一种智能电能表的配送车辆路径优化方法
【技术领域】
[0001] 本发明属于电能表配送领域,尤其是一种智能电能表的配送车辆路径优化方法。
【背景技术】
[0002] 伴随着智能电网的快速发展,作为基本智能量测装置的智能电能表正在逐步取代 传统的电能表。由于智能表需要集中招标采购、集中检定、集中仓储、统一配送,智能表的大 规模安装造成了电能表物流网络的不断扩大和配送量的急剧增长,同时也给省级计量中心 的配送效率提出了更高的要求。传统的智能表配送计划以人工经验安排为主,具有主观性 和重复性高、时效性差、信息交互困难、配送效率低下等缺点,在此情况下,设计一种新的智 能表的配送车辆路径优化方法已是迫在眉睫的事情。
[0003] 经过检索,发现以下相近技术领域的已公开专利文本。
[0004] 一种车辆规划路径的生成方法、装置(CN104567905A),所述方法包括:初始化蚁 群和蚂蚁,确定待安排车辆;为待安排车辆安排下一配送节点时,考虑硬时间窗的要求、载 重量和软时间窗的要求;计算待安排车辆因违反软时间窗而造成的惩罚成本,并根据所述 惩罚成本和车辆的配送成本,计算得到边成本以及当前蚂蚁的总成本后,循环生成N只蚂 蚁,并得到各蚂蚁的线路图以及各蚂蚁的总成本,最后根据各蚂蚁的线路图以及各蚂蚁的 总成本,得到车辆的最优配送路径。本发明,在为车辆安排路径时,综合考虑VRPMVT、VRPTW、 VRPSTW和VRPH)这四个模型,实现了对实用性较高的复杂优化问题的求解,从而满足多种 实际应用的需求。
[0005] -种配送路径规划方法及系统(CN104732289A),方法包括:手持终端接收用户的 操作指令,输入初始起始点信息和多个目的站点信息,并输入路径规划模式,再发送至服务 器;其中,所述路径规划模式包括距离最短规划模式、运输最省力规划模式、满足预约时间 规划模式和用户自定义规划模式;服务器根据所述初始起始点信息、目的站点信息、路径规 划模式及预先存储的电子地图获取多条串接全部目的站点的路径中规划参数之和最小的 路径,并将规划参数之和最小的路径对应轨迹发送至手持终端;手持终端接收规划参数最 小的路径对应轨迹,并在手持终端上显示。本发明实现了基于单一起始点及多目的地点的 路径规划,提供更全面、更准确的路径规划信息。
[0006] 经过对比,以上专利文献与本专利申请相比,所解决的具体技术问题,以及具体的 技术方案均存在较大不同。
【发明内容】
[0007] 本发明的目的在于克服现有技术的不足之处,提供一种智能电能表的配送车辆路 径优化方法。
[0008] 本发明解决其技术问题是采取以下技术方案实现的:
[0009] 一种智能电能表的配送车辆路径优化方法,其特征在于:步骤如下:
[0010] Si获取相关数据,包括:配送中心配送车辆数、载重量、最大行驶距离及司机出行 费用系数,任意配送点之间的距离参数及单位距离运输成本,各配送点的智能表需求量及 接收智能表的时间限制;
[0011] S2构建智能表配送车辆路径优化数学模型;
[0012] S3基于改进的遗传算法,首先确定个体的编码原则;
[0013] S4采用贪心算法初始化种群,形成初步车辆配送方案;
[0014] S5确定个体的适应度函数,并依次计算个体的适应度值;
[0015] S6采用最优保存算法来保存当代种群的最优个体,并与历代种群最优个体进行比 较,从而保证遗传算法的随机性不致破坏当代种群中的最优个体;
[0016] S7判断是否满足遗传算法优化准则的迭代终止条件,如果满足,输出历代种群最 优个体,并进行解码,进入Sll ;如果不满足,则转入步骤S8 ;
[0017] S8对种群进行选择操作,从而从当前种群中选出优良的个体,使它们有更大的几 率作为父代进行下一代繁衍;
[0018] S9对种群进行交叉操作,将种群中的各个个体随机搭配,并以一定的交叉概率交 换它们之间的基因片段,从而产生新一代个体;
[0019] SlO对种群进行变异操作,以一定的变异概率对换其中一个或多个基因位的编码 值,从而改善遗传算法中的局部搜索能力,之后转入步骤S5 ;
