CN104700251B - 一种车辆调度问题的改进最大‑最小蚁群优化方法及*** - Google Patents
一种车辆调度问题的改进最大‑最小蚁群优化方法及*** Download PDFInfo
- Publication number
- CN104700251B CN104700251B CN201510114813.8A CN201510114813A CN104700251B CN 104700251 B CN104700251 B CN 104700251B CN 201510114813 A CN201510114813 A CN 201510114813A CN 104700251 B CN104700251 B CN 104700251B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- client
- information
- mrow
- customer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 230000006872 improvement Effects 0.000 title claims abstract description 7
- 239000003016 pheromone Substances 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 241000257303 Hymenoptera Species 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车辆调度问题的改进最大‑最小蚁群优化方法及***,方法包括:根据委托单中的配送信息获取客户的地址信息,将相关信息读入最大‑最小蚁群算法中,然后对蚁群算法初始化、条件终止判断、路线构建、路线改进以及信息更新,本发明通过动态改变信息素挥发系数的数值,从而加速收敛,并且在更多路径上进行搜索,提高算法的全局搜索能力,避免出现早熟停滞现象,在求解车辆路径问题上具有容易实现、快速收敛、搜索能力强的优点。
Description
技术领域
本发明涉及车辆调度的研究领域,特别涉及一种车辆调度问题的改进最大-最小蚁群优化方法及***。
背景技术
车辆路径问题(Vehicle Routing Problem,VRP)一般可描述为:n个客户分散在某一区域,各自有不同数量的货物需求,一个配送中心向客户提供货物,由m辆车负责分送货物,组织适当的行车路线,目标是使得客户的需求得到满足,并能在一定的约束下,达到诸如路程最短、成本最小、耗费时间最少等目的。最简单最经典的VRP问题的要求是各车辆的行走路线使总的运输成本最小,并且保证每个服务需求点只被其中的一辆车辆访问过一次。
VRP也称车辆调度问题,是VMI模式的供应链***中实现效率化配送的重要支撑技术,其最早是由G.Dantzig和J.Rasmer于1959年提出的,在公路交通运输、水运、航空和通讯等领域有着广泛的应用。有效的调度车辆,不仅可以提高物流工作效率,而且能够为及时生产模式的企业提供运输上的保障,从而实现物流管理科学化。VRP是运筹学与组合优化领域的研究热点,由于该问题的理论涉及很多学科,很多实际问题的理论抽象都可归结为这一类问题,研究该问题具有很重要的理论意义和实际意义。
影响车辆调度问题的因素很多,正常情况下,道路的承载能力和交通状况,客户的需求种类和数量,要求的到货时间,车辆的数量、型号和载重,驾驶员的经验,过路费和燃油费等,都可以成为调度问题的约束条件。其中,有些约束条件是必须满足的,如客户的需求种类和数量,要求的到货时间,车辆的数量、型号和载重等,有些只要能达到一定的满意度即可,如过路费和燃油费等。而有些条件事先不能预见,如道路的实时交通状况等,这些因素则在进行车辆调度时会作为不确定性因素对待。
由于VRP通常是多目标、多约束、随机不确定的优化问题,已证明是NP难题,其最优化算法的计算量一般随问题规模增大呈指数形式增长,因此求解该问题的最优解是非常困难的,而各种近似算法则成为该领域的研究热点,放弃寻找最优解的目标,转而试图在合理、有限的时间内寻找一个近似的、有用的解。目前针对该问题的研究主要集中在各种启发式算法上,如遗传算法、模拟退火算法、粒子群算法、禁忌搜索算法、蚁群算法等。其中蚁群算法是研究得较多的一种方法。以旅行商问题(Travelling Salesman Problem,TSP)为测试基准,除了Lin-Kernighan的局部改进法之外,蚁群算法(Ant Colony Algorithm)优于其他的所有方法。蚁群算法是一种源于生物界的新的仿生类随机型搜索算法,由意大利学者M.Dorigo,V.Maniezzo,A.Colorini等首先提出,具有群体合作、正反馈选择、并行计算等特点,但基本蚁群算法存在运行时间长,收敛速度慢,容易陷入局部最优解,出现停滞现象等缺点,所以Thomas Stützle等人提出了最大-最小蚂蚁***(max-min ant colonyalgorithm,MMAS)算法,在解决装箱问题、大学课程表问题、二次分配问题等组合优化问题时取得了显著的效果,最大-最小蚂蚁***算法是目前国际公认的用于解决VRP效果最好的蚁群算法。
