CN115511226A - 一种基于改进差分进化算法的车辆路径优化方法 - Google Patents

一种基于改进差分进化算法的车辆路径优化方法 Download PDF

Info

Publication number
CN115511226A
CN115511226A CN202211438672.1A CN202211438672A CN115511226A CN 115511226 A CN115511226 A CN 115511226A CN 202211438672 A CN202211438672 A CN 202211438672A CN 115511226 A CN115511226 A CN 115511226A
Authority
CN
China
Prior art keywords
individuals
target
transportation
individual
differential evolution
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
CN202211438672.1A
Other languages
English (en)
Inventor
石宁
刘春燕
姜冲
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.)
Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd
Original Assignee
Nanjing Trusted Blockchain And Algorithm Economics Research Institute 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 Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd filed Critical Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd
Priority to CN202211438672.1A priority Critical patent/CN115511226A/zh
Publication of CN115511226A publication Critical patent/CN115511226A/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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于改进差分进化算法的车辆路径优化方法，所述方法包括：构建道路和运输方式数学模型；所述初始化模块被配置为：初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束；采用道路和运输方式数学模型对多式联运车辆路径问题进行优化，输出最优解即最优路径。

Description

一种基于改进差分进化算法的车辆路径优化方法
技术领域
本发明涉及网络通信技术领域，特别涉及一种基于改进差分进化算法的车辆路径优化方法。
背景技术
在贸易全球化的现在，各物流公司更加有效地优化和管理物流环节是很有必要。其中，最重要的一种实现方法就是对物流运输时车辆路线进行合理的规划，因为这不仅可以降低运输成本，还对提升服务质量起到重要作用。经典的车辆路径问题（Vehicle RouteProblem，VRP）是指在给定的运输网络上的对物流车辆的路线进行有效规划，以便物流公司在一些特定的约束条件下高效地服务于客户。其中，缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件，一般意义上，基本的车辆路径问题是指确认一组有效的多个旅行商问题（TSP）路线，即车辆从起点到目的地的，以服务给定的一组客户，并且每个客户应该只被一辆车访问一次。此外，由于单个路线可能超过允许的运输距离或者运输时间，因此物流车辆可能存在多种不同运输路线。因此，VRP实际上被认为是更复杂、更高级别和更广泛的一类路由问题。而启发式算法作为解决该类问题的主流算法之一，主要包括有遗传算法、差分进化算法等。
差分进化算法（DE）是一类基于群体的自适应全局优化算法。DE算法通过采用浮点矢量进行编码生成种群个体。在DE算法寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去。
采用差分进化算法解决车辆路径问题（VRP）时，由于算法具有内在的并行性，适用于大规模并行分布处理时，可以减小时间成本开销，但算法后期个体之间的差异性减小，收敛速度减慢，易陷入局部最优，且没有利用个体的先验知识，可能较多的迭代次数才能收敛到全局最优。
发明内容
