本發(fā)明涉及智能交通，具體涉及一種用于多配送物流中心站點(diǎn)選址及路徑規(guī)劃的方法。

背景技術(shù)：

1、隨著社會經(jīng)濟(jì)和電子商務(wù)的快速發(fā)展，物流運(yùn)輸需求不斷增加，物流配送中心的站點(diǎn)選取和配送路徑規(guī)劃是物流行業(yè)面臨的關(guān)鍵問題之一，合理的物流中心的位置和配送路徑，可以顯著縮短運(yùn)輸距離和時(shí)間，減少燃油消耗和人工成本，從而降低整體的物流成本，提高整個(gè)供應(yīng)鏈的運(yùn)營效率，為企業(yè)帶來顯著的成本優(yōu)勢和服務(wù)優(yōu)勢，提升企業(yè)在市場上的競爭力。

2、過去的配送物流中心受條件限制，配送中心僅為單一配送中心，一旦配送中心發(fā)生故障，將影響整個(gè)配送網(wǎng)絡(luò)，故障風(fēng)險(xiǎn)較高；同時(shí)單一站點(diǎn)配送半徑較大，需要配送覆蓋較大的地理區(qū)域，帶來較高的運(yùn)輸成本。

3、而多配送中心可以縮短配送時(shí)間，可以顯著提高運(yùn)輸效率，降低整體的物流成本。而物流配送中心選址需要盡可能的分析潛在的相關(guān)成本因素并量化這些因素，對于配送中心選址過程中數(shù)學(xué)模型的建立與解決，特別是之后的路徑規(guī)劃問題分析越來越復(fù)雜，現(xiàn)有的解決方法基本是圍繞現(xiàn)有的一定的環(huán)境條件下所提出的，如果模型改變，則需要不斷改進(jìn)方法，智能優(yōu)化算法憑借更好的全局搜索能力以及遷移適應(yīng)性，已成為研究此類問題的主流方向。

4、同時(shí)，現(xiàn)有的物流配送方案，多由人工依據(jù)經(jīng)驗(yàn)制定，制定的方案容易受主觀因素影響，缺乏系統(tǒng)性，難以在不同場景下推廣使用，為了解決該技術(shù)問題，現(xiàn)有技術(shù)中有于浩然等在《基于粒子群算法的時(shí)間約束順風(fēng)車路徑問題研究》中提出的使用粒子群算法求解時(shí)間約束下路徑規(guī)劃問題，得到近似最優(yōu)解，但運(yùn)行時(shí)間較長；胡俊橋等在《蟻群混合算法求解帶時(shí)間窗車輛路徑問題》文章中提出了使用遺傳、蟻群兩種算法融合的方法，減少車輛運(yùn)行時(shí)間和成本為目標(biāo)進(jìn)行求解，但算法參數(shù)較多，設(shè)定較為復(fù)雜。

技術(shù)實(shí)現(xiàn)思路

1、針對上述技術(shù)問題，本技術(shù)方案提供了一種用于多配送物流中心站點(diǎn)選址及路徑規(guī)劃的方法，通過建立雙層規(guī)劃模型，經(jīng)過改進(jìn)后的高爾夫算法，以其出色的魯棒性能，能有效解決現(xiàn)有的配送中心進(jìn)行選址時(shí)，設(shè)計(jì)靈活度不夠的問題；同時(shí)算法參數(shù)較少，運(yùn)行時(shí)間短，進(jìn)行路徑規(guī)劃時(shí)以總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本，在滿足客戶滿意度的同時(shí)，可以減少配送車輛的行駛里程，節(jié)省配送時(shí)間，優(yōu)化后的配送方案可以大幅提高配送效率，降低企業(yè)成本；能有效的解決上述問題。

2、本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

3、一種用于多配送物流中心站點(diǎn)選址及路徑規(guī)劃的方法，求解總成本最少的多配送中心站點(diǎn)的地址選取和配送路徑，包括以下步驟：

4、步驟1：確定配送需求點(diǎn)的位置信息，利用改進(jìn)后的k-means算法對需求點(diǎn)的位置進(jìn)行聚類劃分，將其劃分到不同的區(qū)域，接著利用最近距離法確定各個(gè)區(qū)域的配送中心站點(diǎn)位置及其所要配送的需求點(diǎn)；