MMAS算法与基本的蚁群算法(Ant Colony Optimization,ACO)算法比较,主要作了如下的改进:(1)将各条路径可能的激素浓度限制于[τmin,τmax],超出这个范围的值被强制设为τmin或者是τmax,可以有效地避免某条路径上的信息量远大于其余路径,避免所有蚂蚁都集中到同一条路径上,从而避免算法过早收敛于局部最优解;(2)每次迭代结束后,只有最优解所属路径上的信息被更新,从而更好地利用了历史最优解的信息;(3)在算法的初始时刻,ρ取较小的值时算法有更好的发现较好解的能力。所以信息素的初始值被设定为其取值范围的上界,以此增加在算法的第一次循环期间对新解的探索。实践证明逐渐增加全局最优解的使用频率,会使该算法获得较好的性能。MMAS算法将各个路径上的信息量的更新限定在固定的范围内,虽然在一定程度上避免了早熟、停滞现象,但在解的分布较分散时收敛速度较慢。每完成一次迭代后,都是以固定的挥发系数ρ作为信息素更新的数量,当问题规模比较大时,随着时间的推移,一些从未被搜索过的路径上的信息量会减少到接近τmin,从而降低了算法在这些路径上的搜索能力,算法的全局寻优性能差,容易陷入局部最优解;反之,当某些路径上信息量相对较大时,这些路径再次被选择的机会变得很大,从而影响了算法的随机性能和全局搜索能力。
实验表明,蚁群算法中,随着时间的推移,蚂蚁对信息素逐渐变得不敏感。当算法迭代到一定代数后,各路径上的信息素差距达到一定程度,这时算法出现一定程度的搜索停滞。在一定的迭代次数内所得的解大致接近,如果固定挥发系数ρ,即使每次迭代都更新信息素的量,对解也不会有太大的改进。因此为加快迭代速度,考虑在迭代过程中动态地修改挥发系数ρ的值,并修改信息素更新规则。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种车辆调度问题的改进最大-最小蚁群优化方法。
本发明的另一目的在于,提供一种车辆调度问题的改进最大-最小蚁群优化***。
为了达到上述第一目的,本发明采用以下技术方案:
一种车辆调度问题的改进最大-最小蚁群优化方法,包括下述步骤:
(1)从委托单中得到配送信息;
(2)根据委托单中的客户名称,从地址数据库中查询获得客户的地址信息,包括客户的具体地址和客户与送货出发点之间的距离;
(3)将上述的配送信息、客户的地址信息、车辆载重量信息读入最大-最小蚁群算法中;
(4)蚁群算法参数初始化,所述的参数包括迭代总次数、蚂蚁个数、轨迹强度范围、单位长度轨迹信息素数量,设有N个客户点,每条边上的信息素初始化为τmax,将N只蚂蚁放在配送中心所在节点上,每只蚂蚁的负载能力代表车辆的额定载重D;为每只蚂蚁建立空禁忌表tabuk;所述的禁忌表tabuk用以记录蚂蚁k当前所走过的城市,k=1,2,…,N,集合随着进化过程作动态调整;
(5)条件终止判断,当定时时间到,或达到最大迭代次数,或最优解重复达到指定次数,结束算法,转第(9)步;否则对蚁群中的每只蚂蚁,重复执行以下(6)~(8)步;
(6)路线构建,首先将tabuk的补集中小于等于当前蚂蚁的负载量剩余的节点作为备选节点,即allowedk={0,1,…,N-1}-tabuk,每只蚂蚁根据如下转移概率公式选择下一个节点,逐步形成完整路线;
同时将该节点加入tabuk中,刷新当前蚂蚁的负载量,若tabuk的补集中各节点的需求量di均大于当前负载量之剩余,则直接返回配送中心;
(7)路线改进,采用2-Opt局部搜索方法对第(6)步中形成的路线进行优化;
(8)信息素更新,当N只蚂蚁均完成遍历任务时进行信息素的更新,增加该次迭代中表现最好的蚂蚁经过路径上的信息素浓度,计算出该代次最佳路径并保留:
lmin=minlk k∈{1,2,…,N}
其中,lk为第k只蚂蚁走过的路程之和,仅对最短的路径进行信息素更新,更新规则如下:
且限制其中,ρ(x)=CeAx,x∈[0,1]与迭代次数n对应,若最大迭代次数为NC_max,则n∈[0,NC_max];
ρ(x)是信息素挥发系数,则(1-ρ(x))为信息素残留系数,为保证信息素更新后依然满足MMAS关于信息素浓度的限制,在信息素更新公式(8.1)后面加上判断条件:
转到第(5)步;
(9)输出结果。
优选的,步骤(1)中,所述配送信息包括客户名称、客户需求的货物的总重量、总数量、总体积、卸货地址、要求的到货时间。
优选的,步骤(2)中,从地址数据库中查询出客户的地理位置之后,由地图得出配送中心及各客户点之间的距离Dst;若从地址数据库中查询不到该客户的地址信息,则在数字地图中点选客户地址,将该地址存入地址数据库,并按照欧氏距离计算该客户与送货出发点之间的距离。
优选的,步骤(7)中,使用2-Opt局部优化算法调整线路间和线路内的次序,所述的2-Opt局部搜索方法如下:假设xi和xj是解X中互不相邻的两个元素,xi+1和xj+1分别是xi和xj在路径中的直接后继节点,删去弧(xi,xi+1)、(xj,xj+1),添加弧(xi,xj)、(xi+1,xj+1),从而得到一条新路径,其中xi和xj可属于同一子路线,也可以属于不同子路线,如果新路径比原来的路径短,则保留这个更好的解,并针对不同的边重复进行以上步骤直到找不到更好的解为止,最后则得到局部最优化的解。
