一种基于城市配送的智能优化调度方法与流程

本发明涉及一种物流调度方法，尤其涉及一种基于城市配送的智能优化调度方法，属于物流管理范畴内的车辆优化调度技术领域。

背景技术：

车辆路径问题(Vehicle Routing Problem,VRP)自1959年由Dantzig等提出以来，一直是应用数学、运筹学、计算机、管理科学等学科的研究热点。VRP问题一种离散变量的最优化问题(即组合优化问题，组合优化问题还包括加工调度问题、0-1背包问题、装箱问题、聚类问题等)，已被证明具有NP-hard属性。在求解VRP问题中，随着问题规模的增大，组合对象的数量增长极快，即使是中等规模的实例，其组合的规模也会到达不可思议的数量级(产生组合爆炸)。目前，尚无一种有效算法在可接受的时间量级内，精确求解大规模VRP问题，故对VRP问题及其求解方法的研究具有极高的学术价值；伴随现代物流的快速发展，物流作为精益供应链的重要环节，故对VRP问题的研究同时具有极高的经济价值。

基于种群种群增量学习(Population-based Increased Learning,PBIL)最初由Baluja.S.在1994年提出，并成功应用于求解旅行商问题和作业车间调度等多种组合优化问题，PBIL算法属于分布式估计算法(estimation of distribution algorithm,EDA)中最简单的一类(即各变量独立的EDA算法)，是求解VRP等组合优化问题的有效方法之一。

PBIL集成了基于函数优化的遗传搜索和竞争学习两种策略，将进化过程视为学习过程，通过竞争学习所获取的知识——学习概率(Learning Probability)来指导后代的产生。这种概率是整个进化过程的信息积累，同遗传算法的双亲基因重组相比，用它指导产生的后代将会更优生，因此能获得较快的收敛速度和理想的计算结果，已在实际问题中得到应用。

基于经典PBIL算法，本发明设计了一种有效的十进制编码的混合种群增量学习(EHPBIL)算法，用于求解本发明所提类型的城市配送问题。主要提出了一种3维概率幅的学习模型，设计一种基于学习模型的观测规则用于线路构建，改进了学习模型的自学习方式，使本发明方法具有较强的鲁棒性和稳定性，可供中小型规模的城市物流配送企业使用。

技术实现要素：

本发明旨在协助调度人员派车排单，提高人工调度派车排单的效率和准确性，提出一种城市配送的智能优化调度方法。

为实现上述目标，本发明的采用的技术方案是提供一种城市配送的智能优化调度方法，包括如下步骤：S1)采用OVRPTW调度模型，通过不同车辆对同一收货点的多次配送进行派车排单；S2)设定派车排单结算的优化目标：在最小化配送车辆数的基础上实现车辆总工作时长最短；S3)采用EHPBIL算法求解OVRPTW调度模型；S4)通过3维概率幅学习模型，实现车辆信息独立遗传；S5)通过基于学习模型的观测规则，实现十进制编码；S6)通过优质解信息累积实现算法搜索收敛，并通过最大最小化学习模型避免算法早熟。

进一步地：所述步骤S1)的配送工作量以完成其最后一个收货点的收货任务为结束标识，所述OVRPTW调度模型对每辆车具有最大运载能力、每个收货点时间窗以及配送需求量进行如下约束限制：

a_i≤s_i≤b_i (8)

其中，N表示聚类结果集合，N∈{1,2,L,n}；S表示订单集合，S＝{S₁,S₂,…,S_n}，S_n表示区域n内的订单集合；K表示车辆集合，令Len(K)表示集合K中的元素个数，公式(1)、(2)表示车辆约束，(m＝1,2,L,+∞)表示在区域n中第m次使用的车辆；V(V＝{1,2,L,v_max}，v_max表示一个收货点)表示收货点集合，V＝{0}表示配送中心；t_ij(t_ij>0，t_ii＝∞，i,j∈V)表示车辆从收货点i到收货点j的时间开销；表示车辆完成收货点i后是否配送收货点j，表示收货点是否有车辆配送；q_i(i∈V)表示收货点i货物需求，表示车辆的最大运载能力限制；公式(6)表示车辆完成收货点i配送后直接服务收货点j；公式(7)表示车辆在服务收货单j之前只服务过一个收货点i；[a_i,b_i]表示收货点i的时间窗，s_i表示车辆开始服务收货点i时刻，公式(8)表示收货点i的时间窗约束。

