CN105809290A - 一种实现物流调度的方法及装置 - Google Patents
一种实现物流调度的方法及装置 Download PDFInfo
- Publication number
- CN105809290A CN105809290A CN201610140664.7A CN201610140664A CN105809290A CN 105809290 A CN105809290 A CN 105809290A CN 201610140664 A CN201610140664 A CN 201610140664A CN 105809290 A CN105809290 A CN 105809290A
- Authority
- CN
- China
- Prior art keywords
- path
- monomer
- node
- logistics
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000000178 monomer Substances 0.000 claims description 177
- 230000006978 adaptation Effects 0.000 claims description 85
- 238000012545 processing Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000006073 displacement reaction Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种实现物流调度的方法及装置,包括:根据物流配送的配送相关参数建立物流评估模型;根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;路径单体为配送路径节点数个节点构成的调度路径。本发明方法通过构建物流评估模型及生成的种群进行物流调度,实现了对物流调度效率的分析,提高了物流调度的工作效率;进一步的,基于配送相关参数为配送时间、配送距离及配送成本的物流评估模型,实现了对配送时间、配送距离及配送成本的规划控制,提高了用户满意度。
Description
技术领域
本发明涉及物流领域,尤指一种实现物流调度的方法及装置。
背景技术
随着电子商务规模的不断扩大,物流系统的数据存储和分析的数据量也随着电子商务业务量的增长而逐渐增大,现有的物流系统通过平台能力层、平台业务层、终端层以及通信网络层实现物流信息的跟踪及管理。
目前,对物流信息进行跟踪及管理主要进行订单信息的物流状态的跟踪管理,针对物流调度没有完善的时间、距离和成本的统筹,物流调度过程主要根据业务员对配送路径的经验分析进行处理,随着业务量的增加,购物平台的用户容易产生对物流配送的不满,影响用户体验。另外,针对不同配送时效的物流业务的出现,以及物流成本的不断增加,如何规划合理配送路径、控制配送时间、和降低配送成本,成为衡量物流调度效率的重要依据。而现有的物流系统并未对配送路径、调度时间和物流成本进行具体的分析处理,物流调度效率低,影响用户对物流配送的满意度。
发明内容
为了解决上述技术问题,本发明提供一种实现物流调度的方法及装置,能够提高物流调度的效率。
为了达到本发明目的,本发明提供了一种实现物流调度的方法,包括:
根据物流配送的配送相关参数建立物流评估模型;
根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;
对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;
所述路径单体为配送路径节点数个节点构成的调度路径。
进一步地,配送相关参数包括:配送时间、配送距离及配送成本;
所述物流评估模型为:
其中,公式(1)中,
i≠j;
uij是节点i和节点j间的配送时间,uij=cij/um,um是物流配送工具的单位速度;
cij是节点i和节点j间的配送距离;
vij是节点i和节点j间的配送成本,vij=cij*uv,uv是物流配送工具的单位成本;
α为所述配送时间的时间权重、β为所述配送距离的距离权重、γ为所述配送成本的成本权重,α、β和γ根据预设的权重策略进行设定,且α+β+γ=1;
完成节点i到节点j的配送时,xij取值为1;未完成节点i到节点j的配送时,xij取值为0;
所述路径单体中每个节点有且仅能被访问一次;
所述路径单体中配送路径从节点i到节点j需要经过一个或一个以上中间节点,且对各中间节点有且仅能经过一次。
进一步地,生成由预设个数的路径单体构成的种群具体包括:
根据所述物流配送路径中各节点的位置和位移向量生成预设个数的父代路径单体;
按照各父代路径单体的预设概率,从预设个数的父代路径单体选择按照预设规则进行交叉处理的父代路径单体;
对选择的所述父代路径单体进行交叉处理,生成相应的后代路径单体;
根据所述物流评估模型计算各所述后代路径单体的适配值,将适配值大于的预设阈值的所述后代路径单体与所有所述父代路径单体作为待处理路径单体构成待处理种群;
根据所述物流评估模型计算各所述待处理路径单体的适配值,选择所述待处理种群中适配值排序在前的预设个数的所述待处理路径单体生成所述由预设个数的路径单体构成的种群。
进一步地,交叉处理为:将两个所述父代路径单体按照预设的选取规则选取部分节点进行交叉处理。
进一步地,预设阈值为根据物流评估模型计算的所有后代路径单体的适配值的平均值。
进一步地,对种群中的各路径单体通过物流评估模型进行判断具体包括:
对所述种群中的各路径单体,按照预设的位置迭代方法进行预设迭代次数的位置更新,按照预设的位移向量迭代方法进行预设迭代次数的位移向量更新;
根据所述物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度。
进一步地,预设的位置迭代方法具体包括:按照公式(2)进行位置的迭代更新,
所述预设的位移向量迭代方法具体包括:按照公式(3)进行位移向量的迭代更新:
其中,所述L为c1和c2的函数,c1、c2为学习因子;
σ=c1+c2≥4,ξ∈(0,1),γ∈(0,1),i∈[1,…,n]
k为当前迭代次数,k为小于或等于200的正整数;
是的惯性系数,Random为介于(0,1)之间的随机数。
另一方面,本申请还提供一种实现物流调度的装置,包括:模型单元、种群单元及判断调度单元;其中,
模型单元用于,根据物流配送的配送相关参数建立物流评估模型;
种群单元用于,根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;
判断调度单元用于,对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;
所述路径单体为配送路径节点数个节点构成的调度路径。
进一步地,配送相关参数包括:配送时间、配送距离及配送成本;所述模型单元具体用于根据物流配送的配送相关参数建立所述物流评估模型为:
其中,公式(1)中,
i≠j;
uij是节点i和节点j间的配送时间,uij=cij/um,um是物流配送工具的单位速度;
cij是节点i和节点j间的配送距离;
vij是节点i和节点j间的配送成本,vij=cij*uv,uv是物流配送工具的单位成本;
α为所述配送时间的时间权重、β为所述配送距离的距离权重、γ为所述配送成本的成本权重,α、β和γ根据预设的权重策略进行设定,且α+β+γ=1;
完成节点i到节点j的配送时,xij取值为1;未完成节点i到节点j的配送时,xij取值为0;
所述路径单体中每个节点有且仅能被访问一次;
所述路径单体中配送路径从节点i到节点j需要经过一个或一个以上中间节点,且对各中间节点有且仅能经过一次。
进一步地,种群单元具体用于,根据所述物流配送路径中各节点的位置和位移向量生成预设个数的父代路径单体;
按照各父代路径单体的预设概率,从预设个数的父代路径单体选择按照预设规则进行交叉处理的父代路径单体;
对选择的所述父代路径单体进行交叉处理,生成相应的后代路径单体;
根据所述物流评估模型计算各所述后代路径单体的适配值,将适配值大于的预设阈值的所述后代路径单体与所有所述父代路径单体作为待处理路径单体构成待处理种群;
根据所述物流评估模型计算各所述待处理路径单体的适配值,选择所述待处理种群中适配值排序在前的预设个数的所述待处理路径单体生成所述由预设个数的路径单体构成的种群。
进一步地,判断调度单元具体用于,
对所述种群中的各路径单体,按照预设的位置迭代方法进行预设迭代次数的位置更新,按照预设的位移向量迭代方法进行预设迭代次数的位移向量更新;
根据所述物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度。
进一步地,对所述种群中的各路径单体,按照公式(2)进行预设次数的位置的迭代更新进行预设迭代次数的位置更新,按照公式(3)进行预设次数的位移向量的迭代更新;
根据所述物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度;
其中,公式(2)和公式(3)如下式:
所述L为c1和c2的函数,c1、c2为学习因子;
σ=c1+c2≥4,ξ∈(0,1),γ∈(0,1),i∈[1,…,n]
k为当前迭代次数,k为小于或等于200的正整数;
是的惯性系数,Random为介于(0,1)之间的随机数。
与现有技术相比,本申请技术方案包括:根据物流配送的配送相关参数建立物流评估模型;根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;路径单体为配送路径节点数个节点构成的调度路径。本发明方法通过构建物流评估模型及生成的种群进行物流调度,实现了对物流调度效率的分析,提高了物流调度的工作效率;进一步的,基于配送相关参数为配送时间、配送距离及配送成本的物流评估模型,实现了对配送时间、配送距离及配送成本的规划控制,提高了用户满意度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为物流系统的网络架构框图;
图2为本发明实现物流调度的方法的流程图;
图3是本发明实现物流调度的装置的结构程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
图1为物流系统的网络架构框图,如图1所示,物流系统采用扁平式层级架构,包括:平台业务层、平台能力层、通信网络层、终端层。
物流系统中,平台业务层提供各种物流行业应用,主要包括仓储应用、干线运输应用、取派应用、订单管理等;具体的,平台能力层向下提供终端层物流终端的设备接入功能,通过设置统一的接口进行接入;平台能力层向上提供业务接入控制功能和数据转发功能,向平台业务层开放平台管理能力,并完成业务系统之间的数据转发。平台能力层按照功能可划分为终端管理、位置服务、门户管理、应用管理、业务统计、鉴权管理等部分。平台能力层可基于位置服务实现实时在途指挥调度功能,基于位置服务还可以采集物流终端、车辆、人员、物品等实体的位置信息(包括实时经度、纬度、速度和方向等)。平台能力层将位置信息发往平台业务系统,平台业务系统对物流终端、车辆、人员、物品等进行定位,查询、调度优化和应急处理等。通信网络层指移动通信网络,包括全球移动通信系统(GSM)、宽带码分多址(WCDMA)、分频模式长期演进技术(FDD-LTE)、时分双工长期演进技术(TD-LTE)以及无线局域网(WLAN)等组成的网络,提供物流终端的网络接入、系统网络通信和进行业务承载。通信网络层将物流终端/物流网关连接到物流中心的管理平台,管理平台区即是核心域,可对平台管理服务器、中心调度服务器、业务统计服务器、业务门户服务器、数据库服务器、备份管理服务器根据业务要求进行分级部署。物流终端涵盖了各种物流应用中的终端设备,包括条码阅读器、视频监控终端、定位终端、车载终端以及传感监控网络终端等。
图2为本发明实现物流调度的方法的流程图,如图2所示,包括:
步骤200、根据物流配送的配送相关参数建立物流评估模型;
本步骤中,配送相关参数包括:配送时间、配送距离及配送成本;物流评估模型为:
其中,公式(1)中,
i≠j;
uij是节点i和节点j间的配送时间,uij=cij/um,um是物流配送工具的单位速度;
cij是节点i和节点j间的配送距离;
vij是节点i和节点j间的配送成本,vij=cij*uv,uv是物流配送工具的单位成本;
α为配送时间的时间权重、β为配送距离的距离权重、γ为配送成本的成本权重,α+β+γ=1;
完成节点i到节点j的配送时,xij取值为1;未完成节点i到节点j的配送时,xij取值为0;
路径单体中,每个节点有且仅能被访问一次;
具体的,通过公式(4)和公式(5)进行约束。
路径单体中,配送路径从节点i到节点j需要经过一个或一个以上中间节点,且对各中间节点有且仅能经过一次;
具体通过公式(6)和公式(7)进行约束:
x0n-1=0公式(6)
xn-1j=0,j=0,1,...,n-1公式(7)
本发明α、β、γ设置根据预设的权重策略进行设定,例如可以根据具体业务对配送时间、配送距离以及配送成本的重要程度进行设定,例如、配送距离为最主要的参考因素时,可以设置α=0.4、β=0.3、γ=0.3;α,β,γ∈(0,1),α+β+γ=1,权重值的调整与重要程度成正比例关系。
步骤201、根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;这里,路径单体为配送路径节点数个节点构成的路径。路径单体表示节点被访问的次序;例如:配送路径有6个节点1、节点2、节点3、节点4、节点5和节点6,则路径单体为{2,1,4,6,3,5}表示配送过程为从节点2开始经过了节点1、节点4、节点6、节点3、节点5。
本步骤中,生成由预设个数的路径单体构成的种群具体包括:
根据物流配送路径中各节点的位置和位移向量生成预设个数的父代路径单体;
按照各父代路径单体的预设概率,从预设个数的父代路径单体选择按照预设规则进行交叉处理的父代路径单体;
对选择的父代路径单体进行交叉处理,生成相应的后代路径单体;
根据物流评估模型计算各后代路径单体的适配值,将适配值大于的预设阈值的后代路径单体与所有父代路径单体作为待处理路径单体构成待处理种群;
根据物流评估模型计算各待处理路径单体的适配值,选择待处理种群中适配值排序在前的预设个数的待处理路径单体生成由预设个数的路径单体构成的种群。
优选的,交叉处理为:将两个父代路径单体按照预设的选取规则选取部分节点进行交叉处理。常用的交叉处理方式包括单点交叉(one-pointcrossover)、两点交叉、多点交叉、均匀交叉、均匀两点交叉、缩小代理交叉、洗牌交叉、离散交叉、算术交叉等;以单点交叉为例具体包括:在两个父代路径单体的节点串中随机设定一个交叉点,将父代路径单体中交叉点的前部分或后部分节点进行互换,从而生成两个后代路径单体。例如、父代路径单体为A{2,1,4,6,3,5}和B为{1,2,4,3,5,6},以父代路径单体的第三位和第四位作为交叉点,生成的后代路径单体为:C{1,2,4,6,3,5}和D{2,1,4,3,5,6}。
本发明预设概率可以是随机交叉概率,随机交叉概率数值根据经验一般约束为大于等于0且小于等于0.6的随机值。
优选的,预设阈值为根据物流评估模型计算的所有后代路径单体的适配值的平均值。
步骤202、对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径。
本步骤具体包括:
对种群中的各路径单体,按照预设的位置迭代方法进行预设迭代次数的位置更新,按照预设的位移向量迭代方法进行预设迭代次数的位移向量更新;
根据物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度。
优选的,
预设的位置迭代方法具体包括:按照公式(2)进行位置的迭代更新,
预设的位移向量迭代方法具体包括:按照公式(3)进行位移向量的迭代更新:
其中,L为c1和c2的函数,c1、c2为学习因子;
σ=c1+c2≥4,ξ∈(0,1),γ∈(0,1),i∈[1,…,n∈
t表示每一次迭代更新中位置更新的单体移动单位时间,一般取对位置更新不会产生影响的“1”值。
k为当前迭代次数,k为小于或等于200的正整数;
是的惯性系数,Random为介于(0,1)之间的随机数。为第i个单体当前迭代次数最大适配值数值对应的位置,为最大的最大适配值数值对应的位置;
本发明方法中一般可以取c1=c2=2,σ=4,相应的计算获得L=1。c1和c2也可以在c1,c2∈(0,4)和c1=c2的约束条件下调整。
需要说明的是,最大迭代数可在评估模型取值的基础上判断,如迭代200次之后的种群平均适配值未优于第一次迭代更新之前的初始的种群的平均适配值,则可以增加k值,k值可在200至10000之间取值。
为了获得更好的物流调度效果,可以将步骤201和步骤203进行多次循环计算,循环次数可以设定为小于等于200;如果物流调度效果仍需要进一步提高,一般最多可以进行小于等于10000的循环。
本发明方法通过构建物流评估模型及生成的种群进行物流调度,实现了对物流调度效率的分析,提高了物流调度的工作效率;进一步的,基于配送相关参数为配送时间、配送距离及配送成本的物流评估模型,实现了对配送时间、配送距离及配送成本的规划控制,提高了用户满意度。
图3是本发明实现物流调度的装置的结构程图,如图3所示,包括:包括:模型单元、种群单元及判断调度单元;其中,
模型单元用于,根据物流配送的配送相关参数建立物流评估模型;
种群单元用于,根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;
判断调度单元用于,对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;
路径单体为配送路径节点数个节点构成的调度路径。
配送相关参数包括:配送时间、配送距离及配送成本;模型单元具体用于根据物流配送的配送相关参数建立物流评估模型为:
其中,公式(1)中,
i≠j;
uij是节点i和节点j间的配送时间,uij=cij/um,um是物流配送工具的单位速度;
cij是节点i和节点j间的配送距离;
vij是节点i和节点j间的配送成本,vij=cij*uv,uv是物流配送工具的单位成本;
α为配送时间的时间权重、β为配送距离的距离权重、γ为配送成本的成本权重,α、β和γ根据预设的权重策略进行设定,且α+β+γ=1;
完成节点i到节点j的配送时,xij取值为1;未完成节点i到节点j的配送时,xij取值为0;
路径单体中每个节点有且仅能被访问一次;
路径单体中配送路径从节点i到节点j需要经过一个或一个以上中间节点,且对各中间节点有且仅能经过一次。
种群单元具体用于,根据物流配送路径中各节点的位置和位移向量生成预设个数的父代路径单体;
按照各父代路径单体的预设概率,从预设个数的父代路径单体选择按照预设规则进行交叉处理的父代路径单体;
对选择的父代路径单体进行交叉处理,生成相应的后代路径单体;
