CN111191813A - 基于货物载重与软时间窗限制的车辆配送路径优化方法 - Google Patents
基于货物载重与软时间窗限制的车辆配送路径优化方法 Download PDFInfo
- Publication number
- CN111191813A CN111191813A CN201910974101.1A CN201910974101A CN111191813A CN 111191813 A CN111191813 A CN 111191813A CN 201910974101 A CN201910974101 A CN 201910974101A CN 111191813 A CN111191813 A CN 111191813A
- Authority
- CN
- China
- Prior art keywords
- cost
- node
- vehicle
- electric vehicle
- distribution
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims description 63
- 230000035772 mutation Effects 0.000 claims description 15
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明请求保护一种基于货物载重与软时间窗限制的车辆配送路径优化方法,在现有电动车辆路径优化的基础上,重点考虑车辆载重量对电池能耗的影响,还考虑了软时间窗约束,建立配送成本(出车成本、司机成本、充电成本、惩罚时间窗成本)最小化为目标的电动车辆路径优化模型,然后采用遗传算法进行求解,获取配送路径优化方案。本发明建立了电动车辆基于能耗的充电成本函数;建立了电动车辆的软时间窗惩罚成本函数;且能够根据实际情况中客户货物重量、充电需求等制定配送路线,从而达到配送成本最小。
Description
技术领域
本发明属于物流配送领域,同时属于计算机应用领域、复杂函数优化技术 领域,具体涉及一种基于货物载重与软时间窗限制的电动车辆配送路径优化方 法。
背景技术
近年来,随着经济的快速发展,用户的消费水平和采购需求日益提高,物 流活动急剧增加。然而,物流车辆的能源消耗和碳排放等产生一系列的环境污 染问题也随之出现,如何应用新技术、新工艺和新材料减少物流活动的负面影 响已成为现代物流业发展中的一个重要问题。电动汽车以其低消耗、低排放、 低污染特点成为解决这一问题的有效途径之一,为此,国家先后出台了一系列 政策法规来推进电动汽车产业及其配套服务设施的发展,京东与阿里巴巴等物 流行业领跑者也在大力实施车辆的电动化。与传统的燃油车辆相比,电动车辆 的行驶路程较短,需要在配送过程中不定期前往充电站充电,由于现阶段充电 设施相对较少,往往会出现电动汽车绕行前往充电站的情况,从而影响到正常 的物流配送过程,延长了配送车辆在途时间,降低了物流服务质量。因此,如 何合理的优化电动汽车配送路径,成为了亟待解决的重要问题。
电动车辆路径问题,由车辆路径问题拓展而来。近年来,针对电动汽车配 送问题的研究大多数聚焦于充电技术和充电站位置问题,基于电动物流车的路 径优化问题研究成果还比较少。现有的电动车辆路径规划研究主要是考虑电池 电量和最优充电路径等约束条件,通过考虑不同影响因素(低碳、续驶里程、 时间窗等)来构建模型。目前电动物流配送路径优化模型主要考虑了低碳、续 驶里程、充电策略等约束条件,在电能消耗上仅考虑了运输距离对车辆电能消 耗的影响,虽近期少有考虑了电动车辆所在位置等其他因素对电能消耗的影响, 但尚未考虑货物载重量对电动汽车电能的消耗影响,这会导致车辆行驶时的实 际耗电量与理论存在偏差,出现车辆中途电量耗尽的情况,进而影响到电动车 辆配送路径的科学性。物流配送中也采用电动汽车为各个客户点进行配送服务, 每个客户点都有配送时间的限制。如果配送中不能在时间窗内到达客户点将接 受一定的惩罚。物流配送中充电成本、惩罚成本、出车成本和司机成本构成的 总成本最小,需要对配送中也的车辆行驶路径进行科学合理的规划。本发明对 所研究的问题进行了深入分析,在一定基本假设的前提下,构建了问题所对应 的数学模型。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能够根据实际情况中客户 货物重量、充电需求等制定配送路线,从而达到配送成本最小的方法。本发明 的技术方案如下:
一种基于货物载重与软时间窗限制的车辆配送路径优化方法,其包括以下步 骤:
步骤1、获取电动车辆行程约束、货物载重以及时间约束的实际情况,构建 以配送成本最小化的改进电动车辆路径优化模型,所述配送成本包括出车成本、 司机成本、充电成本、惩罚时间窗成本,所述改进电动车辆路径优化模型的目 标函数中引入了引入能量消耗公式,将软时间窗和车辆载重量对电池能耗的影 响加入能量消耗中,并对改进电动车辆路径优化模型的目标函数设定约束条件;
步骤2、采用自然数编码的方式进行遗传算法编码方案的设计,由于遗传算 法的编码方案不能完全反映模型的约束条件,本文将其与目标函数融合成算法 的适应度函数,并且为了改善算法进化后期的寻优能力,本文采用新的改进交 叉算子,在交叉操作中尽可能的保留优秀的父代子路径信息,将父代染色体中 优秀子路径保留并遗传到子代染色体中。求解步骤1所述的改进电动车辆路径 优化模型的目标函数,获取最优配送路径。
进一步的,步骤1所述的改进电动车辆的配送路径优化目标模型的目标函 数为
其中,式中V为所有节点的集合,V=O∪C∪F∪O',它由客户集C、充电 站集合F、配送中心O和虚拟配送中心O'共同组成。K={1,2,...,k}表示电动汽车 集合。C1、C2、C3、C4分别表示车辆使用成本、司机成本、充电成本、惩罚成 本;C0、Cl、Ce表示单位车辆使用成本、单位行驶成本、单位电量电价;sik:电 动车辆k在客户节点i的服务时间,Sik:电动车辆k在充电节点i的服务时间;lij: 节点节点i到节点j之间的距离,Sik:电动车辆k在充电节点i的服务时间;
