基于离散粒子群优化算法的智能物流配送

摘要

本发明公开了一种基于离散粒子群优化算法的智能物流配送方案，旨在为运输车辆进行路径调度，以节约运输成本。在标准粒子群优化算法的框架上引入了基于集合和概率的编码方式和运算符，可将原本适用于连续空间的粒子群算法引入离散组合优化空间，以解决车辆路径调度问题，并且保持传统粒子群算法操作效率高、寻优能力强、鲁棒性强等优势。此外，由于利用了启发式信息构建粒子位置、以及局部搜索算子的引入，问题本身的特征和数据中蕴含的信息被加以利用，从而算法的求解效果得到了进一步加强。通过采用一种归一化加权和的决策思想处理问题目标，在最小化所需运输车辆数的同时也力求运输的路径最短，从而最大化地缩减了物流配送商的运输成本。

主权项

1.针对物流配送业中带时间窗的车辆路径规划问题，提出了一种智能化的基于离散粒子群优化算法的调度方案，其特征是：应用粒子群优化算法的主框架，以及基于集合和概率的编码方式和运算符，对车辆路径问题进行求解，本发明提出的算法包括以下步骤和操作：(1)基于集合和概率的编码方式：粒子群体的搜索空间为车场和客户节点定义的完全图的边集；粒子的位置为完全图的边集的一个子集，这个子集中的边首尾相连构成一个有向汉密尔顿回路，该汉密尔顿回路可通过一个基于车载和时间窗约束的解码器得到一组派送路线，即问题的一个可行解；粒子的速度是带概率的边集，速度集合中的边可能被选中构建粒子的新位置，每条边所关联的概率则表示该边在位置更新时被选中构建粒子新位置的可能性；(2)粒子的适应度值采用如下函数进行计算fitness(X_i)＝NV(X_i)+normalize(TD(X_i))其中NV表示运输所需要的车辆数，TD表示所有路线的总运输距离，normalize(x)＝arctan(x)/(π/2)是反余切归一化函数；粒子群体在优化过程中以最小化车辆数为第一目标，以最小化运输距离为第二目标；(3)在算法初始化阶段和粒子位置更新过程中所使用的启发式信息定义如下：timespan(i，j)＝max{currtime+t_ij，e_j}-currtime它表示的是从当前节点i出发到能为下一客户j开始服务所需要的时间；其中currtime表示系统当前时间，t_ij是车辆在i、j节点间行驶所需要花费的时间，e_j表示客户j的开始服务时间窗；(4)初始化：在算法的初始化阶段，粒子的速度被随机赋初值；粒子的位置以概率使用贪心算法赋初值，以概率随机赋初值；粒子的历史最优值设为粒子的当前位置；(5)速度更新：粒子根据如下公式进行速度更新ω和c分别是惯量权重和加速因子参数，f_i(d)∈{1，2，...，M}(M为群体规模)被称之为模范，定义了粒子i的第d维将向种群中哪个粒子的历史最优值进行学习；f_i(d)由一个学习概率Pc决定：在速度更新时，种群中的每个粒子的每一维均有Pc的概率向自己的历史最优位置学习，另外(1-Pc)的概率利用锦标赛选择策略选择某个同伴粒子历史最优位置的这一维进行学习；速度更新公式中的运算符是建立在集合和概率的基础上的，“常数×速度”运算符和“速度+速度”运算符定义为速度集合中边的概率的改变；“位置-位置”运算符定义为边集的减操作；“常数×位置”运算符定义为将边集转化为带概率的边集；(6)位置更新：粒子的位置更新是构建性的，构建粒子位置的边的选择来自于三个集合：粒子的当前速度集、粒子的当前位置集、完全图边集，优先级依次降低；在同等优先级的集合中，则依靠启发式信息贪心地选择消耗时间最小的边；(7)局部搜索：在每个粒子位置更新后，引入一个局部搜索策略；选择经过客户数最少的汽车的行驶路线，将由它负责的所有客户尝试插入其余汽车的周游路线中，插入前提是不影响其余客户的原本服务时间，且满足的时间窗和车载约束；如果某汽车经过的所有客户均能被插入其余汽车的周游路线中进行服务，则撤销该辆周游汽车，并根据新的总周游方案给粒子赋值；(8)评估种群，如果优化达到停止条件，则终止整个算法并得到最优解；否则，返回第(4)步继续优化种群。