优选的,在步骤(1)之前还包括下述步骤:确定成本相关的费用信息:启动车辆的固定费用c、每客户点在计划期内商品的存储费用u、配送中心送至客户点的固定费用Cf、配送中心至客户点的单位运输费用tdf、配送中心配送作业的固定费用Cd、每辆配送车辆的装载能力w、各客户点之间的单位运输费用tij,迭代算法的外层最大迭代次数K_max。
优选的,步骤(9)中,输出的结果以承运单的形式显示。
为了达到上述第二目的,本发明采用以下技术方案:
一种车辆调度问题的改进最大-最小蚁群优化***,包括信息子***和算法子***;
所述信息子***包括客户和发送点的坐标信息单元、客户需求量信息单元、成本信息单元以及算法参数信息单元,所述客户和发送点的坐标信息单元用于让用户添加、修改、查询客户的坐标,上述各单元的操作都是基于电子地图,客户可以通过鼠标点出客户的位置,坐标数值可以自动修改、显示;
所述客户需求量信息单元用于让用户添加、修改、查询客户的当次需求量;
所述成本信息单元,启用车辆费用、每个客户存储费用、发送点配送至客户点的固定费用、发送点配送至客户点的单位费用、配送中心每次固定费用以及路程单位运输费用;
所述算法参数信息单元,用于提供各种算法参数的显示、修改;
所述算法子***包括蚁群调度算法单元、承运单生成及查看单元、图形化结果显示单元,所述蚁群调度算法单元,用于进行车辆调度,显示配送方案,并为下一步生成委托单准备;
所述承运单生成及查看单元,用于对满意的调度结果生成承运单;
所述图形化结果显示单元,采用图形化方法显示调度的结果,在地图上用不同颜色的线条表示不同的车辆配送路线,地图上显示待配送客户的位置和名称。
优选的,所述承运单生成及查看单元中,承运单编号根据日期时间自动产生,承运单内容包括配送车辆车型和数量、车辆配送路线和费用,承运单的信息可以查看、修改和删除。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明的蚁群优化算法简单有效,实验测试表明,改进后的MMAS算法有效,稳定性好,具有较强的全局搜索能力,显示了良好的寻优性能;而且算法效率与带局部改进的MMAS算法相当,收敛速度比原始的MMAS算法有较大的提高。
2、本发明的蚁群优化方法便于参数调整;原始MMAS算法虽然具备较好性能,但是因为算法中各参数都是固定的,在求解问题时缺乏变化,依然存在容易陷入局部最优解、全局搜索能力差、收敛速度慢等基本蚁群算法的不足。基于上述缺陷提出的本发明的技术方案,对MMAS算法中的一些参数及策略作了自适应变化,给出动态调整的信息素挥发系数和新的信息素更新策略,使得算法在求解问题时能随着求解过程的变化动态地相应变化,从而具有更好的寻优性能。
3、本发明的蚁群优化算法在各种解的分布情况下都能有效避免陷入局部最优解,因此全局寻优能力更强。同时本发明对解决类似的组合优化问题也有一定的参考价值。
4、本发明的蚁群优化算法,能在合理有限的时间内寻找到一个有效的解。
附图说明
图1是本发明车辆调度的最大-最小蚁群算法流程图。
图2是本发明车辆调度***的流程图。
图3是本发明车辆调度***的***结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
参照图1,一种不带时间窗的车辆调度问题的最大-最小蚁群算法包括如下步骤:
第一步:确定成本相关的费用信息:启动车辆的固定费用c、每客户点在计划期内商品的存储费用u、配送中心送至客户点的固定费用Cf、配送中心至客户点的单位运输费用tdf、配送中心配送作业的固定费用Cd、每辆配送车辆的装载能力w、各客户点之间的单位运输费用tij,迭代算法的外层最大迭代次数K_max;
第二步:从委托单中得到配送信息。这些信息包括:客户名称、客户需求的货物总重量Di,卸货地址,要求的到货时间,估计需要的卸货时间;
第三步:根据从委托单中得到的客户名称,从地址数据库中查询出客户的地理位置,从而由地图得出配送中心及各客户点之间的距离Dst;若从地址数据库中查询不到该客户的地址信息,则在数字地图中点选客户地址,将该地址存入地址数据库,并计算该客户距离送货出发点的距离;
第四步:将上述所述的数据信息读入算法中;
第五步:设定蚁群算法的参数,所述的参数包括:蚁群数目m、蚁群信息素挥发系数ρ、信息强度参数α、能见度参数β、启发式因子(延时)重要程度参数γ、信息更新参数H以及最大迭代次数NC_max,并把外层的迭代次数K设置为0,***总成本Cmin设置为无穷大;
第六步:考虑外层的迭代次数K,若K大于最大迭代次数K_max,则输出结果,算法结束;否则,在不考虑配送中心至客户的配送费用的情况下,求出最佳补货量Qk作为初始配送量,过程如下:
①当K=0时:
Cdf=Cd+Cf (6.2)
并且可以求出客户的一次需求量di,而di可表示为:
②当K=1时:
Cdf=Cdf+P(Q0) (6.5)
③当K=2时:
④当K≥2时:
其中,Qh为min{Qk-1,Qk-2}对应的Q值;
第七步:调用蚁群算法求出在该配送量下的配送运输费用P(Qk),过程如下:
(1)初始化各项参数,具体如下,
