CN108921468B - 一种物流配送车辆智能排线方法 - Google Patents
一种物流配送车辆智能排线方法 Download PDFInfo
- Publication number
- CN108921468B CN108921468B CN201810627828.8A CN201810627828A CN108921468B CN 108921468 B CN108921468 B CN 108921468B CN 201810627828 A CN201810627828 A CN 201810627828A CN 108921468 B CN108921468 B CN 108921468B
- Authority
- CN
- China
- Prior art keywords
- solution
- cost
- strategy
- orders
- order
- 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.)
- Expired - Fee Related
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
- G06Q10/08—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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (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
一种物流配送车辆智能排线方法,其特征在于,包括以下步骤:第1步,按照输入订单进行车辆构建,其中按照路网路况数据生成距离‑时间矩阵,以设定成本矩阵;第2步,通过模拟退火的启发式策略以及设定的软硬约束,建立目标函数;第3步,多次迭代找到订单集合的最佳路线。该物流配送车辆智能排线方法提高了求解的效率,解决问题的时间成倍数缩短;优化了运输路线,获得更好的全局最优解;降低了公司或者客户的物流成本。
Description
技术领域
本发明属于计算机技术应用领域,具体涉及一种物流配送车辆智能排线方法。
背景技术
VRP问题(Vehicle Routing Problem,VRP)求解算法分为精确算法,传统启发式算法和智能优化算法。精确算法能找到问题的全局最优解,但是计算量随问题规模而指数型增长,不适合求解一定规模的VRP问题。传统启发式是在精确算法的基础上的一个革新,但是仍然受到一定限制。智能优化算法是比较好的解决方案,更适合大型VRP问题求解,而且模拟退火算法在求解路径问题时,不但接受对目标函数有改进的状态,还以某种概率接受使目标函数恶化的状态,从而可使之避免过早收敛到某个局部极值点,从而得到全局最优解。
物流配送车辆路径规划问题为NP-hard问题,初始启发式方法解决VRP问题求解过程耗时较长,排线员大量时间等待排线结果返回,导致智能排线落地困难,并且求解方式串行化,导致单次解的求解无法迭代优化。同时找到的解也存在业务运营维度不科学,线路不可用的情况。
发明内容
本发明的目的在于提供一种物流配送车辆智能排线方法,以获得更好的全局最优路线。
为实现上述目的,本发明提供如下技术方案:一种物流配送车辆智能排线方法,其特征在于,包括以下步骤:第1步,按照输入订单进行车辆构建,其中按照路网路况数据生成距离-时间矩阵,以设定成本矩阵;第2步,通过模拟退火的启发式策略以及设定的软硬约束,建立目标函数;第3步,多次迭代找到订单集合的最佳路线。
进一步地,在所述第1步中,solve for region根据订单的经纬度识别出订单所在区域,create(hopper,routing)读入导航配置,setup vehicles、setup orders根据schema中problem.json设定的格式生成VR Algorithm Builder;Graphhopper读取地图数据,基于graphhopperfast模式,快速构建点边结构,使用层级收缩ch模型,支持多种路径规划算法,正向搜索反向搜索构建路网,生成每个订单点到另一个订单点的距离和时间矩阵,距离时间矩阵整合成Costs Matrix Builder。
进一步地,所述VR Algorithm Builder包含车辆信息和订单信息,所述车辆信息包括车辆车型、价格、装载、出发时间、是否返仓,所述订单信息包括订单数、仓库所在位置经纬度、订单所在位置经纬度、体积、重量、金额、交付时间窗。
进一步地,所述路径规划算法包括Dijkstra和A*。
进一步地,在所述第2步中,通过执行setup objective function,setupconstraint,setup properties,以所有排线订单的总成本最低为目标来建立目标函数,目标函数如下:
其中Croute代表配送线路成本,Csoftconstraint代表软约束所产生的成本;满足软约束则给予奖励,否则给予惩罚。
进一步地,所述硬约束条件是:(1)每个订单客户收货交付的时间窗,(2)每条路线上所有订单的装载量低于该线路车型的装载量,(3)每条线路的总里程不超过设定的最大配送里程,(4)不同区域的订单不能放在同一条线路中。
进一步地,在所述第3步中,通过InformAlgorithmStarts方法构建初始解,初始解满足给定车辆和订单配送需求,但不一定是成本最优的解;然后基于启发式策略对初始解进行摧毁重建,把线路中的订单拆掉,根据算法规则重新分配到不同的线路不同的车辆上,构建新的解;每次迭代过程中重复这个过程,比较每次迭代产生的解的成本,从而得到最优解,即得到最佳路线。
进一步地,每次迭代过程基于摧毁重建模型即Ruin-Recreate Module,其中Ruin策略包含Radom Strategy,Radical Strategy,Cluster Strategy,String Strategy和Worst Strategy,Recreate策略包含Best和Regret策略。
进一步地,在算法迭代过程中随机选取Ruin策略,摧毁之前的解中的订单,放到未排线订单集合中,重新进行排线;每个Ruin策略的摧毁方式不同,参数不同,选用不同的Ruin策略使得摧毁能尽可能的多样化,从而得到的解也能尽可能地涵盖所有。
进一步地,迭代过程一直重复所述启发式策略找解过程,并比较每次迭代和上次迭代解的成本,将成本较低的线路保存为BestEver线路,最终保留迭代过程中成本最低的可用线路,并将解封装成满足schema种solution.json规定的带有总线路数、总配送费、总里程、每条线路的车辆和订单的解集返回给客户。
由此,与现有技术相比,在本发明的方案中,使用基于模拟退火的启发式策略,经过多次迭代计算求解,每次迭代过程中并发计算,迭代之后比较每次解的成本,保留最优解,优化线路可用性,使得整个VRP问题的解更符合车辆配送场景。因此,本发明具有如下有益效果:提高了求解的效率,解决问题的时间成倍数缩短;优化了运输路线,获得更好的全局最优解;降低了公司或者客户的物流成本。
附图说明
图1是本发明的物流配送车辆智能排线方法的逻辑图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明的物流配送车辆智能排线方法的智能排线VRP求解逻辑如图所示。
其中,智能排线按照输入订单,解决车辆构建问题,按照路网路况数据生成距离-时间矩阵,设定成本矩阵,通过算法启发式策略以及设定的软硬约束,建立目标函数,并多次迭代找到订单集合的最佳路线。
图示中的具体过程如下:
构建问题:solve for region根据订单的经纬度识别出订单所在区域,create(hopper,routing)读入导航配置,setup vehicles,setup orders根据schema中problem.json设定的格式生成VR Algorithm Builder,包含车辆车型、价格、装载、出发时间、是否返仓等车辆信息,以及订单数,仓库所在位置经纬度,订单所在位置经纬度、体积、重量、金额、交付时间窗等等订单信息;这些信息用于在之后的算法中作为输入组合优化得到最佳路线。Graphhopper读取地图数据,基于graphhopperfast模式,快速构建点边结构,使用层级收缩ch模型,支持多种路径规划算法,包括Dijkstra和A*,正向搜索反向搜索构建路网,生成每个订单点到另一个订单点的距离和时间矩阵,距离时间矩阵整合成CostsMatrix Builder。
构建算法:通过setup objective function,setup constraint,setupproperties构建。
以所有排线订单的总成本最低为目标建立目标函数。
其中Croute代表配送线路成本,由车辆的保底价格,路径总里程的成本,超过保底订单数之后的额外订单成本,超过保底工时的额外时间成本,超过保底里程之后的额外里程成本组合,计算总和得到,Csoftconstraint代表软约束所产生的成本。满足软约束则给予奖励,否则给予惩罚。硬约束条件满足:1.每个订单客户收货交付的时间窗,2.每条路线上所有订单的装载量低于该线路车型的装载量,3.每条线路的总里程不超过设定的最大配送里程,4.不同区域的订单不能放在同一条线路中。
构建解:通过InformAlgorithmStarts方法构建初始解,初始解满足给定车辆和订单配送需求,但不一定是成本最优的解。然后基于启发式策略对初始解进行摧毁重建,把线路中的订单拆掉,根据算法规则重新分配到不同的线路不同的车辆上,构建新的解。每次迭代过程中重复这个过程,比较每次迭代产生的解的成本,从而得到最优解。
每次迭代过程基于摧毁重建模型即Ruin-Recreate Module。
