本发明专利技术提供一种基于超启发式算法的大规模车辆路径规划方法、系统、存储介质和电子设备，涉及车辆路径规划技术领域。本发明专利技术中，获取客户节点需求和车辆资源，构建以最小化车辆配送总距离为目标的数学模型；采用基于密度的空间聚类算法将所有的客户节点聚类为若干簇；根据所述数学模型，获取每一聚类簇的子路径解作为染色体，结合针对每一聚类簇随机生成的若干染色体，获取初始种群；根据所述初始种群，采用超启发式遗传算法并引入模拟退火作为接收准则，获取每一聚类簇的全局最优解进行融合，解码后获取大规模车辆路径规划方案。通过上述过程，能够在较短时间内获得大规模VRP问题满意解。
1、车辆路径问题(vehicle routing problem，vrp)是一类典型的np-hard组合优化问题，其求解算法主要包括精确算法、启发式算法和元启发式算法等。
2、其中，精确算法包括分支定界法、动态规划法和列生成法等，其时间复杂度较高难以解决大规模问题。启发式算法如节约插入法、改进-交换法等，仅能够在中小规模问题实例中给出满意解，通常不具备全局搜索能力。元启发式算法例如遗传算法、粒子群算法和模拟退火算法等，能够进行全局搜索跳出局部最优解，但局部搜索能力较差且在大规模优化问题中性能会明显下降。
2、针对现有技术的不足，本专利技术提供了一种基于超启发式算法的大规模车辆路径规划方法、系统、存储介质和电子设备，解决了无法快速获得大规模vrp问题满意解的技术问题。
>8、根据所述数学模型，获取每一聚类簇的子路径解作为染色体，结合针对每一聚类簇随机生成的若干染色体，获取初始种群；9、根据所述初始种群，采用超启发式遗传算法并引入模拟退火作为接收准则，获取每一聚类簇的全局最优解进行融合，解码后获取大规模车辆路径规划方案。
10、优选的，所述子路径解的获取过程包括：
11、按照各聚类簇中客户节点比例，将所有车辆进行对应划分；
12、根据所述数学模型，基于预设的算子列表获取所述子路径解；其中所述算子列表中包括构造型启发式算子和扰动型启发式算子。
13、优选的，将所述子路径解编码为染色体的规则为：
14、第一部分采用基于客户顺序的编码方式，一个完整的解表示为所有配送路线的集合r＝{r1,r2,...,rk}，每条车辆配送路径ri两端均为配送中心，中间段为客户节点，编码顺序即为访问顺序；在车辆规模k和客户节点规模n条件下，染色体长度为k+n+1；
15、第二部分记录染色体的适应度函数值；其中适应度函数与所述数学模型的目标函数呈负相关。
16、优选的，针对任一聚类簇的全局最优解，获取过程包括：
17、s100、设定初始温度；
18、s200、对当前种群进行评价，获取当前最优解；
19、s300、针对当前种群进行选择、交叉和变异操作，获取新种群；
20、s400、基于所述算子列表分别获取每一聚类簇的子路径解，获取新解；
21、s500、若新解优于当前最优解，将当前最优解更新为新解；若新解非优于当前最优解，判断基于当前温度的接收概率是否大于预设概率阈值，若是，将当前最优解更新为新解，否则转入步骤s600；
22、s600、判断当前种群和新种群中的所有个体是否均已完成评价；若是，对两个种群进行保优，否则返回步骤s400；
23、s700、判断是否达到最低温度；若是，获取该聚类簇的全局最优解，否则降温后返回步骤s300。
24、优选的，所述接收概率表示为：
25、
26、其中，p为接收概率；δf表示新解与当前最优解的适应度值之差；t表示当前温度。
27、优选的，所述数学模型包括
28、以最小化车辆配送总距离为目标的目标函数：
29、
30、其中，f表示最小化车辆配送总距离；v＝{v0,v1,...,vn}为所有节点集合，v0表示配送中心，v′＝{v1,...,vn}为客户节点集合，cij(i,j∈v,i≠j)表示从客户节点i到客户节点j的配送距离；k＝{k1,...,km}表示车辆集合；xijk为决策变量，车辆k从客户节点i到客户节点j取1，否则取0；
31、以及约束条件：
32、
33、
34、
35、
36、
