导航:X技术最新专利计算;推算;计数设备的制造及其应用技术
本专利针对物流运输中货车空载浪费、信息共享不足导致运输效率低的问题,提出基于LAEIGL学习算法的路径优化方法。通过分析货物属性匹配性,结合个体历史最优、全局最优和局部最优路径学习,动态生成最优运输方案,实现货源与车源的高效匹配,减少空载损耗,提升运输效益。
随着市场经济的发展与繁荣,货物运输的物流成本在整个经济运行中所占的比重越来越高,因此,如何降低运输成本,提升运输效率,提高运输效益等问题,日益显的重要, 成为影响物流发展的重要一环。在货物运输中路径的优化问题,即货车运输路径的优化问题是降低运输成本、提高运输效益的关键因素。具体的,就是根据货物运输的已知条件和目标约束条件,寻找一般最符合条件的货车运输路径,使得货车运输利润最大化。下面以实例说明(见图4)上海某物流公司的长途运输大型货车A,承接了运输货物从上海到,当前因信息共享不充分及无相关大型数据、算法处理技术,导致货车A到达目的地卸载货物后往往陷入迷茫,跑到货运公司等好长时间才能了解哪里有货源的信息。如果找不到货源往往空车开回出发地上海,造成了巨大浪费。本专利提出货车搜寻最优运输路径的技术,在物流信息交互平台上,将货源、车源、等相关信息充分共享,后台提供搜索引擎,使得长途货车和货源最优匹配。如通过系统搜索匹配,推荐货车A在要求回到出发地上海的时间内,从运输某货物到乌鲁木齐,然后从乌鲁木齐运输货物回到上海,这样的货车A无空载闲置的浪费,实现了车主利润最大化。由于顺路运货,运价也许低,货主支付的运费低,这样就实现了车主,货主双方利润的最大化,实现高效运输。
本发明的目的在于提供一种能够提高运输效益的货车运输路径优化方法。一种货车运输路径的优化方法,所述货车的一种运输路径经过的站点形成一个学子,所述货车的各种运输路径经过的站点形成一个学子集合,所述方法包括如下步骤判断所述货车运输路径的学子集合的各站点的货物属性是否满足货车运输条件;若各站点的货物属性均满足货车运输条件,将所述货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习;若各站点的货物属性均满足货车运输条件,将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习;若各站点的货物属性均满足货车运输条件,将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习;将所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、 局部最优学子学习后的学子两两相比,选取所述货车较优的运输路径组成新的学子集合。上述方法优选的一种技术方案,所述货车运输路径的各站点的货物属性包括运输费用、货物类型、重量、体积、运输出发地、目的地、出发时间、到达时间。上述方法优选的一种技术方案,通过判断货物类型是否属于货车运输类型限制、 货物重量是否小于货车运输重量限制、货物体积是否小于货车运输体积限制、两个相邻站点中前一站点的目的地是否是后一站点的出发地、两个相邻站点中前一站点的到达时间是否超出后一站点的出发时间来判断所述各站点的货物属性是否满足货车运输条件。上述方法优选的一种技术方案,通过计算所述货车运输路径的总运输费用组成所述新的学子集合。上述方法优选的一种技术方案,在所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习的过程中,对所述货车运输路径中各待运站点的货物进行编码,其中0表示不运输该站点货物,1表示运输该站点货物。上述方法优选的一种技术方案,所述当前货车运输路径的初始个体历史最优学子集合随机产生、所述当前货车运输路径的全局最优学子、所述当前货车运输路径的局部最优学子比较优选产生。上述方法优选的一种技术方案,更新所述当前货车运输路径的个体历史最优学子集合、所述当前全局最优学子、所述当前局部最优学子,将所述新的学子集合重新学习,比较并选取所述货车较优的运输路径,组成新一代的学子集合。上述方法优选的一种技术方案,在所述货车运输路径的学子集合学习的过程中, 采用分段的学习方法。与现有技术相比,本发明采用LAE IGL学习方法来选择货车运输的优化路径,按照货车的相关约束要求最优分配运输任务及路线,充分发挥运输资源的能力,避免空载浪费。提升物流运输业整体运营效率和管理水平,提高运营效益。本发明的方法具有容易实现、简单、应用广泛、使用便捷等技术特征和优点。
图1是本发明的货车运输路径优化方法的流程图。图2是本发明的方法中学子之间一段学习法的示意图。图3是本发明的方法中学子之间两段学习法的示意图。
具体实施例方式本发明通过“向优学习的IGL型”学习算法(Learning Algorithm from ExcellentIbest,Gbest and Lbest, for short LAEIGL)来选择货车运输的优化路径,实现货物的最佳匹配,从而提高运输效率,增强运输效益。为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。在本发明的货车运输路径的优化方法中,所述货车经过的一种运输路径经过的站点形成一个学子,所述货车的各种运输路径经过的站点形成一个学子集合。具体的,所述货车的各待运站点的货物属性包括货物类型m、重量W、体积ν、运输出发地ds、目的地df、出发时间ts、到达时间tf、运输费用Ci,则第i个运输点货物的属性可以表述为[m Wi, Vi, dsi, dfi, tsi, tfi, Ci] (1)所有运输点的货物构成待运货物集合,其可以表述为
1.一种货车运输路径的优化方法,其特征在于,所述货车的一种运输路径经过的站点形成一个学子,所述货车的各种运输路径经过的站点形成一个学子集合,所述方法包括如下步骤判断所述货车运输路径的学子集合的各站点的货物属性是否满足货车运输条件;若各站点的货物属性均满足货车运输条件,将所述货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习;若各站点的货物属性均满足货车运输条件,将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习;若各站点的货物属性均满足货车运输条件,将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习;将所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习后的学子两两相比,选取所述货车较优的运输路径组成新的学子集合。
2.如权利要求1所述的货车运输路径的优化方法,其特征在于,所述货车运输路径的各站点的货物属性包括运输费用、货物类型、重量、体积、运输出发地、目的地、出发时间、到达时间。
3.如权利要求2所述的货车运输路径的优化方法,其特征在于,通过判断货物类型是否属于货车运输类型限制、货物重量是否小于货车运输重量限制、货物体积是否小于货车运输体积限制、两个相邻站点中前一站点的目的地是否是后一站点的出发地、两个相邻站点中前一站点的到达时间是否超出后一站点的出发时间来判断所述各站点的货物属性是否满足货车运输条件。
4.如权利要求2所述的货车运输路径的优化方法,其特征在于,通过计算所述货车运输路径的总运输费用组成所述新的学子集合。
5.如权利要求1所述的货车运输路径的优化方法,其特征在于,在所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习的过程中,对所述货车运输路径中各待运站点的货物进行编码,其中0表示不运输该站点货物,1表示运输该站点货物。
6.如权利要求1所述的货车运输路径的优化方法,其特征在于,所述当前货车运输路径的初始个体历史最优学子集合随机产生、所述当前货车运输路径的全局最优学子、所述当前货车运输路径的局部最优学子比较优选产生。
7.如权利要求1所述的货车运输路径的优化方法,其特征在于,更新所述当前货车运输路径的个体历史最优学子集合、所述当前全局最优学子、所述当前局部最优学子,将所述新的学子集合重新学习,比较并选取所述货车较优的运输路径,组成新一代的学子集合。
8.如权利要求1所述的货车运输路径的优化方法,其特征在于,在所述货车运输路径的学子集合学习的过程中,采用分段的学习方法。
本发明涉及一种货车运输路径的优化方法,包括判断所述各站点的货物属性是否满足货车运输条件;将所述货车运输路径的学子集合向当前货车运输路径的个体历史最优学子集合学习;将所述货车运输路径的学子集合向当前货车运输路径的全局最优学子学习;将所述货车运输路径的学子集合向当前货车运输路径的局部最优学子学习;将所述货车运输路径的学子集合向当前货车运输路径个体历史最优学子集合、全局最优学子、局部最优学子学习后的学子两两相比,选取所述货车较优的运输路径组成新的学子集合。本发明的方法具有容易实现、简单、应用广泛、使用便捷等技术特征和优点。
针对装配式预制构件配送场景中传统车辆路径优化方法适应性不足的问题,提出基于改进遗传算法的路径优化方案。通过构建包含运输与装卸成本的数学模型,结合行交换交叉、随机变异及局部搜索爬山算法,提升算法...
针对传统遗传模拟退火算法收敛速度慢、解不稳定的问题,提出改进方法:通过深度优先搜索优化初始解,结合模拟退火算法,提升算法收敛速度和解稳定性,有效降低运输成本并提高运输效率。 ...
针对电动货车路径规划中充电约束与时间优化难题,提出基于模拟退火的动态算子调整算法。通过迭代生成初始解,结合充电站移除、路径移除及需求插入等操作,动态更新算子概率分布,实现车辆数与总时间的双重优...
2884918、一种行驶轨迹的优化方法、装置、设备及可读存储介质与流程
2884919、一种大规模路网中的货车远距离路径的预处理规划方法与流程
1.计算机网络安全 2.计算机仿线.网络安全;物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用