CN107133705B - 面向绿色物流的智能包装服务建模与配送任务动态优化方法 - Google Patents

面向绿色物流的智能包装服务建模与配送任务动态优化方法 Download PDF

Info

Publication number
CN107133705B
CN107133705B CN201710535963.5A CN201710535963A CN107133705B CN 107133705 B CN107133705 B CN 107133705B CN 201710535963 A CN201710535963 A CN 201710535963A CN 107133705 B CN107133705 B CN 107133705B
Authority
CN
China
Prior art keywords
task
logistics
delivery
cos
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.)
Active
Application number
CN201710535963.5A
Other languages
English (en)
Other versions
CN107133705A (zh
Inventor
张映锋
刘思超
张驰
吴予涵
龙怀
张鹏鹏
杨海东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Original Assignee
Northwestern Polytechnical University
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute filed Critical Northwestern Polytechnical University
Priority to CN201710535963.5A priority Critical patent/CN107133705B/zh
Publication of CN107133705A publication Critical patent/CN107133705A/zh
Application granted granted Critical
Publication of CN107133705B publication Critical patent/CN107133705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明提出了一种面向绿色物流的智能包装服务建模与配送任务动态优化方法。设计的基于物联网的绿色可回收智能包装箱为快递商品提供高性价比的包装服务，其中物联网为可回收利用的绿色智能箱实现智能箱使能的云物流服务提供技术支持与设计标准。对于基于产品服务系统的物流服务，物流公司提供智能箱，负责对其回收、维护和循环使用，客户使用智能箱的包装服务，实现了客户与物流企业的共赢。设计了集成多源物流信息的云物流服务平台，在该物流平台中，实时物流需求驱动的物流配送任务动态优化方法实现了物流任务的实时优化和配送方案，使云平台中的物流资源得以优化配置，其中装载优化服务、物流信息管理服务、路径优化导航服务实现了低碳、高效的绿色物流服务。

