路线规划之基于混合遗传模拟退火算法的城市快递配送车辆路径规划.pptx

物流人工智能技术技能培训;任务四 路线规划之基于混合遗传-模拟退火算法的城市快递配送车辆路径规划;;【教学目标】;一、混合遗传—模拟退火算法设计;混合遗传－模拟退火算法步骤图;1.1染色体编码方案及群体设定 遗传算法的编码方式有很多中，大概可以分为二进制编码、实数编码、矩阵编码、树型编码和量子比特编码等。本文研究的是车辆路径规划问题，为了避免二进制编码产生无效解而降低遗传算法的搜索效率，本文采用直观的自然数编码方法，如图５－５。假设客户数量为L，１为配送中心，配送车辆数目为k,此时染色体长度可以表示为n＋k＋１，表示为（１，s1，s2，...si,0,sj,...sl,１）其中是自然数，表示客户点，１表示配送中心，两个１之间的数表示配送车辆在一次配送路径中，按时间先后顺序服务的客户点。 遗传算法是在解的群体上进行的，因此具有鲁棒性、全局性和并行性，因此群体的设定对遗传算法的运行性能具有很大的影响。群体规模越大，群体多样性越高，算法陷入局部解的危险越小，但计算量也随之显著增加。;1.2适应度函数 适应度函数是评价个体优劣的重要指标，可以区分群体中个体优劣并作出取舍。遗传算法的适应度函数可由目标函数转换而来。本文研宄的路径规划为多目标问题，求解中会出现Pareto解，増加计算时间，因此为了减少计算时间和降低目标函数求解复杂度简化目标结构，针对本文模型，利用线性加权将多目标问题转化为单目标问题Ｚ。 转换步骤如下： （１）由于客户满意度为［０，１］之间的数值，配送成本与客户满意度量级相差较大，无法直接进行衡量，因此需要对客户满意度Z1快递配送成本Z2进行标准化操作即将目标函数值与该目标最大值进行除法运算，将两者量级进行统一； （２）将归一化后的客户满意度和配送成本进行线性化加权，分别赋予权重系数，权重系数可以由企业对运营目的重要性进行分配。则归一化后的目标函数可以表示为 在此基础上构造适应度函数，即： 公式中的Ａ为染色体Zi对应的归一化后的目标函数值， 和 为客户满意度和配送成本的权重，可以根据???业运营目标进行设定，也可以设定为随机产生。;1.3遗传操作 （１）选择 结合模型综合分析，在轮盘赌选择算子的基础上引入最优保存策略，防止适应度高的个体因为随机的原因不被选中，避免适应度高的个体被后续的遗传操作改变，使群体像最优方向进化，提高收敛能力。具体选择操作为： １）将每一代具有最大适应度值的个体直接进行保存； ２）其余个体计算适应度f（ｉ＝１，２，…，Ｍ），Ｍ为群体大小； ３）计算每个个体被遗传到下一代群体中的概率； ４）计算出每个个体的累计概率； ５）在［０，１］之间产生一个均匀分布的随机数ｒ；若ｒ＜ｑ［ｌ］，则选择个体１进入子代种群，若q[k-1]r?q[k]、选择个体进入子代种群； ６）重复步骤（５），（６），直至子代种群选择完毕生成新一代种群，并将适应度最低的个体用父代适应度最高的染色体进行置换。;（2）交叉 在遗传算法中，交叉过程是模仿自然界基因重组的过程，通过交叉操作可以将优良的基因遗传给下一代，并且通过交换生成新个体，提高多样性。为了使交叉操作具有更高的效率，在交叉过程中考虑到相似染色体交叉得到的新染色体变化率小的问题，本文在交叉之前加入了相似度提前比对环节，其中相似度的定义为： 其中 、 表示两个待操作个体的第i位，n为染色体长度。;（３）变异 变异操作是将个体染色体中的某些基因座上的基因值以一定的概率 用该基因座上其他的等位基因进行替换形成新的个体。结合本文编码，选择逆转变异算子，具体操作过程分为两个步骤，一是种群以变异概率Ｐｍ进行变异，产生变异点；二是将变异点之基因进行逆转操作，产生新的染色体。例如在种群中的一个父代染色体的基因为“５４６９２１７８３”，变异基因节点为６和８，变异操作过程需要将两个节点位置进行交换，变异操作的示意图为图５－７。;1.4群体优化设计 通过前面的步骤实现了对群体中个体的选择、交叉和变异，生成一个全新的群体。遗传算法是一个逐步去除差值的过程，但是一味的优化会导致多样性的降低，陷入局部最优，因此本文按照模拟退火中的Ｍｅｔｒｏｐｏｌｉｓ接受准则％，对新群体中每个个体进行退火操作，即逐步减小控制参数Ｔ的值，决定进入下一代的个体，实现新旧群体的替换。根据Ｍｅｔｒｏｐｏｌｉｓ接受准则入如式（５－２），定义接受性能较差后代个体的概率为： 其中ｒ为当前温度， 为子代， 为父代。;1.5关键参数 遗传算法交叉算子与变异算子的作用效果受到交叉率 和变异率 的控制，要想得到遗传算法的