CN108921472B - 一种多车型的两阶段车货匹配方法 - Google Patents

Abstract

本发明公开了一种多车型的两阶段车货匹配方法。本发明提供了一种可行方案，其实现分为两个阶段对车辆与货物进行匹配；第一阶段利用层次聚类方法根据距离相似度以及时间窗相似度对所有订单进行合并，以获得的每一类订单都有着同一区域的取货点、同一区域的送货点以及相似的时间窗；第二阶段对所有订单类以及所有车型进行统一匹配，保证一辆车只能服务于一类订单，同时定义车辆运载货物的成本函数来评估匹配解的质量，利用遗传算法对解空间进行搜索，为订单推荐合适的车型。本发明自动智能化物流领域长距离订单派送过程，大大简化了人工匹配的复杂度，使得车货匹配过程趋向自动智能化。

Description

一种多车型的两阶段车货匹配方法

技术领域

本发明属于物流调度领域，尤其涉及一种多车型的车货匹配方法。

背景技术

随着我国电子商务的发展，掀起了人们在互联网上购物的热潮。虽然互联网购物大大高了人们的便利程度，足不出户就可以购买到想要的商品；但是与传统实体店购物相比，人们拿到商品的及时性大大降低，越来越多的消费者希望得到更快的配送服务。由于这样的需求存在，物流行业越来越关注于用户体验。而且伴随着“互联网+”时代的到来，物流行业也逐渐从传统的物流模式转型为新互联网模式。

但是我国目前的车货匹配仍然存在着车货双方信息不对称的状态、车货匹配的效率低下、装载率低、运输成本高等问题，而且随之伴随来的能源浪费、环境污染等生态问题也日益严重。

为了提高物流配送的效率，同时降低配送成本，选择合适的车型运载相应的货物是是物流运输模式的重要阶段。车型的选择决定了整个运输成本的下限，因此对多车型下的车货匹配的研究具有重要意义。

在物流配送过程中，常常有以下特点：客户请求的订单常常需要车辆到A地取货，并送往B地；而在每一个任务点都要求在规定的时间窗内才能服务；车库中的车辆容量是有限的，不能无限装载货物；车库中的车型是有限的，而且车型相对应的车辆数也是有限的；车辆每到达一个取/送货点(我们将其统称为任务点)，都需要支付一定的任务点费用。

考虑到以上特点，车货匹配问题类似于车辆路径问题(VRP)的子问题——带时间窗的取送货问题(PDPTW)。而车辆路径问题被证明在多项式时间内是无法完成的，因此目前解决该问题的方法逐渐倾向于智能启发式算法得到合适结果。

遗传算法(GA)是一种模拟达尔文生物进化过程的进化算法，其随机生成一定数量的个体，通过适者生存理念对适应性差的个体进行选择淘汰，再通过种群之间的交叉变异特征，得到新的种群作为当前种群，不断进行种群迭代，从而得到最优的个体。遗传算法常常用来解决车辆路径问题，因此我们将其应用于车货匹配问题。

发明内容

本发明的目的在于自动智能化物流领域长距离订单派送过程。而且多车型的车货匹配中，不同客户订单属性不同，配送方案多而复杂，本发明并提供了一种两阶段的可行方案。通过对订单进行聚类，避免了车辆需要与所有订单进行尝试匹配，极大的减少了解空间的大小；并利用遗传算法寻找车辆与订单类匹配的最优解，提高了得到最优解的效率，并通过约束来保证解的质量。

本发明通过如下技术方案实现。

一种多车型的两阶段车货匹配方法，物流领域中长距离订单派送过程，分为两个阶段对车辆与货物进行匹配；第一阶段即预处理阶段利用层次聚类方法对所有订单根据距离相似度以及时间窗相似度进行合并，以获得的每一类订单都有着同一区域的取货点、同一区域的送货点以及相似的时间窗，以达到每一类的客户订单可以一起配送的效果；第二阶段即匹配阶段对所有订单类以及所有车型进行统一匹配，保证一辆车只能服务于一类订单(保证了订单类之间的独立性)，同时定义车辆运载货物的成本函数来评估匹配解的质量，利用遗传算法对解空间进行搜索，为订单推荐合适的车型。

