CN105096006A - 一种智能电能表的配送车辆路径优化方法 - Google Patents
一种智能电能表的配送车辆路径优化方法 Download PDFInfo
- Publication number
- CN105096006A CN105096006A CN201510522920.4A CN201510522920A CN105096006A CN 105096006 A CN105096006 A CN 105096006A CN 201510522920 A CN201510522920 A CN 201510522920A CN 105096006 A CN105096006 A CN 105096006A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- dispensing point
- distribution vehicle
- vehicle
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能电能表的配送车辆路径优化方法,从时间和空间的角度重点考虑智能表配送计划的优化方法,结合省级计量中心实际,将智能表的配送车辆路径规划问题转化为一配送中心、多车辆、有容量和时间限制的车辆优化调度问题,建立相应的数学模型,并采用改进遗传算法进行求解分析,得出合理的智能表配送车辆路径方案,从而避免了传统的人工制定智能表配送计划的诸多弊端,为及时、经济、高效、准确的智能表供应提供强有力的支撑。
Description
技术领域
本发明属于电能表配送领域,尤其是一种智能电能表的配送车辆路径优化方法。
背景技术
伴随着智能电网的快速发展,作为基本智能量测装置的智能电能表正在逐步取代传统的电能表。由于智能表需要集中招标采购、集中检定、集中仓储、统一配送,智能表的大规模安装造成了电能表物流网络的不断扩大和配送量的急剧增长,同时也给省级计量中心的配送效率提出了更高的要求。传统的智能表配送计划以人工经验安排为主,具有主观性和重复性高、时效性差、信息交互困难、配送效率低下等缺点,在此情况下,设计一种新的智能表的配送车辆路径优化方法已是迫在眉睫的事情。
经过检索,发现以下相近技术领域的已公开专利文本。
一种车辆规划路径的生成方法、装置(CN104567905A),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。
一种配送路径规划方法及***(CN104732289A),方法包括:手持终端接收用户的操作指令,输入初始起始点信息和多个目的站点信息,并输入路径规划模式,再发送至服务器;其中,所述路径规划模式包括距离最短规划模式、运输最省力规划模式、满足预约时间规划模式和用户自定义规划模式;服务器根据所述初始起始点信息、目的站点信息、路径规划模式及预先存储的电子地图获取多条串接全部目的站点的路径中规划参数之和最小的路径,并将规划参数之和最小的路径对应轨迹发送至手持终端;手持终端接收规划参数最小的路径对应轨迹,并在手持终端上显示。本发明实现了基于单一起始点及多目的地点的路径规划,提供更全面、更准确的路径规划信息。
经过对比,以上专利文献与本专利申请相比,所解决的具体技术问题,以及具体的技术方案均存在较大不同。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种智能电能表的配送车辆路径优化方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种智能电能表的配送车辆路径优化方法,其特征在于:步骤如下:
S1获取相关数据,包括:配送中心配送车辆数、载重量、最大行驶距离及司机出行费用系数,任意配送点之间的距离参数及单位距离运输成本,各配送点的智能表需求量及接收智能表的时间限制;
S2构建智能表配送车辆路径优化数学模型;
S3基于改进的遗传算法,首先确定个体的编码原则;
S4采用贪心算法初始化种群,形成初步车辆配送方案;
S5确定个体的适应度函数,并依次计算个体的适应度值;
S6采用最优保存算法来保存当代种群的最优个体,并与历代种群最优个体进行比较,从而保证遗传算法的随机性不致破坏当代种群中的最优个体;
S7判断是否满足遗传算法优化准则的迭代终止条件,如果满足,输出历代种群最优个体,并进行解码,进入S11;如果不满足,则转入步骤S8;
S8对种群进行选择操作,从而从当前种群中选出优良的个体,使它们有更大的几率作为父代进行下一代繁衍;
S9对种群进行交叉操作,将种群中的各个个体随机搭配,并以一定的交叉概率交换它们之间的基因片段,从而产生新一代个体;
S10对种群进行变异操作,以一定的变异概率对换其中一个或多个基因位的编码值,从而改善遗传算法中的局部搜索能力,之后转入步骤S5;
S11优化结果输出,当满足迭代终止条件后,并对输出的种群最优个体进行解码,从而得到最佳的配送车辆路径优化方案。
而且,步骤S2中,构建智能表配送车辆路径优化数学模型包括:路径优化目标函数和约束条件;
所述路径优化目标函数为:其主要包含两部分:一是车辆的运输行驶总成本,二是车辆司机的出行费用。其中:m为投入使用的配送车辆;xijk为0、1变量,xijk=1表示车辆k从配送点i行驶到配送点j,否则xijk=0;dij表示配送点i到配送点j的运输距离;c1和c2分别表示配送车辆单位距离的运输成本和单个司机的出行费用系数;
所述路径优化约束条件包括:
①车辆数目约束,m≤A,A表示配送中心可供使用的车辆;
②配送车辆的车载量约束,n表示所有配送点数目,Q表示车辆的最大载重数目,qi表示配送点i的智能表需求数目,yik为0、1变量,yik=1表示配送点i的智能表由车辆k来配送,否则yik=1;
③配送车辆行距约束,L表示配送车辆的最大行驶距离;
④ETj≤tj≤LTj,tj=ti+xbti+tij,i,j=1,2…n,ti表示配送车辆到达配送点i的时刻,xbti表示在配送点i所需的卸表时间,tij表示配送车辆从配送点i到配送点j的路上行驶时间,ETj、LTj分别表示配送车辆到达的最早时刻和最晚时刻限制。
而且,所述S3中,改进遗传算法个体编码的原则为:直接采用数字对配送点进行编码,其中i=0表示省级计量中心,i=1,2…n分别表示不同的配送点,然后根据配送点在整个路径中的相对位置来确定个体编码,即遗传算法中的每一个个体就是几条独立线路的访问顺序。
而且,所述S4中,贪心算法初始化种群是首先构建“配送点相邻矩阵”:将距离配送点i最近的3个配送点按距离远近依次排序,从而组成一个n+1×3阶矩阵,其中元素Aij表示距离配送点i第j近的配送点编号;然后随机生成第1个配送点的编码i,并从“配送点相邻矩阵”第i行元素中优先选择距离该配送点最近的配送点j作为的第2个编码,如果在“配送点相邻矩阵”中对应的编码与前面已出现的编码冲突,则随机生成另一个未出现的配送点编码;以此类推,生成一个1-n间不重复的自然数序列;考虑到配送车辆的载重量限制,可在各自然数序列中,从左至右依次累加相应配送点的智能表需求量,并在刚好不超过单台配送车辆的载重量的编码前依次***符号“︱”,每个“︱”与“︱”之间的自然序列代表了从配送中心出发的单台车辆路径,而每个初始化个体代表了一种初始化配送方案;如果遗传算法中的种群规模为nr,则按上述方法随机生成nr个类似的自然数序列个体,从而形成一个nr×n阶的初始化种群。
而且,所述S5中,适应度函数为fit(i)=F(i)+DF(i)+TF(i),其中:F(i)表示路径优化的目标函数,DF(i)表示配送车辆超过最大行驶距离L的惩罚费用函数,TF(i)为配送时间超过预定时限ETj、LTj的惩罚费用函数。
而且,所述S6中,最优保存算法,是根据当代个体适应度值大小进行排序,把适应度值最高的个体fitdmax保存下来,并与经过前面迭代运算中保存的历代种群最优个体fitlmax进行比较,如果fitdmax≥fitlmax,用当代最优个体取代历代最优个体中的fitlmax,即fitlmax=fitdmax,如果fitdmax≤fitlmax,则表明最优个体在遗传过程中遭到了破坏,需要重新恢复,具体做法是用保存的历代种群最优个体代替当代种群中适应度最小的个体。
而且,所述S7中,终止迭代条件为1000次迭代循环,或连续多次迭代的历代种群最优个体差值不大于0.01。
而且,所述S8中,选择操作原则为个体适应度值越大,适应性就越强,其成为父代繁衍下一代个体的几率就越高。具体的操作过程如下:
①计算种群中所有个体的适应度之和,nr表示种群的个体数目;
②分别计算种群中各个个体的相对适应度,并将个体相对适应度值按大小顺序进行排序和累加,以此作为该个体在下代繁衍过程中被选中作为父代的概率依据;
③采用轮盘赌选择法,即采用rand()算法产生一个(0,1)之间的随机数,当其刚好大于某个体前的所有相对适应度累加值时,即选择该个体作为父代。
而且,所述S9中,交叉操作采用较简单的次序杂交算法,具体过程如下:
①先对种群中的父辈个体进行两两随机配对;
②在每一配对的父辈个体,随机选取某2个交叉点后按照一定原则交换相互两个个体的部分基因段;且交叉概率为0.9。
而且,所述S10中,变异操作采用对换变异操作,在同一个体中随机选择的2个不同基因位,并交换这2个基因位的编码值,变异概率为0.001。
本发明的优点和积极效果是:
本发明方法从时间和空间的角度重点考虑智能表配送计划的优化方法,结合省级计量中心实际,将智能表的配送车辆路径规划问题转化为一配送中心、多车辆、有容量和时间限制的车辆优化调度问题,建立相应的数学模型,并采用改进遗传算法进行求解分析,得出合理的智能表配送车辆路径方案,从而避免了传统的人工制定智能表配送计划的诸多弊端,为及时、经济、高效、准确的智能表供应提供强有力的支撑。
附图说明
图1为本方法流程框图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种智能电能表的配送车辆路径优化方法,步骤如下:
S1获取相关数据,包括:配送中心配送车辆数、载重量、最大行驶距离及司机出行费用系数,任意配送点之间的距离参数及单位距离运输成本,各配送点的智能表需求量及接收智能表的时间限制等;
S2构建智能表配送车辆路径优化数学模型;
数学模型包括:路径优化目标函数和约束条件。
所述路径优化目标函数为:其主要包含两部分:一是车辆的运输行驶总成本,二是车辆司机的出行费用。其中:m为投入使用的配送车辆;xijk为0、1变量,xijk=1表示车辆k从配送点i行驶到配送点j,否则xijk=0;dij表示配送点i到配送点j的运输距离;c1和c2分别表示配送车辆单位距离的运输成本和单个司机的出行费用系数。
所述路径优化约束条件包括:
①车辆数目约束,m≤A,A表示配送中心可供使用的车辆;
②配送车辆的车载量约束,n表示所有配送点数目,Q表示车辆的最大载重数目,qi表示配送点i的智能表需求数目,yik为0、1变量,yik=1表示配送点i的智能表由车辆k来配送,否则yik=0;
③配送车辆行距约束,L表示配送车辆的最大行驶距离;
④ETj≤tj≤LTj,tj=ti+xbti+tij,i,j=1,2…n,ti表示配送车辆到达配送点i的时刻,xbti表示在配送点i所需的卸表时间,tij表示配送车辆从配送点i到配送点j的路上行驶时间,ETj、LTj分别表示配送车辆到达的最早时刻和最晚时刻限制。
S3基于改进的遗传算法,首先确定个体的编码原则;
改进遗传算法个体编码的原则为:直接采用数字对配送点进行编码,其中i=0表示省级计量中心,i=1,2,…n分别表示不同的配送点,然后根据配送点在整个路径中的相对位置来确定个体编码,即遗传算法中的每一个个体就是几条独立线路的访问顺序。
S4采用贪心算法初始化种群,形成初步车辆配送方案;
贪心算法初始化种群是首先构建“配送点相邻矩阵”:将距离配送点i最近的3个配送点按距离远近依次排序,从而组成一个n+1×3阶矩阵,其中元素Aij表示距离配送点i第j近的配送点编号;然后随机生成第1个配送点的编码i,并从“配送点相邻矩阵”第i行元素中优先选择距离该配送点最近的配送点j作为的第2个编码,如果在“配送点相邻矩阵”中对应的编码与前面已出现的编码冲突,则随机生成另一个未出现的配送点编码;以此类推,生成一个1-n间不重复的自然数序列;考虑到配送车辆的载重量限制,可在各自然数序列中,从左至右依次累加相应配送点的智能表需求量,并在刚好不超过单台配送车辆的载重量的编码前依次***符号“︱”,每个“︱”与“︱”之间的自然序列代表了从配送中心出发的单台车辆路径,而每个初始化个体代表了一种初始化配送方案;如果遗传算法中的种群规模为nr,则按上述方法随机生成nr个类似的自然数序列个体,从而形成一个nr×n阶的初始化种群。
S5确定个体的适应度函数,并依次计算个体的适应度值;
适应度函数为fit(i)=F(i)+DF(i)+TF(i),其中:F(i)表示路径优化的目标函数,DF(i)表示配送车辆超过最大行驶距离L的惩罚费用函数,TF(i)为配送时间超过预定时限ETj、LTj的惩罚费用函数。
S6采用最优保存算法来保存当代种群的最优个体,并与历代种群最优个体进行比较,从而保证遗传算法的随机性不致破坏当代种群中的最优个体;
最优保存算法,是根据当代个体适应度值大小进行排序,把适应度值最高的个体fitd.max保存下来,并与经过前面迭代运算中保存的历代种群最优个体fitl.max进行比较,如果fitd.max≥fitl.max,用当代最优个体取代历代最优个体中的fitl.max,即fitl.max=fitd.max,如果fitd.max≤fitl.max,则表明最优个体在遗传过程中遭到了破坏,需要重新恢复,具体做法是用保存的历代种群最优个体代替当代种群中适应度最小的个体。
S7判断是否满足遗传算法优化准则的迭代终止条件,如果满足,输出历代种群最优个体,并进行解码,进入S11;如果不满足,则转入步骤S8;
所述的终止迭代条件为1000次迭代循环,或连续多次迭代的历代种群最优个体差值不大于0.01。
S8对种群进行选择操作,从而从当前种群中选出优良的个体,使它们有更大的几率作为父代进行下一代繁衍;
选择操作原则为个体适应度值越大,适应性就越强,其成为父代繁衍下一代个体的几率就越高。具体的操作过程如下:
①计算种群中所有个体的适应度之和,nr表示种群的个体数目;
②分别计算种群中各个个体的相对适应度,并将个体相对适应度值按大小顺序进行排序和累加,以此作为该个体在下代繁衍过程中被选中作为父代的概率依据;
③采用轮盘赌选择法,即采用rand()算法产生一个(0,1)之间的随机数,当其刚好大于某个体前的所有相对适应度累加值时,即选择该个体作为父代。
S9对种群进行交叉操作,将种群中的各个个体随机搭配,并以一定的交叉概率交换它们之间的基因片段,从而产生新一代个体;
交叉操作采用较简单的次序杂交算法,具体过程如下:
①先对种群中的父辈个体进行两两随机配对;
②在每一配对的父辈个体,随机选取某2个交叉点后按照一定原则交换相互两个个体的部分基因段。
本实施例中的交叉概率为0.9。
S10对种群进行变异操作,以一定的变异概率对换其中一个或多个基因位的编码值,从而改善遗传算法中的局部搜索能力,之后转入步骤S5;
变异操作采用对换变异操作,在同一个体中随机选择的2个不同基因位,并交换这2个基因位的编码值。
变异概率为0.001。
S11优化结果输出,当满足迭代终止条件后,并对输出的种群最优个体进行解码,从而得到最佳的配送车辆路径优化方案。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (10)
1.一种智能电能表的配送车辆路径优化方法,其特征在于:步骤如下:
S1获取相关数据,包括:配送中心配送车辆数、载重量、最大行驶距离及司机出行费用系数,任意配送点之间的距离参数及单位距离运输成本,各配送点的智能表需求量及接收智能表的时间限制;
S2构建智能表配送车辆路径优化数学模型;
S3基于改进的遗传算法,首先确定个体的编码原则;
S4采用贪心算法初始化种群,形成初步车辆配送方案;
S5确定个体的适应度函数,并依次计算个体的适应度值;
S6采用最优保存算法来保存当代种群的最优个体,并与历代种群最优个体进行比较,从而保证遗传算法的随机性不致破坏当代种群中的最优个体;
S7判断是否满足遗传算法优化准则的迭代终止条件,如果满足,输出历代种群最优个体,并进行解码,进入S11;如果不满足,则转入步骤S8;
S8对种群进行选择操作,从而从当前种群中选出优良的个体,使它们有更大的几率作为父代进行下一代繁衍;
S9对种群进行交叉操作,将种群中的各个个体随机搭配,并以一定的交叉概率交换它们之间的基因片段,从而产生新一代个体;
S10对种群进行变异操作,以一定的变异概率对换其中一个或多个基因位的编码值,从而改善遗传算法中的局部搜索能力,之后转入步骤S5;
S11优化结果输出,当满足迭代终止条件后,并对输出的种群最优个体进行解码,从而得到最佳的配送车辆路径优化方案。
2.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:步骤S2中,构建智能表配送车辆路径优化数学模型包括:路径优化目标函数和约束条件;
所述路径优化目标函数为:min其主要包含两部分:一是车辆的运输行驶总成本,二是车辆司机的出行费用。其中:m为投入使用的配送车辆;xijk为0、1变量,xijk=1表示车辆k从配送点i行驶到配送点j,否则xijk=0;dij表示配送点i到配送点j的运输距离;c1和c2分别表示配送车辆单位距离的运输成本和单个司机的出行费用系数;
所述路径优化约束条件包括:
①车辆数目约束,m≤A,A表示配送中心可供使用的车辆;
②配送车辆的车载量约束,k=1,2,…n,n表示所有配送点数目,Q表示车辆的最大载重数目,qi表示配送点i的智能表需求数目,yik为0、1变量,yik=1表示配送点i的智能表由车辆k来配送,否则yik=0;
③配送车辆行距约束,L表示配送车辆的最大行驶距离;
④ETj≤tj≤LTj,tj=ti+xbti+tij,i,j=1,2…n,ti表示配送车辆到达配送点i的时刻,xbti表示在配送点i所需的卸表时间,tij表示配送车辆从配送点i到配送点j的路上行驶时间,ETj、LTj分别表示配送车辆到达的最早时刻和最晚时刻限制。
3.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S3中,改进遗传算法个体编码的原则为:直接采用数字对配送点进行编码,其中i=0表示省级计量中心,i=1,2,…n分别表示不同的配送点,然后根据配送点在整个路径中的相对位置来确定个体编码,即遗传算法中的每一个个体就是几条独立线路的访问顺序。
4.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S4中,贪心算法初始化种群是首先构建“配送点相邻矩阵”:将距离配送点i最近的3个配送点按距离远近依次排序,从而组成一个n+1×3阶矩阵,其中元素Aij表示距离配送点i第j近的配送点编号;然后随机生成第1个配送点的编码i,并从“配送点相邻矩阵”第i行元素中优先选择距离该配送点最近的配送点j作为的第2个编码,如果在“配送点相邻矩阵”中对应的编码与前面已出现的编码冲突,则随机生成另一个未出现的配送点编码;以此类推,生成一个1-n间不重复的自然数序列;考虑到配送车辆的载重量限制,可在各自然数序列中,从左至右依次累加相应配送点的智能表需求量,并在刚好不超过单台配送车辆的载重量的编码前依次***符号“︱”,每个“︱”与“︱”之间的自然序列代表了从配送中心出发的单台车辆路径,而每个初始化个体代表了一种初始化配送方案;如果遗传算法中的种群规模为nr,则按上述方法随机生成nr个类似的自然数序列个体,从而形成一个nr×n阶的初始化种群。
5.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S5中,适应度函数为fit(i)=F(i)+DF(i)+TF(i)其中:F(i)表示路径优化的目标函数,DF(i)表示配送车辆超过最大行驶距离L的惩罚费用函数,TF(i)为配送时间超过预定时限ETj、LTj的惩罚费用函数。
6.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S6中,最优保存算法,是根据当代个体适应度值大小进行排序,把适应度值最高的个体fitdmax保存下来,并与经过前面迭代运算中保存的历代种群最优个体fitlmax进行比较,如果fitdmax≥fitlmax用当代最优个体取代历代最优个体中的fitlmax即fitlmax=fitdmax如果fitdmax≤fitlmax则表明最优个体在遗传过程中遭到了破坏,需要重新恢复,具体做法是用保存的历代种群最优个体代替当代种群中适应度最小的个体。
7.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S7中,终止迭代条件为1000次迭代循环,或连续多次迭代的历代种群最优个体差值不大于0.01。
8.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S8中,选择操作原则为个体适应度值越大,适应性就越强,其成为父代繁衍下一代个体的几率就越高。具体的操作过程如下:
①计算种群中所有个体的适应度之和,nr表示种群的个体数目;
②分别计算种群中各个个体的相对适应度,k=1,2…nr,并将个体相对适应度值按大小顺序进行排序和累加,以此作为该个体在下代繁衍过程中被选中作为父代的概率依据;
③采用轮盘赌选择法,即采用rand()算法产生一个(0,1)之间的随机数,当其刚好大于某个体前的所有相对适应度累加值时,即选择该个体作为父代。
9.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S9中,交叉操作采用较简单的次序杂交算法,具体过程如下:
①先对种群中的父辈个体进行两两随机配对;
②在每一配对的父辈个体,随机选取某2个交叉点后按照一定原则交换相互两个个体的部分基因段;且交叉概率为0.9。
10.根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S10中,变异操作采用对换变异操作,在同一个体中随机选择的2个不同基因位,并交换这2个基因位的编码值,变异概率为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510522920.4A CN105096006A (zh) | 2015-08-24 | 2015-08-24 | 一种智能电能表的配送车辆路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510522920.4A CN105096006A (zh) | 2015-08-24 | 2015-08-24 | 一种智能电能表的配送车辆路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105096006A true CN105096006A (zh) | 2015-11-25 |
Family
ID=54576378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510522920.4A Pending CN105096006A (zh) | 2015-08-24 | 2015-08-24 | 一种智能电能表的配送车辆路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105096006A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809290A (zh) * | 2016-03-11 | 2016-07-27 | 中国联合网络通信集团有限公司 | 一种实现物流调度的方法及装置 |
CN106529735A (zh) * | 2016-11-22 | 2017-03-22 | 兰州交通大学 | 一种超市导路装置 |
CN106779173A (zh) * | 2016-11-25 | 2017-05-31 | 浙江工业大学 | 一种物流配送车辆路径优化方法 |
CN106803136A (zh) * | 2017-01-24 | 2017-06-06 | 苏州工业职业技术学院 | 一种基于混合遗传算法的生鲜配送实时优化方法 |
CN106871916A (zh) * | 2017-01-19 | 2017-06-20 | 华南理工大学 | 一种基于自主导航的快递派送方法 |
CN106951981A (zh) * | 2017-02-24 | 2017-07-14 | 河海大学 | 一种车辆路径选择方法 |
CN107122929A (zh) * | 2017-03-22 | 2017-09-01 | 无锡中科富农物联科技有限公司 | 基于改进遗传算法的农资连锁经营配送中车辆调度方法 |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN107145961A (zh) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | 一种基于改进遗传算法的旅游行程规划方法 |
CN107292450A (zh) * | 2017-07-18 | 2017-10-24 | 西安电子科技大学 | 基于多智能体遗传算法的灾害救援救护车路径规划方法 |
CN107341578A (zh) * | 2017-07-25 | 2017-11-10 | 哈尔滨工业大学 | 基于遗传算法的空间碎片主动清除任务规划方法 |
CN107766994A (zh) * | 2017-12-04 | 2018-03-06 | 长沙理工大学 | 一种共享自行车调度方法与调度*** |
CN108399464A (zh) * | 2017-09-27 | 2018-08-14 | 圆通速递有限公司 | 一种多式联运路径优化方法和*** |
CN108921326A (zh) * | 2018-06-06 | 2018-11-30 | 广东工业大学 | 一种基于相似度学习的智能文化基因物流配送方法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
CN109074620A (zh) * | 2016-04-25 | 2018-12-21 | 株式会社日立物流 | 配送计划制定***和配送计划制定方法 |
CN109242502A (zh) * | 2017-07-05 | 2019-01-18 | 成都上门侠科技有限公司 | 工单处理方法和工单处理装置 |
CN109543892A (zh) * | 2018-11-14 | 2019-03-29 | 成都英孚克斯科技有限公司 | 一种基于遗传算法的路径选择方法 |
CN109945884A (zh) * | 2019-04-12 | 2019-06-28 | 德邦物流股份有限公司 | 实时路径规划方法、装置、计算机终端和可读存储介质 |
CN110363455A (zh) * | 2018-04-09 | 2019-10-22 | 株式会社日立制作所 | 一种物品收集的路线规划方法及*** |
CN110543990A (zh) * | 2019-09-05 | 2019-12-06 | 吉林大学 | 一种基于双层遗传算法的洒水车路线智能规划方法 |
CN110675015A (zh) * | 2019-08-06 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种电能表资源调配方法及装置 |
CN111879307A (zh) * | 2020-06-22 | 2020-11-03 | 国网河北省电力有限公司信息通信分公司 | 一种基于车身参数及工程建设信息的车辆路径规划方法 |
CN112150076A (zh) * | 2020-09-29 | 2020-12-29 | 陕西科技大学 | 基于工位排序的车间物料动态配送模型设计及实现方法 |
CN113177662A (zh) * | 2021-05-08 | 2021-07-27 | 深圳小狮快送科技有限公司 | 带固定分配方案约束的配送车辆路线优化方法 |
CN113496299A (zh) * | 2020-03-19 | 2021-10-12 | 上海达牛信息技术有限公司 | 一种基于量子遗传算法的车辆路径规划方法 |
CN113743788A (zh) * | 2021-09-06 | 2021-12-03 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于改进遗传算法的工业车辆调度方法 |
CN113762893A (zh) * | 2021-08-30 | 2021-12-07 | 浙江工业大学 | 一种基于物联网技术的车间智能配送器模型及其求解算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256421A (ja) * | 2000-03-10 | 2001-09-21 | Mitsubishi Chemicals Corp | プラント修理計画の最適化システム |
CN103324982A (zh) * | 2013-06-07 | 2013-09-25 | 银江股份有限公司 | 一种基于遗传算法的路径规划方法 |
CN104567905A (zh) * | 2014-12-25 | 2015-04-29 | 深圳国泰安教育技术股份有限公司 | 一种车辆规划路径的生成方法、装置 |
CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
CN104732289A (zh) * | 2015-03-20 | 2015-06-24 | 深圳支付界科技有限公司 | 一种配送路径规划方法及*** |
-
2015
- 2015-08-24 CN CN201510522920.4A patent/CN105096006A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001256421A (ja) * | 2000-03-10 | 2001-09-21 | Mitsubishi Chemicals Corp | プラント修理計画の最適化システム |
CN103324982A (zh) * | 2013-06-07 | 2013-09-25 | 银江股份有限公司 | 一种基于遗传算法的路径规划方法 |
CN104567905A (zh) * | 2014-12-25 | 2015-04-29 | 深圳国泰安教育技术股份有限公司 | 一种车辆规划路径的生成方法、装置 |
CN104700160A (zh) * | 2015-02-16 | 2015-06-10 | 南京邮电大学 | 一种车辆路径优化方法 |
CN104732289A (zh) * | 2015-03-20 | 2015-06-24 | 深圳支付界科技有限公司 | 一种配送路径规划方法及*** |
Non-Patent Citations (2)
Title |
---|
贾朝晖: "智能电能表的库存控制与配送整合优化问题研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
贾震环: "基于遗传算法的低碳物流配送路径优化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809290A (zh) * | 2016-03-11 | 2016-07-27 | 中国联合网络通信集团有限公司 | 一种实现物流调度的方法及装置 |
CN109074620B (zh) * | 2016-04-25 | 2021-11-19 | 株式会社日立物流 | 配送计划制定***和配送计划制定方法 |
CN109074620A (zh) * | 2016-04-25 | 2018-12-21 | 株式会社日立物流 | 配送计划制定***和配送计划制定方法 |
CN106529735A (zh) * | 2016-11-22 | 2017-03-22 | 兰州交通大学 | 一种超市导路装置 |
CN106779173A (zh) * | 2016-11-25 | 2017-05-31 | 浙江工业大学 | 一种物流配送车辆路径优化方法 |
CN106871916A (zh) * | 2017-01-19 | 2017-06-20 | 华南理工大学 | 一种基于自主导航的快递派送方法 |
CN106803136A (zh) * | 2017-01-24 | 2017-06-06 | 苏州工业职业技术学院 | 一种基于混合遗传算法的生鲜配送实时优化方法 |
CN106951981A (zh) * | 2017-02-24 | 2017-07-14 | 河海大学 | 一种车辆路径选择方法 |
CN107122929A (zh) * | 2017-03-22 | 2017-09-01 | 无锡中科富农物联科技有限公司 | 基于改进遗传算法的农资连锁经营配送中车辆调度方法 |
CN107145961A (zh) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | 一种基于改进遗传算法的旅游行程规划方法 |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN109242502A (zh) * | 2017-07-05 | 2019-01-18 | 成都上门侠科技有限公司 | 工单处理方法和工单处理装置 |
CN107292450A (zh) * | 2017-07-18 | 2017-10-24 | 西安电子科技大学 | 基于多智能体遗传算法的灾害救援救护车路径规划方法 |
CN107341578A (zh) * | 2017-07-25 | 2017-11-10 | 哈尔滨工业大学 | 基于遗传算法的空间碎片主动清除任务规划方法 |
CN108399464A (zh) * | 2017-09-27 | 2018-08-14 | 圆通速递有限公司 | 一种多式联运路径优化方法和*** |
CN107766994A (zh) * | 2017-12-04 | 2018-03-06 | 长沙理工大学 | 一种共享自行车调度方法与调度*** |
CN107766994B (zh) * | 2017-12-04 | 2023-06-30 | 长沙理工大学 | 一种共享自行车调度方法与调度*** |
CN110363455A (zh) * | 2018-04-09 | 2019-10-22 | 株式会社日立制作所 | 一种物品收集的路线规划方法及*** |
CN108921326A (zh) * | 2018-06-06 | 2018-11-30 | 广东工业大学 | 一种基于相似度学习的智能文化基因物流配送方法 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
CN109543892A (zh) * | 2018-11-14 | 2019-03-29 | 成都英孚克斯科技有限公司 | 一种基于遗传算法的路径选择方法 |
CN109945884A (zh) * | 2019-04-12 | 2019-06-28 | 德邦物流股份有限公司 | 实时路径规划方法、装置、计算机终端和可读存储介质 |
CN110675015A (zh) * | 2019-08-06 | 2020-01-10 | 国网山东省电力公司电力科学研究院 | 一种电能表资源调配方法及装置 |
CN110543990A (zh) * | 2019-09-05 | 2019-12-06 | 吉林大学 | 一种基于双层遗传算法的洒水车路线智能规划方法 |
CN113496299A (zh) * | 2020-03-19 | 2021-10-12 | 上海达牛信息技术有限公司 | 一种基于量子遗传算法的车辆路径规划方法 |
CN111879307A (zh) * | 2020-06-22 | 2020-11-03 | 国网河北省电力有限公司信息通信分公司 | 一种基于车身参数及工程建设信息的车辆路径规划方法 |
CN112150076A (zh) * | 2020-09-29 | 2020-12-29 | 陕西科技大学 | 基于工位排序的车间物料动态配送模型设计及实现方法 |
CN112150076B (zh) * | 2020-09-29 | 2023-11-21 | 陕西科技大学 | 基于工位排序的车间物料动态配送模型设计及实现方法 |
CN113177662A (zh) * | 2021-05-08 | 2021-07-27 | 深圳小狮快送科技有限公司 | 带固定分配方案约束的配送车辆路线优化方法 |
CN113762893A (zh) * | 2021-08-30 | 2021-12-07 | 浙江工业大学 | 一种基于物联网技术的车间智能配送器模型及其求解算法 |
CN113743788A (zh) * | 2021-09-06 | 2021-12-03 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于改进遗传算法的工业车辆调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105096006A (zh) | 一种智能电能表的配送车辆路径优化方法 | |
CN109117993B (zh) | 一种车辆路径优化的处理方法 | |
Lee et al. | A hybrid hub-and-spoke postal logistics network with realistic restrictions: A case study of Korea Post | |
Harbaoui Dridi et al. | Optimisation of the multi-depots pick-up and delivery problems with time windows and multi-vehicles using PSO algorithm | |
CN111768149A (zh) | 一种快递物流网络规划优化方法及*** | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN109559062A (zh) | 一种合作式物流问题的任务分配与路径规划方法 | |
Zhao et al. | A discrete hybrid invasive weed optimization algorithm for the capacitated vehicle routing problem | |
CN105976054A (zh) | 一种计量器具仓储***的货位优化方法 | |
CN110689165A (zh) | 一种基于路网可达性的车辆路径优化方法 | |
Wang et al. | Carbon reduction in the location routing problem with heterogeneous fleet, simultaneous pickup-delivery and time windows | |
CN111445186A (zh) | 一种基于Petri网理论的带时间窗的车辆路径优化方法 | |
CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及*** | |
Tan et al. | The optimization of bus scheduling based on genetic algorithm | |
Zhou et al. | Bilevel optimization approach to fast charging station planning in electrified transportation networks | |
CN101909078A (zh) | 一种基于新服务集构造的动态服务选择方法 | |
Tunga et al. | A method for solving bi-objective green vehicle routing problem (G-VRP) through genetic algorithm | |
Shen et al. | A MultiObjective optimization approach for integrated timetabling and vehicle scheduling with uncertainty | |
CN114707918B (zh) | 一种铁路分级节点运输方法 | |
González-Ramírez et al. | A GRASP‐Tabu Heuristic Approach to Territory Design for Pickup and Delivery Operations for Large‐Scale Instances | |
Qian et al. | A hyper heuristic algorithm for low carbon location routing problem | |
CN114240535A (zh) | 一种集群式供应链下的混合合约设计方法和*** | |
YANG et al. | Optimizing the scale and spatial location of city logistics terminals | |
Li | [Retracted] Multiparty Coordinated Logistics Distribution Route Optimization Based on Data Analysis and Intelligent Algorithm | |
Tang et al. | An Improved Iterated Local Search Algorithm for the Static Partial Repositioning Problem in Bike‐Sharing System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151125 |