物流路径规划方法及装置与流程

1.本技术涉及物流运输技术领域，具体涉及一种物流路径规划方法及装置。


背景技术：

2.快递业目前主流的运输方法是针对不同区域的快递来进行分拣后，由快递员来规划物流的运输路径，从而完成快递的送达。然而这种运输方式通常都没有事先进行合理的规划，导致在物流运输过程中所消耗的交通成本和人力成本过高。而互联网业务的发展和电商的日益壮大，这种路径规划方式更加加剧了人力资源和交通资源的浪费，导致物流的运输效率低。


技术实现要素：

3.本技术实施例提供一种物流路径规划方法及装置，能够有效地对物流路径进行合理规划，提高物流的运输效率。
4.第一方面，本技术实施例提供一种物流路径规划方法，包括：
5.将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
6.根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
7.其中，所述目标函数为使各所述配送用车的配送总路程最短。
8.在一个实施例中，所述物流数据包括客户节点的总数、配送中心的配送用车集合、任一配送用车配送的客户节点数量、任一所述客户节点的货物需求量、任一所述配送用车最大载重量、任意两个所述客户节点之间的距离、所述配送中心与任一所述客户节点的距离以及任一配送路径中的客户节点集合中的至少一种。
9.在一个实施例中，所述路径优化模型的构建包括：
10.最短的配送总路程最短的配送总路程每条所述配送路径上各客户节点的货物需求量之和各所述配送路径覆盖的客户节点的总量每条所述配送路径的客户节点的组成rb＝{irbu|irbu∈{1,2,...,l},u＝1,2,...,nk}，任一所述配送用车参与配送的情况
11.其中，l表示客户节点总数，k表示配送中心配送用车的集合，k表示配送用车，nk表示配送用车k的客户节点数量，wi表示客户节点i的货物需求量，w表示配送用车的最大载重量，d
ij
表示客户节点i到客户节点j之间的距离，d
0i
表示配送中心到客户节点i之间的距离，rb表示第b条配送路径的客户节点的集合，元素rbu表示客户节点i在配送路径b中的顺序为
u，rbu＝0表示配送中心，x(nk)表示配送用车k是否参与配送，当配送用车k服务的客户节点数不少于1时，则配送用车k参与配送，x(nk)＝1，反之则不参与，x(nk)＝0。
12.在一个实施例中，所述根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径，包括：
13.多次根据路径优化模型中的目标函数，确定当前所述染色体种群中各所述配送路径的适应度，直至执行次数满足预设条件时，将当前所述染色体种群中适应度最高的所述配送路径确定为所述物流路径；
14.其中，每次在确定当前所述染色体种群中各所述配送路径的适应度后，均将所述适应度大于预设阈值的各所述配送路径进行复制，形成新的染色体种群进行交叉操作和突变操作，获取下一染色体种群，并将下一染色体种群更新为当前所述染色体种群。
15.在一个实施例中，在将所述适应度大于预设阈值的各所述配送路径进行复制之前，还包括：
16.根据各所述配送路径的适应度，对各所述配送路径进行排序。
17.在一个实施例中，将所述适应度大于预设阈值的各所述配送路径进行复制，包括：
18.将排在第n位之前的所述配送路径进行两次复制，将排在第n位至第m位的所述配送路径进行一次复制；
19.其中，m＞n。
20.在一个实施例中，所述交叉操作包括根据各所述配送路径的排序，对各所述配送路径执行交叉算子进行择优交叉。
21.在一个实施例中，所述突变操作包括根据动态概率对所述配送路径执行变异算子；所述动态概率根据所述配送路径的适应度确定。
22.第二方面，本技术实施例提供一种物流路径规划装置，包括：
23.路径初始化模块，用于将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
24.物流路径规划模块，用于根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
25.其中，所述目标函数为使各所述配送用车的配送总路程最短。
26.第三方面，本技术实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的物流路径规划方法的步骤。
27.第四方面，本技术实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的物流路径规划方法的步骤。
