结合装载方案的车辆路径调整方法及系统与流程

1.本发明涉及车辆装载与路径优化技术领域，尤其涉及一种结合装载方案的车辆路径调整方法。


背景技术：

2.汽车零部件入厂物流中循环取货问题一直是物流工业中研究的主流问题之一，主要涉及货物装载和车辆路径的组合优化问题。
3.由于在实际运营中，存在一个供应商每天被多车次访问、需求可被拆分后分别运输、多种车型车辆执行运输任务以及限定卸货时间窗等情形。同时，考虑到存在一定数量的供应商分布于地理空间的各处，配送中心(或负责运输管理的物流公司)每天根据汽车制造厂的生产计划，组织适当的行车路径，向各供应商收取不同数量、不同尺寸、不同卸货时间限制的零部件，由不同车型的车辆来执行运输任务，将零部件送至配送中心卸货，使得配送中心的零部件库存能够持续满足汽车制造厂的生产计划。同时，又能在一定的约束即车辆装载约束、单个供应商的供应需求可拆分、车辆车型与数量限定等条件下，达到运输总成本最小和运输总时间最少的目的。
4.基于此，针对货物装载和车辆路径均设置了假设条件，针对货物装载，需要满足四个方面的假设条件：1)车厢及待装货物均为长方体；2)放入的货物必须完全被包含在车厢内；3)货物只能以棱平行或垂直于车厢的棱的方向放置；4)要求货物只能绕着高度棱进行旋转，不可倾倒放置。针对车辆路径需要满足五个方面的假设条件：1)每条路径必须从配送中心出发，最后回到配送中心；2)每个供应商可被路径访问不只一次；3)每条路径装入的货物应当满足车厢三维限制；4)每条路径只能由一辆车来服务；5)所有货物都有路径来取货配送。
5.在满足以上限定规则之外，还需要保障在解决汽车零部件入厂物流中循环取货问题的过程中，以最小化库存和运输总成本为目标，实现车辆运输、配送等环节的资源优化。
6.为此，提供一种结合装载方案的车辆路径调整方法及系统，从运输企业日常运作的实际需求出发，考虑运输货物过程中的多种限定规则，获取最优的车辆装载与车辆路径的组合优化方案，是当前亟需解决的技术问题。


技术实现要素：

7.本发明的目的在于：克服现有技术的不足，提供一种结合装载方案的车辆路径调整方法及系统，本发明能够通过模拟自然进化过程寻找货物装载与车辆路径组合优化的最优解，从而高效求解汽车零部件入厂物流实际运营时货物装载和车辆路径的最优组合方案。
8.为解决现有的技术问题，本发明提供了如下技术方案：
9.一种结合装载方案的车辆路径调整方法，包括步骤：
10.建立序列信息：基于货物信息、车型信息和供应商节点信息，建立货物序列i_
list、车型序列k_list和供应商节点序列s_list，其中，供应商节点序列s_list中的供应商节点顺序与货物在货物序列i_list中的位置信息的排列相匹配；
11.生成路径方案：结合待装货物序列、车型对应的车厢信息和预设约束条件，生成路径方案，所述路径方案包括所有路径对应的装载方案；并基于预设的适应度函数，计算前述路径方案的适应度函数值，所述适应度函数包括路径方案的运输总成本costr和运输总时间timer；
12.优化路径方案：将货物序列i_list和车型序列k_list进行染色体整数编码，通过遗传操作得到新货物序列和新车型序列，并在生成新染色体后，利用适应度函数评价新染色体的优劣，从而通过比较适应度函数值选择pareto解，以确定pareto最优解集和对应的路径方案。
13.进一步，所述路径方案中包含该路径上供应商序列、装载方案、运输时间ti，运输总成本costr和运输总时间timer信息。
14.进一步，生成路径方案的步骤，包括：步骤s201，初始化il＝1，ik＝1，其中，il代表第il个货物，ik代表第ik个车型；步骤s202，如果ik≤length(k_list)，从车型序列k_list中取出第ik个车型，否则，从车型序列k_list中取出第length(k_list)个车型，并获取车厢体积cv；步骤s203，从货物序列i_list中取出第il个货物加入待装货物序列l_list，当待装货物序列中货物体积之和大于车厢体积cv，执行步骤s204，否则，执行步骤s205；步骤s204，将待装货物序列和车型对应的车厢信息作为参数，调用预设的模拟退火算法，生成装载方案，按照已装货物在货物序列i_list中的位置顺序，排列出对应的供应商节点顺序s_list，去掉重复的供应商节点，在供应商节点顺序s_list的开始节点和结束节点处增加上配送中心，生成路径，将该路径存入路径方案，计算出该路径已装入货物的最早交货时间窗和各货物是否迟到αi，最后将已装货物从待装货物序列中删除，设置ik＝ik 1；步骤s205，当il≤length(i_list)时，设置il＝il 1，执行步骤s203；如果待装货物序列l_list为空，进入步骤s206，否则，返回步骤s204；步骤s206，输出路径方案，对前述路径方案中任意i∈r，每条ri路径的信息，包含该路径上供应商序列、装箱方案、运输时间ti，已装入的货物是否迟到αi，路径方案的运输总成本costr和运输总时间timer。