根据距离矩阵构造延时邻接矩阵Uij,公式如下:
设置启发式因子ηij,公式如下:
初始化信息素矩阵,使其全为1,即:
τij=1,i,j=0,1,2,...,n; (7.3)
初始化车辆的装载货物重量load_w为0;
迭代次数NC初始化为1。
(2)判断是迭代次数NC是否大于最大迭代次数NC_max,如果是则停止迭代,进入第八步;否则进入下一步(3);
(3)假设有m只蚂蚁在工作,所有蚂蚁都从配送中心0出发。然后按蚂蚁1≤s≤m的顺序分别计算,当蚂蚁s访问完所有客户,则完成了第s只蚂蚁的计算;否则,假设访问完客户的集合为visit,未访问的客户集合为to_visit,若刚访问完客户i,则按概率Pij访问未访问的客户j,其中Pij的表示如下:
此时,再判断车辆加上客户j的需求是否超载,如果超载,则回到配送中心,车辆载重load_w重新设为0;否则添加客户j到已访问客户集合visit中,并从未访问集合to_visit中删除j,车辆载重load_w加上客户j的需求dj。
(4)当m个蚂蚁完成周游后,比较m个蚂蚁所选择路径的长度L(s),s=1,2,…,m,选择长度最小的路径,并且应用2-opt方法对最优解进行更新。
(5)2-opt优化完毕后进行信息素的更新,增加该次迭代中表现最好的蚂蚁经过路径上的信息素浓度,计算出该代次最佳路径并保留(迭代最优解):
lmin=minlk k∈{1,2,…,N}
其中,lk为第k只蚂蚁走过的路程之和。仅对最短的路径进行信息素更新,采用如下公式进行信息素的更新:
且限制其中,分别是最佳路径上更新前后的信息素浓度,其中,ρ(x)=CeAx,其中x∈[0,1],与迭代次数n对应,若最大迭代次数为NC_max,则n∈[0,NC_max]。
ρ(x)是信息素挥发系数,则(1-ρ(x))为信息素残留系数。
更新完毕后,迭代次数NC加1,进行下一次迭代,转至步骤(2);
第八步:由第七步可以得出在一次配送量下的最优的配送路线、配送车辆数以及配送费用;根据这个配送费用进而计算总成本C(Q0),比较C(Q0)与Cmin,将较小者复制给Cmin,并且外层迭代次数K加1,返回第六步。
第九步:输出蚁群算法寻找到的配送方案,以承运单的形式显示。
参照图2和图3,应用本实施例的方法实现的车辆调度***,主要包括:信息子***和算法子***。
所述的信息子***包括:
(1)客户和发送点的坐标信息;
此功能可以让用户添加、修改、查询客户的坐标,这些操作都是基于电子地图,客户可以通过鼠标点出客户的位置,坐标数值可以自动修改、显示。
(2)客户需求量信息;
此功能可以让用户添加、修改、查询客户的当次需求量。
(3)成本信息;
所述成本信息包括:启用车辆费用,每个客户存储费,发送点配送至客户点的固定费用,发送点配送至客户点的单位费用,配送中心每次固定费用,路程单位运输费。
(4)算法参数信息;
此功能提供各种算法参数的显示、修改。
所述的算法子***包括:
(1)蚁群调度算法;
采用本发明的车辆调度方案进行车辆调度,显示配送方案。为下一步生成委托单准备。调度的过程如图2所示,方法的描述略。
(2)承运单生成及查看;
对满意的调度结果生成承运单。承运单编号根据日期时间自动产生,承运单内容包括配送车辆车型和数量、车辆配送路线和费用。承运单的信息可以查看、修改和删除。
(3)图形化结果显示;
采用图形化方法显示调度的结果,在地图上用不同颜色的线条表示不同的车辆配送路线。地图上显示待配送客户的位置和名称。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种车辆调度问题的改进最大-最小蚁群优化方法,其特征在于,包括下述步骤:
(1)从委托单中得到配送信息;
(2)根据委托单中的客户名称,从地址数据库中查询获得客户的地址信息,包括客户的具体地址和客户与送货出发点之间的距离;
(3)将上述的配送信息、客户的地址信息、车辆载重量信息读入最大-最小蚁群算法中;
(4)蚁群算法参数初始化,所述的参数包括迭代总次数、蚂蚁个数、轨迹强度范围、单位长度轨迹信息素数量,设有N个客户点,每条边上的信息素初始化为τmax,将N只蚂蚁放在配送中心所在节点上,每只蚂蚁的负载能力代表车辆的额定载重D;为每只蚂蚁建立空禁忌表tabuk;所述的禁忌表tabuk用以记录蚂蚁k当前所走过的城市,k=1,2,…,N,集合随着进化过程作动态调整;
(5)条件终止判断,当定时时间到,或达到最大迭代次数,或最优解重复达到指定次数,结束算法,转第(9)步;否则对蚁群中的每只蚂蚁,重复执行以下(6)~(8)步;
(6)路线构建,首先将tabuk的补集中小于等于当前蚂蚁的负载量剩余的节点作为备选节点,即allowedk={0,1,…,N-1}-tabuk,每只蚂蚁根据如下转移概率公式选择下一个节点,逐步形成完整路线;
同时将该节点加入tabuk中,刷新当前蚂蚁的负载量,若tabuk的补集中各节点的需求量di均大于当前负载量之剩余,则直接返回配送中心;
