一种基于智能算法的虚拟物流中转站选址及配送路径优化方法与流程

1.本发明涉及物流管理技术领域，尤其涉及一种基于智能算法的虚拟物流中心中转站选址及配送路径优化方法。


背景技术：

2.物流是指产品从生产地到消费地之间高效的运输过程，随着物联网商务的高速发展，网络购物已经成为现在生活中必不可少的环境，然而，互联网商务和网络购物蓬勃发展的背后是日益重要的物流行业。
3.如何高效地提升物流效率，减少产品的运输时间和路程，都是管理者非常关心的问题；对于大的企业而言，可以运用大量的财力物力来保障其产品的物流效率，但是往往投入较大。而对于小中企业而言，建立庞大的物流体系是非常困难的。对于大企业而言，建立物流中转站往往需要大量的财力物力，这对于中小型企业而言是不可承受的。而大企业所面对的物流问题，同样也是中小企业所面对的物流问题。因此，如何解决中小企业的物流难题，是现阶段需要考虑的问题。


技术实现要素：

4.本发明的目的在于克服现有技术的缺点，提供了一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法，解决了现有中小企业所面对的物流问题。
5.本发明的目的通过以下技术方案来实现：一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法，所述方法包括：
6.s1、配送中心和配送点配置步骤：将一条配送路线分为m段，每一段设置一个虚拟配送中心，将该条路线的配送点分配到虚拟配送中心，并获取每个虚拟配送中心和配送点的坐标数据；
7.s2、算法计算步骤：根据模拟退火算法确定连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心及其下属所有配送点的最优路径；
8.s3、最优路径确定步骤：将上述步骤产生的最优路径进行连接，得到整体最优配送路径。
9.所述配送中心和配送点配置步骤具体包括：
10.s11、将一条配送路线分为m段，使用智能算法为每一段设置一个虚拟配送中心，得到虚拟配送中心a、b、c、
……
、m；
11.s12、根据最近距离分配原则，将该条配送路线上的n个配送点分别分配到对应的虚拟配送中心，得到虚拟配送中心a下属i个配送点、虚拟配送中心b下属j个配送点、虚拟配送中心c下属k个配送点、
……
、虚拟配送中心m下属n个配送点；
12.s13、根据所有配送点的地理位置，在地图上找到对应点得到具体的坐标值信息。
13.所述算法计算步骤具体包括：
14.s21、确定最优配送路径的目标函数和第一约束条件；
15.s22、设定模型控制参数；
16.s23、根据第一约束条件中的访问路径分别产生所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解；
17.s24、产生新的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解，并与对应的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解进行比较，保留更优的解；
18.s25、重复步骤s24，直到不能产生更优的解后为止，得到连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心与其下属所有配送节点的最优路径，并选择此时的解为最终的最优配送路径。
19.所述第一约束条件的访问路径包括当从虚拟配送中心a出发，分别访问虚拟配送中心b，虚拟配送中心c，
…
，虚拟配送中心m各一次，最终回到虚拟配送中心a，得到所有虚拟配送中心的访问路径；
20.从虚拟配送中心a出发，分别访问虚拟配送中心a下属的所有配送点一次，最终回到虚拟配送中心a，得到拟配送中心a与其下属所有配送点的访问路径；以此类推，得到虚拟配送中心b，虚拟配送中心c，
…
，虚拟配送中心m分别与其下属所有配送点的访问路径。
21.所述s24步骤中保留更优的解的原则是每次进行比较后能够得到更短的所有虚拟配送中心的访问距离和更短的虚拟配送中心与其下属所有配送点的访问路径。
22.所述使用智能算法为每一段设置一个虚拟配送中心包括：
23.a1、根据免疫算法进行抗原识别，确定虚拟配送中心的目标函数和第二约束条件；
24.a2、产生初始抗体群，得到初始虚拟配送中心的可能解；
25.a3、对各个抗体进行评价，完成虚拟配送中心解的质量的评价；
26.a4、形成父代群体，得到产生新的虚拟配送中心的可能解并进行评价；
27.a5、选择并确定最后虚拟配送中心。
28.所述产生初始抗体群，得到初始虚拟配送中心的可能解包括：
29.随机产生n个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量；
30.如果记忆库为空，则在可行解空间随机产生初始抗体群，每个选址方案形成一个长度为p 的抗体，每个抗体代表被选为虚拟配送中心的需求点的序列。
