本發(fā)明涉及農(nóng)資電子商務(wù)技術(shù)領(lǐng)域，具體涉及基于改進(jìn)遺傳算法的農(nóng)資連鎖經(jīng)營配送中車輛調(diào)度方法。

背景技術(shù)：

農(nóng)資是農(nóng)業(yè)生產(chǎn)重要的農(nóng)業(yè)投入品，為現(xiàn)代農(nóng)業(yè)的發(fā)展提供了重要的物資保障和基礎(chǔ)。農(nóng)資連鎖經(jīng)營是目前農(nóng)資企業(yè)的主要經(jīng)營方式，但是目前針對(duì)農(nóng)資連鎖經(jīng)營的物流配送理論的研究卻十分落后。物流配送水平的滯后成為制約連鎖經(jīng)營在農(nóng)資領(lǐng)域順利發(fā)展的瓶頸，建立完善的農(nóng)資連鎖物流體系，有利于提高農(nóng)業(yè)經(jīng)濟(jì)效益。

在我國社會(huì)普遍物流運(yùn)作水平偏低,物流成本較高的大環(huán)境下,農(nóng)資產(chǎn)品的物流成本也很高。通過從物流配送環(huán)節(jié)節(jié)約成本可以在保證農(nóng)民購買農(nóng)資產(chǎn)品的能力的同時(shí)使得農(nóng)資公司能有更好的收益，達(dá)到雙贏的效果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中存在的不足，提供一種基于改進(jìn)遺傳算法的農(nóng)資連鎖經(jīng)營配送中車輛調(diào)度方法，提供了更符合農(nóng)資連銷實(shí)際情況，節(jié)約物流配送環(huán)節(jié)成本。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

基于改進(jìn)遺傳算法的農(nóng)資連鎖經(jīng)營配送中車輛調(diào)度方法，所述方法包括如下步驟：

s1、建立農(nóng)資連銷配送車輛實(shí)時(shí)調(diào)度模型；

s2、改進(jìn)遺傳算法；

s3、輸入相應(yīng)的配送點(diǎn)信息和車輛信息以及配送失敗的懲罰系數(shù)；

s4、遺傳算法進(jìn)行優(yōu)化，輸出配送方案。

優(yōu)選的，所述步驟s1中農(nóng)資連銷經(jīng)營物流配送車輛調(diào)度模型主要包括：農(nóng)資產(chǎn)品、運(yùn)輸車輛、配送中心、村鎮(zhèn)銷售網(wǎng)點(diǎn)、運(yùn)輸網(wǎng)絡(luò)、約束條件和目標(biāo)函數(shù)。

優(yōu)選的，所述目標(biāo)函數(shù)為

式(1)中，cij表示從配送網(wǎng)點(diǎn)i到配送網(wǎng)點(diǎn)j的配送成本，xijk表示車輛k從網(wǎng)點(diǎn)i行駛到j(luò)，g表示配送失敗的網(wǎng)點(diǎn)數(shù)，p表示配送失敗的懲罰。

優(yōu)選的，所述步驟s2中改進(jìn)遺傳算法的具體步驟包括：

s21、初始化群體，按照種群數(shù)目隨機(jī)生成n個(gè)個(gè)體；

s22、選擇操作，采用改進(jìn)的輪盤賭算法來選擇個(gè)體，保證種群中適應(yīng)值最小的解也有機(jī)會(huì)被選到，避免種群的多樣性遭到破壞；

s23、交叉算法，采用部分映射交叉算法；

s24、變異操作，采用隨機(jī)生成變異位點(diǎn)的方法；

s25、終止條件，當(dāng)經(jīng)過一定代數(shù)最優(yōu)解已然不變時(shí)則停止算法。

優(yōu)選的，所述步驟s22中改進(jìn)的輪盤賭算法具體包括：

先產(chǎn)生隨機(jī)數(shù)ξ∈[0，1]，若式(2)成立則選擇個(gè)體i進(jìn)行復(fù)制。

其中fj為個(gè)體j的適配值，fmin為所有個(gè)體中最小的適配值。

本發(fā)明由于采用了上述技術(shù)方案，具有以下有益效果：本方法提供了更符合農(nóng)資連銷中車輛調(diào)度實(shí)際情況的解決方法，采用改進(jìn)的輪盤賭算法來保證種群的多樣性；采用部分映射交叉算法來適應(yīng)農(nóng)資連銷模型中節(jié)點(diǎn)型編碼的特征；節(jié)約了農(nóng)資連銷中物流配送的成本。

附圖說明

附圖用來提供對(duì)本發(fā)明的優(yōu)選的理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的限制。在附圖中：

圖1為本發(fā)明的算法流程示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所述描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的基于改進(jìn)遺傳算法的農(nóng)資連鎖經(jīng)營配送中車輛調(diào)度方法，包括如下步驟：

s1、建立農(nóng)資連銷配送車輛實(shí)時(shí)調(diào)度模型；

本發(fā)明實(shí)施例中，假設(shè)各農(nóng)資產(chǎn)品不存在不能一起運(yùn)輸?shù)那闆r，主要目標(biāo)為使得運(yùn)輸成本最低而不是最短路徑，因?yàn)橐ＷC配送網(wǎng)點(diǎn)都拿到貨，所以對(duì)于配送失敗的情況給予懲罰。目標(biāo)函數(shù)為

式(1)中，cij表示從配送網(wǎng)點(diǎn)i到配送網(wǎng)點(diǎn)j的配送成本，xijk表示車輛k從網(wǎng)點(diǎn)i行駛到j(luò)，g表示配送失敗的網(wǎng)點(diǎn)數(shù)，p表示配送失敗的懲罰。

s2、根據(jù)農(nóng)資連銷智能物流系統(tǒng)車輛調(diào)度的模型，結(jié)合遺傳算法的精髓，編寫相應(yīng)的程序；

本發(fā)明實(shí)施例中，基于遺傳算法解決農(nóng)資連銷智能物流系統(tǒng)中車輛調(diào)度問題，分為以下幾個(gè)部分：

s21、初始化群體，按照種群數(shù)目隨機(jī)生成n個(gè)個(gè)體；

s22、選擇操作，選擇操作作用于避免有效基因的損失，使高性能的個(gè)體得以更大的概率生存，從而提高全局收斂性和計(jì)算效率；

本發(fā)明實(shí)施例中，采用改進(jìn)的輪盤賭算法：先產(chǎn)生隨機(jī)數(shù)ξ∈[0，1]，若式(2)成立則選擇個(gè)體i進(jìn)行復(fù)制。

其中fj為個(gè)體j的適配值，fmin為所有個(gè)體中最小的適配值。

這里對(duì)所有的適配值都進(jìn)行了調(diào)整，都減去0.9fmin，然后再進(jìn)行加權(quán)選擇，這樣可以使不同解之間形成較大區(qū)分度，采用了減去最小適配值的做法可以增大優(yōu)良個(gè)體被選擇的機(jī)會(huì)，加快收斂速度。同時(shí)，這里并沒有完全減去fmin，而是減去0.9fmin，這樣可以保證種群中適配值最小的解也有機(jī)會(huì)被選擇到，避免種群的多樣性被破壞。

s23、交叉算法，本實(shí)施例中選擇部分映射交叉算法；

s24、變異操作，本實(shí)施例中采用隨機(jī)生成變異位點(diǎn)的方式；

s25、終止條件，由于問題的最優(yōu)解無法知道，所以本實(shí)施例采用近似收斂準(zhǔn)則來終止算法，當(dāng)種群進(jìn)化了n代之后最優(yōu)解已然不變時(shí)就認(rèn)定此時(shí)的解為最優(yōu)解，終止算法。

s3、輸入相應(yīng)的配送點(diǎn)信息和車輛信息以及配送失敗的懲罰系數(shù)；

s4、遺傳算法進(jìn)行優(yōu)化，輸出配送方案。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，對(duì)于本領(lǐng)域的技術(shù)人員來說，其依然可以對(duì)前述實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。