【技术实现步骤摘要】
本专利技术属于智能物流领域，具体涉及一种基于聚类与混合智能的后勤油料公路保障任务规划方法。
技术介绍
1、车辆路径规划问题(vrp)，是经典的物流领域的智能运筹规划问题，其是规划出有限车辆从一个配送中心到多个配送点的路径与时间。其变种问题，带时间窗的vrp问题、多中心的vrp问题也是当前研究的热点问题。油料公路配送任务规划复杂度更高，既有需求点时间窗约束，也有多个配送中心约束，同时需要考虑补给点问题。
2、油料公路配送任务规划主要解决物流中油罐车执行配送任务的时间与路线问题。目前没有针对油料公路配送任务规划的智能化解决方案。目前主要解决vrp问题的方法主要分为精确算法、智能启发式算法和智能机器学习算法。精确算法适合小规模问题，其计算复杂度随着问题规模的增大而爆炸式增长。智能启发式算法是一个经典的解决方案，例如大邻域搜索、蚁群算法、遗传算法等，这些算法各有优缺点，当问题复杂度过大时，蚁群陷入局部最优解，遗传算法、大领域搜索迭代速度过慢；智能机器学习方法克服了精确算法和启发式算法参数调整繁琐的缺点，但需要大量数据训练模型，不适用本文研究的问题。
技术实现思路
1、(一)要解决的技术问题
2、本专利技术要解决的技术问题是：如何提供一种油料公路配送任务规划方法。
3、(二)技术方案
4、为解决上述技术问题，本专利技术提供一种基于聚类与混合智能的后勤油料公路保障任务规划方法，所述方法利用聚类算法确定油料配送中心与油料配送需求点的匹配对应关系，然
5、其中，所述任务规划方法包括如下步骤：
6、步骤1：油料公路配送任务规划问题描述；
7、步骤2：基于聚类算法的供需匹配；
8、步骤3：基于混合智能算法的车辆路径规划。
9、其中，所述步骤1中，油料公路配送任务规划问题描述为：
10、在油料配送中，多个油罐车从多个油料配送中心出发，前往配送多个油料需求点，并且油罐车中途能够选择在油料补给点自行补给；由于油料需求点存在配送时间窗约束，因此油料公路配送任务规划需要在保证配送时间窗内完成任务的情况下，规划出所需油罐车的数量，并且规划出油罐车的路线与时间。
11、其中，所述步骤2中，基于聚类算法的供需匹配过程，用于规划出油料配送中心与油料需求点之间的匹配关系。
12、其中，所述步骤2中，将所有的油料配送中心设为聚类中心点，计算每个油料需求点到各个聚类中心点的距离，选择距离最小的聚类中心，并将其划分到距离最小的聚类中心所在的类别。
13、其中，在经过步骤2的聚类算法之后，油料公路配送任务规划转换为单油料配送中心、多油料补给点与带任务时间窗多油料需求点的油罐车路线与时间规划问题；
14、所述步骤3基于混合智能算法进行车辆路径规划的过程中，首先根据问题的条件与约束建立模型，然后再根据混合智能算法求解，最后将多个类别合在一起，形成最终的配送方案。
15、其中，所述步骤3中建立模型的过程如下：
16、油料配送中心油罐车辆有限，模型需要保证在满足所有任务时间窗的情况下，出动最少的车辆；某聚类中心点假设有个油料需求点m1，构成集合r1，m2个油料补给点，构成集合r2；两者结合起来构成集合r，合称需求与补给点；
17、定义第k辆车到达需求与补给点i、j的时间为tik、tjk，第k辆车从需求与补给点j到另一个需求与补给点i的时间为tjik；设第i、j个需求点的需求为di、dj，其任务配送时间窗为[tli，tri]；第k车的满载油量为d；
18、第k辆车到达油料需求与补给点i、j所剩的油量为dik、djk，决策变量为xjik，表示选择从第k辆车从需求与补给点j到另一个需求与补给点i，x0ik表示第k辆车从配送中心出发到需求与补给点i，xj0k表示第k辆车从需求与补给点j回到配送中心，构建模型为：
19、
20、s.t
21、
22、
23、
24、tik≥tli,i∈r1 (5)
25、tik≤tri,i∈r1 (6)
26、tik＝∑tjkxjik+∑tjikxjik,i,j∈r (7)
27、
28、dik＞di,i∈r1 (9)
29、k≤num(r1) (10)
30、xjik＝0or1,i,j∈r (11)
31、其中，式(1)为目标函数，表示尽量出动少的车辆；式(2)表示每辆车从油料配送中心出发，之后必须回到油料配送中心；式(3)a属于需求点，xiak表示从需求与补给点i到需求点a，xaik表示需求点a离开到需求与补给点j，将其相加表示每个油料需求点必须被配送到；式(4)a属于补给点，约束每辆车到油料补给点补给完之后，必须离开油料补给点；式(5)和(6)表示配送油料需求点的时间必须满足任务时间窗限制；式(7)为配送时间点的递推公式；式(8)为油罐车的到达需求点时剩余的油量；式(9)表示油罐车的油量必须满足需求点的需求量；式(10)表示出动的油罐车数要不大于需求点数。
32、其中，所述步骤3中根据混合智能算法进行求解的过程如下：
33、所述混合智能算法包括交互遗传算法与蚁群算法，在交互遗传算法与蚁群算法迭代过程中获取的解，混合更新智能算法；
34、定义混合算法解的形式为0，u11,…,u1n,0,uk1,…,ukn,0，共有最多k辆车，上述解表示为第一辆车从配送中心0出发，经过需求与补给点u11,…,u1n之后，到达配送中心0，第k辆车经过uk1,…,ukn之后到达配送中心0，如果只需要k-1辆车，则uk1,…,ukn取值均为0。
35、其中，所述混合智能算法具体如下：
36、(a)根据实际情况输入初始解；
37、(b)计算初始解使用的车辆总数与总的行驶距离；
38、(c)随机交换当前解中两个值的位置，或者交换多个解的位置；
39、(d)提取上述解与当前解中的最优的m个；
40、(e)从中选出可行解，将全局可行的连线的信息素与可行解的连线的信息素加权平均得到新的信息素；
41、(f)运用蚁群算法得到m个可行解；
42、(g)计算可行解的目标函数，判断当前是否达到了最高迭代次数，如果达到了则输出最优解，如果没有，则跳到步骤(c)，继续进行遗传变异操作。
43、其中，所述方法通过聚类算法降低解空间维度，减小问题的规模，同时利用遗传算法与蚁群算法的混合智能算法，提高解的效率与精度。
44、(三)有益效果
45、本专利技术提出了基于聚类与混合智能的后勤油料公路保障任务规划方法，相比于其他vrp解决方案，本方法通过聚类算法降低解空间维度，减小问题的规模，同时本文档来自技高网...
【技术保护点】
1.一种基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述方法利用聚类算法确定油料配送中心与油料配送需求点的匹配对应关系，然后将其抽象建立数学模型，利用混合智能算法求解模型，确定油罐车的路线与时间。
2.如权利要求1所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述任务规划方法包括如下步骤：
3.如权利要求1所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤1中，油料公路配送任务规划问题描述为：
4.如权利要求3所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤2中，基于聚类算法的供需匹配过程，用于规划出油料配送中心与油料需求点之间的匹配关系。
5.如权利要求4所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤2中，将所有的油料配送中心设为聚类中心点，计算每个油料需求点到各个聚类中心点的距离，选择距离最小的聚类中心，并将其划分到距离最小的聚类中心所在的类别。
6.如权利要求5所述的基于聚类与混合智能的后勤油
7.如权利要求6所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤3中建立模型的过程如下：
8.如权利要求7所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤3中根据混合智能算法进行求解的过程如下：
9.如权利要求8所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述混合智能算法具体如下：
10.如权利要求9所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述方法通过聚类算法降低解空间维度，减小问题的规模，同时利用遗传算法与蚁群算法的混合智能算法，提高解的效率与精度。
...【技术特征摘要】
1.一种基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述方法利用聚类算法确定油料配送中心与油料配送需求点的匹配对应关系，然后将其抽象建立数学模型，利用混合智能算法求解模型，确定油罐车的路线与时间。
2.如权利要求1所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述任务规划方法包括如下步骤：
3.如权利要求1所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤1中，油料公路配送任务规划问题描述为：
4.如权利要求3所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤2中，基于聚类算法的供需匹配过程，用于规划出油料配送中心与油料需求点之间的匹配关系。
5.如权利要求4所述的基于聚类与混合智能的后勤油料公路保障任务规划方法，其特征在于，所述步骤2中，将所有的油料配送中心设为聚类中心点，计算每个油料需求点到各个聚类中心点的距离，选择距离最小的聚类中心，...
【专利技术属性】
技术研发人员：蔚国强，曹梦凡，李印，周倩，白勇，李经，操歌，
申请(专利权)人：中国人民解放军九六九零一部队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。