(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111501281.5 (22)申请日 2021.12.09 (71)申请人 大连民族大 学 地址 116000 辽宁省大连市金州新区辽河 西路18号 (72)发明人 宁涛　段晓东　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 代理人 陈丽　李洪福 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06F 30/27(2020.01) G06N 3/00(2006.01)G06N 20/00(2019.01) G06F 111/04(2020.01) G06F 111/08(2020.01) G06F 119/12(2020.01) (54)发明名称 基于机器学习和干扰管理的低碳物流配送 系统及其方法 (57)摘要 本发明公开了基于机器学习和干扰管理的 低碳物流配送管理系统及方法， 涉及机器学习与 互联网应用管理技术领域， 该系统针对企业级用 户端使用； 所述企业级用户端包括登陆管理模 块、 客户管理模块、 车辆管理模块、 调度管理模 块。 本发明采用改进的量子蚁群算法调整策略， 实现了物流配送系统干扰调度计划偏差最小以 及干扰事件的及时准确处理。 本发 明所提出的改 进的量子蚁群算法提高了最优解收敛的速度， 增 加了全局最优解搜索范围， 避免了算法的早熟现 象， 降低了低碳物流配送系统的运行时间和成 本， 提高了该系统的运行效率和缩短了响应时 间。 权利要求书4页 说明书12页 附图2页 CN 114169613 A 2022.03.11 CN 114169613 A 1.一种基于 机器学习和干扰管理的低碳物流调度管理系统， 其特 征在于， 包括： 登陆管理模块： 对用户账号信息进行管理， 所述用户账号信 息包括用户注册账号、 用户 修改密码、 用户删除密码、 查询账号密码和账号密码安全 验证； 客户管理模块： 对派送客户信息进行管理； 所述客户信息包括： 派送客户坐标、 派送客 户需求量、 需求时间、 需求产品和派送客户单位信息； 车辆管理模块： 对派送车辆信息进行管理， 以保证派送车辆有效完成配送任务； 所述车 辆信息包括： 车辆类型、 车牌 号、 载重要求和司机信息； 调度管理模块， 包括交通拥堵预测子模块、 初始路径子模块和干扰路径子模块和退出 程序子模块； 其中， 交通拥堵预测子模块用于建立低碳物流配送系统的基于机器学习的拥堵预测分类模 型并将通过 所述拥堵预测分类模型 预测后的数据进行显示； 初始路径子模块通过导入系统内的客户信 息和车辆信 息数据， 通过改进的量子蚁群算 法获得当前配送下 的配送最优路径； 所述改进的量子蚁群算法包括： 依据计算的碳税成本 作为决策变量、 量子信息素编码替换初始蚁群信息素并采用量子 旋转角更新蚁群信息素； 干扰路径子模块通过导入拥堵事件数据， 利用所述改进的量子蚁群算法， 对初始配送 最优路径进行调整， 并获得调整后的干扰派送路径图。 2.根据权利要求1所述的一种基于机器学习和干扰管理的低碳物流调度管理系统， 其 特征在于， 所述拥堵预测分类模型包括： 碳 排放流量、 碳排放成本以及货物损耗成本； 所述碳排放流量是在单位时间内， 通过道路某一点、 某一截面或某一条车道中车流量 的碳排放数； 所述碳排放成本采用负载估计法通过运输距离的油耗量和运输过程中的容载量变化 计算； 所述货物损耗成本通过生鲜农产品的单位 价格、 车辆容载量与货损成本计算。 3.