基于集成协同PSO算法的车辆路径优化仿真初探

李彬彬 党珠月

摘 要：应用集成协同PSO算法能够提升物流车辆的速度，优化运输成本。基于此，本文阐述了车辆物流配送路径的优化原则，同时将集成协同PSO算法中的标准算法、优化算法的内容，应用到基于集成协同PSO算法的车辆路径优化仿真设计，来提升路径搜索的准确性。通过论述以上内容，来为技术人员提供一些参考。

关键词：集成协同PSO算法；车辆路径；仿真模型

引言：市场经济的发展，促使物流运输技术进步，物流配送业迎来了黄金时期。物流车辆在配送货物的过程中，存在着一些可以提升配送速度的内容，比如选择最佳配送路线，能够实现提升速度和经济效益的目标。为了帮助物流车辆选择出最佳路线，要使用集成协同PSO算法，来不断提升车辆的配送速度和质量，进而降低物流的配送成本。

1关于车辆物流配送路径的优化原则

从物流中心出发，每个车辆都有多个配送货物的点，这些点的位置固定，车辆的载重量固定，需要选取最佳路线，使车辆的运输距离最合理，进而实现以下目标：第一，一条线路上的所有点需求量之和要小于车辆总承载量；第二，一条线路的长度要小于车辆的最大行驶距离；第三，一条线路上拥有一辆车送货。

根据以上与要求，本文建立的车辆优化路径的数学模型：

配送中心有M辆车，承重量为（1.2.3.4....M），其中，一次最大配送路程为L，需求点的货物需求量为（i=1.2.3.3...L），配送中心距每个中心点的路段长度用J代表，J（1.2.3.4....L）。设定M辆车的配送距离为m，m=0代表车辆未被使用。所有的车辆行驶的路径长度使用集合来表示，需求点在路径K中，依次排列的顺序为i集合，当k=0的时候，用来表示物流中心，可以建立以下模型：

（A）

这个模型中，可以使用不同的算法来指代车辆配送路线的各项内容，比如，A代表最短的目标路线，B代表路径需求点的集合，C代表第M辆车的货物需求。当M大于1的时候，汽车需要参加配送；当M的货物量小于1的时候，代表未使用辆车。

2集成协同PSO算法的内容

集成系统PSO算法是将群体中的所有个体当做空间中的一个点，这些点在可以在空间中进行运动，并按照移动速度，来做出相应的调整。PSO算法就是按照不同对空间的适应程度，实现个体位移到环境最优处，来解决点的空间移动问题[1]。

在POS算法中，使用点来确定空间运动问题，使得每一个点的状态处于目标函数最优值，可以用“D”维度代表一个目标搜索空间，在这个空间中，由N个点组成一个集合，这个集合中，第t个点的位置与移动速度可以使用公式表示：

在进行POS的算法过程中，首先要计算出某个点的位置及移动速度，然后根据迭代关系计算出最优解，在每一次迭代中，点都可通过跟踪空间的两个极值来不断提升自己的速度和位置。在这个过程中，拥有一个极值是点的本身所具有的最优解，也称之为个体极值。通过集合来表示：Pi（t）=（pi1（t），pi2（t），pid（t））；另一个极值是整个粒子群到目前为止找到的最优解，称为全局極值，表示为：Pg（t）=（pg1（t），pg2（t），pgd（t））。当计算出第t+1次迭代的速度时，粒子i根据以上规则来不断更新速度和位置。

3集成协同PSO算法的车辆路径优化设计

3.1原配送线路情况

某运输公司主要给批发市场供应货物，主要分为大客户和小客户。小客户的需求具有时间和不确定性的特点，一般会采用共同配送运输的方法，来运输货物。而大客户是批发市场，配送过程中，会经过10个点，比如超市、商场等。该公司拥有3辆半吨的货车和2辆1.5吨的小货车，若车辆不够，可以租借车辆。

该公司的大客户货物需求稳定，但却没有固定的配送路线，一般由司机决定。这样一来，配送路线缺乏合理性，运送的距离较长，车辆在作业的时候，消耗的时间过多，导致速度慢，再加上无法充分利用车辆配载容积，使得配送的过程中出现人力和物力的浪费现象，影响了公司的经济效益。

3.2基于POS算法的物流配送路线的优化方法

为了规划出合理的路线，需考虑以下几个内容：

（1）配送中心、各服务点、运输线路的具体位置；

（2）运输车辆的路径、货物运输的时间限制、道路顺畅情况；

（3）每个客户只能由一辆配送车辆送货；每辆车配送总里程不超过其最大行驶距离；

根据以上内容，设计出商品配送中心到所有的物流节点之前距离，并计算出不同路线的时间与成本，通过对比，选择出最佳路线。

使用M=0来代表换公司的配送中心，车辆的最大容量为Q=0.8，由于公司的所有辆车都在生产中，初始化群体的个数为n=30，学习因子为c1=2、c2=2。需求点和配送中心的最短距离数据为：第10个配送点最短距离是24.9km，第1个配送点（配送中心）距离为0km。

3.3算法实现

（1）初始化编码。通过编码，来求出车辆的最佳路径，针对10个配送点与4辆车来进行规划，使用1-10来表示每个点的运动状态X（x1、x2、x3.....xn），生成的整数使用车辆来实现配送，然后进行货物的运输，其中，编程的重点是每个点中，找出“M=0”代表配送中心。基于POS计算，来选择出最优化的路线，并根据上文中的（A）算法，计算出车辆配送的目标函数，最后计算出点的速度和位置。

（2）循环内适应法。和初始数据相比，（A）公式中的点速度代表着配送方案，即目标函数；

（3）优化循环内部及全局。空间内部的点适应度需要按照已知的最优适应度来比较，进而选出最佳的运动状态；

（4）同时实验分析，确定10个节点的最优解，得出的最佳路线是：车辆一，0-6-1-0；车辆二，0-1-0；车辆三，0-2-3-5-0。总体车辆的行程为201.3km。

结论：综上所述，集成协同PSO算法能够优化车辆路径。在此基础上，基于POS计算，计算出车辆配送的目标函数，选择最佳的速度和位置；同时，通过结合物流运输企业的生产经营情况，明确商品配送距离，能够规划出合理路线。因此，物流车辆使用集成协同PSO算法，能够减低配送成本。

参考文献

[1]楚湘华.基于群集智能的最优化算法研究及其应用[D].哈尔滨工业大学，2014.

[2]韩国华.基于高清视频处理技术的北京市快速路微观交通流模型研究[D].山东建筑大学，2012.

（作者单位：大连工业大学管理学院）