5、步驟2：聚類劃分后，多配送物流中心的物流運(yùn)輸問題轉(zhuǎn)變?yōu)楦髋渌椭行恼镜脚渌托枨簏c(diǎn)之間的路徑規(guī)劃問題，使用一種雙層規(guī)劃模型，上層規(guī)劃模型以站點(diǎn)中心建設(shè)成本、貨損成本建立成本函數(shù)，下層規(guī)劃模型以車輛行駛的總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本，建立數(shù)學(xué)模型；

6、步驟3：對高爾夫優(yōu)化算法進(jìn)行改進(jìn)，基于非支配排序和擁擠度距離，將高爾夫優(yōu)化算法的探索階段變?yōu)榫⒎N群成員的位置更新，同時(shí)為加速算法收斂以及提高算法的適應(yīng)性和魯棒性，加入了自適應(yīng)動態(tài)算子改進(jìn)開發(fā)階段的位置更新；

7、步驟4：結(jié)合各配送中心到其對應(yīng)配送點(diǎn)之間的路徑，最終確定區(qū)域內(nèi)配送中心的數(shù)量和位置，同時(shí)得到最佳配送路徑規(guī)劃方案。

8、進(jìn)一步的，所述步驟1的具體操作步驟包括：

9、步驟1.1：獲取所有需求點(diǎn)的坐標(biāo)位置，設(shè)需要配送點(diǎn)的總數(shù)量為n，根據(jù)配送需求點(diǎn)的坐標(biāo)信息，選出所有配送需求點(diǎn)中距離相距為最遠(yuǎn)的2個(gè)點(diǎn)為初始聚點(diǎn)a1、a2，接著在選擇第3個(gè)聚點(diǎn)a3，聚點(diǎn)a3需要滿足自身與選取的聚點(diǎn)a1、a2之間的距離最小值等于其余點(diǎn)與聚點(diǎn)a1、a2之間距離較小者中的最大者，即可以表示為：

10、min{c(a1，a3)；c(a2，a3)}＝max{min[c(ab，a3)]}，其中b＝3，4，5，...，n

11、式中，c(a1，a3)表示聚點(diǎn)a1、a3之間的距離，c(a2，a3)表示聚點(diǎn)a2、a3之間的距離，c(ab，a3)表示聚點(diǎn)ab、a3之間的距離，n為需要配送點(diǎn)的總數(shù)量；

12、步驟1.2：按相同的原則，根據(jù)輪廓系數(shù)確定聚點(diǎn)數(shù)的值，假設(shè)聚點(diǎn)數(shù)為k時(shí)分類效果最好，將此聚點(diǎn)記為ak，其中輪廓系數(shù)的數(shù)學(xué)表達(dá)式如下：

13、d(k)＝e(logg)-logg

14、其中，d(k)表示為輪廓系數(shù)，使d(k)取得最大值的k即為最佳的聚點(diǎn)數(shù)，g為損失函數(shù)值，通過蒙特卡洛模擬產(chǎn)生，log表示為自然對數(shù)，e(logg)表示為logg的平均值；

15、步驟1.3：對客戶需求點(diǎn)進(jìn)行初始的分類；

16、設(shè)初始的聚點(diǎn)集合為a′＝{a1′，a2′，...，ak′}，根據(jù)下列數(shù)學(xué)表達(dá)式進(jìn)行分類：

17、b′e＝{c(h，ae′)≤c(h，af′)，其中e、f∈[1，k]內(nèi)的正整數(shù)且e≠f；

18、式中，b′e表示為劃分后的各個(gè)區(qū)域，h表示區(qū)域除選為配送中心的其余點(diǎn)的位置集合，ae′和af′表示聚點(diǎn)集合a′中兩個(gè)不同的聚點(diǎn)，c(h，ae′)表示h、ae′之間的距離，c(h，af′)表示h、af′之間的距離，通過歐幾里得距離公式計(jì)算各點(diǎn)到各聚點(diǎn)的距離，根據(jù)就近原則將需求點(diǎn)劃分給距離自身最近的聚點(diǎn)，從而將所有點(diǎn)劃分成k個(gè)區(qū)域；

