(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211227593.6 (22)申请日 2022.10.09 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 刘业政　吴剑　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06Q 10/08(2012.01) G06Q 10/06(2012.01) G06Q 10/04(2012.01) G06F 17/10(2006.01) G06F 17/11(2006.01)G06F 17/13(2006.01) G06F 17/16(2006.01) G06N 3/00(2006.01) (54)发明名称 基于不确定需求下的绿色物流车辆路径优 化方法及应用 (57)摘要 本发明公开了一种基于不确定需求下的绿 色物流车辆路径优化方法及应用， 该方法包括： 1 采集到物流配送中心和所有待配送站点的经纬 度信息， 以计算每条线路上各个客户点之间距离 矩阵； 2构建车辆路径优化模型， 优化目标为总路 程碳排放最小化， 该总路程为车辆从配送中心出 发， 遍历所有的待配送站点， 最后回到配送中心 的总路程； 3车辆具有容量限制， 无最远距离限 制， 对车辆路径优化模型的目标函数设定约束条 件； 4通过配送站点历史需求量预测未来的需求 量， 并对配送算法进行优化； 5使用改进的启发式 算法求解车辆路径优化模型的目标函数， 以得到 最优路径选择方案和运输车辆的数量。 本发明能 有效地求得良好的预期车辆行驶路线， 以降低总 体碳排放。 权利要求书4页 说明书8页 附图3页 CN 115545608 A 2022.12.30 CN 115545608 A 1.一种基于不确定 需求下的物流车辆路径优化方法， 其特征在于， 是应用于由K辆运输 车辆将货物从物流配送中心 运输至n个配送站 点的配送任务中， 其中， 配送站 点的地址集合 记为N＝{N1， ...， Ni， ...， Nn}， Ni表示第i个配送站点的地址， i＝1， 2， ...， n， 当i＝0时， 令N0 为物流配送中心的地址； 所述物流车辆路径优化方法包括以下步骤： S1： 将运输车辆的数量记为K， 每辆车的载重量均 为Q， 令第k个运输车辆到达第i个配送 站点时的载重量记为Qik， 令第i个配送站点的需求量记为qi、 需求估计量记为 且物流配 送中心对各配送站点的需求满足率为x， 各站点的预期需求量服从正态分布qi～N( μ， σ2)， μ 为历史需求 量的期望， σ2为历史需求数据的方差； S2： 构建车辆路径优化模型： S2.1： 利用式(1)构建车辆路径优化模型的目标函数Z： 式(1)中， xijk表示第k个 车辆从第i个配送站点的地址Ni出发是否经过第j个配送站点的 配送地址Nj进行配送； 若xijk＝1， 则表示第k个车辆从第i个配送站点的地址 Ni出发并经过第 j个配送站点的配送地址Nj进行配送， 若xijk＝0， 表示第k个车辆从第i个配送站点的地址Ni 出发， 但不经过第 j个配送站点的配送 地址Nj进行配送； dij表示任意两个配送站 点之间的距 离， 当i＝0或者j＝0时， 表示物流配送中心到第j个配送站点或者第i个配送站点到物流配 送中心的距离； qi表示第i个配送站点的需求量； Cg表示每辆运输车辆运送单位重量的货物 所行驶的单位距离的碳排放量； Cd表示每辆运输车辆空载时所行驶的单位距离的碳排放 量； S2.2： 利用式(2) ‑式(5)构建车辆路径优化模型的约束条件： 式(2)表示第k个运输车辆离开第i个配送站点时的装载量要满足第j个配送站点的需 求量； 式(3)表示第k个运输车辆要满足最大 载重量要求； 式(4)表示运输车辆均从物流配送中心出发， 完成所有配送任务后均回到物流配送中 心， 从而形成一条闭合的配送路线； S3： 通过配送 站点的历史需求 量预测第i个 配送站点的需求 量qi： S3.1： 获取n个配送站点的历史需求量数据q＝{q1(0)， q2(0)，…， qi(0)，…， qn(0)}； 其中， qi (0)表示第i个配送站点在 历史时段T的需求量数据， 并有： qi(0)＝{qi1(0)， qi2(0)， ...， qi(t‑1)(0)， qit(0)， ...， qi(T‑1)(0)， qiT(0)}， qit(0)表示第i个 配送站点在第t时刻的需求 量；权　利　要　求　书 1/4 页 2 CN 115545608 A 2S3.2： 将第i个配送站点在历史时段T的需求量数据qi(0)进行一次累加操作， 生成累加后 的第i个配送站 点在历史 时段T的需求量序列qi(1)＝(qi1(1)， qi2(1)， ...， qi(t‑1)(1)， qit(1)， ...， qi(T‑1)(1)， qiT(1))； 其中， qit(1)表示累加后的第i个配送站点在第t时刻的需求量； qi(t‑1)(1)表 示累加后的第i个 配送站点在第t ‑1时刻的需求 量； S3.3： 将累加后的需求量序列qi(1)进行紧邻 均值生成处理， 得到 灰色需求量预测模型的 背景值qi(2)＝(qi2(2)， qi3(2)， ...， qi(t‑1)(2)， qit(2)， ...， qiT(2))； 其中， qit(2)表示第i个配送站点 在第t时刻的背景值， 且qit(2)＝gqit(1)+(1‑g)qi(t‑1)(1)； g是生成系数； S3.4： 利用式(5)构建需求 量的灰色需求 量预测模型 方程： qit(0)+mqit(2)＝cqit(1)    (5) 式(5)中， m是发展系数， c是由最小二乘法获得的灰色输入系数， 并由式(6)得到： 式(6)中， B表示第i个配送站点在 前3时刻的紧邻均值矩阵， 且 YN表示 第i个配送站点在前3时刻的紧邻均值列矩阵， 且 S3.5： 利用式(7)确定灰色需求 量预测模型的微分方程： S3.6： 构建如式(8)所示的时间相应函数的解方程式： 式(8)中， e为是自然对数函数的底数， 是qit(1)的估计值； S3.7： 确定第i个配送站点在第t时刻的需求量qit(0)的估计值 其中， 是qi(t‑1)(1)的估计值； S3.8： 设置第i个配送站点的满足率xi， 并根据第i个配送站点的历史 需求量数据的正态 分布， 计算第i个 配送站点的需求 量qi的上、 下界； S3.9： 将 中超过qi的上、 下界的元素剔除， 并用相应上、 下界的值补充剔除位， 从而得 到更新后的估计值并赋值给qi； S4： 基于鲸鱼优化 算法求解所述车辆路径优化模型： S4.1： 获取n个配送站点数据并随机排列生成Num条路径选择方案， 令第num条路径选择 方案记为Xnum＝(Xnum_1， ...， Xnum_i， ...， Xnum_n)， 其中， Xnum_i表示第i个配送站点选择第num条 路径选择 方案； S4.2： 定义初始概 率Pro、 最大迭代次数Tmax、 当前迭代次数t re＝1； S4.3： 根据Num条路径选择初始化当前第tre代鲸鱼种群中Num只鲸鱼的位置向量权　利　要　求　书 2/4 页 3 CN 115545608 A 3