根据权利要求1所述的一种基于机器学习和干扰管理的低碳物流调度管理系统， 其 特征在于， 所述改进的量子蚁群算法包括： E1、 将客户节点(i ,j)的信息素浓度用量子编码表示， 量子信息素表示为 E2、 为一个量子比特位， 可通过概 率幅 进行调整； E3、 根据碳税成本f3对旋转角进行自适应调整； E4、 根据客户点需求时间窗(Ej,Lj)和卸货时间， 改进第k条路径上的蚂蚁状态选择规 则； E5、 在蚂蚁不断寻找最优路径中， 之前寻找的路径上的量子信息素会不断的挥发， 而最 优蚂蚁在走 过的路径上会释放 新的量子信息素。 4.一种基于机器学习和干扰管理的低碳物流调度管理方法， 其特征在于， 应用于如权 利要求1～3任一项 所述的基于机器学习和干扰管理的低碳物流调度系统， 所述方法包括如 下步骤： 步骤1、 建立低 碳物流配送初始调度模型， 引入车辆综合运输成本、 碳税成本、 时间惩罚权　利　要　求　书 1/4 页 2 CN 114169613 A 2成本作为系统初始调度目标； 步骤2、 基于所述初始调度模型， 引入客户时间偏离最小化、 碳税成本最小化为主体满 意度， 建立扰动模型； 干扰事件的发生时， 同时考虑原目标与扰动目标， 建立主体满意度扰 动模型， 所述主体满意度扰动模型用于减小新干扰调度计划与原调度计划的偏差； 步骤3、 建立低 碳物流配送系统 的拥堵时间干扰策略， 并根据 所述拥堵时间干扰策略确 定车辆路线调整模式， 所述车辆路线调整模式包括： 内部路线调整模式、 不同车辆之 间的辅 助模型以及添加新车辆的救援模式； 步骤4、 建立低 碳物流配送系统 的基于机器学习的拥堵预测分类模型； 所述拥堵预测分 类模型中， 将交通拥堵事件的分类按照碳排放流量、 碳排放成本以及货物损耗成本进行划 分； 步骤5、 基于低 碳物流配送系统内的数据， 通过改进的量子蚁群算法获得当前配送下的 配送最优路径； 步骤6、 结合所述拥堵预测分类模型预测得到的拥堵事件数据， 利用所述改进的量子蚁 群算法， 对初始配送最优路径进行调整， 并获得调整后的干扰派送路径图。 5.根据权利要求4所述的一种基于机器学习和干扰管理的低碳物流调度管理方法， 其 特征在于， 通过改进的量子蚁群算法获得当前配送下的配送最优路径， 包括： F1、 初始化参数； 初始化量子蚂蚁种群数N， 共有m个量子位； 初始化α、 β、 ρ、 θ1、 θ2和信息 素总量Q， 设置当前迭代数NC＝0； F2、 初始化信息素； 初始化客户节点(i,j)间量子信息素为 初 始化所有概 率幅αij和βij为 F3、 初始化蚂 蚁位置； 将所有蚂 蚁放置于运输中心， 并将蚂 蚁寻找的客户点放入当前解 集中； 并判断禁忌表是否已满， 若禁忌表已满， 转F5； F4、 状态转移选择， 未寻找的剩余客户点中， 对满足客户需求时间约束和需求量约束的 进行随机 选取点j， 并计算状态转移概 率 若存在满足客户需求时间约束和需求 量约束的 点， 蚂蚁k移动到顶 点j， 并将该顶点加入到 当前解集中， 若不符合要求， 则重新选择， 返回步 骤F5； F5、 计算目标函数值； 当所有客户点都加入到解集后， 计算目标函数值F和f3， 并记录保 留当前的最优解， 将所有蚂蚁返回运输中心； F6、 自适应量子旋转角调整； 依据计算的碳税成本f3和当前概率幅αij和βij自适应调整 量子旋转角； F7、 更新信息素； 依据计算的碳税成本f3和调整过后的|βij|2对各边的量子信息素 更新； F8、 输出目标函数值； 判断是否达到最大迭代数NCmax， 若达到， 则输出最优目标函数值， 所述最优目标函数值 为当前配送下的配送最优路径； 若没有达 到， 返回步骤F3 。 6.根据权利要求4所述的一种基于机器学习和干扰管理的低碳物流调度管理方法， 其 特征在于， 所述货物损耗成本包括： 生鲜农产品运输过程中根据运输时间不同以及卸货过 程中时间长短的不同造成的损耗。权　利　要　求　书 2/4 页 3 CN 114169613 A 3