28.本技术实施例提供的物流路径规划方法及装置，通过预先构建的路径优化模型以及遗传算法，对各配送路径进行评价操作、交叉操作和突变操作，以从各配送路径中规划出使各配送用车的配送总路程最短的最优物流路径，从而使物流路径的规划在在合理性上更加有保障，有效地节省人力物力，进而提高物流的运输效率。
附图说明
29.为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
30.图1是本技术实施例提供的物流路径规划方法的流程示意图；
31.图2是本技术实施例提供的物流路径规划装置的结构示意图；
32.图3是本技术实施例提供的电子设备的结构示意图。
具体实施方式
33.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.下面结合附图对本技术实施例进行详细的阐述。
35.如图1所示，在一实施例中，提供了一种物流路径规划方法。本实施例主要以该方法应用于计算机设备或服务器来举例说明。
36.为了更好地理解方案，对本发明实施例涉及的专业术语进行解释。
37.遗传算法(genetic algorithm，ga)，是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
38.选择算子：遗传算法使用选择算子或称复制算子来对种群中的个体进行优胜劣汰操作：选择算子使适应性高的个体在后代中生存的概率较大，而适应度低的个体生存的概率很小甚至被淘汰。遗传算法中的选择操作就是来确定如何从父代群体中按某种方法选取那些个体以传到下一代群体的一种遗传算法。选择操作是建立在群体中个体的适应度评价基础上的。选择操作的主要目的是为了避免基因缺失、提高全局收敛性和计算效率。在遗传算法中级很重要的作用。选择操作有多种方法，最常用的是轮盘赌法。
39.交叉算子：所谓交叉是指把两个父代个体的部分结构加以替换生成新个体的操作。这可以提高搜索力。在交叉运算之前还必须对群体中的个体进行配对。目前常用的配对策略是随机配对，即将群体中的个体以随机方式两两配对，交叉操作是在配对个体之间进行的。
40.变异算子：在生物的遗传和自然进化过程中，因为某些偶然的因素而导致生物的某些基因发生变异，从而产生出新的染色体，表现出新的生物性状。模仿生物遗传和进化过程中的变异环节，在遗传算法中也引入了变异算子来产生新的个体。变异运算就是将个体染色体编码串中的某些基因用其它的基因来替换。它是遗传算法中不可缺少的部分。目的就是改善遗传算法的局部搜索能力，维持群体的多样性，防止出现早熟现象。设计变异算子
需要确定变异点的位置和基因值的替换，最常用的是基本位变异，它只改变编码串中个别位的基因值。
41.下面结合附图对本技术实施例进行详细的阐述。
42.参照图1，是本实施例提供的一种物流路径规划方法的流程示意图之一，该方法应用于服务器中，用于完成物流的配送路径规划。如图1所示，本实施例提供的一种物流路径规划方法包括：
43.步骤101，将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
44.步骤102，根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
45.其中，所述目标函数为使各所述配送用车的配送总路程最短。
46.通过预先构建的路径优化模型以及遗传算法，对各配送路径进行评价操作、交叉操作和突变操作，以从各配送路径中规划出使各配送用车的配送总路程最短的最优物流路径，从而使物流路径的规划在在合理性上更加有保障，有效地节省人力物力，进而提高物流的运输效率。
47.在一实施例中，物流数据包括客户节点的总数、配送中心的配送用车集合、任一配送用车配送的客户节点数量、任一所述客户节点的货物需求量、任一所述配送用车最大载重量、任意两个所述客户节点之间的距离、所述配送中心与任一所述客户节点的距离以及任一配送路径中的客户节点集合中的至少一种。
48.在一实施例中，预先根据客户节点的总数、配送中心的配送用车集合、任一配送用车配送的客户节点数量、任一所述客户节点的货物需求量、任一所述配送用车最大载重量、任意两个所述客户节点之间的距离、所述配送中心与任一所述客户节点的距离以及任一配送路径中的客户节点集合，以及配送总路程最短化为目标函数，构建配送路径的路径优化模型。其中，路径优化模型的构建包括：
49.最短的配送总路程最短的配送总路程
50.每条所述配送路径上各客户节点的货物需求量之和每条所述配送路径上各客户节点的货物需求量之和
51.各所述配送路径覆盖的客户节点的总量
52.每条所述配送路径的客户节点的组成rb＝{irbu|irbu∈{1,2,...,l},u＝1,2,...,nk}；
ꢀꢀ
(4)
53.任一所述配送用车参与配送的情况
54.其中，l表示客户节点总数，k表示配送中心配送用车的集合，k表示配送用车，nk表
示配送用车k的客户节点数量，wi表示客户节点i的货物需求量，w表示配送用车的最大载重量，d
ij
表示客户节点i到客户节点j之间的距离，d
0i
表示配送中心到客户节点i之间的距离，rb表示第b条配送路径的客户节点的集合，元素rbu表示客户节点i在配送路径b中的顺序为u，rbu＝0表示配送中心，x(nk)表示配送用车k是否参与配送，当配送用车k服务的客户节点数不少于1时，则配送用车k参与配送，x(nk)＝1，反之则不参与，x(nk)＝0。
55.其中，式(1)为目标函数，即要求配送总路程(各条配送路径的路程之和)最短。该目标函数以配送路径为单位，遍历各配送路径上所有客户节点，依次得到该配送路径上的各段配送距离，进而求和得出各条配送路径的路程，最后累加各条路径的路程，即可得到配送过程的总路程。式(2)为容量约束，即要求每条路径上各客户节点的货物需求量之和不能超过配送车辆的最大载重量。式(3)表示每一个客户都受到配送服务，即配送路径覆盖每一个客户节点。式(4)表示每条路径客户节点的组成。式(5)表示当车辆k服务的客户节点数不少于1时，则该配送车辆参与配送服务，则取x(nk)＝1，当车辆k服务客户节点数不足1时，说明该车辆未参与配送，则取x(nk)＝0。
56.其中，客户节点是指客户地址。
57.在完成路径优化模型的构建后，即可将客户节点的总数、配送中心的配送用车集合、任一配送用车配送的客户节点数量、任一所述客户节点的货物需求量、任一所述配送用车最大载重量、任意两个所述客户节点之间的距离、所述配送中心与任一所述客户节点的距离以及任一配送路径中的客户节点集合等数据输入路径优化模型中，然后通过遗传算法，使用自然数直接排列的编码方式构造任一配送路径对应的染色体，从而形成染色体种群。
58.在一实施例中，在形成染色体种群后，即可通过如下流程查找出物流路径：
59.步骤1：标记当前进化代数t＝0，并随机生成规模为n的初始群体group(0)
60.步骤2：计算种群中所有个体，即所有配送路径的适应度；
61.步骤3：通过常规轮盘赌的步骤得到group(t+1)；
62.步骤4：执行交叉算子与变异算子，使group(t+1)进化；
63.步骤5：t＝t+1；
64.步骤6：若遗传算法满足预设终止条件，即t＝t，则进行解码，输出最终结果并停止，否则转向步骤2继续执行。
65.通过上述步骤的迭代搜索，可以得到种群中适应度最高的染色体相应的配送路径，从而有效地对物流路径进行合理规划。
66.考虑到传统遗传算法在进行选择算子的时候都是进行轮盘赌的方式来筛选出接近优解的染色体，轮盘赌选择方法是以类似赌轮盘的方式，使个体被选择的概率与其适应度占本代种群适应度之和的比例成正比，个体的适应度占种群适应度之和越高，其被选择的概率就越高，反之则越低。但这种方法并不能保证适应度相对较高的个体必然会被选择并遗传到下一代种群，因此选择误差较大，有时甚至会出现“退化”现象，即适应度较高的个体没有被选择。因此为保证适应度最高的个体，即最优的配送路径必然能够被选择，在一实施例中，所述根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径，包括：
67.多次根据路径优化模型中的目标函数，确定当前所述染色体种群中各所述配送路径的适应度，直至执行次数满足预设条件时，将当前所述染色体种群中适应度最高的所述配送路径确定为所述物流路径；
68.其中，每次在确定当前所述染色体种群中各所述配送路径的适应度后，均将所述适应度大于预设阈值的各所述配送路径进行复制，形成新的染色体种群进行交叉操作和突变操作，获取下一染色体种群，并将下一染色体种群更新为当前所述染色体种群。
69.在一实施例中，在初始化染色体种群的对应的各配送路径后，执行如下流程：
70.步骤11：标记当前进化代数t＝0，并随机生成规模为n的初始群体group(0)；
71.步骤12：计算种群中所有个体，即所有配送路径的适应度；
72.步骤13：对适应度小于或等于预设阈值的劣势个体不做特殊处理，使其自然进化或淘汰，对适应度大于预设阈值的优势个体进行复制，得到新一代的染色体种群group(t+1)。
73.步骤14：对新一代的染色体种群group(t+1)执行交叉算子与变异算子，使其进化；
74.步骤15：将当前进化代数更新为t＝t+1；
75.步骤16：若遗传算法满足预设终止条件，即t＝t，则进行解码，输出最终结果并停止，否则转向步骤12继续执行。
76.通过上述步骤的迭代搜索，从而在确定染色体种群中所有个体，即所有配送路径的适应度后，放弃常规轮盘赌的步骤，改为提前加入适应度信息，对劣势个体，即适应度低于预设阈值的配送路径不做特殊处理，使其自然进化或淘汰，以避免早期的高适应度个体迅速占据种群和后期的种群中因个体的适应度相差不大而导致种群停止进化。同时，将优势个体，即适应度高于预设阈值的配送路径进行复制，从而保障择优效率，提高最终选择的物流路径的合理性。
77.例如，我们有a、b两地的快递要送，如果配送车辆的最大载重量w不允许再送其他地点的快递，直接以配送中心-a-b-配送中心的路线是肯定要比配送中心-c-a-b-配送中心的路线要快，这时候我们直接将后者淘汰掉。
78.为进一步提高最终选择的物流路径的合理性，在一实施例中，在将所述适应度大于预设阈值的各所述配送路径进行复制之前，还包括：
79.根据各所述配送路径的适应度，对各所述配送路径进行排序。
80.在一实施例中，在执行交叉操作之前，预先将染色体种群中的个体(即各配送路径)按适应度由大到小进行排列。由于标准的遗传操作沿着选择-交叉-变异的顺序进行迭代，因此个体的顺序不仅影响了选择操作，而且影响了交叉操作。一个个体由许多基因值组成，交叉一般是将基因从一个个体转移到另外一个个体上，改变了基因的组合，其基因值往往与父代相同或仅有小范围的改变。个体的适应度一般是通过对基因值的计算得出的，相近适应度的个体往往其基因值也很相近，这样，适应值相近的个体交叉产生的后代基本保留了上一代的基因值，易于使进化特性趋于稳定，尤其在两个高适应度个体交叉后，产生的新个体适应度往往比随机选出的两个个体产生的新个体适应度要好。因此，通过提前加入各配送路径的适应度，对各配送路径进行排序，使相邻个体的适应度差别最小，特性相对集中，从而可以较好地避免早熟和搜索迟钝的现象，防止优良基因在过程中过早遭到遗弃或破坏，又可在陷入局部最优解的时候引入新的基因，进一步提高最终选择的物流路径的合
理性。
81.为进一步保障交叉操作过程中的择优效率，在一实施例中，将所述适应度大于预设阈值的各所述配送路径进行复制，包括：
82.将排在第n位之前的所述配送路径进行两次复制，将排在第n位至第m位的所述配送路径进行一次复制；
83.其中，m＞n。
84.在一实施例中，在每次执行交叉操作之前，预先将排在第n位之前的个体复制两份，排在第n位-第m位的个体复制一份，排在第m位之后的个体不复制，使特性相对更加集中，从而可以更好地避免早熟和搜索迟钝的现象，防止优良基因在过程中过早遭到遗弃或破坏，又可在陷入局部最优解的时候引入新的基因，从而保证适应度最高的个体必然能够被选择，进而进一步保证择优效率。
85.示例性的，可排在前面的个体复制两份，中间的一份，后面的不复制，如假设染色体种群中存在9个个体，则对适应度排名在前3位的个体复制两份，对排名在第4到第7位的个体复制一份，对排名在第7位之后的个体不做处理。
86.在一实施例中，所述交叉操作包括根据各所述配送路径的排序，对各所述配送路径执行交叉算子进行择优交叉。
87.在一实施例中，在对染色体种群中的个体执行交叉操作时，根据各个体的排序执行交叉算子，不改变既有排序，择优交叉，进一步减少陷入局部最优解的可能性。
88.在一实施例中，所述突变操作包括根据动态概率对所述配送路径执行变异算子；所述动态概率根据所述配送路径的适应度确定。
89.在一实施例中，在执行变异算子的时采用动态概率，即对适应度高的个体，即对适应度大于预设阈值的配送路径进行小概率变异，对适应值低的个体，即对适应度小于预设阈值的配送路径进行高概率变异，从而可以提高地适应度个体的适应值，还可以防止因为变异失去优秀个体，从而进一步提高最终选择的物流路径的合理性。
90.下面对本发明提供的物流路径规划装置进行描述，下文描述的物流路径规划装置与上文描述的物流路径规划方法可相互对应参照。
91.在一实施例中，如图2所示，提供了一种物流路径规划装置，包括：
92.路径初始化模块210，用于将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
93.物流路径规划模块220，用于根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
94.其中，所述目标函数为使各所述配送用车的配送总路程最短。
95.通过预先构建的路径优化模型以及遗传算法，对各配送路径进行评价操作、交叉操作和突变操作，以从各配送路径中规划出使各配送用车的配送总路程最短的最优物流路径，从而使物流路径的规划在在合理性上更加有保障，有效地节省人力物力，进而提高物流的运输效率。
96.在一实施例中，所述路径优化模型的构建包括：
97.最短的配送总路程最短的配送总路程每条所述配送路径上各客户节点的货物需求量之和各所述配送路径覆盖的客户节点的总量每条所述配送路径的客户节点的组成rb＝{irbu|irbu∈{1,2,...,l},u＝1,2,...,nk}，任一所述配送用车参与配送的情况
98.其中，l表示客户节点总数，k表示配送中心配送用车的集合，k表示配送用车，nk表示配送用车k的客户节点数量，wi表示客户节点i的货物需求量，w表示配送用车的最大载重量，d
ij
表示客户节点i到客户节点j之间的距离，d
0i
表示配送中心到客户节点i之间的距离，rb表示第b条配送路径的客户节点的集合，元素rbu表示客户节点i在配送路径b中的顺序为u，rbu＝0表示配送中心，x(nk)表示配送用车k是否参与配送，当配送用车k服务的客户节点数不少于1时，则配送用车k参与配送，x(nk)＝1，反之则不参与，x(nk)＝0。
99.在一实施例中，物流路径规划模块220具体用于：
100.多次根据路径优化模型中的目标函数，确定当前所述染色体种群中各所述配送路径的适应度，直至执行次数满足预设条件时，将当前所述染色体种群中适应度最高的所述配送路径确定为所述物流路径；
101.其中，每次在确定当前所述染色体种群中各所述配送路径的适应度后，均将所述适应度大于预设阈值的各所述配送路径进行复制，形成新的染色体种群进行交叉操作和突变操作，获取下一染色体种群，并将下一染色体种群更新为当前所述染色体种群。
102.在一实施例中，物流路径规划模块220还用于：
103.在将所述适应度大于预设阈值的各所述配送路径进行复制之前，根据各所述配送路径的适应度，对各所述配送路径进行排序。
104.在一实施例中，物流路径规划模块220具体用于：
105.将排在第n位之前的所述配送路径进行两次复制，将排在第n位至第m位的所述配送路径进行一次复制；
106.其中，m＞n。
107.在一实施例中，所述交叉操作包括根据各所述配送路径的排序，对各所述配送路径执行交叉算子进行择优交叉。
108.在一实施例中，所述突变操作包括根据动态概率对所述配送路径执行变异算子；所述动态概率根据所述配送路径的适应度确定。
109.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)810、通信接口(communication interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的计算机程序，以执行物流路径规划方法的步骤，例如包括：
110.将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
111.根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
112.其中，所述目标函数为使各所述配送用车的配送总路程最短。
113.此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
114.另一方面，本技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的物流路径规划方法的步骤，例如包括：
115.将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
116.根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
117.其中，所述目标函数为使各所述配送用车的配送总路程最短。
118.另一方面，本技术实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤，例如包括：
119.将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；
120.根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；
121.其中，所述目标函数为使各所述配送用车的配送总路程最短。
122.所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
123.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
124.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
125.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种物流路径规划方法，其特征在于，包括：将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；其中，所述目标函数为使各所述配送用车的配送总路程最短。2.根据权利要求1所述的物流路径规划方法，其特征在于，所述物流数据包括客户节点的总数、配送中心的配送用车集合、任一配送用车配送的客户节点数量、任一所述客户节点的货物需求量、任一所述配送用车最大载重量、任意两个所述客户节点之间的距离、所述配送中心与任一所述客户节点的距离以及任一配送路径中的客户节点集合中的至少一种。3.根据权利要求2所述的物流路径规划方法，其特征在于，所述路径优化模型的构建包括：最短的配送总路程最短的配送总路程每条所述配送路径上各客户节点的货物需求量之和各所述配送路径覆盖的客户节点的总量每条所述配送路径的客户节点的组成rb＝{irb
u
|irb
u
∈{1，2，...，l}，u＝1，2，...，n
k
}，任一所述配送用车参与配送的情况其中，l表示客户节点总数，k表示配送中心配送用车的集合，k表示配送用车，n
k
表示配送用车k的客户节点数量，w
i
表示客户节点i的货物需求量，w表示配送用车的最大载重量，d
ij
表示客户节点i到客户节点j之间的距离，d
0i
表示配送中心到客户节点i之间的距离，rb表示第b条配送路径的客户节点的集合，元素rb
u
表示客户节点i在配送路径b中的顺序为u，rb
u
＝0表示配送中心，x(n
k
)表示配送用车k是否参与配送，当配送用车k服务的客户节点数不少于1时，则配送用车k参与配送，x(n
k
)＝1，反之则不参与，x(n
k
)＝0。4.根据权利要求1所述的物流路径规划方法，其特征在于，所述根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径，包括：多次根据路径优化模型中的目标函数，确定当前所述染色体种群中各所述配送路径的适应度，直至执行次数满足预设条件时，将当前所述染色体种群中适应度最高的所述配送路径确定为所述物流路径；其中，每次在确定当前所述染色体种群中各所述配送路径的适应度后，均将所述适应度大于预设阈值的各所述配送路径进行复制，形成新的染色体种群进行交叉操作和突变操作，获取下一染色体种群，并将下一染色体种群更新为当前所述染色体种群。5.根据权利要求4所述的物流路径规划方法，其特征在于，在将所述适应度大于预设阈值的各所述配送路径进行复制之前，还包括：根据各所述配送路径的适应度，对各所述配送路径进行排序。6.根据权利要求5所述的物流路径规划方法，其特征在于，将所述适应度大于预设阈值的各所述配送路径进行复制，包括：
将排在第n位之前的所述配送路径进行两次复制，将排在第n位至第m位的所述配送路径进行一次复制；其中，m＞n。7.根据权利要求5或6所述的物流路径规划方法，其特征在于，所述交叉操作包括根据各所述配送路径的排序，对各所述配送路径执行交叉算子进行择优交叉。8.根据权利要求1-6任意一项所述的物流路径规划方法，其特征在于，所述突变操作包括根据动态概率对所述配送路径执行变异算子；所述动态概率根据所述配送路径的适应度确定。9.一种物流路径规划装置，其特征在于，包括：路径初始化模块，用于将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；物流路径规划模块，用于根据路径优化模型中的目标函数，对所述染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将所述染色体种群中适应度最高的配送路径确定为物流路径；其中，所述目标函数为使各所述配送用车的配送总路程最短。10.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的物流路径规划方法的步骤。11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的物流路径规划方法的步骤。

技术总结
本申请提供一种物流路径规划方法及装置。所述方法包括：将物流数据输入至预先构建的路径优化模型，并根据遗传算法，初始化染色体种群的对应的各配送路径；根据路径优化模型中的目标函数，对染色体种群对应的各配送路径进行评价操作、交叉操作和突变操作，将染色体种群中适应度最高的配送路径确定为物流路径。本申请实施例提供的物流路径规划方法能够有效地对物流路径进行合理规划，提高物流的运输效率。率。率。


技术研发人员：陈家兴 李铎 杨二兵 曹雪峰 陈书钢 刘少伟
受保护的技术使用者：中国移动通信集团有限公司 中移雄安信息通信科技有限公司
技术研发日：2022.01.21
技术公布日：2023/8/4