CN107977739A - 物流配送路径的优化方法、装置及设备 - Google Patents

Abstract

本申请公开了一种物流配送路径的优化方法、装置及设备，涉及物流分配技术领域，考虑了配送中心和配送点的时间窗因素，可以得到更加符合实际物流需求的车辆调度信息。其中方法包括：获取待配送用户的用户信息；根据所述用户信息，确定所述待配送用户对应的收货时间、收货地点以及货物需求量；根据所述收货地点，计算待配送用户之间的运输距离和运输时间；依据所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。本申请适用于物流配送路径的优化。

Description

物流配送路径的优化方法、装置及设备

技术领域

本申请涉及物流分配技术领域，尤其是涉及到一种物流配送路径的优化方法、装置及设备。

背景技术

物流配送是物流活动中一种非单一的业务形式，它与商流、物流、资金流紧密结合，并且主要包括了商流活动、物流活动和资金流活动，可以说它是包括了物流活动中大多数必要因素的一种业务形式。随着电子商务的飞速发展，物流配送面临着巨大的挑战和新的机遇，客户对于物流配送的时效性要求越来越高。

为了实现合理安排物流配送路径，目前，现有技术是可以根据禁忌搜索算法和模拟退火算法计算出物流配送路径，其中，禁忌搜索算法是组合优化算法的一种，是局部搜索算法的扩展。禁忌搜索算法用一个禁忌表记录下已经到达过的局部最优点，在下一次搜索中，利用禁忌表中的信息不再搜索这些点或有选择地搜索这些点。模拟退火算法是在下一次搜索过程中，不再选择这些点，从而跳出局部最优解，尽可能找到全局最优解。

然而，现有的算法中没有将配送点的收货时间、配送点之间的运输时间等时间因素考虑在范围内，而往往配送点对收货时间是有要求的，因此现有算法不符合实际物流需求。

针对相关技术中得不到符合实际物流需求的物流配送路径的问题，现有技术还未提出有效的解决方案。

发明内容

有鉴于此，本申请提供了一种物流配送路径的优化方法、装置及设备，主要目的在于解决目前现有的算法没有将配送点的收货时间、配送点之间的运输时间等时间因素考虑在范围内，而往往配送点对收货时间是有要求的，因此现有算法不符合实际物流需求的问题。

根据本申请的一个方面，提供了一种物流配送路径的优化方法，该方法包括：

获取待配送用户的用户信息；

根据所述用户信息，确定所述待配送用户对应的收货时间、收货地点以及货物需求量；

根据所述收货地点，计算待配送用户之间的运输距离和运输时间；

依据所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。

根据本申请的另一方面，提供了一种物流配送路径的优化装置，该装置包括：

获取单元，用于获取待配送用户的用户信息；

确定单元，用于根据所述获取单元获取到的用户信息，确定所述待配送用户对应的收货时间、收货地点以及货物需求量；

计算单元，用于根据所述确定单元确定的收货地点，计算待配送用户之间的运输距离和运输时间；

依据所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述物流配送路径的优化方法。

依据本申请再一个方面，提供了一种物流配送路径的优化设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述物流配送路径的优化方法。

借由上述技术方案，本申请提供的一种物流配送路径的优化方法、装置及设备，与目前根据禁忌搜索算法和模拟退火算法计算出物流配送路径的方式相比，本申请根据待配送用户的用户信息，确定待配送用户对应的收货时间、收货地点以及货物需求量，并根据收货地点，计算待配送用户之间的运输距离和运输时间，最后参照待配送用户之间的运输时间以及待配送用户的收货时间等时间因素，并结合待配送用户之间的运输距离、待配送用户的货物需求量以及每辆货车的预定货车载货量等，综合计算得到包含物流配送路径的车辆调度信息，考虑了待配送用户之间的运输时间以及待配送用户的收货时间等时间因素，满足待配送用户的配送时间要求，可以得到符合实际物流需求的物流配送路径。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种物流配送路径的优化方法的流程示意图；

图2示出了本申请实施例提供的一种线路实例示意图；

图3示出了本申请实施例提供的利用遗传算法的整体流程示意图；

图4示出了本申请实施例提供的各个配送线路的实例示意图；

图5示出了本申请实施例提供的一种车辆调度算法的整体流程示意图；

图6示出了本申请实施例提供的一种物流配送路径的优化装置的结构示意图；

图7示出了本申请实施例提供的另一种物流配送路径的优化装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。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组合。

在本实施例中提供了一种物流配送路径的优化方法，考虑了待配送用户的收货时间、待配送用户之间的运输时间等时间因素，可以得到符合实际物流需求的物流配送路径，如图1所示，该方法包括：

101、获取待配送用户的用户信息。

其中，待配送用户可以包括需要配送货物的人、分仓库、零售商等；用户信息中可以包含待配送用户的收货时间、收货地点、用户名称、用户联系方式、需求货物的数量、需求货物的次数及需求货物的满足程度等信息。

对于本实施例的执行主体可以为物流配送路径的计算装置，可以得到更加合理的车辆调度信息，利用该车辆调度信息中的物流配送路径进行物流配送，可以考虑到配送点的收货时间、配送点之间的运输时间等时间因素，更符合实际物流需求。在该装置接收到计算车辆调度信息的指令时，可以执行步骤101至104所示的步骤。

102、根据获取到的用户信息，确定待配送用户对应的收货时间、收货地点以及货物需求量。

在本实施例中，可以从待配送用户的用户信息中确定得到待配送用户对应的收货时间、收货地点以及货物需求量。例如，待配送用户A的收货时间为星期一早上8点，收货地点为小区1，货物需求量为需要包裹a和包裹b；待配送用户B的收货时间为星期一中午12点，收货地点为小区2，货物需求量为需要包裹c、包裹d和包裹e。

103、根据待配送用户对应的收货地点，计算待配送用户之间的运输距离和运输时间。

例如，得到待配送用户a、待配送用户b分别对应的收货地点之后，根据收货地点的经纬度信息，以及两个用户所在城市A的城市街道信息，参照这个城市的地图，计算出用户a与用户b之间的运输距离，并结合货车正常的行驶速度，计算出相应的运输时间。

104、依据计算得到的运输距离和运输时间，并结合待配送用户的收货时间、货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。

其中，预设车辆调度算法可以根据实际需求预先配置，以满足待配送用户的收货时间需求以及货物需求量的需求，并且最大程度节省物流配送成本。车辆调用信息中包含使用的货车数量，每辆货车的物流配送路径、出发时间、货车所装的货物量、到达每个待配送用户收货地点的时间等。

对于本实施例，利用计算得到的车辆调度信息进行物流配送时，可以保证每个待配送用户的货物需求得到满足，并且每个待配送用户的时间需求也得到满足，并且用合适数量的货车进行配送，配送路径合理，最大程度节省物流配送成本。

需要说明的是，对于本实施例提供的方法除了应用在物流配送场景以外，还可以应用在取货的场景，相应的，在此场景下待配送用户变成取货点，根据取货点信息，可以确定取货点对应的取货时间、取货地点、以及货物供应量；然后根据取货点对应的取货地点，计算取货点之间的运输距离和运输时间；最后依据计算得到的运输距离和运输时间，并结合取货点的取货时间、货物供应量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息，实现满足取货点的取货时间需求以及货物供应量需求，并且使用合适数量的货车进行取货，取货路径合理，最大程度节省物流成本。

本实施例提供的方法还可以应用在取货与配送相结合的场景，这里可以简单理解为取货点与卸货点相结合的场景，最终按照得到的车辆调度信息进行物流配送和取货，保证了每个取货点和卸货点的时间需求以及货物需求，并且使用合适数量的货车进行取货和物流配送，物流路径合理，最大程度节省物流成本。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了说明步骤104的具体实施过程，在本申请的一个可选实施例中，步骤104具体可以包括：获取配送中心的位置信息；依据配送中心的位置信息、待配送用户之间的运输距离和运输时间，并结合待配送用户的收货时间、货物需求量以及每辆货车的预定货车载货量，利用预设节约算法，计算得到每辆货车的配送线路；将计算得到的配送线路按照任意顺序排列，生成包含不同个体的初始种群；基于生成的初始种群，利用预设遗传算法，计算得到包含物流配送路径的车辆调度信息。

其中，预设节约算法可以由技术人员根据节约算法预先编写配置，该算法的思想是：根据配送点之间连接可以节省的距离(节约值)最大的原则，将不在线路上的配送点依次插入到路线中，直到所有的点都被安排进路线为止。预设遗传算法可以由技术人员根据遗传算法(Genetic Algorithm)预先编写配置，遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。配送中心是指进行集货、分货、配货、配装、送货作业的地点，配送中心的位置可以是确定的，其供应的货物可能有一种，也可能有多种，其供应的货物数量能够满足用户的需求。

目前现有的算法中通常没有考虑到配送中心的问题，会导致计算得到的车辆调度信息不够准确，为了解决该问题，在本可选实施例中，加入了配送中心的位置信息进行综合计算，得到更加准确更加合理的车辆调度信息。具体可以采用节约算法+遗传算法(贪婪算法+启发算法)的方式来进行物流配送路径优化选择，计算出适合的车辆调度信息。考虑到迭代求解过程中花费的时间比较长，在本可选实施例中，可以利用节约算法为遗传算法提供较优的初始种群，减少其迭代次数，缩短了迭代求解时间，提高了计算车辆调度信息的效率。

具体的，依据配送中心的位置信息、待配送用户之间的运输距离和运输时间，并结合待配送用户的收货时间、货物需求量以及每辆货车的预定货车载货量，利用预设节约算法，计算得到每辆货车的配送线路的步骤，具体可以包括：按照预设约束条件和预设配送线路分割规则，基于节约运输成本原则，计算得到需要使用的货车数量，以及相应每辆货车的配送线路，使得每条配送线路上配送点的需求量之和小于等于所述预定货车载货量，且每个配送点的需求得到满足，并且只能有一辆货车配送，且配送中心只有一个，每条配送线路的起始点都是配送中心，每条配送线路从配送中心出发最后必须回到配送中心，且每个配送点的配送时间要求得到满足。

其中，预设约束条件包括货车到达取货点的时间与相应装货时间之和符合该取货点的预定取货时间窗约束，且货车到达卸货点的时间与相应卸货时间之和符合该卸货点的预定卸货时间窗约束；预设配送线路分割规则包括若货车到达取货点的时间不在取货点的预定取货时间窗内，则货车提前至休息时间之前到达该取货点，同时确保货车出发时间不在上一个送货或取货时间范围内；若货车到达卸货点的时间不在该卸货点的预定卸货时间窗内，则货车提前至休息时间之前到达该卸货点，同时确保货车出发时间不在上一个送货或取货时间范围内。本实施例中时间窗是一个时间段，是由用户要求的最早服务时间和最晚服务时间确定的一个服务时间区间。

目前现有的算法中没有将时间窗、工作时间、高峰时段等时间因素考虑在范围内，而现实中配送点一般是有时间窗、高峰时段、工作时间限制的，为了解决该技术问题，在本实施例中添加了对取货点的软时间窗约束和卸货点的软时间窗约束，以保证配送点可以在规定时间范围内收到货物，以及配送中心可以在规定时间范围内对货车进行装货。本实施例在时间窗的方面有更适合实际的应用，例如，每个订单中货车到达一个配送点的到达时间，并且这个时间是有一个浮动范围约束的，即可以在这个时间点的前后浮动一小段时间可以自由设计。

例如，如图2所示，存在O、i、j三个点，对于线路O-i之间运输是否包含j点的场景，线路O-i不包含j点的必须条件是货车满载，线路O-i包含j点的必须条件是车辆数大于预留车辆数，即从点O到i点取货，如果根据i点的货物供应量已经使得货车满载，则不能再额外去j点取货，在此条件下，如果车辆数足够，可以增加额外车辆去j点取货；除此之外还需要考虑距离成本因素，如判断利用货车1从点O到点A，再从点A到点B，再从点B到点O的运输成本高一些，还是利用货车1从点O到点A再到点O，以及利用货车2从点O到点B再到点O的运输成本高一些，即公式：S(OA+AB+BO)+C>？S(OA)+S(AO)+S(OB)+S(BO)+2C，其中S代表运输距离产生的成本，C代表货车成本，这里取节约运输成本的方式；另外还需要考虑时间因素，从货车到达取货点或卸货点的时间点反推，如果货车到达取货点的时间不在取货点的服务时间窗内，则货车提前至休息时间之前到达该取货点，同时确保货车出发时间不在上一个送货或取货时间范围内；若货车到达卸货点的时间不在该卸货点的服务时间窗内，则货车提前至休息时间之前到达该卸货点，同时确保货车出发时间不在上一个送货或取货时间范围内。基于上述这些原则，进行计算得到需要使用的货车数量，以及每辆货车的配送线路，并将该配送线路按照任意顺序排列，生成下一步遗传算法的初始种群。

在得到初始种群之后，上述基于生成的初始种群，利用预设遗传算法，计算得到包含物流配送路径的车辆调度信息，具体可以包括：根据预设个体选择规则，从初始种群中选择符合要求的个体；再将符合要求的个体根据类PMX方法进行交叉操作，得到新的子体作为变异操作的父体；然后将得到的父体依据预置变异概率进行变异操作，得到新的个体；依据新的个体重新进行个体选择操作、交叉操作和变异操作，直至符合迭代终止条件；参照迭代最终计算结果中的配送线路，确定车辆调度信息。

其中，迭代终止条件可以根据实际需求设置，例如，达到了预先设定的目标；种群中的最优个体在连续若干代中都没有再获得改进；达到了预先设定的进化代数等。在本实施例中，具体利用遗传算法的整体流程可以如图3所示，首先确定初始种群，再进行适应度函数的设计，然后再进行个体选择、交叉操作和基因变异操作，通过这种遗传算法可以迭代求出符合物流需求的最优解，进而可以确定得到车辆调度信息。

为了说明利用遗传算法求解的过程，上述根据预设个体选择规则，从初始种群中选择符合要求的个体，具体包括：利用预设适应度函数，计算初始种群中每个个体对应的配送距离加车辆成本的综合损耗，作为每个个体的适应度值；通过将单个个体的适应度值除以初始种群中各个个体的适应度值总和，得到单个个体被选择的概率值；将概率值大于预定阈值的个体，确定为初始种群中符合要求的个体。

在本实施例中，将所有节约算法中生成的线路按照任意顺序排列，每个排列方式则生成一个个体，大量个体形成初始种群。例如，如图4所示，其中O点代表卸货点(配送中心)，其余各点代表装货点，这里存在线路1：A1-B1-C1-D1-E1，线路2：A2-B2-C2-D2、线路3：A3-B3-C3-D3-E3；线路4：A4-B4-C4-D4-E4，每条线路使用一辆货车运输。4条线路按照任意顺序排列，得到多个个体，以如下两个个体为例：

个体1：

A1-B1-C1-D1-E1-A2-B2-C2-D2-A3-B3-C3-D3-E3-A4-B4-C4-D4-E4；

个体2：

A1-B1-C1-D1-E1-A3-B3-C3-D3-E3-A2-B2-C2-D2-A4-B4-C4-D4-E4。

然后进行适应度函数的计算，如考虑个体1中距离+车辆损耗，得到相应的适应度值为S(A1B1C1D1E1)+S(A2B2C2D2)+S(A3B3C3D3E3)+S(A4B4C4D4E4)+4C，其中S代表运输距离产生的成本，C为车辆成本。然后设初始种群包含的个体数量为N，个体i的适应度值为fi，则个体i被选择的概率为Psi，利用如下公式得到单个个体被选择的概率值。

该概率值Psi反映了个体的适应度在整个群体的个体适应度总和中所占的比例，个体适应度越大，其被选择的概率就越高，反之亦然。最后将概率值大于预定阈值的个体确定为初始种群中符合要求的个体。

在得到初始种群中符合要求的个体之后，接下来进行交叉操作，具体可以采用类PMX(Partially Matched Exchange)方法。例如，选择初始种群中符合要求的个体A，B，交叉位置为“|”，A＝1 2|4 5 7 6|3 8 9，B＝2 1|5 4 3 7|8 6 9；

其中数字1至9表示子体，先把A中的4 5 6 7顺序赋给子体A1的前4个位置，然后B用中的元素逐个与4 5 6 7相比，若相同则置之不用；若不同，就将其顺序放在子体A1的后续位置，从而得到子体A1为4 5 7 6 2 1 3 8 9，同样方法可以得到子体B1为5 4 3 7 1 26 8 9。依类PMX方法，产生两个新的子体作为下一步进行变异操作的父体。

根据上述方案，将得到的需要进行变异操作的父体依据预置变异概率进行变异操作得到新的个体，具体可以包括：采用随机多次对换方式，依据预置变异概率，确定该父体是否需要进行变异操作；若确定需要进行变异操作，则对该父体进行变异操作。

物种变异的可能性较小，所以在遗传算法中变异操作只起辅助作用。对每代种群以变异概率Pm进行染色体变异。在此，对自然数编码的父体采用交换两点基因值的变异策略。即采用随机多次对换方式，依据一定的变异概率Pm用来决定上一步骤产生的两个父体是否进行变异操作。例如，有一个父体C为1 2 5 4 7 3 6 9 8，随机产生两个指定的交换位置第3，第7，则第3个元素5和第7个元素6进行对换，得到新的个体1 2 6 4 7 3 5 9 8。

然后依据新的个体重新进行个体选择操作、交叉操作和变异操作，直至符合迭代终止条件，最后参照迭代最终计算结果中的配送线路，确定车辆调度信息。

目前利用现有的算法在路径制定中未考虑到路况信息，然而路况信息在路径优化中有着非常重要的影响，进一步的，为了实现结合路线信息得到更加符合物流实际需求的车辆调度信息，在本申请的一个可选实施例中，上述参照迭代最终计算结果中的配送线路，确定车辆调度信息，具体可以包括：参照迭代最终计算结果中的配送线路，并结合配送线路的路况信息，确定相应的车辆调度信息。例如，如果配送线路1中部分子线路在时间段a内的路况较差，如比较拥堵或发生交通事故、道路施工等情况，在最大节约运输成本，以及保证送货或取货时间需求的情况下，可以将该部分子线路进行调整，调整到路况较好的线路上。

针对路况问题，本实施例将路径规划中的在考虑距离方面更加注重配送到点的时间，根据路况信息做出策略调整，对得到的物流配送路线做出进一步优化。

为了进一步说明本实施例的实施过程，给出如下应用场景，但不限于：

例如，从配送中心用多辆汽车向多个需求点送货，每个需求点的位置、需求量和时间约束一定，每辆汽车的载重量一定，要求合理安排汽车行驶路线，使总运输成本最小，并满足以下条件：

(1)每条配送路径上配送点的需求量之和不超过汽车载重量；

(2)每个配送点的需求得到满足，并且只能有一辆汽车送货；

(3)配送中心只有一个，每条线路的起始点都是配送中心，每条线路从配送中心出发最后必须回到配送中心；

(4)每个配送点的配送时间要求得到满足。

针对上述场景，为了满足用户需求并降低运送成本，结合节约算法和遗传算法来进行路径优化选择，得到数学模型如下：

如对于3个取货点，其约束条件为

其中，Ti表示车辆到达取货点i的时间，Tsi代表在i的装车时间；To表示车辆到达卸货点的时间，Tso代表卸货时间，to为其规定时间，ε为浮动时间可以由用户根据实际需求设置。

目标函数为：

其中Cij表示车辆访问弧(i,j)产生的配送成本，和i和j之间的运输距离正相关；Xijk决策变量，当Xijk＝1时表示车辆k访问弧(i,j)，否则Xijk＝0；C表示每派出一辆车的成本。

基于上述约束条件和目标函数，采用节约算法+遗传算法的方式，计算相应的车辆调度信息，具体实施过程可以参照图5所示，最后依据配送中心的位置信息、待配送用户之间的运输距离和运输时间，并结合待配送用户的收货时间、货物需求量以及每辆货车的预定货车载货量等，利用预设节约算法，计算得到每辆货车的配送线路；然后将计算得到的配送线路按照任意顺序排列，生成包含不同个体的初始种群；最后基于生成的初始种群，利用预设遗传算法，计算得到包含物流配送路径的车辆调度信息。

通过应用本实施例的技术方案，解决了配送点和配送中心的时间窗问题并且增加软时间窗约束；针对迭代时间问题采用节约算法和遗传算法的结合缩短迭代时间；针对路况问题，本实施例将路径规划中的在考虑距离方面更加注重配送到点的时间，可以根据路况信息做出策略调整。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种物流配送路径的优化装置，如图6所示，该装置包括：获取单元21、确定单元22、计算单元23。

获取单元21，可以用于获取待配送用户的用户信息；

确定单元22，可以用于根据获取单元21获取到的用户信息，确定待配送用户对应的收货时间、收货地点以及货物需求量；

计算单元23，可以用于根据确定单元22确定的收货地点，计算待配送用户之间的运输距离和运输时间；然后依据运输距离和运输时间，并结合收货时间、货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。

在具体的应用场景中，如图7所示，计算单元23具体包括：获取模块231、计算模块232、生成模块233；

获取模块231，可以用于获取配送中心的位置信息；

计算模块232，可以用于依据位置信息、运输距离和运输时间，并结合收货时间、货物需求量以及每辆货车的预定货车载货量，利用预设节约算法，计算得到每辆货车的配送线路；

生成模块233，可以用于将配送线路按照任意顺序排列，生成包含不同个体的初始种群；

计算模块232，还可以用于基于初始种群，利用预设遗传算法，计算得到包含物流配送路径的车辆调度信息。

在具体的应用场景中，如图7所示，计算模块232，具体可以用于根据预设个体选择规则，从初始种群中选择符合要求的个体；将符合要求的个体根据PMX进行交叉操作，得到新的子体作为变异操作的父体；将父体依据预置变异概率进行变异操作，得到新的个体；依据新的个体重新进行个体选择操作、交叉操作和变异操作，直至符合迭代终止条件；参照迭代最终计算结果中的配送线路，确定车辆调度信息。

在具体的应用场景中，如图7所示，计算模块232，具体还可以用于利用预设适应度函数，计算初始种群中每个个体对应的配送距离加车辆成本的综合损耗，作为每个个体的适应度值；通过将单个个体的适应度值除以初始种群中各个个体的适应度值总和，得到单个个体被选择的概率值；将概率值大于预定阈值的个体，确定为初始种群中符合要求的个体；

计算模块232，具体还可以用于采用随机多次对换方式，依据预置变异概率，确定父体是否需要进行变异操作；若确定需要进行变异操作，则对父体进行变异操作。

在具体的应用场景中，如图7所示，为了实现结合路线信息得到更加符合物流实际需求的车辆调度信息，计算模块232，具体还可以用于参照迭代最终计算结果中的配送线路，并结合配送线路的路况信息，确定车辆调度信息。

在具体的应用场景中，如图7所示，计算模块232，具体还可以用于按照预设约束条件和预设配送线路分割规则，基于节约运输成本原则，计算得到需要使用的货车数量，以及相应每辆货车的配送线路，使得每条配送线路上配送点的需求量之和小于等于预定货车载货量，且每个配送点的需求得到满足，并且只能有一辆货车配送，且配送中心只有一个，每条配送线路的起始点都是配送中心，每条配送线路从配送中心出发最后必须回到配送中心，且每个配送点的配送时间要求得到满足。

可选的，预设约束条件包括货车到达取货点的时间与相应装货时间之和符合取货点的预定取货时间窗约束，且货车到达卸货点的时间与相应卸货时间之和符合卸货点的预定卸货时间窗约束；

预设配送线路分割规则包括若货车到达取货点的时间不在取货点的预定取货时间窗内，则货车提前至休息时间之前到达取货点，同时确保货车出发时间不在上一个送货或取货时间范围内；若货车到达卸货点的时间不在卸货点的预定卸货时间窗内，则货车提前至休息时间之前到达卸货点，同时确保货车出发时间不在上一个送货或取货时间范围内。

需要说明的是，本申请实施例提供的一种物流配送路径的优化装置所涉及各功能单元的其他相应描述，可以参考图1中的对应描述，在此不再赘述。

基于上述如图1至图5所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1至图5所示的物流配送路径的优化方法。

基于上述如图1至图7所示的实施例，为了实现上述目的，本申请实施例还提供了一种物流配送路径优化的实体设备，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图5所示的物流配送路径的优化方法。

通过应用本申请的技术方案，解决了配送点和配送中心的时间窗问题并且增加软时间窗约束；针对迭代时间问题采用节约算法和遗传算法的结合缩短迭代时间；针对路况问题，本实施例将路径规划中的在考虑距离方面更加注重配送到点的时间，可以根据路况信息做出策略调整。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种物流配送路径的优化方法，其特征在于，包括：

获取待配送用户的用户信息；

根据所述用户信息，确定所述待配送用户对应的收货时间、收货地点以及货物需求量；

根据所述收货地点，计算待配送用户之间的运输距离和运输时间；

依据所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。

2.根据权利要求1所述的方法，其特征在于，依据所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息，具体包括：

获取配送中心的位置信息；

依据所述位置信息、所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设节约算法，计算得到每辆货车的配送线路；

将所述配送线路按照任意顺序排列，生成包含不同个体的初始种群；

基于所述初始种群，利用预设遗传算法，计算得到包含物流配送路径的车辆调度信息。

3.根据权利要求2所述的方法，其特征在于，基于所述初始种群，利用预设遗传算法，计算得到包含物流配送路径的车辆调度信息，具体包括：

根据预设个体选择规则，从所述初始种群中选择符合要求的个体；

将所述符合要求的个体根据部分匹配交叉PMX进行交叉操作，得到新的子体作为变异操作的父体；

将所述父体依据预置变异概率进行变异操作，得到新的个体；

依据新的个体重新进行个体选择操作、交叉操作和变异操作，直至符合迭代终止条件；

参照迭代最终计算结果中的配送线路，确定所述车辆调度信息。

4.根据权利要求3所述的方法，其特征在于，所述根据预设个体选择规则，从所述初始种群中选择符合要求的个体，具体包括：

利用预设适应度函数，计算所述初始种群中每个个体对应的配送距离加车辆成本的综合损耗，作为每个个体的适应度值；

通过将单个个体的适应度值除以所述初始种群中各个个体的适应度值总和，得到所述单个个体被选择的概率值；

将所述概率值大于预定阈值的个体，确定为所述初始种群中符合要求的个体；

将所述父体依据预置变异概率进行变异操作，得到新的个体，具体包括：

采用随机多次对换方式，依据预置变异概率，确定所述父体是否需要进行变异操作；

若确定需要进行变异操作，则对所述父体进行变异操作。

5.根据权利要求3所述的方法，其特征在于，参照迭代最终计算结果中的配送线路，确定所述车辆调度信息，具体包括：

参照迭代最终计算结果中的配送线路，并结合所述配送线路的路况信息，确定所述车辆调度信息。

6.根据权利要求2所述的方法，其特征在于，依据所述位置信息、所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设节约算法，计算得到每辆货车的配送线路，具体包括：

按照预设约束条件和预设配送线路分割规则，基于节约运输成本原则，计算得到需要使用的货车数量，以及相应每辆货车的配送线路，使得每条配送线路上配送点的需求量之和小于等于所述预定货车载货量，且每个配送点的需求得到满足，并且只能有一辆货车配送，且配送中心只有一个，每条配送线路的起始点都是配送中心，每条配送线路从配送中心出发最后必须回到配送中心，且每个配送点的配送时间要求得到满足。

7.根据权利要求6所述的方法，其特征在于，所述预设约束条件包括货车到达取货点的时间与相应装货时间之和符合所述取货点的预定取货时间窗约束，且货车到达卸货点的时间与相应卸货时间之和符合所述卸货点的预定卸货时间窗约束；

所述预设配送线路分割规则包括若货车到达取货点的时间不在所述取货点的预定取货时间窗内，则货车提前至休息时间之前到达所述取货点，同时确保货车出发时间不在上一个送货或取货时间范围内；

若货车到达卸货点的时间不在所述卸货点的预定卸货时间窗内，则货车提前至休息时间之前到达卸货点，同时确保货车出发时间不在上一个送货或取货时间范围内。

8.一种物流配送路径的优化装置，其特征在于，包括：

获取单元，用于获取待配送用户的用户信息；

确定单元，用于根据所述获取单元获取到的用户信息，确定所述待配送用户对应的收货时间、收货地点以及货物需求量；

计算单元，用于根据所述确定单元确定的收货地点，计算待配送用户之间的运输距离和运输时间；

依据所述运输距离和运输时间，并结合所述收货时间、所述货物需求量以及每辆货车的预定货车载货量，利用预设车辆调度算法，计算得到包含物流配送路径的车辆调度信息。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的物流配送路径的优化方法。

10.一种物流配送路径的优化设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的物流配送路径的优化方法。