货运车辆优化调度方法(DOC)

货运车辆优化调度方法

据统计，美国2000 年的运输费用为5900 亿美元，占当

年GDP总值99600亿美元的5.92%，可见，减少运输费用是有效减少物流成本的重要方面。对于物流中心和第三方物流企业的货物配送，运输车辆的调度是工作的重点，正确合理的调度可以有效减少车辆的空驶率，实现合理路径运输，从而有效减少运输成本，节约运输时间，提高经济效益。

1 运输车辆调度规划问题分类

货运车辆优化调度问题可根据不同性质具体分为以下

几类：

按照运输任务分为纯装问题、纯卸问题以及装卸混合问

题。按照车辆载货状况分为满载问题和非满载问题，满载问题是指货运量多于一辆车的容量，完成所有任务需要多辆运输车辆。非满载问题是指车的容量大于货运量，一辆车即可满足货运要求。

按照车辆类型分为单车型问题和多车型问题；按照车辆

是否返回车场划分为车辆开放问题和车辆封闭问题，车辆开放问题是指车辆不返回其出发地，车辆封闭问题是指车辆必须返回其发出车场。

按照优化的目标可分为单目标优化问题和多目标优化

问题；按照有无休息时间要求可分为有休息时间的调度和无休息时间调度问题。

实际中的车辆优化调度问题可能是以上分类中的一种

或几种的综合。

车辆优化调度问题是一个有约束的组合优化问题，属于

NP 难题( Nondeterministic Polynomial Problem )。随着问题输入规模的扩大，求解时间呈几何级数上升。

求解车辆优化调度的方法可以分为精确算法、启发算法

和智能算法。精确算法主要有分支界定法等；启发式算法主要有构造算法、两阶段法等；智能算法分为神经网络方法、遗传算法和模拟退火算法等。

精确算法的计算量随着车辆优化问题规模的增大呈指

数增长，如当卸货点的数目超过20 个时，采用精确算法求解最短运输路径的时间在几个小时以上。精确算法不适合于求解大规模的车辆优化调度问题。

2 启发式算法

启发式方法是从尚未安排的车辆、运输任务或行驶路径

中按照构造算法进行选择，直到所有任务和车辆均被调度为止。构造的每一步，根据某个判别函数，把当前的线路构形和另外的构形进行比较并加以改进，以最小代价把一个不在当前构形上的需求对象插入进构形，最后得到一个较好的可

行构形。常见的构造算法有节约算法、最邻近法、最近插入 算法等。

启发式方法并不追求问题的最优解，而是强调问题解的

满意性，只要决策者认为所得到的解能够较好的满足要求就 可以了。

集货或送货非满载车辆调度问题是车辆调度中的一个

基本问题，下面简单介绍采用启发式算法求解的具体步骤:

(1)模型的建立 将车场编号为0,车辆编号为k ,任务编号为

1,2,…,l ,

考虑运输量约束、停车点车辆数目约束、集货和卸货时间约 束等约束，可定义如下的基本模型:

艺 c ij . x

ijk y ki 为变量，定义为:

Z

i z k z

i z

g i y ki

y ki

X ijk ki

X ijk kj ET LT

式中，C ij 表示从点 到j 的运输成本，它可以根据优化

的目标具体体现为运输距离或运输费用或运输时间。

X ijk 和

车辆k 从点i 行驶到点

否则

式中，ET 和LT i 分别为任务i 允许的最早开始时间和允

许的最迟结束时间；g i 为第i 点的货运量，q 为运输车辆的 额定载重量。

(2)模型的求解

C-W 算法由Clarke 和Wright 提出，该算法简单易用，

以改进的C-W 节约启发式算法为例来求解车辆调度问题。其 步骤如下:

① 首先计算各个点i 和点j 之间线路的费用节约值 s (i,j )，形成集合M 并按照从大到小对

s (i,j )进行排序， 其中：S (i,j )=C io +C oj -C ij

② 若M 为空，则终止叠代，否则对M 中的第一项s(i,j)

考察是否满足下列条件之一，如满足则转下步，否则转⑥。

点i 和j 均不在已构成的线路上;

连，且一个是起点，一个是终点。

③ 考察点i 和j 连接后的线路上总货运量 Q 若QC q

则转下步，否则转⑥

④ 计算连接点i 和j 所在的线路后，车辆到达 j 点的 n y ki

=仏 点i 的任务由车辆

k 完成 否则

(b)

点i 和j 在已构成的线路上，但不与车场相连; (C) 点i 和j 位于已构成的不同线路上，均不与车场相

时间比原路线上车辆到达j 点的时间的变化量为:

EFj=si+Ti+tij-sj (a)若 EF = 0,

j 点后面的各任务处均不需要等待的到 鸟魂线路上j 点后面的各任 务不违反时间约束的到达j 点时间的最大允许推

迟量。其中:

也厂=min {S r - ET 」

r 曰

j - min'LT r - S r

r g j

⑤ 连接点i 和点j ，计算车辆到达各任务时的新时间。

⑥ 令M = M -s (i ,j ),转②

以上是针对单车场的车辆优化调度问题的求解，多车场

问题可以转化为单车场问题来处理，首先确定每个车场完成 的任务，然后再求解。

3人工智能算法

3.1 遗传算法

遗传算法主要由选择、交叉和变异三个算子组成，分别

模仿自然界进化过程中的自然选择和群体遗传过程中发生 的交配和突变等现象。采用遗传算法求解车辆优化调度问题 时，一般按照以下步骤进行:

O

转⑤;

(b)转⑥;EFj <0 ,则计算A ,当|EFj| <也-，转⑤，否则

(c)若 EF >0 ,

⑥。

式中，舛一为线路上

达j 点时间的最大允许提前量; 则计算也+,当I EF I W j ,转⑤，否则转

(1)确定染色体的编码和初始群体

采用自然数对可行线路进行编码，如长度为I + m的染

色体可写为:

(0, i 11, i 12,…,i 1s, 0, i 21,…，i 2t ,0,…,0, i m1,…,i mr)

其中，i kj表示第i kj项任务，这样的染色体结构可理解为车辆从车场0出发，经过任务i 11, i 12,…，i is后回到车场0,

形成子路径1；然后又从车场0出发，经过任务i21, (i2)

后返回车场，形成路径2,如此反复，直到所有的m项任务

全部被完成为止。在子路径1内交换i 11和i 12的位置表示行

走路径的改变，也使函数目标改变，这样，下面的遗传叠代可使函数目标最小，也即趋向于最佳或较佳的路径。

初始群体的产生采用随机方法，随机产生I个城市的全

排列，根据任务的源点和汇点将0标准插入排列中，形成条初始染色体。如此反复，直到满足群体数，群体数一般大于20个。

(2)确定适应度函数

车辆调度的优化目标有多种多样，常见的目标有总运费

最小，总运输时间最短，空载车总运行时间最小，完成任务所需的车辆最小总运输时间最短，空载车总运行时间最小，完成任务所需的车辆最小等，以总运费最小为例，其目标函数为:

m n

C = min 送送GjX jj

U jW

式中，C ij 为从源点i 到汇点j 每辆车的单位费用，X ij 为每班从源点i 到汇点j 的满载车的数量。m, n 为源点和汇点的数目。

(3) 处理约束为保证车辆调度优化的正确性，约束往往必不可少，常

见的约束有汇点处理能力约束，非负约束，车流连续性约束。

般采用惩罚的方法来处理约束，如果一个染色体对应

的解违反了某个约束，根据其违反程度给予一定的惩罚，使其具有较小的适应度值。这样在不损失群体数目的基础上，随着叠代的进行，使不可行解的数目在群体中所占比例越来越小，可行解的数目则逐渐增加，并趋向最优解。

(4) 遗传算子

经典的遗传算子包括复制、交叉、变异。复制算子的目

的是保留优良个体，避免基因缺失，提高全局收敛性和效率。目前常用的复制算子有放回式随机复制又称轮盘赌复制，无放回式随机复制等十几种。

交叉算子的作用是组合出新的个体，在染色体空间进行

有效搜索，同时降低对有效模式的破坏概率。染色体采用自然数编码时，交叉算子一般有部分匹配交叉，顺序交叉，圈交叉等。染色体采用二进制编码时，常采用的交叉算子有单点交叉，双点交叉等。交叉算子中采用的交叉率一般在

0.75~0.95 之间。

变异算子是为了克服基因缺失和不成熟收敛。目前常用

的变异算子有常规位变异，均匀变异和非均匀变异等。变异

算子的变异率一般为0.005?0.01 O

除了上述的经典遗传算子外，人们又研究了其他一些算

子，称为高级算子，如显性算子、倒位算子、分离和易位算子、迁移算子等。

(5) 确定调度方案通过上述的遗传操作，产生性能最优的染色体串，

根据

初始的编码规定将该串解码成最优调度方案。

实用中，人们往往将遗传算法与其他方法如启发式方法

和模拟退火算法杂合，以及将调度专家经验融入模型和遗传操作中，以提高