一种甩挂运输的任务分配方法
【专利摘要】本发明公开了一种甩挂运输的任务分配方法，其特征是包括：1.针对甩挂运输任务分配问题建立模型2、利用建立的甩挂运输任务分配模型计算甩挂车辆完成任务获得的收益3、对甩挂运输任务分配问题模型的进行编码，并利用贪婪算法生成初始种群4、利用遗传算法对初始种群优化，获得最优解5、以上述最优解的方案对应的方案作为甩挂运输任务分配问题的最优方案。本发明从计算任务收益的角度给出甩挂运输中任务分配的具体方案，能够对甩挂运输中的任务分配问题给出合理化的决策，快速给出甩挂运输中任务分配的方案，提高制定任务分配方案的效率，使方案更加合理和准确。
【专利说明】
-种甩控运输的任务分配方法
技术领域
[0001] 本发明设及一种甩挂运输任务分配方法，属于组合优化领域。
【背景技术】
[0002] 甩挂运输是指利用牵引车拖带一个或多个集装箱挂车或半挂车，并允许在指定甩 挂地点进行卸挂、拖带等操作的一种物流配送运输组织形式。其中牵引车自身具有动力和 负载，可W独立完成物流配送任务，而挂车或半挂车自身没有动力，仅仅具备负载的能力， 只能依靠牵引车的拖带完成物流配送任务。与传统的物流配送方式相比，甩挂运输利用其 牵引车和挂车可W任意地进行拖带和分离的特点，使物流运输过程中的装卸和运输过程可 W同时进行，实现了并行化。因此，甩挂运输运一新型的配送方式，具有运输效率高，单位成 本低、周转速度快等特点。
[0003] 目前，国内外对于集装箱定挂运输问题的相关研究较多，但专口研究甩挂运输调 度问题相对较少；同时对于甩挂运输调度问题的研究主要仍是W确定性、静态环境下的路 径规划及运输模式的设计为主，对于动态和不确定性环境下的相关研究则相对较少。而动 态调度的核屯、任务之一就是要能够实现对各类调度需求的快速、实时响应，形成可操作的 调度任务并根据调度系统中可利用的调度资源，对调度任务进行自动选择、自动排序和动 态分配。
【发明内容】
[0004] 本发明是为了克服现有技术存在的不足之处，提供一种甩挂运输的任务分配方 法，W期能从给出最大的收益的角度将运输任务合理分配，进而对甩挂运输中的任务分配 问题给出合理化的决策，并快速给出甩挂运输中任务分配的方案，从而提高制定任务分配 方案的效率，使方案更加合理和准确。
[0005] 本发明为解决技术问题采用了如下技术方案：
[0006] 本发明一种甩挂运输的任务分配方法的特点是应用于由牵引车、挂车、车场站点、 甩挂点和任务节点组成的配送网络中；将所述配送网络记为有向图V(S，R，E);S表示由所述 车场站点和甩挂点组成的点集;R表示任务节点集合;E= Ki，j> I i，j SUR}表示点集S和任 务节点集合R中任意第i个节点和第j个节点之间的运输路径集合；
[0007] 将所述牵引车记为K =化1瓜，…，Kk，…，U ; 1非如;Kk表示第k个牵引车；
[000引将所述挂车记为G = {Gi，G2，…，Gg，…，Gm}; 1非< G; Gg表示第g个挂车；
[0009] 所述甩挂运输的任务分配方法是按如下步骤进行：
[0010] 步骤1、建立甩挂运输任务分配模型；
[0011] 步骤2、对所述甩挂运输任务分配模型的进行编码并利用贪婪算法生成初始种群；
[0012] 步骤3、利用遗传算法对所述甩挂运输任务分配模型进行优化，从而获得最优解；
[0013] 步骤4、W所述最优解所对应的方案作为所述甩挂运输任务分配问题的最优方案。
[0014] 本发明所述的甩挂运输任务分配方法的特点也在于，
[0015] 所述步骤1中的甩挂运输任务分配模型为：
[0016] 目标函数：
[0032] 式（1)表示完成任务所获得的最大收益；当zj = l时，表示完成第j个节点的配送任 务，当Zj = 〇时，表示没有完成第j个节点的配送任务;Wj表示完成第j个节点配送任务所获得 的报酬;表示主动取消第j个节点配送任务时所需支付的惩罚成本;bi化表示第k个牵引车 Kk在运输路径<1^>上的配送成本；当XI化=1时，表示第k个牵引车Kk经过所述第i个节点 到所述第j个节点之间的运输路径<1，^>，当xijk = 0,第k个牵引车Kk不经过所述第i个节 点到所述第j个节点之间的运输路径< i，j > ;当yug= 1时，表示第g个挂车Gg经过所述第i 个节点到所述第j个节点之间的运输路径<1，^'>，当yug = 〇时，表示第g个挂车Gg不经过所 述第i个节点到所述第j个节点之间的运输路径<1^>;[1化第旨个挂车68在运输路径<1^ >上的配送成本;当hkg=l时，表示第k个牵引车Kk拖挂第g个挂车Gg，当hkg = 0时，表示第k个 牵引车Kk没有拖挂第g个挂车Gg;
[0033] 式(2)表示第k个牵引车Kk的站点约束，U表示在运输路径<1^>上所需牵引车的 车辆总数；
[0034] 式(3)表示第g个挂车Gg的站点约束，V表示在运输路径<1^>上所需挂车的车辆 总数；
[0035] 式(4)和式(5)表示第k个牵引车Kk的访问唯一性约束；
[0036] 式(6)和式(7)表示第g个挂车Gg的访问唯一性约束；
[0037] 式(8)表示在第k个牵引车Kk拖挂第g个挂车Gg进入第i个节点时的容积约束；式?表 示第k个牵引车Kk进入第j个节点前在运输路径<i，j>上所需的容载量;Qk表示所述第k个 牵引车Kk的容载量;也表示第g个挂车Gg的容载量；
[003引式(9)表示在第k个牵引车Kk拖挂第g个挂车Gg完成第i个节点时的容积约束；式;表 示第k个牵引车Kk离开第j个节点后在运输路径<i，j>上所需的容载量；
[0039] 式（10)表示第j个节点的时间约束;ej表示第j个节点的配送任务最早能进行配送 的时间；atj表示第k个牵引车Kk拖挂第g个挂车Gg到达第j个节点的配送时间山表示第j个 节点的配送任务最晚能进行配送的时间；
[0040] 式（11)表示第i个节点和第j个节点的时间约束，tu表示第k个牵引车Kk拖挂第g个 挂车Gg在运输路径<1^>上的行驶时间；ati表示表示第k个牵引车Kk拖挂第g个挂车Gg到 达第i个节点的配送时间;wti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点的等待时 间；sti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点所花费的配送时间；T表示为一个 足够大的整数；
[0041] 式（12)表示第k个牵引车Kk在配送网络V中的次回路约束;P表示第k个牵引车Kk在 配送网络V中访问过的节点；Pc没U化；IPI > 2;
[0042] 式(13)表示第g个挂车Gg在配送网络V中的次回路约束；
[0043] 式(14)表示决策变量的取值范围。
[0044] 所述步骤2按如下步骤进行：
[0045] 步骤2.1、对所述配送网络V中的所有节点进行编号，记为1，2,3,…，N;
[0046] 步骤2.2、定义染色体的个数为ε，并初始化ε = 1;
[0047] 步骤2.3、从车场站点和甩挂站点组成的点集S中随机选取第σ个节点作为起始点； [004引初始化0 = 1，并形成第ε个染色体的第0个基因；
[0049] 步骤2.4从第σ个节点分别到剩下的Ν-σ个体节点中选择目标函数值最大的节点作 为第0+1个节点，并形成第ε个染色体的第σ+1个基因；
[0050] 步骤2.5、将σ+1赋值给0,并重复步骤2.4,直至Ν=σ为止，从而得到第ε个染色体的 Ν个基因；