15.进一步，所述αi为0-1变量，αi＝1表示货物i，i∈i已装载在车上，αi＝0表示未装载在车上。
16.进一步，所述染色体包括前半段的货物片段和后半段的车型片段，其中，货物片段以零部件包装容器为单位，将一箱作为一个基因，当货物组合成托盘后，将组合后一个托盘作为一箱。
17.进一步，所述优化路径方案，包括步骤：步骤s301，生成货物 车型初始种群；步骤s302，计算初始种群中各条染色体的适应度函数值，得到各条染色体的初始pareto解及其对应的路径方案，写入预设的pareto最优解集中；步骤s303，对前述初始种群中的每个染色体进行遗传操作，生成货物 车型子代种群；计算子代种群中各条染色体的适应度函数值，得到新pareto解及其对应的路径方案，并写入pareto最优解集；步骤s304，判断是否满足预设的终止条件，为否时，返回步骤s302。
18.进一步，在判断是否满足预设的终止条件后，还包括步骤s305，判定为是时，输出pareto最优解集和对应的路径方案。
19.进一步，对前述pareto最优解集中所有的pareto解进行解码，以校验对应的路径方案，所述解码包括步骤：步骤s3051，切分车型片段和货物片段：在切分车型片段时，顺序按照从头至尾方向，每次只切分一个车型，获取该车型的车厢体积；在切分货物片段时，顺序按照从头至尾方向，逐个切分，直至本次已切分的货物体积之和超过车型的车厢体积为止，或者货物片段已切分完毕；步骤s3052，进行装载校验，利用预设的车辆装载算法，对已切分的车型和货物进行校验并生成装载方案；判断校验后是否有未装入的货物，判定为是时，将未装入的货物放回货物片段中，循环处理步骤s3051和步骤s3052，直至将所有货物都装入对应的车辆中；步骤s3053，生成车辆路径，根据每辆车已装入的货物，生成路径方案，并计算每条路径的最早卸货的窗口时间、运输总成本与运输总时间。
20.进一步，所述遗传操作包括选择、交叉和变异操作；所述遗传操作将染色体上货物片段和车型片段分别独立地进行选择操作、交叉操作和变异操作；其中，所述选择操作采用精英保留策略；所述交叉操作采用inver-over方法；所述变异运算采用单基因置换方法，随机选择染色体中两个基因进行位置交换。
21.一种结合装载方案的车辆路径调整系统,包括:
22.信息输入模块，用以采集货物信息、车型信息、供应商节点信息和预设约束条件；
23.序列构建模块，基于货物信息、车型信息和供应商节点信息，建立货物序列i_list、车型序列k_list和供应商节点序列s_list，其中，供应商节点序列s_list中的供应商节点顺序与货物在货物序列i_list中的位置信息的排列相匹配；
24.方案生成模块，结合待装货物序列、车型对应的车厢信息和预设约束条件，生成路径方案，所述路径方案包括所有路径对应的装载方案；并基于预设的适应度函数，计算前述路径方案的适应度函数值，所述适应度函数包括路径方案的运输总成本costr和运输总时间timer；
25.方案优化模块，用以将货物序列i_list和车型序列k_list进行染色体整数编码，通过遗传操作得到新货物序列和新车型序列，并在生成新染色体后，利用适应度函数评价新染色体的优劣，从而通过比较适应度函数值选择pareto解，以确定pareto最优解集和对应的路径方案。
26.基于上述优点和积极效果，本发明的优势在于：在考虑运输总成本最低、运输总时间最少，以及货物装载和车辆路径的约束条件的情况下，通过模拟自然进化过程寻找货物装载与车辆路径组合优化的最优解，从而高效求解汽车零部件入厂物流实际运营时货物装载和车辆路径的最优组合方案。
27.进一步，针对染色体上货物片段和车型片段，分别独立地进行选择、交叉和变异操作，通过遗传操作来优化车型分配和需求拆分，使得采用该方式获得的结果用时短，且准确率高。
附图说明
28.图1为本发明实施例提供的方法的一个流程图。
