[发明专利]一种基于改进混合蚁群算法的物流路径规划方法

权利要求书

1.一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，包括：

S1：根据物流中配送点与配送点的路线关系、配送点与配送中心的路线关系以及各个配送点、配送路线配送车辆的约束信息生成物流配送任务调度网络模型；

S2：综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数；

S3：根据物流配送的路径规划设计改进混合蚁群算法；

S4：采用改进混合蚁群算法求解目标函数，并以NSGA-III快速非支配排序算法获取更好的非支配解，得到非支配解解集，从非支配解解集中获取物流配送路径规划的最优解。

2.根据权利要求1所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，综合考虑最小化成本、最小化客户失望度以及驾驶员负载不均衡最小化三项目标，建立物流配送任务调度网络模型的目标函数，包括：

最小化成本成本函数：

其中，f₁表示最小化总成本的目标函数，表示配送时产生的运输成本以及未能在时间窗内完成配送任务所产生的惩罚成本；c表示单位距离所产生的配送成本，d_ij表示配送点i与j之间的距离，表示物流车辆k服务配送点i后是否服务配送点j，p_i表示未能在时间窗内服务所产生的惩罚成本，n表示配送点数量；

最小化客户失望度成本函数：

其中，f₂表示最小化客户的平均失望度的目标函数，down_i表示客户的失望度，[ET_i,LT_i]表示节点i的时间窗范围，表示配送点i最佳服务时间窗，t_i表示为客户提供的服务时间，如果为客户提供服务时间t_i在最佳服务时间窗内，那么客户的失望度为0，为客户i提供服务的时间距离最佳服务时间窗越远，配送点i的失望度越高，在服务时间窗[ET_i,LT_i]外为配送点i提供服务时失望度为1，且会产生惩罚成本，n表示配送点数量；

最小化驾驶员负载不均衡成本函数：

其中，W_k表示配送车辆k的配送距离，d_ij表示配送点i与j之间的距离，表示车辆k服务配送点i后是否服务配送点j，车辆配送间的距离是不平衡的，K表示配送车辆数量。

3.根据权利要求1所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，根据物流配送的路径规划设计改进混合蚁群算法，包括：

在算法的初始阶段，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索；采用分段函数来改进信息素挥发因子，得到分段式的信息素挥发因子；精英蚁群采用蚁周模型来更新信息素，普通蚂蚁采用蚁量模型来更新信息素；采用3-opt算法来提高混合蚁群算法的局部搜索能力。

4.根据权利要求3所述的一种基于改进混合蚁群算法的物流路径规划方法，其特征在于，引入节约矩阵更新概率公式引导蚂蚁进行路径搜索，包括：

其中，表示蚂蚁k服务完配送点i的客户后服务配送点j的客户的概率，V_j^k表示t时刻蚂蚁k下一步允许服务的客户集(即还没有服务的客户)；ξ和分别表示第一、第二权重系数，满足0≤ξ，且α表示信息启发式因子,反映了残留的信息量在蚁群的探索过程中的相对重要程度，β表示期望启发式因子(能见度系数)，反映了路径期望值在蚁群的探索过程中的相对重要程度；γ表示节约矩阵启发因子，反映了节约矩阵在蚁群的探索过程中的相对重要程度；η_ij表示由配送点i到配送点j的能见度，τ_ij表示配送点i到配送点j的信息素浓度，ET_j表示节点j允许的最早服务时间，LT_j表示节点LT_j允许的最晚服务时间，U_ij表示节约矩阵，t_j表示配送车辆为配送点j的客户的服务时间。