[0051] 步骤2.6、将ε+1赋值给ε，并重复步骤2.3至步骤2.5,直至形成有Ε个染色体组成的 初始种群为止。
[0052] 所述步骤3中是按如下步骤进行：
[0053] 步骤3.1、将所述初始种群记为POP(t)，并初始化t = l;
[0054] 步骤3.2、分别计算第t代种群POP(t)中E个染色体的目标函数，并将E个目标函数 中的最小值记为妃1。；
[0055] 步骤3.3、定义变量6，并初始化6 = 1;
[0056] 步骤3.4、利用式（15)获得第*代种群？0?(〇中第6个染色体口〇口6(*)的适应函数 挣;
[0化7]
[005引式（15)中，F表示目标函数；
[0化9]步骤3.5、利用式（16)获得第*代种群口0口4)中第6个染色体口〇口6(*)的概率；71'>; [0060]
[0061] 步骤3.6、利用式（17)计算出第*代种群口0口(〇中第6个染色体口〇口6(〇的累积概率 抱；
[0062]
[0063] 步骤3.7、利用轮盘赌的方法从第t代种群POP(t)中选择出E个染色体，从而产生第 t+1 代种群 P0P(t+l);
[0064] 步骤3.8、对第t+1代种群化ossP0P( t+1)中的染色体进行两两单点交叉操作;从而 形成第t+1代交叉种群CrossP0P(t+l);
[0065] 步骤3.9、对第*+1代交叉种群吐〇33?0?^+1)中的染色体进行随机两个位置的变 异操作;从而形成第t+1代变异种群Mu巧0P( t+1);
[0066] 步骤3.10、W第t+1代变异种群Mu巧0P(t+l)作为第t代种群POP(t)，并返回步骤 3.2顺序执行，直到所获得染色体不再改变为止，从而获得不变的染色体作为最优解输出。
[0067] 与已有技术相比，本发明的有益效果体现在：
[0068] 1、本发明通过建立的任务分配模型计算甩挂车辆完成任务后所获得的收益，从收 益最大化的角度制定具体的任务分配方案，使得求解甩挂运输过程中的任务分配问题和案 更加简便和易于操作，从而快速制定甩挂运输中的任务分配方案；
[0069] 2、本发明从市场追求收益最大化的特征出发，建立了计算甩挂车辆完成任务获得 的收益的模型，从而帮助人们去选择能够获得最大收益的任务，自主的完成任务分配运一 过程，使问题的结果更加明确、易于理解同时紧密结合实际。
[0070] 3、本发明采用的是基于实数编码的方法，根据任务节点和甩挂站点被访问的先后 的次序进行编码并初始化，使生成解更直观且便于理解;并利用贪婪算法生成使初始解，缩 短了生成初始解得时间；同时适用于遗传算法对问题进行求解。
[0071] 4、本发明利用具有内在的隐并行性和良好的全局寻优能力的遗传算法，直接对结 构对象进行操作，不存在求导和函数连续性的限定;采用概率化的寻优方法，能自动获取和 指导优化的捜索空间，自适应地调整捜索方向，不需要确定的规则;通过算法中选择、交配、 变异和更新操作对初始解进行多次迭代从而产生最优解。
【附图说明】
[0072] 图1为本发明甩挂运输的任务分配方法的流程图。
【具体实施方式】
[0073] 本实施例中，一种甩挂运输的任务分配方法，是应用于由牵引车、挂车、车场站点、 甩挂点和任务节点组成的配送网络中；将配送网络记为有向图八5，1?，6);5表示由车场站点 和甩挂点组成的点集;R表示任务节点集合;E= {<i，j〉I i，j S UR}表示点集S和任务节点集 合R中任意第i个节点和第j个节点之间的运输路径集合；
[0074] 将牵引车记为1(={：1(1瓜，---，防，---也};1非如瓜表示第1^个牵引车；
[0075] 将挂车记为G =偏，G2，…，Gg，…，Gm}; 1非< G; Gg表示第g个挂车；
[0076] 如图1所示，一个集中式的物流中屯、平台用于接收运输任务;集中式的物流中屯、平 台收集所能调度车辆(包括牵引车和挂车)的状态信息，所收集的状态信息包括空闲的牵引 车数量及容载量、在途牵引车数量及容载量，空闲挂车数量及容载量、在途挂车数量及容载 量;根据所收集的状态信息选择性的来接收目前可能完成的任务并将运些任务放入任务 池，等待分配;建立一个计算任务收益的数学模型来计算完成任务池中不同运输任务可获 得的收益;物流中屯、根据收集的信息对接收的任务进行判断分析并发布给车辆所有者;车 辆所有者根据模型计算出的收益自主的进行竞争选择并接受任务;完成任务后将信息反馈 给物流中屯、平台，W便于物流中屯、平台的资源调度和制定下一次分配方案。
[0077] 具体的说，甩挂运输的任务分配方法是按如下步骤进行：
[0078] 步骤1、建立甩挂运输任务分配模型；
[0079] 根据甩挂运输任务分配方法利用式（1)建立的甩挂运输任务分配模型为：
[0080] 目标函数：
[0094]
(13)
[0095] xi化，yug,hkg，ZjE {〇,1}(14)
[0096] 式（1)表示完成任务所获得的最大收益；当zj = l时，表示完成第j个节点的配送任 务，当Zj = 〇时，表示没有完成第j个节点的配送任务;Wj表示完成第j个节点配送任务所获得 的报酬;表示主动取消第j个节点配送任务时所需支付的惩罚成本;bi化表示第k个牵引车 Kk在运输路径<1^>上的配送成本；当XI化=1时，表示第k个牵引车Kk经过所述第i个节点 到所述第j个节点之间的运输路径<1，^>，当xijk = 0,第k个牵引车Kk不经过所述第i个节 点到所述第j个节点之间的运输路径<i，j > ;当yug= 1时，表示第g个挂车Gg经过所述第i 个节点到所述第j个节点之间的运输路径<1，^'>，当yug = 〇时，表示第g个挂车Gg不经过所 述第i个节点到所述第j个节点之间的运输路径<1^>;[1化第旨个挂车68在运输路径<1^ >上的配送成本;当hkg=l时，表示第k个牵引车Kk拖挂第g个挂车Gg，当hkg = 0时，表示第k个 牵引车Kk没有拖挂第g个挂车Gg;
[0097] 式(2)表示第k个牵引车Kk的站点约束，U表示在运输路径<1^>上所需牵引车的 车辆总数；即牵引车必须从站点或者甩挂点出发，完成相应的配送任务后在回到相应的站 点或者甩挂点，同时需要满足从站点或者甩挂点出发的牵引车数等于返回站点或者甩挂点 的牵引车且小于等于所需牵引车数。
[0098] 式(3)表示第g个挂车Gg的站点约束，V表示在运输路径<1^>上所需挂车的车辆 总数；即由牵引车拖挂着的挂车必须从站点或者甩挂点出发，完成相应的配送任务后在回 到相应的站点或者甩挂点，同时需要满足从站点或者甩挂点出发的挂车数等于返回站点或 者甩挂点的牵引车且小于等于所需挂车数。
[0099] 式(4)和式（5)表示第k个牵引车Kk的访问唯一性约束；即每个任务节点只能被同 一辆的牵引车有且仅且服务一次。
[0100] 式(6)和式(7)表示第g个挂车Gg的访问唯一性约束；即每个任务节点只能被同一 辆的挂车有且仅且服务一次。
[0101] 式(8)表示在第k个牵引车Kk拖挂第g个挂车Gg进入第i个节点时的容积约束；即在 路径<1，^>上所需容积之和是不得超过配送牵引车所拖挂着挂车的最大容积之和；<4表 示第k个牵引车Kk进入第j个节点前在运输路径<i，j>上所需的容载量;Qk表示所述第k个 牵引车Kk的容载量;也表示第g个挂车Gg的容载量；
[0102] 式(9)表示在第k个牵引车Kk拖挂第g个挂车Gg完成第i个节点时的容积约束；即此 时在路径<1，^'>上的所需的容积之和是不小于配送牵引车所拖挂着挂车的最大容积之 和；馬表示第k个牵引车Kk离开第j个节点后在运输路径<i，j>上所需的容载量；