进一步地：所述步骤S2)包括：

其中，f₁为实现最小化配送车辆数,f₂为在最小化配送车辆数的基础上实现车辆总工作时长最短，表示从收货点i出发完成收货点j的时刻，σ_j表示收货点j的卸货或装货时间。

进一步地：所述步骤S3)包括：通过采样概率幅学习矩阵生成01标准矩阵，再采用观测规则生成标准十进制编码解集；算法进化的初期，基于赌轮模型维持算法的搜索宽度，其后，随着算法的迭代，当种群中个体的相似度达到预设阀值后，设置最大最小化学习模型突变概率幅，扩大01标准矩阵观测结果值域，实现对全局问题解空间的有效搜索。

进一步地：所述步骤S4)中3维概率幅学习模型β(m×v_max×v_max)为：

通过上述学习模型β，实现不同车辆不同车次车辆信息的独立传递，增强EHPBIL算法针对多车型多车次问题的求解性能，加快算法的收敛。

进一步地：所述步骤S5)通过学习模型β(m×v_max×v_max)，得到标准01观测矩阵α(m×v_max×v_max),且定义α满足如下公式(12)和(13)的约束，车辆从收货点i到收货点j的转移概率如公式(14)所示，表示车辆未访问收货点集合，随机选择一个转移概率位置j'，并令其对应的再由标准01观测矩阵α解码成十进制的解形式；

α_xgα_x'＝0(其中，x,x'∈[1,2,L,m]) (12)

进一步地：所述步骤S6)采用如下公式(15)～(17)自更新学习模型：

其中ρ表示遗忘系数。

进一步地：还包括设置3维概率幅学习模型β中的种群规模为n_popsize＝20，最大迭代次数为n_dim＝200，设置自更新学习时遗忘率为ρ＝0.2。

本发明与现有技术相比具有如下优势：本发明设计了一种有效的十进制编码的混合种群增量学习(EHPBIL)算法；设计一种3维概率幅学习模型β，实现不同车辆不同车次车辆信息的独立传递，增强EHPBIL算法针对多车型多车次问题的求解性能，加快算法的收敛；经过优质解信息累积实现算法搜索收敛，又由最大最小化学习模型避免算法早熟，实现算法搜索广度和深度的平衡；采用人机交互的形式，保证自动派车排单结果的可执行性。

附图说明

图1是本发明一种城市配送的智能优化调度方法的算法流程图；

图2是本发明的车辆调度系统流程图；

图3是本发明2-opt操作示意图；

图4是本发明or-opt操作示意图。

具体实施方式

下面结合实例实例及附图对本发明作进一步详细阐述，但本发明的实施方式不限于此。

请参见图1和图2，本发明提供的一种一种基于城市配送的智能优化调度方法，包括以下步骤：

(1)订单信息、收货点信息、车辆信息及配送中心信息的数据读入；

(2)根据订单中涉及的收货点信息，采用曼哈顿距离计算，进而得到收货点间的旅行时间矩阵，并载入一种城市配送的智能优化调度方法中；

(3)一种城市配送的智能优化调度方法参数初始化，所述参数包括：算法最大迭代次数(n_dim＝200)、种群规模个数(n_popsize＝20)、遗忘系数ρ(ρ＝0.2)，建立3维概率幅学习模型β₀(m×v_max×v_max)；

(4)终止条件判断：若n_gene>n_dim，输出最终调度计划并退出算法计算；若否，则转至步骤(5)；

(5)采用如下方式观测β₀得到α₀，进而得到十进制编码个体

α_xgα_x'＝0(其中，x,x'∈[1,2,L,m])

