【技术实现步骤摘要】
本专利技术属于物流行业的鲁棒车辆路径规划领域领域，具体的说是一种基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法。
技术介绍
1、车辆路径问题作为一个经典的组合优化问题，车辆路径规划从物流行业的现实场景中实现，如快递公司试图优化调度计划，包括制定路线和安排客户顺序。优化的目标是在将商品按时交付给每个客户的同时，最小化路线的总距离。在实际应用中，不确定性是一个不可避免的问题，它直接影响优化性能。在车辆路径问题中，旅行时间可能会被不可预测的交通条件所干扰，其中交通堵塞和道路建设可能很容易导致到达延迟。客户的需求可能会随时间而变化，导致需求的动态波动。目前由平稳优化方法得到的车辆路径解在不确定性条件下不能很好地工作。而在搜索车辆路径问题鲁棒解时，大部分的鲁棒算法需要通过场景平均采样衡量解的鲁棒性，导致较高的计算成本，并且只使用几组随机场景评价得到的车辆路径解，很多情况下不适用于其它的随机场景。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，以期能在不同的场景下，尽可能地减少总距离的同时，准时地服务客户，从而能提高车辆路径规划的鲁棒性，从而增强物流配送的运输能力。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法的特点是应用于由1个中心仓库点v0、n个客户节点和k辆具有相同容量的车辆配送场景中，将n个客户节点和1个
4、步骤1、构建带时间窗的车辆路径规划模型：
5、步骤1.1、利用式(4)建立总目标函数f：
6、min f＝(f1,f2) (4)
7、式(4)中，f1表示以所有车辆的总行驶路程为目标的第一个目标函数，f2表示以各服务节点的轻量鲁棒性指标值目标的第二个目标函数；
8、步骤1.2、构建模型的约束条件；
9、步骤2、采用自适应的聚类数λ对客户节点进行时间窗分组，得到聚类时间窗序列{nodez|z＝{1,2,…,λ*}}，其中，nodez表示排序后的第z个最优聚类的时间上限，λ*表示最佳聚类数：
10、步骤3、在聚类时间窗序列下，利用多目标蚁群算法求解车辆路径规划模型，得到第tmax代λ*个优化目标蚁群的全局最优路径其中，表示第tmax代第z个优化目标的蚁群的全局最优路径；
11、步骤4利用种群交互对第tmax代λ*个优化目标的蚁群进行优化，得到λ*个优化目标的优化后的蚁群并将优化后的蚁群的全局最优路径作为鲁棒车辆路径方案集，其中，表示第dmax代第z个优化目标的优化后的蚁群的全局最优路径。
12、本专利技术所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法的特点也在于，所述步骤1.1是分别利用式(1)和式(2)建立车辆路径规划模型的第一个目标函数f1和第二个目标函数f2：
13、
14、
15、式(1)表示所有车辆的总行驶路程，其中，dij表示第i个服务节点vi到第j个服务节点vj的路径长度；xijk表示第k辆车是否经过第i个服务节点vi到第j个服务节点vj之间的路径，若经过，则令xijk＝1，否则，令xijk＝0；
16、式(2)中，rob(i)表示第i个服务节点vi的轻量鲁棒性指标值，并由式(3)得到，zi表示车辆抵达第i个服务节点vi的时间，d表示抵达时间在指定时间段内的服务节点集合；
17、
18、所述步骤1.2是利用式(5)-式(12)构建约束条件：
19、
20、
21、
22、
23、
24、
25、
26、ei≤zi+wi≤li (12)
27、式(5)和式(6)表示每个服务节点都被访问到且只被访问一次；vc代表由n个客户节点组成的集合；
28、式(7)和式(8)表示车辆从仓库节点v0出发，运输完成之后并且回到仓库节点v0；xi0k表示第k辆车是否经过第i个服务节点vi到仓库节点v0之间的路径；x0jk表示第k辆车是否经过仓库节点v0到第j个服务节点vj的路径；
29、式(9)表示车辆在运输路程上的容量约束；其中，q表示每辆车的最大装载容量，qi表示第i个客户节点vi的需求量；
30、式(10)中，wi表示车辆在第i个服务节点vi的等待时间；
31、式(11)中，si表示第i个服务节点vi的服务时长，tij表示车辆从第i个服务节点vi到达第j个服务节点vj的行驶时间；
32、式(12)表示时间窗约束。
33、所述步骤2包括：
34、步骤2.1设置当前聚类数λ＝1；最大聚类数为λmax；
35、步骤2.2使用当前聚类数λ对所有客户的时间窗上限进行k-means聚类，得到每个聚类及其簇中心点；
36、步骤2.3利用式(13)计算当前聚类数λ下的平方距离和sseλ；
