物流配送系统中大规模最短路径算法研究.docVIP

物流配送系统中大规模最短路径算法研究 　　［摘 要］ 在物流配送管理系统中，车辆路径优化是一个典型的难题，而最短路径算法是其基础。传统的最短路径算法，如Dijkstra最短路径算法因性能问题无法适应大规模的拓扑网络和实时计算。本文在Dijkstra最短路径算法的基础上，在方向优先等改进算法的启发下，设计和开发了基于GIS的大规模最短路径算法。实验表明，该算法受拓扑网络规模的影响极小，能够快速完成实时最短路径计算。 　　［关键词］ 最短路径；车辆路径优化；GIS；物流配送；Dijkstra最短路径算法 　　［中图分类号］F270.7［文献标识码］A［文章编号］1673-0194（2008）05-0067-03 　　 　　一、物流配送路径优化 　　 　　随着物流技术和应用的发展，物流配送过程中的车辆路径优化问题（Vehicle Routing Problem，VRP）［1］成为一个研究的热点。它是一个NP难题，不能得到解析解，通常只能通过各种启发式算法得到近似解。物流配送路径优化问题涉及因素众多，各种因素之间关系十分复杂。 　　车辆路径优化问题的定义依约束和目标的不同而有不同深度的定义。一般是指从一个配送中心用多辆车向多个需求网点送货。配送中心和网点之间的位置和距离一定，网点的需求配货量和车辆的容量一定，要求合理安排运输路线，使得总运程最低，即总路径最短，费用最少。通过调整约束和优化目标，问题的难度可以进一步提高。但无论如何，优化算法最终都基于网点（包括配送中心）之间的最短路径。图1是一个典型的物流配送路径优化系统的流程图。 　　从图1可以看出，配送路径优化系统区分为两部分。左边流程完成的任务包括：（1）根据GIS地图数据提取道路、对相交道路进行分割、生成路段拓扑网络，网络的节点是路口，弧是节点之间的路段；（2）根据道路拓扑网络计算任意两个节点之间的最短路径。将最短路径生成过程预先执行的理由是最短路径算法时空复杂度高，并且通常道路信息变更并不频繁。右边是配送路径优化的流程。通常，VRP优化算法都含两个过程：（1）生成满足约束的多条路线；（2）对每条路线采用TSP优化算法继续优化。这两个过程都以节点之间的最短路径作为基础。因此，最短路径算法在VRP问题中占有非常重要的地位。 　　但图1描述的是一个理想的配送优化系统的流程，即假定路径的属性和最短路径都不更新或更新不频繁。而实际情况并非如此。如路况数据的变化，包括修路导致的道路不通、雨雪等导致的部分道路行驶难度系数变化以及临时堵车等情况都将导致预先计算的最短路径失效。另一方面，对于大规模的拓扑网络结构，预存所有最短路径需要非常大的空间，导致配送优化性能下降。 　　本文在研究各种用于VRP最短路径算法的基础上，综合前人的研究成果，提出可行的基于GIS的大规模最短路径算法。 　　 　　二、最短路径优化算法 　　 　　最短路径算法在1959年就已经提出，因其应用广泛，是TSP、中国邮路问题等问题的子问题，成为运筹学和组合优化领域的热点问题。目前该算法在国内外已经被广泛深入研究。最短路径算法也是VRP优化的基础，因此，最短路径算法的最新研究中也包括其在VRP优化中的改进。 　　1． 传统最短路径算法 　　通常，传统的最短路径优化算法是指Dijkstra和Floyd提出的两个算法［2］。他们都采用图作为路网拓扑的存储结构。Dijkstra提出的算法按路径长度递增的次序产生最短路径，实现从某个源点到其余各个节点的最短路径，时间复杂度是O（n2）。Floyd提出的算法按路径搜索试探产生最短路径，时间复杂度也是O（n2），但该算法计算每一对顶点之间的最短路径。如果需要得到任意两个节点之间的最短路径，Floyd算法更合适。国内外对于这两个算法已经有很多的改进版本［1，3，4］。 　　2． 面向VRP的最短路径算法 　　Dijkstra和Floyd提出的最短路径优化算法考虑的拓扑网络是抽象网络，对于网络节点和弧并没有额外的限制。而在VRP问题中，拓扑网络是路网，因此是平面网络，且节点和弧都有各种可以用于进一步优化的属性。人类在这种平面网络的路由问题上，积累了很多经验和知识，可以作为启发式规则用于优化。另一方面，物流配送优化系统一般都是构建在GIS之上，路网在地图上有直观的体现。GIS提供的各种特性也都可以用于最短路径优化。这些考虑利于减少最短路径搜索过程中的搜索范围，从而提高算法性能。文献［3］提出一种直线化的改进Dijkstra算法，通过对临时标记节点的堆排序使得搜索向目标节点快速逼近。虽然每次搜索的节点集合减少了，但每次计算时拓扑网络的规模并没有减少。Dijkstra的搜索策略是广度优先，文献［4］提出的算法采用方向优先的方式求两点之间的最短距离，根据源点到终点