Tik:电动车辆k到达节点i的时刻;Ti early、Ti delay表示客户i的标准最早、最晚 服务时间;mij表示节点i到节点j上电动车辆消耗的能量;xijk:0-1变量,xijk为 1表示电动车辆k到达节点i直接行使至j点,否则为0;yik:0-1变量,yik为1 表示电动车辆k到达节点i进行充电,否则为0。
目标函数中充电成本等于补偿电动物流车的电池消耗能量所发生的成本, 也就是将货物载重引入,重点考虑车辆载重量对电池能耗的影响;
其中,αij=a+gsinθij+gCrcosθij是特定常数,β=0.5CdAρ表示车辆特定常数,ef表示发动机效率,fij表示电动车辆k在节点i与节点j上的载重;vij表示电动车 辆在节点i与节点j的配送速度;ω表示车辆整备重量(tons),a表示加速度(m /s2),g表示引力常数(m/s2),θ表示道路角度,A表示车辆的正面面积(m2), ρ表示空气密度(kg/m3),Cr表示滚动阻力系数,Cd表示轧制阻力系数。
得到充电成本函数的表达式如下:
目标函数还考虑了软时间窗约束,假设每辆电动车辆都有一个送货时间窗[Ti early,Ti delay],当车辆在该时间窗送货,则不须支付任何惩罚成本,车辆如果早到 或者晚到,会产生一定的惩罚时间成本,惩罚时间成本的大小与早到或者晚到 客户点时间的长短呈线性关系,得到惩罚成本函数为:
可表示成
其中,Ca表示早到的单位时间成本、Cb表示晚到的单位时间成本,Ti early、Ti delay表示客户i的标准最早、最晚服务时间。
进一步的,所述改进电动车辆路径优化模型的目标函数设定约束条件如下:
以上约束条件中:
式(1)(2)表示确保每个预约客户都能被访问到;
式(3)表示流量守恒准则,电动车到达某节点后一定会离开;
式(4)(5)表示电动车从配送中心出发,完成任务后返回配送中心;
式(6)表示配送任务的电动车数量应小于等于配送中心电动车总数量;
式(7)表示电动车离开配送中心时的载重量;
式(8)表示电动车离开配送中心时的载重量小于额定载重量;
式(9)(10)表示在访问节点i到节点j时剩余电池的消耗应减少mij;
式(11)表示下一个访问节点j的时间计算公式;
式(12)表示电动车在每个节点的剩余电量大于0;
式(13)(14)表示yik、xijk的0-1变量;
各公式中的变量和参数符号定义:
式中,Wmax、Wok分别表示电动车辆额定载重量和离开配送中心时的载重量; Di:节点i的需求量;Q:电动车辆的电池容量;yijk:电动车辆k从节点i到节点 j的剩余电量。
进一步的,所述步骤2用基本的遗传算法求解所述电动车辆路径优化模型 的目标函数,包括以下步骤:
(1)染色体编码
采用自然数编码的形式,染色体由N个节点组成,则编码长度为N,基因 为1至n的整数随机排列;
(2)种群初始化
随机产生长度为N随机排列,令Wii+1表示染色体中车辆离开第i个客户点去 往第i+1个客户点时的载重量,判断Wii+1是否大于Q,当Vi-1,i≤Wmax、Wi,i+1>Wmax时, 在染色体第i位的前面***0;从***0后的位置重新开始计算Wii+1值,重复直至 序列结束;同时,从第一个节点开始计算消耗的电量,判断当到达节点i时,若 剩余电量无法让运输车到达下一个节点或者无法从下一个节点到达最近的充电 站,则要在节点i后面***与此节点最近的充电站编号,节点编号为N+1,N+2,…, N+F,直到循环到最后一个节点;然后,在染色体的首尾分别***一个0,最终 形成一条初始染色体;最后,重复上述过程产生若干条染色体构成初始种群;
(3)适应度函数,将适应度函数设定为目标函数Ci的倒数,即适应度函数 为:Fi=1/Ci;
(4)选择操作
采用轮盘赌方式选择染色体高适应度的个体,并作为父代被遗传到下一代 中;
(5)交叉操作
自然数编码进行交叉的方法有很多,比如顺序交叉、循环交叉等。这些交 叉方法适用于TSP问题,不能很好的适应多辆配送车辆,多条子路经的车辆路 径优化问题。为了改善算法进化后期的寻优能力,本文采用新的改进交叉算子, 将会最大程度的保留父代的优秀子路径保留下来。
(6)变异操作
对于基因序列按照设定好的变异概率Pm,进行变异操作采用两点互易进行 变异。
(7):进化逆转操作。首先产生随机自然数r1和r2;然后再将两点之间的所 有节点编号逆转。如果适应度提高则此操作才为有效,然后进入下一代,直到 达到最大迭代次数。
进一步的,所述步骤(5)交叉操作的具体步骤包括:
Step1:选择两个父代染色体,随机在其染色体上选择一段路径;
Step2:被选择的子路段前置;
Step3:将父代染色体1的子路径A作为子代染色体1的一部分,同时将父 代染色体2中子路径A没有的编码按照父代染色体2中的顺序添加到子路径A 的后面,并在染色体的末尾添加编码0;
Step4:对于子代染色体1,在子路经A后面的7个位置中的任意一个的位置 添加1个编码0,这时会有产生7条染色体,计算它们的适应度,适应度值最 大就是子代染色体1;同理得到其他子染色体。
进一步的,所述步骤(6)变异操作:对于基因序列按照设定好的变异概率 Pm,采用两点互易进行变异操作。
本发明的优点及有益效果如下:
现有研究对电动物流配送路径优化模型主要考虑了低碳、续驶里程、充电 策略等约束条件,在电能消耗上仅考虑了运输距离对车辆电能消耗的影响,虽 近期少有研究考虑了电动车辆所在位置等其他因素对电能消耗的影响,但尚未 考虑货物载重量对电动汽车电能的消耗影响,这会导致车辆行驶时的实际耗电 量与理论存在偏差,出现车辆中途电量耗尽的情况,进而影响到电动车辆配送 路径的科学性。与此同时,多数研究在研究电动车辆路径问题时很少考虑软时 间窗约束下的路径优化,这与实际配送情况不相符合。所以本发明在现有电动 车辆路径优化的基础上,重点考虑车辆载重量对电池能耗的影响,还考虑了软 时间窗约束,建立以配送成本(包括出车成本、司机成本、充电成本以及惩罚 时间窗成本)最小化为目标的电动车辆路径优化模型,然后采用遗传算法进行 求解,获取配送路径优化方案。在对电动车辆路径优化模型求解过程中,能够 快速得到符合实际需要的配送路径。
与现有技术相比,本发明可实现考虑货物载重与软时间窗的电动车辆路径优 化,对于提高配送运输效率,提升企业经济效益,降低配送成本有着重要的指 导意义。
附图说明
图1是本发明提供优选实施例电动车辆配送路径;
图2为本发明采用遗传算法求解模型的流程图;
图3为本发明遗传算法交叉策略操作图;
图4为本发明基于货物载重与软时间窗限制的车辆配送路径优化方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、 详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图4所示,一种电动车辆配送路径优化方法,建立以成本最小为目标的 电动车辆路径优化模型包括:
(1)以最小化配送成本为目标,需要综合考虑车辆容量、运输时间、运输 费用多种因素。
具体地,根据电动车辆行程约束、货物载重以及时间约束的实际情况,构 建以配送成本最小化的电动车辆路径优化模型,目标函数如下:
其中,式中V为所有节点的集合,V=O∪C∪F∪O',它由客户集C、充电 站集合F、配送中心O和虚拟配送中心O'共同组成。K={1,2,...,k}表示电动汽车 集合。C1、C2、C3、C4分别表示车辆使用成本、司机成本、充电成本、惩罚成 本;C0、Cl、Ce表示单位车辆使用成本、单位行驶成本、单位电量电价;sik:电 动车辆k在客户节点i的服务时间,Sik:电动车辆k在充电节点i的服务时间;lij: 节点节点i到节点j之间的距离,Sik:电动车辆k在充电节点i的服务时间;
Tik:电动车辆k到达节点i的时刻;Ti early、Ti delay表示客户i的标准最早、最晚 服务时间;mij表示节点i到节点j上电动车辆消耗的能量;xijk:0-1变量,xijk为 1表示电动车辆k到达节点i直接行使至j点,否则为0;yik:0-1变量,yik为1 表示电动车辆k到达节点i进行充电,否则为0。
充电成本函数详细说明:
充电成本等于补偿电动物流车的电池消耗能量所发生的成本,也就是将货 物载重引入,重点考虑车辆载重量对电池能耗的影响。
其中,αij=a+gsinθij+gCrcosθij是特定常数,β=0.5CdAρ表示车辆特定常数,ef表示发动机效率,fij表示电动车辆k在节点i与节点j上的载重;vij表示电动车 辆在节点i与节点j的配送速度;ω表示车辆整备重量(tons),a表示加速度(m /s2),g表示引力常数(m/s2),θ表示道路角度,A表示车辆的正面面积(m2), ρ表示空气密度(kg/m3),Cr表示滚动阻力系数,Cd表示轧制阻力系数。
得到充电成本函数的表达式如下:
惩罚函数详细说明:
假设每辆电动车辆都有一个送货时间窗[Ti early,Ti delay],当车辆在该时间窗送货,则不须支付任何惩罚成本,车辆如果早到或者晚到,会产生一定的惩罚时间成 本,惩罚时间成本的大小与早到或者晚到客户点时间的长短呈线性关系。得到 惩罚成本函数为:
可表示成
其中,Ca表示早到的单位时间成本、Cb表示晚到的单位时间成本,Ti early、Ti delay表示客户i的标准最早、最晚服务时间。
(2)约束条件
s.t
以上约束条件说明如下:
式(1)(2)表示确保每个预约客户都能被访问到;
式(3)表示流量守恒准则,电动车到达某节点后一定会离开;
式(4)(5)表示电动车从配送中心出发,完成任务后返回配送中心;
式(6)表示配送任务的电动车数量应小于等于配送中心电动车总数量;
式(7)表示电动车离开配送中心时的载重量;
式(8)表示电动车离开配送中心时的载重量小于额定载重量;
式(9)(10)表示在访问节点i到节点j时剩余电池的消耗应减少mij;
式(11)表示下一个访问节点j的时间计算公式;
式(12)表示电动车在每个节点的剩余电量大于0;
式(13)(14)表示yik、xijk的0-1变量。
式中,Wmax、Wok分别表示电动车辆额定载重量和离开配送中心时的载重量; Di:节点i的需求量;Q:电动车辆的电池容量;yijk:电动车辆k从节点i到节点 j的剩余电量。
2.用遗传算法进行求解,参考图2,基本上设计思路如下:
(1)染色体编码
采用自然数编码的形式,染色体由N个节点组成,则编码长度为N,基因 为1至n的整数随机排列,例如有8个需求点,(2 3 1 5 6 4 8 7)就是一条染色 体。
(2)种群初始化
随机产生长度为N随机排列,令Wii+1表示染色体中车辆离开第i个客户点去 往第i+1个客户点时的载重量,判断Wii+1是否大于Q,当Wi-1,i≤Wmax、Wi,i+1>Wmax时, 在染色体第i位的前面***0;从***0后的位置重新开始计算Wii+1值,重复直至 序列结束;同时,从第一个节点开始计算消耗的电量,判断当到达节点i时,若 剩余电量无法让运输车到达下一个节点或者无法从下一个节点到达最近的充电 站,则要在节点i后面***与此节点最近的充电站编号,节点编号为N+1,N+2,…, N+F,直到循环到最后一个节点;然后,在染色体的首尾分别***一个0,最终 形成一条初始染色体。例如,有8个需求点、3辆电动汽车,在配送过程中访问 2个充电站,则(0 2 3 5 8 9 4 0 1 7 10 6 0)是一条合法染色体;最后,重复上述过程产生若干条染色体构成初始种群。
(3)适应度函数。本文的目标函数是求解最小值问题,故可以将本文的适 应度函数设定为目标函数Ci的倒数,即适应度函数为:Fi=1/Ci。
