CN106203912A - 物流信息智能处理方法 - Google Patents

Abstract

本发明提供了一种物流信息智能处理方法，该方法包括：获取物流中心车辆类型、数量和容量信息，以及所有的用户节点信息；以车辆油耗最低为目标函数建立模型；利用染色体算法对所述模型进行求解，规划每个车辆的运输路径。本发明提出了一种物流信息智能处理方法，基于用户大数据分析，在保证满足用户主观需求的同时，又能优化了物流资源，最大程度的提高了用户的满意度，取得了经济和环保的双重效益。

Description

物流信息智能处理方法

技术领域

本发明涉及智能物流，特别涉及一种物流信息智能处理方法。

背景技术

大数据的普及与飞速发展，给物流运输业带来重大机遇的同时也带来了前所未有的挑战，用户的个性化服务和环保概念被推到前所未有的高度。在企业的订单任务分配的规划时间内，用户的个性化需求以及各个发货商的能力、资源、满意度等，还有车辆运输过程中的油耗和排放都是物流服务重要的决策因素。因此，分析挖掘用户的潜在兴趣爱好、用户的行为规律和环保决策因素等，并根据分析数据结果去改善物流企业的服务能力，有利于以企业长久稳定的发展和经济社会效益的提升。现有的物流运输方案仅着重考虑运输路线如何规划才能缩短时间、车辆如何尽可能达到最大负荷，而对环保需求以及用户的运输需求包括期望时间、满意度等因素考虑不足，进而无法针对性的分配物流任务。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种物流信息智能处理方法，包括：

获取物流中心车辆类型、数量和容量信息，以及所有的用户节点信息；

以车辆油耗最低为目标函数建立模型；

利用染色体算法对所述模型进行求解，规划每个车辆的运输路径。

优选的，所述以车辆油耗最低为目标函数，进一步包括：

确定目标函数并且有如下约束：

p_ij+q_ij≤Q_lx_ijk

x_ijk＝1或0 i,j,k∈V

∑_r∈Vp_jr-∑_i∈Vp_ij＝p_j i,j∈V

∑_r∈Vq_jr-∑_i∈Vq_ij＝d_j i,j∈V

$\begin{array}{cc}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_{i0}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{q}_{0j}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{d}_j\end{array}$

$K=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{n}_i$

p_ij≥p_ix_ijk i,j∈V

q_ij≥d_jx_ijk i,j∈V

其中V表示所有用户节点的集合；车辆总数为K，物流中心拥有L个车辆类型，n_l为车辆类型l的数量；车辆类型l的车载容量为Q_l，油耗系数为a_l、b_l，对n个初始用户进行收发货，用户i的收货需求量为p_i，发货需求量为d_i，D_ij为用户节点i到用户节点j的距离；p_ij为节点i前往节点j的车辆已访问的用户的货物总量；q_ij为节点i前往节点j的车辆装载的货物总量；(p_ij+q_ij)为节点i前往节点j的车辆的总装载量；l类型的车辆从节点i到节点j的油耗F_ij ^l的计算方法为

F_ij ^l＝D_ij(a_l·(p_ij+q_ij)+b_l)；

所述利用染色体算法对所述模型进行求解，规划每个车辆的运输路径，进一步包括：

(1)随机产生包含多个量子染色体的种群，针对用户数量为L的问题，对于每个量子染色体，采用L×L×2的三维量子位矩阵来表示，随机初始化量子位，产生0和1随机数，然后分别赋值给对应的量子位为0和1的概率α_ij和β_ij；

(2)首先产生[0，1]之间的随机数，产生L×L的二维观测矩阵，并调整矩阵保证每行每列都只有1个1，1所在的横坐标代表服务的顺序，纵坐标代表所对应的用户；在形成车辆路径时，首先随机选择一个车辆类型，当该车辆无法满足下一个用户需求时，再随机选用下一种车辆类型，当所选类型的车辆数超过已有车辆数时，重复选取车辆类型，直到所选的车辆类型不超过该类型车辆数；

(3)当用户收发货顺序和车辆路径分配好之后，采用最相邻插入法优化局部路线的序列，流程如下：

3.1取物流中心0作为路径的起点；

3.2找到第一个用户节点i，使得物流中心到用户节点i再返回物流中心的车辆油耗最小，构成局部路径0-i-0；

3.3对于已经形成的局部路径，在不属于该路径的用户节点中，寻找预选用户节点集Q，集合Q中的点满足离路径上的点的距离最近，且收发货重量相对最轻；

3.4循环取Q集中的用户节点，在路径上分别插入Q集中用户节点，使得新形成的路径产生的车辆油耗最低；即，当发行Q集中的用户节点k插入路径中的弧(i，j)位置时车辆油耗最低，就把用户节点k插入弧(i，j)位置的路径作为新路径；

