一种物流领域多车型多次配送的智能优化调度方法技术

本发明专利技术公开了一种物流领域多车型多次配送的智能优化调度方法，首先，构建了一种新型的二维概率幅学习模型；然后，通过规则观测学习模型，再根据学习模型指导算法搜索问题解空间，进行路线构建、路线改进以及学习模型更新；最后，通过终止条件判断，输出调度方案。此外，本发明专利技术采用了一种二维概率幅学习模型，该模型可自适应学习历史优质解信息，并将其用于指导新个体生成；该概率幅学习模型引入遗忘率，避免算法解空间陷入局部最优，增强算法的健壮性。本发明专利技术提供的物流领域多车型多次配送的智能优化调度方法，能够解决在一定的时间段内不同车型分别执行多车次的配送任务，大大提升调度排单的质量和效率，有效辅助调度人员完成调度工作。

【技术实现步骤摘要】

本专利技术涉及一种物流调度方法，尤其涉及一种物流领域多车型多次配送的智能优化调度方法，属于物流管理范畴内的车辆优化调度

技术介绍
现代物流指的是将信息、运输、仓储、库存、装卸搬运以及包装等物流活动综合起来的一种新型的集成式管理，其任务是尽可能降低物流的总成本，为顾客提供最好的服务。而我国诸多专家学者认为：现代物流是根据客户的需求，以最经济的费用，将物流从供给地向需求地转移的过程，它主要包括运输、储存、加工、包装、装卸、配送和信息处理等活动。在经济全球化和电子商务的双重推动下，物流业正在从传统物流向现代物流迅速转型并成为当前物流业发展的必然趋势。在系统工程思想的指导下，以信息技术为核心，强化资源整合和物流全过程优化是现代物流的最本质特征。车辆路径问题(VehicleRoutingProblem,VRP)具有大规模、不确定、多目标等复杂因素，对其相关调度算法的研究一直是学术界和工业界的热点课题。带时间窗的车辆调度问题(VRPTW)是在经典VRP问题基础上扩展衍生出的一类问题。标准VRPTW问题的约束条件是客户时间窗约束、配送中心时间窗约束和车辆最大载重约束，求解目标是配送车辆数最优，并在此配送车辆数的基础上最优化配送总里程，属于一类多约束多目标优化的组合优化问题，具有NP-hard属性。现实生活中很多很多管理调度问题都可抽象成VRPTW问题来处理，如邮政投递、运钞车调度、军事战场补给配送等，具有很高的实际运用价值。故此，对VRPTW问题及其衍生问题的研究具有极高的理论意义和经济价值。其中，蚁群算法是一类吸收蚂蚁觅食行为特征的随机优化算法，通过蚁群的反馈和协同机制，构造概率搜索方法，实现对求解目标的优化。1991年，Dorigo首次提出蚁群系统(AntSystem,AS)，并有效求解TSP问题。蚁群算法是一种模仿自然界中蚂蚁觅食行为的群智能算法，通过各只蚂蚁间的反馈和协同机制得到最短觅食路径，已成功应用于多种组合优化问题的求解。Dorigo根据信息素更新方式将AS划分成三种算法模型——ant-cycle，ant-quantity及ant-density。其中，ant-cycle使用全局信息进行信息素更新，而ant-quantity和ant-density仅利用局部信息进行更新。
技术实现思路
本专利技术所要解决的技术问题是提供一种物流领域多车型多次配送的智能优化调度方法，能够解决在一定的时间段内不同车型分别执行多车次的配送任务，大大提升调度排单的质量和效率，有效辅助调度人员完成调度工作。为实现上述目标，本专利技术的采用以下技术方案是提供一种物流领域多车型多次配送的智能优化调度方法，包括以下步骤：S1)输入订单信息、收货点信息、车辆信息和配送中心信息；S2)根据收货点信息中导航地址及经纬度坐标，采用曼哈顿距离计算车辆在收货点间的平均行驶时间；S3)对多目标进行分层排序实现车辆调度，以一段时间内配送中心收到的全部订单量为计算单位，分别最大化车辆在该段时间内的配送订单数、最小化车辆在该段时间内的配送次数、最小化车辆在该段时间内的工作总时长；S4)根据学习模型指导算法搜索解空间，实现路线构建和路线改进；S5)采用遗忘率解决算法早熟，对学习模型进行更新；S6)终止条件判断，当迭代到最大运行时间或最大迭代次数，终止算法运行；S7)最终调度计划输出，通过人工简单筛选，按车型输出调度计划。进一步地：所述订单信息订单信息包括：订单编号、订单方量和订单重要性；所述收货点信息包括收货点编码、收货点名称、收货点导航地址、收货点经纬度坐标、收货点时间窗和收货点等待时长期望；所述车辆信息包括车辆运能；所述配送中心信息包括配送中心编码、配送中心名称、配送中心导航地址、配送中心经纬度坐标和配送中心运营时间窗。进一步地：所述步骤S2)计算车辆在收货点间的平均行驶时间过程如下：dij＝|lani-lanj|+|longi-longj|(1)tij＝dij/speed(2)其中(lani,longi)、(lanj,longj)分别表示收货点i和j的经纬度坐标，speed表示车辆的平均速度。进一步地：所述步骤S3)中车辆调度过程如下：若则式中：f1为车辆在该时间段内的配送订单数、f2车辆在该时间段内的配送次数、f3为车辆在该时间段内的工作总时长；c表示订单；K表示可使用车辆集合；N＝{1,2,…,n本文档来自技高网...

【技术保护点】
一种物流领域多车型多次配送的智能优化调度方法，其特征在于，包括如下步骤：S1)输入订单信息、收货点信息、车辆信息和配送中心信息；S2)根据收货点信息中导航地址及经纬度坐标，采用曼哈顿距离计算车辆在收货点间的平均行驶时间；S3)对多目标进行分层排序实现车辆调度，以一段时间内配送中心收到的全部订单量为计算单位，分别最大化车辆在该段时间内的配送订单数、最小化车辆在该段时间内的配送次数、最小化车辆在该段时间内的工作总时长；S4)根据学习模型指导算法搜索解空间，实现路线构建和路线改进；S5)采用遗忘率解决算法早熟，对学习模型进行更新；S6)终止条件判断，当迭代到最大运行时间或最大迭代次数，终止算法运行；S7)最终调度计划输出，通过人工简单筛选，按车型输出调度计划。

【技术特征摘要】
1.一种物流领域多车型多次配送的智能优化调度方法，其特征在于，包括如下步骤：S1)输入订单信息、收货点信息、车辆信息和配送中心信息；S2)根据收货点信息中导航地址及经纬度坐标，采用曼哈顿距离计算车辆在收货点间的平均行驶时间；S3)对多目标进行分层排序实现车辆调度，以一段时间内配送中心收到的全部订单量为计算单位，分别最大化车辆在该段时间内的配送订单数、最小化车辆在该段时间内的配送次数、最小化车辆在该段时间内的工作总时长；S4)根据学习模型指导算法搜索解空间，实现路线构建和路线改进；S5)采用遗忘率解决算法早熟，对学习模型进行更新；S6)终止条件判断，当迭代到最大运行时间或最大迭代次数，终止算法运行；S7)最终调度计划输出，通过人工简单筛选，按车型输出调度计划。2.根据权利要求1所述的物流领域多车型多次配送的智能优化调度方法，其特征在于：所述订单信息订单信息包括：订单编号...

【专利技术属性】
技术研发人员：曹高立，曹鹏，陈男群，
申请(专利权)人：上海节点供应链管理有限公司，
类型：发明
国别省市：上海;31