Ruin策略包含Radom Strategy,Radical Strategy,Cluster Strategy,StringStrategy和Worst Strategy,Recreate策略包含Best和Regret策略。每种策略需设定各自的参数,如:random_regret.min_share,random_regret.max_share,random_best.min_share,random_best.max_share,radical.min_share,radical.max_share,cluster.min_share,cluster.max_share,worst.min_share,worst.max_share,该参数决定从线路上摧毁订单的最大值和最小值。
算法迭代过程中随机选取Ruin策略,摧毁之前的解中的订单,放到未排线订单集合中,重新进行排线。每个Ruin策略的摧毁方式不同,参数不同,选用不同的Ruin策略使得摧毁能尽可能的多样化,从而得到的解也能尽可能地涵盖所有。
Recreate过程采用FastRegretConcurrent方法,不再是在空路径的基础上从零开始构建路线填充订单求解最优路径,而是基于当前迭代的最优路线进一步优化求解最优路径。构建缓存队列priorityQueue,存储当前线路,基于遗憾策略并发地将订单插入到到当前迭代的最优路线上。
订单插入路线上产生的解由模拟退火threshold阈值函数决定当前解是否被接受。
其中InitialThreshold设定为THRESHOLD_INI_ABS,iteration为迭代过程的总迭代次数,maxiteration=1000,alpha=0.15。
当newSolution.getCost()<lastSolution+threshold,则当前解被接受。
同时在迭代过程中比较当前解和上次迭代的解的成本,保留最优解和次优解(best和second best),次优解用于跳出局部最优,使问题能够探索到其他解空间。将最优解和次优解的线路都保留下来,存入缓存priorityQueue,并在缓存路线的基础上重复Ruin-Recreate过程。
迭代过程一直重复上述启发式策略找解过程,并比较每次迭代和上次迭代解的成本,将成本较低的线路保存为BestEver线路,最终保留2万次迭代过程中成本最低的可用线路,并将解封装成满足schema种solution.json规定的带有总线路数,总配送费,总里程,每条线路的车辆和订单的解集返回给客户。
从而,本发明的方案基于模拟退火的启发式求解,求解过程中并行计算求解最优解,并且排线线路基于上次最优线路的基础上进一步优化求解最优路径,而不是每次都在空路径的基础上从零开始构建路径填充订单求解最优路径,从而极大地提升了VRP求解的效率,更容易获得更优解。
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 (7)
1.一种物流配送车辆智能排线方法,其特征在于,包括以下步骤:第1步,按照输入订单进行车辆构建,其中按照路网路况数据生成距离-时间矩阵,以设定成本矩阵;第2步,通过模拟退火的启发式策略以及设定的软硬约束,建立目标函数;第3步,多次迭代找到订单集合的最佳路线;
在所述第3步中,通过InformAlgorithmStarts方法构建初始解,初始解满足给定车辆和订单配送需求,但不一定是成本最优的解;然后基于启发式策略对初始解进行摧毁重建,把线路中的订单拆掉,根据算法规则重新分配到不同的线路不同的车辆上,构建新的解;每次迭代过程中重复这个过程,比较每次迭代产生的解的成本,从而得到最优解,即得到最佳路线;
每次迭代过程基于摧毁重建模型即Ruin-Recreate Module,其中Ruin策略包含RadomStrategy,Radical Strategy,Cluster Strategy,String Strategy和Worst Strategy,Recreate策略包含Best和Regret策略;
在算法迭代过程中随机选取Ruin策略,摧毁之前的解中的订单,放到未排线订单集合中,重新进行排线;每个Ruin策略的摧毁方式不同,参数不同,选用不同的Ruin策略使得摧毁能尽可能的多样化,从而得到的解也能尽可能地涵盖所有;
在迭代过程中比较当前解和上次迭代的解的成本,保留最优解和次优解,次优解用于跳出局部最优,使问题能够探索到其他解空间;将最优解和次优解的线路都保留下来,存入缓存priorityQueue,并在缓存路线的基础上重复Ruin-Recreate过程。
2.根据权利要求1所述的物流配送车辆智能排线方法,其特征在于,在所述第1步中,solve for region根据订单的经纬度识别出订单所在区域,create(hopper,routing)读入导航配置,setup vehicles、setup orders根据schema中problem.json设定的格式生成VRAlgorithm Builder;Graphhopper读取地图数据,基于graphhopperfast模式,快速构建点边结构,使用层级收缩ch模型,支持多种路径规划算法,正向搜索反向搜索构建路网,生成每个订单点到另一个订单点的距离和时间矩阵,距离时间矩阵整合成Costs MatrixBuilder。
3.根据权利要求2所述的物流配送车辆智能排线方法,其特征在于,所述VR AlgorithmBuilder包含车辆信息和订单信息,所述车辆信息包括车辆车型、价格、装载、出发时间、是否返仓,所述订单信息包括订单数、仓库所在位置经纬度、订单所在位置经纬度、体积、重量、金额、交付时间窗。
4.根据权利要求2所述的物流配送车辆智能排线方法,其特征在于,所述路径规划算法包括Dijkstra和A*。
6.根据权利要求5所述的物流配送车辆智能排线方法,其特征在于,硬约束条件是:(1)每个订单客户收货交付的时间窗,(2)每条路线上所有订单的装载量低于该线路车型的装载量,(3)每条线路的总里程不超过设定的最大配送里程,(4)不同区域的订单不能放在同一条线路中。
7.根据权利要求1所述的物流配送车辆智能排线方法,其特征在于,迭代过程一直重复所述启发式策略找解过程,并比较每次迭代和上次迭代解的成本,将成本较低的线路保存为BestEver线路,最终保留迭代过程中成本最低的可用线路,并将解封装成满足schema种solution.json规定的带有总线路数、总配送费、总里程、每条线路的车辆和订单的解集返回给客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810627828.8A CN108921468B (zh) | 2018-06-19 | 2018-06-19 | 一种物流配送车辆智能排线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810627828.8A CN108921468B (zh) | 2018-06-19 | 2018-06-19 | 一种物流配送车辆智能排线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921468A CN108921468A (zh) | 2018-11-30 |
CN108921468B true CN108921468B (zh) | 2020-12-04 |
Family
ID=64419873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810627828.8A Expired - Fee Related CN108921468B (zh) | 2018-06-19 | 2018-06-19 | 一种物流配送车辆智能排线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921468B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009272A (zh) * | 2019-02-21 | 2019-07-12 | 深圳市北斗智能科技有限公司 | 多策略并行的物流资源调度方法和相关装置 |
CN109816279A (zh) * | 2019-03-22 | 2019-05-28 | 武汉大学 | 一种货运车辆智能动态调度方法 |
CN112200336A (zh) * | 2019-06-20 | 2021-01-08 | 北京京东振世信息技术有限公司 | 一种车辆行驶路径规划的方法和装置 |
CN110543974A (zh) * | 2019-08-12 | 2019-12-06 | 北京市天元网络技术股份有限公司 | 最优路径规划的方法以及装置 |
CN110472918A (zh) * | 2019-08-21 | 2019-11-19 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN111461402B (zh) * | 2020-03-06 | 2024-03-26 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
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 |
CN111985700B (zh) * | 2020-07-30 | 2024-01-05 | 中国外运股份有限公司 | 用于确定家居送装的车辆运载单量均衡方法及装置 |
CN112613701B (zh) * | 2020-12-02 | 2023-03-03 | 红云红河烟草(集团)有限责任公司 | 一种成品卷烟物流调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699982A (zh) * | 2013-12-26 | 2014-04-02 | 浙江工业大学 | 一种带软时间窗口的物流配送控制方法 |
CN106500686A (zh) * | 2016-10-12 | 2017-03-15 | 北京小度信息科技有限公司 | 导航界面显示方法、物流导航方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8411910B2 (en) * | 2008-04-17 | 2013-04-02 | Biometricore, Inc. | Computationally efficient feature extraction and matching iris recognition |
-
2018
- 2018-06-19 CN CN201810627828.8A patent/CN108921468B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699982A (zh) * | 2013-12-26 | 2014-04-02 | 浙江工业大学 | 一种带软时间窗口的物流配送控制方法 |
CN106500686A (zh) * | 2016-10-12 | 2017-03-15 | 北京小度信息科技有限公司 | 导航界面显示方法、物流导航方法和装置 |
Non-Patent Citations (2)
Title |
---|
初良勇等.考虑时间窗因素的物流配送车辆调度优化.《集美大学学报》.2017,第22卷(第6期), * |
考虑时间窗因素的物流配送车辆调度优化;初良勇等;《集美大学学报》;20171130;第22卷(第6期);第34-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108921468A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921468B (zh) | 一种物流配送车辆智能排线方法 | |
CN107977739B (zh) | 物流配送路径的优化方法、装置及设备 | |
Bast et al. | Route planning in transportation networks | |
CN111178582B (zh) | 一种基于改进遗传算法的物流配送优化方法 | |
CN104683405B (zh) | 在车联网中集群服务器分发地图匹配任务的方法和装置 | |
US7363126B1 (en) | Core area territory planning for optimizing driver familiarity and route flexibility | |
CN111044060B (zh) | 多车辆路径规划方法及多车辆路径规划系统 | |
JP2007241340A (ja) | N分割巡回経路探索システム、経路探索サーバ、n分割巡回経路探索方法 | |
CN116228089B (zh) | 一种基于最短里程的门店配送路径规划方法 | |
JP2007240281A (ja) | エリア分割巡回経路探索システム、経路探索サーバ、エリア分割巡回経路探索方法 | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
CN113908551B (zh) | 导航路径的确定方法、装置、设备、存储介质及程序产品 | |
CN110675004A (zh) | 一种基于灰狼算法的路径规划方法 | |
CN113706081A (zh) | 基于城市屋顶自动快递装置的无人机取送货系统和方法 | |
Xu et al. | Solving dynamic vehicle routing problem using enhanced genetic algorithm with penalty factors | |
JP4025652B2 (ja) | 輸送計画作成システム及び方法 | |
CN109272151B (zh) | 一种基于Spark的车辆路径规划算法优化方法 | |
CN114640619B (zh) | 基于平均通信距离的天基网络拓扑设计方法及相关设备 | |
CN108596390B (zh) | 一种解决车辆路径问题的方法 | |
Song et al. | Path Planning for Multi‐Vehicle‐Assisted Multi‐UAVs in Mobile Crowdsensing | |
Jagadeesh et al. | Route computation in large road networks: a hierarchical approach | |
JP2007241516A (ja) | 施設検索プログラム | |
Perera et al. | Directionality‐centric bus transit network segmentation for on‐demand public transit | |
Suárez et al. | Planificación eficiente de rutas de distribución. Caso de estudio de una tienda virtual |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201204 |