【技术实现步骤摘要】
本专利技术涉及路径规划，尤其是涉及一种带负载约束车辆路径的多策略协同智能优化方法及装置。
技术介绍
1、随着现代科技和社会的进步，交通运输领域中的车辆路径问题已经成为了影响各行业发展的重要因素，这其中较为典型的便是带负载约束的车辆路径问题，在这个背景下，有效的车辆路径规划变得至关重要。带负载约束的车辆路径规划问题(capacitatedvehicle routing problem，cvrp)是车辆路径规划问题的一类经典变体。这也是组合优化和运筹学领域的热点问题，其在交通运输领域有非常广泛的应用背景，因此如何有效地解决cvrp具有很高的实际应用和理论研究价值。
2、申请人发现相关技术中至少存在如下问题：目前带负载约束的车辆路径规划问题，容易陷入局部最优问题，导致最终的路径规划方案准确度不够精确。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种带负载约束车辆路径的多策略协同智能优化方法及装置，可以显著改善现有路径规划技术存在的容易陷入局部最优问题，提高路径规划的效率、准确度以及稳定性。
2、第一方面，本专利技术实施例提供了一种带负载约束车辆路径的多策略协同智能优化方法，包括：
3、获取路径起始点、路径终止点和多个待规划的目标点；
4、基于所述路径起始点、所述路径终止点和所述目标点，对鲸鱼优化算法的参数进行初始化，以得到初始路径规划方案；
5、依次通过所述鲸鱼优化算法中的改进位置更新公式、引力搜索算法中的改进速度及位
6、继续对所述当前迭代次数对应的所述更新后路径规划方案进行更新，直至满足预设迭代停止条件，得到目标路径规划方案；其中，车辆从所述路径起始点出发，按照所述目标路径规划方案依次行驶至各个所述目标点，为所述目标点配送货物，并返回所述路径终止点，所述车辆的数量为至少一辆。
7、在一种实施方式中，依次通过所述鲸鱼优化算法中的改进位置更新公式、引力搜索算法中的改进速度及位置更新公式，对所述初始路径规划方案进行更新，以得到当前迭代次数对应的更新后路径规划方案及其对应的适应度值的步骤，包括：
8、根据当前迭代次数和预设的最终迭代次数，确定非线性收缩因子和自适应权重，以基于所述非线性收缩因子和所述自适应权重构建所述鲸鱼优化算法中的改进位置更新公式，基于所述自适应权重构造引力搜索算法中的改进速度及位置更新公式；
9、通过所述改进位置更新公式对所述初始路径规划方案进行更新，再通过所述改进速度及位置更新公式对更新后的所述初始路径规划方案进行更新，以得到当前迭代次数对应的更新后路径规划方案；
10、通过前一次迭代次数对应的降温后metropolis准则，对所述更新后路径规划方案对应的适应度值进行更新，并在更新所述适应度值之后利用降火速率系数对所述metropolis准则进行降温，以得到当前迭代次数对应的降温后metropolis准则；其中，所述降火速率系数是基于所述最终迭代次数确定的。
11、在一种实施方式中，根据当前迭代次数和预设的最终迭代次数，确定非线性收缩因子和自适应权重的步骤，包括：
12、按照如下公式计算非线性收缩因子：
13、；
14、按照如下公式计算自适应权重：
15、；
16、其中，为非线性收缩因子，为自适应权重，为最终迭代次数，为当前迭代次数，是相关系数。
17、在一种实施方式中，基于所述非线性收缩因子和所述自适应权重构建所述鲸鱼优化算法中的改进位置更新公式的步骤，包括：
18、根据第一随机数和所述非线性收缩因子确定第一系数向量，以及根据第二随机数确定第二系数向量；
19、基于所述第一系数向量、所述第二系数向量和所述自适应权重构建所述鲸鱼优化算法中的改进位置更新公式。
20、在一种实施方式中，通过所述改进位置更新公式对所述初始路径规划方案进行更新的步骤，包括：
21、在捕食机制概率大于或等于第一预设值的情况下，采用气泡攻击方式下的改进位置更新公式对所述初始路径规划方案进行更新；其中，所述捕食机制概率为0至1之间的随机数，所述气泡攻击方式下的改进位置更新公式如下所示：
22、；
23、；
24、在捕食机制概率小于所述第一预设值，且鲸鱼优化算法中第一系数向量大于或等于第二预设值的情况下，采用搜索捕食方式下的改进位置更新公式对所述初始路径规划方案进行更新，所述搜索捕食方式下的改进位置更新公式如下所示：
25、；
26、；
27、在捕食机制概率小于所述第一预设值，且所述第一系数向量小于所述第二预设值的情况下，采用包围猎物方式下的改进位置更新公式对所述初始路径规划方案进行更新，所述包围猎物方式下的改进位置更新公式如下所示：
28、；
29、；
30、其中，为第次迭代下第只鲸鱼个体的位置，为第次迭代下最优鲸鱼个体的位置，为第次迭代下第只鲸鱼个体的位置，为第次迭代下任一只鲸鱼个体的位置，、均为第只鲸鱼个体的位置到最优鲸鱼个体的位置之间的距离，为第只鲸鱼个体的位置到任一只鲸鱼个体的位置之间的距离，鲸鱼个体用于表征更新后的初始路径规划方案，为迭代次数，为自适应权重，为常数，定义了对数螺旋的形状，为随机数，为第一系数向量，为第二系数向量。
31、在一种实施方式中，所述改进速度及位置更新公式如下所示：
32、；
33、+；
34、其中，为第次迭代下第只鲸鱼个体在d维空间中的速度，为自适应权重，为第次迭代下第只鲸鱼个体在d维空间中的速度，为相关系数，为随机数，为第次迭代下最优鲸鱼个体的位置，为第次迭代下第只鲸鱼个体在d维空间中的位置，为第次迭代下第只鲸鱼个体在d维空间中的加速度，为第次迭代下第只鲸鱼个体在d维空间中的位置。
35、在一种实施方式中，基于所述路径起始点、所述路径终止点和所述目标点，对鲸鱼优化算法的参数进行初始化，以得到初始路径规划方案的步骤，包括：
36、基于所述路径起始点、所述路径终止点和所述目标点，对鲸鱼优化算法的参数进行初始化，以确定多个候选路径规划方案及其对应的适应度值；
37、比对每个所述候选路径规划方案对应的所述适应度值，以基于比对结果从所述候选路径规划方案中确定出初始路径规划。
38、第二方面，本专利技术实施例还提供一种带负载约束车辆路径的多策略协同智能优化装置，包括：
39、获取模块，用于获取路径起始点、路径终止点和多个待规划的目标点；
40、初始化模块，用本文档来自技高网...
【技术保护点】
1.一种带负载约束车辆路径的多策略协同智能优化方法，其特征在于，包括：
2.根据权利要求1所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，依次通过所述鲸鱼优化算法中的改进位置更新公式、引力搜索算法中的改进速度及位置更新公式，对所述初始路径规划方案进行更新，以得到当前迭代次数对应的更新后路径规划方案及其对应的适应度值的步骤，包括：
3.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，根据当前迭代次数和预设的最终迭代次数，确定非线性收缩因子和自适应权重的步骤，包括：
4.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，基于所述非线性收缩因子和所述自适应权重构建所述鲸鱼优化算法中的改进位置更新公式的步骤，包括：
5.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，通过所述改进位置更新公式对所述初始路径规划方案进行更新的步骤，包括：
6.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，所述改进速度及位置更
7.根据权利要求1所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，基于所述路径起始点、所述路径终止点和所述目标点，对鲸鱼优化算法的参数进行初始化，以得到初始路径规划方案的步骤，包括：
8.一种带负载约束车辆路径的多策略协同智能优化装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种带负载约束车辆路径的多策略协同智能优化方法，其特征在于，包括：
2.根据权利要求1所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，依次通过所述鲸鱼优化算法中的改进位置更新公式、引力搜索算法中的改进速度及位置更新公式，对所述初始路径规划方案进行更新，以得到当前迭代次数对应的更新后路径规划方案及其对应的适应度值的步骤，包括：
3.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，根据当前迭代次数和预设的最终迭代次数，确定非线性收缩因子和自适应权重的步骤，包括：
4.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，基于所述非线性收缩因子和所述自适应权重构建所述鲸鱼优化算法中的改进位置更新公式的步骤，包括：
5.根据权利要求2所述的带负载约束车辆路径的多策略协同智能优化方法，其特征在于，通过所述改进位置更新公式对所述初始路径规...
【专利技术属性】
技术研发人员：邢立宁，丁浩原，王宇翔，张熙，张亚龙，张宇航，刘威，陈年强，李厚锦，彭曦，
申请(专利权)人：航天宏图信息技术股份有限公司，
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。