【技术实现步骤摘要】
本专利技术属于路径规划，具体涉及一种基于改进蚁群算法的冷链物流配送路径优化方法。
技术介绍
1、蚁群算法是一种仿生学算法，是由自然界中蚂蚁觅食的行为而启发。在自然界中，蚂蚁觅食时，蚁群总能寻找到一条蚁巢和食物源的最优路径。在觅食过程中，蚂蚁会不断地在路径上释放信息素，路程较短的蚂蚁释放的信息素量较多，蚂蚁们通过信息素进行交流，它们更倾向于选择信息素浓度高的路径。随着时间的推移，较短路径上的信息素浓度会逐渐增加，选择该路径的蚂蚁个数也越来越多。最终，整个蚁群会找到最短路径，此时便得到待优化问题的最优解。
2、蚁群算法如今普遍应用于解决tsp(traveling salesman problem)问题和vrpvehicle routing problem)问题。传统蚁群算法解决vrp问题大多将初始信息素设定为一个定值，且没有考虑到时间窗的约束。此外，生物个体存在路径依赖倾向，以至于无法适应环境的变化，从而陷入局部收敛，无法得出最优解的窘境。因此，在物流配送领域，带有时间窗的车辆路径问题(vehicle routing problem with time windows,vrptw)应运而生，其作为传统车辆路径问题的延深，除了考虑车辆容量约束，还需要考虑车辆发车时间、客户服务顺序以及路径寻优速度，在规定时间窗内将货物送达。
技术实现思路
1、专利技术目的：本专利技术提出一种基于改进蚁群算法的冷链物流配送路径优化方法，通过车辆路径搜索提高初始信息素设置，充分考虑多车型多车辆、配
2、技术方案：本专利技术所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，具体包括以下步骤：
3、(1)预先获取冷链物流配送历史数据；
4、(2)计算车辆运输成本、违反时间窗约束的惩罚成本、制冷成本计算、货损成本及碳排放成本；
5、(3)以运输成本、制冷成本、货损成本、碳排放以及时间窗综合最优为目标构建改进蚁群算法的冷链物流配送路径优化模型；
6、(4)采用改进蚁群算法求解冷链物流配送路径优化模型。
7、进一步地，步骤(2)所述车辆运输成本为：
8、
9、其中，sign(nk)表示车辆k是否派遣，k表示车辆编号，k＝1,2,3,…,m，生鲜配送中心的车辆总数为m，nk表示此次配送中车辆k总共服务的客户数量；i为客户编号，i＝1,2,3,…,n，配送中心编号为0，冷链车辆最大载重为q，qk为第k辆车的额定载重量，dij表示客户点i与j之间的距离；满载时每单位距离燃油消耗量为c*，空载时为c0，则当载重为qin(配送车辆离开客户i时所剩的产品重量)时，dij为客户点i到客户点j的距离，b为单位油耗费用。
10、进一步地，步骤(2)所述违反时间窗约束的惩罚成本为：
11、
12、其中，时间窗是指时间段[eti,lti]，它是由顾客接受的最早配送时间eti和最晚配送时间lti组成，pt表示时间窗惩罚函数的系数，为一常数值。
13、进一步地，步骤(2)所述制冷成本为：
14、
15、式中，p(r)1和p(r)2分别为车辆在运输和卸载两阶段开启制冷装置所消耗的能源成本，sik表示配送车辆k在客户点i的服务时间，tij表示客户点i到j的运输时间；当客户点i处的配送任务由车辆k完成时，yik＝1，否则，yik＝0；当配送车辆从客户点i处行驶到j处时，xijk＝1,否则，xijk＝0。
16、进一步地，步骤(2)所述货损成本为：
17、
18、其中，货损成本由运输过程中的损耗和卸货过程中的损耗组成，p(d)为货损成本，p为生鲜产品的单位价值；ε1为在运输途中产品的腐败率；ε2为卸货过程中的腐败率(ε1<ε2)；qi表示客户i的需求量；tik表示配送车辆k到达客户i的时间，t0k表示配送车辆k离开配送中心的时间。
19、进一步地，步骤(2)所述碳排放成本计算：
20、
21、其中，p(c)为整个配送途中碳排放成本，p(c)1为车辆运输过程中正常行驶和制冷消耗燃油产生的碳排放，p(c)2为运行、卸载两阶段制冷剂消耗产生的碳排放，λ为碳税，为每单位碳排放成本，c1为每单位燃油的碳排放系数，c2表示运行过程中单位时间内制冷剂消耗产生的碳排放量；c3表示卸货过程中单位时间内制冷剂消耗产生的碳排放量。
22、进一步地，步骤(3)所述冷链物流配送路径优化模型为：
23、
24、其中，wtc为车辆运输成本，pt(ti)违反时间窗约束的惩罚成本，p(r)为制冷成本，p(d)为货损成本，p(c)为整个配送途中碳排放成本。
25、进一步地，所述步骤(4)实现过程如下：