本申请提供了一种基于改进差分进化算法的车辆路径优化方法，旨在解决由于算法具有内在的并行性，在用于大规模并行分布处理时，虽然可以减小时间成本开销，但算法后期个体之间的差异性减小，收敛速度减慢，易陷入局部最优，且没有利用个体的先验知识，可能较多的迭代次数才能收敛到全局最优的问题。
本申请提供了一基于改进差分进化算法的车辆路径优化方法，所述方法包括：
初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；
从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；
将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；
比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；
将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束，并生成迭代结果；
根据所述迭代结果对多式联运车辆路径问题进行优化，输出最优解即最优路径。
在一种实现方式中，初始化差分进化算法的参数和原始种群采用下列公式：
Figure 240958DEST_PATH_IMAGE001
其中，
Figure 512671DEST_PATH_IMAGE002
表示所述原始种群中第0代的第NP个个体。
在一种实现方式中，从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体采用下列公式：
Figure 556588DEST_PATH_IMAGE003
其中，
Figure 546541DEST_PATH_IMAGE004
是控制第i个个体差分变量的缩放因子，
Figure 202781DEST_PATH_IMAGE005
表示所述原始种群 中第i个个体。
在一种实现方式中，将所述变异个体与目标个体进行交叉操作，得到实验个体采用下列公式：
Figure 96044DEST_PATH_IMAGE006
其中，
Figure 546748DEST_PATH_IMAGE007
是第j次随机进化，其范围是[0,1]，
Figure 289576DEST_PATH_IMAGE008
是交叉概率约束，
Figure 982464DEST_PATH_IMAGE009
是选择指数，用来保证元素
Figure 228768DEST_PATH_IMAGE010
能够得到，
Figure 912691DEST_PATH_IMAGE011
表示第j次未进行交叉编译的 第i个个体。
在一种实现方式中，比较所述实验个体与所述目标个体的适应度值的步骤还包括：根据贪婪算法比较所述实验个体与所述目标个体的适应度值。
在一种实现方式中，根据贪婪算法比较所述实验个体与所述目标个体的适应度值采用下列公式：
Figure 785225DEST_PATH_IMAGE012
其中，
Figure 48847DEST_PATH_IMAGE013
表示第t+1次更新第i个个体向量，
Figure 648194DEST_PATH_IMAGE014
表示第t次更新后第i个个体向 量,
Figure 706279DEST_PATH_IMAGE015
表示取
Figure 659585DEST_PATH_IMAGE016
的最小值，
Figure 461319DEST_PATH_IMAGE017
表示原始种群中第t代的i个个体，
Figure 416637DEST_PATH_IMAGE018
表示取
Figure 409738DEST_PATH_IMAGE017
的最小值。
在一种实现方式中，根据迭代结果对多式联运车辆路径问题进行优化包括：
Figure 83296DEST_PATH_IMAGE019
约束条件如下：
Figure 688721DEST_PATH_IMAGE020
Figure 242152DEST_PATH_IMAGE021
Figure 907620DEST_PATH_IMAGE022
式中：p是所有运输站点的集合；s是运输模式的集合；
Figure 567009DEST_PATH_IMAGE023
表示站点i和站点j之 间距离；
Figure 444966DEST_PATH_IMAGE024
表示站点i和站点j之间使用运输方式k；
Figure 374876DEST_PATH_IMAGE025
表示在站点j上将运输方式k调 整为运输方式l；
Figure 712710DEST_PATH_IMAGE026
表示站点i和站点j之间在运输方式k下的运输时间；
Figure 892018DEST_PATH_IMAGE027
表示在站点j 上将运输方式k调整为运输方式l需要的时间；
Figure 839246DEST_PATH_IMAGE028
表示站台i和站台j之间在运输方式k下 的运输成本；
Figure 387777DEST_PATH_IMAGE029
表示在站台上j上将运输方式k调整为运输方式l需要的成本；Q是运输 量；
Figure 129468DEST_PATH_IMAGE030
表示站点i和站点j之间在运输方式k下的运输量。
在一种实现方式中，将所述目标种群中的个体进行邻域搜索操作采用下列公式：
Figure 264914DEST_PATH_IMAGE031
其中，
Figure 454980DEST_PATH_IMAGE032
，
Figure 359482DEST_PATH_IMAGE033
是随机约束，
Figure 770610DEST_PATH_IMAGE034
表 示第j次进化得到的第i个个体，
Figure 393352DEST_PATH_IMAGE035
表示第j次进化得到的第k个个体。
由上述技术方案可知，本申请通过对经典差分进化算法的变异操作及交叉操作进行改进，引入领域搜索操作，搜索当前向量周围更好的潜在优秀解向量，使得算法的收敛速度更快。
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的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的获得其他的附图。
图1为本申请提供一种基于改进差分进化算法的车辆路径优化方法的流程图；
图2为本申请提供的一种基于改进差分进化算法的车辆路径优化方法的运输网络拓扑图；
图3为本申请提供一种基于改进差分进化算法的车辆路径优化方法的算法收敛代数比较图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在贸易全球化的现在，各物流公司更加有效地优化和管理物流环节是很有必要。其中，最重要的一种实现方法就是对物流运输时车辆路线进行合理的规划，因为这不仅可以降低运输成本，还对提升服务质量起到重要作用。经典的车辆路径问题（Vehicle RouteProblem，VRP）是指在给定的运输网络上的对物流车辆的路线进行有效规划，以便物流公司在一些特定的约束条件下高效地服务于客户。其中，缩减所有车辆的总运输距离、总运输成本或者减少行程时间成本被视为VRP的典型目标。可持续的物流运输问题需要充分考虑目标和相当多的约束条件，一般意义上，基本的车辆路径问题是指确认一组有效的多个旅行商问题（TSP）路线，即车辆从起点到目的地的，以服务给定的一组客户，并且每个客户应该只被一辆车访问一次。此外，由于单个路线可能超过允许的运输距离或者运输时间，因此物流车辆可能存在多种不同运输路线。因此，VRP实际上被认为是更复杂、更高级别和更广泛的一类路由问题。
VRP由于约束条件或者目标的不同存在着多种变体，例如容量VRP（CVRP），多仓库VRP（MDVRP）和带时间窗的VRP（VRPTW）。此外，随着不同运输方式的发展，传统的道路运输模式已不再是唯一的物流运输解决方案，基于多式联运的物流运输方案已成为全球物流行业的重要工作模式，并且多式联运的应用被政府视为推动运营高效化和环保化的重要动力。与经典的VRP类似，多式联运VRP也是一个NP难的优化问题，同时被认为是一个复杂的组合优化问题，研究人员需要在运输成本和时间成本方面协调规划车辆路线和运输模式，因此在过去二十年中已经成为一个具有挑战性的研究课题。
精确算法被认为是解决这类物流运输车辆路径问题的最有效方法之一，解决了大型应用***中搜索算法的时空复杂度较大的问题。通过建立迭代矩阵和序列数矩阵提出了一种改进的Floyd算法，并成功地采用该算法来处理汽车导航***中的路径选择问题。而为了获得最佳路线，提出了基于概率变量邻域搜索的三步局部搜索算法，并将其用于车辆路径规划问题的求解中。而且提出了一种分支切割算法来解决商人库存路径问题，并运用经济目标函数分析了经济环境变化对车辆路径问题的运输平均利润造成的影响。还有为VRP开发了一种有效的稳健的分支切割和价格算法，在这个算法中路线通常与列相关联，这些列是容量化基本路线的松弛，这使得定价问题在假多项式时间内能够被解决。通常，这些精确算法适用于那些简单的VRP和路由规划，但是对于处理复杂的路由规划问题，精确算法的性能可能就无法满足计算要求了。
与精确算法相比，启发式算法，如禁忌搜索算法，模拟退火算法，蚁群算法，遗传算法，粒子群优化和差分进化算法由于强大的搜索能力，在大规模多重约束优化方面表现出优异的性能。例如，Brando提出了禁忌搜索算法，并利用三个过程来得出初始解，还为邻域定义了三个运算符：单个***，双***和交换。该算法还在搜索期间利用了强化和多样化的操作，故该方法能够获得更高质量的解决方案。而且还提出了一种结合了几种局部搜索技术的模拟退火算法（SA）来处理车辆路径问题（VRP）的变体，其中时间窗口是与每个客户服务相关联。之后提出了一种粒子群优化方法，采用自学习方法处理配送中心的车辆路径规划问题，该配送中心具有多个交叉对接处理多种产品。针对算法早熟收敛问题与降低基本蚁群算法（ACA）的计算成本。
而作为一种高效且功能强大的全局优化算法，差分进化算法（DifferentialEvolution Algorithm，DE）于1997年由Rainer Storn和Kenneth Price在遗传算法等进化思想的基础上提出的，本质是一种多目标（连续变量）优化算法（MOEAs），用于求解多维空间中整体最优解，且已成功应用于各种邻域，因为其性能优于其他优化算法。因此，搜索多式联运VRP问题的差分进化算子被认为是优化最佳路径的有效、可行的方案。
本申请为解决现有技术中在解决车辆路径问题(VRP)时，由于算法具有内在的并行性，适用于大规模并行分布处理时，可以减小时间成本开销，但算法后期个体之间的差异性减小，收敛速度减慢，易陷入局部最优，且没有利用个体的先验知识，可能较多的迭代次数才能收敛到全局最优的问题。基于以上原因，本申请提供了一种基于改进差分进化算法的车辆路径优化方法。
下面结合具体的实施例对本发明的一种方法作进一步的阐述。
如图1所示，本申请提供了一种方法，所述方法包括：
S1.构建道路和运输方式数学模型；所述道路和运输方式数学模型由初始化模块、变异模块、交叉模块、选择模块和搜索模块构成；
具体的，在本实施例中，道路和运输方式数学模型表示包括：
Figure 682382DEST_PATH_IMAGE019
约束条件如下：
Figure 942856DEST_PATH_IMAGE020
Figure 88666DEST_PATH_IMAGE021
Figure 933125DEST_PATH_IMAGE022
式中：p是所有运输站点的集合；s是运输模式的集合；
Figure 258802DEST_PATH_IMAGE036
表示站点i和站点j之 间距离；
Figure 872317DEST_PATH_IMAGE024
表示站点i和站点j之间使用运输方式k；
Figure 923450DEST_PATH_IMAGE037
表示在站点j上将运输方式k调 整为运输方式l；
Figure 756670DEST_PATH_IMAGE026
表示站点i和站点j之间在运输方式k下的运输时间；
Figure 590765DEST_PATH_IMAGE038
表示在站点j 上将运输方式k调整为运输方式l需要的时间；t是最长服务时间；
Figure 619639DEST_PATH_IMAGE028
表示站台i和站台j之 间在运输方式k下的运输成本；
Figure 513776DEST_PATH_IMAGE029
表示在站台上j上将运输方式k调整为运输方式l需要 的成本；Q是运输量；
Figure 332828DEST_PATH_IMAGE030
表示站点i和站点j之间在运输方式k下的运输量。
在实际应用场景中，初始化差分进化算法的种群的道路和运输方式模型，并初始化算法相关参数（例如，1->2->4->3;公路-铁路->空运->海运等）。其中，为了利用改进的差分进化算法优化多式联运VRP，VRP需要采用十进制代码编码。在该优化过程中采用两个分段编码的形式，DE个体的第一部分代表运输路径，其余部分是多模式运输类型。例如，如果共有8个运输点，在路径编码中，我们将[0,1，...，7]定义为传输点编号，并且0,7定义初始点和终点；在运输型编码中，[1,2,3,4]分别代表公路运输，铁路运输，船舶运输和航空运输。
所述初始化模块被配置为：初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；
具体的，在本实施例中，初始化差分进化算法的参数和原始种群采用下列公式：
Figure 3237DEST_PATH_IMAGE039
其中，
Figure 388082DEST_PATH_IMAGE040
表示所述原始种群中第0代的第i个个体。
所述变异模块被配置为：从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；
具体的，在本实施例中，从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体采用下列公式：
Figure 984280DEST_PATH_IMAGE003
其中，
Figure 54741DEST_PATH_IMAGE004
是控制差分变量的缩放因子。
在实际应用场景中，从当前的原始种群中选择五个不同的目标个体
Figure 27377DEST_PATH_IMAGE041
，
Figure 705876DEST_PATH_IMAGE042
，
Figure 738554DEST_PATH_IMAGE043
，
Figure 797777DEST_PATH_IMAGE044
和
Figure 807059DEST_PATH_IMAGE045
，需要注意的是，这些被挑选出的目标向量不能够重合。按照上述通过对
