[发明专利]动态车辆配送任务的路径规划方法、电子设备和存储介质

权利要求书

1.一种动态车辆配送任务的路径规划方法，其特征在于，包括如下步骤：

步骤一：获取仓库站点的总数N、车队的车辆总数K、车辆运行速度SP、车辆的最大载荷量Q；

获取仓库站点的位置信息Loc＝{Loc₁，Loc₂，...，Loc_i，...，Loc_N}，其中，Loc_i表示第i个仓库站点的位置信息；

获取仓库站点的需求量D＝{D₁，D₂，...，D_i，...，D_N}，其中，D_i表示第i个仓库站点的需求量；

获取仓库站点的停留时间DUT＝{DUT₁，DUT₂，...，DUT_i，...，DUT_N}，其中，DUT_i表示第i个仓库站点的需求量；

获取各个仓库站点的需求量出现的概率集合P＝{P₁，P₂，...，P_i，...，P_N}，其中，P_i表示第i个仓库站点的需求出现的概率；

获取各个仓库站点的需求量的出现时间节点集合T＝{T₁，T₂，...，T_i，...，T_N}，其中，T_i表示第i个仓库站点的需求量D_i出现的时间节点；当T_i＞0，表示第i个仓库站点的需求量D_i在时间节点T_i出现，当T_i＝0，表示第i个仓库站点的需求量D_i在工作日开始前已存在，当T_i＜0，表示第i个仓库站点的需求量D_i不会出现；

定义仓库站点的信息集合DATA＝{DATA₁，DATA₂，...，DATA_i，...，DATA_N}，其中，DATA_i表示第i个仓库站点的信息，且DATA_i＝{i，LOC_i，T_i，D_i，DUT_i}；

获取配送站的关闭时间为TW；

定义时间片的数量为NTS；定义时间片的步长为定义当前时间片的序号为ts；

定义第ts个时间片中待访问的仓库需求集合为LEF^ts；

定义第ts个时间片结束时已经被执行的仓库需求集合为EXE^ts；

定义在第ts个时间片执行任务分配后车辆的运行时间集合为AT^ts＝{AT^ts₁，AT^ts₂，...，AT^ts_k，...，AT^ts_K}，其中，AT^ts_k表示第k辆车在第ts个时间片对应的运行时间；

步骤二：初始化ts＝1；初始化第ts-1个时间片中待访问的仓库需求集合LEF^ts-1为空集；初始化第ts-1个时间片结束时已经被执行的仓库需求集合EXE^ts-1为空集；初始化在第ts-1个时间片执行任务分配后车辆的运行时间集合AT^ts-1中的所有运行时间均为TSL；

步骤三：获取在第ts个时间片出现的新的仓库需求；

步骤3.1：定义在第ts个时间片出现的新的仓库需求为NEW^ts，并初始化NEW^ts为空集；

步骤3.2：对DATA进行遍历：

若(ts-1)×TSL≤T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合NEW^ts；否则，继续遍历；

步骤四：将LEF^ts-1赋值给LEF^ts，并将NEW^ts中的元素加入到集合LEF^ts；

步骤五：基于泊松分布规律，得到第ts个时间片的虚拟仓库需求位置集合SE^ts：

步骤5.1：定义第ts个时间片结束时已经出现需求量的仓库站点集合为AP^ts，并初始化为AP^ts空集；定义第ts个时间片结束时未出现需求量的仓库站点集合为BP^ts，并初始化为BP^ts空集；

步骤5.2：对DATA进行遍历：

若T_i≤ts×TSL，则将第i个仓库站点的信息DATA_i加入集合AP^ts；否则，则将第i个仓库站点信息DATA_i加入集合BP^ts；

步骤5.3：对概率集合P进行概率修正，得到修正后的第ts个时间片下需求量的出现概率集合NP^ts：

步骤5.3.1：利用式(1)估计所有时间片结束时的需求数量nl：

nl＝floor(∑_i∈NP_i)  (1)

式(1)中，floor表示向下取整操作；

步骤5.3.2：利用式(2)得到修正后的第ts个时间片下第i个仓库的需求量D_i的出现概率NP_i^ts，从而得到出现概率集合NP^ts＝{NP₁^ts，NP₂^ts，...，NP_i^ts，...，NP_N^ts}；

式(2)中，|AP^ts|表示集合AP^ts中仓厍站点的数量，|BP^ts|表示集合BP^ts中仓厍站点的数量；

步骤5.4：设置聚类数量为NC，利用K-MEANS聚类算法对未出现需求量的仓库站点集合BP^ts中的各个仓库站点按照其位置信息进行聚类划分，得到NC个聚类集合CLU^ts＝{CLU₁^ts，CLU₂^ts，...，CLU_j^ts...，CLU_NC^ts}，其中，CLU_j^ts表示第ts个时间片下的第j个聚类，令第j个聚类CLU_j^ts的聚类中心为CENj^ts；

步骤5.5：利用式(3)得到第ts个时间片下第j个聚类CLU_j^ts的点亮权重PW_j^ts，从而得到第ts个时间片下的点亮权重集合PW^ts＝{PW₁^ts,PW₂^ts，...，PW_j^ts，...，PW_NC^ts}：

式(3)中，NP_j，M^ts表示修正后的第j个聚类CLU_j^ts中第M个仓库站点Cus_j，M^ts的需求量D_j,M的出现概率；

步骤5.6：利用式(4)得到第ts个时间片下第j个聚类CLU_j^ts的点亮概率PL_j^ts，从而得到第ts个时间片下点亮概率集合PL^ts＝{PL₁^ts，PL₂^ts，...，PL_j^ts，...PL_NC^ts}：

步骤5.7：利用点亮概率集合PL^ts得到虚拟仓库需求位置集合SE^ts；

步骤5.7.1、初始化SE^ts为空集；

步骤5.7.2、利用随机数生成器生成第ts个时间片下的随机数集合R＝{R₁，R₂，...，R_u，...，R_NC}；其中，R_u表示第u个随机数；初始化u＝1；

步骤5.7.3、如果R_u≤PL_u^ts，则将第u个聚类CLU_u^ts的聚类中心CENu^ts添加到SE^ts中，否则，将u+1赋值给u后，继续执行步骤5.7.3，直到j＞NC为止，从而得到最终的虚拟仓库需求位置集合SE^ts；其中PL_u^ts表示第ts个时间片下第u个聚类的点亮概率PL_j^ts

步骤六：根据SE^ts、LEF^ts构造虚拟仓库需求信息；

步骤6.1、计算LEF^ts中所有仓库需求量的均值BD^ts；

步骤6.2、定义虚拟仓库站点的信息集合DSE^ts＝{DSE^ts₁，DSE^ts₂，...，DSE^ts_j，...，DSE^ts_NC}，其中，DSE^ts_j表示第j个虚拟仓库站点的信息，且|LEF^ts|表示集合LEF^ts中的元素数目；TSE表示虚拟仓库站点的出现时间，并设置为0；DUSE表示虚拟仓库站点的服务时间，并设置为0；

步骤七：利用基于倾斜变邻域下降搜索的路径求解器RVNS对集合LEF^ts和DSE^ts中的仓库站点信息进行求解，从而得到第ts个时间片下的路径规划方案其中，s_r^ts表示第ts个时间片下的第r条路径，R^ts表示第ts个时间片的路径总数，R^ts＜K；且LS_r^ts表示第ts个时间片下第r条路径s_r^ts中的仓库数量，c_r,l^ts表示第r条路径s_r^ts中第l个被访问的仓库编号；

步骤八：车队中R^ts辆车辆分别按照第ts个时间片下的路径规划方案s^ts中的各条路径执行配送任务；

步骤8.1、定义循环变量r，并初始化r＝1；

步骤8.2、定义at_r^ts表示第ts个时间片下第r条路径s_r^ts中第r辆车辆的行驶时间，并初始化at_r^ts＝AT^ts-1_r；AT^ts-1_r表示第r辆车在第ts-1个时间片对应的运行时间；

初始化l＝2；

步骤8.3、如果c_r,l^ts∈EXE^ts-1，则跳转到步骤8.6；否则，执行步骤8.4；

步骤8.4、如果c_r,l^ts＞|LEF^ts|，则跳转到步骤8.7；否则，执行步骤8.5；

步骤8.5、如果且则将c_r,l^ts加入集合EXE^ts-1，并且将赋值给at_r^ts，并执行步骤8.6；否则，跳转到步骤8.7；其中，表示第c_r,l^ts个仓库的服务时间，c_r,l-1^ts表示第r条路径s_r^ts中第l-1个被访问的仓库编号；表示第c_r，u^ts个仓库的需求量；

步骤8.6、将l+1的值赋值给l，返回步骤8.3，直到l＞LS_r^ts为止；

步骤8.7、将at_r^ts赋值给AT^ts_r；将r+1的值赋值给r，返回步骤8.2顺序执行，直到r＞R^ts为止；其中，AT^ts_r表示第r辆车在第ts个时间片对应的运行时间；

步骤8.8、将EXE^ts-1赋值给EXE^ts，并将LEF^ts与EXE^ts中的公共元素从LEF^ts中删除；

步骤九：将ts+1的值赋值给ts，返回步骤三；直到ts＞NTS为止，从而得到最终的第NTS时间片下的路径规划方案s^NTS。