(4)选择操作
采用轮盘赌方式选择染色体高适应度的个体,并作为父代被遗传到下一代 中。
(5)交叉操作
为了保留父代的优秀子路径,改进了交叉算子,其具体过程如图3:
Step1:选择两个父代染色体,随机在其染色体上选择一段路径;
Step2:被选择的子路段前置;
Step3:将父代染色体1的子路经A作为子代染色体1的一部分,同时将父 代染色体2中子路径A没有的编码按照父代染色体2中的顺序添加到子路径A 的后面,并在染色体的末尾添加编码0;
Step4:对于子代染色体1,在子路经A后面的7个位置中的任意一个的位置 添加1个编码0,这时会有产生7条染色体,计算它们的适应度,适应度值最 大就是子代染色体1;同理得到其他子染色体。
(6)变异操作
对于基因序列按照设定好的变异概率Pm,进行变异操作采用两点互易进行 变异。
(7)进化逆转操作
首先产生随机自然数r1和r2;然后再将两点之间的所有节点编号逆转。如果 适应度提高则此操作才为有效,然后进入下一代,直到达到最大迭代次数。
综上所述,本发明在一般电动车辆路径优化的基础上,考虑了软时间窗约束 和车辆载重量对电池能量消耗的影响,构建电动车辆的路径优化模型。由于车 辆在行驶过程中,货物的载重会影响电动车辆的行驶里程,进而影响到整个配 送路径,所以该模型在目标函数中引入能耗公式,重点考虑软时间窗和车辆载 重量对电池能耗的影响,最后设计配送车辆的合理行驶路线,使整体配送成本 最小。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范 围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或 修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于货物载重与软时间窗限制的车辆配送路径优化方法,其特征在于,包括以下步骤:
步骤1、获取电动车辆行程约束、货物载重以及时间约束的实际情况,构建以配送成本最小化的改进电动车辆路径优化模型,所述配送成本包括出车成本、司机成本、充电成本、惩罚时间窗成本,所述改进电动车辆路径优化模型的目标函数中引入了引入能量消耗公式,将软时间窗和车辆载重量对电池能耗的影响加入能量消耗中,并对改进电动车辆路径优化模型的目标函数设定约束条件;
步骤2、采用自然数编码的方式进行遗传算法编码方案的设计,由于遗传算法的编码方案不能完全反映模型的约束条件,本文将其与目标函数融合成算法的适应度函数,并且为了改善算法进化后期的寻优能力,本文采用新的改进交叉算子,在交叉操作中尽可能的保留优秀的父代子路径信息,将父代染色体中优秀子路径保留并遗传到子代染色体中。利用改进的遗传算法求解步骤1所述的改进电动车辆路径优化模型的目标函数,获取最优配送路径。
2.根据权利要求1所述的基于货物载重与软时间窗限制的车辆配送路径优化方法,其特征在于,步骤1所述的改进电动车辆的配送路径优化目标模型的目标函数为
其中,式中V为所有节点的集合,V=O∪C∪F∪O',它由客户集C、充电站集合F、配送中心O和虚拟配送中心O'共同组成。K={1,2,...,k}表示电动汽车集合。C1、C2、C3、C4分别表示车辆使用成本、司机成本、充电成本、惩罚成本;C0、Cl、Ce表示单位车辆使用成本、单位行驶成本、单位电量电价;sik:电动车辆k在客户节点i的服务时间,Sik:电动车辆k在充电节点i的服务时间;lij:节点节点i到节点j之间的距离,Sik:电动车辆k在充电节点i的服务时间;
Tik:电动车辆k到达节点i的时刻;Ti early、Ti delay表示客户i的标准最早、最晚服务时间;mij表示节点i到节点j上电动车辆消耗的能量;xijk:0-1变量,xijk为1表示电动车辆k到达节点i直接行使至j点,否则为0;yik:0-1变量,yik为1表示电动车辆k到达节点i进行充电,否则为0。
目标函数中充电成本等于补偿电动物流车的电池消耗能量所发生的成本,也就是将货物载重引入,重点考虑车辆载重量对电池能耗的影响;
其中,αij=a+gsinθij+gCrcosθij是特定常数,β=0.5CdAρ表示车辆特定常数,ef表示发动机效率,fij表示电动车辆k在节点i与节点j上的载重;vij表示电动车辆在节点i与节点j的配送速度;ω表示车辆整备重量(tons),a表示加速度(m/s2),g表示引力常数(m/s2),θ表示道路角度,A表示车辆的正面面积(m2),ρ表示空气密度(kg/m3),Cr表示滚动阻力系数,Cd表示轧制阻力系数;
得到充电成本函数的表达式如下:
目标函数还考虑了软时间窗约束,假设每辆电动车辆都有一个送货时间窗[Ti early,Ti delay],当车辆在该时间窗送货,则不须支付任何惩罚成本,车辆如果早到或者晚到,会产生一定的惩罚时间成本,惩罚时间成本的大小与早到或者晚到客户点时间的长短呈线性关系,得到惩罚成本函数为:
可表示成
其中,Ca表示早到的单位时间成本、Cb表示晚到的单位时间成本,Ti early、Ti delay表示客户i的标准最早、最晚服务时间。
3.根据权利要求2所述的基于货物载重与软时间窗限制的车辆配送路径优化方法,其特征在于,所述改进电动车辆路径优化模型的目标函数设定约束条件如下:
以上约束条件中:
式(1)(2)表示确保每个预约客户都能被访问到;
式(3)表示流量守恒准则,电动车到达某节点后一定会离开;
式(4)(5)表示电动车从配送中心出发,完成任务后返回配送中心;
式(6)表示配送任务的电动车数量应小于等于配送中心电动车总数量;
式(7)表示电动车离开配送中心时的载重量;
式(8)表示电动车离开配送中心时的载重量小于额定载重量;
式(9)(10)表示在访问节点i到节点j时剩余电池的消耗应减少mij;
式(11)表示下一个访问节点j的时间计算公式;