根据物流评估模型计算各后代路径单体的适配值,将适配值大于的预设阈值的后代路径单体与所有父代路径单体作为待处理路径单体构成待处理种群;
根据物流评估模型计算各待处理路径单体的适配值,选择待处理种群中适配值排序在前的预设个数的待处理路径单体生成由预设个数的路径单体构成的种群。
判断调度单元具体用于,
对种群中的各路径单体,按照预设的位置迭代方法进行预设迭代次数的位置更新,按照预设的位移向量迭代方法进行预设迭代次数的位移向量更新;
根据物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度。
判断调度单元具体用于,
对种群中的各路径单体,按照公式(2)进行预设次数的位置的迭代更新进行预设迭代次数的位置更新,按照公式(3)进行预设次数的位移向量的迭代更新;
根据物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度;
其中,公式(2)和公式(3)如下式:
L为c1和c2的函数,c1、c2为学习因子;
σ=c1+c2≥4,ξ∈(0,1),γ∈(0,1),i∈[1,…,n]
k为当前迭代次数,k为小于或等于200的正整数;
是的惯性系数,Random为介于(0,1)之间的随机数。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (12)
1.一种实现物流调度的方法,其特征在于,包括:
根据物流配送的配送相关参数建立物流评估模型;
根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;
对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;
所述路径单体为配送路径节点数个节点构成的调度路径。
2.根据权利要求1所述的方法,其特征在于,所述配送相关参数包括:配送时间、配送距离及配送成本;
所述物流评估模型为:
其中,公式(1)中,
i≠j;
uij是节点i和节点j间的配送时间,uij=cij/um,um是物流配送工具的单位速度;
cij是节点i和节点j间的配送距离;
vij是节点i和节点j间的配送成本,vij=cij*uv,uv是物流配送工具的单位成本;
α为所述配送时间的时间权重、β为所述配送距离的距离权重、γ为所述配送成本的成本权重,α、β和γ根据预设的权重策略进行设定,且α+β+γ=1;
完成节点i到节点j的配送时,xij取值为1;未完成节点i到节点j的配送时,xij取值为0;
所述路径单体中每个节点有且仅能被访问一次;
所述路径单体中配送路径从节点i到节点j需要经过一个或一个以上中间节点,且对各中间节点有且仅能经过一次。
3.根据权利要求1或2所述的方法,其特征在于,所述生成由预设个数的路径单体构成的种群具体包括:
根据所述物流配送路径中各节点的位置和位移向量生成预设个数的父代路径单体;
按照各父代路径单体的预设概率,从预设个数的父代路径单体选择按照预设规则进行交叉处理的父代路径单体;
对选择的所述父代路径单体进行交叉处理,生成相应的后代路径单体;
根据所述物流评估模型计算各所述后代路径单体的适配值,将适配值大于的预设阈值的所述后代路径单体与所有所述父代路径单体作为待处理路径单体构成待处理种群;
根据所述物流评估模型计算各所述待处理路径单体的适配值,选择所述待处理种群中适配值排序在前的预设个数的所述待处理路径单体生成所述由预设个数的路径单体构成的种群。
4.根据权利要求3所述的方法,其特征在于,所述交叉处理为:将两个所述父代路径单体按照预设的选取规则选取部分节点进行交叉处理。
5.根据权利要求3所述的方法,其特征在于,所述预设阈值为根据物流评估模型计算的所有后代路径单体的适配值的平均值。
6.根据权利要求1或2所述的方法,其特征在于,所述对种群中的各路径单体通过物流评估模型进行判断具体包括:
对所述种群中的各路径单体,按照预设的位置迭代方法进行预设迭代次数的位置更新,按照预设的位移向量迭代方法进行预设迭代次数的位移向量更新;
根据所述物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度。
7.根据权利要求6所述的方法,其特征在于,所述预设的位置迭代方法具体包括:按照公式(2)进行位置的迭代更新,
所述预设的位移向量迭代方法具体包括:按照公式(3)进行位移向量的迭代更新:
其中,所述L为c1和c2的函数,c1、c2为学习因子;
k为当前迭代次数,k为小于或等于200的正整数;
是的惯性系数,Random为介于(0,1)之间的随机数。
8.一种实现物流调度的装置,其特征在于,包括:模型单元、种群单元及判断调度单元;其中,
模型单元用于,根据物流配送的配送相关参数建立物流评估模型;
种群单元用于,根据物流配送路径中各节点的位置和位移向量,结合物流评估模型生成由预设个数的路径单体构成的种群;
