【技术实现步骤摘要】
面向大规模批量轮换任务的电能表物流调度方法及系统
[0001]本专利技术涉及物流调度的
,尤其涉及面向大规模批量轮换任务的电能表物流调度方法及系统。
技术介绍
[0002]随着数字经济的持续发展,实体经济与数字经济相互融合,电网的智能化水平显著提高。构建智能电网和智慧电力已逐渐成为当前电网企业的主要发展趋势。智慧物流作为电网企业供应链优化整合的重要组成部分,是电网企业全面迈向5G时代,推动数字孪生与电网深度融合的必经一步,因此构建数字化、经济化的智慧物流供应系统必将对物流调度模型的对象做出进一步细致化的要求。
[0003]电网配送较传统的货物配送调度方案不同,其具有配送范围广、配送货物数量多且种类复杂、签约承运车型异构、运输距离等复杂约束,因此跨区域的电网配送运输的核心问题是一个涉及多维复杂环境条件约束的多目标车辆路径规划问题。
[0004]由于面向大规模批量轮换任务的电能表物流调度具有配送数量需求大、跨区域、严格的时间要求等特点,目前物流行业亟需一种高效且智能的电能表物流调度方案,本专利技术在此前提下进行了方案研究和技术设计。
技术实现思路
[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有面向大规模批量轮换任务的电能表物流调度具有配送数量需求大 ...
【技术保护点】
【技术特征摘要】
1.面向大规模批量轮换任务的电能表物流调度方法,其特征在于,包括:采集运输总时间、配送费用、惩罚成本和车辆空载率数据建立大规模批量轮换任务的电能表物流调度模型;通过立方混沌映射构造具有高遍历性的映射初始配送种群,并设定参数;通过基本蜜獾优化算法计算每种配送方案的适应度值并将最小的适应度值作为最优适应度值;根据所述最优适应度值计算种群中每个个体的气味强度得到随机数,并更新新型配送方案;判断算法迭代是否陷入停滞。2.如权利要求1所述的面向大规模批量轮换任务的电能表物流调度方法,其特征在于:所述大规模批量轮换任务的电能表物流调度模型包括,目标函数为:其中,∑
A=1
、∑
i=1
、∑
j=1
、∑
k=1
分别为运输总时间、配送费用、惩罚成本和车辆空载率,为型号为m的第A辆车在运送过程中的总运输费用、为车辆Am的运输总时间,为车辆的总休息时间,C
Am
为惩罚成本,W
Am
为车辆空载率;目标函数计算过程中还需满足全部约束条件。3.如权利要求2所述的面向大规模批量轮换任务的电能表物流调度方法,其特征在于:所述约束条件包括车辆发货点始发约束、车辆装载限制约束、最大日出库约束、准运证时间约束以及每个车型数量约束。4.如权利要求1所述的面向大规模批量轮换任务的电能表物流调度方法,其特征在于:通过立方混沌映射构造具有高遍历性的映射初始配送种群,并设定参数包括立方混沌映射的公式如下所示:c(o+1)=4c(o)3‑
3y(o)
‑
1<c(0)<1,c(o)≠0o=0,1,2,...其中,c为混沌变量,设定初始蜜獾种群由Nop个D维个体组成,即可初始化Nop个可行配送种群;生成[
‑
1,1]之间的随机数rand作为每个种群个体中的第一维度的位置;通过迭代的方法生成种群个体中每一维度的后续D
‑
1个个体,并将立方映射产生的变量值映射到蜜獾种群个体中,具体公式如下:X
c
=X
initial
(c+1)/2其中,X
c
为映射初始配送种群,X
initial
为初始化维度为D的可行调度配送种群且由由立方混沌映射随机生成,t为当前迭代次数,T
max
为最大迭代次数;其中,设定参数包括设定搜索空间的上限up,下限down,更新密度因子α,自适应惯性因子w,当前迭代次数t,最大迭代次数T。5.如权利要求1所述的面向大规模批量轮换任务的电能表物流调度方法,其特征在于:
根据所述最优适应度值计算种群中每个个体的气味强度得到随机数,并更新新型配送方案包括,基本蜜獾算法在更新的过程中,通过挖掘阶段与采蜜阶段两个阶段进行算法的迭代更新;在挖掘阶段中,基本蜜獾算法进行全局搜索,具体公式如下:x
new
=x
prey
+F
·
β
·
I
...
【专利技术属性】
技术研发人员:杨晓华,杨子阳,何兆磊,卢云飞,李家浩,茶建华,任建宇,杨茗,杨昊,刘兴龙,张益鸣,艾渊,孙立元,
申请(专利权)人:云南电网有限责任公司,
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。