基于云边端协同的动态车辆配送路径优化方法及装置

1.本发明涉及工业备品备件物流配送领域，特别是一种基于云边端协同的动态车辆配送路径优化方法及装置。


背景技术：

2.工业备品备件是大型机械设备正常运作的保障性物资，必须保证有效且及时的备品备件供应，高效的备品备件物流配送方法对提高企业的经济效益具有重要意义。
3.对工业备品备件需求的快速响应是保证企业稳定生产的关键因素，因此有必要通过对物流配送路径的合理规划，有效地缩短备品备件在物流系统中的停滞时间，从而降低物流成本，达到经济效益的最大化。
4.随着云计算、物联网、电子商务的快速发展，物流配送与云计算、物联网、智能交通等新技术相结合，不同于传统物流配送模型的云配送模型。云配送模式解决了传统物流配送模式难以适应现代物流配送需求的问题。然而，随着各类移动设备数量和计算需求的快速增长，以云数据中心为核心的传统云计算集中处理模式面临着网络传输延迟大、数据传输成本高、计算安全和隐私风险等问题。这是无法有效地满足移动用户，特别是需要即时响应的用户对计算服务的需求。云端协作为解决这一问题提供了一种新方法。
5.随着人们对物流配送的及时性的要求越来越高，如何确保各种物流和配送任务按时完成,成为有效节约配送成本的关键问题之一，也是当前物流运输行业迫切需要解决的。通过对车辆配送各个环节的分析，优化车辆的配送路径，同时考虑到路况变化等不确定因素可能影响配送的及时性，在配送车辆出发后动态调整交付路径。通过优化降低道路条件、天气等因素对整体配送时效性的影响，是提高物流配送效率、降低整体配送成本的重要手段。由于备品备件物流配送过程中存在的若干制约因素和不确定性，综合考虑交通、天气、路况等动态不确定因素对配送过程的影响显得尤为重要。
6.一个边缘结点包含计算设备和通信设备，可以处理一定范围内的计算任务并将结果返回给特定的位置。因此，可以使用边缘设备对路况信息的变化进行判断，并基于这些变化对配送路径进行及时的调整。
7.现有技术主要有以下几种：对传统遗传算法的收敛时间较早这一缺点进行改进、从传统遗传算法在局部搜索能力不足，通过融入爬山算法而优化对高质量解的搜索能力、采用模糊数学评价方法对道路风险进行量化，从数学估计的角度对影响选择运输路径的因素进行了考虑。
8.通过对现有技术进行分析，发现存在着以下一些不足。当前的优化多是在配送开始前的路径规划阶段，通过对算法本身的固有缺陷进行改进，或者是对静态的固定道路条件加以考虑，而提高所规划出的配送路径的合理性。但是对于配送开始后，到完成配送的这段时间内的突发状况等因素，并没有考虑和加以处理。然而这些无法预知的突然路况变化却会对配送的效果会造成不同程度的影响。因此，如果不根据配送过程中实际道路状况的变化而对车辆的配送路径进行动态的调整，则会导致配送成本和交付时间的增加。


技术实现要素：

9.本发明所要解决的技术问题是，针对现有技术不足，提供一种基于云边端协同的动态车辆配送路径优化方法及装置，降低完成配送任务所耗费的时间因路况变化而大幅增加的风险。
10.为解决上述技术问题，本发明所采用的技术方案是：一种基于云边端协同的动态车辆配送路径优化方法，包括以下步骤：
11.s1、对配送车辆路径规划问题进行定性分析，确定配送时间和配送成本为第一阶段路径规划的优化目标；
12.s2、在根据需求点提出的货物需求量和时间窗约束下，考虑配送中心的配送能力，在车辆出发前，根据第一阶段路径规划的优化目标，使用遗传算法在云端对整体配送路径提前进行优化，得到初始配送路径规划方案，该初始配送路径规划方案的整体花费的配送时间最少，耗费的配送成本最低；
13.s3、配送车辆出发后，对路况数据进行感应并做出判断，更新初始配送路径规划方案中相应路段的路网信息；
14.s4、根据动态更新的路网信息以及配送车辆所处的位置，对余下的配送路径进行动态调整，直至全部配送任务结束，计算配送花费的时间；
15.s5、根据路况变化对路径作出优化调整，更新当前更新后的配送路径所耗费的成本；
16.s6、以配送中心为车辆出发起始点，以最后一辆配送车辆完成配送任务为截止，在整个配送过程中，按照步骤s4和s5，对整个配送区域内的配送车辆路径进行动态的调整。
17.本发明针对现有技术的不足，提供一种基于云边端协同的动态车辆配送路径优化方法，通过云、边缘和端的协同配合，对道路状况进行处理，从而动态地对车辆配送路径进行调整，降低了配送过程中的多种影响因素对整体配送效果的影响，从而保证配送所耗费的时间并节省配送成本。在配送开始前，根据配送资源和配送需求，在云端先采用遗传算法对配送路径做出第一阶段的规划。在开始配送后，通过边缘端的处理能力，对路况变化进行实时的感知并做出判断，以此为根据动态地优化调整余下的配送路径，并发送给车辆终端。通过云边端的协同合作，将很好地对配送开始之后的对道路通行状况的各种动态影响因素进行了处理，对车辆配送路径进行了动态的优化，提升了整体配送方案的合理性，保证了交付时间，降低了配送成本。
18.步骤s1中，配送成本为车辆运输成本tc、时间窗惩罚成本pc和车辆成本之和；其中，
[0019][0020][0021][0022]
其中，k为车辆的总数量，n为待访问的需求点总数目，c
ij
为需求点i与需求点j之间的单位运输成本，d
ij
为需求点i与需求点j之间的距离，x
ijk
的取值为0或1，取值为1表示车辆k从需求点i离开后前往需求点j，否则取值为0；a，b为配送时间窗惩罚系数，w
ik
为车辆k在需求点i的等待时间，t
ik
为车辆k到达配送点i的时间，li为需求点i的最晚服务时间窗；x
0jk
取
值为0或1，当其值为1时表示车辆k从配送中心0出发前往需求点j。
[0023]
通过对所求车辆配送路径规划问题进行分析，构建出相应的数学模型，使抽象概念变为具体模型，从而通过数值指标来进行衡量和评估。通过明确配送过程中各部分成本的构成方式，并相应地建立数学计算公式，为多目标的优化提供了直接依据。
[0024]
步骤s2的具体实现过程包括：
[0025]
1)构建惩罚函数p(x)：1)构建惩罚函数p(x)：其中，x代表相应的种群个体编号，t是正数，d
u_max
表示第u种车型的最大行驶距离；n为待访问的需求点总数目；
[0026]
2)对所述惩罚函数p(x)进行解码，构造与所述惩罚函数p(x)对应的染色体；
[0027]
3)根据备件需求数据、路网数据和配送资源，随机产生初始种群；
[0028]
4)通过选择、交叉和变异算子，在不满足终止条件的情况下对初始种群进行循环进化，直至产生最优解，得到初始配送路径规划方案。
[0029]
通过使用遗传算法，一方面是将寻优过程的时间控制在合理的范围之内，另一方面又使寻优所得结果(即配送路径规划方案)的整体成本在多个目标函数上的表现都为最优。构建惩罚函数，能够保证在迭代选优过程中，每个个体能够根据其自身优劣而得出对应的遗传概率，以合适的几率参与到选择、交叉和变异算子阶段，从而保证了算法的收敛性。
[0030]
步骤s3的具体实现过程包括：
[0031]
a)根据每个边缘结点采集到的路况变化信息计算边缘结点所属路段的通行时间的变化，根据计算的结果，更新各个路段在道路通行时间表中的当前通行时间；
[0032]
b)根据车辆速度更新配送车辆当前所处的位置，结合将要前往的下一个需求点的位置，得到两个位置之间在初始配送路径规划方案中的行进路线所需要经过的路段，完成对初始配送路径规划方案中相应路段的路网信息的更新；
[0033]
c)根据所有配送车辆的当前位置及要前往的下一配送位置，查询道路通行时间表，判断发生变化的路况信息是否会对各配送车辆当前的配送任务造成恶劣影响：若车辆即将前往路段变化后的道路通行时间大于原通行时间的n倍(n可根据实际情况设定具体数值)，即视为该路况信息的变化对配送任务造成了恶劣影响，进入步骤s4。
[0034]
通过对路况变化进行判断，明确了何种路况变化会对配送结果造成恶劣影响，且能够通过更改阈值(即n的大小)设定来适配不同情况，保证了所提出方法的灵敏度。
[0035]
步骤s4的具体实现过程包括：
[0036]
i)取f(n)值最小的节点作为最优路径上的下一个节点，f(n)＝g(n) h(n)；g(n)是起始节点到当前节点实际的通行代价，h(n)是当前节点到终点的通行代价的估计值；
[0037]
ii)对a*算法所维护的p表和q表进行操作，具体包括：
[0038]
i)p表、q表置空，将起点s加入p表，其g(n)值置0，父节点为空，路网中其他节点g(n)值置为无穷大；
[0039]
ii)若p表为空，则算法失败，否则选取p表中f(n)值最小的节点，记为bt，将其加入q表中；判断bt是否为终点t，若是，转到步骤iii)；
[0040]
否则根据路网拓扑属性和交通规则找到bt的每个邻接节点nt，执行以下步骤：
[0041]
①
计算nt的启发值
[0042]
f(nt)＝g(nt) h(nt)；
[0043]
g(nt)＝g(bt) cost(bt，nt)；
[0044]
其中，cost(bt，nt)是bt到nt的通行代价；
[0045]
②
若nt在p表中，且通过公式g(nt)＝g(bt) cost(bt，nt)计算的通行代价值比nt的通行代价值小，则将nt的通行代价值更新为g(nt)＝g(bt) cost(bt，nt)，并将nt的父节点设为bt；
[0046]
③
如果nt在q表中，且通过g(nt)＝g(bt) cost(bt，nt)计算的通行代价值比nt的通行代价值小，则将nt的通行代价值更新为g(nt)＝g(bt) cost(bt，nt)，将nt的父节点设为bt，并将nt移出到p表中；
[0047]
④
若nt既不在p表，也不在q表中，则将nt的父节点设为bt，并将nt移到p表中；
[0048]
⑤
返回步骤ii)；
[0049]
iii)从终点t回溯，依次找到父节点，并加入优化路径中，直到起点s，即得出优化路径；
[0050]
iii)计算车辆通过所述优化路径所需的通行时间，优化路径包含多个路段，将多个路段编号为1，2，3，...，k；以[tk，tk
′
]表示车辆经过路段k的通行时间tk，则tk＝tk’-tk；车辆通过多个路段所花费的通行时间与t
′
k1
，t
′
k2
，t
′
k3
...相对应；fk表示车辆经过路段k起点的时刻对应的时段，的时刻对应的时段，利用下式计算车辆通过路段k的通行时间tk：
[0051][0052]
m的取值满足如下约束：
[0053]
δt表示时段长度，t0表示开始时刻；
[0054]
iv)利用下式计算处理路况变化所需花费时间：gn(r)＝bn(r) cn(r) kn(r) hn(r)；
[0055][0056][0057]
θ
n，n
′
表示数据从车辆vn传递到车辆vn′
所经过的车辆数；
[0058][0059][0060][0061]
m表示边缘节点数量，d表示边缘计算设备集合，d＝{d1，d2，...，dm}，v表示车辆集合，v＝{v1，v2，...，vn}，λ
v2v
表示基于v2v方法的数据传输速率，λ
v2i
表示基于v2i方法的数据传输速率，ωn表示被传输计算任务的数据量，vn表示编号为n的配送车辆，dm表示编号为m的边缘计算设备，ln表示计算任务n是否在某边缘计算设备上进行处理，ln取值为0或1，p表示每个边缘计算设备的处理能力，un是计算任务n所请求的资源数量；
[0062]
v)利用下式计算完成配送任务整体所需时间：
[0063]
k表示编号为r_s的路径所经过的路段总数；r表示至完成配送时，所处理过的由路况变化而对道路通行时间造成恶劣影响的道路事件总数。
[0064]
采用改进的a*算法来对需要调整的局部路径进行重新规划，既保证了再次寻优的求解速度，将计算时间控制在一定范围内，又使再次寻优的结果符合实际情况，保证了所做调整的合理性。整体上协调了时间耗费和所求解质量之间的矛盾。使用v2i、v2v方法，保证了路况数据和调整结果在各边缘结点之间以及边缘结点和车辆之间的传输速度和传输效率，保证了通行的可靠性。
[0065]
步骤s5的具体实现过程包括：
[0066]
a)所有配送车辆根据初始路径规划，开始配送；
[0067]
b)将需要配送的需求点按r*r划分为多个配送区域，并为每个所述配送区域编号，r为单位长度；
[0068]
c)边缘结点监听道路状况发生的变化，按照时间长度将产生影响路况的事件记录到events列表，events列表中的每个event对通往各配送区域内需求点的道路的通行时间产生不同大小的影响，即，根据每个event所对应的事件类型的影响程度，将发生event的配送区域内路段的道路通行时间增大为原来的ei倍(ei可根据实际使用需要设置)；
[0069]
d)将对应配送区域内路段的道路通行时间变更为影响后的值；
[0070]
e)判断当前时间片段内是否需要对原规划路径进行调整，即判断发生变化的路况信息是否会对各配送车辆当前的配送任务造成恶劣影响：若车辆即将前往路段变化后的道路通行时间大于原通行时间的n倍(n可根据实际情况设定具体数值)，即视为该路况信息的变化对配送任务造成了恶劣影响，则需要进行调整；如需调整，按照寻找两点间最短路径算法进行再规划；
[0071]
f)对其余每个时间片段，重复步骤a)～f)，直至完成全部配送任务，即所有车辆将初始规划中所有的需求点都遍历完，并回到配送中心。
[0072]
通过对配送区域进行划分，明确了各边缘设备的监听范围，合理地降低了对路况处理的计算难度，使各边缘设备能够感知到其各自所负责区域内的道路状况变化并作出处理，又不至于超出边缘设备的算力，合理地分担了计算负荷。
[0073]
本发明还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；其特征在于，所述处理器执行所述计算机程序，以实现本发明所述方法的步骤。
[0074]
本发明还提供了一种计算机程序产品，包括计算机程序/指令；该计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
[0075]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
[0076]
与现有技术相比，本发明所具有的有益效果为：本发明考虑了对配送开始到配送完成的这段时间内，配送区域内所发生的影响道路通行状况的诸多因素，降低了完成配送任务所耗费的时间因路况变化而大幅增加的风险，降低了配送成本，给企业的物流配送带来经济效益，减少了能源消耗。
附图说明
[0077]
图1为本发明实施例方法流程图；
[0078]
图2为本发明实施例云端通信过程示意图。
具体实施方式
[0079]
本发明实施例包括以下步骤：
[0080]
步骤1：对配送车辆路径规划问题进行定性分析，确定配送时间和成本为第一阶段路径规划的优化目标。配送成本由车辆运输成本tc、时间窗惩罚成本pc和车辆成本三部分构成。
[0081]
其中，tc包括运输燃料消耗和车辆维护费用等，该部分与配送路径的长度成正比，计算方式如下：
[0082][0083]cij
为需求点i与需求点j之间的单位运输成本，d
ij
为需求点i与需求点j之间的距离，x
ijk
的取值为0或1，取值为1表示车辆k从需求点i离开后前往需求点j，否则取值为0。pc表示当车辆超出时间窗要求到达需要增加的惩罚成本，计算方式如下：
[0084][0085]
a，b为配送时间窗惩罚系数，w
ik
为车辆k在配送点i的等待时间，t
ik
为车辆k到达配送点i的时间，li为配送点i的最晚服务时间窗。
[0086]
车辆成本与所安排的配送车辆数量vn成正比，计算方式如下：
[0087][0088]
x
0jk
取值为0或1，当其值为1时表示车辆k从配送中心0出发前往需求点j。
[0089]
步骤2：在根据需求点提出的货物需求量和时间窗约束下，并考虑配送中心的配送能力，在车辆出发前，根据已有数据，使用遗传算法在云端对整体配送路径提前进行优化。
[0090]
步骤2.1：根据时间窗和配送总成本最低等要求制定多目标优化函数；
[0091]
本方法采用惩罚函数的方法来对约束条件进行处理。罚函数法的基本思想是：对于在解空间中解不可行的个体，如果要计算其适应度，则需要对该个体的适应度函数赋予一个罚函数降低适应度，使得遗传给下一代的概率降低，以至自动淘汰。针对本文中模型的特点，其中车辆容量约束、最大行驶距离约束可以采用罚函数的形式予以实现。用公式表示如下：
[0092][0093]
式中p(x)为惩罚函数，x代表相应的种群个体编号，其中t是一个很大的正数。
[0094]
步骤2.2：将上一步骤中所描述问题的解进行编码，构造与之对应的染色体；
[0095]
本方法采用自然数符号对问题的解进行编码。自然数编码通过将问题的解(即车辆路径的集合)编码为长度为k m 1的自然数数组，编码的每一条染色体表示问题解空间中的一个初始解。举例说明如下：考虑{0，4，7，9，11，0，1，3，5，2，0，6，8，10，0}染色体编码，表示安排三辆车完成11个备件需求点的配送任务，三辆车的配送子路径分别为：路径1：0-＞
4-＞7-＞9-＞11-＞0；路径2∶0-＞1-＞3-＞5-＞2-＞0；路径3∶0-＞6-＞8-＞10-＞0；其中，编号0表示配送中心，1-11表示11个需求点的编号，每辆车均从配送中心出发，依次完成配送任务后回到配送中心。
[0096]
步骤2.3：根据备件需求数据、路网数据和配送资源，随机产生初始种群；
[0097]
步骤2.4：通过选择、交叉和变异算子，在不满足终止条件的情况下对初始种群进行循环进化，直至产生最优解；
[0098]
在应用本方法去解决备品备件车辆配送路径规划问题时，将参数设置为：种群规模popsize＝80，最大迭代代数maxgen＝500，交叉率pc＝0.88，变异率pm＝0.05。终止条件设定为：若迭代次数达到500代；或若某代染色体的适应度值达到初始最佳染色体适应度值的0.9倍，则搜索终止，输出最优解。
[0099]
步骤2.5：通过解码得到初始配送路径规划方案。
[0100]
步骤3：配送车辆出发后，通过边缘设备采集道路状况变化的相关数据：通过边缘设备对路况数据进行感应并做出判断，对相应路段的路网数据做出更新，为动态调整局部配送路径提供依据。
[0101]
步骤3.1：对边缘设备所采集到的路况变化信息进行处理，计算所属路段的通行时间的变化；
[0102]
步骤3.2：动态更新路网数据以及道路的通行时间表。以0.5h为单位时间δt，根据车辆速度更新配送车辆当前所处的位置，根据从边缘结点采集并处理后的数据，更新道路通行时间表中所有路段的当前通行时间；
[0103]
步骤3.3：通过边缘设备将路况变化信息和所有配送车辆的当前位置及下一配送位置进行判断，为下一步调整提供依据。
[0104]
步骤4：基于改进的a*算法对预定路径做出动态调整：通过在边缘设备上运行改进的a*算法，根据边缘设备提供的动态更新的路网信息以及配送车辆所处的位置，对余下的配送路径进行动态的调整，直至全部配送任务结束。
[0105]
步骤4.1：在判断出从当前配送点到(原路径规划中的)下一配送点之间需要改变行车路径的情况下，寻找两点间最短路径来实现。使用a*算法，对需要调整的当前需求点与下一需求点的路径做出再规划，即寻找两点间的最短路径。具体实现如下：
[0106]
a*算法是一种典型的启发式搜索算法，建立在diikstra算法的基础之上，广泛用来寻找两点之间的最短路径。
[0107]
a*算法最主要的是维护了一个启发式估价函数：
[0108]
f(n)＝g(n) h(n)
[0109]
其中，f(n)是算法在搜索到每个节点时，其对应的启发函数。它由两部分组成，第一部分g(n)是起始节点到当前节点实际的通行代价，第二部分h(n)是当前节点到终点的通行代价的估计值。算法每次在扩展时，都选取f(n)值最小的那个节点作为最优路径上的下一个节点。
[0110]
步骤4.2∶对a*算法所维护的p表和q表进行操作。a*算法维护两个集合：p表与q表。p表存放那些已经搜索到、但还没加入最优路径树上的节点；q表维护那些已加入最优路径树上的节点。
[0111]
(1)p表、q表置空，将起点s加入p表，其g值置0，父节点为空，路网中其他节点g值置
为无穷大。
[0112]
(2)若p表为空，则算法失败。否则选取p表中f值最小的那个节点，记为bt，将其加入q表中。判断bt是否为终点t，若是，转到步骤(3)；否则根据路网拓扑属性和交通规则找到bt的每个邻接节点nt，进行下列步骤：
[0113]
①
计算nt的启发值
[0114]
f(nt)＝g(nt) h(nt)
[0115]
g(nt)＝g(bt) cos t(bt，nt)
[0116]
其中，cost(bt，nt)是bt到nt的通行代价。
[0117]
②
如果nt在p表中，且通过g(nt)＝g(bt) cos t(bt，nt)计算的g值比nt原先的g值小，则将nt的g值更新为式(3)结果，并将nt的父节点设为bt。
[0118]
③
如果nt在q表中，且通过g(nt)＝g(bt) cos t(bt，nt)计算的g值比nt原先的g值小，则将nt的g值更新为g(nt)＝g(bt) cos t(bt，nt)结果，将nt的父节点设为bt，并将nt移出到p表中。
[0119]
④
若nt既不在p表，也不在q表中，则将nt的父节点设为bt，并将nt移到p表中。
[0120]
⑤
转到步骤(2)继续执行。
[0121]
(3)从终点t回溯，依次找到父节点，并加入优化路径中，直到起点s，即可得出优化路径。
[0122]
步骤4.3：计算并处理通行时间的动态变化。为计算在实时情况下某段道路的通行时间，采用了一种道路通行时间表的结构，如表1所示。表中存放了道路当前时刻的通行时间以及未来几个时刻通行时间的预测值。
[0123]
以t0表示开始时刻，将未来一段时间划分为若干个时段，以δt表示一个时段的长度，系统开始工作的时刻属于第一个时段。然后对这些时段进行编号，如1，2，3，4，...。同理，也将每个路段编号为1，2，3，4，...。采用t
ij
表示路段i在时段j的通行时间。这样就可得到不同路段在不同时刻的通行时间。
[0124]
表1道路动态通行时间表
[0125][0126]
再规划系统会在道路情况发生改变，即不同的道路事件发生时，判断是否需要改变当前的配送路径∶如果变化后的道路通行时间大于原通行时间的n倍，即为需要进行路径
再规划。优化路径上可能会包含多个路段，将它们编号为1，2，3，...，k，...。以[tk，tk′
]表示车辆经过路段k的通行时间tk，则tk＝tk′‑
tk。车辆可能会花费多个时段才能通过路段k，将这些时段与通行时间t
′
k1
，t
′
k2
，t
′
k3
，...对应。
[0127]
首先计算出车辆经过路段k起点的时刻对应的时段fk：
[0128][0129]
则相应可以得出：
[0130][0131]
根据时段长度δt、道路长度l与道路通行速度的不同取值，可能会出现车辆只需在一个时段即可通过路段，也可能需要多个时段才能通过。因此可得到车辆通过路段k的具体公式如下：
[0132][0133]
其中，m的取值满足如下约束：
[0134][0135]
步骤5：计算边缘设备对道路信息变化进行处理，并通过区域内的车辆之间的通信网络，将结果传达目的结点的时间。
[0136]
步骤5.1：计算路况变化信息传输到边缘服务器所需的时间为bn(i)，计算方法如下所示：
[0137][0138][0139]
其中n表示当前路段车辆数，m表示架设的边缘计算设备数，d表示边缘计算设备集合，d＝{d1，d2，...，dm}，v表示车辆集合，v＝{v1，v2，...，vn}，λ
v2v
表示基于v2v技术的数据传输速率，λ
v2i
表示基于v2i技术的数据传输速率，ωn表示被传输计算任务的数据量，vn表示编号为n的配送车辆，dm表示编号为m的边缘计算设备；
[0140]
步骤5.2：计算任务发送到边缘服务器的时间为cn(i)，计算方法如下所示：
[0141][0142]
步骤5.3：计算在边缘服务器执行路径再规划的时间为kn(i)，计算方法如下所示：
[0143][0144]
步骤5.4：计算将重新规划的路径发送回车辆的时间为hn(i)，计算方法如下所示：
[0145][0146]
步骤5.5：求出整体花费时间，计算方法如下所示：
[0147]gn
(i)＝bn(i) cn(i) kn(i) h
n(i)[0148]
步骤6：根据路况变化对路径做出的优化调整，更新该条更新后的配送路径所耗费的成本。
[0149]
步骤7：对车辆从配送中心出发为开始，以最后一辆配送车辆完成配送任务未截止，在整个配送过程中，按照步骤3、4、5所述方法，对整个配送区域内的配送车辆路径进行动态的调整。为了处理方便，实现以下步骤的操作前，我们提出以下两个假设：
[0150]
(1)物流配送中心和客户节点之间以及客户节点相互之间，通过路网中的道路组合，均为可达；
[0151]
(2)路况的变化发生在一个网格区域，则在该时间段内，对通往该区域内的需求点的道路的通行时间均会造成不同程度影响(视具体事件类型而定)。
[0152]
步骤7.1：所有配送车辆根据初始路径规划，开始配送；
[0153]
步骤7.2：将需要配送的需求点按r*r划分区域，并编号，r为单位长度，可根据边缘设备的计算能力确定具体数值；
[0154]
步骤7.3：由边缘结点监听道路状况所发生的变化，按照时间长度0.5h的片段，将产生影响路况的事件记录到events列表，每个event对通往该区域内需求点的道路的通行时间产生不同大小的影响：根据每个event所对应的事件类型的影响程度，将发生event的区域内路段的道路通行时间增大为原来的ei倍(ei可根据实际情况设定具体数值)，具体考虑到的道路事件列举如表2所示；
[0155]
表2道路事件表
[0156][0157]
步骤7.4：将对应区域内路段的道路通行时间变更为影响后的值；
[0158]
步骤7.5：判断该时间片段内是否需要对原规划路径进行调整，即判断发生变化的路况信息是否会对各配送车辆当前的配送任务造成恶劣影响：若车辆即将前往路段变化后的道路通行时间大于原通行时间的n倍，即视为该路况信息的变化对配送任务造成了恶劣影响，则需要进行调整；
[0159]
步骤7.6：如需调整，按照寻找两点间最短路径的a*算法进行再规划；无需调整则不做任何操作；
[0160]
步骤7.7：按照0.5h时间片段重复如上步骤，直至完成全部配送任务，即所有车辆将初始规划中所有的配送点都遍历完，并回到配送中心。