31.所述对各个抗体进行评价，完成虚拟配送中心解的质量的评价包括：
32.根据公式计算抗体与抗原间亲和力；
33.根据公式计算抗体与抗体间亲和力；
34.根据公式计算抗体浓度；
35.根据公式计算期望繁殖概率。
36.所述第二约束条件包括：
37.保证每个需求点只能由一个虚拟配送中心服务；
38.确保需求点的需求量只能被设为虚拟配送中心的点供应；
39.用户和物流中心的服务需求分配关系z
ij
与某点是否被选为虚拟配送中心的概率hj皆为 0-1的变量，当z
ij
＝1时，表示需求点i的需求量由虚拟配送中心j供应，否则z
ij
＝0，当hj＝1 时，表示点j被选为虚拟配送中心，否则hj＝0；
40.保证需求点在虚拟配送中心可配送到的范围内。
41.本发明具有以下优点：一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法，通过建立虚拟物流中转站，根据各个配送点的坐标，确定虚拟配送中心，规划出各虚拟配送中心之间的最优路径，以及每个虚拟配送中心到其所属范围内各配送点的最优路径，与人工规划路径相比，本发明能规划出总距离最短的配送路径，从而使物流企业配送成本最小化。
附图说明
42.图1为本发明的效果示意图；
43.图2为本发明的流程示意图；
44.图3为本发明使用的模拟退火算法流程示意图；
45.图4为本发明使用的免疫算法流程简要示意图；
46.图5为本发明使用的免疫算法流程详细示意图。
具体实施方式
47.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的保护范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。下面结合附图对本发明做进一步的描述。
48.如图1和图2所示，本发明涉及一种基于智能算法的虚拟物流中转站选址及配送路径优化分析方法，其具体包括以下内容：
49.s1、配送中心和配送点配置步骤：将一条配送路线分为m段，每一段设置一个虚拟配送中心，将该条路线的配送点分配到虚拟配送中心，并获取每个虚拟配送中心和配送点的坐标数据；
50.s2、算法计算步骤：根据模拟退火算法确定连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心及其下属所有配送点的最优路径；
51.s3、最优路径确定步骤：将上述步骤产生的最优路径进行连接，得到整体最优配送路径。
52.进一步地，配送中心和配送点配置步骤具体包括：
53.s11、将一条配送路线分为m段，使用智能算法为每一段设置一个虚拟配送中心，得到虚拟配送中心a、b、c、
……
、m；
54.s12、根据最近距离分配原则，将该条配送路线上的n个配送点分别分配到对应的虚拟配送中心；
55.得到虚拟配送中心a下属i个配送点，分别记为a1，a2，a3，
…
，ai；
56.得到虚拟配送中心b下属j个配送点，分别记为b1，b2，b3，
…
，bj；
57.得到虚拟配送中心c下属k个配送点，分别记为c1，c2，c3，
…
，ck；
58.以此类推，虚拟配送中心m下属n个配送点，分别记为m1，m2，m3，
…
，mn。
59.配送点的个数i，j，k，
…
，n满足的关系式为：i j k
…
n＝n。
60.s13、根据所有配送点的地理位置，在地图上找到对应点得到具体的坐标值信息。
61.进一步地，如图3所示，算法计算步骤具体包括：
62.s21、确定最优配送路径的目标函数和第一约束条件；
63.其中第一约束条件为：约束条件表示从起点虚拟配送中心出发，各虚拟配送中心只路过一次，最终回到起点；m为虚拟配送中心的个数，d(vi,v
i 1
)表示i地到i 1地的距离。
64.s22、设定模型控制参数；
65.确定初始温度t0，初始解s1，每个温度下的迭代次数l，降温速率q，终止温度t
end
。其中，初始解是对1～m的一个随机排序。
66.s23、根据第一约束条件中的访问路径分别产生所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解；
67.进一步地，通过对s1的两个元素交换位置得到新解s2。
68.s24、产生新的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解，并与对应的所有虚拟配送中心初始配送路径的可能解和每个虚拟配送中心与其下属所有配送点初始配送路径的可能解进行比较，保留更优的解；
69.进一步地，通过δf＝f(s2)-f(s1)来计算目标函数值的变化，metropolis准则为：
[0070][0071]
若δf＜0，则以概率1接受新解，用s2替代s1；
[0072]
若δf≥0，则以概率接受新解，计算方法为：
[0073]
随机产生(0,1)区间上均匀分布的随机数rand，若则接受s2作为新解，否则保留当前解s1。
[0074]
s25、重复步骤s24，直到不能产生更优的解后为止，得到连接所有虚拟配送中心的最优路径和连接每个虚拟配送中心与其下属所有配送节点的最优路径，并选择此时的解为最终的最优配送路径。
[0075]
进一步地，利用降温速率q进行降温，即t＝qt，若t＜t
end
，则停止迭代，输出当前状态，否则继续迭代。
[0076]
进一步地，第一约束条件的访问路径包括当从虚拟配送中心a出发，分别访问虚拟配送中心b，虚拟配送中心c，
…
，虚拟配送中心m各一次，最终回到虚拟配送中心a，得到所有虚拟配送中心的访问路径；
[0077]
从虚拟配送中心a出发，分别访问虚拟配送中心a下属的所有配送点一次，最终回到虚拟配送中心a，得到拟配送中心a与其下属所有配送点的访问路径；以此类推，得到虚拟配送中心b，虚拟配送中心c，
…
，虚拟配送中心m分别与其下属所有配送点的访问路径。
[0078]
所述s24步骤中保留更优的解的原则是每次进行比较后能够得到更短的所有虚拟配送中心的访问距离和更短的虚拟配送中心与其下属所有配送点的访问路径。
[0079]
进一步地，如图4、图5所示，使用智能算法为每一段设置一个虚拟配送中心包括：
[0080]
a1、根据免疫算法进行抗原识别，确定虚拟配送中心的目标函数和第二约束条件；
[0081]
进一步地，目标函数是各虚拟配送中心到需求点的需求量和距离值的乘积之和最小；
[0082]
约束条件：表示保证每个需求点只能由一个虚拟配送中心服务；z
ij
≤hj， i∈n，j∈mi表示确保需求点的需求量只能被设为虚拟配送中心的点供应；规定了被选为虚拟配送中心的数量为p；z
ij
，hj∈{0,1}，i∈n，j∈mi表示z
ij
和hj是0-1变量；d
ij
≤s 表示保证需求点在虚拟配送中心可配送到的范围内。
[0083]
其中，n＝{1,2,
…
,n}是所有需求点的序号集合；mi为到需求点i的距离小于s这一约束条件的所有备选虚拟配送中心集合，i∈n，ωi表示各需求点的需求量；d
ij
表示从需求点i到离它最近的虚拟配送中心j的距离；z
ij
为0-1变量，表示用户和物流中心的服务需求分配关系，当z
ij
＝1时，表示需求点i的需求量由虚拟配送中心j供应，否则z
ij
＝0；hj是 0-1变量，表示某点是否被选为虚拟配送中心，当hj＝1时，表示点j被选为虚拟配送中心，否则hj＝0；s为虚拟配送中心离其所下属的需求点的距离上限。
[0084]
a2、产生初始抗体群，得到初始虚拟配送中心的可能解；目标函数和约束条件即为抗原；
[0085]
随机产生n个个体并从记忆库中提取m个个体构成初始群体，其中m为记忆库中个体的数量。如果记忆库为空，则在可行解空间随机产生初始抗体群。每个选址方案形成一个长度为p的抗体(p为虚拟配送中心的数量)，每个抗体代表被选为虚拟配送中心的需求点的
序列。
[0086]
a3、对各个抗体进行评价，完成虚拟配送中心解的质量的评价；
[0087]
a31、计算抗体与抗原间亲和力
[0088]
抗体与抗原之间的亲和力a表示抗体对抗原的识别程度，用以下公式计算：
[0089][0090]
其中，fv为目标函数，分母中第二项表示对违反距离约束的解给予惩罚，c取一个比较大的正数。
[0091]
a32、计算抗体与抗体间亲和力
[0092]
抗体与抗体之间的亲和力s
v,s
反映了抗体之间的相似程度，用以下公式计算：
[0093][0094]
其中，k
v,s
为抗体v与抗体s中相同的位数；l为抗体的长度。
[0095]
a33、计算抗体浓度
[0096]
抗体的浓度cv即群体中相似抗体所占的比例，用以下公式计算：
[0097][0098]
其中，n为抗体总数；t为预先设定的一个阈值。
[0099]
a34、计算期望繁殖概率
[0100]
群体中每个个体的期望繁殖概率p由抗体与抗原间亲和力av和抗体浓度cv两部分共同决定，用以下公式计算：
[0101][0102]
按照以上四个指标的定义，对抗体群中每个抗体分别计算抗体与抗原间亲和力、抗体浓度，综合抗体与抗原间亲和力和抗体浓度评价抗体优秀程度，得出繁殖概率。
[0103]
a4、形成父代群体，得到产生新的虚拟配送中心的可能解并进行评价；
[0104]
将初始群体按期望繁殖率p降序排列，取前n个个体构成父代群体；同时取前m个个体存入记忆库。
[0105]
判断是否满足最大迭代次数，若满足则结束，否则继续进行下一步操作。
[0106]
a5、选择并确定最后虚拟配送中心。
[0107]
产生新群体，对抗体群体进行操作，得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体。
[0108]
(1)选择操作
[0109]
按照轮盘赌选择机制进行选择操作，每个个体以期望繁殖概率被选择；
[0110]
(2)交叉操作
[0111]
采用单点交叉法进行交叉操作；
[0112]
(3)变异操作
[0113]
随机选择变异位进行变异。
[0114]
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。