3.5.重复步骤3.1-3.4，直到所有的用户被访问；在得到的路径中，对于任意两节点i，j，判断是否满足以(i，j)、(i+1，j+1)代替(i，i+1)、(j，j+1)后总油耗更低，若是，则执行上述替换；

(4)对种群的各个染色体解码后，分别根据以上目标函数最小值minU；令染色体的适应度函数为U，求解对应染色体的适应度，就是要求解每条染色体的油耗，每条染色体又是由多条路径的收发货组成，车辆分配好路径后，对于路径上每两个点，将每两点的载重量求出各两点间的油耗，从而求出每条路径的油耗，最后每条染色体的油耗。

优选地，

本发明相比现有技术，具有以下优点：

本发明提出了一种物流信息智能处理方法，基于用户大数据分析，在保证满足用户主观需求的同时，又能优化了物流资源，最大程度的提高了用户的满意度，取得了经济和环保的双重效益。

附图说明

图1是根据本发明实施例的物流信息智能处理方法的流程图。

具体实施方式

下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

本发明的一方面提供了一种物流信息智能处理方法。图1是根据本发明实施例的物流信息智能处理方法流程图。

为了更精准的分析用户的行为规律及用户的兴趣意向，本发明结合的大数据的知识发现去挖掘用户历史数据，预测用户的最优发货时间，从而降低企业成本并为用户提供更好的服务。本发明同时考虑浏览率、关注时间与销量之间的关联关系来预测销量。设销量为m，浏览率和关注时间分别为A和B，选取大量用户浏览数据，用a表示浏览和关注时间大于预设阈值同时发生与销量之间的关联度，根据先验算法，挖掘产生满足支持度C最小的候选集，得到关联度a_min。则由公式m＝a_minT(A∩B)计算用户需求量m。T(A∩B)|表示事件A与事件B同时发生的事件数。其中支持度C为T(A∩B)|/T|(A)|，T|(A)|表示事件A出现的总数。

用户的位置坐标表示为(x_n，y_n，t_n)，(x_n，y_n)表示用户位置的横纵坐标，t_n表示用户的相应位置的时间数据。首先，根据用户的位置数据将用户一天的时间进行分段，分段后将所有位置距离不大于设定最小距离的位置进行聚类，并将其位置改和聚类中心一致的位置坐标，然后再利用关联规则分析用户的行为。通过数据挖掘后，得用户时间段的关联性比较，选出关联性最高的时间段来发货。如得出多个时间段，则根据用户订单的发货地址选择离用户收货地址最近的时间段进行发货。

本发明的物流服务是由用户终端、云平台电商、发货商三级供应链构成。云平台电商接受到用户的订单及信息，根据用户的要求及预测信息，选择最符合用户要求的发货商进行服务。用n表示发货商数量；A_ij表示用户j对发货商i的评价值；q_i表示第i个发货商的发货量；c_ij表示发货商i对j的服务成本；p_ij表示发货商i对用户j的价格；Q_ij表示发货商i对j的服务质量；p_j表示用户j可接受的最高价格；Q_j表示用户j预期的服务质量；γ_j表示用户j对价格变化的关注度；θ_j表示用户j对服务质量的关注度；H_i表示发货商的利润；S_i表示发货商所能参与服务的最小利润；x_i表示发货商i最大服务能力；c_i表示提供产品的价格；

引入了用户对发货商的评价值，表达式为：

$A_{\mathrm{ij}}={(1+(p_j-p_{\mathrm{ij}})/p_j)}^{\mathrm{\γj}}{(Q_{\mathrm{ij}}/Q_j)}^{{\mathrm{\θ}}_j}$

以优化云平台电商服务成本最小为目标，在保证用户满意度和服务质量高的情况下，用户服务成本能相应的减少，用户服务成本由各个发货商的价格和惩罚函数构成。其目标函数为：

$\min Z=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_{ij}{p}_{ij}+{c^{\′}}_{ij}-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i{c}_i$

并且有

$A_{\mathrm{ij}}={(1+(p_j-p_{\mathrm{ij}})/p_j)}^{\mathrm{\γj}}{(Q_{\mathrm{ij}}/Q_j)}^{{\mathrm{\θ}}_j}$

当存在k使A_ij大于A_kj时，y_ij＝1，其中i≠k，

否则y_ij＝0

当t大于T_j时c’_ij＝-π(t-T_j)p_ij，

否则c’_ij＝0

m＝a_minT(A∩B)

$q_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_{ij}$

$H_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_{ij}(p_{ij}-c_{ij})$

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i=m$

q_i≤x_i

p_ij≤p_j

γ_j，θ_j∈[0,1]

t表示实际送达的时间，T_j表示基于大数据预测得出的用户期望的最优发货时间。π表示超时惩罚系数。

对于上述模型的求解算法，将时间分段数据挖掘、聚类和时序关联挖掘结合起来预测用户的最优发货时间。算法流程如下

步骤1：预测用户最优发货时间，输入时间序列，得到分段矩阵Q_ij。计算每个Q_ij的数量，并且利用关联度公式计算所有相邻Q_ij之间的关联性。并找出满足条件的Q_ij。

步骤2：随机生成初始解Ω₍₀₎。确定初始种群的规模为R，交叉概率为P_j，变异概率为P_b和终止进化准则，设置进化代数计数器t为0。

步骤3：计算个体的适应度，将目标函数值minZ的倒数作为个体的适应度值。

步骤4：从Ω_(t)中运用选择算子选择出N/2对母体，其中N>R，依概率P_j执行交叉形成N个中间个体。对N个中间个体进行分别独立，依概率P_b执行变异，形成N个候选个体。从候选个体中根据个体适应度选择出R个个体组成新一代种群Ω_(t+1)。

步骤5：如已满足预先设定的终止条件，则输出Ω_(t+1)个体作为最优解，终止计算，否则置t增1，并转步骤4继续执行。

进一步地，在对车辆调度方面中，为达到经济环保的目标，本发明对具有同时收发货需求量的用户进行发货，以车辆油耗最低为目标的问题进行建模规划车辆路径。然后设计求解该问题的染色体算法。

设车辆总数为K，拥有L个车辆类型，n_l为车辆类型l的数量，满足车辆类型l的车载容量为Q_l，油耗系数为a_l、b_l，对n个初始用户进行收发货，用户i的收货需求量为p_i，发货需求量为d_i，D_ij为用户节点i到用户节点j的距离。模型的优化目标是使得车辆油耗最小，在建模之前，采用以下油耗的计算方法。

F_ij ^l＝D_ij(a_l·(p_ij+q_ij)+b_l)

其中：F_ij为l类型的车辆从节点i到节点j的油耗；p_ij为节点i前往节点j的车辆已访问的用户的货物总量；q_ij为节点i前往节点j的车辆装载的货物总量；(p_ij+q_ij)为节点i前往节点j的车辆的总装载量。

车辆路径问题的模型如下：

目标函数并且有如下约束：

p_ij+q_ij≤Q_lx_ijk

x_ijk＝1或0 i,j,k∈V

∑_r∈Vp_jr-∑_i∈Vp_ij＝p_j i,j∈V

∑_r∈Vq_jr-∑_i∈Vq_ij＝d_j i,j∈V

$\begin{array}{cc}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_{i0}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i& \underset{j=1}{\overset{n}{\mathrm{\Σ}}}{q}_{0j}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{d}_j\end{array}$

$K=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{n}_i$

p_ij≥p_ix_ijk i,j∈V

q_ij≥d_jx_ijk i,j∈V

其中V表示所有用户节点的集合。

问题的求解策略如下：

(1)随机产生包含多个量子染色体的种群，针对用户数量为L的问题，对于每个量子染色体，采用L×L×2的三维量子位矩阵来表示，随机初始化量子位，产生0和1随机数，然后分别赋值给对应的量子位为0和1的概率α_ij和β_ij。

(2)首先产生[0，1]之间的随机数，产生L×L的二维观测矩阵，并调整矩阵保证每行每列都只有1个1，1所在的横坐标代表服务的顺序，纵坐标代表所对应的用户。在形成车辆路径时，首先随机选择一个车辆类型，当该车辆无法满足下一个用户需求时，再随机选用下一种车辆类型，当所选类型的车辆数超过已有车辆数时，重复选取车辆类型，直到所选的车辆类型不超过该类型车辆数。

(3)当用户收发货顺序和车辆路径分配好之后，采用最相邻插入法优化局部路线的序列，流程如下：

3.1取物流中心0作为路径的起点；

3.2找到第一个用户节点i，使得物流中心到用户节点i再返回物流中心的车辆油耗最小，构成局部路径0-i-0；

3.3对于已经形成的局部路径，在不属于该路径的用户节点中，寻找预选用户节点集Q，集合Q中的点满足离路径上的点的距离最近，且收发货重量相对最轻；

3.4循环取Q集中的用户节点，在路径上分别插入Q集中用户节点，使得新形成的路径产生的车辆油耗最低；即，当发行Q集中的用户节点k插入路径中的弧(i，j)位置时车辆油耗最低，就把用户节点k插入弧(i，j)位置的路径作为新路径；

3.5.重复步骤3.1-3.4，直到所有的用户被访问。在得到的路径中，对于任意两节点i，j，判断是否满足以(i，j)、(i+1，j+1)代替(i，i+1)、(j，j+1)后总油耗更低，若是，则执行上述替换。

(4)对种群的各个染色体解码后，分别根据以上目标函数最小值minU；令染色体的适应度函数为U，求解对应染色体的适应度，就是要求解每条染色体的油耗，每条染色体又是由多条路径的收发货组成，车辆分配好路径后，对于路径上每两个点，将每两点的载重量求出各两点间的油耗，从而求出每条路径的油耗，最后每条染色体的油耗。

综合以上两个实施例，以下将以两个目标函数Z和U为总目标，采用粒子群算法代替以上的求解过程，求解全局最优解。

采用基于粒子位置取整的三维粒子编码方法，若用户节点有n个，第一维用户节点编号用来对用户进行编号；第二维粒子位置X_i用来对第一维用户节点编号进行排序，以确定用户配送的先后顺序；第三维粒子位置(Y_i)在(0，n)范围内随机生成后采用进位取整方法来确定K个车辆的路径；解码时，首先按照第二维粒子位置的大小对用户进行重新排序，然后对第三维粒子位置进行进位取整操作。

第三维粒子位置(Y_i)是在(0，n)范围内随机生成后采用进位取整方法来确定车辆路径，如果在粒子迭代更新的过程中Y_i超出了(0，n)范围，则对其进行粒子校正，以保证更新后的粒子仍然为可行解。校正的方法是：若粒子更新后第三维粒子位置(Y_i)超出了(0，n)范围，则对其进行在(0，n)范围重新随机生成，以此进行校正。

基于用户服务成本Z和车辆油耗U的双目标调度优化的粒子群算法的求解流程为：

1.对基本参数进行设置，包括种群大小、初始和迭代结束时的惯性权重、学习因子、速度约束以及最大迭代次数，确定两个目标更新的权值；

2.将用户节点数据、车辆数据以及相关系数作为输入；在种群初始化时根据设定的种群大小随机生成初始化的粒子种群，初始化每个粒子第二维和第三维的粒子位置以及粒子速度，初始化个体最优粒子和全局最优粒子；

3.计算种群中每个粒子对应的用户服务成本，初始化所有粒子的个体最优，并从所有的个体最优中找出车辆油耗最低的路径来初始化全局最优；

4.依次求解每个更新后粒子的适应值，如果更新后用户服务成本与油耗的加权和优于先前值，那么就更新当前的个体最优值。然后，从更新后的所有个体最优粒子中找出最优值，与当前全局最优进行对比，如果新的最优值加权和更优，则将其更新为当前的全局最优。

5.更新每个粒子的速度：

V_ij＝c₁×random₁×(B_ij-X_ij)+c₂×random₂×(G_j-X_ij)

其中random₁和random₂均为0-1之间的随机数，V_ij，X_ij分别为第i个粒子在第j维空间中的速度和位置；B_ij为该粒子当前最优位置，G_j为种群当前最优位置；

更新每个粒子的位置：

X_ij＝X_ij+V_ij

同时对粒子位置进行判断，对超出范围约束的粒子进行校正，保证更新后的粒子依然是可行解；

6.每次更新后，将迭代次数增加1，用来进行算法终止条件的判断；如果达到最大迭代次数，则算法终止，输入当前全局最优，就可以得到最优方案，否则，继续进行迭代，重复步骤4和5。

此外，双目标权值给两个优化目标赋予不同的权重，进行加权求和。假设某个粒子搜索到的第i个结果的用户服务成本和油耗依次为Z_i和U_i，第j个结果的用户服务成本和油耗依次为Z_j和U_j，该粒子当前的个体最优依次为：最优成本差值PG，最优油耗PT，作业量差值的权值为w1，作业完工时间的权值为w2，则粒子个体更新的双目标更新规则可以表述为：

w1*PG+w2*TG>w1**abs(Z_i-Z_j)+w2*max{U_i,U_j}

其中，abs()表示取绝对值函数。若满足上式，则将个体当前最优依次更新为：

PG＝abs(Z_i-Z_j)

TG＝max{U_i,U_j}；

若不满足上式，则将保留个体当前最优；

从所有粒子的当前个体最优中找出全局最优。

综上所述，本发明提出了一种物流信息智能处理方法，基于用户大数据分析，在保证满足用户主观需求的同时，又能优化了物流资源，最大程度的提高了用户的满意度，取得了经济和环保的双重效益。

显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (2)

1.一种物流信息智能处理方法，其特征在于，包括：

获取物流中心车辆类型、数量和容量信息，以及所有的用户节点信息；

以车辆油耗最低为目标函数建立模型；

利用染色体算法对所述模型进行求解，规划每个车辆的运输路径。

2.根据权利要求1所述的方法，其特征在于，所述以车辆油耗最低为目标函数，进一步包括：

确定目标函数并且有如下约束：

p_ij+q_ij≤Q_lx_ijk

x_ijk＝1或0 i,j,k∈V

∑_r∈Vp_jr-∑_i∈Vp_ij＝p_j i,j∈V

∑_r∈Vq_jr-∑_i∈Vq_ij＝d_j i,j∈V

$\begin{array}{cc}\underset{i=1}{\overset{n}{\Σ}}{p}_{i0}=\underset{i=1}{\overset{n}{\Σ}}{p}_i& \underset{j=1}{\overset{n}{\Σ}}{q}_{0j}=\underset{j=1}{\overset{n}{\Σ}}{d}_j\end{array}$

$K=\underset{l=1}{\overset{L}{\Σ}}{n}_i$

p_ij≥p_ix_ijk i,j∈V

q_ij≥d_jx_ijk i,j∈V

其中V表示所有用户节点的集合；车辆总数为K，物流中心拥有L个车辆类型，n_l为车辆类型l的数量；车辆类型l的车载容量为Q_l，油耗系数为a_l、b_l，对n个初始用户进行收发货，用户i的收货需求量为p_i，发货需求量为d_i，D_ij为用户节点i到用户节点j的距离；p_ij为节点i前往节点j的车辆已访问的用户的货物总量；q_ij为节点i前往节点j的车辆装载的货物总量；(p_ij+q_ij)为节点i前往节点j的车辆的总装载量；l类型的车辆从节点i到节点j的油耗F_ij ^l的计算方法为

F_ij ^l＝D_ij(a_l·(p_ij+q_ij)+b_l)；

所述利用染色体算法对所述模型进行求解，规划每个车辆的运输路径，进一步包括：

(1)随机产生包含多个量子染色体的种群，针对用户数量为L的问题，对于每个量子染色体，采用L×L×2的三维量子位矩阵来表示，随机初始化量子位，产生0和1随机数，然后分别赋值给对应的量子位为0和1的概率α_ij和β_ij；

(2)首先产生[0，1]之间的随机数，产生L×L的二维观测矩阵，并调整矩阵保证每行每列都只有1个1，1所在的横坐标代表服务的顺序，纵坐标代表所对应的用户；在形成车辆路径时，首先随机选择一个车辆类型，当该车辆无法满足下一个用户需求时，再随机选用下一种车辆类型，当所选类型的车辆数超过已有车辆数时，重复选取车辆类型，直到所选的车辆类型不超过该类型车辆数；

(3)当用户收发货顺序和车辆路径分配好之后，采用最相邻插入法优化局部路线的序列，流程如下：

3.1取物流中心0作为路径的起点；

3.2找到第一个用户节点i，使得物流中心到用户节点i再返回物流中心的车辆油耗最小，构成局部路径0-i-0；

3.3对于已经形成的局部路径，在不属于该路径的用户节点中，寻找预选用户节点集Q，集合Q中的点满足离路径上的点的距离最近，且收发货重量相对最轻；

3.4循环取Q集中的用户节点，在路径上分别插入Q集中用户节点，使得新形成的路径产生的车辆油耗最低；即，当发行Q集中的用户节点k插入路径中的弧(i，j)位置时车辆油耗最低，就把用户节点k插入弧(i，j)位置的路径作为新路径；

3.5.重复步骤3.1-3.4，直到所有的用户被访问；在得到的路径中，对于任意两节点i，j，判断是否满足以(i，j)、(i+1，j+1)代替(i，i+1)、(j，j+1)后总油耗更低，若是，则执行上述替换；

(4)对种群的各个染色体解码后，分别根据以上目标函数最小值minU；令染色体的适应度函数为U，求解对应染色体的适应度，就是要求解每条染色体的油耗，每条染色体又是由多条路径的收发货组成，车辆分配好路径后，对于路径上每两个点，将每两点的载重量求出各两点间的油耗，从而求出每条路径的油耗，最后每条染色体的油耗。