判断调度单元用于,对种群中的各路径单体通过物流评估模型进行判断获得物流调度的路径;
所述路径单体为配送路径节点数个节点构成的调度路径。
9.根据权利要求8所述的装置,其特征在于,所述配送相关参数包括:配送时间、配送距离及配送成本;所述模型单元具体用于根据物流配送的配送相关参数建立所述物流评估模型为:
其中,公式(1)中,
i≠j;
uij是节点i和节点j间的配送时间,uij=cij/um,um是物流配送工具的单位速度;
cij是节点i和节点j间的配送距离;
vij是节点i和节点j间的配送成本,vij=cij*uv,uv是物流配送工具的单位成本;
α为所述配送时间的时间权重、β为所述配送距离的距离权重、γ为所述配送成本的成本权重,α、β和γ根据预设的权重策略进行设定,且α+β+γ=1;
完成节点i到节点j的配送时,xij取值为1;未完成节点i到节点j的配送时,xij取值为0;
所述路径单体中每个节点有且仅能被访问一次;
所述路径单体中配送路径从节点i到节点j需要经过一个或一个以上中间节点,且对各中间节点有且仅能经过一次。
10.根据权利要求8或9所述的装置,其特征在于,所述种群单元具体用于,根据所述物流配送路径中各节点的位置和位移向量生成预设个数的父代路径单体;
按照各父代路径单体的预设概率,从预设个数的父代路径单体选择按照预设规则进行交叉处理的父代路径单体;
对选择的所述父代路径单体进行交叉处理,生成相应的后代路径单体;
根据所述物流评估模型计算各所述后代路径单体的适配值,将适配值大于的预设阈值的所述后代路径单体与所有所述父代路径单体作为待处理路径单体构成待处理种群;
根据所述物流评估模型计算各所述待处理路径单体的适配值,选择所述待处理种群中适配值排序在前的预设个数的所述待处理路径单体生成所述由预设个数的路径单体构成的种群。
11.根据权利要求8或9所述的装置,其特征在于,判断调度单元具体用于,
对所述种群中的各路径单体,按照预设的位置迭代方法进行预设迭代次数的位置更新,按照预设的位移向量迭代方法进行预设迭代次数的位移向量更新;
根据所述物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度。
12.根据权利要求11所述的装置,其特征在于,
对所述种群中的各路径单体,按照公式(2)进行预设次数的位置的迭代更新进行预设迭代次数的位置更新,按照公式(3)进行预设次数的位移向量的迭代更新;
根据所述物流评估模型计算各路径单体相应的每次迭代更新的位置和位移向量的适配值,确定各路径单体最大适配值数值、及最大适配值数值时对应的迭代更新的位置和位移向量;
根据所有路径单体的最大适配值数值,确定最大的最大适配值数值,根据最大的最大适配值数值对应的路径单体及对应的迭代更新的位置和位移向量进行调度;
其中,公式(2)和公式(3)如下式:
所述L为c1和c2的函数,c1、c2为学习因子;
k为当前迭代次数,k为小于或等于200的正整数;
是的惯性系数,Random为介于(0,1)之间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610140664.7A CN105809290A (zh) | 2016-03-11 | 2016-03-11 | 一种实现物流调度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610140664.7A CN105809290A (zh) | 2016-03-11 | 2016-03-11 | 一种实现物流调度的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105809290A true CN105809290A (zh) | 2016-07-27 |
Family
ID=56468159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610140664.7A Pending CN105809290A (zh) | 2016-03-11 | 2016-03-11 | 一种实现物流调度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809290A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651051A (zh) * | 2016-12-30 | 2017-05-10 | 宁波贤晟信息技术有限公司 | 一种物流运输调度系统 |
CN109242502A (zh) * | 2017-07-05 | 2019-01-18 | 成都上门侠科技有限公司 | 工单处理方法和工单处理装置 |
