【技术实现步骤摘要】
approach to optimize milk
‑
run delivery:a case study[C]//2015IEEE International Conference on Industrial Engineering and Engineering Management(IEEM).IEEE,2015:351
‑
355.]提出了一种优化供应链中循环配送的新的启发式算法，即混合蚁群优化和禁忌搜索算法，在研究案例和随机数据等参数相同的情况下，这种混合启发式方法在供应链总成本和循环取货车辆行驶总距离方面优于原始方法
。Francesso
等人在文献
[Facchini F,Mossa G,De Tullio S.A Milk
‑
run routing and Scheduling model for a Smart Manufacturing System[J].IFAC
‑
PapersOnLine,2022,55(10):1122
‑
1127.]提出了一种基于时间窗的车辆路径与调度问题模型，该模型旨在为循环取货规划一个动态的路径策略，使车队在将物料运送到不同的生产线时能够确保物料的分配与其所需时间段保持一致，并最大限度地减少车队的运输距离
。
综上可以看出，大多数学者对于该问题的优化目标在于最小化循环取货运营模式下的运营总成本，车辆总行驶距离或者使用车辆数，并未考虑对于整个循环取货车队最大工作完成时间的优化，也未考虑车
【技术保护点】
【技术特征摘要】
1.
一种考虑取送货排队的循环取货车辆路径与调度的仿真优化方法，其特征在于，计算循环取货车辆返回仓库的时间，进行循环取货车辆路径优化与循环取货车辆调度优化；所述循环取货车辆路径优化采用混合遗传算法生成路径；所述循环取货车辆调度优化通过循环取货车辆调度算法实现；所述循环取货车辆调度算法采取变邻域搜索算法与模拟退火算法相结合的方式优化车辆到达仓库时间，在仓库卸货口处通过车辆循环到达情境下的离散事件仿真模型确定车辆于卸货口等待时间与离开时间，根据车辆离开仓库卸货口的时间通过定理1确定车辆在取货供应商处的等待时间以及下个取货趟次车辆到达仓库卸货口的时间，综合判断当前调度方案是否可行；具体如下：起始路径数为1，起始可使用最优车辆数
K
best
等于车队最大规模车辆数
K
；循环取货车辆路径生成阶段，在生成初始种群后进入以下循环：锦标赛选择
、PMX
交叉
、
变邻域搜索变异
、
新旧种群合并通过精英策略生成新种群；当混合遗传算法停止迭代时，选择最新的种群中前
m
个优秀个体形成集合
Λ
，对该集合内的车辆路径方案分别进行调度方案的优化；在循环取货车辆调度算法开始之前，对于循环取货车辆路径进行减车操作：首先判断当前车辆路径方案中使用车辆数是否大于
K
best
‑1，大于则对当前循环取货车辆路径方案进行减车操作，减车成功后，当前循环取货车辆路径方案替换为减车后的循环取货车辆路径方案，并再次判断当前使用车辆数与
K
best
‑1大小，直到减车失败，退出当前减车循环；当前使用车辆数不大于
(K
best
‑
1)
时，则进入
VNS_SA_CDES
算法进行车辆调度时间
ω
的优化与车队最大完成时间
M(
ω
)
的确定，当前循环取货车辆调度方案完成时间
M(
ω
)
可行，则保留当前最优解，并进一步进行减车操作；不可行，则当前解放弃，判断下一个循环取货车辆路径方案；当所有循环取货车辆路径方案经过减车操作和
VNS_SA_CDES
算法优化得到循环取货车辆调度方案后，当前路径数加1，进入下一个循环，直至当前路径数大于当前最佳车辆数
K
best
，输出当前最优车辆路径方案
sol
*
与调度方案
ω
，以及最佳车辆数
K
best
和车队最大完成时间
M(
ω
)。2.
根据权利要求1所述的考虑取送货排队的循环取货车辆路径与调度的仿真优化方法，其特征在于，所述计算循环取货车辆返回仓库的时间具体如下；车辆取货方案数据包括车辆数
、
车辆取货路径
、
车辆取货趟次数和车辆到达仓库的时间，车辆取货方案数据在计算车辆于供应商处的等待时间时给定；不同路径的车辆在取货过程中不影响各自在供应商处的等待时间；步骤
1.1、
计算车辆在供应商处的等待时间时，以下变量根据车辆取货方案数据，通过公式
(1)
到公式
(3)
计算得到；路径
r
上所有供应商之最大装卸时长为：路径
r
上的车辆
k
单个取货趟次
l
在无等待下的工作时长等于该路径上的装卸时长加运输时长：
路径
r
上仓库装卸货口的装托盘时长；
i,j:
供应商编号；
E
r
:
形成路径
r
的弦的有序列表；第
i,j
个供应商之间的车辆运输时间，
i
＝0时，代表仓库；
Λ
r
:
路径
r
上所有供应商的集合，
r∈R
；路径
r
上第
i
个供应商的装货时长；路径
r
上仓库装卸货口的卸货时长；路径
r
上的车辆
k
在整个工作周期内无等待情况下的总工作时长在整个工作周期内无等待情况下的总工作时长
L
rk
：路径
r
上的车辆
k
配送总趟次数路径
r
上的车辆
k
在首个取货趟次中最晚到达仓库时间
LAT
k
：
T:
车辆规定工作总时长；步骤
1.2、
计算车辆离开供应商的时间间隔；引理1设定路径
r
上第
z
个供应商处的装货时长最大，当路径
r
上车辆
k
和车辆
k+1
在第
l
取货趟次离开仓库的时间间隔时，车辆
k
和车辆
k+1
离开第
z
个供应商处的时间间隔为：否则，否则，路径
r
上的车辆
k
在第
l
取货趟次中，在路径上第
i
个供应商处的等待时间；步骤
1.3、
车辆在供应商处的等待时间计算；引理2设定路径
r
上第
z
个供应商处的装货时长最大，路径
r
上车辆
n
在离开供应商
z
之后，于接下来的任意供应商
iz<i≤|
Λ
r
|
处等待时间为0；引理3当路径
r
上车辆
k
和车辆
k+1
在第
l
取货趟次离开仓库的时间间隔时，路径
r
上车辆
k+1
在任意供应商
i
处等待时间为0，
1≤i≤|
Λ
r
|
；步骤
1.4、
计算车辆返回仓库的时间定理1已知路径
r
中车辆
k
在第
l
取货趟次离开仓库的时间为与路径
r
上一部车辆
k
‑1离开仓库的时间间隔为车辆
k
‑1在第
l
取货趟次中于供应商处的等待时间之和为路径
r
中所有供应商之间的车辆运输时间之和为所有
供应商的装货时间之和为车辆
k
在第
l
取货趟次结束工作，返回仓库等待线的时间为：为：路径
r
上的车辆
k
在第
l
取货趟次中，离开路径上第
i
个供应商的时间
。3.
根据权利要求2所述的考虑取送货排队的循环取货车辆路径与调度的仿真优化方法，其特征在于，所述减车操作通过设计减车算子实现，针对减车算子引入参数
vr
fea
，其取值为0或1；1表示减车成功，0表示减车失败；减车算子的具体操作过程如下所示：步骤
(2.1.1)
初始化
vr
fea
＝1，计算路径方案
s
中每条路径的路径车辆利用率，并确定路经车辆利用率最低的路径
θ
；路径车辆利用率如式
(5)
定义：
UR
r
:
路径
r
的车辆利用率
、RT
r
：路径
r
单趟次无等待工作时长
、NTL
r
：路径
r
总趟次数
、T
：最大工作周期
、m
r
：路径
r
总车辆数；步骤
(2.1.2)
当
vr
fea
＝1，进入以下步骤：在路径
θ
上随机选择
ρ
％的供应商，并根据插入最佳位置添加到其他路径上；依次插入后，得到一个新的路径方案
s
′
；路径
θ
上的供应商在进行移除时满足如下条件：该供应商再插入其他路径时不能使插入路径的车辆总数增加；所有供应商移除后必须使供应商所在原路径的车辆数减少；不满足以上任一条件时，减车失败，退出循环；当
vr
fea
＝0，进入步骤
(2.1.4)
；步骤
(2.1.3)
对新的路径方案
s
′
计算相应的车辆数，当车辆数少于之前的路径方案，则
vr
fea
＝
1,s
＝
s
′
，否则
vr
fea
＝0，返回步骤
(2.1.2)
；步骤
(2.1.4)
当前路径方案
s
进入
VNS_SA_CDES
算法的车辆调度仿真优化阶段
。4.
根据权利要求3所述的考虑取送货排队的循环取货车辆路径与调度的仿真优化方法，其特征在于，所述循环取货车辆调度算法，确定循环取货车辆路径方案后，得到基于当前车辆路径方案的车辆取货路径
、
各路径供应商访问顺序
、
各路径分配车辆数以及车辆在最大工作周期内的取货频次；输入各路径分配车辆数以及车辆在最大工作周期内的取货频次
、
车辆单趟次工作时长包括车辆在各供应商之间的运输时长
、
供应商处装货时长和仓库装卸货口的装卸货时长
、
初始温度
T0、
迭代次数
iterS、
降温系数
α
、Metropolis
原则接受不可行解的概率计算方式
、
变邻域算子的选择概率和车辆到达仓库卸货口时间的禁忌列表长
度至循环取货车辆调度算法中，判断当前取货车辆的最大工作完成时间，当前取货车辆的最大工作完成时间不满足车辆最大工作周期
T
时，当前车辆路径方案下的路径与车辆分配不可行，优化车辆到达仓库的时间，调整整个车队的最大工作完成时间；当温度
t
不大于终止温度阈值
T
f
或者当前车辆调度方案未达到迭代次数时，对当前调度方案进行邻域变换，得到新的调度方案解；每次进行邻域变换得到新解时，首个取货趟次中所有车辆到达仓库的时间和顺序发生变化，当温度
t
大于终止温度阈值
T
【专利技术属性】
技术研发人员：廉莲，姚东升，付倩倩，李想，李光宇，孙亮，
申请(专利权)人：大连理工大学，
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。