CN104567905B - 一种车辆规划路径的生成方法、装置 - Google Patents

Abstract

本发明适用于物流领域，提供了一种车辆规划路径的生成方法、装置，所述方法包括：初始化蚁群和蚂蚁，确定待安排车辆；为待安排车辆安排下一配送节点时，考虑硬时间窗的要求、载重量和软时间窗的要求；计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本以及当前蚂蚁的总成本后，循环生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本，最后根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径。本发明，在为车辆安排路径时，综合考虑VRPMVT、VRPTW、VRPSTW和VRPPD这四个模型，实现了对实用性较高的复杂优化问题的求解，从而满足多种实际应用的需求。

Description

一种车辆规划路径的生成方法、装置

技术领域

本发明属于物流领域，尤其涉及一种车辆规划路径的生成方法、装置。

背景技术

车辆路径问题(Vehicle Routing Problems，VRP)是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车线路，使车辆有序地到达每个客户地址，在满足一定的约束条件(如货物需求量、发货量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下，达到一定问题的目标(如路程最短、费用最少、时间尽量少、使用车辆数尽量少等)。

混合车辆种类的车辆路径问题(VRP with multiple vehicle types，VRPMVT)中配送车辆的成本，载重各不相同。考虑需求点对于车辆到达目的地址的时间有所要求之下，在车辆路径问题之中加入硬时间窗的限制，便成为带硬时间窗车辆路径问题(VRP withTime Windows，VRPTW)，在车辆路径问题之中加入软时间窗的限制，便成为带软时间窗车辆路径问题(VRP with Soft Time Windows,VRPSTW)，在车辆路径问题之中混合装卸货，便成为混合装卸的车辆路径问题(VRP with Pickup and Delivery，VRPPD)。

带硬时间窗车辆路径问题是在VRP上加上了客户的被访问的时间窗约束。在实时生产***(Just In Time，JIT)中，除了行驶成本之外，成本函数还要包括由于过早到达某个客户地址而引起的等待时间和客户需要的服务时间。在VRPSTW问题中，除了行驶成本之外，由于过早到达某个客户地址而引起的等待时间和客户需要的服务时间外，还要平衡迟到惩罚以及运输成本。而VRPPD则要考虑装卸货时车辆承载的问题。

VRP问题已引起了地理信息科学、管理学、运筹学、应用数学、物流科学及计算机应用等学科专家学者的高度重视，并已取得了较大的进展，其成果在应急路径规划***、物资配送***、运输***及邮递收发***中得到了广泛应用。

然而，由车辆路径问题的复杂性(已被证明为NP-hard问题)，当路径中的配送节点规模较大时，很难得到问题的精确解，尤其是对于应急服务所涉及的大量应急物资配送服务，除了考虑成本因素外，还要考虑配送时间和环境等方面的因素，这就使问题的建模和求解变得更加复杂，因而对这一难题的研究也就更具学术价值。同时在现实中VRP系列问题有着很高的实用性。不同的公司有着不同的要求，比如，JIT中多为VRPMVT，VRPTW需求，便利店，超市物流中则往往混合了VRPMVT，VRPTW和VRPSTW的需求，而快递的需求则更加复杂一般混合了VRPMVT，VRPTW，VRPSTW和VRPPD的需求。

目前用于求解车辆路径问题的算法大致可以分为两类：精确算法和启发式算法。精确算法主要包括分支界定法、集分割算法、动态规划、整数规划等，启发式算法主要包括节约算法、扫描算法、两阶段法、禁忌搜索算法、遗传算法、模拟退火算法、蚁群算法、神经网络优化算法、粒子群算法等。精确算法虽然能得到精确解，但计算量很大，一般随着问题规模的增大呈指数级增长，求解时间过长，只能解决配送节点数有限的简单VRP问题，而传统启发式算法，虽然计算时间缩短了，运算量也降低了，但往往都只能得到接近于最优解的近似解，而且适用范围也只能限定在小规模的VRP问题，当配送节点数目增多时，求解精度往往很差。传统启发式算法经常用于局部优化，并与元启发式算法相结合，对己有的路径进行局部改进。

从上述论述可以看出，采用现有的求解车辆路径问题的算法，对VRPMVT，VRPTW，VRPSTW和VRPPD中任意一个问题求解已经非常困难了，而对混合这四种问题的车辆路径进行求解时更加困难。

发明内容

本发明实施例提供了一种车辆规划路径的生成方法、装置，旨在解决现有技术提供的车辆规划路径的生成方法，不适合求解混合VRPMVT，VRPTW，VRPSTW和VRPPD问题的车辆路径的问题。

一方面，提供一种车辆规划路径的生成方法，所述方法包括：

步骤A、参数初始化，所述参数包括潜在节点集；

步骤B、初始化蚁群；

步骤C、初始化蚂蚁；

步骤D、确定待安排车辆；

步骤E、为待安排车辆安排下一可行配送节点，下一可行配送节点是从潜在节点集中选择的一个或多个节点，其中，在安排待安排车辆的下一可行配送节点时，判断所述待安排车辆从当前配送节点到达下一可行配送节点的时间是否满足下一可行配送节点的硬时间窗的要求，同时判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的载重量是否满足下一可行配送节点的装货要求以及下一可行配送节点是否未被访问过，如果是，则执行步骤F，如果否，则返回步骤D；

步骤F、将满足步骤D提到的要求的下一可行配送节点加入候选节点集中，并计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率。

步骤G、根据所述几率的大小，从候选节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点，将所述下一配送节点标识为已访问，并将所述下一配送节点从潜在节点集中删除；

步骤H、计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本；

步骤I、判断潜在配送节点集是否为空，如果不为空，则返回执行步骤E选择待安排车辆的下一可行配送节点，如果为空，则执行步骤J；

步骤J、存储当前蚂蚁的线路图，并计算当前蚂蚁的总成本；

步骤K、判断是否达到蚁群大小，如果不是，重复执行步骤C至步骤J，生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本；

步骤L、判断是否到达预设设置的收敛条件，如果是，根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径；如果否，则返回步骤B。

进一步地，所述步骤E中还包括：判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的空间是否满足下一可行配送节点的装货要求。

进一步地，所述参数还包括成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，所述步骤F中，通过下述公式计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率：

公式(1)

公式(2)

其中，i为第i个可行配送节点，A_i为第i个可行配送节点的成本吸引力、B_i为第i个可行配送节点的信息吸引力、C_i为第i个可行配送节点的等待时间吸引力、D_i为第i个可行配送节点的紧迫度吸引力，α、β、γ、θ分别为预设的成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，T_i为下一回合待安排车辆选择第i个可行配送节点的几率。

进一步地，所述步骤L具体包括：

从N只蚂蚁中选取总成本小于预设阈值的n只蚂蚁；

对所述n只蚂蚁，根据计算得到的分配系数以及各蚂蚁的总成本留下的信息素总量Q，计算各蚂蚁留下的信息素；

根据各蚂蚁留下的信息素，得到车辆的最优配送路径；

分配系数W_i满足下述公式：

其中，i为n只蚂蚁中的各蚂蚁的总成本留下的信息素由小到大的排名，e是自然对数的底数。

另一方面，提供一种车辆规划路径的生成装置，所述装置包括：

参数初始化单元，用于参数初始化，所述参数包括潜在节点集；

蚁群初始化单元，用于初始化蚁群；

蚂蚁初始化单元，用于初始化蚂蚁；

车辆确定单元，用于确定待安排车辆；

可行配送节点确定单元，用于为待安排车辆安排下一可行配送节点，下一可行配送节点是从潜在节点集中选择的一个或多个节点，其中，在安排待安排车辆的下一可行配送节点时，判断所述待安排车辆从当前配送节点到达下一可行配送节点的时间是否满足下一可行配送节点的硬时间窗的要求，同时判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的载重量是否满足下一可行配送节点的装货要求以及下一可行配送节点是否未被访问过，如果是，则调用几率确定单元，如果否，则调用车辆确定单元；

几率确定单元，用于将满足可行配送节点确定单元提到的要求的下一可行配送节点加入候选节点集中，并计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率；

配送节点确定单元，用于根据所述几率的大小，从候选节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点，将所述下一配送节点标识为已访问，并将所述下一配送节点从潜在节点集中删除；

边成本计算单元，用于计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本；

节点集判断单元，用于判断潜在配送节点集是否为空，如果不为空，则调用可行配送节点确定单元，为待安排车辆安排下一可行配送节点，如果为空，则调用总成本计算单元；

总成本计算单元，用于存储当前蚂蚁的线路图，并计算当前蚂蚁的总成本；

蚁群大小判断单元，用于判断是否达到蚁群大小，如果不是，则调用蚂蚁初始化单元，生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本；

路径确定单元，判断是否到达预设设置的收敛条件，如果是，根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径；如果否，则调用蚁群初始化单元。

进一步地，所述可行配送节点确定单元还用于，判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的空间是否满足下一可行配送节点的装货要求。

具体的，所述参数还包括成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，在所述几率确定单元中，通过下述公式计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率：

公式(1)

公式(2)

其中，i为第i个可行配送节点，A_i为第i个可行配送节点的成本吸引力、B_i为第i个可行配送节点的信息吸引力、C_i为第i个可行配送节点的等待时间吸引力、D_i为第i个可行配送节点的紧迫度吸引力，α、β、γ、θ分别为预设的成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，T_i为下一回合待安排车辆选择第i个可行配送节点的几率。

进一步地，所述几率确定单元包括：

蚂蚁筛选模块，用于从N只蚂蚁中选取总成本小于预设阈值的n只蚂蚁；

信息素确定模块，用于对所述n只蚂蚁，根据计算得到的分配系数以及各蚂蚁的总成本留下的信息素总量Q，计算各蚂蚁留下的信息素；

根据各蚂蚁留下的信息素，得到车辆的最优配送路径；

分配系数W_i满足下述公式：

其中，i为n只蚂蚁中的各蚂蚁的总成本留下的信息素由小到大的排名，e是自然对数的底数。

在本发明实施例，在为车辆安排路径时，综合考虑VRPMVT、VRPTW、VRPSTW和VRPPD这四个模型，实现了对实用性较高的复杂优化问题的求解，规划得到的路径更具有实用性，从而满足多种实际应用的需求。

附图说明

图1是本发明实施例一提供的车辆规划路径的生成方法的实现流程图；

图2是本发明实施例一提供的车辆规划路径的生成装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中，初始化蚁群和蚂蚁，确定待安排车辆；为待安排车辆安排下一配送节点时，考虑硬时间窗的要求、载重量和软时间窗的要求；计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本以及当前蚂蚁的总成本后，循环生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本，最后根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径。

以下结合具体实施例对本发明的实现进行详细描述：

实施例一

图1示出了本发明实施例一提供的车辆规划路径的生成方法的实现流程，详述如下：

在步骤S101中，参数初始化。

本发明实施例中，先初始化蚁群模型中的参数。其中，需要初始化的参数包括设定潜在节点集S、信息衰退系数Rho、信息基数Q、成本吸引力系数Alpha、信息吸引力系数Beta、等待时间吸引力系数Gamma、紧迫度吸引力系数Theta、逾期惩罚系数L、最大蚁群数M、以及停止条件Terminate。其中，潜在节点集中的节点是车辆可能访问的节点。

在步骤S102中，初始化蚁群。

在步骤S103中，初始化蚂蚁。

在步骤S104中，确定待安排车辆。

在本发明实施例中，按照物流行业先安排大车后安排小车的准则选择待安排的第一台车辆。

在步骤S105中，为待安排车辆安排下一可行配送节点，下一可行配送节点是从潜在节点集中选择的一个或多个节点，其中，在安排待安排车辆的下一可行配送节点时，判断所述待安排车辆从当前配送节点到达下一可行配送节点的时间是否满足下一可行配送节点的硬时间窗的要求，同时判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的载重量是否满足下一可行配送节点的装货要求以及下一可行配送节点是否未被访问过，如果是，则执行步骤S106，如果否，则返回步骤S104。

在本发明实施例中，判断待安排车辆从当前配送节点到达下一配送节点的时间是否满足下一配送节点的硬时间窗的要求为判断当前时间加上待安排车辆从当前配送节点到达下一配送节点所需时间之和是否超过下一配送节点的硬时间窗限制。

判断所述待安排车辆从当前配送节点到达下一配送节点时，所述待安排车辆的载重量是否满足下一配送节点的装货要求为判断待安排车辆在当前配送节点作业完成后，待安排车辆能够承担的载重量是否能够满足下一配送节点配送货物时的重量需求。

如果潜在节点集中符合上述三种条件的子集不为空，则执行步骤S106，否则返回步骤S104，重新确定待安排的车辆。

在步骤S106中，将满足步骤S105提到的要求的下一可行配送节点加入候选节点集中，并计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率。

在本发明实施例中，步骤S105中提到的下一配送节点可以为预设的潜在配送节点集中的配送节点。如果预设的潜在配送节点集中不存在同时满足上述三种要求的配送节点，则让待安排车辆返回当前配送节点并计算车辆成本CV，该CV等于该车辆经过所有边的边成本CE之后，然后返回步骤S104重新确定待安排的车辆；否则，执行步骤S107。

在传统蚁群算法中，当车辆在某一配送节点时，其他可行配送节点对其的吸引力(即车辆去往这一可行配送节点的几率)由两个因素决定：以前的蚂蚁留下的信息，以及这两个配送节点间的旅行成本。

在本发明实施例中，为了适应多种约束条件，在为待安排车辆安排下一配送节点时，采用成本吸引力、信息吸引力、等待时间吸引力和紧迫度吸引力四个因子来计算潜在配送节点集中的可行配送节点对当前配送节点的吸引力。

具体综合方法采用的公式如下：

其中，i为第i个可行配送节点，A_i为第i个可行配送节点的成本吸引力、B_i为第i个可行配送节点的信息吸引力、C_i为第i个可行配送节点的等待时间吸引力、D_i为第i个可行配送节点的紧迫度吸引力，α、β、γ、θ分别为预设的成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，T_i为下一回合车辆选择第i个可行配送节点的几率，几率越高，表示可行配送节点对当前配送节点的吸引力越大。

在步骤S107中，根据所述几率的大小，从候选节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点，将所述下一配送节点标识为已访问，并将所述下一配送节点从潜在节点集中删除。

在本发明实施例中，在各种限制条件允许的情况下，根据几率的大小随机为待安排的车辆从候选配送节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点。具体的，选择几率最大的节点作为下一配送节点，并将该节点标识为已访问，并从潜在节点集中删除。

在步骤S108中，计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本。

在本发明实施例中，如果待安排车辆到达下一配送节点的时间违反下一配送节点的软时间窗限制，则先计算待安排车辆因为违反软时间窗限制而造成的惩罚，即计算待安排车辆实际到达时间减去软时间窗限制的时间，如果这个值为正，则将该值乘以预设的逾期惩罚系数L，计算得到惩罚成本，然后根据该惩罚成本计算边成本，其中，计算边成本CE＝配送成本+惩罚成本(边成本是车辆从节点A到节点B的成本，车辆成本是所有该车辆经过的边的成本之和，总成本是所有车辆成本之和)。

在步骤S109中，判断潜在配送节点集是否为空，如果不为空，则返回执行步骤S105选择待安排车辆的下一配送节点，如果为空，则执行步骤S110。

在本发明实施例中，判断潜在配送节点集是否为空，如果不为空，则前往步骤S105继续选择待安排车辆的下一个配送节点，如果为空，则表示配送完成，执行步骤S110。

在步骤S110中，存储当前蚂蚁的线路图，并计算当前蚂蚁的总成本。

在本发明实施例中，计算配送路径上，该车辆的总成本CT，即计算一个蚂蚁(解)的总成本CT，CT等于车辆的车辆成本CV之和，车辆成本CV是车辆经过所有边的边成本CE之和。其中，一个蚂蚁(解)的总成本CT称为一个蚂蚁留下的信息素。

在步骤S111中，判断是否达到蚁群大小，如果不是，执行步骤S112。

在步骤S112中，重复执行步骤S103至步骤S110，生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本。

在本发明实施例中，如果蚁群中的蚂蚁数量没有达到预设的数量N，则可以重复执行步骤S103至步骤S110(N-1)次，N为预设的蚂蚁数量，当生成N只蚂蚁时，将不再执行步骤S103至步骤S110。

在步骤S113中，判断是否到达预设设置的收敛条件，如果是，则执行步骤S114。

在步骤S114中，根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径；如果否，则返回步骤S102。

在本发明实施例中，可以预设终止条件Terminate，根据该终止条件Terminate来判断是否继续执行步骤S102至步骤S111，若果否，则返回步骤S102；如果是，则根据前面步骤生成的N只蚂蚁留下的信息素，判断是否得到了最优解，如果是，则将该最优解记录下来，该最优解是车辆的最优配送路径，通过该最优配送路径，车辆的总成本CT会最小。

优选的，在步骤S114中，可以执行以下步骤：先从N只蚂蚁中选取总成本小于预设阈值的n只蚂蚁；再对所述n只蚂蚁，根据计算得到的分配系数以及各蚂蚁的总成本留下的信息素总量Q，计算各蚂蚁留下的信息素；最后根据各蚂蚁留下的信息素，得到车辆的最优配送路径。

其中，n为预设的蚂蚁数量N的5％-10％，选取的是总成本较低的n只蚂蚁，分配系数W_i满足下述公式：

其中，i为n只蚂蚁中的各蚂蚁的总成本留下的信息素由小到大的排名，e是自然对数的底数。

本实施例，在为车辆安排路径时，综合考虑VRPMVT、VRPTW、VRPSTW和VRPPD这四个模型，实现了对实用性较高的复杂优化问题的求解，规划得到的路径更具有实用性，从而可以满足多种实际应用的需求。并且，在路径规划的过程中，综合考虑成本吸引力，信息吸引力、等待时间吸引力和紧迫度吸引力这四个因子，根据这四个因子得到车辆在某一节点时，其它可行配送节点对其的吸引力，然后根据吸引力的大小，选择吸引力最大的节点作为下一配送节点，确定的下一配送节点是最优的节点。另外，在计算车辆的最优配送路径时，只选取总成本较低的前n个蚂蚁留下的信息素，根据这n只蚂蚁留下的信息素进行车辆最优配送路径的计算，从而提高了收敛速度，路径规划速度更快，同时加强了信息吸引力系数对算法鲁莽性的控制。还有，本发明实施例，采用了顺序安排车辆路径的方法，去除了传统VRP中对三角不等式(两边之和大于第三边)的要求使之更符合实际数据。由于路况，驾驶习惯等原因，用户输入的数据往往不符合三角不等式，同时此方法大幅减少在多种限制条件下出现无效解的情况，从而大幅提高运算速度。

本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。

实施例二

图2示出了本发明实施例二提供的车辆规划路径的生成装置的具体结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。该车辆规划路径的生成装置2包括：

参数初始化单元21，用于参数初始化，所述参数包括潜在节点集；

蚁群初始化单元22，用于初始化蚁群；

蚂蚁初始化单元23，用于初始化蚂蚁；

车辆确定单元24，用于确定待安排车辆；

可行配送节点确定单元25，用于为待安排车辆安排下一可行配送节点，下一可行配送节点是从潜在节点集中选择的一个或多个节点，其中，在安排待安排车辆的下一可行配送节点时，判断所述待安排车辆从当前配送节点到达下一可行配送节点的时间是否满足下一可行配送节点的硬时间窗的要求，同时判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的载重量是否满足下一可行配送节点的装货要求以及下一可行配送节点是否未被访问过，如果是，则调用几率确定单元26，如果否，则调用车辆确定单元24；

几率确定单元26，用于将满足可行配送节点确定单元提到的要求的下一可行配送节点加入候选节点集中，并计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率；

配送节点确定单元27，用于根据所述几率的大小，从候选节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点，将所述下一配送节点标识为已访问，并将所述下一配送节点从潜在节点集中删除；

边成本计算单元28，用于计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本；

节点集判断单元29，用于判断潜在配送节点集是否为空，如果不为空，则调用可行配送节点确定单元，为待安排车辆安排下一可行配送节点，如果为空，则调用总成本计算单元30；

总成本计算单元30，用于存储当前蚂蚁的线路图，并计算当前蚂蚁的总成本；

蚁群大小判断单元31，用于判断是否达到蚁群大小，如果不是，则调用蚂蚁初始化单元23，生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本；

路径确定单元32，判断是否到达预设设置的收敛条件，如果是，根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径；如果否，则调用蚁群初始化单元22。

进一步地，所述可行配送节点确定单元25还用于，判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的空间是否满足下一可行配送节点的装货要求。

具体的，所述参数还包括成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，在所述几率确定单元中，通过下述公式计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率：

公式(1)

公式(2)

其中，i为第i个可行配送节点，A_i为第i个可行配送节点的成本吸引力、B_i为第i个可行配送节点的信息吸引力、C_i为第i个可行配送节点的等待时间吸引力、D_i为第i个可行配送节点的紧迫度吸引力，α、β、γ、θ分别为预设的成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，T_i为下一回合待安排车辆选择第i个可行配送节点的几率。

具体的，所述几率确定单元包括：

蚂蚁筛选模块，用于从N只蚂蚁中选取总成本小于预设阈值的n只蚂蚁；

信息素确定模块，用于对所述n只蚂蚁，根据计算得到的分配系数以及各蚂蚁的总成本留下的信息素总量Q，计算各蚂蚁留下的信息素；

根据各蚂蚁留下的信息素，得到车辆的最优配送路径；

分配系数W_i满足下述公式：

其中，i为n只蚂蚁中的各蚂蚁的总成本留下的信息素由小到大的排名，e是自然对数的底数。

本发明实施例提供的车辆规划路径的生成装置可以应用在前述对应的方法实施例一中，详情参见上述实施例一的描述，在此不再赘述。

值得注意的是，上述***实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种车辆规划路径的生成方法，其特征在于，所述方法包括：

步骤A、参数初始化，所述参数包括潜在节点集；

步骤B、初始化蚁群；

步骤C、初始化蚂蚁；

步骤D、确定待安排车辆；

步骤E、为待安排车辆安排下一可行配送节点，下一可行配送节点是从潜在节点集中选择的一个或多个节点，其中，在安排待安排车辆的下一可行配送节点时，判断所述待安排车辆从当前配送节点到达下一可行配送节点的时间是否满足下一可行配送节点的硬时间窗的要求，同时判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的载重量是否满足下一可行配送节点的装货要求以及下一可行配送节点是否未被访问过，如果是，则执行步骤F，如果否，则返回步骤D；

步骤F、将满足步骤E提到的要求的下一可行配送节点加入候选节点集中，并计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率；

步骤G、根据所述几率的大小，从候选节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点，将所述下一配送节点标识为已访问，并将所述下一配送节点从潜在节点集中删除；

步骤H、计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本；

步骤I、判断潜在配送节点集是否为空，如果不为空，则返回执行步骤E选择待安排车辆的下一可行配送节点，如果为空，则执行步骤J；

步骤J、存储当前蚂蚁的线路图，并计算当前蚂蚁的总成本；

步骤K、判断是否达到蚁群大小，如果不是，重复执行步骤C至步骤J，生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本；

步骤L、判断是否到达预设的收敛条件，如果是，根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径；如果否，则返回步骤B。

2.如权利要求1所述的方法，其特征在于，所述步骤E中还包括：判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的空间是否满足下一可行配送节点的装货要求。

3.如权利要求1所述的方法，其特征在于，所述参数还包括成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，所述步骤F中，通过下述公式计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率：

其中，i为第i个可行配送节点，A_i为第i个可行配送节点的成本吸引力、B_i为第i个可行配送节点的信息吸引力、C_i为第i个可行配送节点的等待时间吸引力、D_i为第i个可行配送节点的紧迫度吸引力，α、β、γ、θ分别为预设的成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，τ_i为第i个可行配送节点的吸引力，T_i为下一回合待安排车辆选择第i个可行配送节点的几率。

4.如权利要求1至3任一项所述的方法，其特征在于，所述步骤L具体包括：

从N只蚂蚁中选取总成本小于预设阈值的n只蚂蚁；

对所述n只蚂蚁，根据计算得到的分配系数以及各蚂蚁的总成本留下的信息素总量Q，计算各蚂蚁留下的信息素；

根据各蚂蚁留下的信息素，得到车辆的最优配送路径；

分配系数W_i满足下述公式：

<mrow> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>i</mi> </mrow> </msup> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>i</mi> </mrow> </msup> </mrow> </mfrac> </mrow>

