[發(fā)明專利]基于仿生智能優(yōu)化的物流路線規(guī)劃方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011562579.2
• 申請日: 2020-12-25
• 公開（公告）號: CN112700185B
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 陳本雄;黃翰;劉華;謝占功
• 申請（專利權(quán)）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(chǎn)權(quán)代理事務(wù)所(普通合伙) 44709
• 代理人: 鄭書鑫

本發(fā)明公開了基于仿生智能優(yōu)化的物流路線規(guī)劃方法及系統(tǒng)，包括將其他物流中心的路徑規(guī)劃數(shù)據(jù)與目標(biāo)物流中心的物流系統(tǒng)內(nèi)已有的路徑數(shù)據(jù)進(jìn)行對比，確定出所有具有路線沖突的路線，并具有路線沖突的路線在配送服務(wù)地圖中進(jìn)行映射，形成映射配送服務(wù)地圖，將映射配送服務(wù)地圖嵌入訓(xùn)練后的物流路線規(guī)劃模型，最后將具有路線沖突的路線在物流路線規(guī)劃模型中進(jìn)行隱藏，得到新的物流路線規(guī)劃模型；本發(fā)明可以對目標(biāo)物流中心的物流系統(tǒng)內(nèi)已有的物流路線進(jìn)行迭代更新，獲得新的最優(yōu)路線來替換已有的路線，可以在減少競爭壓力的前提下獲得最優(yōu)路線，最終的配送服務(wù)地圖能夠?yàn)榭蛻籼峁┳罴训奈锪髋渌头?wù)，從而能夠提升目標(biāo)物流中心的綜合服務(wù)能力。

技術(shù)領(lǐng)域

本發(fā)明涉及物流路線規(guī)劃技術(shù)領(lǐng)域，尤其涉及基于仿生智能優(yōu)化的物流路線規(guī)劃方法及系統(tǒng)。

背景技術(shù)

在經(jīng)濟(jì)社會快速發(fā)展的背景下，異地或本地的貨物流通需求不斷增長，物流運(yùn)輸逐漸成為越來越重要的一環(huán)，相應(yīng)的物流方案的規(guī)劃需求也越來越大。為了應(yīng)對這個(gè)問題，市面上已然出現(xiàn)了許多智能物流系統(tǒng)，利用計(jì)算機(jī)強(qiáng)大的運(yùn)算能力來快速的給出整體物流規(guī)劃方案。

然而，現(xiàn)有的路線規(guī)劃方案，一般僅涉及到根據(jù)已有條件進(jìn)行路線規(guī)劃，而在涉及實(shí)時(shí)動態(tài)路線規(guī)劃問題方面，卻鮮有高效的解決方案。多個(gè)物流中心存在的多個(gè)交叉業(yè)務(wù)路線時(shí)，路線的輸運(yùn)壓力隨之增加，導(dǎo)致大量的時(shí)間被消耗在路線擁堵上，如何快速替換掉存在著高擁堵性的舊路線，是提高物流服務(wù)質(zhì)量已經(jīng)降低物流服務(wù)成本的有效方法。因此，本發(fā)明提出基于仿生智能優(yōu)化的物流路線規(guī)劃方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中的不足之處。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明的目的在于提供基于仿生智能優(yōu)化的物流路線規(guī)劃方法及系統(tǒng)，通過將其他物流中心的路徑規(guī)劃數(shù)據(jù)與目標(biāo)物流中心的物流系統(tǒng)內(nèi)已有的路徑數(shù)據(jù)進(jìn)行對比，確定出所有具有路線沖突的路線，并將與其他物流中心具有路線沖突的路線在配送服務(wù)地圖中進(jìn)行映射與標(biāo)記，形成映射配送服務(wù)地圖，以及將映射配送服務(wù)地圖嵌入訓(xùn)練后的物流路線規(guī)劃模型，最后將標(biāo)記的與其他物流中心具有路線沖突的路線在物流路線規(guī)劃模型中進(jìn)行隱藏，得到新的物流路線規(guī)劃模型，可以實(shí)現(xiàn)對目標(biāo)物流中心的物流系統(tǒng)內(nèi)已有的物流路線進(jìn)行迭代更新，獲得新的最優(yōu)路線來替換已有的路線，可以在減少同行競爭壓力的前提下獲得最優(yōu)路線，形成的最終的配送服務(wù)地圖能夠?yàn)榭蛻籼峁┳罴训奈锪髋渌头?wù)，從而能夠提升目標(biāo)物流中心的綜合服務(wù)能力。

為了實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

基于仿生智能優(yōu)化的物流路線規(guī)劃方法，包括以下步驟：

步驟一：對目標(biāo)物流中心的物流系統(tǒng)內(nèi)的所有正常工作的物流車輛進(jìn)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(yīng)關(guān)系的車況因素，再將車況因素進(jìn)行匯總，形成車況因素集；

步驟二：搜尋單一區(qū)域內(nèi)所有與目標(biāo)物流中心具有業(yè)務(wù)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(guī)劃數(shù)據(jù)，將收集的所有的其他物流中心的路徑規(guī)劃數(shù)據(jù)與目標(biāo)物流中心的物流系統(tǒng)內(nèi)已有的路徑數(shù)據(jù)進(jìn)行對比，確定出所有具有路線沖突的路線，并對該路線進(jìn)行標(biāo)識與計(jì)數(shù)；

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

步驟四：收集物流路線規(guī)劃中的所有關(guān)鍵變量，并從關(guān)鍵變量數(shù)據(jù)庫中采集最優(yōu)解狀態(tài)下的關(guān)鍵變量與車況因素集作為共同訓(xùn)練樣本，并對共同訓(xùn)練樣本中的關(guān)鍵變量和車況因素集進(jìn)行歸一化處理；

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

步驟六：利用仿生智能蟻群優(yōu)化算法計(jì)算出新的物流路線規(guī)劃模型中的新路線，并根據(jù)新路線上信息素的數(shù)量對新路線進(jìn)行降序排序，最后對排序后的新路線進(jìn)行可使用性校驗(yàn)，去除無效路線，得到最優(yōu)路線；