一种卷烟发货多库点多方向联运调度双层优化算法

摘要

一种卷烟发货多库点多方向联运调度双层优化算法，属于卷烟物流领域，所述的卷烟发货多库点多方向联运调度双层优化算法，引入模拟退火算法和Levy飞行策略的改进Hopfield神经网络算法(IHNN)作为全局优化算法，形成一种基于改进Hopfield神经网络算法的卷烟成品发货联运调度的方法，同时结合应用订单池组合动态规划算法进行订单池配载优化和最优车辆选择规划算法选择配货车辆，实现多库点多方向动态调度。本发明解决了多库点多方向车辆调度问题是一个动态订单到达的多目标复杂车辆路径问题，这也是烟草工业企业成品物流仓储作业调度优化面临的核心问题。

说明书

技术领域

本发明涉及以及卷烟物流领域，更具体的说涉及一种卷烟发货多库点多方向联运调度双层优化算法。

背景技术

粒子群算法、鲸鱼优化算法已经被广泛的应用于车辆调度领域，并且取得了不错的效果，但同样存在一些问题，鲸鱼优化算法存在探索和开发能力难以协调、易出现种群早熟陷入局部最优的不足。针对烟草物流调度问题，其求解规模大、可行域小，传统鲸鱼优化算法表现出搜索能力较弱

同时由于传统Hopfield网络仍采用梯度下降策略，因此基于Hopfield网络的车辆路径优化计算通常会导致以下问题：

(1)网络最终收敛到局部极小解，而非问题的全局最优解；

(2)网络可能会收敛到问题的不可行解；

(3)网络优化的最终结果很大程度上依赖于网络的参数，即参数鲁棒性较差。

发明内容

为解决传统Hopfield神经网络以上缺点，以及使算法更适用于解决烟草物流分级调度问题，提出Hopfield神经网络与模拟退火算法和Levy飞行策略的结合，由于模拟退火具有接受较差解的可能，使其可以避免陷入局部最优，最终收敛于全局最优解。因此，采用将模拟退火算法和鲸鱼优化算法混合应用于求解烟草物流调度问题。

为了解决上述问题，本发明是采用以下技术方案实现的：步骤1：构建1全局优化算法采用Hopfield神经网络与模拟退火算法和Levy飞行策略的结合，改进Hopfield神经网络算法(IHNN)作为全局优化算法；步骤2：基于模拟退火的鲸鱼优化算法对步骤1中的模型求解。

优选的，所述的步骤1详细步骤如下(1)Hopfield神经网络与模拟退火算法的结合；(2)Hopfield神经网络与Levy飞行策略的结合；(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的IHNN混合算法。

优选的，所述的(1)Hopfield神经网络与模拟退火算法的结合采用以下详细方法；①设置初始状态x

②将x

时的网络的E{x

③在状态x

④若

⑤若E{x

优选的，所述(2)Hopfield神经网络与Levy飞行策略的结合采用以下详细方法：①设置初始状态x

②将x

③对状态xi依飞行概率利用Levy飞行策略移动

④若

⑤若

优选的，(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的IHNN混合算法详细步骤如下：(1)构建Hopfield神经网络，将收集的历史拼车订单数据输入进Hopfield神经网络训练神经网络；

(2)在训练好的Hopfield神经网络中随机选取起始点x

(3)将调度方案和订单动态数据输入Hopfield神经网络，利用梯度下降法进行搜索(假设本次搜索的起始点为x

(4)从x

(5)更新x

(6)令k＝k+1，返回步骤(2)直到算法收敛；

(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入进Hopfield神经网络，更新神经网络的原始知识。

优选的，步骤2：基于模拟退火的鲸鱼优化算法对步骤1中的模型求解详细方法如下：Step1：初始化

1)初始化算法涉及到的所有参数，包括种群规模S，最大迭代次数T

2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产生的一种车辆调度方案。设订单个数为N，O

Step2：计算群体中每个个体的适应度值F(x

Step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火操作更新最优个体位置：

其中，Z

Step4：对种群中所有鲸鱼个体执行包围猎物、Bubble-net攻击、随机搜索操作；

Step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化后的车辆调度方案；如果未达到，返回Step2。

本发明有益效果：

本发明形成一种基于改进Hopfield神经网络算法的卷烟成品发货联运调度方法，同时结合应用订单池组合动态规划算法进行订单池配载优化和最优车辆选择规划算法选择配货车辆，实现多库点多方向动态调度。

附图说明

图1现有算法和本发明改进算法的平均目标函数值的迭代曲线；

图2现有算法和本发明改进算法的平均目标函数值的迭代曲线放大图；

图3现有算法和本发明改进算法的运行过程中某次的目标函数值随迭代次数变化曲线；

图4现有算法和本发明改进算法的运行30次各个算法最优目标函数值的迭代曲线；

图5现有算法和本发明改进算法的运行30次各个算法最优目标函数值的迭代曲线放大图；

图6现有算法和本发明改进算法的运行过程中某次的目标函数值随迭代次数变化曲线。

具体实施方式

为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案。

同时由于传统Hopfield网络仍采用梯度下降策略，因此基于Hopfield网络的车辆路径优化计算通常会导致以下问题：

(1)网络最终收敛到局部极小解，而非问题的全局最优解；

(2)网络可能会收敛到问题的不可行解；

(3)网络优化的最终结果很大程度上依赖于网络的参数，即参数鲁棒性较差。

为解决传统Hopfield神经网络以上缺点，以及使算法更适用于解决烟草物流分级调度问题，提出Hopfield神经网络与模拟退火算法和Levy飞行策略的结合。具体结合方法如下：

(1)Hopfield神经网络与模拟退火算法的结合：

①设置初始状态x

②将x

③在状态x

④若E

⑤若E{x

(2)Hopfield神经网络与Levy飞行策略的结合：

①设置初始状态x

②将x

③对状态x

④若

⑤若

利用以上混合策略，基于烟草物流分级调度问题的IHNN混合算法步骤如下：

(1)构建Hopfield神经网络，将收集的历史拼车订单数据输入进Hopfield神经网络训练神经网络。

(2)在训练好的Hopfield神经网络中随机选取起始点x

(3)将调度方案和订单动态数据输入Hopfield神经网络，利用梯度下降法进行搜索(假设本次搜索的起始点为x

(4)从x

(5)更新x

(6)令k＝k+1，返回步骤(2)直到算法收敛。

(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入进Hopfield神经网络，更新神经网络的原始知识。

使用基于鲸鱼优化的混合模拟退火(SA-WOA)算法对VRPTW模型求解：

由于模拟退火具有接受较差解的可能，使其可以避免陷入局部最优，最终收敛于全局最优解。因此，采用将模拟退火算法和鲸鱼优化算法混合应用于求解烟草物流调度问题。

基于模拟退火的鲸鱼优化算法对该模型求解步骤：

Step1：初始化

1)初始化算法涉及到的所有参数，包括种群规模S，最大迭代次数T

2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产生的一种车辆调度方案。设订单个数为N，O

Step2：计算群体中每个个体的适应度值F(x

Step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火操作更新最优个体位置：

其中，Z

Step4：对种群中所有鲸鱼个体执行包围猎物、Bubble-net攻击、随机搜索操作。

Step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化后的车辆调度方案；如果未达到，返回Step2。

3.3.5模型算例和算法比较

由于遗传算法(GA)、神经网络算法(SA-HNN)已经被广泛的应用于车辆调度领域，并且取得了不错的效果，因此选择这两种算法与项目所提出的引入模拟退火算法和Levy飞行策略的改进Hopfield神经网络算法(IHNN)算法进行对比，其中遗传算法属于较成熟的群智能算法，而神经网络算法则具有诸多优良性能。由于粒子群算法、鲸鱼优化算法已经被广泛的应用于车辆调度领域，并且取得了不错的效果，因此选择这两种算法与项目所提出的基于鲸鱼优化的混合模拟退火(WOA-SA)算法进行对比，其中粒子群算法属于较成熟的群智能算法，而鲸鱼优化算法则是最近提出的群智能算法，其具有收敛精度高等优良性能。在仿真过程中，算法编程工具采用MATLAB R2017a，操作系统为Windows 10，电脑内存16G，CPU为Intel i7-8750H。

TWMDVRP模型算例及比较：

在某次仿真实验中，假设有25个客户公司需要进行配送，其中各生产出货点的出货上限、各生产出货点的出货速度、各生产发货点到需配送的商业客户公司的距离、需配送的各商业客户公司之间距离矩阵均为已知。某天需要给各客户公司配送的烟草数量以及客户公司所对应的准运证时效如表1所示，各生产发货点到随机选取需配送的商业客户公司的距离如表2所示。

表1各生产发货点到随机选取需配送的商业客户公司的距离

表2各客户公司配送的烟草数量以及客户公司所对应的准运证时效

仿真结果如下所示，其中，表3为IHNN算法的规划结果，包括发货地、拼车方案、车辆路线、运输历程、货物吨数。表4为三个算法某次运行过程中的调度结果表，包括使用车辆数，运输总里程和时间成本。图1、2为三个算法运行30次目标函数值平均值随迭代次数变化曲线，图3为三个算法运行过程中，某次的目标函数值随迭代次数变化曲线。

表3 IHNN算法的规划结果

表4三个调度结果的对比表

仿真结果分析：

由从图2、图3中可以看出，在相同的实验环境下，IHNN算法、GA算法、HNN算法，均具有较强的寻优能力。在图4中，IHNN算法得出的最优适应度值为2.613，而HNN算法的最优适应度值为2.965，GA算法的最优适应度值为3.096，可以看出IHNN算法收敛精度更高，优化效果更好。

在表4中，从运输总里程、时间总成本以及调库次数三个评价指标来看，利用IHNN算法得到的结果均为最优，逼近性较好。可以看出，无论从哪个指标看，利用IHNN算法得出的结果均为最优。因此，可以得出下表结论：

表7算法性能对比表

VRPTW模型算例及比较：

在某次仿真实验中，假设有25个客户公司需要进行配送，其中各生产出货点的出货上限、各生产出货点的出货速度、各生产发货点到需配送的商业客户公司的距离、需配送的各商业客户公司之间距离矩阵均为已知。某天需要给各客户公司配送的烟草数量以及客户公司所对应的准运证时效如表8所示，各生产发货点到随机选取需配送的商业客户公司的距离如表9所示。

表8各生产发货点到随机选取需配送的商业客户公司的距离

表9各客户公司配送的烟草数量以及客户公司所对应的准运证时效

仿真结果如下所示，其中，表10为基于鲸鱼优化的混合模拟退火(SA-WOA)算法的规划结果，包括发货地、拼车方案、车辆路线、运输历程、货物吨数。表11为三个算法某次运行过程中的调度结果表，包括使用车辆数，运输总里程和时间成本，表12为三个算法各运行30次过程中的最优解、最差解以及平均解。图2、图3、图4为三个算法运行30次各个算法最优目标函数值的迭代曲线，图6为三个算法运行过程中，某次的目标函数值随迭代次数变化曲线。

表10基于鲸鱼优化的混合模拟退火(SA-WOA)算法的规划结果

表11三个调度结果的对比表

表12为三个算法各运行30次过程中的最优解、最差解以及平均解

由从图4、图5中可以看出，在相同的实验环境下，基于模拟退火的鲸鱼优化算法、鲸鱼优化(WOA)算法、粒子群(PSO)算法，均具有较强的寻优能力。在图6中，基于模拟退火的鲸鱼优化算法得出的最优适应度值为2.789，而粒子群(PSO)算法的最优适应度值为3.259，鲸鱼优化(WOA)算法的最优适应度值为3.118，可以看出基于模拟退火的鲸鱼优化算法收敛精度更高，优化效果更好。

在表11中，从运输总里程以及时间总成本两个评价指标来看，利用基于模拟退火的鲸鱼优化算法得到的结果均为最优，逼近性较好。从表12可以看出,在最优解、最差解和平均值三个评价指标来看，基于模拟退火的鲸鱼优化算法求得的最优解为2.372662，最差解为3.246113,平均值为2.909282，均优于WOA算法、PSO算法，可以看出，无论从哪个指标看，利用基于模拟退火的鲸鱼优化算法得出的结果均为最优。因此，可以得出下表结论：

表13算法性能对比表

基于模拟退火的鲸鱼优化算法在发现最优值方面，相比于鲸鱼优化(WOA)算法、粒子群(PSO)算法，能力较强，逼近性、均匀性较好，对此类多约束条件下的车辆路径问题(VRP)的处理，基于模拟退火的鲸鱼优化算法具有很强的竞争力。所研究的模型考虑了多生产发货点和多商业客户公司，并利用算法对模型求解得出了较好的解决方案，对于企业来说有着较好的参考价值。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。