(7)路线改进,采用2-Opt局部搜索方法对第(6)步中形成的路线进行优化,使用2-Opt局部优化算法调整线路间和线路内的次序,所述的2-Opt局部搜索方法如下:假设xi和xj是解X中互不相邻的两个元素,xi+1和xj+1分别是xi和xj在路径中的直接后继节点,删去弧(xi,xi+1)、(xj,xj+1),添加弧(xi,xj)、(xi+1,xj+1),从而得到一条新路径,其中xi和xj可属于同一子路线,也可以属于不同子路线,如果新路径比原来的路径短,则保留这个更好的解,并针对不同的边重复进行以上步骤直到找不到更好的解为止,最后则得到局部最优化的解;
(8)信息素更新,当N只蚂蚁均完成遍历任务时进行信息素的更新,增加该次迭代中表现最好的蚂蚁经过路径上的信息素浓度,计算出该次迭代最佳路径并保留:
lmin=minlk k∈{1,2,…,N}
其中,lk为第k只蚂蚁走过的路程之和,仅对最短的路径进行信息素更新,更新规则如下:
<mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&rho;</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mrow>
<mi>b</mi>
<mi>e</mi>
<mi>s</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8.1</mn>
<mo>)</mo>
</mrow>
</mrow>
且限制其中,ρ(x)=CeAx,x∈[0,1]与迭代次数n对应,若最大迭代次数为NC_max,则n∈[0,NC_max];
ρ(x)是信息素挥发系数,则(1-ρ(x))为信息素残留系数,为保证信息素更新后依然满足最大-最小蚁群算法MMAS关于信息素浓度的限制,在信息素更新公式(8.1)后面加上判断条件:
转到第(5)步;
(9)输出结果。
2.根据权利要求1所述的车辆调度问题的改进最大-最小蚁群优化方法,其特征在于,步骤(1)中,所述配送信息包括客户名称、客户需求的货物的总重量、总数量、总体积、卸货地址、要求的到货时间。
3.根据权利要求1所述的车辆调度问题的改进最大-最小蚁群优化方法,其特征在于,步骤(2)中,从地址数据库中查询出客户的地理位置之后,由地图得出配送中心及各客户点之间的距离Dst;若从地址数据库中查询不到该客户的地址信息,则在数字地图中点选客户地址,将该地址存入地址数据库,并按照欧氏距离计算该客户与送货出发点之间的距离。
4.根据权利要求1所述的车辆调度问题的改进最大-最小蚁群优化方法,其特征在于,在步骤(1)之前还包括下述步骤:确定成本相关的费用信息:启动车辆的固定费用c、每客户点在计划期内商品的存储费用u、配送中心送至客户点的固定费用Cf、配送中心至客户点的单位运输费用tdf、配送中心配送作业的固定费用Cd、每辆配送车辆的装载能力w、各客户点之间的单位运输费用tij,迭代算法的外层最大迭代次数K_max。
5.根据权利要求1所述的车辆调度问题的改进最大-最小蚁群优化方法,其特征在于,步骤(9)中,输出的结果以承运单的形式显示。
6.根据权利要求1所述的车辆调度问题的改进最大-最小蚁群优化方法的优化***,其特征在于,包括信息子***和算法子***,
所述信息子***包括客户和发送点的坐标信息单元、客户需求量信息单元、成本信息单元以及算法参数信息单元,所述客户和发送点的坐标信息单元用于让用户添加、修改、查询客户的坐标,上述各单元的操作都是基于电子地图,客户可以通过鼠标点出客户的位置,坐标数值可以自动修改、显示;
所述客户需求量信息单元用于让用户添加、修改、查询客户的当次需求量;
所述成本信息单元,启用车辆费用、每个客户存储费用、发送点配送至客户点的固定费用、发送点配送至客户点的单位费用、配送中心每次固定费用以及路程单位运输费用;
所述算法参数信息单元,用于提供各种算法参数的显示、修改;
所述算法子***包括蚁群调度算法单元、承运单生成及查看单元、图形化结果显示单元,所述蚁群调度算法单元,用于进行车辆调度,显示配送方案,并为下一步生成委托单准备;
所述承运单生成及查看单元,用于对满意的调度结果生成承运单;
所述图形化结果显示单元,采用图形化方法显示调度的结果,在地图上用不同颜色的线条表示不同的车辆配送路线,地图上显示待配送客户的位置和名称。
7.根据权利要求6所述的车辆调度问题的改进最大-最小蚁群优化方法的优化***,其特征在于,所述承运单生成及查看单元中,承运单编号根据日期时间自动产生,承运单内容包括配送车辆车型和数量、车辆配送路线和费用,承运单的信息可以查看、修改和删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510114813.8A CN104700251B (zh) | 2015-03-16 | 2015-03-16 | 一种车辆调度问题的改进最大‑最小蚁群优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510114813.8A CN104700251B (zh) | 2015-03-16 | 2015-03-16 | 一种车辆调度问题的改进最大‑最小蚁群优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700251A CN104700251A (zh) | 2015-06-10 |
