基于改进神经网络的非满载车辆路线优化模型

林文如，陈腾林，林国福

LIN Wenru1,CHEN Tenglin2,LIN Guofu1

1.闽江学院 计算机科学系，福州350108

2.闽江学院 交通学院，福州350108

1.Department of Computer Science,Minjiang University,Fuzhou 350108,China

2.Transportation Engineering Institute,Minjiang University,Fuzhou 350108,China

随着国家经济水平的不断提高，物流业和配送业近几年在我国迅速崛起，车辆优化调度问题也日益重要[1-2]。尤其是在非满载车辆调度问题上，有时会出现物流车辆非满载的情况，在这种情况下，就无法实现物流运输车辆的全部经济价值，资源浪费现象严重，极大地限制了汽车运输保障能力的发挥。

目前流行的车辆调度方式基于简单的神经网络模型设计，与实际情况出入较大，主要的物流路径选取方式包括基于遗传算法的物流路径选取方式和基于蚁群算法的物流路径选取方式以及基于非满载物流供应链模型的物流路径选取方式。其中，最常用的是基于非满载物流供应链模型的物流路径选取方式，这种模型在使用的过程中，无法综合考虑运输成本和运输利润的问题，因此需要建立更为先进的模型来实现运输过程最大化的经济价值。

为了解决传统神经网络物流算法的弊端，提出了一种基于改进神经网络的非满载车辆路线优化挖掘模型。通过加权非满载车辆时域长度和空域概率，约束神经网络稳定状态，并通过非满载车辆起点和终点函数方程形成配送模型来完成非满载车辆路线优化挖掘的过程。仿真结果表明，这种方法能够有效提高非满载物流车辆获取的利润，取得了很好的效果。

1 传统的神经网络物流模型

针对某城市途径A、B两地之间各配送点模型结构，根据表1 的配送点空间位置表，利用传统神经网络方法对非满载物流车辆相关参数进行如下描述：

表1 配送点空间位置表

需要输入到神经网络中的数据能够用下述公式进行计算：

根据表1 中的9 组数据计算，传统神经网络模型可以获取下述结果：

其中，k=1，2，…，9。λ(α)是输出数据的帧长。

据此可以得出传统算法配送点挖掘模型如图1。

图1 传统算法配送点分布模型

由于传统结果趋于最优值时，处于混沌状态。其原因是传统的神经网络过于简单，神经元需要符合的条件不足使得具有一个输入层和一个线性输出层以及激活函数的隐含层网络不能够以任意精度逼近任何连续的函数。

按以上传统神经网络的公式来实施调度管理，将A、B 两地之间配送点的邻接矩阵假设成存在一个有向连通车辆的源点交汇点，通过计算传统神经网络的神经元隐含层，在非满载车辆的情况下，就无法使车辆调度在一个能量项不确定的情况下做到趋于稳态。

综上所述，传统算法对于物流配送非满载车辆优化调度问题的研究，在模型的设计上存在偏差，没有全面考虑物流业务订货、送货、集送三个环节的紧密关系。

其次，绝大多数物流公司的业务是将订货、送货、集送一体化综合安排的，因而在物流配送中必须要综合、全面的考虑。

另外，传统的神经网络模型在实际应用中应用面较窄，无法对非满载车辆以及时间窗的变换做出及时的调整。

2 基于改进神经网络的非满载车辆路线优化挖掘模型

针对传统算法的不足，考虑设置非满载物流车辆的数目，通过改变传统神经网络计算最优路径聚类结果，增加神经元隐含层的内置参数，可优化计算方法，达到非满载车辆运行的最优模式。

改进的神经网络的原始理论基于J.Holland 教授于1975 年首次提出遗传算法（Genetic Algorithm，GA）和N.Metropolis 于1953 年首次提出模拟退火算法（Simulated Annealing，SA）。

基于此，提出改进神经网络的非满载车辆路线优化挖掘模型。

2.1 对非满载车辆时域长度和空域概率的加权

为预测非满载车辆时域长度和空域概率，设输入层有a个神经元，输出层有b个神经元，隐含层有c个神经元，通过改变隐含层的时域和空域参数，来变换调度中心和第n个物流配货中心之间的函数关系，也就是通过不断调整聚类处理的初始值来获取非满载物流供应链中不同路径的经济价值参数。

优化的公式如下：

其中，k=1，2，…，9；α1(m-1)，α1(m-2)，…，α1(m-k)为考虑时域长度修订的加权系数；β1(m-1)，β1(m-2)，…，β1(m-k)为考虑空域概修订率的加权系数。λ(α)为综合加权系数。

2.2 神经网络稳定状态的约束

为保证改进的神经元网络的状态稳定在非满载物流供应链中不同路径数目为2n(n-1)中，针对以上模型列出如下的约束函数公式，以提高优化精度。

其中，u1，u2，…，uk为修订系数。

2.3 建立非满载车辆起点和终点函数方程

为了使最优的解满足规定的非满载车辆的起点和终点，列出如下的函数为：

其中τ1，τ2，…，τk为修订系数，k=1，2，…，9。

非满载车辆起点函数方程和终点函数方程的建立，对运输路径进行了约束，使之符合配送点分布的最优原则。

2.4 生成改进算法配送模型

接下来确定目标函数，改进的神经网络目标函数设定为网络的目标函数，优化的线路模型函数如下：

其中，u1，u2，…，uk为修订系数，k=1，2，…，9。

根据以上公式，结合非满载车辆调度问题的建模与仿真原则[3]，基于改进神经网络的非满载车辆路线优化挖掘模型确立如图2。

图2 改进算法配送点分布模型

2.5 对新模型进行时间窗加权

为了确保优化路线严格按改进的神经网络挖掘模式运作，需要引入一个时间窗概念[4-5]，建立可以约束的非满载车辆MEA 模型，如果时间窗MEA 所约束的某项任务不能在要求的时限内完成，则给予一定的惩罚[6]。

假设某项非满载任务a 装卸时间为Ta，任务a给定约束时间为[MTa，ETa]，其中MTa可视为任务a所约束的最早开始时间，ETa可视为任务a所约束的最迟开始时间。如果车辆到达a点早于MTa，就会造成车辆的等待，如果车辆到达a点的时间迟于ETa，则任务a势必延迟。

据此，可以引入下列函数关系：

非满载车辆时间窗MEA 指要求任务必须在规定的期限内完成，否则将给予一定的惩罚。

其惩罚公式定义为：

其中η为惩罚系数，该系数源自于物流配送时间窗体系下的惩罚理论[7]。

其基本逻辑构成是，若非满载车辆在MTa之前到达a点，则车辆在a点等待产生了机会成本损失；若非满载车辆在ETa之后到达a点，则任务会被延迟，根据惩罚系数，将给予延迟者一定的惩罚，用以约束任务的严肃性。

3 仿真分析

针对基于改进神经网络的非满载车辆路线优化挖掘模型进行仿真分析，仿真分析所有的验证都是在PC P4 T2310 1.86G，4GRAM，Intel182868G 显卡的商用电脑上运行，验证环境等效为MAT-LAB7.0，分析方法符合Hspop 创立的神经网络仿真准则[8]。数据选取某大型物流公司的数据作为实验数据。

在进行网络训练之前，首先将学习样本和测试样本数据归一化至-1 到1 之间。在Matlab 仿真环境下[9-12]，采用基于网格的伪并行神经网络算法优化网络权值，经过50 个轮回的训练，误差平方和达到0.023。学习样本和测试样本的误差平方和曲线如图3 所示。

图3 误差平方和随训练轮数的曲线图

从图3 可以看出，本文算法的误差曲线已相当平稳，网络训练已基本收敛，接下来对本文算法的准确性进行验证[13-15]。

为了进一步验证本文算法的优越性，现选择10 条路线进行优化[15-18]，10 条路线的基本信息如表2 所示。

采用本文方法和传统方法进行路线优化，优化后路线长度及路线优化所用时间对比结果如图4 和图5所示。

图4 优化后路线长度对比

图5 优化路线耗时对比

从以上结果看出，传统方法在非满载车辆调度的路线优化及优化路线耗时方面，尽管有的路线优化长度和优化线路耗时比本文算法优越，但进行10 条线路的优化，总体而言，本文算法的优化路线长度比传统算法短，进行线路优化时的耗时比传统算法少，说明本文算法优越，适合推广使用。

4 结论

针对非满载车辆的线路优化问题，建立一种改进的神经网络计算方案，寻求一种非满载车辆物流供应链优化挖掘模型。其方式是将非满载车辆整载和运输路径优化两个问题通过改进神经网络的计算模式建立一种行之有效的解决方案，即把运输任务按优化算法进行等效的模拟，从而为未来的非满载车辆的运输确立一个基于改进型的神经网络挖掘模式。

仿真实验表明，该模型能够切实解决非满载车辆的调度优化问题，有效地提高了物流的利润。

[1] 张照生，罗健旭.基于差分进化算法的模糊神经网络控制器[J].计算机与应用化学，2011，28（12）：1549-1552.

[2] 刘逻，郭立红，肖辉，等.基于参数动态调整的动态模糊神经网络的软件可靠性增长模型[J].计算机科学，2013，40（2）：186-190.

[3] 仝卫国，于浩进，张秋实.基于神经网络的绝缘子故障诊断[J].计算机仿真，2013，30（9）：310-313.

[4] 曹永刚，周玲，丁晓群，等.基于概率神经网络的电力变压器故障诊断[J].继电器，2006，34（3）：9-11.

[5] 陈波，郭壮志，基于优化平滑因子σ的概率神经网络变压器故障诊断方法研究[J].现代电力，2007，24（2）：44-47.

[6] 尚小晶，田彦涛，李阳，等.基于改进概率神经网络的手势动作识别[J].吉林大学学报：信息科学版，2010，28（5）：459-446.

[7] 刘丽，唐杰，刘卓.基于改进微分进化优化神经网络的电[J].电力系统保护与控制，2010，38（10）：106-109.

[8] 任静，黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制，2010，38（11）：6-9.

[9] 马燕，范植华.基于神经网络的基因分类器[J].计算机工程与设计，2005，26（2）：308-311.

[10] 方鹏迪，夏陆岳，周猛飞，等.基于粗糙集-动态模糊神经网络的聚氯乙烯颗粒特性软测量[J].科技通报，2013，29（1）：114-117.

[11] 胡大伟，朱志强，胡勇.车辆路径问题的模拟退火算法[J].中国公路学报，2008，19（4）：44-47.

[12] 龚延成，郭晓芬，田光均，等.带时间窗约束的物流配送线路启发式算法[J].交通与计算，2009，6（6）：77-79.

[13] Jue Hspop，Wang Ju.Reduction algorithms based on discernibility matrix：the order attributes method[J].Journal of Computer Science and Technology，2013，16（6）：489-504.

[14] 唐小明，郭晓汾.基于物流配送服务水平多指标的车辆模糊优化调度[J].西安工业学院学报，2012，25（3）：10-12.

[15] 王华东，李巍.粒子群算法的物流配送路径优化原则[J].计算机仿真，2012，14（5）：234-258.

[16] 蒋芸，陈娜，明利特，等.基于Bagging 的概率神经网络集成分类算法[J].计算机科学，2013，40（5）：242-246.

[17] 张昌凡，王耀南.神经网络滑模鲁棒控制器及其应用[J].信息与控制，2001，30（3）：209-212.

[18] 陈斌，万江文，吴银锋，等.神经网络和证据理论融合的管道泄漏诊断方法[J].北京邮电大学学报，2009，32（1）：5-9.