19、設(shè)分成的k個(gè)區(qū)域每個(gè)區(qū)域的待配送點(diǎn)數(shù)分別為c1，c2，...，ck，接著通過下列公式更新配送中心的位置；

20、

21、式中，ahnew表示第h個(gè)區(qū)域的配送中心新位置，ch表示第h個(gè)區(qū)域的待配送點(diǎn)數(shù)量，表示原配送中心所屬區(qū)域的所有待配送點(diǎn)坐標(biāo)的平均值，接著，繼續(xù)尋找各區(qū)域內(nèi)的新的配送中心，并重新劃分區(qū)域，直到最后找到的配送中心的位置基本不會變化或者達(dá)到設(shè)定的最大迭代次數(shù)為止。

22、進(jìn)一步的，步驟2所述建立雙層規(guī)劃數(shù)學(xué)模型的具體操作方式為：

23、步驟2.1：建立上層規(guī)劃模型；上層規(guī)劃模型以配送中心站點(diǎn)的總建設(shè)成本、貨物損耗成本建立成本函數(shù)，數(shù)學(xué)表達(dá)式如下：

24、

25、

26、

27、

28、其中，z11表示配送中心的總建設(shè)成本，h為1到k之間的配送中心，lh表示第h個(gè)配送中心的租用費(fèi)、裝修費(fèi)等基建成本，mh表示0-1選擇策略；costmax為最大預(yù)算費(fèi)用，總的建設(shè)成本不能超過它；另外需要建設(shè)的配送中心數(shù)量不能少于2個(gè)且不能超過最大的需配送點(diǎn)數(shù)n；

29、

30、其中，z12表示配送中心的貨損成本，ph表示第h個(gè)配送中心存儲貨物的周期量，q表示貨物運(yùn)輸?shù)膬r(jià)格，qh表示第h個(gè)存儲中心的貨損系數(shù)，r為上下卸貨時(shí)的貨損系數(shù)；

31、min：z1＝z11+z12

32、式中，z1表示為上層規(guī)劃模型建立的成本函數(shù)，為總建設(shè)成本、貨損成本函數(shù)之和；

33、步驟2.2：建立下層規(guī)劃模型，下層規(guī)劃模型以車輛的總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本，表達(dá)式如下：

34、

35、

36、

37、

38、

39、其中，z21表示所有的配送中心到對應(yīng)區(qū)域的配送點(diǎn)的配送路徑的距離成本，k表示配送中心的數(shù)量，sh表示為第h個(gè)配送中心的配送車輛的個(gè)數(shù)，uhm表示第h個(gè)配送中心第m輛車到達(dá)的配送需求點(diǎn)的個(gè)數(shù)，vhm(n-1)表示第h個(gè)配送中心的第m輛車配送的第n-1個(gè)需求點(diǎn)，vhmn表示第h個(gè)配送中心的第m輛車配送的第n個(gè)需求點(diǎn)，表示第n-1個(gè)需求點(diǎn)到第n個(gè)需求點(diǎn)之間的距離，vhm0表示配送中心，vhm-表示非配送中心在劃分區(qū)域內(nèi)點(diǎn)的需求點(diǎn)位置，表示其余點(diǎn)到配送中心的距離，α(uhm)表示0-1數(shù)學(xué)選擇式，uhm≥1，說明第h個(gè)配送中心第m輛車到達(dá)服務(wù)的配送點(diǎn)數(shù)大于等于1，則此車輛參與了配送，uhm<1，表示該車輛沒有被調(diào)用，表示第h個(gè)配送中心的第m輛車配送的第n個(gè)需求點(diǎn)的貨物重量，whm第h個(gè)配送中心的第m輛車的最大載重量，表示第h個(gè)配送中心的第m輛車配送的第n個(gè)需求點(diǎn)的貨物體積，jhm第h個(gè)配送中心的第m輛車的最大裝載貨物體積，需要配送點(diǎn)的總數(shù)量為n；

