基于改进蚁群算法的城际货物运输路径优化研究

吴吉明,胡长生

(1.福建船政交通职业学院,福州 350007; 2.福州软件职业技术学院,福州350211)

目前,城际货物运输在人们的生产生活中扮演着重要角色,不仅为日常生活提供了极大的便利,同时也在一定程度上提升了生产效率和质量。其实配送在物流运输结构上是一个相对较为关键的环节。通常情况下,配送是有一定要求的,例如:时间限制、环境限制以及物品现状核验等,这些都是检验货物运输水平的重要因素。当人们在邮寄一件大型货物时,首先就需要考虑运输的成本。在合理的范围内,通过最优的路径,实现高效率的城际货物运输,不仅可以降低对应的成本,还能够提升自身的核心竞争力[1]。另外,运输货物的种类也存在一定的差异,一般情况下,普通的货物按照对应的条件进行运输即可,如果运输的物品有环境要求,就需要对运送路径进行专业性的规划和制订了。如生鲜、水果以及肉类等物品是十分容易腐败的,尤其是在高温天气下,所以运输成本会相对较高一些,因为不仅要考虑冷链成本,还要做好防腐措施。此外,这种城际货物的运输模式还必须要保证货物的完整性,一旦出现异常现象,还会增加对应的货损成本。因此,对城际货物运输路径进行优化完善是十分必要的。传统的优化方案考虑的仅仅是如何降低成本、减少损耗,在一定程度上忽略了相关的惩罚成本,这部分成本主要是由货物损坏产生的,忽略它会导致最终的路径优化达不到预期的效果[2]。所以,需要利用更为科学、严谨的方式选择运输路径的优化方法,依据实际的运输情况,引入对应的配送运输机制,包括惩罚机制、优化方案、运输时间调整等。利用完整、科学、合理的方法高效地解决运输路径优化所存在的问题,在对相关的路径实现合理规划的同时,保证货物安全无损,最大程度地避免惩罚成本和货损成本的出现,压缩相对应的运输损失[3]。本文对基于改进蚁群算法的城际货物运输路径优化进行了设计分析,以期完善我国的运输结构,提升对应的运输水平。

1.1 确定目标凸化参数

在利用蚁群算法优化货物运输方法选择之前,需要先确定对应的目标凸化参数[4]。首先,对运输路径的实际应用情况进行了解,再汇总整合对应的数据信息,构建一个多核心的路径选择函数,将其作为凸化参数的应用目标。此时,凸化参数所代表的目标为固定平衡目标和一个实际的目标,具体见表1。

表1 凸化参数多核心目标分析表

根据表1中的情况分析,确定凸化参数所对应的多核心目标,然后利用实际的目标进行核心极值的优化求解,具体如式(1):

(1)

式中:R表示核心极值;b表示引入能量函数;α表示实际的合计固定系数;β表示应变极值。

通过式(1)得出对应的目标核心极值,此时的凸化参数处于极小值的状态,获取对应的描述平衡点,并将引导函数置于平衡结构中,在完成选择优化平衡结构后,进行零点极值的获取,即利用神经网络指标对总收敛函数作出实际的应用处理,并解决所存在的问题。此外,还需要制订对应的凸化约束条件,并将其添加在优化平衡结构中。接下来,利用神经网络在平衡结构上设立一个神经元,并采集神经网络中的一个对角元素,将其作为引导点,并与每一个神经元相关联,形成一个优化目标处理网。将神经元分为0和1两个基本状态,并建立对应的状态函数。依据前述数值,计算目标凸化参数,具体如式(2):

(2)

式中:M表示目标凸化参数;g表示凸化频率;h表示固定的目标系数。

通过计算,可以得出实际的目标凸化参数。将其添加在每一个神经元0和1的基本状态之间,形成递归式的处理结构,此时,可以通过调节神经元的反馈值来调节多核心目标对应值,为后续结构的建立奠定基础。

1.2 建立平衡选择矩阵

在确立了目标凸化参数后,需要依据实际情况确立对应的平衡选择矩阵。通常情况下,对于城际货物运输路径的规划,首先需要考虑危险值和平衡量等因素。危险值一般指在运输的过程中可能会发生的致使车辆出现爆炸、损坏等的情况,最终对所运输的货物造成严重等级影响的具体数值[5]。通常危险值会被添加在很多模型中,如TR模型、交通事故模型、感知条件模型、变量模型、效应模型以及条件概率模型等。在不同的模型中,危险值所代表的意义不同,但是所体现的核心特征却是一致的。所以,需要在平衡矩阵中添加危险值的相关约束条件,并且将条件分为不同的层级,每一个层级分别代表各自的限制区域,以此来达到选择多样性的目的。最后是计算矩阵的平衡量数值。可以先利用危险约束条件来测量对应的数据信息,然后利用数据计算矩阵的风险率,具体如式(3):

(3)

式中:N表示矩阵的风险率;k表示极端风险比值;σ表示应用复杂程度。

计算后,可以得出最终的矩阵风险率。然后,在此基础上建立平衡节点,并计算对应的平衡控制比值,具体如式(4):

(4)

式中:E表示平衡控制比值;N表示矩阵的风险率;z表示节点适应频率;ε表示优化极值。在得出对应的平衡控制比值后,依照原有的处理路径,将矩阵影响范围进行扩大,以此来形成多元化的管控结构,完成平衡矩阵的建立。

1.3 构建多核心的蚁群选择算法

在建立了平衡选择矩阵后,需要构建多核心的蚁群选择算法。一般在城际货物的运输过程中,最优路径选择的前提是不具有风险[6]。而大部分的运输者在选择路径时会忽略这一问题,这也会对最终的运输结果造成严重影响。所以,选择一条无风险的运输路径是十分重要的,运输路径的风险与运送物品的体积和价值有着紧密的联系。需对其进行相对应的分析,见表2。

表2 运输路径风险对比分析表

根据表2的信息了解到相关的风险情况后,在合理的风险范围内,对传统的路径距离计算方式进行适当的改进,以此来求解最短路径和获取与其对应的划定比值。需要注意的是,此时得出的这两组数据不能作为构建多核心蚁群选择算法的主要依据,但是可以作为参考性的数据使用。

将前期获取的目标凸化参数设定为k值,利用Dijkstra平台将城区内可以使用的运输路径进行汇总处理[7]。把k值作为中心,向外扩散多条最优化的运输路径,然后在原有的基础上计算出k值的倍数值,扩大运输路径的覆盖范围,建立多个核心运输点,形成多核心的运输结构。接下来在每一处核心上设立最短的运输路径,并建立对应的最短路径集。随后,根据运输物品的属性、类型、体积等因素,制订相应的运输规则以及路径长度。这样可以最大程度地消除运输时的不确定性,并在合理的范围内添加对应的约束条件,在保证稳定的情况下,设计出最佳路径。图1为对应的选择流程。

图1 路径选择流程图

根据图1进行路径设计。然后依据实际的路径情况和多个核心目标设计对应的蚁群选择算法,具体如式(5)～(7):

(5)

(6)

(7)

式中:A、B、C表示运输路径的选择极限值;d表示应用优化率;f表示置信水平值。通过这些计算,最终得出对应的运输路径的选择极限值。这个极限值越大,证明路径选择的效果越好;反之,则证明效果较差。

1.4 设计深度选择定义模型

在完成多核心的蚁群选择算法的构建后,需要设计具有深度意义的选择定义模型。传统的城际货物运输路径优化选择模型通常是同时将事故率和风险率置于模型中,并利用动态和静态的双控制比值进行分析定义。但是近年来,互联网的推动以及人们生活水平的提高,导致城际货物运输的数量逐渐增加,所以,相应的运输压力也在增加。在建立模型时,需要考虑货物的体积、长度、类型以及运输环境,另外,还需要对运输的时段进行设计[8],保证在货物运输的过程中可以畅通无阻,不存在因为道路修建、故障等因素造成的运输受阻,在确定这些因素之后,设计选择定义模型。首先,要明确选择的深度定义条件。一般情况下,定义条件即为约束限制条件,可以依据实际情况,适当调整条件中的细节,将其添加在模型中。完成后计算模型的选择应变系数,具体如式(8):

(8)

式中:V表示应变系数;γ表示惯性应变固定值;s表示深度优化选择比值。通过计算可以得出最终满足模型定义的应变系数,在这个数值范围内进行最优路径的选择。

1.5 临界预设法实现路径优化的选择

在完成深度选择定义模型的设计后,要利用临界预设法来实现最终的路径优化选择。首先,要在深度选择定义模型中建立临界处理结构。可以将结构分为多个层级,最底层为基础性的处理结构,一般被应用于简单且短小的路径的选择分析中。这一层级在处理路径选择问题上的效果相对较好,且速度很快,具有一定的稳定性。中层级为中级路径的处理结构,一般用于对中长路径的选择分析。经研究可知,这部分的应用频率是最广的,可以占到整个区域路径的69%。而顶层结构则是处理一些相对复杂且易发生事故的长路段。完成临界结构的设立后,利用预设法实现路径优化方法的选择设计。利用模型获取预设感应惯性比,将这个比值作为标准,如果实际的选择应变系数在这个数值的范围内,则表明路径选择效果较好,反之,如果超出这个数值范围,则表明路径的选择效果有待考证。完成分析后,计算对应的选择置信曲线比率,具体如式(9):

(9)

式中:F表示选择置信曲线比率;x表示应用优化指数;y表示实际的临界预设率;κ表示选择对比函数。通过计算,最终可以得出选择置信曲线比率。至此,利用临界预设法最终实现了城际货物运输路径优化方法的选择设计。

2.1 测试准备

本次主要是对基于改进蚁群算法的城际货物运输路径优化选择方法进行测试。测试以对比的形式进行,共分为2组,一组为传统的动态应变选择方法,将其设定为传统动态应变选择测试组;另一组为本文所设计的选择方法,将其设定为改进蚁群选择测试组。选取A市作为本次测试的区域,并将A市的所有路径进行整合,整理成相对应的数据信息,传输至对应的处理平台中。将加油站作为本次测试的核心处理节点。设定对应的测试参数,具体见表3。

表3 测试指标参数标准表

根据表3的指标参数,对相关的测试设备进行设定。在确保测试环境稳定,不存在影响最终测试结果的因素后开始测试。

2.2 测试过程

对2种选择方法同时进行测试。首先,选取A市的一个标志性建筑作为运输配送的中心,然后设定送达目的地,保证货物在3 h内可以送达。在送达时需要保证供应的数量,并且要求运送货物必须具备一定的完整性,否则将会给予运输人员一定的惩罚。对运输过程中的情况进行调研,并将对应的数据信息添加至选择定义模型中,然后对本次所要运输的路径进行规划。在规划过程中,需要计算服务时间窗的具体系数,如式(10):

(10)

式中:G表示服务时间窗的具体系数;ω表示限制条件;τ表示误差运输值;R表示固定的服务差值。通过计算,最终可以得出实际服务时间窗的具体系数。完成后,利用这个数值继续计算最终的路径耗时,具体如式(11):

Q=G+2

(11)

式中:Q表示路径耗时;G表示服务时间窗的具体系数;表示路径实际长度。

2.3 测试结果

通过测试和计算,最终可以得出2组实际的路径耗时数据,进行对比分析,如图2所示。

图2 运输路径选择耗时情况示意图

通过图2中的数据对比,可以得出结论:在相同的条件下,改进蚁群选择测试组得出路径的耗时比传统动态应变选择测试组的要短,这说明改进蚁群选择测试组的路径选择较为全面、准确。

城际货物运输路径的长度与经济成本有直接的关系,为进一步验证本文设计方法的性能,测试2组规划的路径的长度,得到结果见表4。

表4 运输路径长度结果对比

通过表4的数据分析可知,在运输门店数量相同的情况下,改进蚁群选择测试组的路径规划长度远少于传统动态应变选择测试组,能够较好地节约运输成本。

通过改进蚁群算法来优化完善运输路径的选择方法,可以使整个选择结果变得更加精准,同时也增强了此种方法的灵活性,使用者可以依据实际情况,灵活变更运输路径,有效地控制相对应的变动成本,同时增强实际的调度能动性,更好地完成运输路径的优化选择。