Description

面向绿色物流的智能包装服务建模与配送任务动态优化方法
技术领域
本发明涉及智能包装配送服务技术领域，具体为一种面向绿色物流的智能包装服务建模与配送任务动态优化方法，采用基于PI(Physical Internet)的绿色可回收智能包装箱为快递商品提供高性价比的包装服务，进而通过应用PSS(Product Service System)方法和技术对各物流公司配送服务的集成与共享以及智能包装箱的回收再利用，达到实时物流需求驱动的物流配送动态优化方案，为低碳、高效的绿色物流服务提供重要的解决方案。
背景技术
伴随着电子商务的繁荣，人们的日常生活和工作方式已经发生巨大的变革，特别是网上购物，导致了现代物流服务的飞速展。2015年中国快递协会年会发布数据显示全国快递业的业务量达到206亿件，同比2014年增长了48％。据国家邮政局发布《中国快递领域绿色包装发展现状及趋势报告》显示，按照平均每单快件使用1米胶带计算，2015年全国快递业所使用的胶带总量为169.85亿米。国家邮政局预测，2016年我国将产生300亿个快递包裹，快递行业每年使用大量不可自然降解塑料袋、胶带，排放的二氧化碳约达到3000万吨，给社会、环境与绿色经济带来负面影响。因此，如何利用先进的信息技术和管理方法，发明物流行业中所急缺的具有成本和环境效益的可共享标准智能箱和实时物流需求驱动的物流配送动态优化方案，实现绿色环保低碳的物流商业模式已成为物流方向研究和实践的热点问题之一。为了解决上述问题，物联网技术(PI)，产品服务系统(PSS)和云计算(CloudComputing,CC)这三个关键技术逐渐被人们应用和重视。
在如何实现装载方法的优化和利用先进的信息技术来节约物流资源与成本，提高物流企业配送效率方面的研究主要有：Montreuil讨论了全球物流可持续发展面临的诸多现实挑战，视PI(Physical Internet)为实现绿色物流的一种新颖、有效的技术手段[1]；宁晓菊等开发了基于RFID(Radio Frequency Identification Devices)的工业园区SHIP智能物流管理系统，辅助园区中制造企业进行集成化、协同化和智能化的动态仓储管理和实时物流管理[2]；Ribeiro和Borsato提出了使PSS应用于新产品开发流程，使企业能提供可持续的产品[3]；高连周分析了物联网及云计算对物流业发展产生的影响，构建基于物联网和云计算的智能物流体系[4]；林云等分析了物流云服务区别于以往物流服务方式的创新特征，提出了物流云服务的业务架构和技术架构，讨论了实施物流云服务所需解决的关键技术和问题[5]；刘程鹏构造了物流配送路径模型，通过与启发式算法最优解的比较，验证了基于云计算的物流配送路径优化求解方法的有效性[6]。
[1]Montreuil,B.2011.“Towards a Physical Internet:Meeting the GlobalLogistics Sustainability Grand Challenge.”Logistics Research 3(2-3):71-87.
[2]宁晓菊,陈艳,朱伟军,屈挺,黄国全.基于RFID工业园区SHIP智能物流管理系统[J].制造业自动化,2014,36(2):10-20.
[3]Ribeiro,V.C.,and M.Borsato.2014.“Integrating Product-ServiceSystem Tools into New Product Development Progress.”Journal of IntegratedDesign and Progress Science 18(3):3-18.
[4]高连周.大数据时代基于物联网和云计算的智能物流发展模式研究[J].物流技术,2014，33(6):350-352.
[5]林云,田帅辉.物流云服务：面向供应链的物流服务新模式[J].计算机应用研究,2012,29(1):224-228.
[6]刘程鹏.基于云计算的物流配送系统路径优化[J].物流与技术,2014,33(6):99-101.
上述研究和发明对物流管理系统的发展起到了显著的推进作用，但是在实现低能耗，高效率的绿色物流配送的过程还存在以下挑战：1)缺乏在不同企业间设计一个能及时分享物流信息并且可以动态合作的整体架构和方法。2)缺乏为快递商品设计一种高性价比的包装方式及低成本和低碳的运营模式，以解决当前快递商品包装方式带来的易损坏以及严重的环境污染问题。3)缺乏为物流分配任务设计一个面向不同物流公司全局动态优化方法来改善当前配送车辆装载比率低下和燃料浪费严重的问题。
发明内容
为了应对上述挑战和问题，本发明设计了一种面向绿色物流的智能包装服务建模与配送任务动态优化方法，本发明采用了三个关键技术：物联网(PI)，产品服务系统(PSS)和云计算(CC)，旨在提供一个创新的、可持续的绿色物流服务和可回收的、高质量的智能包装方式，从而实现物流资源优化配置、物流信息共享与企业优化合作、降低物流成本和环境污染以及提升物流车的装载率。设计的一种基于PI的绿色可回收智能包装箱为快递商品提供高性价比的包装服务，其中PI为可回收利用的绿色智能箱实现智能箱使能的云物流服务提供技术支持与设计标准。PSS技术提供了一种新颖的物流产品包装服务，区别于传统的物流封装服务：客户使用物流包装服务同时需要购买包装箱。对于基于PSS的物流服务，物流公司提供智能箱，并且负责对其回收、维护和循环使用，客户使用智能箱的包装服务，实现了客户与物流企业的共赢。设计了集成多源物流信息的云物流服务平台，在该基于云计算的物流平台中，实时物流需求驱动的物流配送任务动态优化方法实现了物流任务的实时优化和配送方案，使得云平台中的物流资源得以优化配置，其中装载优化服务、物流信息管理服务、路径优化导航服务实现了低碳、高效的绿色物流服务。
技术方案
来自客户端的物流任务订单可以分为三类。第一类是离线订单，即客户线下直接提交订单给物流企业；第二类是在线订单，即客户登录网上帐户，在物流云平台中注册和提交订单；第三是由离线转在线的订单，即客户提交的物流订单超过了第三方物流公司配送能力，转而通过物流云平台进行离线计算，该平台将物流订单优化分配给具有配送能力的物流公司。物流任务订单被定义为COs，具体的技术方案如下：
所述一种面向绿色物流的智能包装服务建模与配送任务动态优化方法，其特征在于：包括以下步骤：
步骤1：定义符号表示涉及的数据以及相关决策变量：
步骤1.1：定义符号变量：
Figure BDA0001340540340000031
Figure BDA0001340540340000041
步骤1.2：定义决策变量符号：
ZJ 如果选择集装箱J，二进制变量等于1，否则为0；
γiJ如果选择第i个COs装载入集装箱J，二进制变量等于1，否则为0；
