CN114971043B - 一种基于非欧拉回路的邮递员问题路径优化方法 - Google Patents

一种基于非欧拉回路的邮递员问题路径优化方法 Download PDF

Info

Publication number
CN114971043B
CN114971043B CN202210620287.2A CN202210620287A CN114971043B CN 114971043 B CN114971043 B CN 114971043B CN 202210620287 A CN202210620287 A CN 202210620287A CN 114971043 B CN114971043 B CN 114971043B
Authority
CN
China
Prior art keywords
truck
transportation route
node
cargo
euler
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
Application number
CN202210620287.2A
Other languages
English (en)
Other versions
CN114971043A (zh
Inventor
余海燕
廖雅婷
李腊全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Dayu Chuangfu Technology Co ltd
Original Assignee
Guangzhou Dayu Chuangfu Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Dayu Chuangfu Technology Co ltd filed Critical Guangzhou Dayu Chuangfu Technology Co ltd
Priority to CN202210620287.2A priority Critical patent/CN114971043B/zh
Publication of CN114971043A publication Critical patent/CN114971043A/zh
Application granted granted Critical
Publication of CN114971043B publication Critical patent/CN114971043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/60—Business processes related to postal services
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于物流技术领域，具体涉及一种基于非欧拉回路的邮递员问题路径优化方法，该方法包括：构建混合整数规划模型；获取物流运送路线图，判断该货物的物流运送路线图是否为欧拉回路，若为欧拉回路，则根据欧拉回路进行货物运输；若为非欧拉回路，则根据物流运送路线图选取哈密顿回路作为货物地面运输路线，对剩余的货物进行空中运输；构建运输路线的目标函数；采用改进的遗传算法对目标函数进行求解，得到货物运输路线的成本；将成本最低的物流路线作为货物的运输路线；本发明通过构建了一种以成本最低为目标的混合整数规划模型计算货物的运输成本，解决非欧拉回路中货车与无人机协同路径优化问题。

Description

一种基于非欧拉回路的邮递员问题路径优化方法
技术领域
本发明属于物流技术领域，具体涉及一种基于非欧拉回路的邮递员问题路径优化方法。
背景技术
邮递员问题作为现代邮政管理和物流运输领域中的研究热点。交通拥堵经常被认为是城市最紧迫的基础设施问题，货运是基础设施拥堵的原因之一。而在进行货物运输过程中，其运输的路线可以分为欧拉回路和非欧拉回路。在非欧拉回路的送货路线中，货车无法做到一次性且不重复地完成送货，而重复地行驶同一条路线会导致运输的成本增长，且增加了交通的负担。随着无人机技术的不断发展，使得无人机具有成本低、直飞、无道路交通等优势，因此将无人机技术引入现代邮政管理领域，使得货车与无人机能够一次性且不重复地完成送货。因此，如何求取基于无人机和货车的最小运输成本是目前亟待解决的问题。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于非欧拉回路的邮递员问题路径优化方法，该方法包括：构建混合整数规划模型；获取物流运送路线图，判断该货物的物流运送路线图是否为欧拉回路，若为欧拉回路，则根据欧拉回路进行货物运输；若为非欧拉回路，则根据物流运送路线图获取一条遍历所有顶点的哈密顿回路作为货物地面运输路线，对剩余客户节点的货物进行空中运输；根据混合整数规划模型、货物地面运输路线以及货物空中运输路线构建运输路线的目标函数；采用改进的遗传算法对目标函数进行求解，得到货物运输路线的成本；将成本最低的物流路线作为货物的运输路线。
优选的，构建混合整数规划模型的过程包括：确定货物运输工具，根据货物运输工具确定模型参数，该参数包括运输工具成本、客户节点、所有节点数量、运输工具由一个节点到另一个节点的路径、运输工具从节点i到节点j的行驶距离以及运输工具的运输时间；根据模型参数构建混合整数规划模型。
优选的，获取物流运送路线图的过程包括：获取所有客户节点以及配送中心，配送中心根据货物上的信息将货物运送给对应的客户节点；根据货物运输的路径构建物流运送路线图。
优选的，判断该货物的物流运送路线图是否为欧拉回路包括：确定物流运送路线图的起始位置和终点位置；根据起始位置和终点位置得到货物的运输路线；若运输路线经过物流运送路线图中每条边一次，则该物流运送路线图为欧拉回路，否则不为欧拉回路。
优选的，运输路线的目标函数为：
其中，C表示货物运输路径的成本，C1表示货车单位行驶成本，i和j均表示客户节点，N表示所有节点数量，xij表示货车有节点i到节点j的路径，dij表示货车从节点i到节点j的行驶距离，C2表示无人机单位飞行成本，n表示客户节点数量，yijk表示无人机经过节点i、节点j以及节点k的路径，lijk表示无人机从节点i到节点j再回到节点k的飞行距离，C3表示无人机悬停成本，C4表示货车等待费用，πi表示无人机和货车在点i处的时间，α表示运输工具在ai之后到达的惩罚系数，ai表示客户i约定的最晚服务时间，表示货车到达客户点i的时间，/>表示无人机到达客户点i的时间。
优选的，采用改进的遗传算法对目标函数进行求解的过程包括：
步骤1：根据货物地面运输路线以及货物空中运输路线对种群进行初始化，得到得到染色体长度为p的初始化种群；设置迭代次数；
步骤2：计算种群中MPP模型的适应度；
步骤3：根据MPP模型的适应度对方案群体进行选择、交叉以及变异运算，得到新的路径方案群体；
步骤4：迭代次数加1；
步骤5：判断当前的迭代次数是否满足终止条件，若不满足终止条件，则返回步骤2，若满足终止条件，则输出具有最小适应度路径方案；
步骤6：将货车的哈密顿回路作为备选路径方案，将备选路径方案与最优路径方案进行对比，得到成本最低的路径方案。
进一步的，染色体长度的计算公式为：
p＝(n-h)*3
其中，n为总客户点个数，h为货车服务的客户点数。
优选的，遗传算法的适应度函数为运输路线的目标函数。
本发明的有益效果：
本发明通过构建了一种以成本最低为目标的混合整数规划模型，计算货物的运输成本，并根据最优的运输成本选择运输的路径，解决非欧拉回路中货车与无人机协同路径优化问题。
附图说明
图1为七桥问题拓扑图；
图2为本发明的一种非欧拉回路中无人机与货车协同路径优化具体实施方式的示意图；
图3为本发明的另一种非欧拉回路中无人机与货车协同路径优化具体实施方式的示意图；
