基于物流车辆调度算法探究.docVIP

基于物流车辆调度算法探究摘 要: 物流车辆优化调度问题是一个研究热点,学者们采用了各种优化方法来解决实际问题。本文简述了物流配送车辆调度问题的常见算法,对求解车辆优化调度问题的步骤作了说明,并在结论中提出了算法的不足之处,以使大家根据实际情况选择最佳的车辆调度算法,提高经济效益。 关键词: 物流车辆调度 蚁群算法 遗传算法 神经网络算法 1.蚁群算法 蚂蚁在路径上前进时会根据前边走过的蚂蚁所留下的分泌物选择其要走的路径。其选择一条路径的概率与该路径上分泌物的强度成正比。因此,由大量蚂蚁组成的群体的集体行为实际上构成一种学习信息的正反馈现象:某一条路径走过的蚂蚁越多,后面的蚂蚁选择该路径的可能性就越大。蚂蚁的个体间通过这种信息的交流寻求通向食物的最短路径。蚁群算法就是根据这一特点,通过模仿蚂蚁的行为,从而实现寻优。 采用蚁群算法求解车辆优化调度问题的步骤: 1.1将任务点分派到车辆上: 1.1.1选择未用的车辆K; 1.1.2在未分派的任务点在中从角度最小的开始为车辆K指定任务点,直到容量限制不满足为止,如果有剩余任务点,则重复前两个步骤,直到所有任务点都被分配到车辆上。 1.2所分派的任务点集合记为v,而v=m设定有m只蚂蚁,按照蚁群算法求解TSP问题算法的步骤执行。 1.3按照各任务点的极坐标中角度的大小依次和车场来确定n条扫描线,重复n次step1和step2来得到n种调度方案,比较得到最佳的方法就是问题的解。 2.遗传算法 遗传算法是上世纪60年代由美国J.Holland教授首先在《自然结合人工智能系统的适应性》一书中提出的,是一种新兴的自适应随机搜索方法,具有极强的鲁棒性和内在的并行计算机制。遗传算法主要由选择、交叉和变异三个算子组成,分别模仿自然界进化过程中的自然选择和群体遗传过程中发生的交配和突变等现象。 采用遗传算法求解车辆优化调度问题时,一般按照以下步骤进行。 2.1确定染色体的编码和初始群体 采用自然数对可行线路进行编码,如长度为l+m的染色体可写为: (0,i11,i12,…,i1s,0,i21,…,i2t,0,…,0,im1,…,imn) 其中,ikj表示第ikj项任务,这样的染色体结构可理解为车辆从车场0出发,经过任务i11,i12,…,i1s后回到车场0,形成子路径1;然后又从车场0出发,经过任务i21,…,i2t后返回车场,形成路径2,如此反复,直到所有的m项任务全部被完成为止。在子路径1内交换i11和i12的位置表示行走路径的改变,也使函数目标改变。这样,下面的遗传叠代可使函数目标最小,也即趋向于最佳或较佳的路径。初始群体的产生采用随机方法,随机产生l个城市的全排列,根据任务的源点和汇点将0标准插入排列中,形成一条初始染色体。如此反复,直到满足群体数,群体数一般大于20个。 2.2确定适应度函数 车辆调度的优化目标有多种多样,常见的目标有总运费最小,总运输时间最短,空载车总运行时间最小,完成任务所需的车辆最小总运输时间最短,空载车总运行时间最小,完成任务所需的车辆最小等,以总运费最小为例,其目标函数为:C=minCX。该式中,Cij为从源点i到汇点j每辆车的单位费用,Xij为每班从源点i到汇点j的满载车的数量。m,n为源点和汇点的数目。 2.3处理约束 为保证车辆调度优化的正确性,约束往往必不可少,常见的约束有汇点处理能力约束,非负约束,车流连续性约束。 一般采用惩罚的方法来处理约束,如果一个染色体对应的解违反了某个约束,根据其违反程度给予一定的惩罚,使其具有较小的适应度值。这样在不损失群体数目的基础上,随着叠代的进行,使不可行解的数目在群体中所占比例越来越小,可行解的数目则逐渐增加,并趋向最优解。 2.4遗传算子 经典的遗传算子包括复制、交叉、变异。复制算子的目的是保留优良个体,避免基因缺失,提高全局收敛性和效率。目前常用的复制算子有放回式随机复制又称轮盘赌复制,无放回式随机复制等十几种。 2.5确定调度方案 通过上述的遗传操作,产生性能最优的染色体串,根据初始的编码规定将该串解码成最优调度方案。 3.神经网络算法 人工神经网络是对人脑功能的简单和近似模拟,它由大量具有某种传递函数的神经元相互连接而成。人们经常采用Hopfield网络和自组织特征映射神经网络来解决车辆的优化调度问题。在Hopfield网络中,系统能够从初始状态,经过一系列的状态转移而逐渐收敛于平衡状态,此平衡状态是局部极小点。采用神经网络来求解车辆调度问题时一般按下列步骤进行。 3.1产生邻接矩阵 将车辆的源点、所经过的各个汇点和停点抽象成网络的结点,它们之