[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

说明书

本发明公开了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，涉及智慧物流和智能计算技术领域。本发明建立了面向动态场景的冷链物流调度模型，与传统冷链物流调度模型不同的地方在于该模型考虑了动态场景中订单信息变化以及冷藏车状态变化等因素。同时，该模型还考虑了配送前先取货的要求，更加贴近现实调度场景。为了求解该模型，本发明基于蚁群优化算法设计了一种调度方法。该方法将调度过程划分为订单分配和路径规划两个阶段，同时集成了双信息素策略、预剪枝策略和记忆学习策略，能够有效地缩小搜索空间并利用历史经验。实验证明，与先到先服务等调度方法相比，本方法具有更好的性能，即获得的调度方案具有更低的成本。

技术领域

本发明涉及智慧物流和智能计算技术领域，具体涉及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。

背景技术

作为物流产业的一个重要分支，冷链物流在现代生活和智慧城市的建设中发挥着重要的作用。冷链物流的主要运输对象是对运输环境的温湿度有较高要求的物品，包括但不限于生鲜，电子元件和医药制品等。由于冷藏技术限制，货物的质量在运输过程中随着时间逐步下降。货物经历的运输时长越长，质量损失就越严重。货物的质量是影响客户满意度的一个重要因素，因而也对物流公司的竞争力有着极大的影响。因此，与普通物流调度相比，冷链物流调度除了要保证货物及时送达，还应当尽量减少运输造成的质量损失。增加了质量损失因素的物流调度模型作为新的物流调度模型，也带来了新的挑战。

有关数据显示，冷链物流运输过程中由于质量损失造成的浪费相当严重。为了缓解这种现象，除了改进冷藏技术，还可以通过设计一种高效的调度方法来提高运输效率。另外，目前关于冷链物流调度的工作大多数都是基于静态环境的调度。这里基于静态环境的冷链物流调度指的是在调度开始时，所有订单信息都是已知的，且所有冷藏车都位于初始位置，处于初始状态。相比之下，基于动态环境的冷链物流调度则代表在调度开始时，仅有部分订单信息已知，且冷藏车所在位置及状态(比如：剩余容量)不一。同时，考虑到动态冷链物流调度的时间跨度较大，为了避免过度等待导致订单无法及时配送，需要每隔一段时间对该时段内接收的订单进行调度。事实上，基于动态环境的冷链物流调度更贴近实际的调度场景。同时，基于动态环境的冷链物流调度也更具有挑战性。

作为一种重要且有效的群体智能优化算法，蚁群优化算法主要通过模拟自然界中蚁群的觅食行为来构造解，具有良好的全局搜索能力。另外，由于蚁群优化算法通过蚂蚁的移动逐步完成解的构造，该算法在解决离散组合优化问题时具有天然的优势，因而被广泛地应用于解决复杂的离散组合优化问题。同时，区别于其它群体智能优化算法，蚁群优化算法的启发式信息引入了问题相关的知识。通过设计合适的启发式信息，蚁群优化算法可以快速地找到高质量的解。动态冷链物流调度的任务主要是将订单配送任务分配给冷藏车，同时为冷藏车规划配送路线，本质上仍然属于离散组合优化问题，因此蚁群优化算法也是适用于该问题的。此外，考虑到动态冷链物流调度的复杂性，为了达到更好的调度效果，可以在蚁群优化算法的基础上设计一种新的调度优化方法。

发明内容

本发明的目的在于拓展冷链物流调度在动态场景中的研究，即面向动态冷链物流调度场景建立相应的调度模型，同时提供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。考虑到动态场景中存在订单信息变化和冷藏车状态变化(比如，实时位置，载荷变化)等特点，该方法将动态冷链物流调度问题的每次调度过程划分为订单分配和路径规划两个阶段，接着在满足模型约束条件的前提下，设计合理的订单分配方案，再进一步规划配送路径，从而尽可能减少配送成本。为了进一步提升调度性能，该方法还集成了双信息素策略、预剪枝策略以及记忆学习策略。

本发明的目的可以通过实施以下技术方案达到：

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，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,…；