CN104700251B true CN104700251B (zh) | 2018-02-02 |
Family
ID=53347344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510114813.8A Active CN104700251B (zh) | 2015-03-16 | 2015-03-16 | 一种车辆调度问题的改进最大‑最小蚁群优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700251B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105187310B (zh) * | 2015-09-22 | 2019-04-02 | 北京大学深圳研究生院 | 一种路径优化方法与*** |
CN105318887B (zh) * | 2015-12-01 | 2018-09-21 | 广汽本田汽车有限公司 | 一种车载自动导航*** |
CN105444774A (zh) * | 2015-12-01 | 2016-03-30 | 张健敏 | 一种地质采样车 |
CN105510081A (zh) * | 2015-12-01 | 2016-04-20 | 邱林新 | 一种污水取样车 |
CN105277197A (zh) * | 2015-12-01 | 2016-01-27 | 肖白玉 | 一种河道运输船 |
CN105526929A (zh) * | 2015-12-01 | 2016-04-27 | 孟玲 | 一种成熟果实智能采集车 |
CN105528675B (zh) * | 2015-12-04 | 2016-11-16 | 合肥工业大学 | 一种基于蚁群算法的生产配送调度方法 |
CN105913213A (zh) * | 2016-06-08 | 2016-08-31 | 沈阳工业大学 | 仓储集货模式下逆向物流回收车辆调度方法 |
CN106228275A (zh) * | 2016-08-01 | 2016-12-14 | 广州星唯信息科技有限公司 | 基于蚁群算法定制公交线路的方法 |
CN106529666A (zh) * | 2016-11-17 | 2017-03-22 | 衢州学院 | 控制参数自适应和策略自适应的差分进化算法 |
CN107506956B (zh) * | 2017-06-12 | 2018-06-15 | 合肥工业大学 | 基于改进粒子群算法供应链生产运输协同调度方法及*** |
CN107464018B (zh) * | 2017-08-01 | 2020-12-01 | 北京同城必应科技有限公司 | 一种配送路径优化方法和装置、计算机设备、存储介质 |
CN107944647A (zh) * | 2017-12-29 | 2018-04-20 | 深圳市智搜信息技术有限公司 | 一种基于人工智能的饮水配送***及方法 |
CN108874540A (zh) * | 2018-06-04 | 2018-11-23 | 北京云鸟科技有限公司 | 一种面向cpu密集型的vrp云服务***的请求处理方法和*** |
CN109214608B (zh) * | 2018-11-14 | 2022-01-25 | 成都英孚克斯科技有限公司 | 一种车辆调度优化方法 |
CN109816279A (zh) * | 2019-03-22 | 2019-05-28 | 武汉大学 | 一种货运车辆智能动态调度方法 |
CN110047023B (zh) * | 2019-03-29 | 2021-05-28 | 北京工业大学 | 基于模拟退火算法的新高考排课算法 |
CN110009230A (zh) * | 2019-04-04 | 2019-07-12 | 白冰 | 一种园区服务车调度方法和装置 |
CN110161997B (zh) * | 2019-06-12 | 2021-11-05 | 安徽大学 | 基于蚁群和模拟退火算法的流水车间调度方法及装置 |
CN110705741B (zh) * | 2019-08-19 | 2022-06-17 | 浙江工业大学 | 一种基于改进蚁群算法的多配送中心车辆路径优化方法 |
CN110930092B (zh) * | 2019-11-06 | 2021-11-19 | 北京三快在线科技有限公司 | 一种配送路线调整方法、装置、电子设备和存储介质 |
CN110784366B (zh) * | 2019-11-11 | 2022-08-16 | 重庆邮电大学 | Sdn中基于immac算法的交换机迁移方法 |
CN111062589B (zh) * | 2019-12-02 | 2022-08-16 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111240796B (zh) * | 2019-12-30 | 2023-04-18 | 浙江工业大学 | 一种基于改进mmas的负载均衡调度方法 |