40、車輛配送的時(shí)間懲罰成本是指配送的車輛未按照配送時(shí)間配送而產(chǎn)生的成本，現(xiàn)在假設(shè)配送需求點(diǎn)要求的最佳配送時(shí)間為[xbest，ybest]，可以接受的最晚配送時(shí)間段為[x1，y1]，則懲罰成本函數(shù)可以建立下列數(shù)學(xué)表達(dá)式：

41、

42、

43、式中，β1表示提前到達(dá)的懲罰系數(shù)，β2表示配送車輛未按時(shí)到達(dá)的懲罰系數(shù)，τ表示車輛從配送中心抵達(dá)配送需求點(diǎn)的時(shí)間，vδ′表示到第δ個(gè)配送點(diǎn)的時(shí)間懲罰函數(shù)，z22表示懲罰函數(shù)總的表達(dá)式；

44、min：z2＝z21+z22

45、式中，z2表示為下層規(guī)劃模型建立的成本函數(shù)，根據(jù)車輛的總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本；

46、min：zall＝z1+z2＝z11+z12+z21+z22

47、由上可得，zall為所述的雙層規(guī)劃模型的總成本函數(shù)，上層規(guī)劃模型確定了區(qū)域內(nèi)配送中心的最佳數(shù)量和建立位置，同時(shí)下層模型可以規(guī)劃各個(gè)配送中心到待配送需求點(diǎn)的最優(yōu)的車輛路徑。

48、進(jìn)一步的，步驟3中所述的基于非支配排序和擁擠度距離，將高爾夫優(yōu)化算法的探索階段變?yōu)榫⒎N群成員的位置更新，高爾夫優(yōu)化算法(goa)分為三個(gè)階段，初始化、探索階段和開發(fā)階段，是一種從觀察高爾夫運(yùn)動中球員行為和戰(zhàn)略動態(tài)得到的靈感，本發(fā)明中，最優(yōu)解不是單個(gè)解，而是找到區(qū)域內(nèi)配送中心的最佳數(shù)量及最優(yōu)的車輛路徑，將其稱為帕累托集(ps)，相應(yīng)的目標(biāo)函數(shù)為帕累托前沿(pf)，將改進(jìn)后的高爾夫算法稱為非支配高爾夫(ndgoa)；具體操作步驟如下：

49、步驟3.1：進(jìn)行高爾夫算法的參數(shù)初始化，包括種群規(guī)模最大迭代次數(shù)等，并計(jì)算相應(yīng)的適應(yīng)度值；采用佳點(diǎn)集初始化性能更穩(wěn)定，可以減少搜索盲區(qū)和重疊概率還可以提升種群多樣性，

50、步驟3.2：進(jìn)入算法的探索階段，在高爾夫算法中，球員們試圖向洞口投出最強(qiáng)的一桿，最佳桿件的位置被認(rèn)為是孔，該策略掃描搜索空間的不同區(qū)域，表明在全局搜索中的探索能力，基于非支配排序和擁擠度距離，將探索階段變?yōu)榫⒎N群成員的位置更新；首先對成員進(jìn)行非支配排序，通過比較成員之間的支配關(guān)系，從而將全部成員劃分成不同的前沿等級；

51、步驟3.3：完成非支配排序后，探索階段的位置更新數(shù)學(xué)建模如下：

52、

53、式中：表示goa在探索階段的第個(gè)成員的新位置，表示探索階段的第個(gè)成員的第d維度的值，表示第個(gè)成員的第維度的位置，γ是區(qū)間[0,1]中的隨機(jī)數(shù)，表示在第維度從第一前沿等級隨機(jī)選取的個(gè)體，ε表示從集合{0，1}選取的隨機(jī)數(shù)；

54、步驟3.4：計(jì)算個(gè)體擁擠度距離，完成快速非支配排序后，通過計(jì)算種群成員的擁擠度距離，得出種群的分布密度，擁擠度距離越小，表示所在區(qū)域的個(gè)體就越多，相應(yīng)的密度就越高，反之，擁擠度距離越大，表示所在區(qū)域的個(gè)體就越少，相應(yīng)的密度就越低，旨在保持種群多樣性，擁擠度距離表達(dá)式如下：