37、
38、
39、
40、其中，式(2)～(4)确保每辆车从配送中心出发，服务客户后必须离开，并最终返回配送中心；
41、式(5)～(6)确保每个客户只能被一辆车服务一次；
42、式(7)确保每一条配送路径上客户的总需求不超过车辆的最大负载量；其中每辆车的最大容量约束为q，每个客户节点i的需求为di且di<q；
43、式(8)消除子回路；s表示节点集合v的子集合；
44、式(9)为决策变量。
45、一种基于超启发式算法的大规模车辆路径规划系统，包括：
46、构建模块，用于获取客户节点需求和车辆资源，构建以最小化车辆配送总距离为目标的数学模型；
47、聚类模块，用于采用基于密度的空间聚类算法将所有的客户节点聚类为若干簇；
48、初始化模块，用于根据所述数学模型，获取每一聚类簇的子路径解作为染色体，结合针对每一聚类簇随机生成的若干染色体，获取初始种群；
49、求解模块，用于根据所述初始种群，采用超启发式遗传算法并引入模拟退火作为接收准则，获取每一聚类簇的全局最优解进行融合，解码后获取大规模车辆路径规划方案。
50、一种存储介质，其存储有用于基于超启发式算法的大规模车辆路径规划的计算机程序，其中，所述计算机程序使得计算机执行如上所述的大规模车辆路径规划方法。
51、一种电子设备，包括：
52、一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的大规模车辆路径规划方法。
53、(三)有益效果
54、本专利技术提供了一种基于超启发式算法的大规模车辆路径规划方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
55、本专利技术中，获取客户节点需求和车辆资源，构建以最小化车辆配送总距离为目标的数学模型；采用基于密度的空间聚类算法将所有的客户节点聚类为若干簇；根据所述数学模型，获取每一聚类簇的子路径解作为染色体，结合针对每一聚类簇随机生成的若干染色体，获取初始种群；根据所述初始种群，采用超启发式遗传算法并引入模拟退火作为接收准则，获取每一聚类簇的全局最优解进行融合，解码后获取大规模车辆路径规划方案。通过上述过程，能够在较短时间内获得大规模vrp问题满意解。<本文档来自技高网...
【技术保护点】
1.一种基于超启发式算法的大规模车辆路径规划方法，其特征在于，包括：
2.如权利要求1所述的大规模车辆路径规划方法，其特征在于，所述子路径解的获取过程包括：
3.如权利要求1所述的大规模车辆路径规划方法，其特征在于，将所述子路径解编码为染色体的规则为：
4.如权利要求2所述的大规模车辆路径规划方法，其特征在于，针对任一聚类簇的全局最优解，获取过程包括：
5.如权利要求4所述的大规模车辆路径规划方法，其特征在于，所述接收概率表示为：
6.如权利要求1～5任一项所述的大规模车辆路径规划方法，其特征在于，所述数学模型包括
7.一种基于超启发式算法的大规模车辆路径规划系统，其特征在于，包括：
8.一种存储介质，其特征在于，其存储有用于基于超启发式算法的大规模车辆路径规划的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～6任一项所述的大规模车辆路径规划方法。
9.一种电子设备，其特征在于，包括：
【技术特征摘要】
1.一种基于超启发式算法的大规模车辆路径规划方法，其特征在于，包括：
2.如权利要求1所述的大规模车辆路径规划方法，其特征在于，所述子路径解的获取过程包括：
3.如权利要求1所述的大规模车辆路径规划方法，其特征在于，将所述子路径解编码为染色体的规则为：
4.如权利要求2所述的大规模车辆路径规划方法，其特征在于，针对任一聚类簇的全局最优解，获取过程包括：
5.如权利要求4所述的大规模车辆路径规划方法，其...
【专利技术属性】
技术研发人员：夏维，王子源，伍康，
申请(专利权)人：合肥工业大学，
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。