。在DE算法寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去。
[0004]采用差分进化算法解决车辆路径问题（VRP）时，由于算法具有内在的并行性，适用于大规模并行分布处理时，可以减小时间成本开销，但算法后期个体之间的差异性减小，收敛速度减慢，易陷入局部最优，且没有利用个体的先验知识，可能较多的迭代次数才能收敛到全局最优。

技术实现思路

[0005]本申请提供了一种基于改进差分进化算法的车辆路径优化方法，旨在解决由于算法具有内在的并行性，在用于大规模并行分布处理时，虽然可以减小时间成本开销，但算法后期个体之间的差异性减小，收敛速度减慢，易陷入局部最优，且没有利用个体的先验知识，可能较多的迭代次数才能收敛到全局最优的问题。
[0006]本申请提供了一基于改进差分进化算法的车辆路径优化方法，所述方法包括：初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；
将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束，并生成迭代结果；根据所述迭代结果对多式联运车辆路径问题进行优化，输出最优解即最优路径。
[0007]在一种实现方式中，初始化差分进化算法的参数和原始种群采用下列公式：其中，表示所述原始种群中第0代的第NP个个体。
[0008]在一种实现方式中，从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体采用下列公式：其中，是控制第i个个体差分变量的缩放因子，表示所述原始种群中第i个个体。
[0009]在一种实现方式中，将所述变异个体与目标个体进行交叉操作，得到实验个体采用下列公式：其中，是第j次随机进化，其范围是[0,1]，是交叉概率约束，是选择指数，用来保证元素能够得到，表示第j次未进行交叉编译的第i个个体。
[0010]在一种实现方式中，比较所述实验个体与所述目标个体的适应度值的步骤还包括：根据贪婪算法比较所述实验个体与所述目标个体的适应度值。
[0011]在一种实现方式中，根据贪婪算法比较所述实验个体与所述目标个体的适应度值采用下列公式：其中，表示第t+1次更新第i个个体向量，表示第t次更新后第i个个体向量,表示取的最小值，表示原始种群中第t代的i个个体，表示取的最小值。
[0012]在一种实现方式中，根据迭代结果对多式联运车辆路径问题进行优化包括：
约束条件如下：约束条件如下：约束条件如下：式中：p是所有运输站点的集合；s是运输模式的集合；表示站点i和站点j之间距离；表示站点i和站点j之间使用运输方式k；表示在站点j上将运输方式k调整为运输方式l；表示站点i和站点j之间在运输方式k下的运输时间；表示在站点j上将运输方式k调整为运输方式l需要的时间；表示站台i和站台j之间在运输方式k下的运输成本；表示在站台上j上将运输方式k调整为运输方式l需要的成本；Q是运输量；表示站点i和站点j之间在运输方式k下的运输量。
[0013]在一种实现方式中，将所述目标种群中的个体进行邻域搜索操作采用下列公式：其中，，是随机约束，表示第j次进化得到的第i个个体，表示第j次进化得到的第k个个体。
[0014]由上述技术方案可知，本申请通过对经典差分进化算法的变异操作及交叉操作进行改进，引入领域搜索操作，搜索当前向量周围更好的潜在优秀解向量，使得算法的收敛速度更快。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的获得其他的附图。
[0016]图1为本申请提供一种基于改进差分进化算法的车辆路径优化方法的流程图；图2为本申请提供的一种基于改进差分进化算法的车辆路径优化方法的运输网络拓扑图；图3为本申请提供一种基于改进差分进化算法的车辆路径优化方法的算法收敛代数比较图。
具体实施方式
[0017]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0018]在贸易全球化的现在，各物流公司更加有效地优化和管理物流环节是很有必要。其中，最重要的一种实现方法就是对物流运输时车辆路线进行合理的规划，因为这不仅可以降低运输成本，还对提升服务质量起到重要作用。经典的车辆路径问题（Vehicle Route Problem，VRP）是指在给定的运输网络上的对物流车辆的路线进行有效规划，以便物流公司在一些特定的约束条件下高效地服务于客户。其中，缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件，一般意义上，基本的车辆路径问题是指确认一组有效的多个旅行商问题（TSP）路线，即车辆从起点到目的地的，以服务给定的一组客户，并且每个客户应该只被一辆车访问一次。此外，由于单个路线可能超过允许的运输距离或者运输时间，因此物流车辆可能存在多种不同运输路线。因此，VRP实际上被认为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进差分进化算法的车辆路径优化方法，其特征在于，所述方法包括：初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束，并生成迭代结果；根据所述迭代结果对多式联运车辆路径问题进行优化，输出最优解即最优路径。2.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，初始化差分进化算法的参数和原始种群采用下列公式：其中，表示所述原始种群中第0代的第NP个个体。3.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体采用下列公式：其中，是控制第i个个体差分变量的缩放因子，表示所述原始种群中第i个个体。4.权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，将所述变异个体与目标个体进行交叉操作，得到实验个体采用下列公式：其中，是第j次随机进化，其范围是[0,1]，是交叉概率约束，是选择指数，用来保证元素能够得到，表示第j次未进行交叉编译的第i个个体。5.根据权利要求1所述的一种基于改进差...

【专利技术属性】
技术研发人员：石宁，刘春燕，姜冲，
申请(专利权)人：南京可信区块链与算法经济研究院有限公司，
类型：发明
国别省市：