Figure 369759DEST_PATH_IMAGE046
的变异 操作计算出变异个体
Figure 307759DEST_PATH_IMAGE047
，通常情况下，
Figure 824584DEST_PATH_IMAGE048
过小会导致算法过早收敛，但是
Figure 404601DEST_PATH_IMAGE049
过大也会导 致减弱算法的局部最优解搜索能力。
所述交叉模块被配置为：将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；
具体的，在本实施例中，将所述变异个体与目标个体进行交叉操作，得到实验个体采用下列公式：
Figure 320342DEST_PATH_IMAGE006
其中，
Figure 694823DEST_PATH_IMAGE007
是第j次随机进化，其范围是[0,1]，
Figure 197480DEST_PATH_IMAGE008
是交叉概率约束，
Figure 574931DEST_PATH_IMAGE009
是选择指数，用来保证元素
Figure 112223DEST_PATH_IMAGE010
能够得到。
在实际应用场景中，为了提高概率密度，变异操作之后通常采用交叉操作。
所述选择模块被配置为：比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；
具体的，在本实施例中，比较所述实验个体与所述目标个体的适应度值的步骤还包括：根据贪婪算法比较所述实验个体与所述目标个体的适应度值。其中，根据贪婪算法比较所述实验个体与所述目标个体的适应度值采用下列公式：
Figure 454343DEST_PATH_IMAGE050
其中，
Figure 942831DEST_PATH_IMAGE013
表示第t+1次更新第i个个体向量，
Figure 599071DEST_PATH_IMAGE014
表示第t次更新后第i个个体向 量。
在实际应用场景中，进行选择操作的目的是决定将哪些个体保留到下一代以及将 多少个体复制到下一代。贪婪选择方案被应用在DE算法中，以确定新的个体
Figure 725290DEST_PATH_IMAGE051
和目标个体
Figure 739776DEST_PATH_IMAGE052
。如果
Figure 217025DEST_PATH_IMAGE053
优于
Figure 676956DEST_PATH_IMAGE052
，那么新个体将替换到下一代中的相应目标向量，否则目标个体保留 在目标种群中。因此，目标种群要么变得更好，要么在健康状态下保持不变，但永远不会产 生恶化。
所述搜索模块被配置为：将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束；
具体的，在本实施例中，将所述目标种群中的个体进行邻域搜索操作采用下列公式：
Figure 156217DEST_PATH_IMAGE031
其中，
Figure 43401DEST_PATH_IMAGE032
，
Figure 539105DEST_PATH_IMAGE033
是随机约束。
在实际应用场景中，通常，由于敏感的参数信息和弱局部搜索能力，差分进化算法的收敛性能可能会受到影响。受到蜜蜂群体觅食行为的启发，引入邻域搜索操作，根据以邻域搜索当前向量周围更好的潜在优秀解向量。
S2.采用道路和运输方式数学模型对多式联运车辆路径问题进行优化，输出最优解即最优路径。
在实际应用场景中，将遗传算法与本申请的方法进行比较，并且表1给出了遗传算法和差分进化算法的相应参数设置情况。
表1：差分进化算法和遗传算法的参数设置。
Figure 507454DEST_PATH_IMAGE054
从A市到K市有一个10吨的运输任务，其中网络拓扑共包括11个城市。除了启动城市A和目的地城市K之外，该网络中有9个中转城市和数百个可选路线，该网络拓扑如图2所示。为了方便优化算法计算种群个体和染色体的适应度值，每个城市的运输成本和转移成本列于表2中，其中符号“-”表示列出的运输方式不可使用。
表2：多式联运模式运输开销。
Figure 405003DEST_PATH_IMAGE055
通过将遗传算法与本申请的方法进行比较，我们可以容易地获得具有运输模式的最佳路线，即从A市到K市的最佳路线是A→B→F→J→K，相应的交通方式是从A市到B市到F市的铁路运输，从F市到J市到K市的船舶运输。此外，为了确认改进型差分进化算法的有效性与性能，本申请选择了标准遗传算法和标准差分进化算法进行对比，其迭代趋势的结果如图3所示。因此，改进型差分进化算法相比于遗传算法收敛速度更快并且经常能够计算处更加优秀的车辆路径规划方案；同时，相比于一般的差分进化算法，改进性差分进化算法没有过早收敛。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本申请的权利要求指出。

Claims (8)

1.一种基于改进差分进化算法的车辆路径优化方法，其特征在于，所述方法包括：
初始化差分进化算法的参数和原始种群，并计算所述原始种群内每一个个体对应的适应度值；
从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体；
将所述变异个体与目标个体进行交叉操作，得到实验个体，所述目标个体为目标数目和所述原始种群的乘积；
比较所述实验个体与所述目标个体的适应度值，选取最优个体形成目标种群；
将所述目标种群中的个体进行邻域搜索操作并进行迭代，直至迭代结束，并生成迭代结果；
根据所述迭代结果对多式联运车辆路径问题进行优化，输出最优解即最优路径。
2.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，初始化差分进化算法的参数和原始种群采用下列公式：
Figure 535668DEST_PATH_IMAGE001
其中，
Figure 585664DEST_PATH_IMAGE002
表示所述原始种群中第0代的第NP个个体。
3.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，从所述原始种群中根据所述适应度值选取个体进行变异操作，得到变异个体采用下列公式：
Figure 825890DEST_PATH_IMAGE003
其中，
Figure 961336DEST_PATH_IMAGE004
是控制第i个个体差分变量的缩放因子，
Figure 181096DEST_PATH_IMAGE005
表示所述原始种群中第 i个个体。
4.权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，将所述变异个体与目标个体进行交叉操作，得到实验个体采用下列公式：
Figure 852642DEST_PATH_IMAGE006
其中，
Figure 30814DEST_PATH_IMAGE007
是第j次随机进化，其范围是[0,1]，
Figure 387977DEST_PATH_IMAGE008
是交叉概率约束，
Figure 909963DEST_PATH_IMAGE009
是选择指数，用来保证元素
Figure 934551DEST_PATH_IMAGE010
能够得到，
Figure 785089DEST_PATH_IMAGE011
表示第j次未进行交叉 编译的第i个个体。
5.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，比较所述实验个体与所述目标个体的适应度值的步骤还包括：
根据贪婪算法比较所述实验个体与所述目标个体的适应度值。
6.根据权利要求5所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，根据贪婪算法比较所述实验个体与所述目标个体的适应度值采用下列公式：
Figure 363969DEST_PATH_IMAGE012
其中，
Figure 191110DEST_PATH_IMAGE013
表示第t+1次更新第i个个体向量，
Figure 568740DEST_PATH_IMAGE014
表示第t次更新后第i个个体向 量,
Figure 88714DEST_PATH_IMAGE015
表示取
Figure 217207DEST_PATH_IMAGE016
的最小值，
Figure 83925DEST_PATH_IMAGE017
表示原始种群中第t代的i个个体，
Figure 551947DEST_PATH_IMAGE018
表示取
Figure 242822DEST_PATH_IMAGE017
的最小值。
7.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，道路和运输方式数学模型表示包括：
Figure 560409DEST_PATH_IMAGE019
约束条件如下：
Figure 260512DEST_PATH_IMAGE020
Figure 350084DEST_PATH_IMAGE021
Figure 618385DEST_PATH_IMAGE022
式中：p是所有运输站点的集合；s是运输模式的集合；
Figure 423268DEST_PATH_IMAGE023
表示站点i和站点j之间距 离；
Figure 395903DEST_PATH_IMAGE024
表示站点i和站点j之间使用运输方式k；
Figure 369675DEST_PATH_IMAGE025
表示在站点j上将运输方式k调整为 运输方式l；
Figure 638239DEST_PATH_IMAGE026
表示站点i和站点j之间在运输方式k下的运输时间；
Figure 431883DEST_PATH_IMAGE027
表示在站点j上将 运输方式k调整为运输方式l需要的时间；
Figure 208209DEST_PATH_IMAGE028
表示站台i和站台j之间在运输方式k下的运 输成本；
Figure 472706DEST_PATH_IMAGE029
表示在站台上j上将运输方式k调整为运输方式l需要的成本；Q是运输量；
Figure 410706DEST_PATH_IMAGE030
表示站点i和站点j之间在运输方式k下的运输量。
8.根据权利要求1所述的一种基于改进差分进化算法的车辆路径优化方法，其特征在于，将所述目标种群中的个体进行邻域搜索操作采用下列公式：
Figure 904094DEST_PATH_IMAGE031
其中，
Figure 280849DEST_PATH_IMAGE032
，
Figure 698054DEST_PATH_IMAGE033
是随机约束，
Figure 305491DEST_PATH_IMAGE034
表 示第j次进化得到的第i个个体，
Figure 604885DEST_PATH_IMAGE035
表示第j次进化得到的第k个个体。
CN202211438672.1A 2022-11-17 2022-11-17 一种基于改进差分进化算法的车辆路径优化方法 Pending CN115511226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211438672.1A CN115511226A (zh) 2022-11-17 2022-11-17 一种基于改进差分进化算法的车辆路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211438672.1A CN115511226A (zh) 2022-11-17 2022-11-17 一种基于改进差分进化算法的车辆路径优化方法

Publications (1)

Publication Number Publication Date
CN115511226A true CN115511226A (zh) 2022-12-23

Family

ID=84514177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211438672.1A Pending CN115511226A (zh) 2022-11-17 2022-11-17 一种基于改进差分进化算法的车辆路径优化方法

Country Status (1)

Country Link
CN (1) CN115511226A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077981A (zh) * 2023-10-16 2023-11-17 四川大学 融合邻域搜索变异和差分进化的停机位分配方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077981A (zh) * 2023-10-16 2023-11-17 四川大学 融合邻域搜索变异和差分进化的停机位分配方法及装置
CN117077981B (zh) * 2023-10-16 2024-02-02 四川大学 融合邻域搜索变异和差分进化的停机位分配方法及装置

Similar Documents

Publication Publication Date Title
CN108764777B (zh) 带时间窗的电动物流车调度方法和***
CN111785045B (zh) 基于演员-评论家算法的分布式交通信号灯联合控制方法
Ma et al. Distribution path robust optimization of electric vehicle with multiple distribution centers
CN111428931B (zh) 物流配送线路规划方法、装置、设备及存储介质
CN107944605A (zh) 一种基于数据预测的动态交通路径规划方法
John et al. An improved multi-objective algorithm for the urban transit routing problem
CN106197455B (zh) 一种城市交通路网实时动态多路口路径导航量子搜索方法
CN109002902A (zh) 分区域多阶段生鲜农产品动态车辆路径优化方法
CN112712247A (zh) 一种面向跨线运营的开行方案制定方法及***
CN106017496A (zh) 一种基于路况的实时导航方法
CN108597246A (zh) 一种解决路径选择实时性问题以避免局部拥堵的方法
CN115511226A (zh) 一种基于改进差分进化算法的车辆路径优化方法
Tomforde et al. Possibilities and limitations of decentralised traffic control systems
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及***
CN111368149A (zh) 网络化运营条件下基于图论的行程可达性计算和展示方法、计算机设备及存储介质
Housroum et al. A hybrid ga approach for solving the dynamic vehicle routing problem with time windows
Zavin et al. Towards developing an intelligent system to suggest optimal path based on historic and real-time traffic data
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及***
Zhou et al. A multi-objective optimization approach to package delivery by the crowd of occupied taxis
Sun et al. Application of adaptive genetic algorithm for multimodal transportation logistics distribution routing problem
Xu et al. Modeling and empirical analysis of regional hub-and-spoke road-rail combined transport network based on uncertain cost-time-demand
Lesiak et al. Application of genetic algorithms in design of public transport network
Verbytskyi Delivery routes optimization using machine learning algorithms
Kim et al. Neural Coarsening Process for Multi-level Graph Combinatorial Optimization
Hai et al. Research on vehicle routing problem based on real-time vehicle speed prediction

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221223