CN109552795A (zh) * | 2017-09-26 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 货物出库方法和装置以及计算机可读存储介质 |
CN110235077A (zh) * | 2017-04-28 | 2019-09-13 | 深圳市元征科技股份有限公司 | 药品配送方法及配送车 |
CN110659853A (zh) * | 2018-06-29 | 2020-01-07 | 天津宝钢钢材配送有限公司 | 基于深度学习的多用户配送物流优化方法 |
CN111144659A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市赛维网络科技有限公司 | 物流调度方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537426A (zh) * | 2014-11-20 | 2015-04-22 | 昆明理工大学 | 一种快递送货过程的优化调度方法 |
CN104766188A (zh) * | 2014-01-02 | 2015-07-08 | 中国移动通信集团江苏有限公司 | 一种物流配送的方法及系统 |
CN105069523A (zh) * | 2015-07-28 | 2015-11-18 | 昆明理工大学 | 一种有时间限制的配送车辆调度方法 |
CN105096006A (zh) * | 2015-08-24 | 2015-11-25 | 国网天津市电力公司 | 一种智能电能表的配送车辆路径优化方法 |
-
2016
- 2016-03-11 CN CN201610140664.7A patent/CN105809290A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766188A (zh) * | 2014-01-02 | 2015-07-08 | 中国移动通信集团江苏有限公司 | 一种物流配送的方法及系统 |
CN104537426A (zh) * | 2014-11-20 | 2015-04-22 | 昆明理工大学 | 一种快递送货过程的优化调度方法 |
CN105069523A (zh) * | 2015-07-28 | 2015-11-18 | 昆明理工大学 | 一种有时间限制的配送车辆调度方法 |
CN105096006A (zh) * | 2015-08-24 | 2015-11-25 | 国网天津市电力公司 | 一种智能电能表的配送车辆路径优化方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651051A (zh) * | 2016-12-30 | 2017-05-10 | 宁波贤晟信息技术有限公司 | 一种物流运输调度系统 |
CN110235077A (zh) * | 2017-04-28 | 2019-09-13 | 深圳市元征科技股份有限公司 | 药品配送方法及配送车 |
CN110235077B (zh) * | 2017-04-28 | 2022-05-13 | 深圳市元征科技股份有限公司 | 药品配送方法及配送车 |
CN109242502A (zh) * | 2017-07-05 | 2019-01-18 | 成都上门侠科技有限公司 | 工单处理方法和工单处理装置 |
CN109552795A (zh) * | 2017-09-26 | 2019-04-02 | 北京京东尚科信息技术有限公司 | 货物出库方法和装置以及计算机可读存储介质 |
CN109552795B (zh) * | 2017-09-26 | 2021-02-26 | 北京京东乾石科技有限公司 | 货物出库方法和装置以及计算机可读存储介质 |
CN110659853A (zh) * | 2018-06-29 | 2020-01-07 | 天津宝钢钢材配送有限公司 | 基于深度学习的多用户配送物流优化方法 |
CN111144659A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市赛维网络科技有限公司 | 物流调度方法、装置、计算机设备及存储介质 |
CN111144659B (zh) * | 2019-12-30 | 2022-12-16 | 深圳市赛维网络科技有限公司 | 物流调度方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809290A (zh) | 一种实现物流调度的方法及装置 | |
Li et al. | A traffic prediction enabled double rewarded value iteration network for route planning | |
Li et al. | Minimizing packet expiration loss with path planning in UAV-assisted data sensing | |
Ukkusuri et al. | Robust transportation network design under demand uncertainty | |
CN104464291B (zh) | 一种交通流量预测方法和系统 | |
Wang et al. | A network traffic flow prediction with deep learning approach for large-scale metropolitan area network | |
Zeng et al. | Traffic prediction of wireless cellular networks based on deep transfer learning and cross-domain data | |
Bayesteh et al. | Stochastic optimization of reservoir operation by applying hedging rules | |
Chen et al. | An approach of flow compensation incentive based on Q-learning strategy for IoT user privacy protection | |
CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN103116865A (zh) | 一种多维度协同电网规划的方法 | |
CN106529818A (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
Kumar et al. | Prediction-based location management using multilayer neural networks | |
Yan et al. | A hybrid metaheuristic algorithm for the multi-objective location-routing problem in the early post-disaster stage. | |
CN108985514A (zh) | 基于eemd和lstm的负荷预测方法、装置及设备 | |
Ghosh et al. | Improving customer satisfaction in bike sharing systems through dynamic repositioning | |
Bilgili et al. | Application of long short-term memory (LSTM) neural network based on deeplearning for electricity energy consumption forecasting | |
Poonia et al. | Short-term traffic flow prediction: using LSTM | |
CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
CN107306207A (zh) | 结合Skyline计算与多目标强化学习服务组合方法 | |
Wang et al. | Intelligent distribution of fresh agricultural products in smart city | |
Chen et al. | Flood control operation of reservoir group using Yin-Yang Firefly Algorithm | |
CN106530702A (zh) | 一种基于交通指数的随机动态网络交通规划方法 | |
Zhang et al. | A dynamic web service composition algorithm based on TOPSIS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |
|
RJ01 | Rejection of invention patent application after publication |