一种餐厨垃圾回收过程的车辆优化调度方法
技术领域
本发明涉及一种餐厨垃圾回收过程的车辆优化调度方法，属于模糊车辆路径问题智能优化调度
技术领域
。背景技术
随着我国经济的快速发展、城市进程的加快，餐饮行业快速扩张，餐厨垃圾的产生也逐年递增。餐厨垃圾具有污染物和资源的双重属性，处理得当可“变废为宝”成为资源，处理不当则污染环境、危害健康。据统计，我国城市每年产生不低于6000万吨的厨余垃圾，占垃圾总量的50％以上，其中，北京、上海、深圳等城市的餐饮服务单位的餐厨垃圾日产量已突破千吨，其他大中型城市餐饮服务单位餐厨垃圾日产量也在数百吨左右，如此庞大的餐厨垃圾产量，如果不能得到及时有效的处理，会对餐饮行业和城市环境造成巨大的影响。
在餐厨垃圾回收过程中，餐厨垃圾的量往往难以准确得到，各大餐饮行业产生的餐厨垃圾跟很多因素相关，比如节假日、天气等因素。另外，在实际的餐厨垃圾回收企业中，对餐厨垃圾的回收大都缺乏合理的调度，没有统一的管理，即使是规模较大的企业也仅仅是根据工人的经验进行简单调度。
在整个餐厨垃圾回收过程中，餐厨垃圾回收公司有若干回收车辆，在客户规定的时间内到达客户为客户提供回收餐厨垃圾的服务，由于餐厨垃圾回收过程的优化调度问题属于NP-hard问题，该问题的求解难度随客户数量的增长呈指数型增长。对于此类问题的求解，传统的启发式方法不能保证解的质量，数学规划方法虽求解质量较好，但所需时间较长。
发明内容
本发明提供了一种餐厨垃圾回收过程的车辆优化调度方法，用于在较短的时间内获得餐厨垃圾回收过程的车辆优化调度问题的优良解。
本发明的技术方案是：一种餐厨垃圾回收过程的车辆优化调度方法，其特征在于：包括以下步骤：
Step1、基于模糊可信性理论构建餐厨垃圾回收过程的车辆优化调度问题的模糊机会约束规划模型，以车辆的发车成本、行驶路程成本和时间成本汇总的总经济成本最小化为优化目标。
Step2、采用离散人工蜂群算法的优化调度方法对Step1所确定的餐厨垃圾回收过程的车辆优化调度问题进行求解，获得车辆进行餐厨垃圾回收前的回收方案。
Step3、按照Step2中的回收方案对客户进行餐厨垃圾回收，采用重调度方法对回收方案进行实时调整，以减小餐厨垃圾不确定性导致回收方案中部分客户服务失败产生的额外成本。
所述基于模糊可信性理论构建的模糊机会约束规划模型如下所示：
式中，V＝{0}∪V0，V0＝{1,2,3…,n}为客户点的集合，0表示车场，n为总客户数；K＝{1,2,…m}为车场的可用车辆集合，m为总车辆数；rk为调度方案需要的车辆总数；c为车辆发车固定成本；c1为车辆的单位行驶成本；c2为车辆早到的等待成本；dij为客户i到客户j的距离；为车辆k在客户i处的等待时间；Q为车辆的最大装载量；表示客户j的模糊餐厨垃圾量， 表示的是三角模糊数的一种可信性测度，Cr∈[0,1]，Cr越大，表示车辆的剩余装载量能够满足客户模糊需求量的可信性越大；α为给定的偏好值；b0k为车辆k的出发时间；a0k为车辆k回到车场的时间；e0为车场的开放时间窗口；l0为车场的关闭时间；tij为车辆从客户i到客户j的行驶时间；为车辆k到达客户i的时间；为车辆k离开客户i的时间；si为车辆在顾客i处的服务时间；ei为客户i时间窗的开始时间；li为客户i时间窗的关闭时间；xijk为决策变量，如果车辆k从客户i到客户j时为1，否则为0；yik为决策变量，如果客户i由车辆k服务时为1，否则为0。
所述基于离散人工蜂群算法的优化调度方法的具体步骤如下：
Step2.1、编码解码方式：采用基于客户排列的整数编解码策略。车场编号为0，客户编号为大于0的整数。编码时，采用去除车场后的客户排列进行编码；为第gen代个体i基于客户的排列。解码时，根据车辆的容量、客户的时间窗约束，采用先路由后分组的方式进行解码。为对解码后得到的一个完整的配送方案，S为的长度，2+n≤S≤2n+1。
Step2.2、种群初始化：采用随机规则生成SN个具有多样性和分散性的初始种群。
