科技物流配送_ 基于空间信息的应急物流配送路径优化研究

文摘:车辆路径问题主要研究物流配送中的车辆路径优化，以提高物流配送效率该系统基于百度地图应用编程接口和智能算法来解决车辆路径问题。首先通过百度地图应用编程接口获取节点间实际道路的距离数据，然后将百度地图应用编程接口获取的道路实际距离数据提交给改进的蚁群算法求解最短路径模型，从而减少配送车辆的在途时间，并通过电子地图显示最优车辆路径

关键词:蚁群算法物流配送路径优化空间信息

1年简介

应急物流(emergency logistics)是指针对严重自然灾害、突发公共卫生事件、公共安全事件、军事冲突等突发事件，为物资、人员和资金需求提供应急支持的特殊物流活动。

应急物流可分为军事应急物流和非军事应急物流非军事应急物流可细分为自然灾害应急物流、人为灾害应急物流和流行病应急物流自然灾害应急物流配送主要是针对救灾物资的收集、分类、包装、运输和配送。整个救灾物流的运输和配送都围绕着灾区的灾民。

随着环境灾害造成的社会和国家财产损失，如何提高应急物流配送水平已成为亟待解决的问题。在车辆路径问题的研究中，节点之间的直线距离之和通常被用作最短路径最优解的数据基础，而节点之间的直线距离之和通常远离实际道路距离，这使得最优路径安排难以真正应用于实际需要。

因此通过百度地图获取节点间实际道路的距离数据，通过添加约束条件、修改节点间距离计算、改变选择策略、调整信息挥发因子等方法改进基本蚁群算法，最后将百度地图获取的道路实际距离数据提交给改进的蚁群算法求解。

面临城市各类突发公共事件频繁发生的严峻形势，面临城市建设中紧急货物运输路线的紧迫问题，结合突发事件、地理信息技术、计算机技术、智能计算等领域的最新进展。通过对货物运输路线的分析研究，采用理论与实践相结合的方法，研究与救援车辆行驶时间密切相关的路网交通参数，建立路网状态变化模型。

在此基础上，建立基于蚁群算法的最短路径模型，优化求解过程，以减少货物配送车辆的在途时间，提高城市救灾减灾水平，为保护城市人民生命财产和区域可持续发展提供科学依据和技术支持。

中国是一个容易遭受自然灾害的国家灾害威胁着我们城市的安全，造成巨大的经济损失和人员伤亡。应急物流是城市灾害管理系统的重要组成部分。应急物流配送研究对减少城市灾害损失和扩大规模具有重要的指导意义。应急配送路线选择和车辆调度是物流配送中非常重要的活动本研究收集城市基础地理数据，采用蚁群算法的最短路径模型，优化求解过程，以便在必要时为受灾城市提供及时救援和合理帮助

2，蚁群算法

蚁群优化(ACO)是一种群体智能算法，最早由意大利学者Colorni A，Dorigo M

只蚂蚁觅食

如图(a)所示，假设点a是巢，点e是食物，蚂蚁在运动过程中会释放一种叫做信息素的物质，蚂蚁会沿着信息素浓度最高的路径运动。当没有障碍物时，对于最初的几只蚂蚁来说，沿着直线移动的蚂蚁一次运输食物所花费的时间更少，然后沿着直线移动的蚂蚁在同一时间最多。假设每只蚂蚁在运动过程中释放的信息素量完全相同，那么直线路径积累的信息素浓度最高，那么蚂蚁将沿着信息素浓度最高的路径前进。

如图(b)所示。当障碍物出现时，蚂蚁将以同样的概率从两边绕过障碍物。从h点或c点，从图中可以看出，从c点绕过障碍物的路径最短。如果路径中积累的信息素浓度很高，更多的蚂蚁将从c点绕过障碍物，如图(c)所示

2.2实施流程

如果蚁群中所有蚂蚁的数量是蚂蚁计数，节点的数量是城市计数(其中配送中心的数量是1，配送点的数量是城市计数-1)，所有节点之间的距离矩阵用距离表示，信息素矩阵用tao表示，最佳路径是besttour每只蚂蚁都有自己的记忆，其中一个禁忌城市被用来存储蚂蚁访问过的节点。值为0表示它没有访问过，值为1表示它已经访问过，这意味着它在将来的搜索中将无法访问这些节点。

使用tour来表示容量为citycount+1的当前路线，其中第一个值与最后一个值相同，确保蚂蚁最终返回起点；还有一些其他数据，例如一些控制参数(α= 1.0，β= 2.0，rou=0.5)，蚂蚁一路行走和玩耍的总距离(bestlength)等。假设算法的迭代次数为maxgen，运行时间为运行时。

蚁群算法的计算过程如下:

(1)初始化

设置runtimes=0，将bestlength初始化为无穷大，bestTour为空初始化所有蚂蚁。tao矩阵的所有元素都被初始化为0.1，而unvisitedcity表中的所有值都被设置为0同时，通过函数SelectFirstCity()选择配送中心作为蚂蚁的起始位置，其在不可见城市矩阵中的对应值变为1，并添加到巡回表中。

(2)为每个ant选择下一个节点

使用函数SelectNextCity()为每个蚂蚁选择下一个节点。该节点只能从受访城市矩阵中值为0的节点中选择，其中每个节点都以一定的概率进行搜索。一旦搜索到一个，它在受访城市矩阵中的相应值将变为1，并添加到旅游表中。此过程重复citycount-1次，直到所有节点遍历一次。遍历所有节点后，开始节点被再次添加到游览中，即游览的第一个元素和后续元素都是配送中心节点，此时游览表元素的数量为citycount+1

最终通过函数CalTourLength()计算总路径距离，比较每只蚂蚁的路径距离，然后将其与bestlength进行比较。如果其路径距离小于bestlength，则该值被赋予bestlength，其行程被赋予besttour

(3)用函数UpdateTao()更新信息素矩阵

(4)检查终止条件

当迭代次数达到maxgen时，算法停止并转到步骤(5)；否则，所有蚂蚁的tao矩阵的所有元素都被重新初始化为0.1，并且未unvisitedcity表中的值都被设置为0同时，通过函数SelectFirstCity()选择配送中心作为蚂蚁的起始位置，其在不可见城市矩阵中的对应值变为1，并添加到巡回表中。重复步骤(2)、(3)和(4)

(5)输出最佳值

算法的流程图如下所示:

蚁群算法流程图

3，系统实现

通过将蚁群算法与百度地图相结合来实现分布。为了更直观地展示蚁群算法和百度地图的结合，模块设计采用框架框架，将模块分为左右两部分，物流节点选择区在左边，百度地图在右边。分销商可以在左栏选择一个配送中心(起点)和多个配送点(目标站点)，蚁群算法可以计算出最优路径，最终得到路径规划结果。

图1地图查询模块界面

4年，结论

本文是一个基于百度地图应用编程接口、javascript和JSP的路径优化系统该系统将所有地理数据存储在数据库中，并可以查询服务点的详细位置和显示分发点之间的导航路线。为了达到总运行时间最短的目标，采用改进的蚁群算法优化导航路径，优化配送路径，并利用百度地图给出最佳路径，为配送系统的建设提供了有效的信息手段。

参考文献

[1] Colorni，a .，M. Dorigo和V. Mariiezzo。，1991年。蚁群的分布式优化，载于:继续。伊阿罗普。糖膏剂艺术生活。F. Varela和P. Bourgine.

(作者:朱海佳，郭腾飞，张子涵)资料来源:北京联合大学城市轨道交通与物流学院本文由北京联合大学“七星”大学生科技创新项目201911417XJ146资助)