步骤2：建立COs数据标准化信息库；具体步骤如下：
步骤2.1：根据物流订单地址信息分类构建COs数据标准化信息库；
步骤2.2：录入订单信息，包括订单编号、物品名称、订单类型、尺寸、重量、数量；
步骤2.3：录入收件人信息，包括收件人姓名、地址、联系电话；
步骤2.4：录入第三方物流企业相关属性，包括物流公司名称、运输公司名称、电话、订单状态、分配方式；
步骤3：将COs与智能箱优化匹配，优化装载规则如下：
如果COs的规格属性满足
li≤l′1∩wi≤w′1∩hi≤h′1→i∈B1 (1)
则将其装入第一类智能箱B1；
如果COs的规格属性满足
l′1≤li≤l′2∩w′1≤wi≤w′2∩h′1≤hi≤h′2→i∈B2 (2)
则将其装入第二类智能箱B2；
如果COs的规格属性满足
l′2≤li≤l′3∩w′2≤wi≤w′3∩h′2≤hi≤h′3→i∈B3 (3)
则将其装入第三类智能箱B3；
步骤4：对COs进行基于距离的聚类分析，并分组：
步骤4.1：定义：dij和Dij分别表示样本Xi和Xj与聚类Gi和Gj两者之间的距离，其中
Figure BDA0001340540340000051
假设聚类Gp和Gq被分组到一个新的聚类Gr，则任意聚类Gk和Gr距离的关系：
Figure BDA0001340540340000052
步骤4.2：计算任意两个样本之间的距离，得到一个新的距离矩阵D(0)；
步骤4.3：找出最短的距离元素记为Dpq，然后将Gp和Gq聚合为一个新的聚类Gr，即Gr＝{Gp，Gq}；
步骤4.4：每一个新的分组聚类按顺序编号；
步骤4.5：计算新的聚类与其他聚类之间的距离；
步骤4.6：重复步骤4.3，步骤4.4和步骤4.5，并取r＝r+1；
步骤4.7：直到所有元素都被分组后结束；如果距离最短的元素的数目不止一个，则所有相应的元素组合成一个聚类；
步骤5：建立装载服务的动态优化模型：
步骤5.1：建立函数关系，具体如下
li≤l′1∩wi≤w′1∩hi≤h′1→i∈B1 (6)
l′1≤li≤l′2∩w′1≤wi≤w′2∩h′1≤hi≤h′2→i∈B2 (7)
l′2≤li≤l′3∩w′2≤wi≤w′3∩h′2≤hi≤h′3→i∈B3 (8)
M＝(LJ·WJ·HJ)/(l′3·w′3·h′3) (9)
N＝(LJ·WJ·HJ)/(l′1·w′1·h′1) (10)
Figure BDA0001340540340000053
Figure BDA0001340540340000054
Figure BDA0001340540340000055
Figure BDA0001340540340000061
Figure BDA0001340540340000062
Figure BDA0001340540340000063
Figure BDA0001340540340000064
步骤5.2：建立智能箱装-集装箱的装载优化方法，降低集装箱的空载率，具体如下：
COs通过分层树结构网络集群形成Los：在初始的LOs(Gp)中，COs的数量等于I0且初始值为0；如果集装箱J的尺寸相对于COs是可用的，则将COs装载到集装箱J中，而且实时更新和输出集装箱J已使用和剩余的体积；如果COs的数量小于或等于I0，则返回继续装载，否则结束装载；如果集装箱J的尺寸相对于COs不可用，则输出COs已装载入集装箱J的数量
Figure BDA0001340540340000065
如果
Figure BDA0001340540340000066
小于I0，然后寻找离Gp距离最短的聚类Gq，并形成一个新的聚类Gpq，然后返回继续装载，否则结束装载；
步骤5.3：智能箱装载顺序优化：
按照订单距离远近，在装载过程中先装载未装载订单中距离最远的订单，依次装载，则距离最近的订单在最后装载；
步骤5.4：装载校验优化服务：
装载校验服务通过附着在智能箱、配送车辆上的智能RFID标签与手持式RFID阅读器实现物流任务-智能箱的精确装载；装载校验服务通过由手持式RFID阅读器扫描附着在智能箱上的RFID标签，获得的装载信息与初始装载列表的信息进行自动匹配检验，当且仅当两者完全匹配后，方可装载；否则警示信息会提醒装载工人可能存在信息不对称问题；当智能箱装载入集装箱时，通过在集装箱入口位置嵌入的RFID阅读器扫描智能箱上的RFID标签，获得智能箱的相关信息，其中包括智能箱的规格和装载内容等，基于感知捕获的信息，上传载入的智能箱相关信息至物流平台，同时更新、输出装载信息；
步骤6：构建实时物流需求驱动的物流任务动态优化模型：
步骤6.1：云配送中心按一定的时间间隔t触发各配送车辆智能终端传输车辆实时状态信息，过滤掉正在装卸货和剩余体积、剩余重量的车辆信息，构建配送车辆资源库，具体如下：
Figure BDA0001340540340000071
根据动态的任务信息构建任务信息库T，该任务信息库中：TIDi为第i个任务的编号、W表示重量、V表示体积、CP表示当前位置、D表示任务目的地、DT表示任务交货期、DP表示任务送达时超出交货期单位时间的惩罚参数；具体如下：
Figure BDA0001340540340000072
其中对于车辆剩余体积SV和配送任务体积V均是一个三维向量，SV＝(length,width,height)，V＝(length,width,height)分别表示了配送车辆剩余体积和配送任务的长宽高；
步骤6.2：假设配送车辆资源集为
V＝(v1,v2,v3...vi...vn)T
动态任务集为
T＝(t1,t2,t3...ti...tn)T；
车辆配送的路径从车辆当前位置CPv开始配送，到下一个目的地NDv结束配送任务，根据此路径建立车辆路径导航向量TIDi＝(CPt,NDt)，配送车辆信息和配送任务信息可以在二维坐标中表示：
Figure BDA0001340540340000073
以车辆向量VIDi的中点为圆心O(r)，
Figure BDA0001340540340000074
以1/2的车辆向量模|VIDi|为半径R，
Figure BDA0001340540340000075
建立配送车辆圆区域；
步骤6.3：假设圆区域中的配送任务为圆域中的元素，存在以下两种情况：第一种：圆域有交集，第二种：圆域无交集；圆域有交集表示不同的圆域共同包含了若干个配送任务；圆域无交集表示圆域独立地包含了n(n≥0)个元素，如果n＝0，则释放该圆域，配送车辆按照既定任务路线完成配送活动；
步骤6.4：首先考虑配送车辆的剩余体积SV＝(length,width,height)作为约束条件，对于需要配送任务的体积为TV＝(length,width,height)，剔除不满足约束条件的配送任务：具体通过一种编码方程的方法判断配送任务是否满足约束条件，编码方程如下：