图4为本发明的遗传算法对目标函数进行求解的流程图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明将获取非欧拉回路的送货路线图，以成本为优化目标通过建立混合整数规划模型，设计一种算法思路，解决非欧拉回路中货车与无人机协同路径优化问题，以得到成本最低的方案。首先，获取送货路线图，并判断该路线图是否为欧拉回路；其次，在非欧拉回路路线图中，找到一条遍历所有顶点的哈密顿回路，作为货车的送货路线图；根据货车的送货路线图，通过遗传算法，找到无人机的送货路线，并计算出每一种哈密顿回路情况下的最优成本；最后，通过比较，得到成本最低的最优方案。
邮递员问题为七桥问题，即获取邮递员的最短路径，七桥问题的结构图如图1所示。
一种基于非欧拉回路的邮递员问题路径优化方法的具体实施方式，该方法包括：构建混合整数规划模型；获取物流运送路线图，判断该货物的物流运送路线图是否为欧拉回路，若为欧拉回路，则根据欧拉回路进行货物运输；若为非欧拉回路，则根据物流运送路线图获取一条遍历所有顶点的哈密顿回路，将该回路作为货物地面运输路线，对剩余客户节点的货物进行空中运输；根据混合整数规划模型、货物地面运输路线以及货物空中运输路线构建运输路线的目标函数；采用改进的遗传算法对目标函数进行求解，得到货物运输路线的成本；将成本最低的物流路线作为货物的运输路线。
构建的混合整数规划模型包括：包括：首先考虑各种送货的现实因素，例如无人机的里程约束、客户时间窗等因素；对模型的进行一般假设；再对模型进行参数设置；最后构建混合整数规划模型。
对模型进行一般假设包括：(1)该模型只有一个配送中心、一辆货车、一架无人机；(2)在进行货物运输过程中，不考虑货物体积因素；(3)不考虑无人机充电时间，无人机每次返回货车后电量恢复至满电状态；(4)货车载重足够大，即一辆货车即可满足所有客户点的需求；(5)无人机一次可以运送一个包裹，每一个包裹均不超过无人机单次的最大运输能力；(6)无人机与货车均是匀速行驶；(7)不考虑货车承载无人机的成本；(8)考虑客户时间窗；(9)不考虑飞行速度和载货量对无人机续航时间的影响；(10)不考虑无人机和货车的装卸货时间；(11)无人机只能在节点发射和收回，若货车先到达回收节点，则货车需要等待无人机到达之后，才能再次出发；若无人机先到，则需要无人机悬停等待货车到达后，才能再次出发。
获取物流运送路线图的过程包括：获取所有客户节点以及配送中心，配送中心根据货物上的信息将货物运送给对应的客户节点；根据货物运输的路径构建物流运送路线图。
运输路线的目标函数为：
其中，C表示货物运输路径的成本，C1表示货车单位行驶成本，i和j均表示客户节点，N表示所有节点数量，xij表示货车有节点i到节点j的路径，dij表示货车从节点i到节点j的行驶距离，C2表示无人机单位飞行成本，n表示客户节点数量，yijk表示无人机经过节点i、节点j以及节点k的路径，lijk表示无人机从节点i到节点j再回到节点k的飞行距离，C3表示无人机悬停成本，C4表示货车等待费用，πi表示无人机和货车在点i处的时间，α表示运输工具在ai之后到达的惩罚系数，ai表示客户i约定的最晚服务时间，表示货车到达客户点i的时间，/>表示无人机到达客户点i的时间。
目标函数表示货车与无人机协同配送所有包裹并返回配送中心总成本最低，包括货车的行驶成本、无人机飞行成本、无人机在客户点悬停时间成本、货车在客户点等待成本以及货车、无人机迟到送货的惩罚成本。
根据目标函数设置目标函数的约束条件，约束条件包括：
A4:yij0＝1
A5:y0ik＝0
其中，A1表示货车从配送点出发再返回配送点；A2表示要求每个客户点只访问一次；A3表示访问节点j的货车也必须从j点出发；A4表示表示无人机可以直接飞往配送中心；A5表示无人机不能直接从配送中心发射；A6表示无人机的飞行距离不超过无人机最大航程；A7表示货车行驶距离不超过最大行驶里程；A8表示无人机最多可以从任何特定节点发射一次；A9表示无人机最多可以从任何特定节点回收一次；A10如果无人机从客户i发射在节点k被货车回收，然后货车必须经过节点i和k；A11表示无人机悬停客户i处等待货车时的会合时间；A12表示货车在客户i处等待无人机时的会合时间；A13和A14均表示0-1决策变量；A15表示无人机悬停时间不能超过无人机剩余航程时间。
如图4所示，采用改进的遗传算法对目标函数进行求解的过程包括：
步骤1：根据货物地面运输路线以及货物空中运输路线对种群进行初始化，得到染色体长度为p的初始化种群；设置迭代次数。
具体的，实数编码，先找到一条哈密顿回路，上面的客户点顺序作为货车的送货顺序，剩余的点作为无人机需要送的点，将货车送的客户点随机***到无人机送的客户点中，得到染色体长度为p的初始化种群，p＝(n-h)*3，其中n为客户点个数，h为货车服务的客户点数。对生成的初始种群进行筛选，对于不满足货车送货顺序的个体要剔除。
一种非欧拉回路中无人机与货车协同路径优化具体实施方式，如图2所示：得到货车的送货顺序为0-1-2-9-10-12-13-6-5-4-0，剩余的客户点3、11、7、8由无人机配送。将货车服务的客户点插到无人机服务的客户点中，可以得到的初始群体有1-3-2-9-11-10-12-7-13-13-8-6、1-3-2-9-11-10-12-7-13-13-8-5、1-3-2-9-11-10-12-7-13-6-8-5等。
步骤2：适应度计算。其中适应度为成本，根据无人机与货车送货方案计算货车的行驶成本、无人机飞行成本、无人机在客户点悬停时间成本、货车在客户点等待成本以及货车、无人机迟到送货的惩罚成本，适应度函数值越低，路径方案(个体)越优。
步骤3：根据MPP模型的适应度对方案群体进行选择、交叉以及变异运算，得到新的路径方案群体；
具体的，根据每个路径方案(个体)的适应度对群体进行选择、交叉以及变异运算，得到新的群体；
对群体进行选择采用锦标赛方法选择策略，即每次从种群中取出一定数量路径方案(个体)，然后选择其中最好的一个进入子代种群，即选择适应度较低的；
对群体进行交叉采用两点交叉法。任意选择两个父代染色体随机产生两个自然数，并在两个父代染色体里两个自然数之间的基因片段进行交叉操作。
一种非欧拉回路中无人机与货车协同路径优化具体实施方式，如图3所示：随机产生的自然数为4和6，即交换两条父代染色体中第4个基因至第6个基因。
父代1：1-3-2-11-12-7-8-13-6
父代2：1-3-2-10-12-11-8-13-5
得到
子代1：1-3-2-10-12-11-8-13-6
子代2：1-3-2-11-12-7-8-13-5
对群体进行变异采取单点变异方法。在除由无人机配送的客户点的基因位置随机产生一个自然数，对该自然数对应的基因进行变异，将该点变异为货车送货顺序中该点对应的实数之后的实数，变异后的染色体也要检查是否满足货车的送货顺序。
如图3所示，货车送货顺序为0-1-2-9-10-11-7-8-6-5-4-0，需要无人机送的客户点为3,12,13，因此不能对这三个点进行变异。
变异后：1-3-2-11-12-8-8-13-6也可以变异为1-3-2-11-12-7-8-13-5或1-3-2-11-12-7-8-13-4或1-3-2-11-12-7-8-13-0
步骤4：迭代次数加1；
步骤5：判断当前的迭代次数是否满足终止条件，若不满足终止条件，则返回步骤2，若满足终止条件，则输出具有最小适应度路径方案(个体)；
步骤6：将每一种作为货车路线的哈密顿回路计算得到的所有备选最佳路径方案(个体)进行比较，最终得到成本最低的成本方案。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，该方法包括：构建混合整数规划模型；获取物流运送路线图，判断货物的物流运送路线图是否为欧拉回路，若为欧拉回路，则根据欧拉回路进行货物运输；若为非欧拉回路，则根据物流运送路线图获取一条遍历所有顶点的哈密顿回路，将该回路作为货物地面运输路线，对剩余客户节点的货物进行空中运输；根据混合整数规划模型MPP、货物地面运输路线以及货物空中运输路线构建运输路线的目标函数；采用改进的遗传算法对目标函数进行求解，得到货物运输路线的成本；将成本最低的物流路线作为货物的最优运输路线；运输路线的目标函数为：
目标函数的约束条件包括：
A1:
A2:
A3:
A4:yij0＝1
A5:y0ik＝0
A6:
A7:
A8:
A9:
A10:
A11:
A12:
A13:
A14:
A15:
其中，C表示货物运输路径的成本，C1表示货车单位行驶成本，i和j均表示客户节点，N表示所有节点数量，xij表示货车有节点i到节点j的路径，dij表示货车从节点i到节点j的行驶距离，C2表示无人机单位飞行成本，n表示客户节点数量，yijk表示无人机经过节点i、节点j以及节点k的路径，lijk表示无人机从节点i到节点j再回到节点k的飞行距离，C3表示无人机悬停成本，C4表示货车等待费用，πi表示无人机和货车在点i处的时间，α表示运输工具在ai之后到达的惩罚系数，ai表示客户i约定的最晚服务时间，表示货车到达客户点i的时间，表示无人机到达客户点i的时间；A1表示货车从配送点出发再返回配送点；A2表示要求每个客户点只访问一次；A3表示访问节点j的货车也必须从j点出发；A4表示表示无人机可以直接飞往配送中心；A5表示无人机不能直接从配送中心发射；A6表示无人机的飞行距离不超过无人机最大航程；A7表示货车行驶距离不超过最大行驶里程；A8表示无人机最多可以从任何特定节点发射一次；A9表示无人机最多可以从任何特定节点回收一次；A10表示若无人机从客户i发射在节点k被货车回收，则货车必须经过节点i和k；A11表示无人机悬停客户i处等待货车时的会合时间；A12表示货车在客户i处等待无人机时的会合时间；A13和A14均表示0-1决策变量；A15表示无人机悬停时间不能超过无人机剩余航程时间。
2.根据权利要求1所述的一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，构建混合整数规划模型的过程包括：确定货物运输工具，根据货物运输工具确定模型参数，该参数包括运输工具成本、客户节点、所有节点数量、运输工具由一个节点到另一个节点的路径、运输工具从节点i到节点j的行驶距离以及运输工具的运输时间；根据模型参数构建混合整数规划模型。
3.根据权利要求1所述的一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，获取物流运送路线图的过程包括：获取所有客户节点以及配送中心，配送中心根据货物上的信息将货物运送给对应的客户节点；根据货物运输的路径构建物流运送路线图。
4.根据权利要求1所述的一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，判断该货物的物流运送路线图是否为欧拉回路包括：确定物流运送路线图的起始位置和终点位置；根据起始位置和终点位置得到货物的运输路线；若运输路线经过物流运送路线图中每条边一次，则该物流运送路线图为欧拉回路，否则不为欧拉回路。
5.根据权利要求1所述的一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，采用改进的遗传算法对目标函数进行求解的过程包括：
步骤1：根据货物地面运输路线以及货物空中运输路线对种群进行初始化，得到染色体长度为p的初始化种群；设置迭代次数；
步骤2：计算MPP模型的适应度；
步骤3：根据MPP模型的适应度对方案群体进行选择、交叉以及变异运算，得到新的路径方案群体；
步骤4：迭代次数加1；
步骤5：判断当前的迭代次数是否满足终止条件，若不满足终止条件，则返回步骤2，若满足终止条件，则输出具有最小适应度路径方案；
步骤6：将货车的哈密顿回路作为备选路径方案，将备选路径方案与最优路径方案进行对比，得到成本最低的路径方案。
6.根据权利要求5所述的一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，染色体长度的计算公式为：
p＝(n-h)*3
其中，n为客户节点数量，h为货车服务的客户点数。
7.根据权利要求5所述的一种基于非欧拉回路的邮递员问题路径优化方法，其特征在于，遗传算法的适应度函数为运输路线的目标函数。
CN202210620287.2A 2022-06-02 2022-06-02 一种基于非欧拉回路的邮递员问题路径优化方法 Active CN114971043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210620287.2A CN114971043B (zh) 2022-06-02 2022-06-02 一种基于非欧拉回路的邮递员问题路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210620287.2A CN114971043B (zh) 2022-06-02 2022-06-02 一种基于非欧拉回路的邮递员问题路径优化方法