[0020] Sll优化结果输出,当满足迭代终止条件后,并对输出的种群最优个体进行解码, 从而得到最佳的配送车辆路径优化方案。
[0021] 而且,步骤S2中,构建智能表配送车辆路径优化数学模型包括:路径优化目标函 数和约束条件;
[0022] 所述路径优化目标函数 其主要包含两部分:一 , 是车辆的运输行驶总成本,二是车辆司机的出行费用。其中为投入使用的配送车辆;x1]k 为〇、1变量,Xi_jk= 1表示车辆k从配送点i行驶到配送点j,否则X i_jk= 0 ;d ^表示配送点 i到配送点j的运输距离;(^和C2分别表示配送车辆单位距离的运输成本和单个司机的出 行费用系数;
[0023] 所述路径优化约束条件包括:
[0024] ①车辆数目约束,m彡A,A表示配送中心可供使用的车辆;
[0025] ②配送车辆的车载量约身
η表示所有配送点数目,Q表 示车辆的最大载重数目,Qi表示配送点i的智能表需求数目,y ik为〇、1变量,y ik= 1表示 配送点i的智能表由车辆k来配送,否则ylk= 1 ;
[0026] ③配送车辆行距约
L表示配送车辆的最大行驶距离;
[0027] ④ ET# t # LT .j,tj= t i+xbti+tij,i,j = 1,2...n,h表示配送车辆到达配送点 i的时刻,Xbt1表示在配送点i所需的卸表时间,t u表示配送车辆从配送点i到配送点j的 路上行驶时间,ETp LTj分别表示配送车辆到达的最早时刻和最晚时刻限制。
[0028] 而且,所述S3中,改进遗传算法个体编码的原则为:直接采用数字对配送点进行 编码,其中i = O表示省级计量中心,i = 1,2…η分别表示不同的配送点,然后根据配送点 在整个路径中的相对位置来确定个体编码,即遗传算法中的每一个个体就是几条独立线路 的访问顺序。
[0029] 而且,所述S4中,贪心算法初始化种群是首先构建"配送点相邻矩阵":将距离配 送点i最近的3个配送点按距离远近依次排序,从而组成一个η+1 X 3阶矩阵,其中元素 Alj 表示距离配送点i第j近的配送点编号;然后随机生成第1个配送点的编码i,并从"配送 点相邻矩阵"第i行元素中优先选择距离该配送点最近的配送点j作为的第2个编码,如果 在"配送点相邻矩阵"中对应的编码与前面已出现的编码冲突,则随机生成另一个未出现的 配送点编码;以此类推,生成一个I-η间不重复的自然数序列;考虑到配送车辆的载重量限 制,可在各自然数序列中,从左至右依次累加相应配送点的智能表需求量,并在刚好不超过 单台配送车辆的载重量的编码前依次插入符号" I ",每个" I "与" I "之间的自然序列代 表了从配送中心出发的单台车辆路径,而每个初始化个体代表了一种初始化配送方案;如 果遗传算法中的种群规模为nr,则按上述方法随机生成nr个类似的自然数序列个体,从而 形成一个nr X η阶的初始化种群。
[0030] 而且,所述S5中,适应度函数为fit(i) = F(i)+DF(i)+TF(i),其中:F(i)表示 路径优化的目标函数,DF (i)表示配送车辆超过最大行驶距离L的惩罚费用函数,TF (i)为 配送时间超过预定时限ETp LT,的惩罚费用函数。
[0031] 而且,所述S6中,最优保存算法,是根据当代个体适应度值大小进行排序,把适应 度值最高的个体fitd _保存下来,并与经过前面迭代运算中保存的历代种群最优个体fit i _进行比较,如果fitd Ht1 _,用当代最优个体取代历代最优个体中的fU1 _,即Ht1 max= fit d max,如果fitd fit I max,则表明最优个体在遗传过程中遭到了破坏,需要重新 恢复,具体做法是用保存的历代种群最优个体代替当代种群中适应度最小的个体。
[0032] 而且,所述S7中,终止迭代条件为1000次迭代循环,或连续多次迭代的历代种群 最优个体差值不大于0.01。
[003