55、

56、

57、式中，是歸一化處理方式，表示第個(gè)個(gè)體與其所在的前沿等級下相鄰的兩個(gè)個(gè)體在第個(gè)目標(biāo)函數(shù)下的擁擠度距離，第個(gè)個(gè)體在第個(gè)目標(biāo)函數(shù)下的適應(yīng)度函數(shù)值，第個(gè)個(gè)體在第個(gè)目標(biāo)函數(shù)下的適應(yīng)度函數(shù)值，表示所有的目標(biāo)函數(shù)中適應(yīng)度函數(shù)值最大的值，表示所有的目標(biāo)函數(shù)中適應(yīng)度函數(shù)值最小的值，遍歷目標(biāo)表示將已經(jīng)歸一化的擁擠距離相加；

58、步驟3.5：進(jìn)行精英種群成員的選擇，將更新前的位置稱為父代個(gè)體，經(jīng)過非支配排序后產(chǎn)生的新個(gè)體位置稱為子代個(gè)體，將二者進(jìn)行合并，根據(jù)他們的非支配等級和擁擠度程度進(jìn)行精英種群成員的選擇，數(shù)學(xué)表達(dá)式如下：

59、

60、式中：φnew為選擇出的精英種群成員，φ0表示被選擇的優(yōu)秀個(gè)體集合，表示各等級下的非支配前沿，當(dāng)φ0中的個(gè)數(shù)小于時(shí)，依次將個(gè)體前沿加入φ0，時(shí)，則根據(jù)擁擠度距離依次選取數(shù)值最大的個(gè)體，直到φ0集合的個(gè)數(shù)等于

61、步驟3.6：進(jìn)入開發(fā)階段，為加速算法收斂以及提高算法的適應(yīng)性和魯棒性，加入自適應(yīng)動態(tài)算子進(jìn)行位置更新，數(shù)學(xué)表達(dá)式如下：

62、

63、式中：表示goa在開發(fā)階段的第個(gè)成員的新位置，表示探索階段的第個(gè)成員的第維度的值，表示第個(gè)成員的第維度的位置，表示為加入的自適應(yīng)動態(tài)算子，γ是區(qū)間[0，1]中的隨機(jī)數(shù)，第d維的搜索上界為ubd，第d維的搜索下界為lbd，表示當(dāng)前迭代次數(shù)；

64、步驟3.7：檢查算法是否滿足設(shè)定的最大迭代次數(shù)或最終輸出的各個(gè)配送中心到待配送需求點(diǎn)的最優(yōu)的車輛路徑始終保持不變，如不滿足，繼續(xù)進(jìn)行探索階段和開發(fā)階段的位置更新，直到滿足終止條件，輸出找到區(qū)域內(nèi)配送中心的最佳數(shù)量及最優(yōu)的車輛路徑。

65、進(jìn)一步的，步驟3.1所述的參數(shù)初始化具體操作步驟如下：

66、步驟3.1.1：計(jì)算佳點(diǎn)的值，設(shè)種群所在的歐式空間中的空間維度為則有：

67、

68、式中，bl表示第l維的佳點(diǎn)值，l為1到之間的隨機(jī)維度，mod表示為取模運(yùn)算符，cos表示為余弦函數(shù)；

69、步驟3.1.2：建立歐式空間內(nèi)的佳點(diǎn)集，用表示：

70、

71、式中，表示為對應(yīng)下標(biāo)的佳點(diǎn)值，為1到的對應(yīng)下標(biāo)數(shù)的整數(shù)值，表示為構(gòu)造的空間維度為的佳點(diǎn)集集合；

72、步驟3.1.3：將佳點(diǎn)集映射到種群所在的可行域上，得到初始化后的種群：

73、

74、式中，表示高爾夫算法的第個(gè)成員，表示第個(gè)成員的第維度的位置，ubd表示第d維的搜索上界，lbd表示第d維的搜索下界，表示為構(gòu)造的空間維度為的佳點(diǎn)集集合；

75、則經(jīng)過初始化后種群成員的矩陣形式表現(xiàn)為：

76、

77、式中：是高爾夫算法的總體矩陣，表示高爾夫算法的第個(gè)成員，是種群數(shù)量，是空間維度。

78、進(jìn)一步的，所述步驟3.2的具體步驟如下：

79、步驟3.2.1：將上述雙層規(guī)劃模型的成本函數(shù)作為高爾夫算法的適應(yīng)度函數(shù)，通過計(jì)算得到每個(gè)個(gè)體成員的適應(yīng)度函數(shù)值；

80、步驟3.2.2：假設(shè)種群中的一個(gè)個(gè)體為它的所有適應(yīng)度函數(shù)值均優(yōu)于另一個(gè)個(gè)體則稱支配同理將與所有的成員進(jìn)行適應(yīng)度函數(shù)值的比較，確定第一層的帕累托前沿下的非支配個(gè)體，記為θ1，

81、步驟3.2.3：對除去了第一層θ1個(gè)非支配個(gè)體后的種群，進(jìn)行第二層的帕累托前沿下的非支配個(gè)體比較，得到第二層的非支配個(gè)體θ2，

82、步驟3.2.4：繼續(xù)對剩下的成員進(jìn)行劃分，確定所有的前沿等級，記為λ個(gè)。

83、有益效果

84、本發(fā)明提出的一種可選擇算法結(jié)合分光光度法預(yù)測溶液濃度模型的方法，與現(xiàn)有技術(shù)相比較，其具有以下有益效果：

85、(1)本發(fā)明通過使用改進(jìn)后的k-means算法對需求點(diǎn)的位置進(jìn)行聚類劃分，用最近距離法確定各個(gè)區(qū)域的配送中心站點(diǎn)位置及其所要配送的需求點(diǎn)；并且建立雙層規(guī)劃模型，上層規(guī)劃模型以站點(diǎn)中心建設(shè)成本、貨損成本建立成本函數(shù)，下層規(guī)劃模型以車輛行駛的總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本，建立數(shù)學(xué)模型，最后對高爾夫優(yōu)化算法進(jìn)行改進(jìn)；基于非支配排序和擁擠度距離，將探索階段變?yōu)榫⒎N群成員的位置更新，加入了自適應(yīng)動態(tài)算子改進(jìn)開發(fā)階段的位置更新。實(shí)現(xiàn)算法參數(shù)較少，運(yùn)行時(shí)間短，進(jìn)行路徑規(guī)劃時(shí)以總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本，在滿足客戶滿意度的同時(shí)，可以減少配送車輛的行駛里程，節(jié)省配送時(shí)間，優(yōu)化后的配送方案可以大幅提高配送效率，降低企業(yè)成本；能夠以更快捷、更準(zhǔn)時(shí)的配送服務(wù)來提升客戶的滿意度，實(shí)現(xiàn)企業(yè)成本降低和客戶滿意度提升的雙贏。

86、(2)本發(fā)明通過建立雙層規(guī)劃模型，ndgoa以其出色的魯棒性能，解決了現(xiàn)有的配送中心進(jìn)行選址時(shí)，設(shè)計(jì)靈活度不夠的問題，同時(shí)算法參數(shù)較少，運(yùn)行時(shí)間短，進(jìn)行路徑規(guī)劃時(shí)以總路程建立成本函數(shù)并且加入時(shí)間窗懲罰成本，平衡了兩者之間的關(guān)系，在確?？蛻魸M意度的同時(shí)，可以減少配送車輛的行駛里程，同時(shí)建立了合理的物流中心的位置和配送路徑，可以顯著縮短運(yùn)輸距離和時(shí)間，減少燃油消耗和人工成本，從而降低整體的物流成本，優(yōu)化后的配送方案可以大幅提高配送效率，同時(shí)節(jié)省了配送時(shí)間，降低了企業(yè)成本，為企業(yè)帶來顯著的成本優(yōu)勢和服務(wù)優(yōu)勢。