JP2021124978A (ja) * | 2020-02-05 | 2021-08-30 | 富士通株式会社 | 情報処理装置、プログラム、情報処理方法および情報処理システム |
CN111461624B (zh) * | 2020-04-20 | 2023-07-11 | 上海东普信息科技有限公司 | 物流线路规划方法、装置、设备及存储介质 |
CN111709561A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种解决动态车辆路径问题的实时添加和优化方法 |
CN112184124A (zh) * | 2020-10-16 | 2021-01-05 | 中冶赛迪上海工程技术有限公司 | 一种物料管理方法 |
CN112270135B (zh) * | 2020-11-13 | 2023-02-03 | 吉林烟草工业有限责任公司 | 一种物流发运调度智能配送方法、装置、设备及存储介质 |
CN112508270B (zh) * | 2020-12-04 | 2023-04-07 | 北京航空航天大学 | 一种基于制造过程多源异构数据的物料智能配送方法 |
CN112613663B (zh) * | 2020-12-25 | 2022-10-28 | 环球车享汽车租赁有限公司 | 共享车辆调度方法、计算设备和计算机可读存储介质 |
CN112686458B (zh) * | 2021-01-05 | 2023-03-07 | 昆明理工大学 | 一种多车型车队配送货过程的优化调度方法 |
CN113112203B (zh) * | 2021-04-14 | 2023-04-07 | 杭州拼便宜网络科技有限公司 | 一种基于混合蚁群算法多配送中心车辆路径安排*** |
CN113237489A (zh) * | 2021-05-20 | 2021-08-10 | 曲阜师范大学 | 一种基于改进2-opt蚁群算法的车辆路径规划方法 |
CN114217607A (zh) * | 2021-11-23 | 2022-03-22 | 桂林航天工业学院 | 一种外卖派送路径规划方法、***及存储介质 |
CN114969237B (zh) * | 2022-07-26 | 2022-10-28 | 广州晨安网络科技有限公司 | 一种地理信息***的地址自动分析匹配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
CN1790398A (zh) * | 2005-12-28 | 2006-06-21 | 浙江工业大学 | 有时间窗的开放式车辆调度问题的粒子群优化方法 |
CN101520858A (zh) * | 2008-02-28 | 2009-09-02 | 北京航空航天大学 | 一种求解旅行商问题的蚁群优化-微分进化融合方法 |
CN103246969A (zh) * | 2013-05-07 | 2013-08-14 | 北京邮电大学 | 一种物流调配的实现方法和装置 |
-
2015
- 2015-03-16 CN CN201510114813.8A patent/CN104700251B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
CN1790398A (zh) * | 2005-12-28 | 2006-06-21 | 浙江工业大学 | 有时间窗的开放式车辆调度问题的粒子群优化方法 |
CN101520858A (zh) * | 2008-02-28 | 2009-09-02 | 北京航空航天大学 | 一种求解旅行商问题的蚁群优化-微分进化融合方法 |
CN103246969A (zh) * | 2013-05-07 | 2013-08-14 | 北京邮电大学 | 一种物流调配的实现方法和装置 |
Non-Patent Citations (4)
Title |
---|
A Vehicle Routing Optimization Method with Constraints Condition based on Max-Min Ant Colony Algorithm;Wei Cheng Xie et al;《Applied Mathematics & Information Sciences》;20140401;第239-243页 * |
基于MMAS的配送线路规划研究与应用;耿耀华;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20090115;第2009年卷(第01期);第J145-257页 * |
基于蚁群算法的路径规划研究;华路;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115;第2013年卷(第01期);第I138-29页 * |
基于蚁群算法的车辆优化调度***;周涛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070915;第2007年卷(第03期);第I138-928页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104700251A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700251B (zh) | 一种车辆调度问题的改进最大‑最小蚁群优化方法及*** | |