(6)针对(pop∈{1,2,L,n_popsize})中全部个体执行2-opt和or-opt操作，实现对附近解空间的有效搜索，并更新信息，如图3和图4所示；(7)采用如下方式更新学习模型，完成对历史搜索信息学习，并通过最大最小化学习模型操作，避免算法搜索过早收敛；

(8)更新n_gene＝n_gene+1，更新全局搜索最优解并转至步骤(5)；

(9)由调度人员参考当天的实际车辆车况、人员到勤、道路限制及其它情况，适当调整完成调度计划并输出最终可执行调度计划。

下面以上海今日合理物流2016年8月1日配送任务为例：累积配送订单量(160单)，操作规范如下：

(1)订单信息(总计160单)、收货点信息、车辆信息(固定车辆33辆)及配送中心信息的数据读入；

(2)根据订单中涉及的收货点信息，通过曼哈顿距离计算得到收货点间距离信息(经采集取样，得到所有物流车辆的平均时速约为speed＝50(km/小时))，再装换成收货点间的车辆行驶时间矩阵，并载入智能优化调度方法中；

(3)设定EHPBIL算法的最大运行次数(n_dim＝200)、种群规模个数(n_popsize＝20)、遗忘系数ρ(ρ＝0.2)，建立如下展示的3维概率幅学习模型β₀(m×v_max×v_max)，n_gene表示EHPBIL算法当前进化代数；

(4)设定算法终止条件为最大迭代次数判断。其中，若n_gene>200，输出最终调度计划并退出算法计算；若否，则转至步骤(5)；

(5)采用如下方式观测β_{n_dim}得到α_{n_dim}，进而得到十进制编码个体

α_xgα_x'＝0(其中，x,x'∈[1,2,L,m])

(6)针对(pop∈{1,2,L,n_popsize})中全部个体执行2-opt和or-opt操作，实现对附近解空间的有效搜索，并更新信息；

(7)采用如下方式更新学习模型，完成对历史搜索信息学习，并通过最大最小化学习模型操作，避免算法搜索过早收敛；

(8)更新n_gene＝n_gene+1，更新全局搜索最优解并转至步骤(5)；

(9)由调度员参考当天的实际车辆车况、人员到勤、道路限制及其它情况，适当调整完成调度计划并输出最终可执行调度计划。

本发明机器2016年8月1日派车排单部分总耗时27秒(系统：win7 64bit，CPU：i5-5200U，主频：2.20GHz；内存：12GB；编译环境：Python27)。

综上所述，本发明基于城市配送物流配送分散，收货点分散，配送时效性强，物流配送件数多等问题，改进了一种开放性的带时间窗约束的车辆路径优化调度模型(Open Vehicle Routing Problem with Time Windows,OVRPTW)，已证明具有NP-hard属性；又根据调度结算规则，在最小化配送车辆数的基础上实现车辆总工作时长最短(定义工作时长：车辆从配送中心出发，直至完成最后一个收货点收货的总耗时)。故此，本发明设计一种有效的十进制编码的混合种群增量学习(Efficient Hybrid Population-based Increased Learning,EHPBIL)算法，用于求解该类型城市配送问题。首先，本发明使用基于历史订单与收货点被访问的密度聚类方法，划分出若干任意形状的簇(即每个簇表示一个类别)，其后依据聚类结果实现对新订单的分类，从而有效降低求解问题规模；然后，设计一种基于学习模型的观测规则，在满足约束条件的前提下实现线路构建；其次，采用2-opt和or-opt方法实现线路改良，并通过学习模型实现父代信息的传递；最后，通过人机结合的方式完成派车排单。通过大量生产数据测试验证，本发明能够协助调度人员派车排单，提高人工调度派车排单的效率和准确性，具有较强的鲁棒性和稳定性，可供中小型规模的城市物流配送企业使用。

上述实例为本发明的一种实施方式，但本发明的实施方式并不受上述实施实例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合及简化，等效的转换方式，都包含在本发明的保护范围之内。