申请/专利权人：东南大学

申请日：2022-04-20

公开（公告）日：2024-06-18

公开（公告）号：CN114819327B

主分类号：G06Q10/047

分类号：G06Q10/047;G06Q50/40;G06F30/20;G06F111/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2022.08.16#实质审查的生效;2022.07.29#公开

摘要：本发明公开了一种基于高维网络的集散货一体化电动车辆路径优化方法，包括以下步骤：1构建高维的时空状态网络；2将客户需求表示在弧上，建立虚拟的充电弧供车辆充电；3根据时空状态网络、电动物流车、客户需求以及充电站的相关参数，构建初始原问题的电动车辆路径优化模型；4利用拉格朗日松弛算法求解原问题的新的下界值；5利用增广拉格朗日乘子法求解原问题的新的上界值和可行解。6利用次梯度法更新乘子，迭代循环完成后输出最优的上界值以及对应的车辆运输路径和绕行充电策略。本发明提供了一种考虑集散货需求的电动物流车的路径优化问题，为现实生活中物流公司合理调度车辆提供了参考和选择依据。

主权项：1.一种基于高维网络的集散货一体化电动车辆路径优化方法，其特征在于，包括以下步骤：S1，在地理空间的道路交通网络基础上，增加离散的时间维度，构成时空网络；在时空网络的基础上，增加状态维度，状态维度由车辆的剩余取货能力、车辆的剩余送货能力和离散的车辆剩余电量共同组成，以构成高维的时空状态网络；S2，在高维的时空状态网络中，将客户的集散货需求、电动车的充电过程表示在网络中的弧上，形成运输弧、服务弧和充电弧；S3，根据时空状态网络的相关参数，电动车的相关参数，客户需求的相关参数以及充电站的相关参数，构建初始原问题的电动车辆路径优化模型；S4，利用拉格朗日松弛算法构建对偶模型，再将对偶模型分解成每辆车的资源约束最短路子问题；利用预设的动态规划算法求解子问题，得到车辆的路径解；将路径解带入原问题的松弛问题中，得到原问题的下界值；S5，用增广拉格朗日乘子法构建增广拉格朗日对偶模型，将增广拉格朗日对偶模型分解成每辆车的资源约束最短路子问题；利用预设的动态规划算法求解子问题，得到车辆的路径解；对路径解进行启发式改造，得到可行路径解；将可行路径解带入原问题的目标函数中，得到原问题的上界值；S6，利用上界值和下界值，评估当前解的质量；利用次梯度法更新乘子，设置迭代次数，循环迭代；迭代完成后输出最优的上界值，根据上界最优值确定电动车的运输路径，以及绕行的充电策略；所述步骤S1中，构建高维的时空状态网络的具体步骤为：S11，将连续的时间范围离散化，T＝{T0,T1,…,Tn}，其中T0表示初始时刻，Tn表示终止时刻；增加车辆的状态维度w＝[p,d,e],其中p、d、e分别代表车辆的剩余取货能力、车辆的剩余送货能力和车辆的剩余电量；将车辆的剩余电量状态离散化，E＝{E0,T1,…,En}，其中E0为设置的车辆的最低电量，En为车辆的最大电量；S12，确定构造高维网络所需要的输入参数：道路空间网络中的节点和路段，路段通行成本，路段通行时间，客户需求的发生路段、取货需求量、送货需求量和服务时间窗，充电站节点，充电站能同时容纳充电的车辆数，单位时间充电率，车辆总数，每辆车的起点、终点、最大电量、最小电量、电量容量以及单位时间耗电率；S13，构建以时间为X轴、空间位置为Y轴、状态维度为Z轴的时空状态网络；将步骤S12中的输入参数转变为时空状态网络下的数据形式：生成节点i,t,p,d,e，含义为该车辆在时刻t下，以剩余取货能力为p，剩余送货能力为d，剩余电量为e的状态，处于位置节点i处；N是所有节点集合；生成弧i,j,t,s,p,p′,d,d′,e,e′，含义为车辆通过道路路段i,j，时间变化s-t，车辆的剩余取货能力减小p-p′，车辆的剩余送货能力减小d-d′，车辆的剩余电量变化e′-e；A是所有弧集合；所述步骤S2中的各功能弧的具体分类为：弧集合A包括运输弧集合AT、服务弧集合AS和充电弧集合AC；运输弧i,j,t,s,p,p′,d,d′,e,e′满足以下条件：s＝t+tij,p′＝p，d′＝d，e′＝e-k*tij，其中tij为路段ij的通行时间，k为单位时间耗电率；服务弧i,j,t,s,p,p′,d,d′,e,e′满足以下条件：s＝t+t′ij，p′＝p-np，d′＝min{d-nd,p-np}，e′＝e-k*tij，其中t′ij为路段ij的通行时间加上服务时间，np为路段ij上客户的取货需求，nd为路段ij上客户的送货需求，tij为路段ij的通行时间，k为单位时间耗电率；充电弧i,j,t,s,p,p′,d,d′,e,e′满足以下条件：i＝j，s＝t+1，p′＝p，d′＝d，e′＝e+γ*1，该充电弧代表一个时间单位的充电过程，其中i和j代表同一个充电站节点，γ为单位时间的充电率；所述步骤S3中的构建电动车辆路径优化模型具体步骤为：S31，定义车辆的二元决策变量xvi,j,t,s,p,p′,d,d′,e,e′，取1代表车辆v经过弧i,j,t,s,p,p′,d,d′,e,e′，取0则反之；S32，确立流平衡约束条件，为车辆的流入＝流出： 其中，是车辆的起始节点，是出发时刻，Q为车辆的容量，为出发时的电量；为车辆的终止节点，是终止时刻，是设置的最低电量阈值；S33，确立服务需求约束，是每个客户都被服务一次： 其中，Si,j,t′,t″表示在路段i,j上具有服务需求，且服务时间窗为t′,t″；S34，确立充电站的容量约束，同时使用充电站的车辆数不能超过充电站的最大容纳数： 其中，Nr表示充电站r的容量，R为充电站的节点集合，T为时间戳集合；S35，建立车辆行驶广义成本最小化的目标函数：minZ＝∑v∈V∑i,j,t,s,p,p′,d,d′,e,e′∈Aci,j×xvi,j,t,s,p,p′,d,d′,e,e′；所述步骤S4中，求解下界的具体步骤为：S41，引入拉格朗日乘子α和β，将服务需求约束和充电站的容量约束松弛到目标函数中，形成松弛后的目标函数：minZ′＝∑v∈V∑a∈Aca×xva+∑s∈Sαs×∑v∈V∑a∈Asxva-1+∑r∈R∑t∈Tβr.t×∑v∈V∑a∈ACxva-Nr其中a为弧i,j,t,s,p,p′,d,d′,e,e′的缩写，通过分解将松弛后的目标函数分解成每辆车的子问题：minZ′v＝∑a∈Ac′axva+ωs.t.流平衡其中ω为无关常数，c′a为路段修正成本： S42，采用基于时空状态网络的动态规划算法，求解每辆车的资源约束最短路问题；为可行路径p设置对应的标签：labelp＝{i,t,p,d,e,c}，表示对应路径p当前拓展到的节点i，当前时刻t，当前车辆的剩余取货能力p，当前车辆的剩余送货能力d,当前车辆的剩余电量e，当前路径的出行费用c；为每个时空状态节点都添加一个存放路径的列表：listi,t,e＝{}；i、t、e分别代表道路节点、离散的时间和离散的电量状态；执行时间循环：t从初始时刻T0逐次遍历到终止时刻Tn；执行对应的节点循环：i从节点i0逐次遍历到imax；执行状态中的车辆的剩余电量循环：e从最小电量E0逐次遍历到最大电量Emax；执行对应流出路段循环：a从路段i,j逐次遍历当前循环下节点i的流出路段i,jmax；计算拓展到路段a后形成的新的路径p′的剩余取货能力p′＝p-pa，剩余送货能力d′＝min{d-da,p-pa}，剩余电量e′＝e+ea，出行费用为c′＝c+ca到达节点j的时间为t′；其中pa为路段a上的取货需求，非负数；da为路段上的送货需求，非负数；ea为路段a上的电量消耗，取正数代表在充电站进行充电，取负数则表示运输过程，ca为路段a的修正费用；若p′、d′都大于等于0，且e′在[E0,Emax]范围内，t′在[T0,Tn]范围内，则拓展后的路径p′可行；添加该路径p′到listj,t′,e′中；S43，执行动态规划算法，其中路段成本公式计算，直至循环结束；输出中出行费用c最小的路径，将输出的每辆电动物流车的路径解带入目标函数中，得到当前迭代下原问题的下界LBK；S44，更新当前最优下界LB*＝MAX{LB*，LBK}。

全文数据：

权利要求：

百度查询： 东南大学 一种基于高维网络的集散货一体化电动车辆路径优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD