一种基于自适应NSGAII的物流路线优化方法和系统与流程

技术特征：
1.基于自适应nsgaii的物流路线优化方法，其特征在于：包含以下步骤：s1：分析建立基本数学模型。s11：在实际运送过程中，车辆行驶会产生耗油费用。而且车辆的重量、行驶路径的长度以及不同的车型都在很大程度上影响油的用量。在一条路线上，假设采用同一辆车。对于分路线i，物流配送产生的金钱成本c
i
包括车辆的派送成本和耗油费用，其计算公式如下：c
i
＝v
i
r
i
×
(o
i
(w
i
×
α
i
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，v
i
是分路线i的派遣成本，r
i
为分路线i的总路程，o
i
为分路线i的油耗成本，w
i
为分路线i的总载重量，α
i
为分路线i的每公里每吨油耗成本系数。设k(x)为物流配送方案x中分路线的数量。则方案x产生的总金钱c(x)成本为：s12：在每条路线上，考虑每个配送点所需的卸货时间以及车辆行驶时间所造成的时间成本。设p
i
为分路线i的总配送点数，r
i
是分路线i的总路程，s
i
是车辆在该路段行驶的平均速度，u
i
为每个配送点卸货时间。对于分路线i，物流配送产生的时间成本t
i
的计算公式如下：则配送方案x产生的时间成本t(x)为：s13：通过同时最小化金钱成本和时间成本，来评估本系统的优越性，其定义如下：minf(x)＝(c(x),t(x))
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)设大车派遣成本为vb，小车派遣成本为vl；大车最大载重量为wb,小车最大载重量为wl；大车每公里每吨油耗成本系数为αb,小车每公里每吨油耗成本系数为αl；大车每个配送点卸货时间为ub,小车每个配送点卸货时间为ul；大车行驶平均速度为sb,小车行驶平均速度为sl；大车每公里油耗成本为ob,小车每公里油耗成本为ol。因此建立模型如下：minf(x)＝(c(x)，t(x))
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
其中，x为个体决策空间，k(x)为方案x中分路线的数量，r
i
是分路线i的总路程，p
i
为分路线i的总配送点数，w
i
为分路线i的总货物量。式
③
表示对于分路线i，无论哪种车型的车，都不能大于其对应车型的最大载重量。式
④
～式
⑧
表示在分路线i上，对所用车辆赋予其相应车型的信息。式
⑨
表示分路线i对应车辆最大行驶距离。s2：设计种群个体染色体编码，采用固定长度的不重复整数编码方式，每个染色体基因代表对应位置访问顾客点，染色体长度m为待访问顾客总数。s3：采用随机和贪婪结合方式产生规模为n的初始种群，并对种群进行帕累托非支配排序。其中，非支配排序的步骤为s31至s35。s31：计算所有个体的支配计数n
i
(支配个体i的所有个体数量)和计算支配解集s
i
(个体i所支配的个体集合)。s32：找出种群中非支配个体，即n
i
＝0的个体，将非支配个体放入集合f1中。s33：对于f1中的每个个体，找出集合中每个个体所支配的个体集合s
i
，对于s
i
中的个体l，对n
l
进行减1操作，即n
l
＝n
l-1，将个体l存放在集合h中。s34：定义集合f1为第一层非支配集合，并为f1中每个个体标记相同的非支配序列i
rank
。s35：对集合h中的个体，按照以上步骤s32、步骤s33和步骤s34，直至将所有个体分层。s4：通过选择、交叉、变异三种进化操作得到下一代种群。选择、交叉、变异进化操作的具体步骤如s41至s43所示。s41：在选择操作中，利用竞标赛来选择帕累托层级低(即较优帕累托支配)并且拥挤度小(即拥挤距离大)的优良种群个体，将其保存至规模固定的精英档案集。s42：在交叉操作中，本发明引入了自适应策略，以随迭代次数自适应变化的交叉概率，从多个交叉算子构成的交叉算子池中根据算子选择概率分布选择交叉操作，并根据此次交
叉操作结果对算子选择权重进行反馈调整。其中交叉算子描述如s421至s425所示。s421：部分匹配交叉(partial mapped crossover，pmc)，首先随机选择交换片段的起止位置，交换父染色体对应起止位置片段，并相互替换冲突基因点。s422：顺序交叉(order crossover，oc)，首先随机选择连续片段的起止位置，将父代1对应片段复制到子个体1对应位置，再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1，子代2生成方式类似。s423：基于位置交叉(position-based crossover，pbc)，首先随机选择多个不连续基因点位置，将父代1对应基因点复制到子个体1对应位置，再从父代2中选择子代1缺少的基因并按父代1中的顺序加入子代1，子代2生成方式类似。s424：循环交叉(cycle crossover，cc)，首先从父代1中随机选择一个基因，再从父代2中找到相应位置点基因，然后返回父代1中找到父代2对应基因位置点基因，重复该操作直至形成闭环，该闭环所包含基因复制到子代1中相同位置，剩余基因点从父代2中顺序选择，同理形成子代2。s425：子路径交换交叉(subtour exchange crossover，sec)，首先随机选择父代1的一组连续基因，按照原顺序替换父代2中对应基因组。s43：在变异操作中，采用与自适应交叉策略相同方式，以随迭代次数自适应变化的变异概率，从多个变异算子构成的算子池中根据算子选择概率分布选择变异操作，并根据此次变异操作结果对算子选择权重进行反馈调整。其中变异算子描述如s431至s433所示。s431：交换变异(exchange mutation，em)，随机选择染色体的两个基因点位置，并交换其值。s432：反转变异(inversion mutation，im)，随机选择染色体的一组连续基因片段，并反转其顺序。s433：乱序变异(random mutation，rm)，随机选择染色体的一组连续基因片段，并打乱其顺序。s44：算子自适应反馈机制，对于每次交叉、变异操作所生成的新一代个体，通过观测其个体质量来调整所选算子权重比例：子代优于两个父代且最终进入精英档案集则权重加4分；子代优于一个父代且进入精英档案集则权重加3分；子代优于两个父代但未进入精英档案集则权重加2分；子代优于一个父代但未进入精英档案集则权重加1分；其余情况权重不变。最后对所有算子权重进行归一化。s5：将父代种群与子代种群合并形成新种群，而后对新种群进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算。根据非支配关系以及个体的拥挤度，选取较优的个体组成新的父代种群；其中，拥挤度计算为步骤s51到s54所示。s51：初始化，n
d
＝0,n∈1,
…
ns52：对于每个目标函数f
m
，根据该目标函数对该等级的个体进行排序，记为个体目标函数值f
m
的最大值，为个体目标函数值f
m
的最小值。s53：对排序后两个边界的拥挤度1
d
和n
d
置为∞。s54：计算拥挤度：
s6：通过种群进化算子操作产生新的子代种群，重复步骤s41至s44。s7：若不满足种群迭代终止条件，返回步骤s4、s5，直至达到终止条件。s8：由自适应nsgaⅱ算法输出最优解集，解集中的每个解代表了一种顾客点访问序列，利用了一个辅助数组来存储每一台配送车辆起始配送点，从而得到配一台车辆的配送路线。2.实施权利要求1所述的基于自适应nsgaii的物流路线优化方法的系统，其特征在于：包括依次连接的基本数学模型分析建立模块、种群个体染色体编码设计模块、初始种群产生和帕累托非支配排序模块、下一代种群产生模块、新的父代种群产生模块、新的子代种群产生模块、种群迭代循环模块、路径生成模块，其中：基本数学模型分析建立模块，分析建立基本数学模型；种群个体染色体编码设计模块，设计种群个体染色体编码，采用固定长度的不重复整数编码方式，每个染色体基因代表对应位置访问顾客点，染色体长度m为待访问顾客总数；初始种群产生和帕累托非支配排序模块，采用随机和贪婪结合方式产生规模为n的初始种群，并对种群进行帕累托非支配排序；下一代种群产生模块，通过选择、交叉、变异三种进化操作得到下一代种群；新的父代种群产生模块，将父代种群与子代种群合并形成新种群，而后对新种群进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算；根据非支配关系以及个体的拥挤度，选取较优的个体组成新的父代种群；新的子代种群产生模块，通过种群进化算子操作产生新的子代种群，重复下一代种群产生模块的操作流程；种群迭代循环模块，若不满足种群迭代终止条件，返回下一代种群产生模块、新的父代种群产生模块，直至达到终止条件；路径生成模块，根据种群迭代循环模块的计算结果，产生优化的物流路线，由自适应nsgaⅱ算法输出最优解集，解集中的每个解代表了一种顾客点访问序列，用了一个辅助数组来存储每一台配送车辆起始配送点，从而得到配一台车辆的配送路线。

技术总结
一种基于自适应NSGAII的物流路线优化方法，包括：S1.分析建立基本数学模型；S2.设计种群个体染色体编码；S3.采用随机和贪婪结合方式产生规模为N的初始种群，并对种群进行帕累托非支配排序；S4.通过选择、交叉、变异三种进化操作得到下一代种群；S5.将父代种群与子代种群合并形成新种群，选取较优的个体组成新的父代种群；S6.通过种群进化算子操作产生新的子代种群，重复步骤S4；S7.若不满足种群迭代终止条件，返回步骤S4、S5，直至达到终止条件；S8.由自适应NSGAⅡ算法输出最优解集，从而得到配一台车辆的配送路线。本发明还包括一种基于自适应NSGAII的物流路线优化系统。本发明能解决配送路线优化问题。配送路线优化问题。配送路线优化问题。


技术研发人员：王万良 陈浩立 尤文波 邢方森 吴伟壮 赵燕伟
受保护的技术使用者：浙江工业大学
技术研发日：2021.09.26
技术公布日：2022/1/10