进一步地，采用层次聚类算法对所有客户订单进行聚类，初始每一客户订单作为一订单类型，并为客户订单类型之间定义距离相似度以及时间窗相似度，依据距离相似度以及时间窗相似度这两种度量标准衡量订单类型之间的相似度，以达到订单类内相似度大，而订单类间相似度小的结果。距离相似度为两个订单类型取货点之间的距离与送货点之间的距离的加权欧氏距离，而时间窗相似度考虑两个订单类型的最早开始服务时间与最晚服务时间的欧式距离。

进一步地，为每对客户订单类型之间的距离相似度与时间窗相似度设定阈值，并且将阈值作为两阶段车货匹配方法的超参，并融入订单类型之间相似度计算中。

进一步地，对所有订单类型与所有车型统一匹配，保证每一辆车只服务于一类订单，不同的订单类型之间不能拼载。

进一步地，定义车辆运载货物的成本函数，考虑车辆油耗、任务点成本、车辆时间窗违背、派发车辆数、车辆装载率五个因素，为车辆与客户订单的匹配结果计算成本，从而为匹配阶段提供优化目标。

进一步地，为所涉及的车货匹配问题建立混合整数规划模型，对问题的约束利用数学语言形式化描述，包括时间窗约束、车辆容量限制约束、先取货后送货约束、服务车辆数约束四个方面约束。

进一步地，利用遗传算法对建立的混合整数规划模型求解，将每一辆车的路线编码为一条染色体，并定义染色体交叉与变异的规则，通过模拟种群自然进化，从而得到种群中的最优个体，也就是问题的最终解。

进一步地，在预处理阶段，为订单之间定义了相似度，分别考虑距离相似度与时间窗相似度两个因素。预处理阶段，为订单相似度将阈值融入计算表达式中，使得距离相似度超过阈值，则相似度为0；时间窗相似度类似处理。从而使得层次聚类算法的结束条件更容易判断，当所有订单类相似度均为0时，算法即可结束。

进一步地，匹配阶段的主要步骤为：对车辆与货物的匹配结果进行编码，每一辆车所包含的订单作为遗传算法一个染色体的基因，而一个染色体由多个基因组成。遗传算法初始随机生成多个匹配结果，也就是染色体，从而组成初始种群；将车辆运载货物的成本函数作为遗传算法个体适应度，根据轮盘赌算法选择个体作为新的种群；按照交叉概率选择两个个体进行交叉运算；再根据变异概率选择个体进行单点变异；对两种运算得到的新的种群进行约束检查，若存在不满足约束的个体存在，则重新生成一满足约束的个体代替原个体；不断的迭代直到满足迭代次数或最优个体适应度收敛。

与现有技术相比，本发明具有如下的优点与技术效果：

1、将多车型的车货匹配问题转化为两阶段处理，首先对订单聚类，再对订单类型与车辆匹配，大大简化了人工匹配的复杂度，使得车货匹配过程趋向自动智能化。

2、预处理阶段，为订单类型之间定义的距离相似度与时间窗相似度，有效的衡量了订单之间可以合运的程度。

3、预处理阶段，为订单类型相似度增加阈值约束，有助于订单聚类算法的收敛。

4、匹配阶段采用遗传算法进行搜索最优匹配解，通过不断淘汰较差个体从而使得种群趋向于最优结果，提高了匹配的速度；而且通过多个个体的搜索，提高了对全局最优的搜寻能力，使得匹配结果更为合理。