式(12)表示电动车在每个节点的剩余电量大于0;
式(13)(14)表示yik、xijk的0-1变量;
式中,Wmax、Wok分别表示电动车辆额定载重量和离开配送中心时的载重量;Di:节点i的需求量;Q:电动车辆的电池容量;yijk:电动车辆k从节点i到节点j的剩余电量。
4.根据权利要求3所述的基于货物载重与软时间窗限制的车辆配送路径优化方法,其特征在于,所述步骤2用基本的遗传算法求解所述电动车辆路径优化模型的目标函数,包括以下步骤:
(1)染色体编码
采用自然数编码的形式,染色体由N个节点组成,则编码长度为N,基因为1至n的整数随机排列;
(2)种群初始化
随机产生长度为N随机排列,令Wii+1表示染色体中车辆离开第i个客户点去往第i+1个客户点时的载重量,判断Wii+1是否大于Q,当Wi-1,i≤Wmax、Wi,i+1>Wmax时,在染色体第i位的前面***0;从***0后的位置重新开始计算Wii+1值,重复直至序列结束;同时,从第一个节点开始计算消耗的电量,判断当到达节点i时,若剩余电量无法让运输车到达下一个节点或者无法从下一个节点到达最近的充电站,则要在节点i后面***与此节点最近的充电站编号,节点编号为N+1,N+2,…,N+F,直到循环到最后一个节点;然后,在染色体的首尾分别***一个0,最终形成一条初始染色体;最后,重复上述过程产生若干条染色体构成初始种群;
(3)适应度函数,将适应度函数设定为目标函数Ci的倒数,即适应度函数为:Fi=1/Ci;
(4)选择操作
采用轮盘赌方式选择染色体高适应度的个体,并作为父代被遗传到下一代中;
(5)交叉操作
自然数编码进行交叉的方法有很多,比如顺序交叉、循环交叉等。这些交叉方法适用于TSP问题,不能很好的适应多辆配送车辆,多条子路经的车辆路径优化问题。为了改善算法进化后期的寻优能力,本文采用新的改进交叉算子,将会最大程度的保留父代的优秀子路径保留下来。
(6)变异操作
对于基因序列按照设定好的变异概率Pm,进行变异操作采用两点互易进行变异。
(7):进化逆转操作。首先产生随机自然数r1和r2;然后再将两点之间的所有节点编号逆转。如果适应度提高则此操作才为有效,然后进入下一代,直到达到最大迭代次数。
5.根据权利要求4所述的基于货物载重与软时间窗限制的车辆配送路径优化方法,其特征在于,所述步骤(5)交叉操作的具体步骤包括:
Step1:选择两个父代染色体,随机在其染色体上选择一段路径;
Step2:被选择的子路段前置;
Step3:将父代染色体1的子路径A作为子代染色体1的一部分,同时将父代染色体2中子路径A没有的编码按照父代染色体2中的顺序添加到子路径A的后面,并在染色体的末尾添加编码0;
Step4:对于子代染色体1,在子路经A后面的7个位置中的任意一个的位置添加1个编码0,这时会有产生7条染色体,计算它们的适应度,适应度值最大就是子代染色体1;同理得到其他子染色体。
6.根据权利要求4所述的基于货物载重与软时间窗限制的车辆配送路径优化方法,其特征在于,所述(6)变异操作:对于基因序列按照设定好的变异概率Pm,采用两点互易进行变异操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910974101.1A CN111191813A (zh) | 2019-10-14 | 2019-10-14 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910974101.1A CN111191813A (zh) | 2019-10-14 | 2019-10-14 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191813A true CN111191813A (zh) | 2020-05-22 |
Family
ID=70707201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910974101.1A Pending CN111191813A (zh) | 2019-10-14 | 2019-10-14 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191813A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966111A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于自动配电的移动充电设备编队控制方法、***、装置 |
CN111985676A (zh) * | 2020-06-28 | 2020-11-24 | 济南浪潮高新科技投资发展有限公司 | 一种电动货车运输线路规划方法及设备 |
CN112200367A (zh) * | 2020-10-09 | 2021-01-08 | 河北工业大学 | 一种支持充放电策略的电动汽车配送路径优化方法 |
CN112270500A (zh) * | 2020-11-17 | 2021-01-26 | 深圳市兆航物流有限公司 | 一种智能供应链物流调度方法和*** |
CN112488358A (zh) * | 2020-10-31 | 2021-03-12 | 海南电网有限责任公司 | 一种电动汽车充电路径规划方法和存储介质 |
CN112508478A (zh) * | 2020-12-02 | 2021-03-16 | 北京理工大学 | 一种基于自组织自动导引车的柔性物流配送任务分配方法 |
CN112836892A (zh) * | 2021-02-26 | 2021-05-25 | 山东科技大学 | 基于改进遗传算法的多目标车辆配送路径确定方法及*** |