[0103] 式（10)表示第j个节点的时间约束；即进行配送任务牵引车和所拖挂着挂车到达 任务节点j的时间不得早于任务j最早可W被服务的时间不得晚于任务j最迟可W被服务的 时间；ej表示第j个节点的配送任务最早能进行配送的时间;atj表示第k个牵引车Kk拖挂第g 个挂车Gg到达第j个节点的配送时间；表示第j个节点的配送任务最晚能进行配送的时间；
[0104] 式（11)表示第i个节点和第j个节点的时间约束，tu表示第k个牵引车Kk拖挂第g个 挂车Gg在运输路径<1^>上的行驶时间；ati表示表示第k个牵引车Kk拖挂第g个挂车Gg到 达第i个节点的配送时间;wti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点的等待时 间；sti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点所花费的配送时间；Τ表示为一个 足够大的整数；
[0105] 式（12)表示第k个牵引车Kk在配送网络V中的次回路约束；即消除配送路径中的可 能出现的次回路;P表示第k个牵引车Kk在配送网络V中访问过的节点；fcSU点;|P| >2;
[0106] 式(13)表示第g个挂车Gg在配送网络V中的次回路约束；
[0107] 式(14)表示决策变量的取值范围。
[0108] 步骤2、对甩挂运输任务分配模型的进行编码并利用贪婪算法生成初始种群；
[0109] 步骤2.1、根据编码规则，对所述配送网络V中的所有节点进行编号，记为1，2， 3，...，N;
[0110] 步骤2.2、定义染色体的个数为ε，并初始化ε = 1;染色体即为解的编码，在本实例 中是由节点编号组成的序列；
[0111] 步骤2.3、从车场站点和甩挂站点组成的点集S中随机选取第0个节点作为起始点；
[0112] 初始化0 = 1，并形成第ε个染色体的第0个基因；基因为解中每一分量的特征，在本 实例是指每条染色序列中每个节点的编号；
[0113] 步骤2.4从第σ个节点分别到剩下的Ν-σ个体节点中选择目标函数值最大的节点作 为第0+1个节点，并形成第ε个染色体的第σ+1个基因；
[0114] 步骤2.5、将σ+1赋值给0,并重复步骤2.4,直至Ν=σ为止，从而得到第ε个染色体的 Ν个基因；
[0115] 步骤2.6、将ε+1赋值给ε，并重复步骤2.3至步骤2.5，直至形成有Ε个染色体组成的 初始种群为止。
[0116] 步骤3、利用遗传算法对甩挂运输任务分配模型进行优化，从而获得最优解；
[0117] 步骤3.1、将在步骤2中产生初始种群记为POP(t)，并初始化t = l;
[0118] 步骤3.2、分别计算第t代种群POP(t)中E个染色体的目标函数，并将E个目标函数 中的最小值记为.妃h ;
[0119] 步骤3.3、定义变量ε，并初始化ε = 1;
[0120] 步骤3.4、利用式（15)获得第*代种群？0?(〇中第6个染色体口〇口6(*)的适应函数 /尸：
[0121]
[0122]式(15)中，F表示目标函数；
[012；3] 步骤3.5、利用式(16)获得第t代种群P0P(t)中第ε个染色体popε(t)的概率クf);
[0124]
[0125] 步骤3.6、利用式（17)计算出第*代种群口0口(〇中第6个染色体口〇口6(〇的累积概率 沾'：
[0126]
[0127]步骤3.7、利用轮盘赌的方法从第t代种群POP(t)中选择出E个染色体，从而产生第 t+1代种群P0P(t+l);轮盘赌是一常用的随机选择方法，个体适应度按比例转换为选择的概 率，按个体所占的比值在一圆盘上进行比例划分，每次转动圆盘后待圆盘停止后指针停靠 扇区对应的个体为选中的个体，在本发明中具体操作为利用随机函数产生一个在[0，1]之 间的随机数r，判断累积概率若)与r，若说< ^挣，则第ε个染色体popE(t)被选中。
