[发明专利]一种基于改进遗传算法的家电回收车辆路径规划方法

说明书

本发明公开了一种基于改进遗传算法的家电回收车辆路径规划方法。首先，将家电回收车辆路径规划问题建模成为以最小化运输成本为优化目标的数学模型；然后，利用基于高斯矩阵变异算子的改进遗传算法进行求解。该算法利用原始站点数据信息中隐含的站点位序分布特性建立高斯概率矩阵，之后生成初始种群，计算个体适应度，进行选择、交叉和变异操作，不断进行迭代优化，直到满足停止条件。在变异操作中，将高斯矩阵变异算子作用于个体基因突变，在保证种群基因多样性的同时，引导种群向高适应度方向进化。本发明在保证较高求解精度的同时，有效提升了算法运行速度，降低了算法运行耗时。

技术领域

本发明涉及家电回收车辆路径规划领域，尤其涉及一种基于改进遗传算法的家电回收车辆路径规划方法。

背景技术

随着居民生活水平的提高，家用电器的更新换代速度不断加快，报废家电数量持续增长。依据生产者责任延伸制，家电生产企业有责任对废旧家电进行回收、拆解和再利用。回收过程中需要为回收车辆规划合理的运输路径，从而达到提高运输效率及降低运输成本的目的。家电回收车辆路径规划问题本质上是旅行商问题(Travelling salesmanproblem,TSP)的变体问题。它考虑单个车辆从起点出发，途中从各个站点装载废旧家电并运输至最终回收点，寻找运输成本最小的行驶路径。

遗传算法(Genetic Algorithm，GA)是一种模拟生物在自然界中的遗传和进化过程的自适应全局优化搜索算法。它借鉴自然界中种群个体的遗传过程，采用群体搜索技术，以决策变量的编码作为操作对象，个体的染色体与问题的可行解相对应，种群构成整个可行解集合。适应度函数是遗传算法中判断个体优劣的评价指标，适应度函数的选取决定了种群进化的方向，种群个体依据适应度进行选择排序，利用基因交叉、变异等操作产生下一代种群，经过多次的迭代优化，种群向高适应度方向不断进化，最终得到问题的近似最优解。

运输成本作为家电回收车辆路径规划问题的优化目标，由车辆自重的运输成本和运载家电的运输成本两部分组成。车辆自重的运输成本最小化问题在确定站点访问顺序时只需考虑站点间的距离。家电的运输成本最小化问题在确定站点访问顺序时除了需要考虑站点间的距离之外，还需要考虑各站点的家电回收数量。在解决该问题时需权衡由于车辆自重和装载货物产生的运输成本。遗传算法相较于其它算法，具备较强的随机搜索能力，具有实现简单、灵活性高和易扩展等特性，但是传统的遗传算法在求解家电回收车辆路径规划问题时存在收敛速度慢、容易早熟等问题。

发明内容

本发明所要解决的技术问题是针对背景技术中提到的缺陷，提供一种基于改进遗传算法的家电回收车辆路径规划方法，在保持较高的求解质量的同时，克服传统遗传算法收敛速度慢、算法耗时长，难以兼顾种群多样性和收敛速度的问题。

本发明为解决上述技术问题采用以下技术方案：

一种基于改进遗传算法的家电回收车辆路径规划方法，其特征在于：包括以下步骤：

(1)建立家电回收车辆路径规划数学模型；

(2)利用改进的遗传算法进行求解；

(3)输出家电回收车辆运输成本最小的路径规划行驶路径。

与现有技术相比，本发明的有益效果：

1、本发明采用基于高斯矩阵变异算子的改进遗传算法，为家电回收车辆的路径进行规划。该方法在保证较高求解质量的同时，有效解决了传统遗传算法的收敛速度慢，容易陷入局部最优，难以兼顾全局寻优能力和收敛速度的问题。

2、本发明充分挖掘回收站点的原始数据中的先验信息，利用其中隐含的站点位序分布特性构建高斯概率变异矩阵，引导种群向高适应度方向进化，改进的遗传算法更加适用于家电回收车辆路径规划问题的求解。

3、本发明方法应用于回收过程中为回收车辆规划合理的运输路径，达到提高运输效率及降低运输成本的目的。

附图说明