29.图2为本发明实施例提供的一个划分车辆路径的示意图。
30.图3为本发明实施例提供的优化路径方案的流程图。
31.图4为本发明实施例提供的遗传操作的流程图。
32.图5为本发明实施例提供的遗传操作中交叉操作的示例图。
33.图6为本发明实施例提供的遗传操作中变异操作的示例图。
34.图7为本发明实施例提供的编码解码过程的示例图。
35.图8为本发明实施例提供的系统的结构示意图。
36.附图标记说明：
37.系统100，信息输入模块110，序列构建模块120，方案生成模块130，方案优化模块140。
具体实施方式
38.以下结合附图和具体实施例对本发明公开的一种结合装载方案的车辆路径调整方法及系统作进一步详细说明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
39.需说明的是，本说明书所附图中所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响发明所能产生的功效及所能达成的目的下，均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现，其中可以不按所述的或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
40.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
41.在本发明中，货物装载和车辆路径的组合优化问题的求解方法所需要的集合、参数、决策变量等技术术语定义的表示如下：
42.1)集合
43.i＝{1,
…
,n}：待装载货物的集合，其中包括n个待装载货物。
44.s＝{0,1,
…
,m}：节点集合，其中，0为配送中心节点，1,
…
,m为零部件供应商。
45.k＝{1,
…
,k}：车型集合。
46.r＝{1,
…
,r}：输出结果路径单元集合，其中输出结果路径共有r条。
47.2)参数设置
48.数学模型的参数设置如下表所示：
[0049][0050][0051]
3)决策变量
[0052]
针对货物装载和车辆路径的组合优化问题，其数学模型的决策变量有v
ir
、α
rl
、w
rk
和u
ijr
，所述决策变量对应的定义如下表所示：
[0053][0054]
实施例
[0055]
参见图1所示，提供了一种结合装载方案的车辆路径调整方法，包括如下步骤：
[0056]
步骤s100，建立序列信息：基于货物信息、车型信息和供应商节点信息，建立货物序列i_list、车型序列k_list和供应商节点序列s_list，其中，供应商节点序列s_list中的供应商节点顺序与货物在货物序列i_list中的位置信息的排列相匹配。
[0057]
步骤s200，生成路径方案：结合待装货物序列、车型对应的车厢信息和预设约束条件，生成路径方案，所述路径方案包括所有路径对应的装载方案；并基于预设的适应度函数，计算前述路径方案的适应度函数值，所述适应度函数包括路径方案的运输总成本costr和运输总时间timer。
[0058]
其中，所述运输总成本表示为：
[0059][0060]
所述运输总时间表示为：
[0061]
在本实施例中，考虑到汽车零部件入厂物流循环取货过程中对车型的分配和对应需求的拆分，将车辆装载和车辆路径的组合优化问题的求解目标其一设置为运输总成本costr最低，即
[0062][0063]
在该公式中，第一项是每条路径在途运输成本和装卸车成本之和，第二项是提前取货造成惩罚费用。
[0064]
同时，将求解目标其二设置为运输总时间timer最少，即其中，运输总时间是在途运输时间与在节点装卸时间的总和。
[0065]
针对上述两个求解目标，在求解货物装载和车辆路径的组合优化问题时，相应设置针对车辆装载和车辆路径的约束条件，即本实施例总的预设预设条件，以在诸多约束条件的情况下，满足运输总成本costr最低和运输总时间timer最少。
[0066]
以上求解目标需要在满足车辆装载约束的同时，还需要满足车辆路径约束。
[0067]
所述车辆装载约束分为一般约束和特殊约束。其中，所述一般约束包括体积约束，装入货物之间互不嵌入约束，以及装入货物与车厢不相嵌约束；所述特殊约束包括完全支
撑约束、单箱承重约束、货物堆叠约束、车辆承重约束和重心约束。由于以上车辆装载约束的内容均为现有技术，故不在本实施例中进行详细展开。
[0068]
而所述车辆路径约束对应的数学表达具体如下：
[0069]
a)一个供应商节点至少被一条取货路径访问，即
[0070][0071]
b)供应商所有货物都有取货路径来运输，即
[0072][0073]
c)供应商所有货物都需要配送到配送中心卸货，即
[0074][0075]
d)一条取货路径只能有一辆车服务，即
[0076][0077]
e)一个供应商节点至少被一条取货路径访问，即
[0078][0079]
f)供应商所有货物都有取货路径来访问，即
[0080][0081]
g)一条路径弧上两个节点访问时间之差等于两点之间运输时间，即
[0082][0083]
h)一条取货路径来只能由一辆车来服务，即
[0084][0085]
具体的，生成路径方案的步骤，包括：
[0086]
步骤s201，初始化il＝1，ik＝1，其中，il代表第il个货物，ik代表第ik个车型。
[0087]
步骤s202，如果ik≤length(k_list)，从车型序列k_list中取出第ik个车型，否则，从车型序列k_list中取出第length(k_list)个车型，并获取车厢体积cv。
[0088]
步骤s203，从货物序列i_list中取出第il个货物加入待装货物序列l_list，当待装货物序列中货物体积之和大于车厢体积cv，执行步骤s204，否则，执行步骤s205。
[0089]
步骤s204，将待装货物序列和车型对应的车厢信息作为参数，调用预设的模拟退火算法，生成装载方案，按照已装货物在货物序列i_list中的位置顺序，排列出对应的供应商节点顺序s_list，去掉重复的供应商节点，在供应商节点顺序s_list的开始节点和结束节点处增加上配送中心，生成路径，将该路径存入路径方案，计算出该路径已装入货物的最早交货时间窗和各货物是否迟到αi，最后将已装货物从待装货物序列中删除，设置ik＝ik 1。
[0090]
需要说明的是，在生成装载方案时，优选采用模拟退火算法生成相应的装载方案，所述模拟退火算法通过模拟退火过程随机调整货物装载序列产生新的装载序列,使不同装
载序列对应不同的装载率,通过比较装载率来选择最优的装载方案，由于以上生成装载方案的方法作为现有技术，故不在本实施例中进行展开详述。
[0091]
此外，还需要说明的是，在生成路径时，需要考虑每个供应商每日允许多次访问的情形，其中，同一个供应商可设有多条访问取货路径，同时还需要考虑到每个供应商每日累计供应量可能超过一辆车的容量，且每个车次可能运输部分供应零部件，但是当日必须完成运输全部供应的零部件等情形。
[0092]
同时，还需要考虑到供应商分布于地理空间的各处的情形，这使得配送中心(或负责运输管理的物流公司)需要每天根据汽车制造厂的生产计划，设计适当的行车路径，从而向各供应商收取不同数量、不同尺寸、不同卸货时间限制的零部件，并通过不同车型的车辆执行运输任务，将零部件送至配送中心卸货，以使配送中心的零部件库存能够持续满足汽车制造厂的生产计划。
[0093]
作为举例而非限制，参见图2所示，对应不同车型执行的运输任务，生成了两条运输路径，例如：路径a为，1日6点一辆12米车从“配送中心”出发，先行驶到“供应商1”处取货，再行驶到“供应商2”处取货，最后送到“配送中心”卸货；路径b为，1日12点一辆8米车从“配送中心”出发，先行驶到“供应商2”处取货，再行驶到“供应商3”处取货，最后送到“配送中心”卸货。
[0094]
步骤s205，当il≤length(i_list)时，设置il＝il 1，执行步骤s203；如果待装货物序列l_list为空，进入步骤s206，否则，返回步骤s204。
[0095]
步骤s206，输出路径方案，对前述路径方案中任意i∈r，每条ri路径的信息，包含该路径上供应商序列、装箱方案、运输时间ti，已装入的货物是否迟到αi，路径方案的运输总成本costr和运输总时间timer。
[0096]
其中，所述αi为0-1变量，αi＝1表示货物i，i∈i已装载在车上，αi＝0表示未装载在车上。
[0097]
步骤s300，优化路径方案：将货物序列i_list和车型序列k_list进行染色体整数编码，通过遗传操作得到新货物序列和新车型序列，并在生成新染色体后，利用适应度函数评价新染色体的优劣，从而通过比较适应度函数值选择pareto解，以确定pareto最优解集和对应的路径方案。
[0098]
所述染色体包括前半段的货物片段和后半段的车型片段。
[0099]
其中，货物片段以零部件包装容器为单位，将一箱货物作为一个基因。当货物组合成托盘后，将组合后一个托盘作为一箱货物。
[0100]
具体的，所述优化路径方案，参见图3所示，包括步骤300：
[0101]
需要说明的是，在步骤300中，涉及初始种群、种群规模n、迭代次数t、交叉概率pc和变异概率pm参数。
[0102]
步骤s301，生成货物 车型初始种群。
[0103]
步骤s302，计算初始种群中各条染色体的适应度函数值，得到各条染色体的初始pareto解及其对应的路径方案，写入预设的pareto最优解集中。
[0104]
在针对目标运输总成本最低和运输总时间最少的求解过程中，存在有多个解，且每条染色体对应着一个目标解，即pareto解，这使得其组合后能够得到pareto最优解集。
[0105]
步骤s303，对前述初始种群中的每个染色体进行遗传操作，生成货物 车型子代种
群；计算子代种群中各条染色体的适应度函数值，得到新pareto解及其对应的路径方案，并写入pareto最优解集。
[0106]
参见图4所示，所述遗传操作包括选择、交叉和变异操作；所述遗传操作将染色体上货物片段和车型片段分别独立地进行选择、交叉和变异操作。
[0107]
其中，所述选择操作采用精英保留策略；所述交叉操作采用inver-over方法；所述变异运算采用单基因置换方法，随机选择染色体中两个基因进行位置交换。
[0108]
作为举例而非限制，参见图5所示，在交叉操作中，随机选择两条父代染色体：p1和p2染色体，从染色体p1中随机选择基因g1，并在染色体p2中查找基因g1所在位置g1’，选择基因g1’之后第一个基因g2，若g1’为染色体p2中最后一个基因，则选择染色体p2中第一个基因作为g2，在染色体p1中寻找g2位置g2’，并对g1连同g1与g2’之间部分进行翻转变换，但g2’位置则保持不动。同理，对染色体p2进行交叉处理。所述交叉操作采用inver-over方法，具有收敛速度快、精度高的特点。
[0109]
所述变异操作旨在针对经交叉操作后得到的98条染色体，分别随机给每对染色体产生一个概率值。
[0110]
如果染色体的概率值小于算法初始定义的变异概率，则以该条染色体作为父代染色体，进行变异操作产生子代染色体，如果子代染色体的两个适应度函数值都优于父代染色体的两个适应度函数值，则利用子代染色体替代父代染色体；如果子代染色体的两个适应度函数值比父代染色体的两个适应度函数值都差，则继续保留父代染色体。
[0111]
所述变异操作优选采用单基因置换方法，单基因置换方法的变异过程是随机选择染色体中两个基因进行位置交换。
[0112]
作为举例，参见图6所示，假设一条父代染色体p，从染色体p中随机选择一个基因位置g1，再在染色体p中寻找与g1不同位置的g2，然后交换染色体p中g1和g2位置的基因。
[0113]
需要强调的是，在交叉操作和变异操作中，各染色体间的交叉概率的值或变异概率的值可以相同，也可以设置为不同的值。
[0114]
步骤s304，判断是否满足预设的终止条件，为否时，返回步骤s302。
[0115]
步骤s305，判定为是时，输出pareto最优解集合和对应的路径方案。
[0116]
所述路径方案中包含每个路径上供应商序列、装载方案、运输时间ti，运输总成本costr和运输总时间timer信息。
[0117]
优选的，对前述pareto最优解集合中各pareto解进行解码，以校验对应的路径解决方案，所述解码包括步骤：
[0118]
步骤s3051，切分车型片段和货物片段：在切分车型片段时，顺序按照从头至尾方向，每次只切分一个车型，获取该车型的车厢体积；在切分货物片段时，顺序按照从头至尾方向，逐个切分，直至本次已切分的货物体积之和超过车型的车厢体积为止，或者货物片段已切分完毕。
[0119]
步骤s3052，进行装载校验，利用预设的车辆装载算法，对已切分的车型和货物进行校验并生成装载方案；判断校验后是否有未装入的货物，判定为是时，将未装入的货物放回货物片段中，循环处理步骤s3051和步骤s3052，直至将所有货物都装入对应的车辆中。
[0120]
所述车辆装载算法是指使用模拟退火过程随机调整货物装载序列产生新的装载序列,使不同装载序列对应不同的装载率,通过比较装载率来选择最优的装载方案，从而获
取装载方案的方法。
[0121]
步骤s3053，生成车辆路径，根据每辆车已装入的货物，生成路径方案，并计算每条路径的最早卸货的窗口时间、运输总成本与运输总时间。
[0122]
作为举例而非限制，参见图7所示，所述染色体基于整数编码进行编制，在编码后得到货物 车型染色体。在货物片段编码中，采用特定整数表示负责运输任务的车辆数量、对应的车型长度和货物数量，每箱货物有对应的装载基础信息，所述装载基础信息包括供应商信息、卸货时间窗、货物尺寸、货物重量和货物堆叠规则等。
[0123]
优选的，在货物片段编码中，采用1到9数字表示有9箱货物，每箱货物有对应的供应商信息、卸货时间窗、货物尺寸、货物重量和货物堆叠规则等装载基础信息，其中，第9、6和8箱货物属于供应商s1、第7、5、4和1箱货物则属于供应商s2，而第3和2箱货物属于供应商s3；车型片段编码中，优选用11到13数字表示有3辆车辆负责运输任务，分别对应8米、12米和8米车型。
[0124]
然后，对以上9箱货物信息和3辆车型信息，利用上述解码方法，确定其解码结果为096870541320和0130120110。
[0125]
因此，可以确定对应的车辆路径方案有2条。即路径1中采用8米车型车辆，从配送中心出发，行驶到供应商节点s1处取第9、6、8货物，之后行驶到供应商节点s2处取第7货物，然后送到配送中心进行卸货操作；路径2采用12米车型车辆，从配送中心出发，行驶到供应商节点s2处取第5、4、1货物，之后行驶到供应商节点s3处取第3、2货物，最后送到配送中心进行卸货。
[0126]
其它技术特征参考在前实施例，在此不再赘述。
[0127]
此外，参见图8所示，本发明中还给出了一种结合装载方案的车辆路径调整系统100的实施例,所述系统100包括信息输入模块110、序列构建模块120、方案生成模块130和方案优化模块140。
[0128]
所述信息输入模块110，用以采集货物信息、车型信息、供应商节点信息和预设约束条件。
[0129]
所述序列构建模块120，基于货物信息、车型信息和供应商节点信息，建立货物序列i_list、车型序列k_list和供应商节点序列s_list，其中，供应商节点序列s_list中的供应商节点顺序与货物在货物序列i_list中的位置信息的排列相匹配。
[0130]
所述方案生成模块130，结合待装货物序列、车型对应的车厢信息和预设约束条件，生成路径方案，所述路径方案包括所有路径对应的装载方案；并基于预设的适应度函数，计算前述路径方案的适应度函数值，所述适应度函数包括路径方案的运输总成本costr和运输总时间timer。
[0131]
所述方案优化模块140，用以将货物序列i_list和车型序列k_list进行染色体整数编码，通过遗传操作得到新货物序列和新车型序列，并在生成新染色体后，利用适应度函数评价新染色体的优劣，从而通过比较适应度函数值选择pareto解，以确定pareto最优解集和对应的路径方案。
[0132]
此外，所述系统100还可以包括用户接口模块，用以采集用户的输入信息以及向用户输出信息。优选的，为实现可视化，所述用户接口模块包括图形用户界面(gui)，以便用户查看和分析结果。
[0133]
所述系统还可以包括通常在计算系统中找到的其它组件，诸如存储在存储器中并由处理器执行的操作系统、队列管理器、设备驱动程序、数据库驱动程序或一个或多个网络协议等。
[0134]
其它技术特征参见在前实施例，在此不再赘述。
[0135]
在上面的描述中，在本公开内容的目标保护范围内，各组件可以以任意数目选择性地且操作性地进行合并。另外，像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的，而不是排他性的或封闭性，除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义，除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释，除非本公开内容明确将其限定成那样。
[0136]
虽然已出于说明的目的描述了本公开内容的示例方面，但是本领域技术人员应当意识到，上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明的优选实施方式的范围包括另外的实现，其中可以不按所述出现或讨论的顺序来执行功能。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。