[01%]步骤3.8、对第*+1代种群吐〇33?0?^+1)中的染色体进行两两单点交叉操作；即对 要交叉的两条染色体上选择同一个位置作为交叉点，交换两条染色体交叉点后面的所有的 基因，从而形成第t+1代交叉种群化ossP0P(t+l);
[0129] 步骤3.9、对第*+1代交叉种群吐〇33?0?^+1)中的染色体进行随机两个位置的变 异操作；即按照变异概率Pm(0<^<l)随机选择染色体上的两个位置，将其基因进行交换； 从而形成第t+1代变异种群Mu巧0P(t+l);
[0130] 步骤3.10、W第t+1代变异种群Mu巧0P(t+l)作为第t代种群POP(t)，并返回步骤 3.2顺序执行，直到所获得染色体不再改变为止，从而获得不变的染色体作为最优解输出。
[0131] 步骤4、W最优解所对应的方案作为所述甩挂运输任务分配问题的最优方案。
【主权项】
1. 一种甩挂运输的任务分配方法，其特征是应用于由牵引车、挂车、车场站点、甩挂点 和任务节点组成的配送网络中；将所述配送网络记为有向图V(S，R，E);S表示由所述车场站 点和甩挂点组成的点集;R表示任务节点集合;E= {〈i，j> | i，j S UR}表示点集S和任务节点 集合R中任意第i个节点和第j个节点之间的运输路径集合； 将所述牵引车记为Κ= {Κι，Κ2,…，Kk，···，kn}; 1 < k < n;Kk表示第k个牵引车； 将所述挂车记为G =他，G2，…，Gg，…，Gm}; 1 < g < G; Gg表示第g个挂车； 所述甩挂运输的任务分配方法是按如下步骤进行： 步骤1、建立甩挂运输任务分配模型； 步骤2、对所述甩挂运输任务分配模型的进行编码并利用贪婪算法生成初始种群； 步骤3、利用遗传算法对所述甩挂运输任务分配模型进行优化，从而获得最优解； 步骤4、以所述最优解所对应的方案作为所述甩挂运输任务分配问题的最优方案。2. 根据权利要求1所述的甩挂运输任务分配方法，其特征是，所述步骤1中的甩挂运输 任务分配模型为： 目标函数：式(1)表示完成任务所获得的最大收益；当W = 1时，表示完成第j个节点的配送任务，当 zj = 0时，表示没有完成第j个节点的配送任务;表示完成第j个节点配送任务所获得的报 酬;表示主动取消第j个节点配送任务时所需支付的惩罚成本;bljk表示第k个牵引车Kk在 运输路径<1，」>上的配送成本；当X#=l时，表示第k个牵引车K k经过所述第i个节点到所 述第j个节点之间的运输路径<i，j >，当Xijk = 0，第k个牵引车Kk不经过所述第i个节点到 所述第j个节点之间的运输路径<1，j> ; iyijg=l时，表示第g个挂车Gg经过所述第i个节 点到所述第j个节点之间的运输路径<1，」>，当y& = 〇时，表示第g个挂车Gg不经过所述第 i个节点到所述第j个节点之间的运输路径<1，」>;(3&第8个挂车68在运输路径<1，」>上 的配送成本;当hk g= 1时，表示第k个牵引车Kk拖挂第g个挂车Gg，当hkg = 0时，表示第k个牵引 车Kk没有拖挂第g个挂车Gg; 式(2)表示第k个牵引车Kk的站点约束，u表示在运输路上所需牵引车的车辆 总数； 式(3)表示第g个挂车Gg的站点约束，v表示在运输路上所需挂车的车辆总数； 式(4)和式(5)表示第k个牵引车Kk的访问唯一性约束； 式(6)和式(7)表不第g个挂车Gg的访问唯一"性约束； 式(8)表示在第k个牵引车Kk拖挂第g个挂车Gg进入第i个节点时的容积约束；表示第 k个牵引车Kk进入第j个节点前在运输路径<i，j>上所需的容载量;Qk表示所述第k个牵引 车Kk的容载量;Q