CN113029144A (zh) * | 2021-03-01 | 2021-06-25 | 汇链通供应链科技(上海)有限公司 | 一种协同运输的亚启发算法路径规划方法 |
CN113077106A (zh) * | 2021-04-16 | 2021-07-06 | 北京京东振世信息技术有限公司 | 一种基于时间窗的物品运输方法和装置 |
CN113222275A (zh) * | 2021-05-26 | 2021-08-06 | 大连海事大学 | 一种时变路网下考虑时空距离的车辆路径优化方法 |
CN113222272A (zh) * | 2021-05-26 | 2021-08-06 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
CN113313285A (zh) * | 2021-04-21 | 2021-08-27 | 山东师范大学 | 多约束条件的车辆路径优化方法、***、存储介质及设备 |
CN113379115A (zh) * | 2021-06-04 | 2021-09-10 | 大连海事大学 | 模糊需求下带时间窗的时间依赖型绿色车辆路径优化方法 |
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 |
CN113780676A (zh) * | 2021-09-23 | 2021-12-10 | 河南科技大学 | 一种瓶装液化气车辆配送路径优化方法 |
CN114118621A (zh) * | 2021-12-07 | 2022-03-01 | 东华大学 | 一种基于改进Knea的多目标低碳物流调度的优化方法 |
CN114186758A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向成本最优的厂内物流配送方法 |
CN114254822A (zh) * | 2021-12-19 | 2022-03-29 | 浙江工业大学 | 一种基于物联网技术的无人机配送网络优化模型及其求解算法 |
CN114266386A (zh) * | 2021-12-01 | 2022-04-01 | 东南大学 | 电动汽车车队经济性路由方法、装置、车辆及存储介质 |
CN114399095A (zh) * | 2021-12-29 | 2022-04-26 | 湖南科技大学 | 基于云边端协同的动态车辆配送路径优化方法及装置 |
CN115660762A (zh) * | 2022-12-29 | 2023-01-31 | 深圳市普拉托科技有限公司 | 托盘租借方法、装置及电子设备 |
CN115829170A (zh) * | 2023-02-17 | 2023-03-21 | 鱼快创领智能科技(南京)有限公司 | 行车方案优化方法、***及存储介质 |
CN116703291A (zh) * | 2023-06-15 | 2023-09-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
CN114399095B (zh) * | 2021-12-29 | 2024-07-26 | 湖南科技大学 | 基于云边端协同的动态车辆配送路径优化方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102884401A (zh) * | 2010-05-06 | 2013-01-16 | 莱卡地球***公开股份有限公司 | 用于将电池操作的运输装置引导至重整站的方法和引导单元 |
CN104809549A (zh) * | 2015-04-02 | 2015-07-29 | 常州奥迈信息技术有限公司 | 一种货运车辆计划行驶路线的调度方法 |
CN106403968A (zh) * | 2016-06-06 | 2017-02-15 | 四川大学 | WRSNs中异构移动充电车充电规划方法 |
CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
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 |
CN109211257A (zh) * | 2018-08-31 | 2019-01-15 | 北京图森未来科技有限公司 | 一种无人驾驶车行驶路线规划方法和*** |
CN109583770A (zh) * | 2018-11-28 | 2019-04-05 | 清华四川能源互联网研究院 | 车辆调度方法及装置 |
CN110059934A (zh) * | 2019-03-27 | 2019-07-26 | 浙江工商大学 | 燃油车和新能源车协同配送调度的方法 |
-
2019
- 2019-10-14 CN CN201910974101.1A patent/CN111191813A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102884401A (zh) * | 2010-05-06 | 2013-01-16 | 莱卡地球***公开股份有限公司 | 用于将电池操作的运输装置引导至重整站的方法和引导单元 |
CN104809549A (zh) * | 2015-04-02 | 2015-07-29 | 常州奥迈信息技术有限公司 | 一种货运车辆计划行驶路线的调度方法 |
CN106403968A (zh) * | 2016-06-06 | 2017-02-15 | 四川大学 | WRSNs中异构移动充电车充电规划方法 |
CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
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 |
