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 ;
[0076] 变异操作采用对换变异操作,在同一个体中随机选择的2个不同基因位,并交换 这2个基因位的编码值。
[0077] 变异概率为0.001。
[0078] 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。
[0079] 尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理 解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的, 因此,本发明的范围不局限于实施例和附图所公开的内容。
【主权项】
1. 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: S1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; S2构建智能表配送车辆路径优化数学模型; S3基于改进的遗传算法,首先确定个体的编码原则; S4采用贪心算法初始化种群,形成初步车辆配送方案; S5确定个体的适应度函数,并依次计算个体的适应度值; 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; 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S11 ;如果不满足,则转入步骤S8 ; 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; 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; S10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 ; S11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。2. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于: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; 所述路径优化目标函数为库主要包含两部分: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0、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xuk= 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; 所述路径优化约束条件包括: ① 车辆数目约束,m<A,A表示配送中心可供使用的车辆; ② 配送车辆的车载量约束,k= 1,2,…n,n表示所有配送点数目, Q表示车辆的最大载重数目,q;表示配送点i的智能表需求数目,yik为0、1变量,yik= 1 表示配送点i的智能表由车辆k来配送,否则ylk= 0 ; ③ 配送车辆行距约束,L表示配送车辆的最大行驶距离; ④ETj彡t』彡LT.j,tj=ti+xbti+ty,i,j= 1,2…n,h表示配送车辆到达配送点i的 时刻,xbh表示在配送点i所需的卸表时间,t表示配送车辆从配送点i到配送点j的路 上行驶时间,ETpLTj分别表示配送车辆到达的最早时刻和最晚时刻限制。3. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于: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= 〇表示省 级计量中心,i= 1,2, ???!!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。4. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于: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n+1X3阶矩阵,其中元素Ax]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1-n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nrXn阶的初始 化种群。5. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于: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 ETj、LT」的惩切费用函数。6. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于: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_进行比较,如果fitd _彡fit丨_用当代最优个体取代历代最优个体中的fit丨_即fit丨nax=fitd _如果fitd 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。7. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于: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. 01〇8. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S8 中,选择操作原则为个体适应度值越大,适应性就越强,其成为父代繁衍下一代个体的几率 就越高。具体的操作过程如下: ① 计算种群中所有个体的适应度之和,nr表示种群的个体数目; ② 分别计算种群中各个个体的相对适应虔k= 1,2-nr,并将个体相对适 应度值按大小顺序进行排序和累加,以此作为该个体在下代繁衍过程中被选中作为父代的 概率依据; ③采用轮盘赌选择法,即采用rand()算法产生一个(0, 1)之间的随机数,当其刚好大 于某个体前的所有相对适应度累加值时,即选择该个体作为父代。9. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述S9 中,交叉操作采用较简单的次序杂交算法,具体过程如下: ① 先对种群中的父辈个体进行两两随机配对; ② 在每一配对的父辈个体,随机选取某2个交叉点后按照一定原则交换相互两个个体 的部分基因段;且交叉概率为〇. 9。10. 根据权利要求1所述的智能电能表的配送车辆路径优化方法,其特征在于:所述 S10中,变异操作采用对换变异操作,在同一个体中随机选择的2个不同基因位,并交换这2 个基因位的编码值,变异概率为〇. 001。
【专利摘要】本发明涉及一种智能电能表的配送车辆路径优化方法,从时间和空间的角度重点考虑智能表配送计划的优化方法,结合省级计量中心实际,将智能表的配送车辆路径规划问题转化为一配送中心、多车辆、有容量和时间限制的车辆优化调度问题,建立相应的数学模型,并采用改进遗传算法进行求解分析,得出合理的智能表配送车辆路径方案,从而避免了传统的人工制定智能表配送计划的诸多弊端,为及时、经济、高效、准确的智能表供应提供强有力的支撑。
【IPC分类】G06Q50/28, G06Q10/08, G06Q10/04
【公开号】CN105096006
【申请号】CN201510522920
【发明人】李中成, 李刚, 杨霖, 吕伟嘉, 卢静雅, 张兆杰, 许迪, 赵紫敬, 陈磊
【申请人】国网天津市电力公司, 国家电网公司
【公开日】2015年11月25日
【申请日】2015年8月24日