一种带容量约束的无人驾驶汽车物流运输调度方法技术

本发明专利技术公开一种带容量约束的无人驾驶汽车物流运输调度方法，包括以下步骤：S1：建立带容量约束的无人驾驶汽车物流运输调度模型；S2：使用改进的象群优化算法进行求解，所述改进的象群优化算法包括氏族选择操作和氏族交流操作，并且具有改进的头象更新策略；S3：输出带容量约束的无人驾驶汽车物流运输调度模型的最优解。本发明专利技术针对带容量约束的无人驾驶汽车物流运输调度问题，提出一种改进的象群优化算法求解，分别提出氏族选择操作、氏族交流操作，提出一种改进的头象更新策略，以提高算法的效率，满足实际应用的需要。本发明专利技术所提出的方法能够有效地求解带容量约束的无人驾驶汽车物流运输调度问题，具有收敛能力强、寻优效率高等特点。率高等特点。率高等特点。

【技术实现步骤摘要】
一种带容量约束的无人驾驶汽车物流运输调度方法


[0001]本专利技术涉及物流运输调度
，更具体地，涉及一种带容量约束的无人驾驶汽车物流运输调度方法。

技术介绍

[0002]物流业是国民经济发展的支柱产业，涉及到生产、流通的许多领域。应用无人驾驶汽车进行物流运输，是物流业的重要发展方向。物流运输调度方案的质量直接影响物流运输的效率、经济效益和社会效益。
[0003]带容量约束的无人驾驶汽车物流运输调度问题可描述为：使用单个配送中心，配送中心拥有多台车辆、车辆有容量即载重量限制，每台车辆均从配送中心出发，完成各自所负责的客户的送货任务后回到配送中心；要求车辆的载重量不小于其所负责的所有客户的总货物需求量，每个客户刚好由一台车辆服务；问应如何为各车辆分配客户、设计行车路线，使总的行程最短。
[0004]象群优化算法(Elephant Herding Optimization,EHO)是由Wang等人在2016年提出的一种新的基于群体的元启发式优化算法，旨在解决全局无约束优化问题。它模拟了自然界中象群的游牧行为。象群优化算法中组要包含了两个特殊的算子：氏族更新操作和分离操作。氏族分离操作模拟了象群游牧过程中氏族领袖对普通大象的影响，分离操作模拟了成年公象的离群行为。
[0005]现有的象群优化算法应用于带容量约束的无人驾驶汽车物流运输调度问题时，算法效率较低，无法满足实际应用的需要。
[0006]现有技术提供一种园区无人物流车的动态调度系统及方法，包括：无人车模块，采集至少一辆无人车经过所有站点的路网的定位轨迹数据；地图路网生成模块，将所述无人车模块采集的无人车的定位轨迹数据生成动态路网地图；云端调度模块，根据用户订单调度可用且距离出发站点最近的无人车进行配送，同时，将所述地图路网生成模块生成的动态路网地图部署到该条线的所有的无人物流车，用于监控每辆无人车的位置，防止无人车发生行驶死锁的情况。本专利技术无人车的调度路线从固定路线变成动态路线，提高了整条无人物流运营线的运营效率；调度可用且距离订单最近的无人车进行配送，无人车根据订单规划行驶路径，更加智能；能有效避免无人车行驶死锁。该方案没有考虑容量约束。

