CN117635013A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117635013A CN117635013A CN202311623456.9A CN202311623456A CN117635013A CN 117635013 A CN117635013 A CN 117635013A CN 202311623456 A CN202311623456 A CN 202311623456A CN 117635013 A CN117635013 A CN 117635013A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- customer
- vehicles
- chromosome
- delivery
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013439 planning Methods 0.000 title claims abstract description 29
- 238000012384 transportation and delivery Methods 0.000 title claims description 67
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 210000000349 chromosome Anatomy 0.000 claims description 73
- 230000035772 mutation Effects 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06Q10/08—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
- 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
- G06Q10/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了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，包括以下步骤：获得待服务顾客的相关配送信息；充分考虑电车油车构成的混合配送车队和客户寻求高质量配送的约束条件，构筑软性时间窗约束下的混合车队车辆路径问题约束规划模型；基于小生境算法构筑遗传算法，快速高效地求取帕累托前沿解集，并将其解码为直接可行的配送方案，提供可供选择的服务策略和行驶路线。本发明充分考虑了油车电车混合使用的配送情况，通过快速高效的求解算法，最大程度地实现城市物流配送的经济化、效率化和绿色化与配送方案的多样化。
Description
技术领域
本发明涉及物流配送技术领域，特别涉及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。
背景技术
随着区域经济和全球经济发展不断趋于一体化，物流行业已经成为经济社会发展过程中不可忽略的重要因素。降低物流成本已经成为我国制造业快速向前发展的探索点。针对车辆运输效率过低的问题，寻找有效的优化方法，对于制造业降低物流成本具有现实意义
随着经济的不断发展，现阶段形成了由燃油车辆与电动车辆共同服务的物流运输***，针对该***的研究将有利于节能减排的推进与经济效益的提升。
基于以上背景，优化物流降低制造业的成本、减少二氧化碳排放从而实现制造业的绿色发展已成为业界关注和研究的重点。因此通过研究混合能源编队的物流车辆运输路径来实现制造业低成本、绿色化。
发明内容
针对配送***中燃油车辆与电动车辆协同配送的情况，本发明提供了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，在考虑客户的服务时间窗和满意度的同时，针对配送车辆动力来源与载货量不同的情况，设计了更为合理的不定长染色体编码模式，通过小生境遗传算法求解，从而提供可供选择的优秀配送方案，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。
一种送货车辆能源容量不同的带时间窗的车辆路径规划方法，包括以下步骤：
步骤1：获取待服务顾客的配送信息；
