车辆取送货路径的优化方法和装置

本公开涉及路径规划，尤其涉及一种车辆取送货路径的优化方法和装置。

背景技术：

1、路径优化问题是物流领域的一个重要问题。

2、在相关技术中，优化系统可以将动态的路径规划问题分解为一系列静态路径规划问题，再使用线性规划或混合整数规划对每个静态问题进行路径优化；优化系统也可以将订单数据动态地插入至已经规划好的路径中，以实现路径优化。

3、然而，优化系统在采用上述方法进行路径优化时，容易陷入局部最优，使得路径优化的准确性和可靠性偏低。

4、背景技术部分的内容仅仅是发明人个人所知晓的信息，并不代表上述信息在本公开申请日之前已经进入公共领域，也不代表其可以成为本公开的现有技术。

技术实现思路

1、本公开提供一种车辆取送货路径的优化方法和装置，用以提高优化的有效性和可靠性。

2、第一方面，本公开提供一种车辆取送货路径的优化方法，包括：

3、构建获取到的订单集合的总目标模型的多目标优化模型，其中，所述多目标优化模型包括第一目标优化模型和第二目标优化模型，所述第一目标优化模型用于表征最小化订单的总超时，所述第二目标优化模型用于表征最小化车辆的平均行驶距离；

4、将所述多目标优化模型分解为多个子目标优化模型并对所述多个子目标优化模型进行求解，得到初始种群，并根据所述初始化种群生成参考点，其中，所述参考点用于表征所述多目标优化模型的最小值；

5、依次对所述初始种群进行交叉操作和禁忌搜索，得到目标子代解，并根据所述目标子代解对所述初始种群和所述参考点进行更新，得到更新后的目标种群；

6、从所述目标种群中将使得所述总目标模型的总目标函数值最小的解作为车辆取送货路径，并输出所述车辆取送货路径。

7、可选地，所述将所述多目标优化模型分解为多个子目标优化模型并对所述多个子目标优化模型进行求解，得到初始种群，包括：

8、初始化所述多目标优化模型的权重向量，得到初始化权重向量；

9、计算所述初始化权重向量之间的欧式距离，得到所述多个子目标优化模型的多个最近权重向量；

10、从预设存档中恢复上一时间段的车辆取送货的规划路径；

11、生成所述订单集合的多个随机排序序列；

12、根据每个随机排序序列，使用插入启发式算法将当前未完成的订单数据插入到所述上一时间段的车辆取送货的规划路径中，得到所述多个子目标优化模型的解，其中，所述初始种群为所述多个子目标优化模型的解；

13、根据所述初始种群中所述多目标优化模型的最小值确定所述参考点。

14、可选地，所述依次对所述初始种群进行交叉操作和禁忌搜索，得到目标子代解，包括：

15、对从所述初始种群中随机选择的两个父代解进行交叉操作，得到初始子代解；

16、将所述初始子代解作为当前解，采用禁忌搜索对所述当前解进行迭代优化，得到所述目标子代解。

17、可选地，车辆的数量为多辆；所述对从所述初始种群中随机选择的两个父代解进行交叉操作，得到初始子代解，包括：

18、初始化为空的初始化子代解；

19、针对每一车辆，从所述两个父代解复制该车辆的路径至所述初始化子代解，并删除所述初始化子代解中重复的节点，所述重复的节点用于表征重复的订单数据，直至得到所有的车辆的路径都从父代解中继承的中间子代解；

20、在不存在剩余的未分配订单数据的情况下，将所述中间子代解确定为所述初始子代解；

21、在存在剩余的未分配订单数据的情况下，将所述未分配订单数据插入所述中间子代解得到所述初始子代解。

22、可选地，所述将所述未分配订单数据插入所述中间子代解得到所述初始子代解，包括：

23、将所述未分配订单数据保存在未分配集合中；

24、针对所述未分配集合中的每一订单数据，将该订单数据插入至所述中间子代解中对应tchebycheff函数值最小的位置，得到所述初始子代解。

25、可选地，所述将所述初始子代解作为当前解，采用禁忌搜索对所述当前解进行迭代优化，得到所述目标子代解，包括：

26、在每次迭代中，生成所述当前解的多个邻居解，其中，所述多个邻居解中的每一邻居解是通过随机选择多种局部搜索算子中的一种生成的；

27、从所述多个邻居解中确定不属于预设禁忌表中、且所述总目标函数值最小的最好邻居解；

28、将所述当前解更新为所述最好邻居解；

29、在所述最好邻居解优于当前最好解的情况下，将所述当前最好解更新为所述最好邻居解，其中，所述当前最好解为当前次迭代优化之前的最好解；

30、更新所述预设禁忌表，直至迭代得到所述目标子代解。

31、可选地，在所述构建获取到的订单集合的多目标优化模型之前，所述方法还包括：

32、获得订单数据，其中，所述订单数据包括取货地址、送货地址、货物数量、创建时间、承诺完成时间；

33、对所述订单数据进行对象化处理，得到订单集合。

34、第二方面，本公开提供一种车辆取送货路径的优化装置，包括：

35、构建单元，用于构建获取到的订单集合的总目标模型的多目标优化模型，其中，所述多目标优化模型包括第一目标优化模型和第二目标优化模型，所述第一目标优化模型用于表征最小化订单的总超时，所述第二目标优化模型用于表征最小化车辆的平均行驶距离；

36、分解单元，用于将所述多目标优化模型分解为多个子目标优化模型并对所述多个子目标优化模型进行求解，得到初始种群，并根据所述初始化种群生成参考点，其中，所述参考点用于表征所述多目标优化模型的最小值；

37、处理单元，用于依次对所述初始种群进行交叉操作和禁忌搜索，得到目标子代解；

38、更新单元，用于根据所述目标子代解对所述初始种群和所述参考点进行更新，得到更新后的目标种群；

39、输出单元，用于从所述目标种群中将使得所述总目标模型的总目标函数值最小的解作为车辆取送货路径，并输出所述车辆取送货路径。

40、可选地，所述分解单元具体用于：

41、初始化所述多目标优化模型的权重向量，得到初始化权重向量；

42、计算所述初始化权重向量之间的欧式距离，得到所述多个子目标优化模型的多个最近权重向量；

43、从预设存档中恢复上一时间段的车辆取送货的规划路径；

44、生成所述订单集合的多个随机排序序列；

45、根据每个随机排序序列，使用插入启发式算法将当前未完成的订单数据插入到所述上一时间段的车辆取送货的规划路径中，得到所述多个子目标优化模型的解，其中，所述初始种群为所述多个子目标优化模型的解；

46、根据所述初始种群中所述多目标优化模型的最小值确定所述参考点。

47、可选地，车辆的数量为多辆；所述处理单元具体用于：

48、对从所述初始种群中随机选择的两个父代解进行交叉操作，得到初始子代解；

49、将所述初始子代解作为当前解，采用禁忌搜索对所述当前解进行迭代优化，得到所述目标子代解。

50、可选地，所述处理单元具体用于：

51、初始化为空的初始化子代解；

52、针对每一车辆，从所述两个父代解复制该车辆的路径至所述初始化子代解，并删除所述初始化子代解中重复的节点，所述重复的节点用于表征重复的订单数据，直至得到所有的车辆的路径都从父代解中继承的中间子代解；

53、在不存在剩余的未分配订单数据的情况下，将所述中间子代解确定为所述初始子代解；

54、在存在剩余的未分配订单数据的情况下，将所述未分配订单数据插入所述中间子代解得到所述初始子代解。

55、可选地，所述处理单元具体用于：

56、将所述未分配订单数据保存在未分配集合中；

57、针对所述未分配集合中的每一订单数据，将该订单数据插入至所述中间子代解中对应tchebycheff函数值最小的位置，得到所述初始子代解。

58、可选地，所述处理单元具体用于：

59、在每次迭代中，生成所述当前解的多个邻居解，其中，所述多个邻居解中的每一邻居解是通过随机选择多种局部搜索算子中的一种生成的；

60、从所述多个邻居解中确定不属于预设禁忌表中、且所述总目标函数值最小的最好邻居解；

61、将所述当前解更新为所述最好邻居解；

62、在所述最好邻居解优于当前最好解的情况下，将所述当前最好解更新为所述最好邻居解，其中，所述当前最好解为当前次迭代优化之前的最好解；

63、并更新所述预设禁忌表，直至迭代得到所述目标子代解。

64、可选地，所述装置还包括：

65、获取单元，用于获得订单数据，其中，所述订单数据包括取货地址、送货地址、货物数量、创建时间、承诺完成时间；

66、对象化单元，用于对所述订单数据进行对象化处理，得到订单集合。

67、第三方面，本公开提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上第一方面所述的方法。

68、第四方面，本公开提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。

69、第五方面，本公开提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

70、所述存储器存储计算机执行指令；

71、所述处理器执行所述存储器存储的计算机执行指令，以实现如上第一方面所述的方法。