基于双种群协同进化算法的电动汽车车辆任务配送方法技术

本发明专利技术公开了一种基于双种群协同进化算法的电动汽车车辆任务配送方法，是应用于由1个仓库点、n个配送任务点和m个充电设施所组成的配送网络中，包括：1、分析负载约束相关的路径优化和与电量约束相关的充电决策优化之间的耦合关系，建立电动汽车车辆任务问题模型；2、基于双种群协同进化算法的框架，分别使用两个种群优化路径方案和充电决策方案；3、迭代优化两个种群并定期对两个种群信息进行交互操作，直到满足停止条件；4、输出当前任务下最佳配送方案。本发明专利技术能对电动汽车车辆任务配送问题中耦合关系进行解耦，从而能提高配送效率并降低配送成本。降低配送成本。降低配送成本。

【技术实现步骤摘要】
基于双种群协同进化算法的电动汽车车辆任务配送方法


[0001]本专利技术属于物流领域的电动汽车车辆任务配送问题，尤其涉及一种基于双种群协同进化算法的电动汽车车辆任务配送方法。

技术介绍

[0002]全球变暖一直是一个炙热的话题。据统计，世界每年排放约500亿吨的温室气体，这些气体排放来自于很多部门，其中能源部门占据了碳排放总量的四分之三。能源需求的要素—电力、运输和供暖更多地依赖化石燃料。为了实现减排减碳，物流公司纷纷出台了使用电动能源驱动的车辆进行运输。电动汽车逐渐进入人们的视野。没有温室气体排放、低噪音污染和高效率成为了电动汽车的优势。但是，电动汽车车辆任务配送问题中既要考虑容量受限的路径优化，也要考虑行驶里程有限带来的充电问题。两者之间相互影响、相互耦合。一方面，路径优化依赖充电设施提供电量以继续服务，另一方面，在充电设施数量少的情况下，充电设施的选择对路由的成本也会造成影响，这也因此成为各大物流公司亟待解决的难题。
[0003]现有的解决电动汽车车辆任务配送问题的方法主要包括精确算法和启发式算法。精确的算法可以快速获得小规模场景下的最佳实施方案，但在超过50个任务点的场景下效率低下。而基于种群的启发式算法通常是迭代和分阶段地优化路径方案和充电决策方案，忽略了它们之间的耦合关系，导致在充电设施数量较少的实际场景中，总是绕行去往充电设施充电，造成物流运输成本的增加。

技术实现思路

[0004]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于双种群协同进化算法的电动汽车车辆任务配送方法，以期能同时对车辆运输配送路线和充电决策方案进行优化，从而能满足行驶距离最短的需求，减少物流运输成本，并能提高配送效率。
[0005]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0006]本专利技术一种基于双种群协同进化算法的电动汽车车辆任务配送方法的特点是应用于由1个仓库点、n个配送任务点和m个充电设施所组成的配送网络中，并按照如下步骤进行：
[0007]S1、分析电动汽车车辆任务配送问题中路径优化和充电决策优化之间的耦合关系，建立电动汽车车辆任务配送问题模型；
[0008]S1.1、获取电动汽车车辆任务配送问题的相关数据，包括：仓库点V0的地理位置分布、n个配送任务点和充电设施的地理位置分布、配送任务点的需求量、车辆的最大负载量C、车辆最大电量；并由n个配送任务点和若干充电设施组成节点集合；
[0009]S1.2、利用式(1)构建电动汽车车辆任务配送模型的目标函数：
[0010][0011]式(1)中，F为总行驶距离，V表示仓库点、n个配送任务点和若干充电设施所组成的节点集合，且V＝N∪M
′
∪V0，其中，M是所有建设完成并投入使用的充电设施集合，M
′
表示充电设施集合M中每个充电设施的若干个副本的集合；每个充电设施的副本的数量上限δ＝2n；V0是仓库点，电动汽车均从仓库点V0出发，并最终回到仓库点V0；N表示n个配送任务点的集合；当i＝0时，d
0j
表示从仓库点V0到第j个配送任务点的距离，当j＝0时，d
i0
表示从第i个任务点到仓库点V0的距离；当i,j∈[1,n]时，d
ij
表示第i个配送任务点和第j个配送任务点之间的距离；当i＞n时，d
ij
表示从第i
‑
n个充电设施到第j个配送任务点的距离，当j＞n时，d
ij
表示从第i个配送任务点到第j
‑
n个充电设施的距离；x
ij
表示第i个节点和第j个节点之间是否存在路径，若x
ij
＝1，则表示存在路径，若x
ij
＝0，则表示不存在路径；
[0012]S1.3、利用式(2)
‑
式(9)构建电动汽车车辆任务配送模型的约束条件：
[0013][0014][0015][0016]u0＝C(5)
[0017][0018][0019]y0＝Q(8)
[0020][0021][0022][0023][0024]式(2)表示每个配送任务点只能被访问一次；
[0025]式(3)表示从每个充电设施能访问零次或多次；
[0026]式(4)表示车辆进入每个节点时的流量守恒，有多少出度就要有多少入度；
[0027]式(5)表示车辆在仓库点出发时的负载量u0为最大负载量C；
[0028]式(6)表示车辆到达第i个节点后的负载量u
i
非负且不能超过最大负载量C；
[0029]式(7)表示车辆到达第j个节点后的负载量u
j
不能超出第i个节点的剩余负载量，其中，f
i
是第i个节点的需求量；
[0030]式(8)表示在仓库点V0出发时车辆的电量y0为最大电量Q；
[0031]式(9)表示车辆到达第i个节点后的电量y
i
非负且不能超过最大负载量Q；
[0032]式(10)表示车辆始终在充电设施或仓库点V0处充满电；
[0033]式(11)表示将第j个节点处的可用电量与第i个节点处的可用电量相关联；
[0034]式(12)中，x
ij
是二元决策变量，表示第i个节点和第j个节点之间是否存在路径；
[0035]S1.4、由式(1)所示的目标函数和式(5)、式(6)、式(7)所示的约束条件构成路径优
化模型，由式(1)所示的目标函数和式(8)、式(9)、式(10)和式(11)所示的约束条件构成充电决策优化模型；
[0036]S2、基于双种群协同进化算法，通过种群P和种群Q分别对路径优化模型和充电决策优化模型进行求解，相应得到路径优化方案和充电决策优化方案，并作为电动汽车车辆任务配送模型的最佳实施方案；
[0037]S2.1、定义当前迭代次数为t，并初始化t＝1，定义最大迭代次数为T
max
；
[0038]设置第t代种群P
t
的大小为n，第t代种群P
t
中每个个体表示一个路径方案，每个个体的编码方式为整数编码，每一个路径方案的编码长度为n+m，并由n个配送任务点和m个充电设施的序号组成；其中，每个个体编码中小于等于n的所有整数构成长度为n的配送任务点的访问序列，从配送任务点的访问序列中第1位开始依次向后遍历，对于第i位配送任务点，若第i位配送任务点在路径方案中的后一位是大于n的整数，则表示相应位是充电设施，并令充电决策方案中的第i位编码为1；若后一位是小于等于n的整数，则表示相应位是配送任务点，令充电决策方案中的第i位编码为0；从而得到长度为n的充电设施位置信息方案；
[0039]设置第t代种群Q
t
的大小为n，第t代种群Q
t
中每个个体表示一个充电决策方案，且每个个体的编码方式为二进制编码；每一个充电决策方案中，第i位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双种群协同进化算法的电动汽车车辆任务配送方法，其特征是应用于由1个仓库点、n个配送任务点和m个充电设施所组成的配送网络中，并按照如下步骤进行：S1、分析电动汽车车辆任务配送问题中路径优化和充电决策优化之间的耦合关系，建立电动汽车车辆任务配送问题模型；S1.1、获取电动汽车车辆任务配送问题的相关数据，包括：仓库点V0的地理位置分布、n个配送任务点和充电设施的地理位置分布、配送任务点的需求量、车辆的最大负载量C、车辆最大电量；并由n个配送任务点和若干充电设施组成节点集合；S1.2、利用式(1)构建电动汽车车辆任务配送模型的目标函数：式(1)中，F为总行驶距离，V表示仓库点、n个配送任务点和若干充电设施所组成的节点集合，且V＝N∪M
′
∪V0，其中，M是所有建设完成并投入使用的充电设施集合，M
′
表示充电设施集合M中每个充电设施的若干个副本的集合；每个充电设施的副本的数量上限δ＝2n；V0是仓库点，电动汽车均从仓库点V0出发，并最终回到仓库点V0；N表示n个配送任务点的集合；当i＝0时，d
0j
表示从仓库点V0到第j个配送任务点的距离，当j＝0时，d
i0
表示从第i个任务点到仓库点V0的距离；当i,j∈[1,n]时，d
ij
表示第i个配送任务点和第j个配送任务点之间的距离；当i＞n时，d
ij
表示从第i
‑
n个充电设施到第j个配送任务点的距离，当j＞n时，d
ij
表示从第i个配送任务点到第j
‑
n个充电设施的距离；x
ij
表示第i个节点和第j个节点之间是否存在路径，若x
ij
＝1，则表示存在路径，若x
ij
＝0，则表示不存在路径；S1.3、利用式(2)
‑
式(9)构建电动汽车车辆任务配送模型的约束条件：式(9)构建电动汽车车辆任务配送模型的约束条件：式(9)构建电动汽车车辆任务配送模型的约束条件：u0＝C(5)＝C(5)y0＝Q(8)＝Q(8)＝Q(8)＝Q(8)式(2)表示每个配送任务点只能被访问一次；式(3)表示从每个充电设施能访问零次或多次；式(4)表示车辆进入每个节点时的流量守恒，有多少出度就要有多少入度；
式(5)表示车辆在仓库点出发时的负载量u0为最大负载量C；式(6)表示车辆到达第i个节点后的负载量u
i
非负且不能超过最大负载量C；式(7)表示车辆到达第j个节点后的负载量u
j
不能超出第i个节点的剩余负载量，其中，f
i
是第i个节点的需求量；式(8)表示在仓库点V0出发时车辆的电量y0为最大电量Q；式(9)表示车辆到达第i个节点后的电量y
i
非负且不能超过最大负载量Q；式(10)表示车辆始终在充电设施或仓库点V0处充满电；式(11)表示将第j个节点处的可用电量与第i个节点处的可用电量相关联；式(12)中，x
ij
是二元决策变量，表示第i个节点和第j个节点之间是否存在路径；S1.4、由式(1)所示的目标函数和式(5)、式(6)、式(7)所示的约束条件构成路径优化模型，由式(1)所示的目标函数和式(8)、式(9)、式(10)和式(11)所示的约束条件构成充电决策优化模型；S2、基于双种群协同进化算法，通过种群P和种群Q分别对路径优化模型和充电决策优化模型进行求解，相应得到路径优化方案和充电决策优化方案，并作为电动汽车车辆任务配送模型的最佳实施方案；S2.1、定义当前迭代次数为t，并初始化t＝1，定义最大迭代次数为T
max
；设置第t代种群P
t
的大小为n，第t代种群P
t
中每个个体表示一个路径方案，每个个体的编码方式为整数编码，每一个路径方案的编码长度为n+m，并由n个配送任务点和m个充电设施的序号组成；其中，每个个体编码中小于等于n的所有整数构成长度为n的配送任务点的访问序列，从配送任务点的访问序列中第1位开始依次向后遍历，对于第i位配送任务点，若第i位配送任务点在路径方案中的后一位是大于n的整数，则表示相应位是充电设施，并令充电决策方案中的第i位编码为1；若后一位是小于等于n的整数，则表示相应位是配送任务点，令充电决策方案中的第i位编码为0...

【专利技术属性】
技术研发人员：王朝，秦芳，江浩，张兴义，
申请(专利权)人：安徽大学，
类型：发明
国别省市：