Figure BDA0001340540340000081
其中Ii为0，1变量，表示是否满足各约束条件。如果I变量的值是0，则满足约束条件，表示该配送车辆可以装载配送任务；否则，剔除该任务；
步骤6.5：通过步骤6.4的过滤之后，圆域中的元素个数n(n≥0)；按照步骤6.3继续进行分类；对于交集圆域中的元素，选择半径R最小的配送圆域，即由该圆域所属配送车辆进行配送；对于无交集圆域中的元素转步骤6.6；
步骤6.6：如果圆域中的元素n＝1，表示只有一个满足条件的配送任务，即该配送任务由圆域所属配送车辆进行配送；如果n≥2，表示该配送圆域中有n个配送任务满足所属配送车辆的配送条件，则满足以下两个条件便得到最优路径规划：
条件1：配送车辆向量和配送任务向量之间的夹角最小，即
Figure BDA0001340540340000082
条件2：配送车辆向量中点O(r)到配送任务向量中点M的距离d最小：
Figure BDA0001340540340000083
其中配送任务TIDi的坐标为TIDi＝(CPt,NDt)，CPt＝(xtij,ytij)，NDt＝(x′tij,y′tij)；
没有分配到配送车辆的任务返回任务信息库T重新进行优化分配
步骤6.7：基于不同的配送车辆具有不同的单位成本和不同任务具有不同的延迟惩罚参数，建立总成本目标函数：总成本包含了任务配送成本和延迟惩罚成本；任务配送成本是完成既定配送任务产生的成本费用，延迟惩罚成本是接受配送任务TIDi后导致车辆第j个配送任务交付时超过交货期的延迟时间产生的成本费用；总成本目标函数为
C＝min cos t＝C1+C2+C3 (19)
Figure BDA0001340540340000091
Figure BDA0001340540340000092
Figure BDA0001340540340000093
Lx为车辆VIDx为完成该任务多行驶的路程；
Figure BDA0001340540340000094
为车辆VIDx接受任务TIDi后引起车辆第j个任务送达时超过其交货期的延时时间，设VIDx任务清单Tlx中有y个任务，其中包含任务TIDi；DPxj为车辆VIDx任务清单Tlx中第j个任务的延迟送货惩罚参数；
步骤6.8：将车辆VIDx x∈(1,n)信息库中的各项信息参数以及配送中心系统模型动态模拟的参数信息(Lx、dtxj)分别代入上述目标函数；
步骤6.9：对于每个配送车辆，选择让其目标函数取得最小值的任务，并将该配送车辆预分配给该任务。
有益效果
本发明采用了三个关键技术：物联网(PI)，产品服务系统(PSS)和云计算(CC)，旨在提供一个创新的、可持续的绿色物流服务和可回收的、高质量的智能包装方式，从而实现物流资源优化配置、物流信息共享与企业优化合作、降低物流成本和环境污染以及提升物流车的装载率。设计的一种基于PI的绿色可回收智能包装箱为快递商品提供高性价比的包装服务，其中PI为可回收利用的绿色智能箱实现智能箱使能的云物流服务提供技术支持与设计标准。PSS技术提供了一种新颖的物流产品包装服务，区别于传统的物流封装服务：客户使用物流包装服务同时需要购买包装箱。对于基于PSS的物流服务，物流公司提供智能箱，并且负责对其回收、维护和循环使用，客户使用智能箱的包装服务，实现了客户与物流企业的共赢。设计了集成多源物流信息的云物流服务平台，在该基于云计算的物流平台中，实时物流需求驱动的物流配送任务动态优化方法实现了物流任务的实时优化和配送方案，使得云平台中的物流资源得以优化配置，其中装载优化服务、物流信息管理服务、路径优化导航服务实现了低碳、高效的绿色物流服务。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明方法的总体架构图；
图2是本发明方法的客户物流订单信息标准化管理；
图3是本发明方法的客户物流订单信息分层树结构网络；
图4是本发明方法的物流订单聚类结果；
图5本发明方法的智能箱优化装载算法流程；
图6是本发明方法的物流任务优化配送网络。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参考图1，本发明设计了一种面向绿色物流的智能包装服务建模与配送任务动态优化方法，本发明采用了三个关键技术：物联网(PI)，产品服务系统(PSS)和云计算(CC)，旨在提供一个创新的、可持续的绿色物流服务和可回收的、高质量的智能包装方式，从而实现物流资源优化配置、物流信息共享与企业优化合作、降低物流成本和环境污染以及提升物流车的装载率。设计的一种基于PI的绿色可回收智能包装箱为快递商品提供高性价比的包装服务，其中PI为可回收利用的绿色智能箱实现智能箱使能的云物流服务提供技术支持与设计标准。PSS技术提供了一种新颖的物流产品包装服务，区别于传统的物流封装服务：客户使用物流包装服务同时需要购买包装箱。对于基于PSS的物流服务，物流公司提供智能箱，并且负责对其回收、维护和循环使用，客户使用智能箱的包装服务，实现了客户与物流企业的共赢。设计了集成多源物流信息的云物流服务平台，在该基于云计算的物流平台中，实时物流需求驱动的物流配送任务动态优化方法实现了物流任务的实时优化和配送方案，使得云平台中的物流资源得以优化配置，其中装载优化服务、物流信息管理服务、路径优化导航服务实现了低碳、高效的绿色物流服务。
下面结合实例和附图对本发明做进一步的详细说明。来自客户端的物流任务订单可以分为三类。第一类是离线订单，即客户线下直接提交订单给物流企业；第二类是在线订单，即客户登录网上帐户在物流云平台中注册和提交订单；第三是由离线转在线的订单，即客户提交的物流订单超过了第三方物流公司配送能力，转而通过物流云平台进行离线计算，该平台将物流订单优化分配给具有配送能力的物流公司，以上物流任务订单被定义为COs。
以某地区的一个物流配送中心中的物流任务COs配送的研究为案例，验证提出的实时物流需求驱动的物流配送任务动态优化方法的效率和方案的可行性。某地区包含一个物流配送中心和八个街道，他们依次编号为0和1，2，…，8。在一段时间内COs的总数是731。有三种规格的智能盒和一种集装箱，分别是0.45(m)×0.3(m)×0.3(m)，0.9(m)×0.6(m)×0.45(m)，2(m)×1(m)×0.6(m)和4.02(m)×1.93(m)×1.9(m)。
步骤1：定义符号表示该技术方案模型中所涉及的数据以及相关决策变量。
步骤1.1：定义符号变量；
Figure BDA0001340540340000111
Figure BDA0001340540340000121
步骤1.2：定义决策变量符号：
ZJ 如果选择集装箱J，二进制变量等于1，否则为0；
γiJ 如果选择第i个COs装载入集装箱J，二进制变量等于1，否则为0。
步骤2：参照图2，建立COs数据标准化数据库。
步骤2.1：根据物流订单的地址信息分类构建COs数据标准化信息库；
根据地址信息对COs进行分类，地址被划分成多个层次，即国家、省、市、区、街道和详细地址，如图3所示。基于COs和地址的一对一的映射关系，建立COs分层树结构网络。在相同层级里具有相同内容的COs被归为一个类。
步骤2.2：参照图2，订单信息的录入，包括订单编号、物品名称、订单类型、尺寸、重量、数量等。
步骤2.3：参照图2，收件人信息的录入，包括收件人姓名、地址、联系电话等。
步骤2.4：参照图2，第三方物流企业相关属性的录入，包括物流公司名称、运输公司名称、电话、订单状态、分配方式等。
步骤3：将COs与智能箱优化匹配，以增大智能箱的装载率。定义如下：
li≤l′1∩wi≤w′1∩hi≤h′1→i∈B1 (23)
l′1≤li≤l′2∩w′1≤wi≤w′2∩h′1≤hi≤h′2→i∈B2 (24)
l′2≤li≤l′3∩w′2≤wi≤w′3∩h′2≤hi≤h′3→i∈B3 (25)
步骤3.1：如果COs的规格属性满足式(23)，则将其装入智能箱B1。
步骤3.2：如果COs的规格属性满足式(24)，则将其装入智能箱B2。
步骤3.3：如果COs的规格属性满足式(25)，则将其装入智能箱B3。
步骤4：参照图4，对COs进行基于距离聚类分析，并分组。
步骤4.1：基于分层树形结构网络和距离聚类分析方法：
定义：dij和Dij分别表示样本(COs)Xi和Xj与聚类Gi和Gj两者之间的距离
Figure BDA0001340540340000122
假设聚类Gp和Gq被分组到一个新的聚类Gr，则任意聚类Gk和Gr距离的关系：
Figure BDA0001340540340000131
参照图4，初始化COs分组为八组，定义为G1，G2，…，G8，分别如G1＝(63,24,4)。括号内的数字分别表示小中大三种客户订单的数量，下同。
步骤4.2：参照图4，计算任意两个分组之间的距离，得到一个新的距离。
步骤4.3：参照图4，找出最短的距离的两个组定义为Gp和Gq，并将其聚合为一个新的聚类Gr，即Gr＝{Gp,Gq}。
步骤4.4：参照图4每一个新的聚类分组按顺序进行编号，G1和G8聚集成一个新类G9((G1,G8)→G9)，(G3,G4)→G10，(G6,G7)→G11。
步骤4.5：参照图4，按照最短距离原则，计算新的聚类与其他聚类之间的距离。
步骤4.6：参照图4，重复步骤4.3，步骤4.4和步骤4.5，r＝r+1。
即(G5,G10)→G12，(G2,G11)→G13。
步骤4.7：参照图4，直到所有元素都被分组聚类后结束。如果距离最短的元素的数目不止一个，则所有相应的元素组合成一个聚类。所有COs基于距离聚类结果如图4所示。
步骤5：建立装载服务的动态优化模型：
步骤5.1：建立函数关系，具体如下
li≤l′1∩wi≤w′1∩hi≤h′1→i∈B1 (28)
l′1≤li≤l′2∩w′1≤wi≤w′2∩h′1≤hi≤h′2→i∈B2 (29)
l′2≤li≤l′3∩w′2≤wi≤w′3∩h′2≤hi≤h′3→i∈B3 (30)
M＝(LJ·WJ·HJ)/(l′3·w′3·h′3) (31)
N＝(LJ·WJ·HJ)/(l′1·w′1·h′1) (32)
Figure BDA0001340540340000132
Figure BDA0001340540340000141
Figure BDA0001340540340000142
Figure BDA0001340540340000143
Figure BDA0001340540340000144
Figure BDA0001340540340000145
Figure BDA0001340540340000146
该模型旨在建立基于实时物流需求驱动的装载服务动态优化模型，实现智能箱与物流车的优化装载，提高物流车的装载率，降低物流成本。基于步骤3中的智能箱与COs匹配模型，构建B1、B2、B3分组。基于实时物流信息，构建装载服务动态优化模型如下所示，其中公式(31)和(32)表示一个标准集装箱中允许规格为B1和B3的智能箱最大装载数量；约束(33)表示一个标准集装箱可装载的智能箱数量的范围；允许装载的COs数量满足约束(34)；约束(35)表明可用数量的智能箱是充足的；决策变量(即0,1变量)定义为(36)和(37)，其中式(36)表示如果选择集装箱J装载，决策变量值为1，否则为0；式(37)表示如果选择第i个COs装载入集装箱J，则决策变量值为1，否则为0。式(38)和(39)表示最小化集装箱空装载率，最大化智能箱装载数量。
步骤5.2：建立智能箱与集装箱装载优化方法，目的在于提高集装箱的装载率。智能箱与集装箱优化装载流程图如图5所示：
COs通过分层树结构网络集群形成LOs。在初始的LOs(Gp)中，COs的数量等于I0且初始值为0。如果集装箱J的尺寸相对于COs是可用的，则将COs装载到集装箱J中，而且集装箱J已使用和剩余的体积是实时更新和输出；如果COs的数量小于或等于I0，则返回，否则结束装载；如果集装箱J的尺寸相对于COs不可用，则输出COs已装载入集装箱J的数量
Figure BDA0001340540340000147
如果
Figure BDA0001340540340000148
小于I0，然后寻找离Gp最短的聚类Gp，并形成一个新的聚类Gpq，然后返回，否则结束装载。
步骤5.3：智能箱装载顺序优化方案：
基于物流订单的距离，目的地较近的订单将首先被搬运出配送车辆，目的地较远的则最后被搬运出配送车。所以，按照订单距离远近，在装载过程中应先装载未装载订单中距离最远的订单，依次装载，则距离最近的订单在最后装载。
步骤5.4：装载校验优化服务：
装载校验服务通过附着在智能箱、配送车辆上的智能RFID标签与手持式RFID阅读器实现物流任务-智能箱的精确装载。该装载校验服务通过由手持式RFID阅读器扫描附着在智能箱上的RFID标签，获得的装载信息与初始装载列表的信息进行自动匹配检验，当且仅当两者完全匹配后，方可装载；否则警示信息会提醒装载工人可能存在信息不对称问题；当智能箱装载入集装箱时，通过在集装箱入口位置嵌入的RFID阅读器扫描智能箱上的RFID标签，获得智能箱的相关信息，其中包括智能箱的规格和装载内容等，基于感知捕获的信息，上传载入的智能箱相关信息至物流平台，同时更新、输出装载信息。
步骤6：实时信息驱动的物流任务动态优化模型的构建
步骤6.1：云配送中心按一定的时间间隔t(t为可控参数，可根据配送车辆状态和任务规模调节，默认值为5分钟)触发各配送车辆智能终端传输车辆实时状态信息，过滤掉正在装卸货和剩余体积、剩余重量的车辆信息，构建配送车辆资源库，具体如下：
Figure BDA0001340540340000151
根据动态的任务信息构建任务信息库T，该任务信息库中：TIDi为第i个任务的编号、W表示重量、V表示体积、CP表示当前位置、D表示任务目的地、DT表示任务交货期、DP(Delay Penalty)表示任务送达时超出交货期单位时间的惩罚参数，该参数由客户交付任务时与配送中心协定。具体如下：
Figure BDA0001340540340000152
其中对于车辆剩余体积SV和配送任务体积V均是一个三维向量，即SV＝(length,width,height)，V＝(length,width,height)分别表示了配送车辆剩余体积和配送任务的长宽高。
步骤6.2：假设配送车辆资源集为
V＝(v1,v2,v3...vi...vn)T
动态任务集为
T＝(t1,t2,t3...ti...tn)T
通常情况下，车辆配送的路径是从车辆当前位置CPv开始配送，到下一个目的地NDv结束配送任务，这样便可以根据此路径建立车辆路径导航向量TIDi＝(CPt,NDt)，配送车辆信息和配送任务信息可以在二维坐标中表示：
Figure BDA0001340540340000161
以车辆向量VIDi的中点为圆心O(r)，
Figure BDA0001340540340000162
以1/2的车辆向量模|VIDi|为半径R，
Figure BDA0001340540340000163
建立配送车辆圆区域。
步骤6.3：假设圆区域中的配送任务为圆域中的元素，则存在以下两种情况：第一种：圆域有交集，第二种：圆域无交集。圆域有交集表示不同的圆域共同包含了若干个配送任务；圆域无交集表示圆域独立地包含了n(n≥0)个元素，如果n＝0，则释放该圆域，则配送车辆按照既定任务路线完成配送活动。
步骤6.4：首先考虑配送车辆的剩余体积SV＝(length,width,height)作为约束条件，对于需要配送任务的体积为TV＝(length,width,height)，剔除不满足约束条件的配送任务。在此提出一种编码方程的方法判断配送任务是否满足约束条件，编码方程如下：
Figure BDA0001340540340000164
其中Ii为0，1变量，表示是否满足各约束条件。如果I变量的值是0，则满足约束条件，表示该配送车辆可以装载配送任务；否则，剔除该任务。
步骤6.5：通过步骤6.4的过滤之后，圆域中的元素个数n(n≥0)。按照步骤6.3继续进行分类。对于交集圆域中的元素，选择半径R最小的配送圆域，即由该圆域所属配送车辆进行配送；对于无交集圆域中的元素转步骤6.6。
步骤6.6：如果圆域中的元素n＝1，表示只有一个满足条件的配送任务，即该配送任务由圆域所属配送车辆进行配送；如果n≥2，表示该配送圆域中有n个配送任务满足所属配送车辆的配送条件，则由圆内三角形知识可知满足以下两个条件便得到最优路径规划：
条件1：配送车辆向量和配送任务向量之间的夹角最小，即
Figure BDA0001340540340000171
条件2：配送车辆向量中点O(r)到配送任务向量中点M的距离d最小：
Figure BDA0001340540340000172
其中配送任务TIDi的坐标为TIDi＝(CPt,NDt)，CPt＝(xtij,ytij)，NDt＝(x′tij,y′tij)。
没有分配到配送车辆的任务返回任务信息库T重新进行优化分配。
步骤6.7：基于不同的配送车辆具有不同单位成本和不同任务具有不同的延迟惩罚参数不同，建立总成本目标函数。总成本包含了任务配送成本和延迟惩罚成本，任务配送成本是完成既定配送任务产生的成本费用，延迟惩罚成本是接受配送任务TIDi后导致车辆交付第j个配送任务时超过交货期的延迟时间产生的成本费用。总成本目标函数为：
C＝min cos t＝C1+C2+C3 (41)
Figure BDA0001340540340000173
Figure BDA0001340540340000174
Figure BDA0001340540340000175
Lx为车辆VIDx为完成该任务多行驶的路程；
Figure BDA0001340540340000176
j∈(1,y)为车辆VIDx接受任务TIDi后引起车辆第j个任务送达时超过其交货期的延时时间(设VIDx任务清单Tlx中有y个任务(包含任务TIDi))；DPxj，j∈(1,y)为车辆VIDx任务清单Tlx中第j个任务的延迟送货惩罚参数。
步骤6.8：将车辆VIDx x∈(1,n)信息库中的各项信息参数以及配送中心系统模型动态模拟的参数信息(Lx,dtxj,j∈(1,y))分别代入上述目标函数。
步骤6.9：参照图6，对于每个配送车辆，选择让其目标函数取得最小值的任务，并将该配送车辆预分配给该任务。
传统的配送方案是点对点单一配送模式，即直接从配送中心抵达目的地后直接返回配送中心，再开始下个目的地任务的配送。采用基于距离聚类和实时物流需求驱动的物流配送任务动态优化方法，获得的客户订单的配送方案如图6所示。参照图6，所有客户订单基于距离聚类分析后分组为8个聚类；实时物流需求驱动的物流配送任务动态优化方法将8个聚类优化分组为3个组，第一组为聚类1和8(G1,G8)，第二组为聚类7、6和2(G7,G6,G2)，第三组为聚类3、4和5(G3,G4,G5)。第一个分组中的所有COs优化装载配送方案分为(0,24,4)和(180,12,1)。前者优化配送路线配送距离分别为0→1→0和14km，后者是0→1→8→0和20.8km，聚类1(63,0,0)剩余的COs和聚类8(117,12,1)的COs装入一个集装箱(180,12,1)。其中后者(180,12,1)的装载顺序是，先装载(117,12,1)，然后装载(63,0,0)。第一组的分配频率和总的配送距离分别是2，34.8km，第一组传统配送方案的分配频率和总的配送距离分别是3，46.6km。第二组的分配频率和总的配送距离分别是4，29.2km，第二组传统配送方案的分配频率和总的配送距离分别是6，37.4km。第三组的分配频率和总的配送距离分别是3，29.4km，第三组传统配送方案的分配频率和总的配送距离分别是4，33.2km。
基于实时物流需求驱动的物流任务动态优化方案中所有COs总的分配频率为9，即使用9个集装箱，而传统的点对点单一配送模式中分配频率为13，因此，本发明方法可以节约4个集装箱，既降低了集装箱成本又减少库存成本；最优方案中物流配送总距离为93.4km，传统的点对点单一配送模式中物流配送总距离为117.2km。基于实时物流需求驱动的物流任务动态优化方案减少了23.8公里的配送距离，降低了物流配送成本，有利绿色物流的可持续发展。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (1)

1.一种面向绿色物流的智能包装服务建模与配送任务动态优化方法，其特征在于：包括以下步骤：
步骤1：定义符号表示涉及的数据以及相关决策变量：
步骤1.1：定义符号变量：
li第i个COs的长度；
wi第i个COs的宽度；
hi第i个COs的高度；
l′i用于装载第i个COs的第j个智能箱的长度；
w′i用于装载第i个COs的第j个智能箱的宽度；
h′i用于装载第i个COs的第j个智能箱的高度；
Bj第j个智能箱，j＝(1,2,3)；
I COs的初始分类；I＝{1,2,3,…,m}，其中m是COs的总数；
J集装箱；J＝{1,2,3,…,n}；
LJ集装箱J的长度；
WJ集装箱J的宽度；
HJ集装箱J的高度；
N一个集装箱里允许装载COs的最大数目；
M一个集装箱里允许装载COs的最小数目；
Figure FDA0002640862700000011
第i个COs中装载入集装箱J的总数；
其中COs为物流任务订单；
步骤1.2：定义决策变量符号：
ZJ如果选择集装箱J，二进制变量等于1，否则为0；
γiJ如果选择第i个COs装载入集装箱J，二进制变量等于1，否则为0；
步骤2：建立COs数据标准化信息库；具体步骤如下：
步骤2.1：根据物流订单地址信息分类构建COs数据标准化信息库；
步骤2.2：录入订单信息，包括订单编号、物品名称、订单类型、尺寸、重量、数量；
步骤2.3：录入收件人信息，包括收件人姓名、地址、联系电话；
步骤2.4：录入第三方物流企业相关属性，包括物流公司名称、运输公司名称、电话、订单状态、分配方式；
步骤3：将COs与智能箱优化匹配，优化装载规则如下：
如果COs的规格属性满足
li≤l′1∩wi≤w′1∩hi≤h′1→i∈B1
则将其装入第一类智能箱B1；
如果COs的规格属性满足
l′1≤li≤l′2∩w′1≤wi≤w′2∩h′1≤hi≤h′2→i∈B2
则将其装入第二类智能箱B2；
如果COs的规格属性满足
l′2≤li≤l′3∩w′2≤wi≤w′3∩h′2≤hi≤h′3→i∈B3
则将其装入第三类智能箱B3；
步骤4：对COs进行基于距离的聚类分析，并分组：
步骤4.1：定义：dij和Dij分别表示样本Xi和Xj与聚类Gi和Gj两者之间的距离，其中
Figure FDA0002640862700000021
假设聚类Gp和Gq被分组到一个新的聚类Gr，则任意聚类Gk和Gr距离的关系：
Figure FDA0002640862700000022
步骤4.2：计算任意两个样本之间的距离，得到一个新的距离矩阵D(0)；
步骤4.3：找出最短的距离元素记为Dpq，然后将Gp和Gq聚合为一个新的聚类Gr，即Gr＝{Gp，Gq}；
步骤4.4：每一个新的分组聚类按顺序编号；
步骤4.5：计算新的聚类与其他聚类之间的距离；
步骤4.6：重复步骤4.3，步骤4.4和步骤4.5，并取r＝r+1；
步骤4.7：直到所有元素都被分组后结束；如果距离最短的元素的数目不止一个，则所有相应的元素组合成一个聚类；
步骤5：建立装载服务的动态优化模型：
步骤5.1：建立函数关系，具体如下
li≤l′1∩wi≤w′1∩hi≤h′1→i∈B1
l′1≤li≤l′2∩w′1≤wi≤w′2∩h′1≤hi≤h′2→i∈B2
l′2≤li≤l′3∩w′2≤wi≤w′3∩h′2≤hi≤h′3→i∈B3
M＝(LJ·WJ·HJ)/(l′3·w′3·h′3)
N＝(LJ·WJ·HJ)/(l′1·w′1·h′1)
Figure FDA0002640862700000031
Figure FDA0002640862700000032
Figure FDA0002640862700000033
Figure FDA0002640862700000034
Figure FDA0002640862700000035
Figure FDA0002640862700000036
Figure FDA0002640862700000037
步骤5.2：建立智能箱装-集装箱的装载优化方法，具体如下：
COs通过分层树结构网络集群形成LOs：在初始的LOs(Gp)中，COs的数量等于I0且初始值为0；如果集装箱J的尺寸相对于COs是可用的，则将COs装载到集装箱J中，而且实时更新和输出集装箱J已使用和剩余的体积；如果COs的数量小于或等于I0，则返回继续装载，否则结束装载；如果集装箱J的尺寸相对于COs不可用，则输出COs已装载入集装箱J的数量
Figure FDA0002640862700000038
如果
Figure FDA0002640862700000039
小于I0，然后寻找离Gp距离最短的聚类Gq，并形成一个新的聚类Gpq，然后返回继续装载，否则结束装载；
步骤5.3：智能箱装载顺序优化：
按照订单距离远近，在装载过程中先装载未装载订单中距离最远的订单，依次装载，则距离最近的订单在最后装载；
步骤5.4：装载校验优化服务：
装载校验服务通过附着在智能箱、配送车辆上的智能RFID标签与手持式RFID阅读器实现物流任务-智能箱的精确装载；装载校验服务通过由手持式RFID阅读器扫描附着在智能箱上的RFID标签，获得的装载信息与初始装载列表的信息进行自动匹配检验，当且仅当两者完全匹配后，方可装载；否则警示信息会提醒装载工人可能存在信息不对称问题；当智能箱装载入集装箱时，通过在集装箱入口位置嵌入的RFID阅读器扫描智能箱上的RFID标签，获得智能箱的相关信息，其中包括智能箱的规格和装载内容，基于感知捕获的信息，上传载入的智能箱相关信息至物流平台，同时更新、输出装载信息；
步骤6：构建实时物流需求驱动的物流任务动态优化模型：
步骤6.1：云配送中心按一定的时间间隔t触发各配送车辆智能终端传输车辆实时状态信息，过滤掉正在装卸货和剩余体积、剩余重量的车辆信息，构建配送车辆资源库，具体如下：
Figure FDA0002640862700000041
根据动态的任务信息构建任务信息库T，该任务信息库中：TIDi为第i个任务的编号、W表示重量、V表示体积、CP表示当前位置、D表示任务目的地、DT表示任务交货期、DP表示任务送达时超出交货期单位时间的惩罚参数；具体如下：
Figure FDA0002640862700000042
其中对于车辆剩余体积SV和配送任务体积V均是一个三维向量，SV＝(length,width,height)，V＝(length,width,height)分别表示了配送车辆剩余体积和配送任务的长宽高；
步骤6.2：假设配送车辆资源集为
V＝(v1,v2,v3...vi...vn)T
动态任务集为
T＝(t1,t2,t3...ti...tn)T；
车辆配送的路径从车辆当前位置CPv开始配送，到下一个目的地NDv结束配送任务，根据此路径建立车辆路径导航向量TIDi＝(CPt,NDt)，配送车辆信息和配送任务信息可以在二维坐标中表示：
Figure FDA0002640862700000051
以车辆向量VIDi的中点为圆心O(r)，
Figure FDA0002640862700000052
以1/2的车辆向量模|VIDi|为半径R，
Figure FDA0002640862700000053
建立配送车辆圆区域；
步骤6.3：假设圆区域中的配送任务为圆域中的元素，存在以下两种情况：第一种：圆域有交集，第二种：圆域无交集；圆域有交集表示不同的圆域共同包含了若干个配送任务；圆域无交集表示圆域独立地包含了n(n≥0)个元素，如果n＝0，则释放该圆域，配送车辆按照既定任务路线完成配送活动；
步骤6.4：首先考虑配送车辆的剩余体积SV＝(length,width,height)作为约束条件，对于需要配送任务的体积为TV＝(length,width,height)，剔除不满足约束条件的配送任务：具体通过一种编码方程的方法判断配送任务是否满足约束条件，编码方程如下：
Figure FDA0002640862700000054
I＝I1+I2+I3
其中Ii为0，1变量，表示是否满足各约束条件；如果I变量的值是0，则满足约束条件，表示该配送车辆可以装载配送任务；否则，剔除该任务；
步骤6.5：通过步骤6.4的过滤之后，圆域中的元素个数n(n≥0)；按照步骤6.3继续进行分类；对于交集圆域中的元素，选择半径R最小的配送圆域，即由该圆域所属配送车辆进行配送；对于无交集圆域中的元素转步骤6.6；
步骤6.6：如果圆域中的元素n＝1，表示只有一个满足条件的配送任务，即该配送任务由圆域所属配送车辆进行配送；如果n≥2，表示该配送圆域中有n个配送任务满足所属配送车辆的配送条件，则满足以下两个条件便得到最优路径规划：
条件1：配送车辆向量和配送任务向量之间的夹角最小，即
Figure FDA0002640862700000061
条件2：配送车辆向量中点O(r)到配送任务向量中点M的距离d最小：
Figure FDA0002640862700000062
其中配送任务TIDi的坐标为
Figure FDA0002640862700000063
CPt＝(xtij,ytij)，NDt＝(x′tij,y′tij)；
没有分配到配送车辆的任务返回任务信息库T重新进行优化分配；
步骤6.7：基于不同的配送车辆具有不同的单位成本和不同任务具有不同的延迟惩罚参数，建立总成本目标函数：总成本包含了任务配送成本和延迟惩罚成本；任务配送成本是完成既定配送任务产生的成本费用，延迟惩罚成本是接受配送任务TIDi后导致车辆第j个配送任务交付时超过交货期的延迟时间产生的成本费用；总成本目标函数为
C＝mincost＝C1+C2+C3
Figure FDA0002640862700000064
Figure FDA0002640862700000065
Figure FDA0002640862700000066
Lx为车辆VIDx为完成该任务多行驶的路程；
Figure FDA0002640862700000067
为车辆VIDx接受任务TIDi后引起车辆第j个任务送达时超过其交货期的延时时间，设VIDx任务清单Tlx中有y个任务，其中包含任务TIDi；DPxj为车辆VIDx任务清单Tlx中第j个任务的延迟送货惩罚参数；
步骤6.8：将车辆VIDx x∈(1,n)信息库中的各项信息参数以及配送中心系统模型动态模拟的参数信息(Lx、dtxj)分别代入上述目标函数；
步骤6.9：对于每个配送车辆，选择让其目标函数取得最小值的任务，并将该配送车辆预分配给该任务。
CN201710535963.5A 2017-07-04 2017-07-04 面向绿色物流的智能包装服务建模与配送任务动态优化方法 Active CN107133705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710535963.5A CN107133705B (zh) 2017-07-04 2017-07-04 面向绿色物流的智能包装服务建模与配送任务动态优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710535963.5A CN107133705B (zh) 2017-07-04 2017-07-04 面向绿色物流的智能包装服务建模与配送任务动态优化方法

Publications (2)

Publication Number Publication Date
CN107133705A CN107133705A (zh) 2017-09-05
CN107133705B true CN107133705B (zh) 2020-10-27

Family

ID=59736044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710535963.5A Active CN107133705B (zh) 2017-07-04 2017-07-04 面向绿色物流的智能包装服务建模与配送任务动态优化方法

Country Status (1)

Country Link
CN (1) CN107133705B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578073A (zh) * 2017-09-20 2018-01-12 陈建希 一种流转包装箱的管理方法及系统
CN107844937B (zh) * 2017-11-07 2022-05-24 边角智能科技(上海)有限公司 一种物流配送管理方法和装置
CN107958315B (zh) * 2018-01-09 2021-09-14 南宁师范大学 智能物流配送方法
CN110349263A (zh) * 2018-04-02 2019-10-18 北京京东尚科信息技术有限公司 一种智能的物品包装方法和装置
CN108648051A (zh) * 2018-05-09 2018-10-12 广州链通互联网科技有限公司 一种拆单方法和系统
CN109064082B (zh) * 2018-06-27 2024-04-16 顺丰科技有限公司 智能分拣方法及智能分拣物流车
CN111353733B (zh) * 2018-12-24 2024-03-29 顺丰科技有限公司 航空快件打板的推演方法、装置、设备及存储介质
CN111369183A (zh) * 2018-12-25 2020-07-03 顺丰科技有限公司 推演集装器装箱信息的方法及系统
CN109919424B (zh) * 2019-01-23 2021-11-30 杭州网易再顾科技有限公司 容器确定方法及装置、介质和计算设备
CN111582701B (zh) * 2020-04-30 2021-02-05 南京福佑在线电子商务有限公司 订单处理方法、装置、存储介质及电子设备
CN111812982B (zh) * 2020-07-13 2022-08-26 中国电子科技集团公司信息科学研究院 面向智能制造的云制造资源的动态共享与智能分配方法
CN113822637B (zh) * 2021-11-24 2022-02-08 深圳市冠宏物流有限公司 一种基于互联网的集装箱物流云管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473617A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 多种物资放入多规格货包的三维装载全局优化方法及系统
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
EP3147838A1 (en) * 2015-09-23 2017-03-29 Neopost Technologies Parcel packaging method and device
CN106709680A (zh) * 2016-11-28 2017-05-24 中山大学 基于历史搜索信息的动态物流最佳配送线路的优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039374A1 (en) * 2013-08-02 2015-02-05 International Business Machines Corporation Planning periodic inspection of geo-distributed infrastructure systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473617A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 多种物资放入多规格货包的三维装载全局优化方法及系统
CN104951850A (zh) * 2015-06-25 2015-09-30 广东工业大学 一种求解多配送中心物流运输车辆路径问题的方法
EP3147838A1 (en) * 2015-09-23 2017-03-29 Neopost Technologies Parcel packaging method and device
CN106709680A (zh) * 2016-11-28 2017-05-24 中山大学 基于历史搜索信息的动态物流最佳配送线路的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
改进节约法下的物流配送路径优化问题;邰晓红,李璐;《辽宁工程技术大学学报（自然科学版）》;20160630;第35卷(第6期);第1040-1044页 *
面向物联制造环境的高可靠RFID传感网优化配置方法;李志宇,张映锋;《计算机集成制造系统》;20150430;第21卷(第4期);第667-672页 *

Also Published As

Publication number Publication date
CN107133705A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN107133705B (zh) 面向绿色物流的智能包装服务建模与配送任务动态优化方法
Gevaers et al. Characteristics of innovations in last-mile logistics-using best practices, case studies and making the link with green and sustainable logistics
CN105867322B (zh) 用于材料处理设备中的程序管理的系统和方法
Mousavi et al. A robust approach to multiple vehicle location-routing problems with time windows for optimization of cross-docking under uncertainty
KR20120100601A (ko) 스마트 물류네트워크의 최적화시스템
CN106157081A (zh) 一种基于物联网技术的国际物流电子商务平台应用系统
CN111815231A (zh) 一种物流平台智能拼车方法及系统
Kawa et al. Dynamic configuration of same-day delivery in E-commerce
Xiao et al. Multi-product multi-period inventory routing optimization with time window constrains
KR102524387B1 (ko) 가상 물류 거점과 물리적 물류 거점을 연동한 물류 배송 관리 방법
CN113780941B (zh) 一种多式联运的基于区块链的单证系统
Bohács et al. Intermodal logistics processes supported by electronic freight and warehouse exchanges
CN104091208A (zh) 第四方物流路径优化引擎系统
Pokrovskaya et al. Modeling of a System for Organization of Traffic via a Terminal Network
Alinaghian et al. Enhancement of inventory management approaches in vehicle routing-cross docking problems
CN114936826A (zh) 一种智能物流管理系统
Kumar et al. E-commerce, industry 4.0, & transportation–identifying the potentiality & problems
Li et al. Brief algorithm review on vehicle routing problems with different backhaul constraints
Milovanović et al. The role of Industry 4.0 in digitalization of production and supply chains
CN113408994A (zh) 一种快递物流方法及系统
CN112308280A (zh) 物流调度管理方法、装置、电子设备和存储介质
Osama et al. A Proposed Framework for Enhancing the Transportation Systems Based on Physical Internet and Data Science Techniques
Fanti et al. A decision support system approach for the postal delivery operations
US20230419250A1 (en) Order management system determining fulfillment plans based on item-cluster availability
Chen et al. A Two-way Logistics Vehicle Path Planning Method for Remanufacturing and Recycling

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant