[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

说明书

本发明公开了一种动态车辆配送任务的路径规划方法、电子设备和存储介质，该方法包括：1建立车辆配送任务模型；2全局变量初始化；3获取在当前时间片出现的新的仓库需求；4更新待访问的仓库需求集合；5基于泊松分布规律，得到当前时间片的虚拟仓库需求位置集合；6构造虚拟仓库需求信息7利用基于倾斜变邻域下降搜索的路径求解器进行求解，从而得到当前时间片下的路径规划方案；8车队中的各辆车按照路径规划方案执行配送任务；9若达到终止循环条件则返回路径规划方案，否则返回步骤3。本发明能通过需求点预测的方法模拟出仓库位置，并将其放入求解器中进行计算，从而使路径规划方案更适应于未来的动态变化。

技术领域

本发明属于车辆路径优化领域，具体的说是一种动态车辆配送任务的路径规划方法、电子设备和存储介质。

背景技术

物流的配送运输是物流系统中的重要环节，选择合理的配送路径，可以减少运输距离和运输时间，降低燃油消耗，具有极高的经济意义与环保意义。

针对动态配送任务的路径规划方法主要可以分为精确算法与元启发式算法两类。精确算法包括：分支定界法、整数线性规划法和动态规划法。这些精确方法只适用于较小规模的动态配送任务，因为将精确算法应用于大规模车辆配送任务是非常耗时的，精确算法不能在合理时间内找到任务的最优解。元启发式算法包括蚁群算法、粒子群算法、遗传算法和局部搜索等。蚁群算法是受自然界中蚂蚁搜索食物行为的启发，采用正反馈机制在目标空间不断搜索，逐渐逼近最优解。但是蚁群算法收敛速度慢，需要较长的搜索时间才能获得最优解，且当种群中信息素匮乏时容易陷入局部最优。粒子群算法的思想源于对鸟群、鱼群捕食行为的研究，利用群体中的个体的信息共享的功能，从而获得任务的最优解。但是粒子群算法易发生早熟现象，陷入局部最优。遗传算法是一种模仿自然选择过程的搜索启发式算法，它利用遗传、变异、选择和交叉等自然进化技术产生待优化任务的路径规划方案。遗传算法具有较好的全局寻优能力，但也存在搜索效率较低导致收敛速度较慢等缺点。局部搜索作为一种通用的求解组合优化问题的元启发式算法，具有收敛速度快、收敛效果好等特点，因此在车辆配送任务路径规划中得到了广泛应用。

但是在这些解决动态车辆路径问题时都有一个默认的处理方式，即将整个工作日划分成连续的时间片并生成静态车辆路径问题，然后再利用求解器解决这些静态问题。这样做会导致一些求得的路径质量十分依赖于客户出现的顺序，如果一些位置较远的客户过早地出现，则会让解决过程受到误导，从而得到不理想的解决方案。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种动态车辆配送任务的路径规划方法、电子设备和存储介质，以期能通过现有的客户先验知识从而预测出客户的位置分布情况，并利用这个位置分布情况对求解过程和执行过程进行引导，从而使得到的路径规划方案更适应于未来的动态变化。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种动态车辆配送任务的路径规划方法的特点在于，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；