本發(fā)明涉及一種物流調(diào)度方法，尤其涉及一種基于城市配送的智能優(yōu)化調(diào)度方法，屬于物流管理范疇內(nèi)的車輛優(yōu)化調(diào)度技術(shù)領(lǐng)域。

背景技術(shù)：

車輛路徑問題(Vehicle Routing Problem,VRP)自1959年由Dantzig等提出以來，一直是應(yīng)用數(shù)學(xué)、運籌學(xué)、計算機(jī)、管理科學(xué)等學(xué)科的研究熱點。VRP問題一種離散變量的最優(yōu)化問題(即組合優(yōu)化問題，組合優(yōu)化問題還包括加工調(diào)度問題、0-1背包問題、裝箱問題、聚類問題等)，已被證明具有NP-hard屬性。在求解VRP問題中，隨著問題規(guī)模的增大，組合對象的數(shù)量增長極快，即使是中等規(guī)模的實例，其組合的規(guī)模也會到達(dá)不可思議的數(shù)量級(產(chǎn)生組合爆炸)。目前，尚無一種有效算法在可接受的時間量級內(nèi)，精確求解大規(guī)模VRP問題，故對VRP問題及其求解方法的研究具有極高的學(xué)術(shù)價值；伴隨現(xiàn)代物流的快速發(fā)展，物流作為精益供應(yīng)鏈的重要環(huán)節(jié)，故對VRP問題的研究同時具有極高的經(jīng)濟(jì)價值。

基于種群種群增量學(xué)習(xí)(Population-based Increased Learning,PBIL)最初由Baluja.S.在1994年提出，并成功應(yīng)用于求解旅行商問題和作業(yè)車間調(diào)度等多種組合優(yōu)化問題，PBIL算法屬于分布式估計算法(estimation of distribution algorithm,EDA)中最簡單的一類(即各變量獨立的EDA算法)，是求解VRP等組合優(yōu)化問題的有效方法之一。

PBIL集成了基于函數(shù)優(yōu)化的遺傳搜索和競爭學(xué)習(xí)兩種策略，將進(jìn)化過程視為學(xué)習(xí)過程，通過競爭學(xué)習(xí)所獲取的知識——學(xué)習(xí)概率(Learning Probability)來指導(dǎo)后代的產(chǎn)生。這種概率是整個進(jìn)化過程的信息積累，同遺傳算法的雙親基因重組相比，用它指導(dǎo)產(chǎn)生的后代將會更優(yōu)生，因此能獲得較快的收斂速度和理想的計算結(jié)果，已在實際問題中得到應(yīng)用。

基于經(jīng)典PBIL算法，本發(fā)明設(shè)計了一種有效的十進(jìn)制編碼的混合種群增量學(xué)習(xí)(EHPBIL)算法，用于求解本發(fā)明所提類型的城市配送問題。主要提出了一種3維概率幅的學(xué)習(xí)模型，設(shè)計一種基于學(xué)習(xí)模型的觀測規(guī)則用于線路構(gòu)建，改進(jìn)了學(xué)習(xí)模型的自學(xué)習(xí)方式，使本發(fā)明方法具有較強(qiáng)的魯棒性和穩(wěn)定性，可供中小型規(guī)模的城市物流配送企業(yè)使用。

技術(shù)實現(xiàn)要素：

本發(fā)明旨在協(xié)助調(diào)度人員派車排單，提高人工調(diào)度派車排單的效率和準(zhǔn)確性，提出一種城市配送的智能優(yōu)化調(diào)度方法。

為實現(xiàn)上述目標(biāo)，本發(fā)明的采用的技術(shù)方案是提供一種城市配送的智能優(yōu)化調(diào)度方法，包括如下步驟：S1)采用OVRPTW調(diào)度模型，通過不同車輛對同一收貨點的多次配送進(jìn)行派車排單；S2)設(shè)定派車排單結(jié)算的優(yōu)化目標(biāo)：在最小化配送車輛數(shù)的基礎(chǔ)上實現(xiàn)車輛總工作時長最短；S3)采用EHPBIL算法求解OVRPTW調(diào)度模型；S4)通過3維概率幅學(xué)習(xí)模型，實現(xiàn)車輛信息獨立遺傳；S5)通過基于學(xué)習(xí)模型的觀測規(guī)則，實現(xiàn)十進(jìn)制編碼；S6)通過優(yōu)質(zhì)解信息累積實現(xiàn)算法搜索收斂，并通過最大最小化學(xué)習(xí)模型避免算法早熟。

進(jìn)一步地：所述步驟S1)的配送工作量以完成其最后一個收貨點的收貨任務(wù)為結(jié)束標(biāo)識，所述OVRPTW調(diào)度模型對每輛車具有最大運載能力、每個收貨點時間窗以及配送需求量進(jìn)行如下約束限制：

a_i≤s_i≤b_i (8)

其中，N表示聚類結(jié)果集合，N∈{1,2,L,n}；S表示訂單集合，S＝{S₁,S₂,…,S_n}，S_n表示區(qū)域n內(nèi)的訂單集合；K表示車輛集合，令Len(K)表示集合K中的元素個數(shù)，公式(1)、(2)表示車輛約束，(m＝1,2,L,+∞)表示在區(qū)域n中第m次使用的車輛；V(V＝{1,2,L,v_max}，v_max表示一個收貨點)表示收貨點集合，V＝{0}表示配送中心；t_ij(t_ij>0，t_ii＝∞，i,j∈V)表示車輛從收貨點i到收貨點j的時間開銷；表示車輛完成收貨點i后是否配送收貨點j，表示收貨點是否有車輛配送；q_i(i∈V)表示收貨點i貨物需求，表示車輛的最大運載能力限制；公式(6)表示車輛完成收貨點i配送后直接服務(wù)收貨點j；公式(7)表示車輛在服務(wù)收貨單j之前只服務(wù)過一個收貨點i；[a_i,b_i]表示收貨點i的時間窗，s_i表示車輛開始服務(wù)收貨點i時刻，公式(8)表示收貨點i的時間窗約束。

進(jìn)一步地：所述步驟S2)包括：

其中，f₁為實現(xiàn)最小化配送車輛數(shù),f₂為在最小化配送車輛數(shù)的基礎(chǔ)上實現(xiàn)車輛總工作時長最短，表示從收貨點i出發(fā)完成收貨點j的時刻，σ_j表示收貨點j的卸貨或裝貨時間。

進(jìn)一步地：所述步驟S3)包括：通過采樣概率幅學(xué)習(xí)矩陣生成01標(biāo)準(zhǔn)矩陣，再采用觀測規(guī)則生成標(biāo)準(zhǔn)十進(jìn)制編碼解集；算法進(jìn)化的初期，基于賭輪模型維持算法的搜索寬度，其后，隨著算法的迭代，當(dāng)種群中個體的相似度達(dá)到預(yù)設(shè)閥值后，設(shè)置最大最小化學(xué)習(xí)模型突變概率幅，擴(kuò)大01標(biāo)準(zhǔn)矩陣觀測結(jié)果值域，實現(xiàn)對全局問題解空間的有效搜索。

進(jìn)一步地：所述步驟S4)中3維概率幅學(xué)習(xí)模型β(m×v_max×v_max)為：

通過上述學(xué)習(xí)模型β，實現(xiàn)不同車輛不同車次車輛信息的獨立傳遞，增強(qiáng)EHPBIL算法針對多車型多車次問題的求解性能，加快算法的收斂。

進(jìn)一步地：所述步驟S5)通過學(xué)習(xí)模型β(m×v_max×v_max)，得到標(biāo)準(zhǔn)01觀測矩陣α(m×v_max×v_max),且定義α滿足如下公式(12)和(13)的約束，車輛從收貨點i到收貨點j的轉(zhuǎn)移概率如公式(14)所示，表示車輛未訪問收貨點集合，隨機(jī)選擇一個轉(zhuǎn)移概率位置j'，并令其對應(yīng)的再由標(biāo)準(zhǔn)01觀測矩陣α解碼成十進(jìn)制的解形式；

α_xgα_x'＝0(其中，x,x'∈[1,2,L,m]) (12)

進(jìn)一步地：所述步驟S6)采用如下公式(15)～(17)自更新學(xué)習(xí)模型：

其中ρ表示遺忘系數(shù)。

進(jìn)一步地：還包括設(shè)置3維概率幅學(xué)習(xí)模型β中的種群規(guī)模為n_popsize＝20，最大迭代次數(shù)為n_dim＝200，設(shè)置自更新學(xué)習(xí)時遺忘率為ρ＝0.2。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)勢：本發(fā)明設(shè)計了一種有效的十進(jìn)制編碼的混合種群增量學(xué)習(xí)(EHPBIL)算法；設(shè)計一種3維概率幅學(xué)習(xí)模型β，實現(xiàn)不同車輛不同車次車輛信息的獨立傳遞，增強(qiáng)EHPBIL算法針對多車型多車次問題的求解性能，加快算法的收斂；經(jīng)過優(yōu)質(zhì)解信息累積實現(xiàn)算法搜索收斂，又由最大最小化學(xué)習(xí)模型避免算法早熟，實現(xiàn)算法搜索廣度和深度的平衡；采用人機(jī)交互的形式，保證自動派車排單結(jié)果的可執(zhí)行性。

附圖說明

圖1是本發(fā)明一種城市配送的智能優(yōu)化調(diào)度方法的算法流程圖；

圖2是本發(fā)明的車輛調(diào)度系統(tǒng)流程圖；

圖3是本發(fā)明2-opt操作示意圖；

圖4是本發(fā)明or-opt操作示意圖。

具體實施方式

下面結(jié)合實例實例及附圖對本發(fā)明作進(jìn)一步詳細(xì)闡述，但本發(fā)明的實施方式不限于此。

請參見圖1和圖2，本發(fā)明提供的一種一種基于城市配送的智能優(yōu)化調(diào)度方法，包括以下步驟：

(1)訂單信息、收貨點信息、車輛信息及配送中心信息的數(shù)據(jù)讀入；

(2)根據(jù)訂單中涉及的收貨點信息，采用曼哈頓距離計算，進(jìn)而得到收貨點間的旅行時間矩陣，并載入一種城市配送的智能優(yōu)化調(diào)度方法中；

(3)一種城市配送的智能優(yōu)化調(diào)度方法參數(shù)初始化，所述參數(shù)包括：算法最大迭代次數(shù)(n_dim＝200)、種群規(guī)模個數(shù)(n_popsize＝20)、遺忘系數(shù)ρ(ρ＝0.2)，建立3維概率幅學(xué)習(xí)模型β₀(m×v_max×v_max)；

(4)終止條件判斷：若n_gene>n_dim，輸出最終調(diào)度計劃并退出算法計算；若否，則轉(zhuǎn)至步驟(5)；

(5)采用如下方式觀測β₀得到α₀，進(jìn)而得到十進(jìn)制編碼個體

α_xgα_x'＝0(其中，x,x'∈[1,2,L,m])

(6)針對(pop∈{1,2,L,n_popsize})中全部個體執(zhí)行2-opt和or-opt操作，實現(xiàn)對附近解空間的有效搜索，并更新信息，如圖3和圖4所示；(7)采用如下方式更新學(xué)習(xí)模型，完成對歷史搜索信息學(xué)習(xí)，并通過最大最小化學(xué)習(xí)模型操作，避免算法搜索過早收斂；

(8)更新n_gene＝n_gene+1，更新全局搜索最優(yōu)解并轉(zhuǎn)至步驟(5)；

(9)由調(diào)度人員參考當(dāng)天的實際車輛車況、人員到勤、道路限制及其它情況，適當(dāng)調(diào)整完成調(diào)度計劃并輸出最終可執(zhí)行調(diào)度計劃。

下面以上海今日合理物流2016年8月1日配送任務(wù)為例：累積配送訂單量(160單)，操作規(guī)范如下：

(1)訂單信息(總計160單)、收貨點信息、車輛信息(固定車輛33輛)及配送中心信息的數(shù)據(jù)讀入；

(2)根據(jù)訂單中涉及的收貨點信息，通過曼哈頓距離計算得到收貨點間距離信息(經(jīng)采集取樣，得到所有物流車輛的平均時速約為speed＝50(km/小時))，再裝換成收貨點間的車輛行駛時間矩陣，并載入智能優(yōu)化調(diào)度方法中；

(3)設(shè)定EHPBIL算法的最大運行次數(shù)(n_dim＝200)、種群規(guī)模個數(shù)(n_popsize＝20)、遺忘系數(shù)ρ(ρ＝0.2)，建立如下展示的3維概率幅學(xué)習(xí)模型β₀(m×v_max×v_max)，n_gene表示EHPBIL算法當(dāng)前進(jìn)化代數(shù)；

(4)設(shè)定算法終止條件為最大迭代次數(shù)判斷。其中，若n_gene>200，輸出最終調(diào)度計劃并退出算法計算；若否，則轉(zhuǎn)至步驟(5)；

(5)采用如下方式觀測β_{n_dim}得到α_{n_dim}，進(jìn)而得到十進(jìn)制編碼個體

α_xgα_x'＝0(其中，x,x'∈[1,2,L,m])

(6)針對(pop∈{1,2,L,n_popsize})中全部個體執(zhí)行2-opt和or-opt操作，實現(xiàn)對附近解空間的有效搜索，并更新信息；

(7)采用如下方式更新學(xué)習(xí)模型，完成對歷史搜索信息學(xué)習(xí)，并通過最大最小化學(xué)習(xí)模型操作，避免算法搜索過早收斂；

(8)更新n_gene＝n_gene+1，更新全局搜索最優(yōu)解并轉(zhuǎn)至步驟(5)；

(9)由調(diào)度員參考當(dāng)天的實際車輛車況、人員到勤、道路限制及其它情況，適當(dāng)調(diào)整完成調(diào)度計劃并輸出最終可執(zhí)行調(diào)度計劃。

本發(fā)明機(jī)器2016年8月1日派車排單部分總耗時27秒(系統(tǒng)：win7 64bit，CPU：i5-5200U，主頻：2.20GHz；內(nèi)存：12GB；編譯環(huán)境：Python27)。

綜上所述，本發(fā)明基于城市配送物流配送分散，收貨點分散，配送時效性強(qiáng)，物流配送件數(shù)多等問題，改進(jìn)了一種開放性的帶時間窗約束的車輛路徑優(yōu)化調(diào)度模型(Open Vehicle Routing Problem with Time Windows,OVRPTW)，已證明具有NP-hard屬性；又根據(jù)調(diào)度結(jié)算規(guī)則，在最小化配送車輛數(shù)的基礎(chǔ)上實現(xiàn)車輛總工作時長最短(定義工作時長：車輛從配送中心出發(fā)，直至完成最后一個收貨點收貨的總耗時)。故此，本發(fā)明設(shè)計一種有效的十進(jìn)制編碼的混合種群增量學(xué)習(xí)(Efficient Hybrid Population-based Increased Learning,EHPBIL)算法，用于求解該類型城市配送問題。首先，本發(fā)明使用基于歷史訂單與收貨點被訪問的密度聚類方法，劃分出若干任意形狀的簇(即每個簇表示一個類別)，其后依據(jù)聚類結(jié)果實現(xiàn)對新訂單的分類，從而有效降低求解問題規(guī)模；然后，設(shè)計一種基于學(xué)習(xí)模型的觀測規(guī)則，在滿足約束條件的前提下實現(xiàn)線路構(gòu)建；其次，采用2-opt和or-opt方法實現(xiàn)線路改良，并通過學(xué)習(xí)模型實現(xiàn)父代信息的傳遞；最后，通過人機(jī)結(jié)合的方式完成派車排單。通過大量生產(chǎn)數(shù)據(jù)測試驗證，本發(fā)明能夠協(xié)助調(diào)度人員派車排單，提高人工調(diào)度派車排單的效率和準(zhǔn)確性，具有較強(qiáng)的魯棒性和穩(wěn)定性，可供中小型規(guī)模的城市物流配送企業(yè)使用。

上述實例為本發(fā)明的一種實施方式，但本發(fā)明的實施方式并不受上述實施實例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合及簡化，等效的轉(zhuǎn)換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。