37、
38、式(13)中，μw表示第w个聚类的簇中心点；
39、步骤2.4判断λ<λmax是否成立，若成立，则λ+1赋值给λ后，返回步骤2.2顺序执行；否则，执行步骤2.5；
40、步骤2.5计算λmax个平方距离和之间的差值；并将所有差值的均值的一半记为γ，从λmax个平方距离和之间的差值中找到小于γ的最后一个平方距离和的差值，并将最后一个平方距离和的差值中后一个平方距离和所对应的聚类数作为最佳聚类数λ*，并用于对所有客户的时间窗上限进行k-means聚类，得到最优聚类及其簇中心点；
41、步骤2.6对最优聚类的每个簇中心点所对应的时间窗上限进行排序，得到一个聚类时间窗序列{nodez|z＝{1,2,…,λ*}}，其中，nodez表示排序后的第z个最优聚类的时间上限。
42、所述步骤3包括：
43、步骤3.1定义当前迭代次数t，并初始化t＝1；设置最大迭代次数为tmax；
44、步骤3.2初始化z＝1，令排序后的第z个最优聚类的时间上限nodez-1＝0，从而构建第z个最优聚类的时间段[nodez-1,nodez]；并将第z个最优聚类的时间段[nodez-1,nodez]内的轻量型鲁棒指标值作为蚁群的第z个优化目标；
45、步骤3.3定义蚂蚁序号为m，初始化m＝1，定义最大值m，定义增加值e，初始化e＝1；定义为第t代第z个优化目标下的第m只蚂蚁所有已访问过的服务节点集合，初始为空集；
本文档来自技高网...【技术保护点】
1.一种基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征是应用于由1个中心仓库点v0、N个客户节点和K辆具有相同容量的车辆配送场景中，将N个客户节点和1个中心仓库点构成的集合记为V＝{vi，i＝0，1，2，...，N}；其中，vi表示第i个服务节点，N表示服务节点的总数量，令第i个服务节点vi的时间窗口为[ei，li]，其中，ei和li分别表示第i个服务节点vi允许的最早和最晚到达时间；所述车辆路径规划方法是按照如下步骤进行：
2.根据权利要求1所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征在于，所述步骤1.1是分别利用式(1)和式(2)建立车辆路径规划模型的第一个目标函数f1和第二个目标函数f2：
3.根据权利要求2所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征在于，所述步骤1.2是利用式(5)-式(12)构建约束条件：
4.根据权利要求3所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征在于，所述步骤2包括：
5.根据权利要求4所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划
6.根据权利要求5所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征在于，所述步骤4包括：
7.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-6中任一所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-6中任一所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法的步骤。
...【技术特征摘要】
1.一种基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征是应用于由1个中心仓库点v0、n个客户节点和k辆具有相同容量的车辆配送场景中，将n个客户节点和1个中心仓库点构成的集合记为v＝{vi，i＝0，1，2，...，n}；其中，vi表示第i个服务节点，n表示服务节点的总数量，令第i个服务节点vi的时间窗口为[ei，li]，其中，ei和li分别表示第i个服务节点vi允许的最早和最晚到达时间；所述车辆路径规划方法是按照如下步骤进行：
2.根据权利要求1所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征在于，所述步骤1.1是分别利用式(1)和式(2)建立车辆路径规划模型的第一个目标函数f1和第二个目标函数f2：
3.根据权利要求2所述的基于轻量鲁棒性指标的多蚁群算法的车辆路径规划方法，其特征在于，所述步骤1.2是利用式(5)-式(12)构建约束...
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。