其中，i为n只蚂蚁中的各蚂蚁的总成本留下的信息素由小到大的排名，e是自然对数的底数。

5.一种车辆规划路径的生成装置，其特征在于，所述装置包括：

参数初始化单元，用于参数初始化，所述参数包括潜在节点集；

蚁群初始化单元，用于初始化蚁群；

蚂蚁初始化单元，用于初始化蚂蚁；

车辆确定单元，用于确定待安排车辆；

可行配送节点确定单元，用于为待安排车辆安排下一可行配送节点，下一可行配送节点是从潜在节点集中选择的一个或多个节点，其中，在安排待安排车辆的下一可行配送节点时，判断所述待安排车辆从当前配送节点到达下一可行配送节点的时间是否满足下一可行配送节点的硬时间窗的要求，同时判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的载重量是否满足下一可行配送节点的装货要求以及下一可行配送节点是否未被访问过，如果是，则调用几率确定单元，如果否，则调用车辆确定单元；

几率确定单元，用于将满足可行配送节点确定单元提到的要求的下一可行配送节点加入候选节点集中，并计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率；

配送节点确定单元，用于根据所述几率的大小，从候选节点集中选择一个下一可行配送节点作为待安排车辆的下一配送节点，将所述下一配送节点标识为已访问，并将所述下一配送节点从潜在节点集中删除；

边成本计算单元，用于计算待安排车辆因违反软时间窗而造成的惩罚成本，并根据所述惩罚成本和车辆的配送成本，计算得到边成本；

节点集判断单元，用于判断潜在配送节点集是否为空，如果不为空，则调用可行配送节点确定单元，为待安排车辆安排下一可行配送节点，如果为空，则调用总成本计算单元；

总成本计算单元，用于存储当前蚂蚁的线路图，并计算当前蚂蚁的总成本；

蚁群大小判断单元，用于判断是否达到蚁群大小，如果不是，则调用蚂蚁初始化单元，生成N只蚂蚁，并得到各蚂蚁的线路图以及各蚂蚁的总成本；

路径确定单元，判断是否到达预设的收敛条件，如果是，根据各蚂蚁的线路图以及各蚂蚁的总成本，得到车辆的最优配送路径；如果否，则调用蚁群初始化单元。

6.如权利要求5所述的装置，其特征在于，所述可行配送节点确定单元还用于，判断所述待安排车辆从当前配送节点到达下一可行配送节点时，所述待安排车辆的空间是否满足下一可行配送节点的装货要求。

7.如权利要求5所述的装置，其特征在于，所述参数还包括成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，在所述几率确定单元中，通过下述公式计算车辆在当前配送节点时，下一回合待安排车辆选择所述下一可行配送节点的几率：

其中，i为第i个可行配送节点，A_i为第i个可行配送节点的成本吸引力、B_i为第i个可行配送节点的信息吸引力、C_i为第i个可行配送节点的等待时间吸引力、D_i为第i个可行配送节点的紧迫度吸引力，α、β、γ、θ分别为预设的成本吸引力系数、信息吸引力系数、等待时间吸引力系数和紧迫度吸引力系数，τ_i为第i个可行配送节点的吸引力，T_i为下一回合待安排车辆选择第i个可行配送节点的几率。

8.如权利要求5至7任一项所述的装置，其特征在于，所述几率确定单元包括：

蚂蚁筛选模块，用于从N只蚂蚁中选取总成本小于预设阈值的n只蚂蚁；

信息素确定模块，用于对所述n只蚂蚁，根据计算得到的分配系数以及各蚂蚁的总成本留下的信息素总量Q，计算各蚂蚁留下的信息素；

根据各蚂蚁留下的信息素，得到车辆的最优配送路径；

分配系数W_i满足下述公式：

<mrow> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>i</mi> </mrow> </msup> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>i</mi> </mrow> </msup> </mrow> </mfrac> </mrow>

其中，i为n只蚂蚁中的各蚂蚁的总成本留下的信息素由小到大的排名，e是自然对数的底数。