步骤2：充分考虑电车油车构成的混合配送车队和客户寻求高质量配送的约束条件，构筑软性时间窗约束下的混合车队车辆路径问题约束规划模型；
步骤3：基于小生境算法构筑遗传算法，快速高效地求取帕累托前沿解集，并将其解码为直接可行的配送方案，提供可供选择的服务策略和行驶路线。；
待服务顾客的配送信息包括客户所在的地理位置、所要求的配送时间和配送量。
软性时间窗约束下的混合车队车辆路径问题约束规划模型如下：
目标函数1为
其中，代表着车辆的碳排放量，/>代表着车辆的能源使用成本。V代表着所有位置的集合，包括仓库、充电站和客户。C代表着所有车辆的集合，包括电车和油车。pk代表着车辆k的单位距离的碳排放量，λk代表着车辆k的单位距离的燃油费或电费。dij代表着位置i到位置j的距离，而/>代表着车辆k是否要从位置i行驶到位置j。
目标函数2为
其中，代表着客户的满意度，其满意度函数如下所示：
其中，代表着车辆k到达位置i的时间，ai与bi分别代表客户i的所能接受的最早配送时间和最晚配送时间。
公式(4)代表着每个客户都将被服务一次，其中Vc是客户位置的集合。公式(5)代表着电车有可能去充电站充电，由于现有的电车电池技术已经有了较大的发展，此处假设每个电车从位置i到位置j最多充一次电，是所有充电站的虚拟复制的集合，Ce是所有电车的集合。公式(6)是出度入度的限制，要求车辆在每个位置都应该出度和入度一致。公式(7)代表着快递车辆的载货量会在服务完客户后减少相应的份额，/>代表着车辆k在到达位置i时的载货量，/>代表着车辆k的最大容量限制。公式(8)代表着车辆的载货量不能是负数且不能超载。公式(9)代表着电车k在行驶后应当消耗相应的电量，/>代表着电车k在到达位置i时的剩余电量，rb代表着电车行驶单位距离时消耗的电量，Qb代表着电车的最大电池容量。公式(10)代表着电车从仓库出来时，电量应当是充满的，即仓库也拥有充电的功能。公式(11)代表着电车的电量应当不为负且不超过电池电量上限。公式(12)代表着决策变量的定义。公式(13)代表着车辆在路程中行驶时的时间消耗，/>代表着车辆k到达位置i时的时间点，vk代表着车辆k的速度，M代表着某一大数。公式(14)代表着车辆去充电站充电时的时间消耗，g代表着电车在充电站的充电速率。
步骤4-1：初始化算法的各项参数，包括小生境种群规模T、交叉概率Pc、变异概率Pm、循环次数It、精英保留层数fe，锦标赛算法选取规模ft；
步骤4-2：对染色体进行编码，并初始化遗传算法的种群；
由于所述的带时间窗的车辆路径问题的模型中的送货车辆能源类型、载货量都不相同，故而不同于传统固定长度的编码形式，通过部分长度可变的染色体编码形式将能够适应于异种送货车辆。染色体将有两部分组成，分别是长度可变的车队编码部分和长度不变的客户编码部分。长度可变的车队编码部分由电动车辆E与燃油车辆O组成，对于车队编码部分来说，只有每种车辆的数量是有意义的，车辆的排序不具有意义。长度不变的客户编码部分由客户编号直接构成，客户的顺序将影响送货车辆的任务分配和客户顺序。染色体的两部分在编码后进行运算的过程中，不可交叉混合，是同属于一染色体但是单独计算的两部分。只有在解码时染色体的两部分才会进行交叉以解析出所代表的配送方案。
由于染色体的两部分在繁殖时是分开的，故而不能使用传统的整体随机生成的方法而是两个部分采用不同的初始化方法。定长的客户编码部分将使用传统的随机生成的方法，随机的排列客户以生成编码序列。而长度可变的部分则借助遍历的思想，来尽可能地包含所有的车队排列情况。首先计算在只使用油车的情况下，运送总订单量所需要的最小车辆数量N。接下来在构筑车队编码的过程中，令油车的数量从0到N产生N+1个不同的初始编队，然后将各个编队中未被满足的订单量分配给必需的电车，从而构成N+1个不同的车队编码。
同一种类(即油车与电车的数量一致)的车队编码将被归于同一小生境内，故而小生境的数量即N+1种车队编码的数量。令小生境内的种群规模为T，则总体的种群规模为T(N+1)。每个小生境内的染色体车队编码部分是同一种类的，客户编码部分则因是随机生成的而均不一致。
步骤4-2：对染色体进行解码，并计算其适应度；
在初始种群生成完毕后，将根据权利要求3中的模型计算各个染色体所对应的两个目标函数值，从而判断其优劣性。在计算之前，需要对编码后的染色体进行解码，将其还原成具有可阅读性的配送方案。
在解码时，需要将车队编码中的车辆，按顺序***到客户编码中，并为电动车辆挑选合理的充电站以保证正常的配送。首先将车队编码中的第一个车辆，***到客户编码中的第一个客户的前面，如果该车辆能够服务该客户，便将该客户分配给该车辆，且将该车辆移动到该客户后边，重复该步骤直到该车辆无法服务下一个客户，即该快递车辆的载货量不足。然后将下一个车辆***到未被服务的客户之前，即上一个快递车辆的后方，重复上述步骤，直到完成所有客户的分配。在车辆***完毕后，将要为客户提供服务的车辆即该客户后方最近的车辆，而客户的顺序即车辆的配送顺序。在所有客户被分配完毕后，为每个车辆的客户配送队列左右两边填上仓库0，也就是说，车辆将从仓库出发，按客户配送队列的顺序服务客户，并最后回到仓库。
此外，由于电动车辆的电池容量有限，在完成客户的分配及仓库的添加后，还需要检验其能否正常完成配送服务。针对电动车辆的客户队列，从客户配送队列的第一个配送节点即仓库出发，计算其所能服务的客户数量，如果能够服务全部客户，则不***充电站，否则在所能服务的最大客户后边，***距离该客户最近的充电站。如果出现电动车辆无法在电量耗尽前到达充电站的情况，则选定上一个客户，并计算其能否到达最近的充电站，如果可以则将充电站***，否则继续重复。
在染色体的解码完成后，将按照权利要求3中的两个目标函数，对染色体进行评定，计算出其相应的目标函数值。
步骤4-3：利用小生境遗传算法来寻找优秀的配送方案
借助快速非支配排序算法评定种群内染色体所在的帕累托层数，并计算染色体的拥挤度。首先采取精英策略选取各个小生境中的前fe层的染色体直接进入下一代，再通过锦标赛选择策略，从整个种群中随机选择ft个染色体，选择其中位于帕累托前沿且拥挤度较小的两个个体作为父代，通过针对不定长染色体的交叉和变异操作产生子代，如果子代满足模型约束则保留。
重复交叉和变异操作以不断更新种群，直到迭代次数达到上限时停止，取出整个群体的帕累托前沿解并进行解码，从而产生可供选择的最优路径集合。
不定长染色体的交叉操作不涉及车队编码部分，而只与客户编码有关。交叉操作包括两点交换、单点交叉、顺序交叉三种方式。不定长染色体的变异操作分为两部分，一部分是车队编码部分的变异，包括随机车辆的增加、删除与油电车之间的替换，另一部分是客户编码部分的变异，表现为某两个客户之间的交换。
本发明的创造性主要体现在：
本发明的送货车辆能源容量不同的带时间窗的车辆路径规划方法针对配送***中燃油车辆和电动车辆构成混合车队对客户进行服务的现象，考虑了不同能源不同容量的车队的配送服务，同时考虑了客户的配送时间窗和满意度，设计了不定长染色体编码与解码方法以适用于小生境遗传算法，从而能够找寻出优秀的可供选择的配送方案，从而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
图1是送货车辆能源容量不同的带时间窗的车辆路径问题规划方法的流程框图；
图2是基于不定长染色体的小生境遗传算法示意图；
图3是本发明所述实例的小生境遗传算法找出的帕累托前沿解；
图4是送货车辆能源容量不同的带时间窗的车辆路径问题规划***的示意图。
具体实施方式
为了使本发明的目的，技术方案及要点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施实例仅用以解释本发明，并不用于限定本发明。
针对配送***中燃油车辆与电动车辆协同配送的情况，本发明提供了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，在考虑客户的服务时间窗和满意度的同时，针对配送车辆动力来源与载货量不同的情况，设计了更为合理的不定长染色体编码模式，通过小生境遗传算法求解，从而提供可供选择的优秀配送方案，最大程度地实现城市物流配送的经济化、效率化和绿色化。
实施例一。
如图1所示，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，包括以下：
S1：获取待服务顾客的配送信息；
待服务顾客的配送信息包括客户所在的地理位置、所要求的配送时间和配送量。
S2：充分考虑电车油车构成的混合配送车队和客户寻求高质量配送的约束条件，构筑软性时间窗约束下的混合车队车辆路径问题约束规划模型；
软性时间窗约束下的混合车队车辆路径问题约束规划模型如下：
目标函数1指代的是车辆的能源消耗和碳排放量的和，它们与车辆的行驶距离成正比，该函数值越低，说明该配送方案越好，越能节省能源消耗和减小碳排放量。
目标函数1为
其中，代表着车辆的碳排放量，/>代表着车辆的能源使用成本。V代表着所有位置的集合，包括仓库、充电站和客户。C代表着所有车辆的集合，包括电车和油车。pk代表着车辆k的单位距离的碳排放量，λk代表着车辆k的单位距离的燃油费或电费。dij代表着位置i到位置j的距离，而/>代表着车辆k是否要从位置i行驶到位置j。
目标函数2指代的客户的平均满意度，平均满意度越高，说明该配送方案能够更好地服务客户。
目标函数2为
其中，代表着客户的满意度，其满意度函数如下所示：
其中，代表着车辆k到达位置i的时间，ai与bi分别代表客户i的所能接受的最早配送时间和最晚配送时间，Vc是客户位置的集合，|Vc|代表着总的客户数量。
公式(4)代表着每个客户都将被服务一次。公式(5)代表着电车有可能去充电站充电，由于现有的电车电池技术已经有了较大的发展，此处假设每个电车从位置i到位置j最多充一次电，是所有充电站的虚拟复制的集合，Ce是所有电车的集合。公式(6)是出度入度的限制，要求车辆在每个位置都应该出度和入度一致。公式(7)代表着快递车辆的载货量会在服务完客户后减少相应的份额，/>代表着车辆k在到达位置i时的载货量，/>代表着车辆k的最大容量限制。公式(8)代表着车辆的载货量不能是负数且不能超载。公式(9)代表着电车k在行驶后应当消耗相应的电量，/>代表着电车k在到达位置i时的剩余电量，rb代表着电车行驶单位距离时消耗的电量，Qb代表着电车的最大电池容量。公式(10)代表着电车从仓库出来时，电量应当是充满的，即仓库也拥有充电的功能。公式(11)代表着电车的电量应当不为负且不超过电池电量上限。公式(12)代表着决策变量的定义。公式(13)代表着车辆在路程中行驶时的时间消耗，/>代表着车辆k到达位置i时的时间点，vk代表着车辆k的速度，M代表着某一大数。公式(14)代表着车辆去充电站充电时的时间消耗，g代表着电车在充电站的充电速率。
S3：初始化算法的各项参数，包括小生境种群规模T、交叉概率Pc、变异概率Pm、循环次数It、精英保留层数fe，锦标赛算法选取规模ft；
S4：如图2所示，对染色体进行编码，并初始化遗传算法的种群；
由于带时间窗的车辆路径问题的模型中的送货车辆能源类型、载货量都不相同，故而不同于传统固定长度的编码形式，通过部分长度可变的染色体编码形式将能够适应于异种送货车辆。染色体将有两部分组成，分别是长度可变的车队编码部分和长度不变的客户编码部分。长度可变的车队编码部分由电动车辆E与燃油车辆O组成，对于车队编码部分来说，只有每种车辆的数量是有意义的，车辆的排序不具有意义。如图2中的OEE代表着启用了一辆传统燃油快递车辆和两辆电动快递车辆，而车辆的配置有可能在之后的算法迭代中发生变化。长度不变的客户编码部分由客户编号直接构成，客户的顺序将影响送货车辆的任务分配和客户顺序。如图2中的15324部分，代表着客户的组成，而这五位客户不会在算法的迭代中发生变化。染色体的两部分在编码后进行运算的过程中，不可交叉混合，是同属于一染色体但是单独计算的两部分。只有在解码时染色体的两部分才会进行交叉以解析出所代表的配送方案。
由于染色体的两部分在繁殖时是分开的，故而不能使用传统的整体随机生成的方法而是两个部分采用不同的初始化方法。定长的客户编码部分将使用传统的随机生成的方法，随机的排列客户以生成编码序列。而长度可变的部分则借助遍历的思想，来尽可能地包含所有的车队排列情况。首先计算在只使用油车的情况下，运送总订单量所需要的最小车辆数量N。接下来在构筑车队编码的过程中，令油车的数量从0到N产生N+1个不同的初始编队，然后将各个编队中未被满足的订单量分配给必需的电车，从而构成N+1个不同的车队编码。
同一种类(即油车与电车的数量一致)的车队编码将被归于同一小生境内，如图2中的小生境OEE包含了车队编码为OEE的所有染色体，而小生境EEEE则包含车队编码为EEEE的染色体，故而小生境的数量即N+1种车队编码的数量。令小生境内的种群规模为T，则总体的种群规模为T(N+1)。每个小生境内的染色体车队编码部分是同一种类的，客户编码部分则因是随机生成的而均不一致。
S5：对染色体进行解码，并计算其适应度；
在初始种群生成完毕后，将根据权利要求3中的模型计算各个染色体所对应的两个目标函数值，从而判断其优劣性。在计算之前，需要对编码后的染色体进行解码，将其还原成具有可阅读性的配送方案。
在解码时，需要将车队编码中的车辆，按顺序***到客户编码中，并为电动车辆挑选合理的充电站以保证正常的配送。首先将车队编码中的第一个车辆，***到客户编码中的第一个客户的前面，如果该车辆能够服务该客户，便将该客户分配给该车辆，且将该车辆移动到该客户后边，重复该步骤直到该车辆无法服务下一个客户，即该快递车辆的载货量不足。然后将下一个车辆***到未被服务的客户之前，即上一个快递车辆的后方，重复上述步骤，直到完成所有客户的分配。在车辆***完毕后，将要为客户提供服务的车辆即该客户后方最近的车辆，而客户的顺序即车辆的配送顺序。在所有客户被分配完毕后，为每个车辆的客户配送队列左右两边填上仓库0，也就是说，车辆将从仓库出发，按客户配送队列的顺序服务客户，并最后回到仓库。
此外，由于电动车辆的电池容量有限，在完成客户的分配及仓库的添加后，还需要检验其能否正常完成配送服务。针对电动车辆的客户队列，从客户配送队列的第一个配送节点即仓库出发，计算其所能服务的客户数量，如果能够服务全部客户，则不***充电站，否则在所能服务的最大客户后边，***距离该客户最近的充电站。如果出现电动车辆无法在电量耗尽前到达充电站的情况，则选定上一个客户，并计算其能否到达最近的充电站，如果可以则将充电站***，否则继续重复。
如图2的染色体解码与转换部分，染色体OEE15324的车辆O首先被选中，一直被分配客户直到超载，最终的结果是它被移动到了客户5后面，而这代表着车辆O将服务客户1和5。对于第一个电动车辆E，它被分配了客户3和客户2，但由于其电池容量限制，故而无法一次性完成整个配送过程，于是在客户3和客户2中***了一个最近的充电站C。而最后的电动车辆E，则是被分配了客户4。在***仓库后，最终的配送方案是车辆O从仓库出发，依次服务客户1和客户5后返回仓库。一辆电动车辆E将离开仓库后，首先服务客户3，然后去最近的充电站C充满电后，再服务客户2后返回仓库，另一辆电动车辆E将从仓库出发，服务客户4后返回仓库。
在染色体的解码完成后，将按照权利要求3中的两个目标函数，对染色体进行评定，计算出其相应的目标函数值一和目标函数值二。
S6：利用小生境遗传算法来寻找优秀的配送方案
借助快速非支配排序算法评定种群内染色体所在的帕累托层数，并计算染色体的拥挤度。如图2所示，种群的繁衍将分成两部分，首先采取精英策略选取各个小生境中的前fe层的染色体直接进入下一代，再通过锦标赛选择策略，从整个种群中随机选择ft个染色体，选择其中位于帕累托前沿且拥挤度较小的两个个体作为父代，通过针对不定长染色体的交叉和变异操作产生子代，如果子代满足模型约束则保留。
重复交叉和变异操作以不断更新种群，直到迭代次数达到上限时停止，取出整个群体的帕累托前沿解并进行解码，从而产生可供选择的最优路径集合。图3给出了最优路径集合的示例，其中x轴是相应的目标函数一的计算值，y轴是相应的目标函数二的计算值。
不定长染色体的交叉操作不涉及车队编码部分，而只与客户编码有关。交叉操作包括两点交换、单点交叉、顺序交叉三种方式。不定长染色体的变异操作分为两部分，一部分是车队编码部分的变异，包括随机车辆的增加、删除与油电车之间的替换，另一部分是客户编码部分的变异，表现为某两个客户之间的交换。
实施例二。
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***，包括注册模块、信息提交模块、订单追踪模块、数据通信模块、模型构建模块、路径规划模块、车辆调度模块和配送管理模块；
所述注册模块用于客户进行个人信息的配送，从而区别不同客户提供的信息。
所述信息提交模块用于客户进行配送时间窗及货物需求的提交，此外也将提交订单的位置信息。
所述订单追踪模块用于接收配送车辆的位置信息，客户可通过该模块进行订单情况的追踪。
所述数据通信模块用于接收客户所提交的配送信息，并反馈车辆的配送情况给客户。
所述模型构建模块用于根据所接收的信息构筑车辆路径问题模型。
所述路径规划模块用于借助小生境遗传算法进行最优路径集合的找寻。
所述车辆调度模块用于根据确定的配送方案进行车辆的配置。
所述配送管理模块用于根据确定的配送方案进行任务的分配。
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***工作原理如图4所示，客户在使用注册模块完成基础注册后，借助信息提交模块上传订单信息。调度中心通过数据通信模块收集客户订单信息后，通过模型构建模块完成模型的建立，然后借助路径规划模块完成最优配送方案的找寻，然后将确定的配送方案使用车辆调度模块配置车辆，然后使用配送管理模块进行订单任务的分配。
Claims (5)
1.一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，其特征在于，包括以下步骤：
步骤1：获取待服务顾客的配送信息；
步骤2：充分考虑电车油车构成的混合配送车队和客户寻求高质量配送的约束条件，构筑软性时间窗约束下的混合车队车辆路径问题约束规划模型；
步骤3：基于小生境算法构筑遗传算法，快速高效地求取帕累托前沿解集，并将其解码为直接可行的配送方案，提供可供选择的服务策略和行驶路线。
2.根据权利要求1所述的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，其特征在于，所述步骤1中待服务顾客的配送信息包括客户所在的地理位置、所要求的配送时间和配送量。
3.根据权利要求1所述的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，其特征在于，所述步骤2的软性时间窗约束下的混合车队车辆路径问题约束规划模型如下：
目标函数1为
其中，代表着车辆的碳排放量，/>代表着车辆的能源使用成本；V代表着所有位置的集合，包括仓库、充电站和客户；C代表着所有车辆的集合，包括电车和油车；pk代表着车辆k的单位距离的碳排放量，λk代表着车辆k的单位距离的燃油费或电费；dij代表着位置i到位置j的距离，而/>代表着车辆k是否要从位置i行驶到位置j；
目标函数2为
其中，代表着客户的满意度，其满意度函数如下所示：
其中，代表着车辆k到达位置i的时间，ai与bi分别代表客户i的所能接受的最早配送时间和最晚配送时间；
公式(4)代表着每个客户都将被服务一次，其中Vc是客户位置的集合；公式(5)代表着电车有可能去充电站充电，由于现有的电车电池技术已经有了较大的发展，此处假设每个电车从位置i到位置j最多充一次电，是所有充电站的虚拟复制的集合，Ce是所有电车的集合；公式(6)是出度入度的限制，要求车辆在每个位置都应该出度和入度一致；公式(7)代表着快递车辆的载货量会在服务完客户后减少相应的份额，/>代表着车辆k在到达位置i时的载货量，/>代表着车辆k的最大容量限制；公式(8)代表着车辆的载货量不能是负数且不能超载；公式(9)代表着电车k在行驶后应当消耗相应的电量，/>代表着电车k在到达位置i时的剩余电量，rb代表着电车行驶单位距离时消耗的电量，Qb代表着电车的最大电池容量；公式(10)代表着电车从仓库出来时，电量应当是充满的，即仓库也拥有充电的功能；公式(11)代表着电车的电量应当不为负且不超过电池电量上限；公式(12)代表着决策变量的定义；公式(13)代表着车辆在路程中行驶时的时间消耗，/>代表着车辆k到达位置i时的时间点，vk代表着车辆k的速度，M代表着某一大数；公式(14)代表着车辆去充电站充电时的时间消耗，g代表着电车在充电站的充电速率。
4.根据权利要求3所述的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，其特征在于，借助基于小生境算法的遗传算法求解所建立的模型，以得出可供选择的配送方案，具体包括以下步骤：
步骤4-1：初始化算法的各项参数，包括小生境种群规模T、交叉概率Pc、变异概率Pm、循环次数It、精英保留层数fe，锦标赛算法选取规模ft；
步骤4-2：对染色体进行编码，并初始化遗传算法的种群；
由于所述的带时间窗的车辆路径问题的模型中的送货车辆能源类型、载货量都不相同，故而不同于传统固定长度的编码形式，通过部分长度可变的染色体编码形式将能够适应于异种送货车辆；染色体将有两部分组成，分别是长度可变的车队编码部分和长度不变的客户编码部分；长度可变的车队编码部分由电动车辆E与燃油车辆O组成，对于车队编码部分来说，只有每种车辆的数量是有意义的，车辆的排序不具有意义；长度不变的客户编码部分由客户编号直接构成，客户的顺序将影响送货车辆的任务分配和客户顺序。染色体的两部分在编码后进行运算的过程中，不可交叉混合，是同属于一染色体但是单独计算的两部分；只有在解码时染色体的两部分才会进行交叉以解析出所代表的配送方案；
由于染色体的两部分在繁殖时是分开的，故而不能使用传统的整体随机生成的方法而是两个部分采用不同的初始化方法。定长的客户编码部分将使用传统的随机生成的方法，随机的排列客户以生成编码序列；而长度可变的部分则借助遍历的思想，来尽可能地包含所有的车队排列情况；首先计算在只使用油车的情况下，运送总订单量所需要的最小车辆数量N；接下来在构筑车队编码的过程中，令油车的数量从0到N产生N+1个不同的初始编队，然后将各个编队中未被满足的订单量分配给必需的电车，从而构成N+1个不同的车队编码；
同一种类，即油车与电车的数量一致的车队编码将被归于同一小生境内，故而小生境的数量即N+1种车队编码的数量。令小生境内的种群规模为T，则总体的种群规模为T(N+1)；每个小生境内的染色体车队编码部分是同一种类的，客户编码部分则因是随机生成的而均不一致；
步骤4-2：对染色体进行解码，并计算其适应度；
在初始种群生成完毕后，将根据权利要求3中的模型计算各个染色体所对应的两个目标函数值，从而判断其优劣性；在计算之前，需要对编码后的染色体进行解码，将其还原成具有可阅读性的配送方案；
在解码时，需要将车队编码中的车辆，按顺序***到客户编码中，并为电动车辆挑选合理的充电站以保证正常的配送；首先将车队编码中的第一个车辆，***到客户编码中的第一个客户的前面，如果该车辆能够服务该客户，便将该客户分配给该车辆，且将该车辆移动到该客户后边，重复该步骤直到该车辆无法服务下一个客户，即该快递车辆的载货量不足；然后将下一个车辆***到未被服务的客户之前，即上一个快递车辆的后方，重复上述步骤，直到完成所有客户的分配；在车辆***完毕后，将要为客户提供服务的车辆即该客户后方最近的车辆，而客户的顺序即车辆的配送顺序；在所有客户被分配完毕后，为每个车辆的客户配送队列左右两边填上仓库0，也就是说，车辆将从仓库出发，按客户配送队列的顺序服务客户，并最后回到仓库；
此外，由于电动车辆的电池容量有限，在完成客户的分配及仓库的添加后，还需要检验其能否正常完成配送服务；针对电动车辆的客户队列，从客户配送队列的第一个配送节点即仓库出发，计算其所能服务的客户数量，如果能够服务全部客户，则不***充电站，否则在所能服务的最大客户后边，***距离该客户最近的充电站。如果出现电动车辆无法在电量耗尽前到达充电站的情况，则选定上一个客户，并计算其能否到达最近的充电站，如果可以则将充电站***，否则继续重复；
在染色体的解码完成后，将按照权利要求3中的两个目标函数，对染色体进行评定，计算出其相应的目标函数值；
步骤4-3：利用小生境遗传算法来寻找优秀的配送方案：
借助快速非支配排序算法评定种群内染色体所在的帕累托层数，并计算染色体的拥挤度；首先采取精英策略选取各个小生境中的前fe层的染色体直接进入下一代，再通过锦标赛选择策略，从整个种群中随机选择ft个染色体，选择其中位于帕累托前沿且拥挤度较小的两个个体作为父代，通过针对不定长染色体的交叉和变异操作产生子代，如果子代满足模型约束则保留；
重复交叉和变异操作以不断更新种群，直到迭代次数达到上限时停止，取出整个群体的帕累托前沿解并进行解码，从而产生可供选择的最优路径集合。
5.根据权利要求4所述的送货车辆能源容量不同的带时间窗的车辆路径规划方法，其特征在于所述步骤4-5所述的针对不定长染色体的交叉和变异操作，具体操作步骤如下：
不定长染色体的交叉操作不涉及车队编码部分，而只与客户编码有关；交叉操作包括两点交换、单点交叉、顺序交叉三种方式。不定长染色体的变异操作分为两部分，一部分是车队编码部分的变异，包括随机车辆的增加、删除与油电车之间的替换，另一部分是客户编码部分的变异，表现为某两个客户之间的交换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311623456.9A CN117635013A (zh) | 2023-11-30 | 2023-11-30 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311623456.9A CN117635013A (zh) | 2023-11-30 | 2023-11-30 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635013A true CN117635013A (zh) | 2024-03-01 |
Family
ID=90021090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311623456.9A Pending CN117635013A (zh) | 2023-11-30 | 2023-11-30 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635013A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973809A (zh) * | 2024-03-29 | 2024-05-03 | 陕西黑石绿能能源科技有限公司 | 面向加氢车的多目标调配与协同优化方法及存储介质 |
-
2023
- 2023-11-30 CN CN202311623456.9A patent/CN117635013A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973809A (zh) * | 2024-03-29 | 2024-05-03 | 陕西黑石绿能能源科技有限公司 | 面向加氢车的多目标调配与协同优化方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921472B (zh) | 一种多车型的两阶段车货匹配方法 | |
| CN107480922B (zh) | 两端式同轨双车运行模式下货位分配调度模型建立方法 | |
| CN112686458B (zh) | 一种多车型车队配送货过程的优化调度方法 | |
| CN107145971A (zh) | 一种动态调整的快递配送优化方法 | |
| 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 | |
| CN109559062B (zh) | 一种合作式物流问题的任务分配与路径规划方法 | |
| CN111222705B (zh) | 一种非线性充电车辆路径优化方法 | |
| CN109919369B (zh) | 一种电池交换站选址和电动汽车路径规划方法 | |
| CN112036623B (zh) | 一种横向物流联盟的利益协调方法 | |
| CN113222462B (zh) | 一种基于协同进化的露天矿多能源卡车调度优化方法 | |
| Ren | Solving min-Max vehicle routing problem. | |
| Roorda et al. | Incorporating within-household interactions into mode choice model with genetic algorithm for parameter estimation | |
| 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*** | |
| CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
| CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
| CN116645027A (zh) | 基于alns框架的配送车-无人机协同配送路径规划方法 | |
| CN113919557A (zh) | 一种基于自适应nsgaii的物流路线优化方法和*** | |
| CN110263970B (zh) | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 | |
| 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 | |
| CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
| 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 | |
| Chen et al. | A hybrid algorithm for multi-depot vehicle routing problem | |
| CN114329783A (zh) | 一种多目标电动汽车充电网络规划方法 | |
| CN114723360A (zh) | 一种基于改进粒子群算法的物流车辆调度管理模型 | |
| CN111652550A (zh) | 一种智能寻找最佳环线集合的方法、***及设备 |
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 |