Publications (2)

Publication Number Publication Date
CN114971043A CN114971043A (zh) 2022-08-30
CN114971043B true CN114971043B (zh) 2024-03-08

Family

ID=82958911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210620287.2A Active CN114971043B (zh) 2022-06-02 2022-06-02 一种基于非欧拉回路的邮递员问题路径优化方法

Country Status (1)

Country Link
CN (1) CN114971043B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577833A (zh) * 2022-09-26 2023-01-06 苏州大学 应用于求解协同配送的路径规划的粒子群优化方法和***
CN116523432B (zh) * 2023-05-22 2024-07-23 中永智慧科技(深圳)有限公司 一种基于路径规划的物流运输管理***
CN117952498A (zh) * 2024-03-26 2024-04-30 云南电投绿能科技有限公司 一种光伏运输车的配置方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256717A (zh) * 2020-01-15 2020-06-09 北京洪泰文旅科技股份有限公司 一种房车线路规划方法及其装置和设备
CN112348438A (zh) * 2020-11-05 2021-02-09 沈阳工业大学 基于人工智能的物流路径规划方法
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***
CN114358675A (zh) * 2021-12-10 2022-04-15 浙江建德通用航空研究院 一种多无人机-多卡车协同物流配送路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256717A (zh) * 2020-01-15 2020-06-09 北京洪泰文旅科技股份有限公司 一种房车线路规划方法及其装置和设备
CN112348438A (zh) * 2020-11-05 2021-02-09 沈阳工业大学 基于人工智能的物流路径规划方法
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***
CN114358675A (zh) * 2021-12-10 2022-04-15 浙江建德通用航空研究院 一种多无人机-多卡车协同物流配送路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
伍庆成 ; .论欧拉图、哈密顿图的判定及应用.中国高新技术企业.2007,(07),207-208页. *

Also Published As

Publication number Publication date
CN114971043A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114971043B (zh) 一种基于非欧拉回路的邮递员问题路径优化方法
CN107918849B (zh) 一种电动物流货车的智能调度装置及方法
Reed et al. The value of autonomous vehicles for last-mile deliveries in urban environments
WO2022021119A1 (zh) 一种集装箱码头间全自主水上运输调度方法及***
CN110782086B (zh) 一种用于救援的带无人机车辆配送路径优化方法及***
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及***
CN109299810A (zh) 一种货运车辆配载方法
CN113139678A (zh) 无人机-车辆联合配送路径优化方法及其模型构建方法
CN110263983B (zh) 一种车辆与无人机物流配送的双层路径规划方法及***
Mutar et al. An efficient improvement of ant colony system algorithm for handling capacity vehicle routing problem
CN114358675A (zh) 一种多无人机-多卡车协同物流配送路径规划方法
CN110222890B (zh) 一种车辆与无人机物流配送的双层路径优化方法及***
CN113592248B (zh) 航空货运网络的规划方法、***、电子设备及存储介质
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
CN117291491A (zh) 一种考虑动态风速风向的城市物流无人机路径规划方法
CN115576343A (zh) 一种结合无人机配送的多目标车辆路径优化方法
CN116911729A (zh) 一种考虑电池更换计划的无人机与卡车协同配送方法
CN114841582A (zh) 一种卡车和无人机协同配送方法
Zhang et al. A review on the truck and drone cooperative delivery problem
Wang et al. Optimal delivery route planning for a fleet of heterogeneous drones: A rescheduling-based genetic algorithm approach
CN110334976B (zh) 一种计算机实现的行李取送***和方法
CN114742340A (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
JP4025652B2 (ja) 輸送計画作成システム及び方法
CN112613701A (zh) 一种成品卷烟物流调度方法
CN113487264B (zh) 一种基于异构多无人机的物流配送方法及***

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230829

Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Dayu Chuangfu Technology Co.,Ltd.

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant