一种基于改进粒子群算法的物流车辆调度管理模型制造技术

本发明专利技术公开了一种基于改进粒子群算法的物流车辆调度管理模型，属于物流领域，所述的车辆调度管理模型包括步骤1.设置模型约束条件；步骤2.模型建立，建立目标函数；步骤3.算法设计。本发明专利技术它既具备粒子群算法群体之间相互协作、信息反馈、收敛速度快、实现简单的优点，又具备免疫算法的免疫记忆、免疫浓度调节、抗体多样的优点，有效的避免了算法在迭代后期出现早熟的情况，大大提升了算法后期的求解效率和精度。和精度。和精度。

【技术实现步骤摘要】
一种基于改进粒子群算法的物流车辆调度管理模型


[0001]本专利技术属于物流领域，更具体的说涉及一种基于改进粒子群算法的物流车辆调度管理模型。

技术介绍

[0002]虽然近年来在以京东、菜鸟、四通一达的流通企业的引领下，行业物流，特别是物流机械化、自动化、智能化水平不断提高，但对照智慧物流建设要求，仍存在调度依赖人工、调度效率低、调度科学性难以评价、处理动态订单能力差等问题，不仅在物流作业环节造成资源浪费，也导致企业利润空间下降。而在车辆配载率领域，虽然国内外学者在减低物流配送成本、提高车辆配载率和合作收益共享相关领域取得了骄人的研究成果，但对这些问题的研究相互独立，尤其是在卷烟配送领域尚未可见将对配送成本降低、提高客户满意度和合作收益共享综合考虑的相关研究。而对于配送人员满意度的研究一般基于采取问卷调查的方式，对某类或具体企业人员整体满意度进行测算或找出人员满意度的影响因素，或探究人员满意度的直接或间接影响作用，将其结合车辆调度问题进行考虑非常少，因此制约了智慧物流调度优化算法应用到实际业务中的合理性与契合性。
[0003]虽然目前关于配送车辆调度、配送路径优化的研究较多，但针对卷烟工业企业成品卷烟销售订单配送调度问题的研究则鲜有报道，在实践中配送调度主要依靠人工经验决策，存在着工作效率低、管理不科学、人工作业量大等问题。

技术实现思路

[0004]本专利技术研究多发货仓库、多客户仓库的异构车辆调度问题模型中的约束条件，分析成品卷烟销售物流运输调度业务，完善调度模型约束条件，基于模糊数学理论对模型展开重建，从而建立约束条件符合烟草行业实际业务特点的销售物流运输调度解算模型。进一步考虑运输途中不确定因素影响，依据模糊数学的隶属度函数，建立相应的目标函数和约束条件，以提高车辆调度运输的运力管理与智能匹配。
[0005]为了实现上述目的，本专利技术采用以下技术方案实现的：所述的车辆调度管理模型包括步骤1.设置模型约束条件；步骤2.模型建立，建立目标函数；步骤3.算法设计。
[0006]优选的，所述的步骤1设置模型约束条件，具体方法为：车辆的固定中成本C1可表示为：
[0007][0008]其中，K
l
为从配送中心l出发的配送车辆总数；k
l
为从配送中心l出发的序号为k
l
的配送车辆；为从配送中心1出发的第k
l
辆车完成一次配送所需的固定成本；
[0009]车辆行驶成本：车辆行驶成本C2可表示为：
[0010][0011]其中，α为配送车辆单位油耗量的费用，即为每升油的价格；为从门店i到门店k的最短行驶路径的距离；ρ0为车辆空车状态下行驶单位距离的油耗量；ρ1为车辆满载状态下行驶单位距离的油耗量，且ρ0<ρ1；为从配送中心1出发的配送车辆k
l
到达门店j时车上剩余产品的总重量；为从配送中心l出发的配送车辆k
l
的行驶路线上是否经门店i驶向门店j,是则为1，否则为0；
[0012]能源排放陈本：
[0013][0014]碳排放量的多少与冷链车辆行驶过程中产生的油耗量有关，且成正比关系，碳排放量与车辆行驶产生的油耗之间的关系可表示为碳排放量＝碳排放系数*车辆油耗；C
t
为单位碳排放成本,e为碳排放系数，即消耗单位燃料排放的二氧化碳量，本文中配送车辆使用的燃料为柴油，碳排放系数为2.63kg/L。
[0015]优选的，所述的步骤2的目标函数为：
[0016][0017]在上述路径优化模型中，公式(4)为多配送中心物流配送路径优化模型的目标函数。
[0018]优选的，所述的步骤4算法设计包括S1：惯性权重设计；S2：粒子筛选策略；S3：免疫记忆粒子筛选策略；S4：粒子合并策略；S5改进粒子群算法的求解流程与步骤。
[0019]优选的，S1：惯性权重设计，为避免免疫粒子群算法出现过早收敛，增加粒子种群多样性，需要使算法在前期迭代中能够较好的对全局解空间进行搜索，后期迭代中能够较好的对局部解空间进行搜索，惯性权重使用如下公式进行计算
[0020][0021]其中、W
max
和W
min
为惯性权重最大值和最小值，K
max
为最大迭代次数，k为当前迭代次数。
[0022]优选的，S2粒子筛选策略：粒子i在当前粒子种群中的浓度可用公式(6)
[0023]表示
[0024][0025]其中、x
i
(i＝1,2,3
…
,n)表示粒子i，f(x
i
)为粒子i的适应度函数值，根据粒子的浓度选择概率思想，可推导出基于粒子浓度的选择概率公式(7)；
[0026][0027]从公式7可以看出粒子i的浓度选择概率的大小取决于与粒子i相似的粒子的个数。
[0028]优选的，S3免疫记忆粒子筛选策略：免疫粒子群算法引入了免疫算法的免疫记忆机制，通过免疫记忆库存储粒子种群中的优质粒子。在免疫记忆粒子的选择过程中，加入精英保留策略，结合粒子的浓度选择概率对种群粒子进行筛选，优先保留粒子种群中适应度值高的粒子，避免粒子种群中适应度值高的优质粒子因浓度选择概率低被淘汰。
[0029]本专利技术有益效果：
[0030]本专利技术研究多发货仓库、多客户仓库的异构车辆调度问题模型中的约束条件，分析成品卷烟销售物流运输调度业务，完善调度模型约束条件，基于模糊数学理论对模型展开重建，从而建立约束条件符合烟草行业实际业务特点的销售物流运输调度解算模型。进一步考虑运输途中不确定因素影响，依据模糊数学的隶属度函数，建立相应的目标函数和约束条件，以提高车辆调度运输的运力管理与智能匹配。
附图说明
[0031]图1为本专利技术算法求解流程图；
[0032]图2为本专利技术算法与粒子群算法迭代曲线图。
具体实施方式
[0033]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施方式对本专利技术作进一步详细说明
[0034]所述的车辆调度管理模型包括步骤1.设置模型约束条件；步骤2.模型建立，建立目标函数；步骤3.算法设计。
[0035]所述的步骤1设置模型约束条件，具体方法为：车辆的固定中成本C1可表示为：
[0036][0037]其中，K
l
为从配送中心l出发的配送车辆总数；k
l
为从配送中心l出发的序号为k
l
的配送车辆；为从配送中心1出发的第k
l
辆车完成一次配送所需的固定成本；
[0038]车辆行驶成本：车辆行驶成本C2可表示为：
[0039][0040]其中，α为配送车辆单位油耗量的费用，即为每升油的价格；为从门店i到门店k的最短行驶路径的距离；ρ0为车辆空车状态下行驶单位距离的油耗量；ρ1为车辆满载状态下行驶单位距离的油耗量，且ρ0<ρ1；为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进粒子群算法的物流车辆调度管理模型，其特征在于：所述的车辆调度管理模型包括步骤1.设置模型约束条件；步骤2.模型建立，建立目标函数；步骤3.算法设计。2.根据权利要求1所述的一种基于改进粒子群算法的物流车辆调度管理模型，其特征在于：所述的步骤1设置模型约束条件，具体方法为：车辆的固定中成本C1可表示为：其中，K
l
为从配送中心l出发的配送车辆总数；k
l
为从配送中心l出发的序号为k
l
的配送车辆；为从配送中心1出发的第k
l
辆车完成一次配送所需的固定成本；车辆行驶成本：车辆行驶成本C2可表示为：其中，α为配送车辆单位油耗量的费用，即为每升油的价格；为从门店i到门店k的最短行驶路径的距离；ρ0为车辆空车状态下行驶单位距离的油耗量；ρ1为车辆满载状态下行驶单位距离的油耗量，且ρ0＜ρ1；为从配送中心1出发的配送车辆k
l
到达门店j时车上剩余产品的总重量；为从配送中心l出发的配送车辆k
l
的行驶路线上是否经门店i驶向门店j，是则为1，否则为0；能源排放陈本：碳排放量的多少与冷链车辆行驶过程中产生的油耗量有关，且成正比关系，碳排放量与车辆行驶产生的油耗之间的关系可表示为碳排放量＝碳排放系数*车辆油耗；C
t
为单位碳排放成本，e为碳排放系数，即消耗单位燃料排放的二氧化碳量，本文中配送车辆使用的燃料为柴油，碳排放系数为2.63kg/L。3.根据权利要求1或2所述的一种基于改进粒子群算法的物流车辆调度管理模型，其特征在于：所述的步骤2的目标函数为：在上述路径优化模型中，公式(4)为多配送中心物流配送路径优化模型的目标函数。4.根据...

【专利技术属性】
技术研发人员：徐跃明，安裕强，王磊，欧阳世波，周安祥，张国华，谢俊明，李圣毅，
申请(专利权)人：红云红河烟草集团有限责任公司，
类型：发明
国别省市：