Ulmer et al. | Same‐day delivery with heterogeneous fleets of drones and vehicles | |
CN106156898B (zh) | 一种基于MoCD算法的商品配送路径规划方法 | |
CN110097288B (zh) | 一种基于图搜索的城市众包配送任务分配方法及装置 | |
CN106600036B (zh) | 基于Android多点快递配送方法 | |
CN103413209B (zh) | 多客户多仓库物流配送路径选择方法 | |
CN107145971A (zh) | 一种动态调整的快递配送优化方法 | |
Qian et al. | Finding least fuel emission paths in a network with time‐varying speeds | |
CN107194656A (zh) | 一种基于标准箱订单的配送路径的规划方法及装置 | |
US20140279662A1 (en) | Transportation time estimation based on multi-granular maps | |
Torres et al. | Crowdshipping: An open VRP variant with stochastic destinations | |
CN104700203A (zh) | 一种物流配送网点规划方法及装置 | |
CN107862403A (zh) | 一种无人机待配送货物的出库序列调度方法及*** | |
CN114730415A (zh) | 车辆管理装置和车辆管理程序 | |
Messaoud et al. | The green dynamic vehicle routing problem in sustainable transport | |
CN101782986A (zh) | 一种基于免疫算法的物流配送分区均衡优化方法 | |
CN107025504A (zh) | 一种考虑区域交通状况的服务型库房选址方法 | |
CN111445084A (zh) | 兼顾交通状况和双重时间窗的物流配送路径优化方法 | |
Yıldız | Package routing problem with registered couriers and stochastic demand | |
CN115860289A (zh) | 一种基于碳排放的路径规划方法、装置、设备及存储介质 | |
Karoonsoontawong et al. | Efficient insertion heuristic algorithms for multi-trip inventory routing problem with time windows, shift time limits and variable delivery time | |
Peng et al. | A three-phase heuristic for last-mile delivery with spatial-temporal consolidation and delivery options | |
Friedrich et al. | Urban consolidation centers and city toll schemes–Investigating the impact of city tolls on transshipment decisions | |
Al Theeb et al. | Multi-objective optimization of two-echelon vehicle routing problem: Vaccines distribution as a case study | |
CN113222308B (zh) | 订单分配方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200921 Address after: 201799 room 510-523, Lai Gang Road, Qingpu District, Shanghai, 510-523. Patentee after: Weimar Automobile Technology Group Co.,Ltd. Address before: 510631 Guangdong city of Guangzhou province Tianhe District Zhongshan Shipai Road West No. 55 Patentee before: SOUTH CHINA NORMAL University |
|
TR01 | Transfer of patent right |