基于集成協同PSO算法的車輛路徑優化仿真初探

李彬彬 黨珠月

摘 要：應用集成協同PSO算法能夠提升物流車輛的速度，優化運輸成本。基于此，本文闡述了車輛物流配送路徑的優化原則，同時將集成協同PSO算法中的標準算法、優化算法的內容，應用到基于集成協同PSO算法的車輛路徑優化仿真設計，來提升路徑搜索的準確性。通過論述以上內容，來為技術人員提供一些參考。

關鍵詞：集成協同PSO算法；車輛路徑；仿真模型

引言：市場經濟的發展，促使物流運輸技術進步，物流配送業迎來了黃金時期。物流車輛在配送貨物的過程中，存在著一些可以提升配送速度的內容，比如選擇最佳配送路線，能夠實現提升速度和經濟效益的目標。為了幫助物流車輛選擇出最佳路線，要使用集成協同PSO算法，來不斷提升車輛的配送速度和質量，進而降低物流的配送成本。

1關于車輛物流配送路徑的優化原則

從物流中心出發，每個車輛都有多個配送貨物的點，這些點的位置固定，車輛的載重量固定，需要選取最佳路線，使車輛的運輸距離最合理，進而實現以下目標：第一，一條線路上的所有點需求量之和要小于車輛總承載量；第二，一條線路的長度要小于車輛的最大行駛距離；第三，一條線路上擁有一輛車送貨。

根據以上與要求，本文建立的車輛優化路徑的數學模型：

配送中心有M輛車，承重量為（1.2.3.4....M），其中，一次最大配送路程為L，需求點的貨物需求量為（i=1.2.3.3...L），配送中心距每個中心點的路段長度用J代表，J（1.2.3.4....L）。設定M輛車的配送距離為m，m=0代表車輛未被使用。所有的車輛行駛的路徑長度使用集合來表示，需求點在路徑K中，依次排列的順序為i集合，當k=0的時候，用來表示物流中心，可以建立以下模型：

（A）

這個模型中，可以使用不同的算法來指代車輛配送路線的各項內容，比如，A代表最短的目標路線，B代表路徑需求點的集合，C代表第M輛車的貨物需求。當M大于1的時候，汽車需要參加配送；當M的貨物量小于1的時候，代表未使用輛車。

2集成協同PSO算法的內容

集成系統PSO算法是將群體中的所有個體當做空間中的一個點，這些點在可以在空間中進行運動，并按照移動速度，來做出相應的調整。PSO算法就是按照不同對空間的適應程度，實現個體位移到環境最優處，來解決點的空間移動問題[1]。

在POS算法中，使用點來確定空間運動問題，使得每一個點的狀態處于目標函數最優值，可以用“D”維度代表一個目標搜索空間，在這個空間中，由N個點組成一個集合，這個集合中，第t個點的位置與移動速度可以使用公式表示：

在進行POS的算法過程中，首先要計算出某個點的位置及移動速度，然后根據迭代關系計算出最優解，在每一次迭代中，點都可通過跟蹤空間的兩個極值來不斷提升自己的速度和位置。在這個過程中，擁有一個極值是點的本身所具有的最優解，也稱之為個體極值。通過集合來表示：Pi（t）=（pi1（t），pi2（t），pid（t））；另一個極值是整個粒子群到目前為止找到的最優解，稱為全局極值，表示為：Pg（t）=（pg1（t），pg2（t），pgd（t））。當計算出第t+1次迭代的速度時，粒子i根據以上規則來不斷更新速度和位置。

3集成協同PSO算法的車輛路徑優化設計

3.1原配送線路情況

某運輸公司主要給批發市場供應貨物，主要分為大客戶和小客戶。小客戶的需求具有時間和不確定性的特點，一般會采用共同配送運輸的方法，來運輸貨物。而大客戶是批發市場，配送過程中，會經過10個點，比如超市、商場等。該公司擁有3輛半噸的貨車和2輛1.5噸的小貨車，若車輛不夠，可以租借車輛。

該公司的大客戶貨物需求穩定，但卻沒有固定的配送路線，一般由司機決定。這樣一來，配送路線缺乏合理性，運送的距離較長，車輛在作業的時候，消耗的時間過多，導致速度慢，再加上無法充分利用車輛配載容積，使得配送的過程中出現人力和物力的浪費現象，影響了公司的經濟效益。

3.2基于POS算法的物流配送路線的優化方法

為了規劃出合理的路線，需考慮以下幾個內容：

（1）配送中心、各服務點、運輸線路的具體位置；

（2）運輸車輛的路徑、貨物運輸的時間限制、道路順暢情況；

（3）每個客戶只能由一輛配送車輛送貨；每輛車配送總里程不超過其最大行駛距離；

根據以上內容，設計出商品配送中心到所有的物流節點之前距離，并計算出不同路線的時間與成本，通過對比，選擇出最佳路線。

使用M=0來代表換公司的配送中心，車輛的最大容量為Q=0.8，由于公司的所有輛車都在生產中，初始化群體的個數為n=30，學習因子為c1=2、c2=2。需求點和配送中心的最短距離數據為：第10個配送點最短距離是24.9km，第1個配送點（配送中心）距離為0km。

3.3算法實現

（1）初始化編碼。通過編碼，來求出車輛的最佳路徑，針對10個配送點與4輛車來進行規劃，使用1-10來表示每個點的運動狀態X（x1、x2、x3.....xn），生成的整數使用車輛來實現配送，然后進行貨物的運輸，其中，編程的重點是每個點中，找出“M=0”代表配送中心。基于POS計算，來選擇出最優化的路線，并根據上文中的（A）算法，計算出車輛配送的目標函數，最后計算出點的速度和位置。

（2）循環內適應法。和初始數據相比，（A）公式中的點速度代表著配送方案，即目標函數；

（3）優化循環內部及全局。空間內部的點適應度需要按照已知的最優適應度來比較，進而選出最佳的運動狀態；

（4）同時實驗分析，確定10個節點的最優解，得出的最佳路線是：車輛一，0-6-1-0；車輛二，0-1-0；車輛三，0-2-3-5-0。總體車輛的行程為201.3km。

結論：綜上所述，集成協同PSO算法能夠優化車輛路徑。在此基礎上，基于POS計算，計算出車輛配送的目標函數，選擇最佳的速度和位置；同時，通過結合物流運輸企業的生產經營情況，明確商品配送距離，能夠規劃出合理路線。因此，物流車輛使用集成協同PSO算法，能夠減低配送成本。

參考文獻

[1]楚湘華.基于群集智能的最優化算法研究及其應用[D].哈爾濱工業大學，2014.

[2]韓國華.基于高清視頻處理技術的北京市快速路微觀交通流模型研究[D].山東建筑大學，2012.

（作者單位：大連工業大學管理學院）