[發明專利]基于仿生智能優化的物流路線規劃方法及系統

有效

• 申請號: 202011562579.2
• 申請日: 2020-12-25
• 公開（公告）號: CN112700185B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 陳本雄;黃翰;劉華;謝占功
• 申請（專利權）人: 廣州智灣科技有限公司
• 主分類號: G06Q10/08
• 分類號: G06Q10/08
• 代理公司: 廣州晟策知識產權代理事務所(普通合伙) 44709
• 代理人: 鄭書鑫

1.基于仿生智能優化的物流路線規劃方法，其特征在于：包括以下步驟：

步驟一：對目標物流中心的物流系統內的所有正常工作的物流車輛進行編號，并按照編號逐一采集物流車輛的車況信息，形成與編號具有一一對應關系的車況因素，再將車況因素進行匯總，形成車況因素集；

步驟二：搜尋單一區域內所有與目標物流中心具有業務相似性的其他物流中心，并收集所有的其他物流中心的路徑規劃數據，將收集的所有的其他物流中心的路徑規劃數據與目標物流中心的物流系統內已有的路徑數據進行對比，確定出所有具有路線沖突的路線，并對該路線進行標識與計數；

步驟三：獲取目標物流中心的配送服務地圖，將與其他物流中心具有路線沖突的路線在配送服務地圖中進行映射與標記，形成映射配送服務地圖；

步驟四：收集物流路線規劃中的所有關鍵變量，并從關鍵變量數據庫中采集最優解狀態下的關鍵變量與車況因素集作為共同訓練樣本，并對共同訓練樣本中的關鍵變量和車況因素集進行歸一化處理；

步驟五：構建物流路線規劃模型，并用歸一化處理后的共同訓練樣本對模型進行訓練，然后將映射配送服務地圖嵌入訓練后的物流路線規劃模型，最后將標記的與其他物流中心具有路線沖突的路線在物流路線規劃模型中進行隱藏，得到新的物流路線規劃模型；

步驟六：利用仿生智能蟻群優化算法計算出新的物流路線規劃模型中的新路線，并根據新路線上信息素的數量對新路線進行降序排序，最后對排序后的新路線進行可使用性校驗，去除無效路線，得到最優路線；

步驟七：將最優路線重新映射到目標物流中心的配送服務地圖，形成優化配送服務地圖，然后對與其他物流中心具有路線沖突的路線進行具體分析，分析出該路線的擁堵概率，并根據擁堵概率進行路線排序，用最優路線對擁堵概率高的舊路線進行替換，形成最終的配送服務地圖。

2.根據權利要求1所述的基于仿生智能優化的物流路線規劃方法，其特征在于：所述步驟一中采集物流車輛的車況信息時，具體包括：采集車輛駕駛員的綜合駕駛技術評價信息、車輛的購買時間、車輛有無定期完成保養計劃、車輛駕駛員歷史工作過程中道路事故發生率和車輛的行駛里程數。

3.根據權利要求1所述的基于仿生智能優化的物流路線規劃方法，其特征在于：所述步驟四中收集物流路線規劃中的所有關鍵變量時，每個關鍵變量均為采集多個變量后進行數據除重、除損和標準化后再求平均得到的。

4.根據權利要求1所述的基于仿生智能優化的物流路線規劃方法，其特征在于：所述步驟六中對排序后的新路線進行可使用性校驗時，還包括先對新路線進行路況整合分析，優先選擇路況好的新路線。

5.基于仿生智能優化的物流路線規劃系統，其特征在于：包括車況采集模塊、區域路徑綜合數據采集模塊、數據信息處理模塊、關鍵變量數據采集模塊、模型構建模塊、算法執行模塊和物流路線決策模塊；

所述車況采集模塊用于采集物流車輛的車況信息，形成與車輛編號具有一一對應關系的車況因素，再將車況因素進行匯總，形成車況因素集；

所述區域路徑綜合數據采集模塊用于采集單一區域內與目標物流中心的物流系統內已有的路徑數據具有路線沖突的所有其他物流中心路徑數據，并對具有重復沖突的路線進行標識與計數；

所述數據信息處理模塊用于將與其他物流中心具有路線沖突的路線在配送服務地圖中進行映射與標記，形成映射配送服務地圖；

所述關鍵變量數據采集模塊用于收集物流路線規劃中的所有關鍵變量，然后構建訓練樣本，并對訓練樣本進行歸一化處理；

所述模型構建模塊用于構建物流路線規劃模型，并對模型進行訓練，然后將映射配送服務地圖嵌入訓練后的物流路線規劃模型，最后將標記的與其他物流中心具有路線沖突的路線在物流路線規劃模型中進行隱藏，得到新的物流路線規劃模型；

所述算法執行模塊用于利用仿生智能蟻群優化算法計算出新的物流路線規劃模型中的新路線，得到最優路線；

所述物流路線決策模塊用于將最優路線重新映射到目標物流中心的配送服務地圖，形成優化配送服務地圖，對與其他物流中心具有路線沖突的路線進行具體分析，用最優路線對擁堵概率高的舊路線進行替換，形成最終的配送服務地圖。