本發(fā)明涉及物流運(yùn)輸和智能計(jì)算領(lǐng)域，更具體地，涉及一種求解多目標(biāo)帶時(shí)間窗周期性車輛路徑問題的智能調(diào)度算法。
背景技術(shù)：
：隨著國家經(jīng)濟(jì)的發(fā)展和科學(xué)技術(shù)的進(jìn)步，物流產(chǎn)業(yè)逐漸成為國民經(jīng)濟(jì)中一個(gè)重要的服務(wù)行業(yè)。作為經(jīng)濟(jì)發(fā)展的“加速器”和產(chǎn)業(yè)結(jié)構(gòu)演變的“潤滑油”，物流產(chǎn)業(yè)的發(fā)展程度已經(jīng)成為衡量一個(gè)國家現(xiàn)代化和綜合國力的重要標(biāo)志之一。而在物流產(chǎn)業(yè)中，最突出的則是物流成本問題。因此，對(duì)物流成本的優(yōu)化顯得尤為重要。車輛路徑問題的優(yōu)化算法主要分為精確求解算法和智能算法。精確求解算法能夠準(zhǔn)確地找出全局最優(yōu)的解，例如迪杰斯特拉算法。但是隨著算例的規(guī)模增加，算法的運(yùn)行時(shí)間會(huì)急劇增加，不適合解決大規(guī)模的問題。而智能算法通過交叉變異和局部搜索等操作將解推向更優(yōu)的區(qū)域，最終得到人們可以接受的解。同時(shí)，智能算法不受搜索空間限制性假設(shè)的約束，能夠從離散的多極值的高緯問題中以很高的概率找到全局最優(yōu)解。另外，智能算法的終止條件往往是運(yùn)行代數(shù)或者評(píng)估次數(shù)，這些都是人們?cè)O(shè)定的，所以運(yùn)行時(shí)間是人們可以接受的。因此，智能算法十分適用于車輛路徑問題的設(shè)計(jì)和優(yōu)化。多目標(biāo)局部搜索算法是智能算法的一個(gè)重要分支，是一種使用多種鄰域操作對(duì)解的各個(gè)目標(biāo)進(jìn)行優(yōu)化的智能算法。在解決復(fù)雜的優(yōu)化問題過程中，局部搜索是一種提高解的質(zhì)量的重要方法。多目標(biāo)局部搜索算法可以利用問題相關(guān)的信息設(shè)計(jì)不同的鄰域操作，從而能夠有效地提高解的質(zhì)量。結(jié)合合理的存檔策略，多目標(biāo)局部搜索算法可以將搜索過程中得到的非占優(yōu)解保存起來。多目標(biāo)局部搜索算法框架清晰，易于理解，簡(jiǎn)單實(shí)用，被廣發(fā)運(yùn)用到組合優(yōu)化、模式識(shí)別和自動(dòng)控制等領(lǐng)域。因此，多目標(biāo)局部搜索算法十分適合多目標(biāo)帶時(shí)間窗周期性車輛路徑問題(MOPVRPTW)這樣的組合優(yōu)化問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種性能較高的求解多目標(biāo)帶時(shí)間窗周期性車輛路徑問題的智能調(diào)度算法。為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：一種求解多目標(biāo)帶時(shí)間窗周期性車輛路徑問題的智能調(diào)度算法，包括以下步驟：S1：從存檔中選擇解，對(duì)解在不同的目標(biāo)上進(jìn)行局部搜索，提高解的質(zhì)量；S2：使用搜索得到的解更新存檔。進(jìn)一步地，所述步驟S1的具體過程如下：S111：初始化存檔A，評(píng)估目標(biāo)序號(hào)obj設(shè)置為1，其中obj＝1,2,···,5；S112：初始化解x；S113：對(duì)解x進(jìn)行評(píng)估；S114：采用局部搜索LSobj優(yōu)化x的第obj個(gè)目標(biāo)，得到優(yōu)化后的解x’；S115：使用解x’更新存檔A得到存檔A1，并將存檔A1復(fù)制給存檔A；S116：obj＝obj+1；S117：如果obj小于等于目標(biāo)數(shù)M，則執(zhí)行步驟S112，否則執(zhí)行步驟S118；S118：從存檔A中隨機(jī)選擇一個(gè)解x1，obj設(shè)置為1；S119：采用局部搜索LSobj優(yōu)化x1的第obj個(gè)目標(biāo)，得到優(yōu)化后的解x1’；S120：使用解x1’更新存檔A得到A2，并將存檔A2復(fù)制給存檔A；S121：obj＝obj+1；S122：如果obj小于等于目標(biāo)數(shù)M，則執(zhí)行步驟S119，否則執(zhí)行步驟S123；S123：如果未達(dá)到結(jié)束條件，則執(zhí)行步驟S118，否則執(zhí)行步驟S124；S124：輸出存檔A，程序結(jié)束。進(jìn)一步地，所述步驟S113的過程是：采用以下評(píng)估函數(shù)對(duì)解x進(jìn)行評(píng)估：f3＝max{Tj,d|j＝1,…,Rd,d＝1,…,T}其中，路徑集合R包括了每天訪問客戶的路徑集合Rd，故R＝{R1,R2,···,RT}，其中T表示訪問周期，每天的路徑集合Rd則包含多條具體的路徑rj,d，rj,d＝＜c(1,j,d),c(2,j,d),···,c(Nj,j,d)＞，故Rd＝{r1,d,r2,d,···,rm,d}，m表示該天出現(xiàn)的路徑數(shù)，c(i,j,d)表示第d天中第j條路徑中的第i個(gè)客戶，Nj表示該路徑出現(xiàn)的客戶的數(shù)量，令c(0,j,d)＝c(Nj+1,j,d)＝0表示所有車輛從倉庫出發(fā)，并最終返回倉庫；Distj,d表示第d天中第j條路徑的行駛距離：其中，dc(i,j,d)c(i+1,j,d)表示客戶c(i,j,d)和客戶c(i+1,j,d)之間的行駛距離；Tj,d表示第d天中第j條路徑的行駛時(shí)間：其中，tc(i,j,d)c(i+1,j,d)表示c(i-1,j,d)和c(i,j,d)之間的行駛時(shí)間，sc(i,j,d)表示客戶c(i,j,d)需要的服務(wù)時(shí)間。令ac(i,j,d)表示車輛到達(dá)客戶c(i,j,d)的時(shí)間，lc(i,j,d)表示車輛離開客戶c(i,j,d)的時(shí)間，ac(i,j,d)＝lc(i-1,j,d)+dc(i-1,j,d)c(i,j,d)。如果車輛到客戶的時(shí)間ac(i,j,d)早于該客戶的最早服務(wù)時(shí)間e(i,j,d)，則會(huì)產(chǎn)生等待時(shí)間：wc(i,j,d)＝max(0,ec(i,j,d)-ac(i,j,d))，則lc(i,j,d)＝ac(i,j,d)+wc(i,j,d)+sc(i,j,d)；Wid表示第d天中第j條路徑上的所有客戶的等待時(shí)間：Dtj,d表示第d天中第j條路徑上的所有客戶的延遲時(shí)間，如果車輛到客戶的時(shí)間晚于該客戶的最遲服務(wù)時(shí)間lc(i,j,d)，則會(huì)產(chǎn)生等待時(shí)間tc(i,j,d)＝max(0,ac(i,j,d)-lc(i,j,d))，故其中，f1表示在T天中所調(diào)度的所有車輛，為評(píng)估目標(biāo)1即obj＝1，優(yōu)化目標(biāo)1，可以減少每輛車的消耗；f2表示在T天中所有車輛行駛的總距離，為評(píng)估目標(biāo)2即obj＝2，優(yōu)化目標(biāo)2，可以減少車輛總的花費(fèi)；f3表示在T天所調(diào)度的所有車輛中每個(gè)駕駛員最長的工作時(shí)間，為評(píng)估目標(biāo)3即obj＝3，優(yōu)化目標(biāo)3可以保證工作量的平衡；f4表示在T天中所有車輛的等待時(shí)間，為評(píng)估目標(biāo)4即obj＝4，優(yōu)化目標(biāo)4，可以提高工作效率，避免浪費(fèi)工作時(shí)間；f5表示在T天中所有車輛的延遲時(shí)間，為評(píng)估目標(biāo)5即obj＝5，優(yōu)化目標(biāo)5，可以提高客戶的滿意程度。進(jìn)一步地，所述步驟S114中對(duì)于一個(gè)給定的解x和確定的優(yōu)化目標(biāo)obj進(jìn)行優(yōu)化時(shí)，包括以下幾步：S1141：如果obj等于1，執(zhí)行步驟S1142，否則執(zhí)行步驟S1142；S1142：對(duì)目標(biāo)1使用LS1進(jìn)行優(yōu)化，執(zhí)行步驟S1144；S1143：對(duì)目標(biāo)2-5使用LS2-5進(jìn)行其他，執(zhí)行步驟S1144；S1144：程序結(jié)束。進(jìn)一步地，所述步驟S1142中LS1的過程是：依次進(jìn)行對(duì)路徑的優(yōu)化操作LSR1和對(duì)模式的優(yōu)化操作LSP1，并分別使用搜索得到的解更新存檔。對(duì)路徑的優(yōu)化操作LSR1是在客戶模式不變的情況下通過調(diào)整客戶的位置減少車輛數(shù)：先選擇出客戶數(shù)最少的路徑，將該路徑上的客戶插入到當(dāng)天的其他路徑中；如果這條路徑上的客戶全部被插入到其他路徑中，即減少了車輛數(shù)，那么可以繼續(xù)選擇客戶數(shù)最少的路徑進(jìn)行優(yōu)化。如果存在客戶不能被合法地插入到其他路徑中，則程序結(jié)束；對(duì)模式的優(yōu)化操作LSP1是通過調(diào)整客戶的模式減少車輛數(shù)：先選擇出客戶數(shù)最少的路徑，然后更改該路徑上的客戶的模式進(jìn)而改變客戶的位置，然后使用選擇條件進(jìn)行挑選；如果優(yōu)化后的解的車輛數(shù)比優(yōu)化前的解的車輛數(shù)要小的話，則進(jìn)行替換；否則不進(jìn)行替換；因?yàn)橹芷谛攒囕v路徑問題涉及多天，所以LSR1和LSP1會(huì)在每一天進(jìn)行優(yōu)化。如果在某一天上解的質(zhì)量沒有得到提升，則撤銷該天的領(lǐng)域操作。進(jìn)一步地，所述步驟S1143中對(duì)于一個(gè)給定的解x對(duì)目標(biāo)2-5進(jìn)行優(yōu)化時(shí)，包括以下幾步：S11431：優(yōu)化深度depth設(shè)置為0；S11432：從鄰域操作池中隨機(jī)選擇一個(gè)鄰域操作；S11433：使用該鄰域操作對(duì)解優(yōu)化，找到該鄰域中最優(yōu)的解x’；S11434：使用解x’更新存檔A；S11435：如果fobj(x')＜fobj(x)，則x被x’替換；S11436：如果depth小于最大深度MaxDepth次，則執(zhí)行步驟S11432，否則，返回解x，其中MaxDepth為10，即對(duì)每一個(gè)解在同一個(gè)目標(biāo)上的優(yōu)化深度為10；而鄰域操作池包括以下幾種多種不同的鄰域操作，OPool＝{O1,O2,···,On}，其中，Oi表示第i個(gè)鄰域操作：O1表示隨機(jī)地從選定的路徑中刪除一個(gè)客戶，然后將其重新插入到最優(yōu)位置；O2表示隨機(jī)地從選定的路徑中刪除一些客戶，然后分別將它們重新插入到最優(yōu)位置；O3表示交換兩個(gè)選定的路徑中的客戶序列，在一條選定的路徑中，隨機(jī)選擇一個(gè)位置，將其后的所有客戶看作一個(gè)序列，然后和另一條路徑中的所有可能的序列進(jìn)行交換，最后提升最大的解被保存下來；O4表示隨機(jī)地從選定的路徑中選擇一些客戶，改變客戶的模式，然后對(duì)于每個(gè)客戶使用新的模式將客戶插入到其最優(yōu)位置；O5表示將一條路徑中的客戶片段插入到另一條選定的路徑中；O6表示交換兩條選定的路徑中的客戶片段；O7表示將一條路徑中的客戶片段插入到同一條路徑中；O8表示交換一條路徑中兩個(gè)客戶的位置；O9表示從一天選定的路徑中選擇客戶片段，并將其進(jìn)行倒置；因?yàn)橹芷谛攒囕v路徑問題涉及多天，所以上述的鄰域操作需要在每一天進(jìn)行優(yōu)化，如果在某一天上解的質(zhì)量沒有得到提升，則撤銷該天的領(lǐng)域操作。進(jìn)一步地，所述步驟S2中對(duì)于使用解x更新存檔A時(shí)，包括以下幾步：S211：計(jì)算解x的關(guān)聯(lián)矩陣B(x)＝{B1,…,BM}，而S212：如果存檔A為空，將解x放入A，執(zhí)行步驟S222，否則執(zhí)行步驟S213；S213：令i等于1；S214：解y為存檔中第i個(gè)的解；S215：如果B(y)占優(yōu)B(x)，執(zhí)行步驟S222，否則執(zhí)行步驟S216；S216：如果B(x)和B(y)互不占優(yōu)，執(zhí)行步驟S217，否則執(zhí)行步驟S218；S217：如果解x目標(biāo)值占優(yōu)解y，則使用解x替代解y，并執(zhí)行步驟S222，否則執(zhí)行步驟S222；S218：將解y從存檔A中移除；S219：i＝i+1；S220：如果i小于等于存檔A中解的個(gè)數(shù)，則執(zhí)行步驟S214，否則執(zhí)行步驟S221；S221：將解x放入存檔A。S222：程序結(jié)束。與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：本發(fā)明運(yùn)用于多目標(biāo)帶時(shí)間窗周期性車輛路徑問題的設(shè)計(jì)和優(yōu)化中，主要涉及物流運(yùn)輸和智能計(jì)算兩大領(lǐng)域。發(fā)明的方法將優(yōu)化過程包括：第一，從存檔中尋找選擇解，對(duì)解在不同的目標(biāo)上進(jìn)行局部搜索，提高解的質(zhì)量；第二，使用最終得到的解更新存檔。在多目標(biāo)局部搜索算法中設(shè)計(jì)了多種鄰域操作，避免陷入局部最優(yōu)，提高算法的收斂速度。本發(fā)明對(duì)公開的對(duì)稱樣例和非對(duì)稱樣例進(jìn)行了測(cè)試，證明了發(fā)明的方法是真實(shí)有效的。附圖說明圖1為實(shí)施例1中周期性車輛路徑的解的具體結(jié)構(gòu)圖；圖2為實(shí)施例1中周期性車輛路徑的解的相應(yīng)的模式；圖3為實(shí)施例1中周期性車輛路徑的解的相應(yīng)的路徑示意圖；圖4鄰域操作的結(jié)構(gòu)；圖5多目標(biāo)局部搜索算法優(yōu)化多目標(biāo)帶時(shí)間窗周期性車輛路徑問題的流程圖。具體實(shí)施方式附圖僅用于示例性說明，不能理解為對(duì)本專利的限制；為了更好說明本實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；對(duì)于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的說明。實(shí)施例1以下結(jié)合附圖進(jìn)一步對(duì)發(fā)明的方法進(jìn)行描述，可以四個(gè)部分：分別是解的表示和目標(biāo)定義、局部搜索、鄰域操作和存檔更新策略。1、解的表示和目標(biāo)定義多目標(biāo)帶時(shí)間窗周期性車輛路徑問題的基本結(jié)構(gòu)如圖1-3所示，包括兩個(gè)部分：模式集合P和路徑集合R。模式集合P包括每個(gè)客戶的訪問模式pi，故P＝{p1,p2,…,pN}，其中N表示客戶的個(gè)數(shù)。路徑集合R包括了每天訪問客戶的路徑集合Rd，故R＝{R1,R2,…,RT}，其中T表示訪問周期。每天的路徑集合Rd則包含多條具體的路徑rj,d，故Rd＝{r1,d,r2,d,…,rm,d}，其中m表示該天出現(xiàn)的路徑數(shù)。每路具體的路徑rj,d則是由多個(gè)客戶組成，即rj,d＝<c(1,j,d),c(2,j,d),…,c(Nj,j,d)>，其中c(i,j,d)表示第d天中第j條路徑中的第i個(gè)客戶，Nj表示該路徑出現(xiàn)的客戶的數(shù)量。為計(jì)算方便，令c(0,j,d)＝c(Nj+1,j,d)＝0，表示所有車輛從倉庫出發(fā)，并最終返回倉庫。在優(yōu)化程序中，分別是對(duì)上面描述的五個(gè)目標(biāo)進(jìn)行優(yōu)化的，其中設(shè)計(jì)到Distj,d，Tj,d，Wj,d和Dtj,d。Distj,d：表示第d天中第j條路徑的行駛距離。其中，dc(i,j,d)c(i+1,j,d)表示c(i,j,d)和c(i+1,j,d)之間的行駛距離。Tj,d：表示第d天中第j條路徑的行駛時(shí)間。令ac(i,j,d)表示車輛到達(dá)客戶c(i,j,d)的時(shí)間，lc(i,j,d)表示車輛離開客戶c(i,j,d)的時(shí)間。則ac(i,j,d)＝lc(i,j,d)+dc(i-1,j,d)c(i,j,d)其中，tc(i-1,j,d)c(i,j,d)表示客戶c(i-1,j,d)和客戶c(i,j,d)之間的行駛時(shí)間。如果車輛到客戶的時(shí)間早于該客戶的最早服務(wù)時(shí)間e(i,j,d)，則會(huì)產(chǎn)生等待時(shí)間：wc(i,j,d)＝max(0,ec(i,j,d)-ac(i,j,d))。則lc(i,j,d)＝ac(i,j,d)+wc(i,j,d)+sc(i,j,d)。sc(i,j,d)表示客戶c(i,j,d)需要的服務(wù)時(shí)間。因此，Wj,d：表示第d天中第j條路徑上的所有客戶的等待時(shí)間。故，Dtj,d：表示第d天中第j條路徑上的所有客戶的延遲時(shí)間。如果車輛到客戶的時(shí)間晚于該客戶的最遲服務(wù)時(shí)間lc(i,j,d)，則會(huì)產(chǎn)生等待時(shí)間dtc(i,j,d)＝max(0,ac(i,j,d)-lc(i,j,d))。故2、局部搜索因?yàn)槌Ｒ?guī)的鄰域操作不能直接減少車輛數(shù)，即不能優(yōu)化目標(biāo)一，所以優(yōu)化目標(biāo)一的鄰域操作需要單獨(dú)設(shè)計(jì)。因此，對(duì)五個(gè)目標(biāo)的局部搜索可以分為兩類，記為LS1和LS2-5。因此對(duì)于一個(gè)給定的解x和確定的優(yōu)化目標(biāo)obj進(jìn)行優(yōu)化時(shí)，包括以下幾步：1)如果obj等于1，執(zhí)行步驟2，否則執(zhí)行步驟S3；2)對(duì)目標(biāo)1使用LS1進(jìn)行優(yōu)化，執(zhí)行步驟4；3)對(duì)目標(biāo)2-5使用LS2-5進(jìn)行其他，執(zhí)行步驟4；4)程序結(jié)束。對(duì)目標(biāo)一的局部搜索LS1依次進(jìn)行對(duì)路徑的優(yōu)化操作LSR1和對(duì)模式的優(yōu)化操作LSP1，并分別使用搜索得到的解更新存檔；對(duì)路徑的優(yōu)化操作LSR1是在客戶模式不變的情況下通過調(diào)整客戶的位置減少車輛數(shù)：先選擇出客戶數(shù)最少的路徑，將該路徑上的客戶插入到當(dāng)天的其他路徑中；如果這條路徑上的客戶全部被插入到其他路徑中，即減少了車輛數(shù)，那么可以繼續(xù)選擇客戶數(shù)最少的路徑進(jìn)行優(yōu)化。如果存在客戶不能被合法地插入到其他路徑中，則程序結(jié)束；對(duì)模式的優(yōu)化操作LSP1是通過調(diào)整客戶的模式減少車輛數(shù)：先選擇出客戶數(shù)最少的路徑，然后更改該路徑上的客戶的模式進(jìn)而改變客戶的位置，然后使用選擇條件進(jìn)行挑選；如果優(yōu)化后的解的車輛數(shù)比優(yōu)化前的解的車輛數(shù)要小的話，則進(jìn)行替換；否則不進(jìn)行替換；因?yàn)橹芷谛攒囕v路徑問題涉及多天，所以LSR1和LSP1會(huì)在每一天進(jìn)行優(yōu)化。如果在某一天上解的質(zhì)量沒有得到提升，則撤銷該天的領(lǐng)域操作。在局部搜索中，單個(gè)鄰域操作容易陷入局部最優(yōu)，而多個(gè)領(lǐng)域操作更容易逃離局部最優(yōu)。因此，對(duì)其他目標(biāo)的局部搜索LS2-5使用了多個(gè)鄰域操作，形成布鄰域操作池OPool＝{O1,O2,…,On}。其中，Oi表示第i個(gè)鄰域操作。對(duì)于一個(gè)給定的解x對(duì)目標(biāo)2-5進(jìn)行優(yōu)化時(shí)，可以包括以下幾步：1)深度depth設(shè)置為0。2)從鄰域操作池中隨機(jī)選擇一個(gè)鄰域操作。3)使用該鄰域操作對(duì)解優(yōu)化，找到該鄰域中最優(yōu)的解x'。4)使用解x'更新存檔。5)如果fobj(x')＜fobj(x)，則x被x'替換。6)如果depth小于MaxDepth替，則執(zhí)行步驟2，否則，返回解x，程序結(jié)束。在該發(fā)明中，最大深度設(shè)置MaxDepth為10，即對(duì)每一個(gè)解在同一個(gè)目標(biāo)上的優(yōu)化深度為10。3、鄰域操作這部分詳細(xì)描述LS2-5使用的多種鄰域操作。這些鄰域操作可以被分為兩類：路徑間的操作與路徑內(nèi)的操作，如圖4所示。這些鄰域操作都涉及兩個(gè)基本的函數(shù)：selectRoute和bestPosition。函數(shù)selectRoute定義了如何選擇路徑。對(duì)于目標(biāo)二、四和五而言，selectRoute從當(dāng)天的路徑中隨機(jī)選擇一條。對(duì)于目標(biāo)三而言，selectRoute選擇當(dāng)天路徑中行駛時(shí)間最長的路徑。函數(shù)bestPosition定義了插入客戶的最優(yōu)位置。插入標(biāo)準(zhǔn)是所有合法插入位置中使得解在給定目標(biāo)上最小的位置，即解的接收標(biāo)準(zhǔn)是最大提升策略。因?yàn)橹芷谛攒囕v路徑問題涉及多天，所以上述的鄰域操作需要在每一天中的路徑進(jìn)行操作。如果在某一天上解的質(zhì)量沒有得到提升，則撤銷該天的領(lǐng)域操作。O1隨機(jī)地從選定的路徑中刪除一個(gè)客戶，然后將其重新插入到最優(yōu)位置。O2隨機(jī)地從選定的路徑中刪除一些客戶，然后分別將它們重新插入到最優(yōu)位置。O2交換兩個(gè)選定的路徑中的客戶序列。在一條選定的路徑中，隨機(jī)選擇一個(gè)位置，將其后的所有客戶看作一個(gè)序列，然后和另一條路徑中的所有可能的序列進(jìn)行交換，最后提升最大的解被保存下來。O4隨機(jī)地從選定的路徑中選擇一些客戶，改變客戶的模式。然后對(duì)于每個(gè)客戶使用新的模式將客戶插入到其最優(yōu)位置。O5將一條路徑中的客戶片段插入到另一條選定的路徑中。O5交換兩條選定的路徑中的客戶片段。O6將一條路徑中的客戶片段插入到同一條路徑中。O7交換一條路徑中兩個(gè)客戶的位置。O8從一天選定的路徑中選擇客戶片段，并將其進(jìn)行倒置。4、存檔更新策略存檔用于存儲(chǔ)非占優(yōu)解。但是，隨著程序的進(jìn)化越來越多的非占優(yōu)解被發(fā)現(xiàn)，所以對(duì)存檔大小的控制是必要的。本發(fā)明使用Epsilon存檔策略，包括以下幾步：1)計(jì)算解x的關(guān)聯(lián)矩陣B(x)＝{B1,…,BM}，而2)如果存檔A為空，將解x放入A，執(zhí)行步驟12，否則執(zhí)行步驟3；3)令i等于1；4)解y為存檔中第i個(gè)的解；5)如果B(y)占優(yōu)B(x)，執(zhí)行步驟12，否則執(zhí)行步驟6；6)如果B(x)和B(y)互不占優(yōu)，執(zhí)行步驟7，否則執(zhí)行步驟8；7)如果解x目標(biāo)值占優(yōu)解y，則使用解x替代解y，并執(zhí)行步驟12，否則執(zhí)行步驟12；8)將解y從存檔A中移除；9)i＝i+1；10)如果i小于等于存檔A中解的個(gè)數(shù)，則執(zhí)行步驟4，否則執(zhí)行步驟11；11)將解x放入存檔A。12)程序結(jié)束。多目標(biāo)局部搜索算法優(yōu)化MOPVRPTW的流程圖如圖5所示：1)初始化存檔A，評(píng)估目標(biāo)序號(hào)obj設(shè)置為1，其中obj＝1,2,···,5；2)初始化解x；3)對(duì)解x進(jìn)行評(píng)估；4)采用局部搜索LSobj優(yōu)化x的第obj個(gè)目標(biāo)，得到優(yōu)化后的解x’；5)使用解x’更新存檔A得到存檔A1，并將存檔A1復(fù)制給存檔A；6)obj＝obj+1；7)如果obj小于等于目標(biāo)數(shù)M，則執(zhí)行步驟2，否則執(zhí)行步驟8；8)從存檔A中隨機(jī)選擇一個(gè)解x1，obj設(shè)置為1；9)采用局部搜索LSobj優(yōu)化x1的第obj個(gè)目標(biāo)，得到優(yōu)化后的解x1’；10)使用解x1’更新存檔A得到A2，并將存檔A2復(fù)制給存檔A；11)obj＝obj+1；12)如果obj小于等于目標(biāo)數(shù)M，則執(zhí)行步驟9，否則執(zhí)行步驟13；13)如果未達(dá)到結(jié)束條件，則執(zhí)行步驟8，否則執(zhí)行步驟14；14)輸出存檔A，程序結(jié)束。為了測(cè)試該算法的性能，選擇快速非占優(yōu)排序算法(NSGA-II)作為對(duì)比算法。該發(fā)明對(duì)公開的Solomon算例和非對(duì)稱Real-Word算例進(jìn)行測(cè)試。因?yàn)樗憷囊?guī)模大小差距較大，所以可以根據(jù)客戶數(shù)將所有的算例劃分為三種類型：小規(guī)模算例、中規(guī)模算例和大規(guī)模算例。它們的客戶數(shù)分別位于[0,100),[100,200),[200,288]之間。它們的種群大小和最大代數(shù)如下表所示。另外，Epsilon存檔中的ε為0.05。算例的類型種群大小最大代數(shù)小規(guī)模算例70500中規(guī)模算例1001500大規(guī)模算例1002000將NSGA-II運(yùn)行時(shí)間作為多目標(biāo)局部搜索算法的終止條件。實(shí)驗(yàn)結(jié)果：在135個(gè)非對(duì)稱算例上，MOLS在HV指標(biāo)上和NSGA-II相比的結(jié)果為135/0/0(優(yōu)/平/差)，在IGD指標(biāo)上也是135/0/0。在20個(gè)非對(duì)稱算例上，HV和IGD指標(biāo)分別是20/0/0和20/0/0。實(shí)驗(yàn)表明，多目標(biāo)局部搜索算法在收斂性和多樣性上要優(yōu)化NSGA-II。這證明了發(fā)明的智能調(diào)度算法在多目標(biāo)帶時(shí)間窗周期性車輛路徑的優(yōu)化設(shè)計(jì)中是十分有效的。相同或相似的標(biāo)號(hào)對(duì)應(yīng)相同或相似的部件；附圖中描述位置關(guān)系的用于僅用于示例性說明，不能理解為對(duì)本專利的限制；顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對(duì)本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無需也無法對(duì)所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3