Step2.3、雇佣蜂阶段：将雇佣蜂放置到蜜源上，为每个蜜源分配一个雇佣蜂并评估蜜源的质量。雇佣蜂的个数为SN。雇佣蜂通过公式(15)在分配的蜜源附近寻找新的蜜源。
式中Xi，Xk分别表示第i和第k个蜜源，i≠k。表示对Xi和Xk执行基于r[a,b]的顺序交叉操作，r[a,b]表示随机生成的长度，用于控制交叉的距离，其中1≤a≤b≤n。当雇佣蜂找到新的蜜源后，对新蜜源进行评估，若新蜜源Xk的适应度值优于旧蜜源Xi的适应度，则用Xk替换Xi，反之，保留旧蜜源。
Step2.4、观察蜂阶段：当所有的雇佣蜂完成新蜜源的搜索后，观察蜂根据雇佣蜂搜索到的蜜源信息，通过公式(16)(17)计算出每个蜜源被选中的概率p，然后采用轮盘赌法对蜜源进行随机挑选，式(16)中pi表示蜜源i被选中的概率，fitnessi表示第i个蜜源的适应度值，其计算如公式(17)所示，公式(17)中的fi表示第i个蜜源的目标函数值。然后按照与雇佣蜂相同的搜索策略对挑选到的蜜源进行搜索。观察蜂的数量与雇佣蜂的数量相同，均为SN。
Step2.5、侦查蜂阶段：当所有的观察蜂完成新蜜源的搜索后，对所有的蜜源进行取舍判断，若某一蜜源经过limit次循环后仍得不到更新，该食物源Xi将被舍弃，此食物源对应的雇佣蜂转变成一个侦查蜂。侦察蜂由公式(18)产生一个新的食物源代替它。
Xi'＝Swap(Xi,u,v) (18)
公式(18)是对Xi进行交换邻域操作，随机在序列Xi中挑选两个位置u和v，然后将u和v位置上的客户进行互换。
Step2.6、终止条件：设定终止条件为最大迭代次数，如果满足则输出“最优路径”，否则重复Step2.3、Step2.4、Step2.5直至满足终止条件。
所述的重调度方法具体步骤如下：
Step3.1、获取当前车辆的回收路径。
Step3.2、车辆是否还有剩余空间，若有，则转至Step3.3，否则，返回车场，对剩余未服务的客户采用离散人工蜂群算法进行重新调度。
Step3.3、当前车辆所分配的客户是否服务完毕，若没有，则继续按照分配的路径进行服务，若服务完毕，则算法结束。
本发明的有益效果是：本发明通过确定餐厨垃圾在回收过程的车辆调度模型和优化目标，并设计离散人工蜂群算法和重调度方法的优化调度方法对优化目标进行优化。调度方法合理有效，可在短时间内获得餐厨垃圾回收过程的车辆优化调度问题的优良解，使得城市餐厨垃圾的回收过程变得更加清晰准确，可大大提高餐厨垃圾回收的效率，降低回收过程产生的成本。
附图说明
图1为本发明的餐厨垃圾在回收过程的车辆优化调度示意图；
图2为本发明的顺序交叉操作示意图；
图3为本发明的交换邻域操作示意图；
图4为本发明的整体算法流程图。
图1-3中，数字0表示车场，其他数字代表客户编号。
具体实施方式
实施例1：如图1-4所示，一种餐厨垃圾回收过程的车辆优化调度方法，包括以下步骤：
Step1、基于模糊可信性理论构建餐厨垃圾回收过程的车辆优化调度问题的模糊机会约束规划模型，以车辆的发车成本、行驶路程成本和时间成本汇总的总经济成本最小化为优化目标。
Step2、采用离散人工蜂群算法的优化调度方法对Step1所确定的餐厨垃圾回收过程的车辆优化调度问题进行求解，获得车辆进行餐厨垃圾回收前的回收方案。
Step3、按照Step2中的回收方案对客户进行餐厨垃圾回收，采用重调度方法对回收方案进行实时调整，以减小餐厨垃圾不确定性导致回收方案中部分客户服务失败产生的额外成本。
进一步地，所述基于模糊可信性理论构建的模糊机会约束规划模型如下所示：
式中，V＝{0}∪V0，V0＝{1,2,3…,n}为客户点的集合，0表示车场，n为总客户数；K＝{1,2,…m}为车场的可用车辆集合，m为总车辆数；rk为调度方案需要的车辆总数；c为车辆发车固定成本；c1为车辆的单位行驶成本；c2为车辆早到的等待成本；dij为客户i到客户j的距离；为车辆k在客户i处的等待时间；Q为车辆的最大装载量；表示客户j的模糊餐厨垃圾量， 表示的是三角模糊数的一种可信性测度，Cr∈[0,1]，Cr越大，表示车辆的剩余装载量能够满足客户模糊需求量的可信性越大；α为给定的偏好值；b0k为车辆k的出发时间；a0k为车辆k回到车场的时间；e0为车场的开放时间窗口；l0为车场的关闭时间；tij为车辆从客户i到客户j的行驶时间；为车辆k到达客户i的时间；为车辆k离开客户i的时间；si为车辆在顾客i处的服务时间；ei为客户i时间窗的开始时间；li为客户i时间窗的关闭时间；xijk为决策变量，如果车辆k从客户i到客户j时为1，否则为0；yik为决策变量，如果客户i由车辆k服务时为1，否则为0。
进一步地，可以设置所述基于离散人工蜂群算法的优化调度方法的具体步骤如下：
Step2.1、编码解码方式：采用基于客户排列的整数编解码策略。车场编号为0，客户编号为大于0的整数。编码时，采用去除车场后的客户排列进行编码；为第gen代个体i基于客户的排列。解码时，根据车辆的容量、客户的时间窗约束，采用先路由后分组的方式进行解码。为对解码后得到的一个完整的配送方案，S为的长度，2+n≤S≤2n+1。
Step2.2、种群初始化：采用随机规则生成SN个具有多样性和分散性的初始种群。
Step2.3、雇佣蜂阶段：将雇佣蜂放置到蜜源上，为每个蜜源分配一个雇佣蜂并评估蜜源的质量。雇佣蜂的个数为SN。雇佣蜂通过公式(15)在分配的蜜源附近寻找新的蜜源。
式中Xi，Xk分别表示第i和第k个蜜源，i≠k。表示对Xi和Xk执行基于r[a,b]的顺序交叉操作，r[a,b]表示随机生成的长度，用于控制交叉的距离，其中1≤a≤b≤n。当雇佣蜂找到新的蜜源后，对新蜜源进行评估，若新蜜源Xk的适应度值优于旧蜜源Xi的适应度，则用Xk替换Xi，反之，保留旧蜜源。
Step2.4、观察蜂阶段：当所有的雇佣蜂完成新蜜源的搜索后，观察蜂根据雇佣蜂搜索到的蜜源信息，通过公式(16)(17)计算出每个蜜源被选中的概率p，然后采用轮盘赌法对蜜源进行随机挑选，式(16)中pi表示蜜源i被选中的概率，fitnessi表示第i个蜜源的适应度值，其计算如公式(17)所示，公式(17)中的fi表示第i个蜜源的目标函数值。然后按照与雇佣蜂相同的搜索策略对挑选到的蜜源进行搜索。观察蜂的数量与雇佣蜂的数量相同，均为SN。
Step2.5、侦查蜂阶段：当所有的观察蜂完成新蜜源的搜索后，对所有的蜜源进行取舍判断，若某一蜜源经过limit次循环后仍得不到更新，该食物源Xi将被舍弃，此食物源对应的雇佣蜂转变成一个侦查蜂。侦察蜂由公式(18)产生一个新的食物源代替它。
Xi'＝Swap(Xi,u,v) (18)
公式(18)是对Xi进行交换邻域操作，随机在序列Xi中挑选两个位置u和v，然后将u和v位置上的客户进行互换。
Step2.6、终止条件：设定终止条件为最大迭代次数，如果满足则输出“最优路径”，否则重复Step2.3、Step2.4、Step2.5直至满足终止条件。
更进一步地，所述的重调度方法具体步骤如下：
Step3.1、获取当前车辆的回收路径。
Step3.2、车辆是否还有剩余空间，若有，则转至Step3.3，否则，返回车场，对剩余未服务的客户采用离散人工蜂群算法进行重新调度。
Step3.3、当前车辆所分配的客户是否服务完毕，若没有，则继续按照分配的路径进行服务，若服务完毕，则算法结束。
可以具体设置：所述Step2.2中种群规模SN设置为30，未更新次数limit＝5。
表1给出了基于离散人工蜂群算法的优化调度方案和标准人工蜂群算法在求解不同规模(客户数量不同)餐厨垃圾回收过程的车辆优化调度问题的运行结果。每种算法在每个算例上均独立重复运行20次，MAX、MIN、AVG分别表示20次的最大值，最小值和平均值。
表1不同问题规模下两种算法所求得的目标函数值比较
由表1可知，本发明所提的离散人工蜂群算法在不同问题规模上的MAX、MIN、AVG都优于原始的人工蜂群算法，这表明了基于离散人工蜂群算法的优化调度方案能够快速有效地求解餐厨垃圾回收过程的车辆优化调度问题。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
- 上一篇：石墨接头机器人自动装卡簧、装栓机
- 下一篇：保费催收方法、装置、计算机设备和存储介质
