物流配送路线优化python 物流配送路线优化设计

转载

mob64ca1402665b 2024-05-27 19:12:28

文章标签 物流配送路线优化python 启发式算法最优解多目标 文章分类 Python 后端开发

题目解读

由起点出发，配送 多个终点 后回到起点（注意遍历后仍需回到起点，与TSP问题不同）进行 多目标优化 （成本最小化，配送订单最大化，满载率最大化）路线模型计算

满载率：所装货物的重量/车辆额定载重量
需要通过算法确定的配送方案（配送至哪个客户，配送量，下一个配送目的地）
(?:配送哪个客户与下一个配送目的地是否等价)

最终需要实现的是：通过设置配送点个数，设置网点和各配送点及配送点与配送点之间的距离，设置各网点的货物量，车辆数量、车辆巡回里程限制，车辆的承载量，装卸时间，配送时长，配送点坐标或距离，车辆装载等参数，自动计算出最优路线顺序

（？：还需设置什么参数
？：用户输入的是什么坐标可否通过GPS、GIS形式实现
？：车辆的承载量与车辆装载是否等价）

属于单/多配送中心时间窗（有/无时间窗是/否为软时间窗）多车型（2/5吨是否可设置？）静/动态VRP 闭合/开放型路径任务类型（装货/卸货/装卸货）一次服务多个客户货物可分割载货是/否满载有最大行驶距离配送完后是否一定要回到配送中心多目标优化路径优化问题。

【硬时窗（‘Hard Time Window’）硬时窗要求车辆必须要在时窗内到达，早到必须等待，而迟到则拒收；另一种是软时窗（Soft Time Window），不一定要在时窗内到达，但是在时窗之外到达必须要处罚，以处罚替代等待与拒收是软时窗与硬时窗最大的不同。】

优化节点多，精确算法不能解决大规模车辆路径优化问题，而传统启发式算法容易陷入局部最优。

相关论文的阅读

配送及时性：农产品滞销问题【用遗传算法解决】
多点路径规划，遍历全部点仅经过一次后到达终点，且路程最短+安全性考虑（避开障碍物）→机器人路径规划问题【并行蚁群算法】
TSP（旅行商问题）【蚁群算法优于遗传算法】
VRP（车辆路径问题）：在满足一定约束条件下[ 约束条件通常为行驶距离和车辆载重 ]得到总成本最小解。可以将车辆路径问题分为如下几类：

算法的分类：精确算法启发式算法智能算法
精确算法：集合涵盖割平面以及分支定界整数规划动态规划等方法
~~（出现了几个不懂的名词）~~
启发式算法: 传统启发式算法+现代启发式算法

传统启发式算法→节约算法
现代启发式算法→集群算法，遗传算法，蚁群算法，模拟退火，神经网络等

智能算法→禁忌搜索算法，粒子群算法，差分进化算法
5. 多目标优化的Pareto算法：
工程设计问题大多是带约束的多目标优化 (Multi-objectiveOptimization,MO)问题,各个子目标可能是相互矛盾的,一般不可能同时使所有子目标都达到最优,只能在这多个子目标之间进行权衡。

MO问题最优解与单目标优化最优解有着本质不同,MO 问题最优解称为 Pareto最优解或非劣解,一般是 一个集合 ，求解MO问题的常规方法是根据设计者的意图将其转化为单目标处理,如目标规划法、多目标加权法（如何确定权重？AHP?）等,得到的解不能保证 Pareto最优性。

MOGA算法的流程：
（1）随机产生初始群体
（2）计算各点的目标函数值和约束函数值
（3）根据目标函数值对群体分级
（4）根据约束函数值和分级结果计算各点的约束罚项、劣解罚项及总罚项;
（5）根据各点的总罚项计算适应度;
（6）根据各点的适应度,进行选择、交叉和变异操作,生成新群体
（7）将总罚项为0的点放入非劣解集侯选表,对侯选表进行检查,保留第1级非劣点,删除其它点
（8）检查是否收敛,如没有,转到步骤②
（9）删除侯选表中与其它点距离太近的点
（10）输出侯选表中的Pareto最优解集及对应的目标函数值;
（11）决策人根据个人偏好*(是否太过主观？)*从Pareto最优解集中挑选出最适合该问题的解。其中步骤（6）执行的是常规 GA 操作.

6.A*算法
详解：