技术实现思路

[0007]本专利技术提供一种带容量约束的无人驾驶汽车物流运输调度方法，有效地求解带容量约束的无人驾驶汽车物流运输调度问题。
[0008]为解决上述技术问题，本专利技术的技术方案如下：
[0009]一种带容量约束的无人驾驶汽车物流运输调度方法，包括以下步骤:
[0010]S1：建立带容量约束的无人驾驶汽车物流运输调度模型；
[0011]S2：使用改进的象群优化算法进行求解，所述改进的象群优化算法包括氏族选择
操作和氏族交流操作，并且具有改进的头象更新策略；
[0012]S3：输出带容量约束的无人驾驶汽车物流运输调度模型的最优解。
[0013]优选地，步骤S1中带容量约束的无人驾驶汽车物流运输调度模型，具体为：
[0014][0015][0016][0017][0018][0019]式中，Z表示车辆所经过路径的总长度，单位为千米；K
*
＝{1,2,
…
,K}，K表示配送中心所拥有的车辆数量，单位为辆；N表示客户的数量，单位为个；d
ij
表示车辆由客户i行驶至客户j的直线距离，i,j＝0,1,2,
…
,N，其中0为配送中心编号；x
ijk
为非0即1的变量，取值为1时表示车辆k经客户i驶向客户j，k＝1,2,
…
,K；c
j
表示客户j的需求量；V＝{1,2,
…
,N}表示客户集合；C表示车辆的最大容量，单位为千克；y
jk
为非0即1的变量，取值为1时表示客户j的需求由车辆k完成。
[0020]优选地，步骤S2中使用改进的象群优化算法进行求解，具体包括以下步骤：
[0021]S2.1：初始化改进的象群优化算法的参数，包括氏族个数ClanNum、交叉概率Pc、变异概率Pm、最大迭代次数MAXGEN和算法的当前迭代次数GenIndex，GenIndex初始为1；
[0022]S2.2：定义适应度函数；
[0023]S2.3：选择象群中适应度最优的两个个体，在搜索过程结束后重新插入象群中并淘汰适应度最差的两个个体；
[0024]S2.4：根据象群大小，将个体逐个划分给氏族ci，ci＝1,2,
…
,ClanNum；
[0025]S2.5：更新氏族，包括更新普通个体位置和执行改进的头象更新策略；
[0026]S2.6：执行分离操作，包括随机分离操作、执行氏族选择操作和执行氏族交流操作；
[0027]S2.7：解码：针对每个个体，将其位置x的各个元素按从大到小的顺序进行排序得到一个新的序列，依次取出序列中的元素，找到该元素在x的索引，由索引构成另一个新的序列，该序列即为模型解空间中的一个解；
[0028]S2.8：执行交叉操作：在区间(0,1)上生成服从均匀分布的随机数c，如果c小于交叉概率P
c
，在适应度最高的10％的个体中种随机选择一个个体Elephant1，在所有个体中随机选择另一个个体Elephant2，随机选取Elephant1中的一个元素片段，同时在Elephant2中选取缺失的元素并拼接到元素片段后，构建新的个体new_Elephant；
[0029]S2.9：执行变异操作：随机选择一个个体，在区间(0,1)上生成服从均匀分布的随机数m，如果m小于变异概率P
m
，交换该个体中的两个元素；
[0030]S2.10：执行2
‑
opt搜索：对每个个体，在该个体中随机选取两个元素，将两个元素之间的元素进行翻转，得到新的个体，如果新个体的适应度比原个体更优，则用新个体替换
原个体；否则，保持不变；
[0031]S2.11：GenIndex＝GenIndex+1，若GenIndex<MAXGEN，转步骤S4；否则，输出最优解，结束。
[0032]优选地，步骤S2.1中初始化改进的象群优化算法的参数，还包括象群优化算法种群大小NIND、比例因子α、β、惩罚系数ρ和精英策略保留个数Keep。
[0033]优选地，步骤S2.2中适应度函数具体为：
[0034]f(X)＝Z+ρ
×
OL
[0035]式中，X为大象个体S的位置解码后对应的m
N
取值，X＝(m1,m2,
…
,m
N
)
T
，m
N
∈V，OL取值为总需求中超出车辆最大容量限制的部分。
[0036]优选地，步骤S2.5中更新普通个体位置，具体为：
[0037]x
new,ci,l
＝x
c本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带容量约束的无人驾驶汽车物流运输调度方法，其特征在于，包括以下步骤：S1：建立带容量约束的无人驾驶汽车物流运输调度模型；S2：使用改进的象群优化算法进行求解，所述改进的象群优化算法包括氏族选择操作和氏族交流操作，并且具有改进的头象更新策略；S3：输出带容量约束的无人驾驶汽车物流运输调度模型的最优解。2.根据权利要求1所述的带容量约束的无人驾驶汽车物流运输调度方法，其特征在于，步骤S1中带容量约束的无人驾驶汽车物流运输调度模型，具体为：步骤S1中带容量约束的无人驾驶汽车物流运输调度模型，具体为：步骤S1中带容量约束的无人驾驶汽车物流运输调度模型，具体为：步骤S1中带容量约束的无人驾驶汽车物流运输调度模型，具体为：步骤S1中带容量约束的无人驾驶汽车物流运输调度模型，具体为：式中，Z表示车辆所经过路径的总长度，单位为千米；K
*
＝{1,2,
…
,K}，K表示配送中心所拥有的车辆数量，单位为辆；N表示客户的数量，单位为个；d
ij
表示车辆由客户i行驶至客户j的直线距离，i,j＝0,1,2,
…
,N，其中0为配送中心编号；x
ijk
为非0即1的变量，取值为1时表示车辆k经客户i驶向客户j，k＝1,2,
…
,K；c
j
表示客户j的需求量；V＝{1,2,
…
,N}表示客户集合；C表示车辆的最大容量，单位为千克；y
jk
为非0即1的变量，取值为1时表示客户j的需求由车辆k完成。3.根据权利要求2所述的带容量约束的无人驾驶汽车物流运输调度方法，其特征在于，步骤S2中使用改进的象群优化算法进行求解，具体包括以下步骤：S2.1：初始化改进的象群优化算法的参数，包括氏族个数ClanNum、交叉概率Pc、变异概率Pm、最大迭代次数MAXGEN和算法的当前迭代次数GenIndex，GenIndex初始为1；S2.2：定义适应度函数；S2.3：选择象群中适应度最优的两个个体，在搜索过程结束后重新插入象群中并淘汰适应度最差的两个个体；S2.4：根据象群大小，将个体逐个划分给氏族ci，ci＝1,2,
…
,ClanNum；S2.5：更新氏族，包括更新普通个体位置和执行改进的头象更新策略；S2.6：执行分离操作，包括随机分离操作、执行氏族选择操作和执行氏族交流操作；S2.7：解码：针对每个个体，将其位置x的各个元素按从大到小的顺序进行排序得到一个新的序列，依次取出序列中的元素，找到该元素在x的索引，由索引构成另一个新的序列，该序列即为模型解空间中的一个解；S2.8：执行交叉操作：在区间(0,1)上生成服从均匀分布的随机数c，如果c小于交叉概率P
c
，在适应度最高的10％的个体中种随机选择一个个体Elephant1，在所有个体中随机选择另一个个体Elephant2，随机选取Elephant1中的一个元素片段，同时在Elephant2中选取
缺失的元素并拼接到元素片段后，构建新的个体new_Elephant；S2.9：执行变异操作：随机选择一个个体，在区间(0,1)上生成服从均匀分布的随机数m，如果m小于变异概率P
m
，交换该个体中的两个元素；S2.10：执行2
‑
opt搜索：对每个个体，在该个体中随机选取两个元素，将两个元素之间的元素进行翻转，得到新的个体，如果新个体的适应度比原个体更优，则用新个体替换原个体；否则，保持不变；S2.11：GenIndex＝GenIndex+1，若GenIndex<MAXGEN，转步骤S4；否则，输出最优解，结束。4.根据权利要求3所述的带容量约束的无人驾驶汽车物流运输调度方法，其特征在于，步骤S2.1中初始化...

【专利技术属性】
技术研发人员：蔡延光，陈子恒，蔡颢，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：