26、(41)初始化改进蚁群算法的相关参数；
27、(42)根据预搜索出的车辆路径提高初始信息素的设置，加快前期搜索速度；
28、(43)蚂蚁从配送中心出发，随机选择不同的节点，到达后继续选择下一个配送节点，距离越短的节点被选择的概率越大，蚂蚁从节点i到节点j的转移概率计算公式如下：
29、
30、式中，为在t时刻在节点i与节点j上存留的信息素；φij(t)为启发函数，φij(t)＝1/dij；tcus,j为客户j的时间窗宽度；twait,j为客户j的等待时间；lk为蚂蚁k接下来有权访问的客户点的集合；pha、phb分别表示信息素和启发信息在蚂蚁寻找路径中的重要程度；phc、twait分别为时间窗宽度、等待时间在蚂蚁寻找路径中的重要程度；根据转移概率选择满足约束条件且不在禁忌表内的需求点，放置到当前解中，并录入禁忌表；
31、(44)在蚂蚁搜索到的可行路径中找到最优路径：信息素指引蚂蚁的行动，在完成所有节点的配送后，按照当前蚂蚁选择的路径对全局信息素进行更新；
32、(46)判断是否达到最大迭代次数；如未达到，则转到(42)；否则停止运算，输出当前值为最优路径。
33、进一步地，步骤(41)所述改进蚁群算法的相关参数为aco迭代次数nc、信息启发式因子φij及蚂蚁数。
34、进一步地，步骤(42)所述对全局信息素进行更新如下：
35、
36、
37、式中：为在t时刻在节点i与节点j上存留的信息素，ρ为信息素蒸发率；为每次循环中蚂蚁所选定的路径的信息素增量；g为常数；dtotal为该蚂蚁所构建完整路径的总距离。
38、有益效果：与现有技术相比，本专利技术的有益效果：本专利技术在用改进蚁群算法对车辆的配送路径方案进行优化时，考虑了时间窗及订单动态变化，且前期拥有更快的搜索速度，同时选择传统蚁群算法、粒子群算法、遗传算法先后进行试验，通过对模型的求解结果与物流配送历史路径进行对本文档来自技高网...
【技术保护点】
1.一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述车辆运输成本为：
3.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述违反时间窗约束的惩罚成本为：
4.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述制冷成本为：
5.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述货损成本为：
6.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述碳排放成本计算：
7.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(3)所述冷链物流配送路径优化模型为：
8.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，所述步骤(4)实现过程如下：>
9.根据权利要求8所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(41)所述改进蚁群算法的相关参数为ACO迭代次数NC、信息启发式因子φij及蚂蚁数。
10.根据权利要求8所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(42)所述对全局信息素进行更新如下：
...【技术特征摘要】
1.一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述车辆运输成本为：
3.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述违反时间窗约束的惩罚成本为：
4.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述制冷成本为：
5.根据权利要求1所述的一种基于改进蚁群算法的冷链物流配送路径优化方法，其特征在于，步骤(2)所述货损成本为：
6.根据权利要求1所述的一种基于改进蚁群算法的冷链物...
【专利技术属性】
技术研发人员：嵇涛，廖华军，邵进亮，黄鲜，姚炎宏，邓社军，于世军，张俊，宓建，徐悦，马天启，秦婧逸，王浩祥，朱浩泽，刘款，王潇晗，李仔路，沈梓怡，梁诸龙驹，
申请(专利权)人：扬州大学，
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。