1.基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法,其特征在于,所述方法包括步骤:S1、建立快递智能小车的运行路径模型,基于所述运行路径模型和每一快递投递信息确认对应快递邮件的目标地点确定所述快递智能小车从当前位置到所述目标地点的路程,并结合所述快递智能小车的行驶数据包进行最短分配时间的单目标模型搭建;
S2、将根据指定的所述快递智能小车设定任务分配的所有所述目标地点作为一个集合{ap,....,aq,...,a0},通过蒙特卡洛算法对所述集合的运送顺序进行有限次数的随机排列,并通过所述单目标模型进行到达每一所述目标地点时所述快递智能小车的运送时间预测,得到对应的预测结果;
S3、根据所述任务分配计算得到所述快递智能小车从所述当前位置到每一所述目标地点的最短行驶距离,基于所述单目标模型构建所述快递智能小车在快递邮件分配过程中所述最短分配时间和所述最短行驶路径的双目标模型;
S4、求解所述双目标模型得到所有求解结果,并通过蒙特卡洛算法从所述求解结果中得到指定数目的较优解,将指定数目的所述较优解输入粒子群算法得到最优解,得到所述快递智能小车的最优分配时间和最优行驶路径。
2.如权利要求1所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法,其特征在于,步骤S1中所述行驶数据包包括小车的加速行使、减速行使、匀速行使以及转向,所述单目标模型的构建包括:S11、根据所述任务分配确定所述目标地点的基数n,基于所述行使数据包结合邮件快递投置地点i行驶至第j个所述目标地点的最短路径,计算得到各个所述投置地点至各所述目标地点的最短时间ti,j(i=1,2,...,n,j=1,2,....,n);
S12、基于所述最短时间ti,j建立一个n阶时间矩阵D:
由所述时间矩阵用以保存所述单目标模型运算所需的时间信息;
S13、假设所述快递智能小车在投置过程中的运行路径为:ak(k=1,2,...,m),m表示所述快递智能小车完成所述任务分配的次数,且ak满足:ak∈{1,2,...,n}(k=1,2,...,m),以所述目标地点为基准,基于所述任务分配建立所述单目标模型: t′为所述快递智能小车卸载货物所需时间。
3.如权利要求2所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法,其特征在于,所述步骤S13中,由于每次任务分配模拟时卸载的货物总数总是不变的,可将所述单目标模型 简化为:
4.如权利要求3所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法,其特征在于,步骤S2中利用蒙特卡洛算法求解过程包括:S21、初始化所述快递智能小车的所述当前位置a0,并记录所述目标地点的总数为m,同时设置利用蒙特卡洛算法求解的迭代次数;
S22、假设随机产生的所述运送顺序为a′0→a′1→a′2→...→a′m,其中,a′k∈{ap,...,aq,...,a0}(k=1,2,...,m),通过运行所述时间矩阵D中所述时间信息以及所述运送顺序得到所述单目标模型的预测结果S23、保存记录所述预测结果 和所述运送顺序,并转入步骤S22;
S24、将所述预测结果 按照预测得到的运行时间从少到多进行排序输出,并选择其中所述较优解对应的运送顺序,将所述运送顺序作为粒子群算法的输入数据。
5.如权利要求4所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法,其特征在于,步骤S3包括:S31、基于所述行使数据包结合邮件快递投置地点i行驶至第j个所述目标地点的最短路径,计算得到各个所述投置地点至各所述目标地点的最短距离di,j(i=1,2,...,n,j=1,
2,....,n);
S32、基于所述最短距离di,j构建对应的距离矩阵 用以保存所述单目标模型模拟得到所述最短距离di,j信息;
S33、假设所述快递智能小车的起始位置ak-1,所述目标地点为ak,结合所述快递智能小车的运行顺序,获取所述快递智能小车完成所述任务分配的总行使距离S34、结合所述单目标模型 和所述总行驶距离 构建所述双目标模型: 其中,α,β为所述单目标模型和所述总行驶距离的调和
系数,且满足条件:
6.如权利要求5所述的基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法,其特征在于,步骤S4利用粒子群算法的求解过程包括:S41、将所述集合{ap,....,aq,...,a0}进行全排列并对个所述运送数列进行赋值:并利用蒙特卡洛算法粗预算所述快递智能小车n组共进行m次快递投置的较优运送顺序 并将所述较优运送顺序
作为粒子群算法的粒子群初始化,得到n个粒子样本:xi(i=1,
2,...,n);并将每组对应的运行路径信息作为初始化的位置信息输入生成n个粒子:xi=k,i=1,2,...,n
并利用随机数产生一个范围内所述快递智能小车速度为整数的值分配给各个所述样本,其中,速度表示为:vi,i=1,2,...,n;
S42、由所述双目标模型计算每个所述粒子确定的排列顺序所对应的所述预测结果;
S43、确定各个所述粒子自身最好的所述最优分配时间pbest和相对粒子群的最优位置gbest;
S44、比较各个粒子的经由所述双目标模型求解值与各自对应的pbest,若所述求解值优于pbest,则将所述求解值替代pbest并保存至pbest中,否则,pbest保存不变;
S45、比较各个粒子的经由所述双目标模型求解值与各自对应的gbest,若所述求解值优于gbest,则将所述求解值替代gbest并保存至gbest中,否则,gbest保存不变;
S46、各粒子通过速度更新公式 更新速度值,式中,
ω为惯性因子,c1和c2为学习因子,δ和μ则是在[0,1]范围内的随机数;
S47、基于各粒子的速度值更新结果通过公式 更新对应的位置,其中,对于越界的 取边界值;
S48、判断所述双目标模型的迭代次数是否已达到要求,若已达到要求,则去对应的gbest作为所述双目标模型的最优解,否则,转入步骤S42。