CN107918849B

CN107918849B - 一种电动物流货车的智能调度装置及方法

Info

Publication number: CN107918849B
Application number: CN201710994739.2A
Authority: CN
Inventors: 赵建峰
Original assignee: Shenzhen Polytechnic
Current assignee: Shenzhen Polytechnic
Priority date: 2017-10-23
Filing date: 2017-10-23
Publication date: 2023-08-04
Anticipated expiration: 2037-10-23
Also published as: CN107918849A

Abstract

本发明涉及物流货车调度领域，具体为一种电动物流货车的调度方法，所述方法包括利用车联网采集车辆状态信息，并上传到云计算平台，利用云计算平台采集物流货物运输信息及当前路况信息，在建立调度模型的基础上利用多目标优化算法调度车辆，最终实现电动货车物流货物装配及行驶路径的优化的目标；本发明还涉及一种电动物流货车的调度装置，车联网系统，云计算平台系统，数据监控管理系统，数据挖掘系统；本发明可以降低人工劳动强度，提升调度效率，降低物流企业成本，降低物流企业仓储成本，使得货物和车辆达到最佳匹配并在路网中找出最佳行驶路径。

Description

一种电动物流货车的智能调度装置及方法

技术领域

本发明涉及物流调度装置和方法，尤其涉及一种电动物流货车的智能调度装置和方法。

背景技术

在现有技术中，物流企业在运转过程中，将仓库中存储的各个集散点的货物装载到相应的物流车辆并安排到运输到相应的集散点，称为物流车辆的调度。

当前，物流企业车辆调度主要依赖于人工调度，即：人工根据当前货物的存量和车辆的状况，指定那些货物装配到那些车辆，并运输到那些节点。

人工物流车辆调度方法主要存在以下缺陷：

调度效率低下，调度过程中，只是人工根据货物的仓储状况，车辆状况进行分配，未能考虑货物实际的运输情况及车辆的状况，导致其调度效率低下，不能及时作出装车决策；

物流成本高。货物的大小、重量、目的地和车辆的大小、载重、运输路径等存在一定的相关性，较好的匹配能大幅降低车辆物流运输成本，减少车辆的运输路径及次数等，进而降低物流运输成本。

仓储率高。人工调度由于车辆装配不合理，如不能满载，车辆规划路径过于复杂等，导致同等车辆数量下，运量较小，进而导致仓库的仓储率高企不下，为此，物流企业不得不加大仓库的容量，进而导致增加了物流企业的运营成本。

装卸成本高。不合理的装配，导致车辆装配的装卸次数增加，进而导致装卸成本增加。

不能满足客户运输时限的要求。由于调度的复杂性，人工很难以将所有的运输要求考虑全面，进而做出合理的调度决策，因此，由于计算的复杂性，人工很难满足运输时限的要求，进而出现包裹延误的情况，致使客户满意度下降。

未考虑路况、车况等实际情况。城市路况存在一定规律，如潮汐现象等，根据当前路况，车况合理安排车辆运输，能有效减低物流企业的运营成本，提升运输效率。

中国发明，公开号：CN105303338A，公开了一种基于物联网技术的集装箱物流跟踪全球网络交换服务平台，基于物联网技术、无线网络定位技术构建，采用B/S三层体系结构分布式计算模式，具体包括业务流程与应用层、技术实现与支持层和综合处理与决策支持层；其中，业务流程与应用层包括集装箱物流数据自动采集与应用系统、集装箱信息交换管理系统和客户账户管理应用系统；技术实现与支持层包括数据传输管理系统、GPS跟踪系统和CTS物流监控系统；综合处理与决策支持层包括ECT物流综合处理与分析系统；使各运输公司可根据需要从最近的地方调取所需集装箱，最大限度降低空箱返场的数量及运输距离，为各个公司最大限度降低成本和节能减排提供了有力的支持。

中国发明，公开号：CN104134138A，公开了一种智能物流管理系统，系统包括：1)客户管理模块；2)基础数据管理模块；3)EAI模块；4)配送模块；5)仓储模块。本发明实现一个统一的物流信息数据仓库，加速物流信息的沟通和共享；加强供需平衡，对整个社会的经济秩序产生良好的调节功能。

尽管现有技术中有一些关于物流调度的改进，但现有专利并没有很好地解决现有技术中物流运输中出现的问题，主要表现在：1.未能采用人工智能的算法进行调度求解，核心调度依赖人工安排；2.涉及范围局限于一个或几个物流分发中心，限于物流中心到客户的终端物流研究，缺少对城市间物流中心的调度配送的研究；3.未能充分考虑实际的应用情况，如：假设到顾客的道路运输时间是固定的，顾客的服务时间也是随时可以得到的等，这与实际路况及货物派送的实际情况相背离；4.未能充分考虑大规模电动车应用于物流企业时，新技术特别是车联网和云计算平台对物流企业技术变革的影响；5.车辆装配和车辆路径寻找分开研究，未能一体规划。

发明内容

针对现有技术中存在的缺陷或不足，本发明所要解决的技术问题是：利用车联网采集车辆状态并上传到云计算平台，利用云计算平台采集物流货物运输信息及当前路况信息，在建立调度评价模型的基础上利用人工智能算法中的多目标优化调度算法，对电动货车进行货物装配并进行路径规划。

为了实现上述目的，本发明采取的技术方案为提供一种电动物流货车的智能调度系统，包括车联网系统，云计算平台系统，数据监控管理系统，和数据挖掘系统。

优选地，车联网系统包括传感器系统和数据传输系统。

优选地，传感器系统包括电动货车上的光电编码器、磁罗盘、加速度传感器、陀螺仪、倾角传感器、位姿传感器，胎压传感器等。

优选地，数据传输系统包括车辆位置，车辆剩余载重，车辆剩余体积，车辆剩余续航里程，车辆的行驶速度，车辆行驶距离，车辆行驶方向，车辆车胎气压、车辆车胎温度等数据传输系统。

优选地，云计算平台系统包括，网络设备，存储设备，服务器，应用软件，公用访问接口，接入网和客户端程序等多个系统。

该系统接受车联网层传送来的数据，并收集物流企业仓储货物的信息。具体为仓储中心，采用标有RFID芯片的托盘装载货物，并通过RFID技术，收集货物的ID、重量、体积、时限、位置等信息。

各个部分以存储设备为核心，通过应用软件来对外提供数据存储和业务访问的服务。通常基于云存储服务的层次不同，可以将云服务分为，IaaS、PaaS和SaaS三层。与传统的数据存储方式相比较，云存储在处理大规模数据，数据迁移，数据安全，运营成本等方面都有较大的优势。

优选地，数据监控管理系统包括用户监控系统，用户提示系统，以及管理系统，用户可以实时看到车辆的运行状态、了解车辆的运行路径、对一些常见的危险，如：轮胎温度较高、车胎气压不足等进行远程监控，提高安全性。同时，本层能够依赖车联网和云计算平台系统所收集的数据，对物流车辆进行调度。

优选地，数据挖掘系统具体地实现如下功能，为决策者提供数据支撑。本发明通过R-programming工具的分析，能将数据转换为信息，为决策者改善经营提供支撑。如：通过对车辆加速、转弯、急刹车、油耗等综合分析，可以判定司机的驾驶行为，从而为公司对司机驾驶行为的评价、司机安全管理等方面提供决策依据。

进一步地，本发明还提供一种电动物流货车的智能调度方法，

设G(ID,Wei,Des,Time)表示货物，其中，ID表示货物的ID，用ij表示，i表示货物仓储的ID，j表示货物发往目的地仓储ID，Wei表示货物的重量，Des表示货物的目的地，Time表示货物剩余的到达时间；

设在图中有一个配送中心W(ID,Cap,G,CL)，其中，ID表示配送中心的ID，用自然数1表示，Cap表示仓库的容积，单位吨，CL表示充电桩个数；n个集散中心W₂,W₃,…W_n，其中W_i具有属性W_i(ID,Cap,G,CP)，其中，ID用自然数2，3，…，n表示。

设物流公司总共有m辆电动物流车辆V_i(ID,TL,RL,ML,Sta,Loc,Path)，其中，i＝1,2,…,m，表示车辆的数量，ID表示车辆的ID，用自然数1,2,…,c表示，TL表示总载重，RL表示剩余载重，ML表示车辆的续航里程，Sta表示车辆状态，Loc表示车辆当前位置，Path表示车辆的调度形式路径。根据物流企业的实际情况，车辆的状态及相关状态转换图可以通过图3表示。

设l_ij表示从仓储i到达仓储j的路网代价，L＝{l_ij|i,j∈W(ID)}表示路网。

因此，本发明的智能调度方法总框架如方法1所示，方法中G₁的目的地是各个集散点W_i，由于集散点不具有分拣功能，因此，W_i的货物G_i的目的地为分拣中心W₁。车辆状态V_i(sta)依赖下列规则进行转换：

规则1如果车辆当前状态为充电状态且车辆当前续航里程已经超过经过所有节点Wi的最长路径的续航，则车辆进入等待状态；

规则2如果车辆在等待状态且车辆当前续航里程已经超过经过所有节点W_i的最长路径的续航，如果当前有货物需要运输则进入运输状态，否则，如果需要补充电量，则进入充电状态，否则保持当前状态；

规则3如果车辆在运输状态，如果车辆GPS定位显示其已经到达运输路线的终点，且当前有充电空余位置，则进入充电状态，否则进入等待状态；

一种基于车联网系统及云计算平台系统的物流车辆调度方法为包括如下步骤：

1、程序初始化，根据物流企业实际情况生成W，V，L；

2、依据云计算平台系统及车联网系统获取货物状态Gi，I＝1,2,…,n；

3、依据车联网信息生成车辆状态V(sta)；

4、依据云计算平台实时生成路网状态L；

5、计算路网中最远的两个节点的运输时间tran_time；

6、查找W1中货物剩余到达时间小于2*tran_time的货物并进行装车；

7、查找Wi中所有货物剩余到达时间小于tran_time的货物Gi，安排车辆满载到达Wi的货物，直至车辆总运载量>Gi；

8、更新W，V，L

9、如果有车辆处于等待状态且仓储有货物，则依据“基于车联网及云计算平台系统的智能调度算法”进行车辆调度，

10、转到步骤2；

基于车联网及云计算平台系统的智能调度算法，采用经典的NSGAII方法表示如下：

2)Begin

初始化种群chromosome；

sort(chromosome)；//使用快速支配排序算法对chromosome进行排序

for i＝1:gen

for each chromosome

按照公式16计算Sh_i

计算F(Sh_i)；

end

parent_chromosome＝choose(chromosome)；//基于非支配和拥挤度原则进行选择；

offspring_chromosome＝crossover(parent_chromosome)；//基于“与/或”交叉算法进行交叉；

offspring_chromosome＝mutate(parent_chromosome)；//变异

sort(parent_chromosome+offspring_chromosome)；//使用快速支配排序算法对parent_chromosome+offspring_chromosom进行排序

chromosome＝choose(parent_chromosome+offspring_chromosome)；//基于非支配和拥挤度原则进行选择

end

方法目标，给定一个车辆装配及车辆行驶路径，使得整个物流具有最小的物流成本，最快的物流运输速度，同时保证货物在限定时间内到达目的地。因此，用形式化的语言可以描述为：

get:

S(Sh₁,Sh₂,...Sh_k) (1)

其中，k≤m,Sh_i为车辆的调度状态

Sh_i(ID,LD,lc,path) (2)

其中，ID表示车辆的ID，LD表示车辆货物装配的负载(ld₁,ld₂,...,ld_n),ld_i表示车辆将装配目的地为J_i的负载，lc表示车辆当前的位置，path表示车辆的运行路径(pt₁,pt₂,...,pt_n)，pt_i为路径节点

s.t

minF(x)＝[tr(S),lu(S),cc(S),cb(S),lt(S)]^T (3)

其中，tr(S)，表示在调度S下，平均道路运输成本，

其中，Price(Sh_i)表示在给定车辆Sh_i和L_c的情况下，使用最短路径法所求得的车辆将所有货物运输到目的地后的代价，tv表示在调度Sh_i下车辆的总运量；

lu(S)，表示在调度S下，平均车辆的装卸成本，

其中，k表示装配的次数，lp表示车辆装配一次的成本，ul(Sh_i)表示在调度Sh_i下的卸载次数，lu表示车辆卸载一次的成本；

cc(S)，表示在调度S下，仓库的仓储成本，

其中，cp表示每吨货物的仓储成本；

cb(S)，表示在调度S下，仓库的仓储均衡度，

cb(S)＝D(CP(W(VC))) (7)

D()表示方差，CP()表示仓储率；

lt，表示在调度S下，货物的物流时间，

其中，表示在调度Sh_i下，车上所载货物剩余的到达时间，Load(Sh_i)表示在调度Sh_i下，车上所载货物的总总量。

同时，满足约束

方法的编码

方法采用二进制编码，其长度为k*n，其中，k为等待调度车辆的数量，因此：

p_i＝{x₁₁,x₁₂,…,x_1n,

x₂₁,x₂₂,…,x_2n,

…

x_k1,x_k2,…,x_kn}

当j<n，x_ij＝1时表示向车辆i装载到达集散点j的货物，当x_ij＝0时，则不装，x_in表示是否将空车发往仓储量最大的仓库。因此，问题的解空间为

Φ＝{p_i} (11)

方法的种群空间为

P＝{p_i,i＝1,2,...,pop_num} (12)

其中，pop_num表示种群的数量。

若x_ij＝0，j≤n-1,且x_in＝1，则

Sh_i(LD)＝0 (13)

Sh_i(path)＝max_warehouse_id (14)

其中，max_warehouse_id表示剩余仓储量最大的仓库。

否则，设

则：

Sh_i(path)则为在给定的货物分配下，经过将货物运输到目的地的所有节点时，在给定的L下，经过最短路径方法求解的最小运输代价的运输路径。本文采用最短路径遍历的方法，求解问题的近似解，在本文的研究范围内，通常也是问题的最优解。

还涉及一种基于最短路径的电动物流货车的调度方法包括如下步骤：

方法的主要步骤采用NSGAII方法具体表示为：

1)Begin

给定的路网L及经过的节点集V；

使用Floyd算法求解路网中任意两点间的最短路径；

Set Path＝Φ；

start_point＝车辆起始点；

while V！＝Φ

查询start_point到V中所有节点间的距离；

找出最小的距离节点v_i

put v_i to Path

remove v_i from V

end

return path

End

附图说明

附图1：本发明的总体构思示意图。

附图2：物流节点抽象图。

附图3：车辆状态转换图。

具体实施方式

说明书附图中数字标记为：

1、车联网系统，2、云平台计算系统，3、数据监控管理系统，4、数据挖掘系统，5、配送中心，6、集散中心，7、充电，8、等待，9、运输。

1、程序初始化，根据物流企业实际情况生成W，V，L；

3、依据车联网信息生成车辆状态V(sta)；

4、依据云计算平台实时生成路网状态L；

5、计算路网中最远的两个节点的运输时间tran_time；

8、更新W，V，L

10、转到步骤2；

2)Begin

初始化种群chromosome；

sort(chromosome)；//使用快速支配排序算法对chromosome进行排序

for i＝1:gen

for each chromosome

按照公式16计算Sh_i

计算F(Sh_i)；

end

offspring_chromosome＝mutate(parent_chromosome)；//变异

end

get:

S(Sh₁,Sh₂,...Sh_k) (1)

其中，k≤m,Sh_i为车辆的调度状态

Sh_i(ID,LD,lc,path) (2)

s.t

minF(x)＝[tr(S),lu(S),cc(S),cb(S),lt(S)]^T (3)

其中，tr(S)，表示在调度S下，平均道路运输成本，

lu(S)，表示在调度S下，平均车辆的装卸成本，

cc(S)，表示在调度S下，仓库的仓储成本，

其中，cp表示每吨货物的仓储成本；

cb(S)，表示在调度S下，仓库的仓储均衡度，

cb(S)＝D(CP(W(VC))) (7)

D()表示方差，CP()表示仓储率；

lt，表示在调度S下，货物的物流时间，

同时，满足约束

方法的编码

p_i＝{x₁₁,x₁₂,…,x_1n,

x₂₁,x₂₂,…,x_2n,

…

x_k1,x_k2,…,x_kn}

Φ＝{p_i} (11)

方法的种群空间为

P＝{p_i,i＝1,2,...,pop_num} (12)

其中，pop_num表示种群的数量。

若x_ij＝0，j≤n-1,且x_in＝1，则

Sh_i(LD)＝0 (13)

Sh_i(path)＝max_warehouse_id (14)

其中，max_warehouse_id表示剩余仓储量最大的仓库。

否则，设

则：

方法的主要步骤采用NSGAII方法具体表示为：

1)Begin

给定的路网L及经过的节点集V；

使用Floyd算法求解路网中任意两点间的最短路径；

Set Path＝Φ；

start_point＝车辆起始点；

while V！＝Φ

查询start_point到V中所有节点间的距离；

找出最小的距离节点v_i

put v_i to Path

remove v_i from V

end

return path

End

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims

1.一种电动物流货车智能调度系统的调度方法，所述电动物流货车智能调度系统，包括车联网系统，云计算平台系统，数据监控管理系统，数据挖掘系统，所述车联网系统包括，电动物流货车，搭载于电动货车的编码器，传感器，芯片；所述云计算平台系统包括网络设备、存储设备、服务器、应用软件、访问接口、接入网、客户端程序；所述数据监控管理系统包括，用户监控、提示和管理装置和软件；所述数据挖掘系统包括数据总结系统，数据分析系统，数据展示装置，所述传感器为位置传感器、磁罗盘、加速度传感器、陀螺仪、倾角传感器、位姿传感器，胎压传感器一个或多个组合，所述云计算平台系统采用RFID芯片收集货物ID、重量、体积、时限、位置、优先度的一个或多个，所述方法包括如下步骤：

1)初始化系统状态，根据物流企业的实际状况生成W，V，L；

其中W为配送中心状态，V为电动物流车辆状态，L为仓储之间交换物品的路网代价；

2)依据云计算及车联网平台系统获取货物状态Gi，i＝1，2，…，n；

3)依据车联网信息生成车辆状态V(sta)；

4)依据云计算平台实时生成路网状态L；

5)计算路网中最远的两个节点的运输时间tran_time；

6)查找W1中货物剩余到达时间小于2倍tran_time的货物并进行装车；

7)查找Wi中所有货物剩余到达时间小于tran_time的货物Gi，安排车辆满载到达Wi的货物，直至车辆总运载量>Gi；

8)更新W，V，L；

9)如果有车辆处于等待状态且仓储有货物，则根据仓储情况进行车辆调度；

10)则转到步骤2)重新计算，进行匹配；

所述方法还包括：获取车辆装配及行驶路径的评价方法采取如下措施：设定一次调度的调度状态，含车辆货物装配及行驶状态，把调度形式化地表达为符号S；

S(Sh₁，Sh₂，...Sh_k)

其中，k≤m，Sh_i为车辆的调度状态

Sh_i(ID，LD，lc，path)

其中，ID表示车辆的ID，LD表示车辆货物装配的负载(ld₁，ld₂，...，ld_n)，ld_i表示车辆将装配目的地为J_i的负载，lc表示车辆当前的位置，path表示车辆的运行路径(pt₁，pt₂，...，pt_n)，pt_i为路径节点，在调度S下，使得物流企业运输成本，装卸次数，平均仓储成本，仓储率均衡度，货物物流时间最小，形式化表达为：

minF(x)＝[tr(S)，lu(S)，cc(S)，cb(S)，lt(S)]^T

其中，tr(S)，表示在调度S下，平均道路运输成本，

其中，Price(Sh_i)表示在给定车辆Sh_i和lc的情况下，使用最短路径法所求得的车辆将所有货物运输到目的地后的代价，tv表示在调度Sh_i下车辆的总运量；

lu(S)，表示在调度S下，平均车辆的装卸成本，

cc(S)，表示在调度S下，仓库的仓储成本，

其中，cp表示每吨货物的仓储成本；

cb(S)，表示在调度S下，仓库的仓储均衡度，

cb(S)＝D(CP(W_i(VC)))

D()表示方差，CP()表示仓储率；

lt(S)，表示在调度S下，货物的物流时间，

其中，Time(Sh_i)表示在调度Sh_i下，车上所载货物剩余的到达时间，Load(Sh_i)表示在调度Sh_i下，车上所载货物的总重量；同时满足如下条件：

在上述调度目标下，采用基于多目标优化算法进行求解，以获得最佳调度方案S，其主要的编码方法及解映射方法如下所示：

采用二进制编码，其长度为k*n，其中，k为等待调度车辆的数量，因此：

p_i＝{x₁₁，x₁₂，…，x_1n，

x₂₁，x₂₂，…，x_2n，

…

x_k1，x_k2，…，x_kn}

当j＜n，x_ij＝1时表示向车辆i装载到达集散点j的货物，当x_ij＝0时，则不装，x_in表示是否将空车发往仓储量最大的仓库，问题的解空间为：

Φ＝{p_i}

方法的种群空间为

P＝{p_i，i＝1，2，...，pop_num}

其中，pop_num表示种群的数量，

若x_ij＝0，j≤n-1，且x_in＝1，则

Sh_i(LD)＝0

Sh_i(path)＝max_warehouse_id

其中，max_warehouse_id表示剩余仓储量最大的仓库，

否则，设

则：

Sh_i(path)则为在给定的货物分配下，经过将货物运输到目的地的所有节点时，在给定的L下，经过最短路径方法求解的最小运输代价的运输路径。

2.根据权利要求1所述的调度方法，其特征在于：所述配送中心状态包括：配送中心ID、仓库容积、货物性质、充电桩数量的一种或多种。

3.根据权利要求1所述的调度方法，其特征在于：所述车辆状态包括：车辆ID、总载重、剩余载重、续航里程、车辆状态、车辆当前位置、车辆的调度行驶路径的一种或多种。

4.根据权利要求1所述的调度方法，其特征在于：所述车辆状态V(sta)包括充电、等待、运输，按照如下规则转换：

如果车辆当前状态为充电状态且车辆当前续航里程已经超过经过所有节点W_i的最长路径的续航，则车辆进入等待状态；

如果车辆在等待状态且车辆当前续航里程已经超过经过所有节点W_i的最长路径的续航，如果当前有货物需要运输则进入运输状态，否则，如果需要补充电量，则进入充电状态，否则保持当前状态；

如果车辆在运输状态，如果车辆GPS定位显示其已经到达运输路线的终点，且当前有充电空余位置，则进入充电状态，否则进入等待状态。

5.根据权利要求1所述的电动物流货车智能调度系统的调度方法，其特征在于，确定最短路径的方法为：

1)确定路网L及经过的节点集V；

2)采用Floyd算法求解路网中任意两点间的最短路径；

3)确定车辆的起始点，确定距离车辆起始点最近的节点集中的点，并设定该路径为车辆的行驶路径p1，清除节点v_i；

4)确定第一个最近的节点之后，查找距离第一个节点最近的下一个节点，并确定该路径为车辆行驶的路径p2，清除节点v_i+1；

5)重复步骤4)-5)，直到没有剩余节点v；

6)综合p1-pn，确定最短路径path-min。