CN115186930A - 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及*** - Google Patents

一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及*** Download PDF

Info

Publication number
CN115186930A
CN115186930A CN202210945598.6A CN202210945598A CN115186930A CN 115186930 A CN115186930 A CN 115186930A CN 202210945598 A CN202210945598 A CN 202210945598A CN 115186930 A CN115186930 A CN 115186930A
Authority
CN
China
Prior art keywords
vehicle
customer
module
demand
goods
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
Application number
CN202210945598.6A
Other languages
English (en)
Inventor
何美玲
杨梅
武晓晖
章泽琦
付文青
李其鹏
吕一鸣
徐婉蓉
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202210945598.6A priority Critical patent/CN115186930A/zh
Publication of CN115186930A publication Critical patent/CN115186930A/zh
Pending legal-status Critical Current

Links

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***，包括以下步骤：获取待服务顾客点的配送信息；基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型；采用遗传和声搜索算法求解模型，得到预优化配送方案；调度车辆按预优化配送方案行驶，确定各个顾客的取货需求量；判断是否存在车辆剩余装载量小于顾客的实际取货需求量的失败点，若存在失败点，则采取失败点服务策略，在其余可服务时间窗内为失败点进行重优化路径规划；若不存在失败点，则存储顾客点确定配送信息，输出最优配送方案。本发明充分利用车辆的装载能力，最大程度地实现城市物流配送的经济化、效率化和绿色化。

Description

一种不确定取货需求下带多时间窗的同时取送货车辆路径问 题规划方法及***
技术领域
本发明涉及物流配送技术领域，特别涉及一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***。
背景技术
近年来，随着城市产业布局的调整、居民消费水平的升级、电子商务模式的推广，城市物流配送逐渐成为物流行业关注的重点，但配送成本高、运力资源浪费、配送效率低仍是制约其发展的三大难题。
车辆路径规划作为城市物流配送的重要环节，是解决上述难题的有效手段，尤其是考虑同时取送货的车辆路径问题(Vehicle Routing Problem with SimultaneousPickup and Delivery，VRPSPD)规划，其将正、逆向物流结合起来，可很大程度上节省时间与配送成本，提高物流效率，契合低碳经济理念，具有广泛的应用前景，如饮料供应商依据客户需求订单，对客户进行配送服务的同时回收过期饮品和可再使用容器(空瓶)，玻璃厂依据订单配送玻璃的同时回收碎玻璃，医疗药品配送的同时回收过期药品等。但在实际应用中，此类问题的送货需求量可基于订单精确计算，而取货需求量往往取决于顾客的粗略估计，具有明显的不确定性，易引起额外的车辆折返及容量浪费，导致配送成本增加；此外，路径规划时车辆产生的污染排放物常被忽略，给环境治理带来一定的压力。
发明内容
针对现有技术中存在的不足，本发明提供了一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***，考虑顾客取货需求的不确定性、顾客服务的时间窗以及车辆配送过程的碳排放，构建更加符合实际应用的VRPSPD优化模型，并通过制定失败点服务策略，充分利用车辆的装载能力，最大程度地实现城市物流配送的经济化、效率化和绿色化。
本发明是通过以下技术手段实现上述技术目的的。
一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，包括以下步骤：
获取待服务顾客点的配送信息，根据存储数据缩小历史已服务顾客对取货需求量的估计偏差；
基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型；
采用遗传和声搜索算法求解所建立模型，以得到预优化配送方案；
调度车辆按预优化配送方案行驶，确定各个顾客的取货需求量；
判断是否存在车辆剩余装载量小于顾客的实际取货需求量的失败点，若存在失败点，则采取失败点服务策略，在其余可服务时间窗内为失败点进行重优化路径规划；若不存在失败点，则存储顾客点确定配送信息，输出最优配送方案。
进一步，所述待服务顾客点的配送信息包括地理位置、多个不重叠可服务时间窗、送货需求量和预估取货需求量，其中，预估取货需求量用三角模糊数表示。
进一步，所述根据存储数据缩小历史已服务顾客对取货需求量估计偏差具体为：针对历史已服务顾客，根据存储的数据将其在以往服务中得到的预估取货需求量与确定取货需求量进行比对，以提取估计特征，缩小其在当前服务中对取货需求量的估计偏差。
进一步，所述基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型如下：
目标函数为：min TC0，
其中，TC0为置信水平α0下的乐观成本；
约束条件为：
Figure BDA0003787263040000021
Figure BDA0003787263040000022
Figure BDA0003787263040000023
Figure BDA0003787263040000024
Figure BDA0003787263040000025
Figure BDA0003787263040000026
Figure BDA0003787263040000027
Figure BDA0003787263040000028
式中：
Figure BDA0003787263040000031
为总配送成本，可表示为：
Figure BDA0003787263040000032
Figure BDA0003787263040000033
其中：
Figure BDA0003787263040000034
为车辆服务所有顾客节点产生的模糊燃油消耗总量；H表示同质车队集合；R表示顾客的节点集合；i＝0或j＝0时表示起终点位置；
Figure BDA0003787263040000035
表示车辆h从第i顾客节点行驶到第j顾客节点的模糊负载；λ为燃料热值系数；dij表示车辆从第i顾客节点行驶到第j顾客节点的距离；k为发动机摩擦系数；N为发动机转速；V为发动机排量；vij表示车辆从第i顾客节点行驶到第j顾客节点的行驶速度；γ为传输***系数；α为引力常数；β为空气阻力系数；m0表示空车质量；
R0＝R\{0}表示不包含起终点位置的顾客节点集合；x0jh表示车辆h从起点行驶到第j顾客节点的决策变量；c1为车辆的单位固定成本；c2为单位油耗成本；c3为单位碳排放成本；e为碳排放系数；c4为车辆早到的单位时间等待成本；c5为车辆晚到的单位时间惩罚成本；Wj为第j顾客节点的时间窗口集合；
Figure BDA0003787263040000036
为第j顾客节点所能接受的第q个最早开始服务时间；
Figure BDA0003787263040000037
为第j顾客节点所能接受的第q个最晚开始服务时间；Tj为车辆到达第j顾客节点的时间，表示为
Figure BDA0003787263040000038
si为第i顾客节点的服务时长，tij表示车辆从第i顾客节点行驶到第j顾客节点的行驶时间；
Figure BDA0003787263040000039
Cr为可信性度量；α0为企业决策者预先确定的置信水平；
β0为企业决策者预先确定的置信水平；dj为第j顾客节点的送货需求量；M为车辆的最大载重量；
Figure BDA00037872630400000310
为第j顾客节点的预估取货需求量，p1j为第j顾客节点的最小取货需求量，p2j为第j顾客节点的最可能取货需求量，p3j为第j顾客节点的最大取货需求量，xj0h表示车辆h从第j顾客节点返回到终点的决策变量；M0jh表示车辆h从起点出发到第j顾客节点的初始负载；vl为最低车速；vm为最高车速。
进一步，采用遗传和声搜索算法求解所建立模型，以得到预优化配送方案，具体包括如下步骤：
S031：初始化算法各项参数，包括种群规模T、交叉概率Pc、变异概率Pm、迭代次数G、声记忆库大小HMS、记忆库取值概率HMCR取值范围、微调概率PCR取值范围、当前创作次数t和创作次数NI；
S032：利用遗传算法生成初始记忆库HM：
通过自然数编码的方式，顾客点用1,2,3,…r表示，随机生成顾客序列排序，并在序列的首尾及序列中的不同位置***共g+1个表示配送中心的0，以生成初始染色体；
然后根据模糊容量机会约束和模糊成本机会约束进行筛选，若满足约束则保留该染色体；重复上述操作直至种群规模达到T，记初始种群为PT＝X1,X2,Xm,…XT,m＝1,2,…T,其中，个体Xm表示一个可行的配送方案；计算每个个体的适应度值
Figure BDA0003787263040000041
其中TC(Xm)0为个体Xm在给定置信水平α0下的最小预计总成本，适应度值越大表明个体越优；
采用轮盘赌和精英保留策略相结合的方式选择优良个体进入下一代，再从中随机选择两条父代染色体执行交叉操作：将交叉概率Pc与(0,1)内随机生成的随机数q1比较，若Pc＞q1，则对两条父代染色体执行顺序交叉操作；若Pc≤q1，则保持不变；
选择的任一条染色体执行变异操作：若变异概率Pm＞(0，1)内随机生成的随机数q2，则随机选取该染色体上两个基因交换位置生成变异后的新染色体，判断该新染色体是否满足模糊容量机会约束和模糊成本机会约束，若满足则保留；若变异概率Pm≤(0，1)内随机生成的随机数q2，则保持不变；
重复交叉操作和变异操作以更新子代种群，当达到迭代次数G时遗传算法停止，对最终种群中的每个个体按适应度值降序排列，选择最好的HMS个体作为和声记忆库的初始解；
S033：更新记忆库取值概率HMCR和微调概率PCR：
通过下式动态调整记忆库取值概率HMCR：
Figure BDA0003787263040000051
其中，HMCRmin声记忆库取值概率的最小值；HMCRmax为声记忆库取值概率的最大值；t为当前创作次数；
通过下式动态调整微调概率PCR：
Figure BDA0003787263040000052
其中，PCRmin为微调概率的最小值；PCRmax为微调概率的最大值；
S034：生成新和声，具体为：
生成rand(0,1)随机数q3，若q3≤HMCR，则在和声记忆库HM内随机选择一组和声，否则在和声记忆库HM外随机生成一组和声；
对选择或生成的和声以PCR的概率扰动，依次执行两点交换、单点***的邻域搜索以产生满模糊容量机会约束和模糊成本机会约束的新和声；
S035：更新和声记忆库；
若新和声的目标函数值小于HM中最差和声，则将其替换并重新对HM进行排序，否则，不做修改；
S036：若t＞NI则停止迭代，输出HM中的最优预优化配送方案，否则t＝t+1，返回S033。
进一步，所述失败点服务策略为车辆按预优化路径行驶，若剩余装载量无法满足第i顾客节点的取货需求，则只对第i顾客节点进行送货服务，再继续对第i顾客节点后续的全部顾客节点进行同时取送货服务。
进一步，所述失败点重优化路径规划为带时间窗的取货车辆路径问题，构建模型时在目标函数中增加重优化服务惩罚成本。
一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法的***，包括数据收发模块、路况预判模块、路径规划模块Ⅰ、判断模块、路径规划模块Ⅱ、配送管理模块和车辆调度模块；
所述数据收发模块用于接收用户端多个顾客的配送信息和发送顾客对取货需求量估计偏差的预警信息；所述路况预判模块与数据收发模块连接，用于获得配送中心与顾客、顾客与顾客、顾客与配送中心间路径上的预计车速；
所述路径规划模块Ⅰ与路况预判模块连接，用于对所接收到的顾客点进行预优化路径规划；所述路径规划模块Ⅰ将预优化路径规划输入车辆调度模块，用于调度多辆配送车辆执行配送方案；所述车辆调度模块将配送方案输入判断模块，用于判断是否存在服务失败点；
所述路径规划模块Ⅱ用于对失败点进行重优化的路径规划；所述路径规划模块Ⅱ将重优化的路径规划输入车辆调度模块，用于调度多辆配送车辆执行优化后的配送方案；所述车辆调度模块将优化后的配送方案输入配送管理模块，用于提高顾客对取货需求量估计的准确性；所述配送管理模块与数据收发模块连通。
进一步，所述路径规划模块Ⅰ内设有模型构建单元Ⅰ、算法求解单元和配送方案生成单元Ⅰ；所述模型构建单元Ⅰ用于构建所述的同时取送货车辆路径问题模糊机会约束规划模型；所述算法求解单元利用所述遗传和声搜索算法求解模型；所述配送方案生成单元Ⅰ用于生成预优化配送方案；
所述路径规划模块Ⅱ内设有模型构建单元Ⅱ和配送方案生成单元Ⅱ，所述模型构建单元Ⅱ用于构建失败点的重优化模型；所述配送方案生成单元Ⅱ用于生成重优化配送方案。
进一步，所述配送管理模块设有存储单元、提取单元和预警单元，所述存储单元用于存储已服务顾客的实际历史数据；所述提取单元用于计算顾客对取货需求量估计的偏差；所述预警单元内设阈值用于提示顾客。
本发明的有益效果在于：
本发明所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***，能够针对现实生活中顾客取货需求存在的不确定性特征，充分利用配送车辆的剩余容量、有效避免运力浪费，同时又考虑了车辆配送过程中的碳排放，可最大程度地实现城市物流配送的经济化、效率化和绿色化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，显而易见地还可以根据这些附图获得其他的附图。
图1为本发明所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法的流程示意图。
图2为本发明所述的遗传和声搜索算法的算法流程图。
图3为本发明所述的不确定取货需求下带多时间窗的同时取送货车辆路径规划***的示意图。
图4为本发明所述的不确定取货需求下带多时间窗的同时取送货车辆路径规划***的工作原理图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，包括以下：
S01：获取待服务顾客点的配送信息，根据存储数据缩小历史已服务顾客对取货需求量的估计偏差；
具体的，配送企业获取待服务顾客点包括地理位置、多个不重叠可服务时间窗、送货需求量以及预估的取货需求量等配送信息，其中预估取货需求量用三角模糊数表示，即最小取货需求量、最可能取货需求量和最大取货需求量，若顾客为历史已服务顾客，则根据存储的数据将其在以往服务中得到的预估取货需求量与确定取货需求量进行比对，以提取估计特征，缩小其在当前服务中对取货需求量的估计偏差，从顾客端减少重优化的机率。
S02：基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型；
具体的，总配送成本为车辆固定成本、燃油消耗及碳排放成本、时间窗惩罚成本之和，其中燃油消耗及碳排放成本与燃油消耗量成正比，燃油消耗量的计算充分考虑车辆载重、行驶速度的影响。如下式所示：
Figure BDA0003787263040000081
式中：
Figure BDA0003787263040000082
为车辆服务所有顾客节点产生的模糊燃油消耗总量；H表示同质车队集合；R表示顾客的节点集合；i＝0或j＝0时表示起终点位置；
Figure BDA0003787263040000083
表示车辆h从第i顾客节点行驶到第j顾客节点的模糊负载；λ为燃料热值系数；dij表示车辆从第i顾客节点行驶到第j顾客节点的距离；k为发动机摩擦系数；N为发动机转速；V为发动机排量；vij表示车辆从第i顾客节点行驶到第j顾客节点的行驶速度；γ为传输***系数；α为引力常数；β为空气阻力系数；m0表示空车质量；
总配送成本表示为：
Figure BDA0003787263040000084
式中：R0＝R\{0}表示不包含起终点位置的顾客节点集合；x0jh表示车辆h从起点行驶到第j顾客节点的决策变量；c1为车辆的单位固定成本；c2为单位油耗成本；c3为单位碳排放成本；e为碳排放系数；c4为车辆早到的单位时间等待成本；c5为车辆晚到的单位时间惩罚成本；Wj为第j顾客节点的时间窗口集合；
Figure BDA0003787263040000085
为第j顾客节点所能接受的第q个最早开始服务时间；
Figure BDA0003787263040000086
为第j顾客节点所能接受的第q个最晚开始服务时间；Tj为车辆到达第j顾客节点的时间，表示为
Figure BDA0003787263040000087
si为第i顾客节点的服务时长，tij表示车辆从第i顾客节点行驶到第j顾客节点的行驶时间；
Figure BDA0003787263040000091
基于可信性测度理论，只有约束条件在以一定的置信水平成立的前提下，目标才能实现，由此引入模糊成本机会约束：
Figure BDA0003787263040000092
式中：Cr为可信性度量；α0为企业决策者预先确定的置信水平；TC0为置信水平为α0下的乐观成本；
经过上述分析，基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型如下：
目标函数为：min TC0，
其中，TC0为置信水平α0下的乐观成本；
约束条件为：
Figure BDA0003787263040000093
Figure BDA0003787263040000094
Figure BDA0003787263040000095
Figure BDA0003787263040000096
Figure BDA0003787263040000097
Figure BDA0003787263040000098
Figure BDA0003787263040000099
Figure BDA00037872630400000910
式中：
Cr为可信性度量；α0为企业决策者预先确定的置信水平；
β0为企业决策者预先确定的置信水平；dj为第j顾客节点的送货需求量；M为车辆的最大载重量；
Figure BDA0003787263040000101
为第j顾客节点的预估取货需求量，p1j为第j顾客节点的最小取货需求量，p2j为第j顾客节点的最可能取货需求量，p3j为第j顾客节点的最大取货需求量，xj0h表示车辆h从第j顾客节点返回到终点的决策变量；M0jh表示车辆h从起点出发到第j顾客节点的初始负载；vl为最低车速；vm为最高车速。
公式(1)表示总成本
Figure BDA0003787263040000102
不超过乐观成本TC0的可信度大于等于预设置信水平α0；公式(2)表示车辆h服务完顾客j后的载重量不超过其最大载重量的可信度大于等于预设置信水平β0；公式(3)为路径节点约束，表示每个顾客有且仅有一辆车服务一次，车辆被使用时只有一条服务路径且满足从起点出发，最后回到终点；公式(4)为车辆载重约束，即车辆从起点出发的初始负载需满足所服务顾客的送货需求量且不得超过车辆最大载重限制；公式(5)表示顾客仅有一个时间窗口可被选中；公式(6)为车辆的车速限制约束；公式(7)和(8)表示决策变量属性约束。
S03：采用遗传和声搜索算法求解所建立模型，以得到预优化配送方案；
具体的，所述遗传和声搜索算法利用遗传算法隐含的并行性以及前期快速改善解的特点生成初始记忆库，以弥补和声搜索算法对初始解依赖程度大的不足，步骤如图2所示为：
S031：初始化算法各项参数，包括种群规模T、交叉概率Pc、变异概率Pm、迭代次数G、声记忆库大小HMS、记忆库取值概率HMCR取值范围、微调概率PCR取值范围、当前创作次数t和创作次数NI；
S032：利用遗传算法生成初始记忆库HM：
通过自然数编码的方式，顾客点用1,2,3,…r表示，随机生成顾客序列排序，并在序列的首尾及序列中的不同位置***共g+1个表示配送中心的0，以生成初始染色体；
然后根据模糊容量机会约束和模糊成本机会约束进行筛选，若满足约束则保留该染色体；重复上述操作直至种群规模达到T，记初始种群为PT＝X1,X2,Xm,…XT,m＝1,2,…T,其中，个体Xm表示一个可行的配送方案；计算每个个体的适应度值
Figure BDA0003787263040000103
其中TC(Xm)0为个体Xm在给定置信水平α0下的最小预计总成本，适应度值越大表明个体越优；
采用轮盘赌和精英保留策略相结合的方式选择优良个体进入下一代，再从中随机选择两条父代染色体执行交叉操作：，将交叉概率Pc与(0,1)内随机生成的随机数q1比较，若Pc＞q1，则对两条父代染色体执行顺序交叉操作，其中顺序交叉操作即为通过随机选择两交叉点，若交叉点位置的基因不为0则将交叉点左移或者右移，直至交叉点位置上的基因为0，然后保留第一条父代染色体中两个基因为0交叉点之间的序列片段，剔除第二条父代染色体中与第一条父代染色体保留序列重复的部分，将其余的基因按顺序填入第一条染色体，形成第一条染色体的子染色体，同理生成第二条染色体的子染色体；若Pc≤q1，则保持不变；
选择的任一条染色体执行变异操作：若变异概率Pm＞(0，1)内随机生成的随机数q2，则随机选取该染色体上两个基因交换位置生成变异后的新染色体，判断该新染色体是否满足模糊容量机会约束和模糊成本机会约束，若满足则保留；若变异概率Pm≤(0，1)内随机生成的随机数q2，则保持不变；
重复交叉操作和变异操作以更新子代种群，当达到迭代次数G时遗传算法停止，对最终种群中的每个个体按适应度值降序排列，选择最好的HMS个体作为和声记忆库的初始解；
S033：更新记忆库取值概率HMCR和微调概率PCR：
通过下式动态调整记忆库取值概率HMCR：
Figure BDA0003787263040000111
其中，HMCRmin声记忆库取值概率的最小值；HMCRmax为声记忆库取值概率的最大值；t为当前创作次数；
通过下式动态调整微调概率PCR：
Figure BDA0003787263040000112
其中，PCRmin为微调概率的最小值；PCRmax为微调概率的最大值；
S034：生成新和声，具体为：
生成rand(0,1)随机数q3，若q3≤HMCR，则在和声记忆库HM内随机选择一组和声，否则在和声记忆库HM外随机生成一组和声；
对选择或生成的和声以PCR的概率扰动，依次执行两点交换、单点***的邻域搜索以产生满模糊容量机会约束和模糊成本机会约束的新和声；
S035：更新和声记忆库；
若新和声的目标函数值小于HM中最差和声，则将其替换并重新对HM进行排序，否则，不做修改；
S036：算法终止判断：若t＞NI则停止迭代，输出HM中的最优预优化配送方案，否则t＝t+1，返回S033。
S04：调度车辆按预优化配送方案行驶，确定各个顾客的取货需求量；
具体的，配送企业调度车辆按预优化配送方案行驶，依次服务各顾客的同时其取货需求量也随之确定。
S05：判断是否存在失败点即车辆剩余装载量是否小于顾客的实际取货需求量，若存在则采取失败点服务策略，在其余可服务时间窗内统一为其进行重优化路径规划，否则存储顾客点确定配送信息，输出最优配送方案。
所述失败点服务策略为车辆按预优化路径行驶，若剩余装载量无法满足第i顾客节点的取货需求，则只对第i顾客节点进行送货服务，再继续对第i顾客节点后续的全部顾客节点进行同时取送货服务。
最后统计失败点数量，为满足其取货服务需求，统一进行重优化路径规划。此时问题转变为带时间窗的取货车辆路径问题，以车辆固定成本、燃油消耗及碳排放成本、时间窗惩罚成本、重优化服务惩罚成本之和最小化为目标构建重优化模型，其中，顾客取货需求量为确定的，车辆的燃油消耗量按下式计算：
Figure BDA0003787263040000121
式中：F为车辆服务所有失败点产生的燃油消耗总量；R1表示失败点集合；s＝0或u＝0时表示起终点位置；
Figure BDA0003787263040000122
dsu为车辆从第s失败点行驶到第u失败点的距离；vsu为车辆从第s失败点行驶到第u失败点的行驶速度；Msuh为车辆h从第s失败点行驶到第u失败点的负载。
目标函数为：
Figure BDA0003787263040000123
约束条件为：
Figure BDA0003787263040000124
Figure BDA0003787263040000131
Figure BDA0003787263040000132
Figure BDA0003787263040000133
Figure BDA0003787263040000134
Figure BDA0003787263040000135
Figure BDA0003787263040000136
Figure BDA0003787263040000137
Figure BDA0003787263040000138
式中：
Figure BDA0003787263040000139
表示不包括起终点位置的失败点集合；x0uh表示车辆h从起点行驶到第u失败点的决策变量；
Figure BDA00037872630400001310
表示第u失败点的剩余可选时间窗口集合；
Figure BDA00037872630400001311
为第u失败点所能接受的第q个最早开始服务时间；
Figure BDA00037872630400001312
为第u失败点所能接受的第q个最晚开始服务时间；Tu为车辆到达第u失败点的时间，表示为
Figure BDA00037872630400001313
ss为第s失败点的服务时长，tsu表示车辆从第s失败点行驶到第u失败点的行驶时间；
Figure BDA00037872630400001314
c6为单位货物重优化服务的惩罚成本；
Figure BDA00037872630400001315
为第u失败点的取货需求量；xuoh表示车辆h从第u失败点行驶到终点的决策变量；M0uh为车辆h从起点出发到第u失败点的初始负载；
Figure BDA00037872630400001316
公式(9)表示每个失败点仅能被一辆车服务；公式(10)表示同一条线路上的失败点由同一配送车辆服务且每个失败点仅被服务一次，车辆被使用时需从起点出发，最后回到终点；公式(11)表示车辆h离开起点的初始负载为0；公式(12)表示车辆h满足失败点的取货需求量之和不超过车辆的最大载重限制；公式(13)表示失败点仅有一个时间窗口可被选中；公式(14)表示车速限制约束；公式(15)、公式(16)和公式(17)为决策变量属性约束。
如图3所示，一种所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法的***，包括数据收发模块、路况预判模块、路径规划模块Ⅰ、判断模块、路径规划模块Ⅱ、配送管理模块和车辆调度模块；
所述数据收发模块用于接收用户端多个顾客的配送信息和发送顾客对取货需求量估计偏差的预警信息；所述路况预判模块与数据收发模块连接，用于获得配送中心与顾客、顾客与顾客、顾客与配送中心间路径上的预计车速；
所述路径规划模块Ⅰ与路况预判模块连接，用于对所接收到的顾客点进行预优化路径规划；所述路径规划模块Ⅰ将预优化路径规划输入车辆调度模块，用于调度多辆配送车辆执行配送方案；所述车辆调度模块将配送方案输入判断模块，用于判断是否存在服务失败点；
所述路径规划模块Ⅱ用于对失败点进行重优化的路径规划；所述路径规划模块Ⅱ将重优化的路径规划输入车辆调度模块，用于调度多辆配送车辆执行优化后的配送方案；所述车辆调度模块将优化后的配送方案输入配送管理模块，用于提高顾客对取货需求量估计的准确性；所述配送管理模块与数据收发模块连通。
所述路径规划模块Ⅰ内设有模型构建单元Ⅰ、算法求解单元、配送方案生成单元Ⅰ，所述模型构建单元Ⅰ用于构建所述的同时取送货车辆路径问题模糊机会约束规划模型；所述算法求解单元利用所述遗传和声搜索算法求解模型；所述配送方案生成单元Ⅰ用于生成预优化配送方案。
所述路径规划模块Ⅱ内设有模型构建单元Ⅱ、算法求解单元、配送方案生成单元Ⅱ，所述模型构建单元Ⅱ用于构建失败点的重优化模型；所述配送方案生成单元Ⅱ用于生成重优化配送方案。
所述配送管理模块设有存储单元、提取单元、预警单元，所述存储单元用于存储已服务顾客的实际历史数据；所述提取单元用于计算顾客对取货需求量估计的偏差；所述预警单元内设阈值用于提示顾客。
本发明所述的不确定取货需求下带多时间窗的同时取送货车辆路径规划***的工作原理如图4所示，所述数据收发模块用于接收用户端多个顾客包括地理位置、多个不重叠可服务时间窗、送货需求量以及预估的取货需求量等配送信息；所述路况预判模块通过数据收发模块得到顾客的地理位置信息，基于实时路况生成配送中心与顾客、顾客与顾客、顾客与配送中心间路径上的预计车速；所述路径规划模块Ⅰ可根据配送管理模块内存储的历史数据缩小顾客对取货需求的估计偏差，由模型构建单元Ⅰ构建所述不确定取货需求下带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型，算法求解单元采用所述的遗传和声搜索算法进行求解，配送方案生成单元Ⅰ输出预优化配送方案并传输给车辆调度模块；所述车辆调度模块调度车辆按预优化配送方案行驶，确定各个顾客实际的取货需求量传输给配送管理模块；所述判断模块判断是否存在服务失败点，若存在则采取所述失败点服务策略；所述路径规划模块Ⅱ通过模型构建单元Ⅱ构建所述失败点重优化模型，算法求解单元求解，在配送方案生成单元Ⅱ中生成重优化配送方案，再由车辆调度模块执行以满足失败点的取货需求；所述配送管理模块接收来自车辆调度模块已服务顾客的实际取货需求量，并将其以及其他配送信息存储在存储单元内，由提取单元计算顾客对取货需求量估计的偏差值，将该值所述预警单元的内设阈值进行比较，若大于则通过数据收发模块反馈给顾客。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，包括以下步骤：
获取待服务顾客点的配送信息，根据存储数据缩小历史已服务顾客对取货需求量的估计偏差；
基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型；
采用遗传和声搜索算法求解所建立模型，以得到预优化配送方案；
调度车辆按预优化配送方案行驶，确定各个顾客的取货需求量；
判断是否存在车辆剩余装载量小于顾客的实际取货需求量的失败点，若存在失败点，则采取失败点服务策略，在其余可服务时间窗内为失败点进行重优化路径规划；若不存在失败点，则存储顾客点确定配送信息，输出最优配送方案。
2.根据权利要求1所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，所述待服务顾客点的配送信息包括地理位置、多个不重叠可服务时间窗、送货需求量和预估取货需求量，其中，预估取货需求量用三角模糊数表示。
3.根据权利要求1所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，所述根据存储数据缩小历史已服务顾客对取货需求量估计偏差具体为：针对历史已服务顾客，根据存储的数据将其在以往服务中得到的预估取货需求量与确定取货需求量进行比对，以提取估计特征，缩小其在当前服务中对取货需求量的估计偏差。
4.根据权利要求1所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，所述基于可信性测度理论构建带多时间窗的同时取送货车辆路径问题模糊机会约束规划模型如下：
目标函数为：minTC0，
其中，TC0为置信水平α0下的乐观成本；
约束条件为：
Figure FDA0003787263030000011
Figure FDA0003787263030000012
Figure FDA0003787263030000013
Figure FDA0003787263030000021
Figure FDA0003787263030000022
Figure FDA0003787263030000023
Figure FDA0003787263030000024
Figure FDA0003787263030000025
式中：
Figure FDA0003787263030000026
为总配送成本，可表示为：
Figure FDA0003787263030000027
Figure FDA0003787263030000028
其中：
Figure FDA0003787263030000029
为车辆服务所有顾客节点产生的模糊燃油消耗总量；H表示同质车队集合；R表示顾客的节点集合；i＝0或j＝0时表示起终点位置；
Figure FDA00037872630300000210
Figure FDA00037872630300000211
表示车辆h从第i顾客节点行驶到第j顾客节点的模糊负载；λ为燃料热值系数；dij表示车辆从第i顾客节点行驶到第j顾客节点的距离；k为发动机摩擦系数；N为发动机转速；V为发动机排量；vij表示车辆从第i顾客节点行驶到第j顾客节点的行驶速度；γ为传输***系数；α为引力常数；β为空气阻力系数；m0表示空车质量；
R0＝R\{0}表示不包含起终点位置的顾客节点集合；x0jh表示车辆h从起点行驶到第j顾客节点的决策变量；c1为车辆的单位固定成本；c2为单位油耗成本；c3为单位碳排放成本；e为碳排放系数；c4为车辆早到的单位时间等待成本；c5为车辆晚到的单位时间惩罚成本；Wj为第j顾客节点的时间窗口集合；
Figure FDA00037872630300000212
为第j顾客节点所能接受的第q个最早开始服务时间；
Figure FDA00037872630300000213
为第j顾客节点所能接受的第q个最晚开始服务时间；Tj为车辆到达第j顾客节点的时间，表示为
Figure FDA0003787263030000031
si为第i顾客节点的服务时长，tij表示车辆从第i顾客节点行驶到第j顾客节点的行驶时间；
Figure FDA0003787263030000032
Cr为可信性度量；α0为企业决策者预先确定的置信水平；
β0为企业决策者预先确定的置信水平；dj为第j顾客节点的送货需求量；M为车辆的最大载重量；
Figure FDA0003787263030000033
为第j顾客节点的预估取货需求量，p1j为第j顾客节点的最小取货需求量，p2j为第j顾客节点的最可能取货需求量，p3j为第j顾客节点的最大取货需求量，xj0h表示车辆h从第j顾客节点返回到终点的决策变量；M0jh表示车辆h从起点出发到第j顾客节点的初始负载；vl为最低车速；vm为最高车速。
5.根据权利要求4所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，采用遗传和声搜索算法求解所建立模型，以得到预优化配送方案，具体包括如下步骤：
S031：初始化算法各项参数，包括种群规模T、交叉概率Pc、变异概率Pm、迭代次数G、声记忆库大小HMS、记忆库取值概率HMCR取值范围、微调概率PCR取值范围、当前创作次数t和创作次数NI；
S032：利用遗传算法生成初始记忆库HM：
通过自然数编码的方式，顾客点用1,2,3,…r表示，随机生成顾客序列排序，并在序列的首尾及序列中的不同位置***共g+1个表示配送中心的0，以生成初始染色体；
然后根据模糊容量机会约束和模糊成本机会约束进行筛选，若满足约束则保留该染色体；重复上述操作直至种群规模达到T，记初始种群为PT＝X1,X2,Xm,…XT,m＝1,2,…T,其中，个体Xm表示一个可行的配送方案；计算每个个体的适应度值
Figure FDA0003787263030000034
其中TC(Xm)0为个体Xm在给定置信水平α0下的最小预计总成本，适应度值越大表明个体越优；
采用轮盘赌和精英保留策略相结合的方式选择优良个体进入下一代，再从中随机选择两条父代染色体执行交叉操作：将交叉概率Pc与(0,1)内随机生成的随机数q1比较，若Pc＞q1，则对两条父代染色体执行顺序交叉操作；若Pc≤q1，则保持不变；
选择的任一条染色体执行变异操作：若变异概率Pm＞(0，1)内随机生成的随机数q2，则随机选取该染色体上两个基因交换位置生成变异后的新染色体，判断该新染色体是否满足模糊容量机会约束和模糊成本机会约束，若满足则保留；若变异概率Pm≤(0，1)内随机生成的随机数q2，则保持不变；
重复交叉操作和变异操作以更新子代种群，当达到迭代次数G时遗传算法停止，对最终种群中的每个个体按适应度值降序排列，选择最好的HMS个体作为和声记忆库的初始解；
S033：更新记忆库取值概率HMCR和微调概率PCR：
通过下式动态调整记忆库取值概率HMCR：
Figure FDA0003787263030000041
其中，HMCRmin声记忆库取值概率的最小值；HMCRmax为声记忆库取值概率的最大值；t为当前创作次数；
通过下式动态调整微调概率PCR：
Figure FDA0003787263030000042
其中，PCRmin为微调概率的最小值；PCRmax为微调概率的最大值；
S034：生成新和声，具体为：
生成rand(0,1)随机数q3，若q3≤HMCR，则在和声记忆库HM内随机选择一组和声，否则在和声记忆库HM外随机生成一组和声；
对选择或生成的和声以PCR的概率扰动，依次执行两点交换、单点***的邻域搜索以产生满模糊容量机会约束和模糊成本机会约束的新和声；
S035：更新和声记忆库；
若新和声的目标函数值小于HM中最差和声，则将其替换并重新对HM进行排序，否则，不做修改；
S036：若t＞NI则停止迭代，输出HM中的最优预优化配送方案，否则t＝t+1，返回S033。
6.根据权利要求5所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，所述失败点服务策略为车辆按预优化路径行驶，若剩余装载量无法满足第i顾客节点的取货需求，则只对第i顾客节点进行送货服务，再继续对第i顾客节点后续的全部顾客节点进行同时取送货服务。
7.根据权利要求1所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法，其特征在于，所述失败点重优化路径规划为带时间窗的取货车辆路径问题，构建模型时在目标函数中增加重优化服务惩罚成本。
8.一种根据权利要求1-7任一项所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法的***，其特征在于，包括数据收发模块、路况预判模块、路径规划模块Ⅰ、判断模块、路径规划模块Ⅱ、配送管理模块和车辆调度模块；
所述数据收发模块用于接收用户端多个顾客的配送信息和发送顾客对取货需求量估计偏差的预警信息；所述路况预判模块与数据收发模块连接，用于获得配送中心与顾客、顾客与顾客、顾客与配送中心间路径上的预计车速；
所述路径规划模块Ⅰ与路况预判模块连接，用于对所接收到的顾客点进行预优化路径规划；所述路径规划模块Ⅰ将预优化路径规划输入车辆调度模块，用于调度多辆配送车辆执行配送方案；所述车辆调度模块将配送方案输入判断模块，用于判断是否存在服务失败点；
所述路径规划模块Ⅱ用于对失败点进行重优化的路径规划；所述路径规划模块Ⅱ将重优化的路径规划输入车辆调度模块，用于调度多辆配送车辆执行优化后的配送方案；所述车辆调度模块将优化后的配送方案输入配送管理模块，用于提高顾客对取货需求量估计的准确性；所述配送管理模块与数据收发模块连通。
9.根据权利要求8所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法的***，其特征在于，所述路径规划模块Ⅰ内设有模型构建单元Ⅰ、算法求解单元和配送方案生成单元Ⅰ；所述模型构建单元Ⅰ用于构建所述的同时取送货车辆路径问题模糊机会约束规划模型；所述算法求解单元利用所述遗传和声搜索算法求解模型；所述配送方案生成单元Ⅰ用于生成预优化配送方案；
所述路径规划模块Ⅱ内设有模型构建单元Ⅱ和配送方案生成单元Ⅱ，所述模型构建单元Ⅱ用于构建失败点的重优化模型；所述配送方案生成单元Ⅱ用于生成重优化配送方案。
10.根据权利要求8所述的不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法的***，其特征在于，所述配送管理模块设有存储单元、提取单元和预警单元，所述存储单元用于存储已服务顾客的实际历史数据；所述提取单元用于计算顾客对取货需求量估计的偏差；所述预警单元内设阈值用于提示顾客。
CN202210945598.6A 2022-08-08 2022-08-08 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及*** Pending CN115186930A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210945598.6A CN115186930A (zh) 2022-08-08 2022-08-08 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210945598.6A CN115186930A (zh) 2022-08-08 2022-08-08 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***

Publications (1)

Publication Number Publication Date
CN115186930A true CN115186930A (zh) 2022-10-14

Family

ID=83523402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210945598.6A Pending CN115186930A (zh) 2022-08-08 2022-08-08 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***

Country Status (1)

Country Link
CN (1) CN115186930A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115841287A (zh) * 2023-02-21 2023-03-24 山东科技大学 一种混合车队动态路径规划方法及设备
CN115879859A (zh) * 2022-12-03 2023-03-31 重庆大学 一种基于定时定点开放机制的多仓库运输优化方法、***及介质
CN117875535A (zh) * 2024-03-13 2024-04-12 中南大学 基于历史信息嵌入的取送货路径规划方法及***
CN117933513A (zh) * 2024-01-17 2024-04-26 山东科技大学 一种共同配送模式下同时取送货的车辆路径确定方法及***

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879859A (zh) * 2022-12-03 2023-03-31 重庆大学 一种基于定时定点开放机制的多仓库运输优化方法、***及介质
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
CN115841287A (zh) * 2023-02-21 2023-03-24 山东科技大学 一种混合车队动态路径规划方法及设备
CN115841287B (zh) * 2023-02-21 2023-05-09 山东科技大学 一种混合车队动态路径规划方法及设备
CN117933513A (zh) * 2024-01-17 2024-04-26 山东科技大学 一种共同配送模式下同时取送货的车辆路径确定方法及***
CN117875535A (zh) * 2024-03-13 2024-04-12 中南大学 基于历史信息嵌入的取送货路径规划方法及***
CN117875535B (zh) * 2024-03-13 2024-06-04 中南大学 基于历史信息嵌入的取送货路径规划方法及***

Similar Documents

Publication Publication Date Title
CN115186930A (zh) 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及***
CN111860754B (zh) 基于蚁群以及遗传算法的agv调度方法
CN110097234A (zh) 工业卷烟运输智能调度方法及***
Cheung et al. Dynamic routing model and solution methods for fleet management with mobile technologies
CN109299810A (zh) 一种货运车辆配载方法
CN112378415B (zh) 一种工器具的调度规划方法、装置及设备
CN110674968A (zh) 一种快递配送途中客户需求动态变更的车辆路径优化方法
CN113780676B (zh) 一种瓶装液化气车辆配送路径优化方法
CN113762886A (zh) 基于变邻域搜索算法的油品二次物流配送优化方法及***
CN115860613A (zh) 一种考虑预约机制的零担车货匹配及车辆调度方法
Kumar et al. Green logistics decision support system for blood distribution in time window
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN114611794A (zh) 基于亚启发式算法的车机协同取送货路径优化方法和***
CN114444809A (zh) 一种数据驱动下的多目标露天矿卡路径优化方法
CN112418550B (zh) 一种物流行业中多种司机工作状态下的车货匹配方法
CN111861279B (zh) 一种考虑换乘的多目标高速收费站班车调度方法
CN117635013A (zh) 一种送货车辆能源容量不同的带时间窗的车辆路径规划方法
CN117709836A (zh) 一种数字化物流供应链的管理***
CN116843259A (zh) 一种推式配送模式下加油站连续多次补货的配送优化方法
CN110674967A (zh) 一种不确定行车时间下快递车辆路径鲁棒优化方法
CN115310676A (zh) 一种时变路网下的路径优化方法、装置及存储介质
CN115751169A (zh) 运氢车辆智能调度方法及装置
CN112506966B (zh) 一种基于参数灵活设置的智能自动选车***及方法
CN116739467B (zh) 基于云边协同的循环取送货路径规划方法、装置及介质
CN117933869B (zh) 一种基于机器学习的考虑司机异质性的路径规划方法

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