CN109211257A (zh) * | 2018-08-31 | 2019-01-15 | 北京图森未来科技有限公司 | 一种无人驾驶车行驶路线规划方法和*** |
CN109583770A (zh) * | 2018-11-28 | 2019-04-05 | 清华四川能源互联网研究院 | 车辆调度方法及装置 |
CN110059934A (zh) * | 2019-03-27 | 2019-07-26 | 浙江工商大学 | 燃油车和新能源车协同配送调度的方法 |
Non-Patent Citations (2)
Title |
---|
李敏: "基于差异化充电的城市电动物流车配送优化研究" * |
沈续昌: "考虑货物重量的电动物流车路径规划研究" * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985676A (zh) * | 2020-06-28 | 2020-11-24 | 济南浪潮高新科技投资发展有限公司 | 一种电动货车运输线路规划方法及设备 |
CN112200367A (zh) * | 2020-10-09 | 2021-01-08 | 河北工业大学 | 一种支持充放电策略的电动汽车配送路径优化方法 |
CN111966111A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于自动配电的移动充电设备编队控制方法、***、装置 |
CN112488358A (zh) * | 2020-10-31 | 2021-03-12 | 海南电网有限责任公司 | 一种电动汽车充电路径规划方法和存储介质 |
CN112270500A (zh) * | 2020-11-17 | 2021-01-26 | 深圳市兆航物流有限公司 | 一种智能供应链物流调度方法和*** |
CN112508478A (zh) * | 2020-12-02 | 2021-03-16 | 北京理工大学 | 一种基于自组织自动导引车的柔性物流配送任务分配方法 |
CN112836892A (zh) * | 2021-02-26 | 2021-05-25 | 山东科技大学 | 基于改进遗传算法的多目标车辆配送路径确定方法及*** |
CN113029144A (zh) * | 2021-03-01 | 2021-06-25 | 汇链通供应链科技(上海)有限公司 | 一种协同运输的亚启发算法路径规划方法 |
CN113077106A (zh) * | 2021-04-16 | 2021-07-06 | 北京京东振世信息技术有限公司 | 一种基于时间窗的物品运输方法和装置 |
CN113313285A (zh) * | 2021-04-21 | 2021-08-27 | 山东师范大学 | 多约束条件的车辆路径优化方法、***、存储介质及设备 |
CN113222275A (zh) * | 2021-05-26 | 2021-08-06 | 大连海事大学 | 一种时变路网下考虑时空距离的车辆路径优化方法 |
CN113222272A (zh) * | 2021-05-26 | 2021-08-06 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
CN113222272B (zh) * | 2021-05-26 | 2022-09-20 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
CN113379115A (zh) * | 2021-06-04 | 2021-09-10 | 大连海事大学 | 模糊需求下带时间窗的时间依赖型绿色车辆路径优化方法 |
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 |
CN113780676A (zh) * | 2021-09-23 | 2021-12-10 | 河南科技大学 | 一种瓶装液化气车辆配送路径优化方法 |
CN113780676B (zh) * | 2021-09-23 | 2023-06-23 | 河南科技大学 | 一种瓶装液化气车辆配送路径优化方法 |
CN114266386A (zh) * | 2021-12-01 | 2022-04-01 | 东南大学 | 电动汽车车队经济性路由方法、装置、车辆及存储介质 |
CN114118621B (zh) * | 2021-12-07 | 2024-04-23 | 东华大学 | 一种基于改进Knea的多目标低碳物流调度的优化方法 |
CN114118621A (zh) * | 2021-12-07 | 2022-03-01 | 东华大学 | 一种基于改进Knea的多目标低碳物流调度的优化方法 |
CN114254822A (zh) * | 2021-12-19 | 2022-03-29 | 浙江工业大学 | 一种基于物联网技术的无人机配送网络优化模型及其求解算法 |
CN114254822B (zh) * | 2021-12-19 | 2024-05-03 | 浙江工业大学 | 一种基于物联网技术的无人机配送网络优化模型及其求解算法 |
CN114399095A (zh) * | 2021-12-29 | 2022-04-26 | 湖南科技大学 | 基于云边端协同的动态车辆配送路径优化方法及装置 |
CN114399095B (zh) * | 2021-12-29 | 2024-07-26 | 湖南科技大学 | 基于云边端协同的动态车辆配送路径优化方法及装置 |
CN114186758A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向成本最优的厂内物流配送方法 |
CN115660762A (zh) * | 2022-12-29 | 2023-01-31 | 深圳市普拉托科技有限公司 | 托盘租借方法、装置及电子设备 |
CN115829170A (zh) * | 2023-02-17 | 2023-03-21 | 鱼快创领智能科技(南京)有限公司 | 行车方案优化方法、***及存储介质 |
CN116703291B (zh) * | 2023-06-15 | 2024-01-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
CN116703291A (zh) * | 2023-06-15 | 2023-09-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191813A (zh) | 基于货物载重与软时间窗限制的车辆配送路径优化方法 | |
Shao et al. | Electric vehicle‐routing problem with charging demands and energy consumption | |
Keskin et al. | Partial recharge strategies for the electric vehicle routing problem with time windows | |
CN112200367B (zh) | 一种支持充放电策略的电动汽车配送路径优化方法 | |
Li et al. | Public charging station localization and route planning of electric vehicles considering the operational strategy: A bi-level optimizing approach | |
CN112836892A (zh) | 基于改进遗传算法的多目标车辆配送路径确定方法及*** | |
CN110472792B (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
CN111222705B (zh) | 一种非线性充电车辆路径优化方法 | |
CN115953104B (zh) | 一种基于蜣螂优化算法的混合车队调度方法 | |
Zhenfeng et al. | The electric vehicle routing problem with time windows using genetic algorithm | |
CN113780961B (zh) | 一种多目标烟花算法的低碳疫苗冷链优化配送方法 | |
CN116307647B (zh) | 电动汽车充电站选址定容优化方法、装置及存储介质 | |
CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和*** | |
Zhao et al. | Bi‐Objective Optimization for Vehicle Routing Problems with a Mixed Fleet of Conventional and Electric Vehicles and Soft Time Windows | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、***、设备及存储介质 | |
CN114444843A (zh) | 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及*** | |
Zhao et al. | Research on emergency distribution optimization of mobile power for electric vehicle in photovoltaic-energy storage-charging supply chain under the energy blockchain | |
Wu et al. | A neighborhood comprehensive learning particle swarm optimization for the vehicle routing problem with time windows | |
CN110956317A (zh) | 一种针对无人车和燃油车混合配送模式的建模与求解方法 | |
CN113887782A (zh) | 一种面向维修资源配送调度的遗传-烟花混合方法及*** | |
CN116358593B (zh) | 考虑非线性能耗的电动车辆路径规划方法、装置和设备 | |
Boukhater et al. | An intelligent and fair GA carpooling scheduler as a social solution for greener transportation | |
CN111639822B (zh) | 一种基于0-1背包问题分析的快递分配方法 | |
CN113673937A (zh) | 一种基于多目标烟花算法的物流车辆低碳路线规划方法 | |
Liu et al. | Bi-objective optimization of transit network and frequencies design using Pareto genetic algorithm. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |
|
RJ01 | Rejection of invention patent application after publication |