[发明专利]基于蚁群优化算法的智慧城市动态冷链物流调度方法

权利要求书

1.一种基于蚁群优化算法的智慧城市动态冷链物流调度方法，其特征在于，所述的调度方法包括下列步骤：

S1、找出第i次调度中参与分配的订单集合以及参与路径规划的订单集合，i＝1,2,3,…；

S2、实施双信息素策略，定义两种信息素并对其进行初始化，其中一种信息素vτ设置于参与第i次分配的订单与所有冷藏车之间，另一种信息素oτ设置于所有参与第i次路径规划的订单之间；

S3、实施预剪枝策略，具体实施方式是在实行订单分配之前根据启发式信息weight(o,v)为每个订单划分合适的冷藏车选择范围Vset(o)，其中，weight(o,v)的计算方式为

其中，depart_p(v,i)是冷藏车所在地，depot(o)是订单o货物所在的冷库，dis(depart_p(v,i),depot(o))是depart_p(v,i)与depot(o)的距离，load_order(v,i)是第i次调度开始前冷藏车v已装载且待配送的订单集合，|load_order(v,i)|表示集合load_order(v,i)的元素个数，dis(midpos(v),dest(o))是midpos(v)与dest(o)的距离，midpos(v)是load_order(v,i)中订单目的地的中心，dest(o)是订单o目的地；

S4、实施记忆学习策略，具体实施方式是使用第i-1次调度得到的适应值最好的解s更新信息素，更新方式为

vτ(o,v)＝vτ(o,v)+rand(0,0.1)×(F_s)^-1 (2)

oτ(o,w)＝oτ(o,w)+rand(0,0.1)×(F_S)^-1 (3)

其中，vτ(o,v)代表订单o和冷藏车v之间的信息素，而oτ(o,w)代表订单o和订单w之间的信息素，rand(0,0.1)是0至0.1之间的随机小数，F_s是s的适应值；

其中，如果i＝1，即本次调度是第一次调度，不存在历史经验，故不执行记忆学习策略；如果i1，则将memory(i-1)中的解按照适应值从小到大进行排序，选择排名小于等于的解构成集合Sol，并对Sol中的每个解进行学习，其中lr是[0,1]之间的一个参数，pop是种群大小，表示向上取整运算，变量memory(i-1)存储的是第i-1次调度过程中排名在pop以内的解，对于集合Sol中的解s,如果本次调度参与分配的订单o出现在s中，且被s分配给冷藏车v，根据公式(2)随机增加o和v之间的信息素vτ(o,v)；同样地，如果本次调度参与路径规划的订单o和订单w的目的地在s中被某辆冷藏车连续访问，则根据公式(3)随机增加o和w之间的信息素oτ(o,w)；

S5、使用蚁群优化算法构建解，蚁群优化算法首先将第i次调度中参与分配的订单按照轮盘赌选择法依次分配给冷藏车，接着，每只蚂蚁按照统一的订单分配方案，依次为每辆冷藏车构建配送路径，即确定订单配送顺序；

其中，在订单分配阶段，订单o被分配给冷藏车v的概率p₁(o,v)为

其中Vset(o)是订单o的冷藏车选择范围，weight(o,v)是订单o与冷藏车v之间的启发式信息，α为指数系数，另外，当一只蚂蚁完成路径构建后，对信息素oτ进行局部更新，当所有蚂蚁完成路径构建后，找出全局最优解，对信息素vτ和oτ进行全局更新。

2.根据权利要求1所述的基于蚁群优化算法的智慧城市动态冷链物流调度方法，其特征在于，所述S3中，在分配订单o时，首先对所有冷藏车计算weight(o,v)，只有排名小于等于的冷藏车才能被划分进订单o的冷藏车选择范围Vset(o)，V是冷藏车的数量，sr为调整参数，表示向上取整运算。

3.根据权利要求2所述的基于蚁群优化算法的智慧城市动态冷链物流调度方法，其特征在于，所述的调整参数sr设置为0.4。

4.根据权利要求1所述的基于蚁群优化算法的智慧城市动态冷链物流调度方法，其特征在于，所述的指数系数α设置为2。