《报告12.23.docVIP

第三章 同城配送路径优化问题模型构建 3.1问题描述 电子商务模式下的订单普遍具有小批量、多批次的特点，与传统模式相比，配送增加了更多难度。O2O模式下的电商企业，往往面临着线下同城配送的难题。当有顾客在网上下单后，网站后台根据商家与客户订单的详细情况（顾客地址、配送时间要求）进行分析，选择高效的物流合理组织行车路线进行商品取送货服务。 同城配送问题描述为：在A城中有一家配送企业进行同城配送业务，拥有n辆配送车辆，在一次的同城快递业务中，已知有m个订单，取货点s个，送货点r个，且订单对应的取货点、送货点位置、距离已知，要求在满足车辆载重量限制和商家客户时间约束方案的合理安排穿梭时刻对订单进行配送方案安排的进行，会有动态订单到来，此时 （没用，这个）行使距离的限制）公式改正确的）加帽子，说明模型构建的意义）上面公式改正过来）这个名字）加一段话，说明包括什么什么）描述为配送车辆客户订单要求动态穿梭完成取送货任务。车辆在配送过程中会有订单产生，这就使得配送问题多变量、多约束、非线性问题。传统求解该问题非常容易陷入到局部最优解中，很难得到较为满意的效果。O2O模式下同城配送工作时序如图所示。在初始时刻，所有的客户订单信息已知，配送车辆按照初始配送路线陆续驶离中心进行客户配送服务；在时刻1，配送车辆正常行驶，在车辆配送过程中，配送中心接收当日产生的实时需求；在时刻2，配送车辆接收到新需求后，根据一定的优化策略调整车辆的行驶路线，对实时需求客户和尚未配送的预约客户进行配送。 本文研究的O2O模式同城配送问题针对的是客户动态需求引起的最优化问题，配送过程中有新增客户订单产生，因此采用两阶段求解策略，通过分析发现, DVRPTW问题的动态性一般产生于执行配送计划的过程中, 据此设计“初始优化阶段+实时优化阶段”的两阶段求解策略, 具体步骤见下图。 第1 阶段: 根据已知信息优化得到初始阶段的配送计划。 该阶段采用小生境遗传算法进行全局优化，产生初始配送方案，并从配送中心发车进行配送。 第2 阶段: 根据客户动态需求信息进行实时阶段的优化。该阶段将在执行第1 阶段制定的配送计划的过程中, 通过不断更新客户需求信息, 判断是否有新的需求提出, 若没有, 执行原调度计划; 若有, 把新的提出需求的客户插入配送网络中, 并利用改进的遗传算法进行快速寻优计算，产生实时配送方案。 （把两个图在一起）这段）遗传算法设计）就是选择概率，如图 4 所示。 轮盘赌选择的具体操作步骤如下： 步骤 1：计算算法执行过程中形成的各个子种群中个体适应度函数值的和； 步骤 2：计算选择优良个体的概率： pi（i=1,2,3...n） 步骤 3：按照概率，将轮盘进行区域的划分，及概率比的标注； 步骤 4：随机生成一个大于 0，小于 1 的数，根据其值落入的区间，作为选择相关个体的依据。 5）交叉算子 在算法执行过程中，两个个体按照一定的方法交换信息，产生两个新的个体。它包含的基本交叉方法有：多点交叉、单点交叉、一致交叉和两点交叉。下面以二进制编码的形式，描述交叉的操作，设有染色体 X1，X2 6）变异算子 变异操作指的是染色体的编码串上的某些基因按照一定的规则进行改变，构成新个体的过程。该操作直接决定了遗传算法的全局有哪些信誉好的足球投注网站能力的高低，在一定程度上降低了出现早熟现象的概率，增加了执行算法的种群的多样性。变异算子可以分为基本变异算子、自适应交叉变异算子和逆转变异算子等几种主要类型。其中使用二进制编码的基本变异算子的变异方法如下所示： 主要步骤为：①确定初始种群中个体的规模，确定编码方案，产生初始化种 群，为初始种群中每个个体进行独立编码；②计算各阶段种群中每个个体的适应 度函数值，并根据函数值判断是否达到停止循环条件，若符合则输出最优解，否 则转至步骤③；③根据适应度函数值和选择算子选择优良个体组成下一代种群； ④种群内个体按照交叉算子和变异算子产生新的个体，并组合成新的种群，返回 步骤②。其基本流程图如下 所示。 4.6算法改进 由于此同城配送问题是多变量、多约束、多极值的路径优化问题，运用传统的遗传算法求解容易陷入局部最优解，为了防止陷入局部最优，所以对传统遗传算法进行改进，从变异算子与交叉算子两方面进行改进。 （1）交叉算子改进 传统进化规划的缺点在于它对最优解或接近最优解的收敛是很慢的。我们发现其中一个原因是传统进化规划经常使用高斯变异，使用这种方法有哪些信誉好的足球投注网站步长有时不能大到能够跳出局部最优解。然而，大的步长在当前解已经接近最优解时也是不