g表示第g个挂车Gg的容载量； 式(9)表示在第k个牵引车Kk拖挂第g个挂车Gg完成第i个节点时的容积约束;^表示第k 个牵引车Kk离开第j个节点后在运输路径<i，j>上所需的容载量； 式（10)表示第j个节点的时间约束;W表示第j个节点的配送任务最早能进行配送的时 间；at」表示第k个牵引车Kk拖挂第g个挂车Gg到达第j个节点的配送时间山表示第j个节点 的配送任务最晚能进行配送的时间； 式（11)表示第i个节点和第j个节点的时间约束，如表示第k个牵引车Kk拖挂第g个挂车 Gg在运输路径<i，j>上的行驶时间；ah表示表示第k个牵引车Kk拖挂第g个挂车G g到达第i 个节点的配送时间;wti表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点的等待时间；sti 表示第k个牵引车Kk拖挂第g个挂车Gg在第i个节点所花费的配送时间；T表示为一个足够大 的整数； 式（12)表示第k个牵引车Kk在配送网络V中的次回路约束;P表示第k个牵引车Kk在配送 网络V中访问过的节点;P 》U 5 ; | P | 2 2; 式(13)表示第g个挂车Gg在配送网络V中的次回路约束； 式(14)表示决策变量的取值范围。3.根据权利要求1所述的甩挂运输的任务分配方法，其特征是，所述步骤2按如下步骤 进行： 步骤2.1、对所述配送网络V中的所有节点进行编号，记为1，2，3，…，N; 步骤2.2、定义染色体的个数为ε，并初始化ε = 1; 步骤2.3、从车场站点和甩挂站点组成的点集S中随机选取第σ个节点作为起始点； 初始化σ = 1，并形成第ε个染色体的第σ个基因； 步骤2.4从第σ个节点分别到剩下的Ν-σ个体节点中选择目标函数值最大的节点作为第 σ+l个节点，并形成第ε个染色体的第σ+l个基因； 步骤2.5、将σ+l赋值给σ，并重复步骤2.4,直至Ν = σ为止，从而得到第ε个染色体的Ν个 基因； 步骤2.6、将ε + l赋值给ε，并重复步骤2.3至步骤2.5,直至形成有Ε个染色体组成的初始 种群为止。4.根据权利要求1所述的甩挂运输的任务分配方法，其特征是，所述步骤3中是按如下 步骤进行： 步骤3.1、将所述初始种群记为POP(t)，并初始化t = 1; 步骤3.2、分别计算第t代种群POP(t)中E个染色体的目标函数，并将E个目标函数中的 最小值记为<in; 步骤3.3、定义变量ε，并初始化ε = 1; 步骤3.4、利用式(15)获得第丨代种群?0?(〇中第￡个染色体?叩办)的适应函数乂七 式(15)中，F表示目标函数；步骤3.5、利用式(16)获得第七代种群?0?(〇中第￡个染色体?叩办)的概率4):步骤3.6、利用式(17)计算出第七代种群?0?(〇中第￡个染色体?叩办)的累积概率#:步骤3.7、利用轮盘赌的方法从第t代种群POP(t)中选择出Ε个染色体，从而产生第t+1 代种群P〇P(t+l); 步骤3.8、对第t+1代种群Cr〇SSP0P( t+1)中的染色体进行两两单点交叉操作;从而形成 第t+Ι代交叉种群CrossPOP(t+l); 步骤3.9、对第t+1代交叉种群Cr〇SSP0P( t+1)中的染色体进行随机两个位置的变异操 作;从而形成第t+Ι代变异种群MutP0P(t+l); 步骤3.10、以第七+1代变异种群1此?0?&+1)作为第七代种群?0?(〇，并返回步骤3.2顺 序执行，直到所获得染色体不再改变为止，从而获得不变的染色体作为最优解输出。
【文档编号】G06Q50/28GK105825303SQ201610157900
【公开日】2016年8月3日
【申请日】2016年3月17日
【发明人】马华伟, 陶蕾, 胡笑旋, 罗贺, 靳鹏, 夏维, 郝明治, 胡明明
【申请人】合肥工业大学