附图说明

图1为本发明方法的具体实施过程中的流程图。

图2为本发明方法具体实施例中遗传算法编码与解码示意图。

图3为本发明方法具体实施例中需交叉的父代染色体示意图。

图4为本发明方法具体实施例中父代染色体交换部分基因后产生的子代染色体的示意图。

图5为本发明方法具体实施例中子代染色体删除自身重复订单后的示意图。

图6为本发明方法具体实施例中将未分配订单重新插入子代染色体后的示意图。

图7为本发明方法具体实施例中变异算子R1示意图。

图8为本发明方法具体实施例中变异算子R2示意图。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图，进行进一步的详细说明，但本发明的实施和保护不限于此。

预处理阶段利用层次聚类算法对客户订单集合处理，其步骤如下：

1、将客户订单集合作为输入，并将每一个订单作为一订单类型；

2、定义客户订单类型之间相似度：

公式(1)sim_dist定义了订单类之间的距离相似度，其中o_gh是订单类型g,h取货点之间的平均距离，d_gh是订单类型g,h送货点之间的平均距离，w₁,w₂是两个距离的权重，其中满足w₁+w₂＝1。当w₁较大时，更倾向于将订单取货点聚在一起；反之，倾向于将订单送货点聚在一起。θ表示距离阈值，衡量了订单类型之间的距离最远程度。

公式(2)sim_time定义了订单类型之间的时间窗相似度，其中e_gp、l_gp分别是订单类型g取货点最早开始服务时间与最晚开始服务时间，e_gd、l_gd分别是订单类型g送货点最早开始服务时间与最晚开始服务时间，e_hp、l_hp分别是订单类型h取货点最早开始服务时间与最晚开始服务时间，e_hd、l_hd分别是订单类型h送货点最早开始服务时间与最晚开始服务时间。w₁,w₂是两个时间窗的权重，其中满足w₁+w₂＝1。其中w₁,w₂的取值同距离相似度中的w₁,w₂。因为都是衡量聚类对取货点与送货点的偏好度，因此可以取相同值。μ表示时间窗阈值，衡量了订单之间时间窗相隔最大程度。

3、对所有订单类之间计算相似度，选择集合中相似度最大的一对订单类。如果其相似度为0，则至第4步。否则，将两个订单类合并作为一个订单类，并重复第3步。

4、完成订单合并，并得到订单类集合O＝{1,2,…,o}。

匹配阶段利用遗传算法对客户订单与车辆进行匹配，以下对多车型的车货匹配问题进行数学语言的描述，以使得本问题描述得更清晰：

利用有向图G＝(V,E)(V代表任务点，E代表任务点之间的连接关系)来表示配送网络，假设有n个客户，每个客户都有一个取货点与送货点；假设车库中有t种类型，每一种车型都有其对应的油耗、任务点服务时间、任务点费用、载重等属性，而且每一种车型的车辆数是有限的；假设车库中的车辆总数为v。为了简化计算的复杂度，不考虑车辆所在位置，将其视为在所安排路线的第一个任务点处即可。这样的简化并不会影响实际问题的处理，因为本发明是针对车型的匹配，实际可以选择距离订单类较近的同种车型车辆。其中多车型车货匹配问题的模型参数见表1，定义的决策变量见表2。

表1多车型车货匹配模型参数

表2多车型车货匹配决策变量

本发明所提出的混合整数规划模型如下：

T_i≤l_i (13)

公式(4)为车辆与货物匹配的成本函数，其分为了五个部分，第一部分是车辆油耗，第二部分是车辆在任务点所需要花费的服务费用，第三部分是车辆在任务点的等待时间，第四部分是派送车辆数，第五部分是车辆的载重率。p₁,p₂,p₃,p₄,p₅五个权值衡量了每一部分对成本的影响因素。

公式(5)，(6)保证了车辆先取货再送货；公式(7)保证了由同一辆车服务同一个订单的任务点；公式(8)描述了订单i与车辆k的匹配关系；公式(9)保证了一个任务点只能由一辆车服务；公式(10)保证了一个订单只能属于一个订单类型；公式(11)保证了一辆车只能服务一个订单类；公式(12)保证了车辆运载的订单不能超出车辆容量限制；公式(13)表示车辆到达任务点不能延误；公式(14)描述了一个任务点后继的开始服务时间；公式(15)描述了第一个任务点的开始服务时间为最早开始服务时间；公式(16)描述了车型m与车辆编号k的映射关系。

利用遗传算法处理匹配阶段的过程：

1、对多车型车货匹配问题解进行编码。由于本问题的聚类方式是分别对取货点之间相似度以及送货点相似度进行聚类，因此问题解更大程度上应先取货再送货，并将该性质体现在编码上。

该问题的一个解作为遗传算法中的一个染色体，而每一辆车所装载的订单作为一条基因，装载的订单属于同一类的基因组成一组基因组，多组基因组形成了遗传算法的一条染色体。其编码形式可见图2所示。车辆集合为{1,2,3,4,5,6}，订单集合为{1,2,3,4,5,6,7,8}，而分成的订单类为{{1,2,3,5,8},{4,6,7}}。其中车1运载订单1、3、5三个订单，其基因表现形式为1:{1,3,5}，同时其显性表现形式为车1的运载路线1:{1⁺,3⁺,5⁺,1^-,3^-,5^-}。一条染色体中应包含所有的订单，而且每条基因上的车辆不能超出其容量约束，每组基因组上的所有订单应属于一类订单。

2、解的初始化。

对于订单类集合O＝{1,2,…,o}每一订单类型h进行以下操作：从车辆集合V中随机选择一辆车k，并将车k从集合V中删除。如果Q_h＞C_t(k)，则Q_h＝Q_h-C_t(k)(C_t(k)即车k所对应车型的载重)，重复此步骤。否则选择下一个订单类进行以上操作。

至此已得到每一类订单所对应的车辆集合V_h,h∈O。对于V_h中每一辆车k进行以下操作，在订单类h中随机选择任务点需求满足条件q_i≤C_t(k)(i∈N⁺)的任务点i所对应的订单，加入车辆k装载的订单集合中，并将该订单从订单类型h中删除，置C_t(k)＝C_t(k)-q_i，重复以上步骤直到没有订单类型h中没有满足条件的订单存在。选择车辆集合V_h下一辆车进行以上操作。

经过以上步骤，可以得到通过随机方法产生的初始解。

3、遗传算法框架：

通过随机方法随机产生p个个体

若最优个体未收敛或未达到收敛次数，

计算个体适应度，并根据轮盘赌规则选择个体；

分别选择选择两个染色体，按照交叉概率p_cross进行交叉运算；

根据交叉运算得到个体，按照变异概率p_mutate进行变异运算；

将生成的个体代替原来的父代；

算法结束，返回种群中适应度最大的染色体。

下面对遗传算法中采用的交叉运算与变异运算进行介绍：

交叉运算：

1、将进行交叉两个染色体作为父代，分别选择两个交叉基因组，如图3所示(为描述简单，这里染色体只包含一组基因组作为图例)。

2、再分别从选定基因组中选择基因组的交叉位置进行交换，如图3所示，将两个基因组交叉位置之后的片段交换。

3、将交换后的两个子代染色体进行去重复，如图4所示。子代染色体1中删除原染色体1片段的1,3订单；子代染色体2中删除原染色体2片段重复的2号车。

4、根据交叉基因组所对应的订单类集合，得到子代染色体中未分配的订单，如图5所示。子代染色体1删除1,3订单后，未分配的订单有6,7；子代染色体2删除2号车后，未分配的订单有1,3,5。

5、对车辆载重率属性，运用贪婪算法将未分配订单重新插入车辆装载订单集合中。将未分配订单集合按照订单需求从大到小排序，对每个订单执行以下操作：若目前没有一辆车可容纳该订单，则选择能容纳该订单且装载后载重率最高的车辆进行运载该订单；若存在车辆可容纳该订单，则将该订单插入到装载后载重率最高车辆的运载订单集合中，如图6所示。

6、生成子代染色体后对其按照公式(5)-(16)进行约束判断，若不满足约束则重新按照随机方法生成。

变异运算：

定义两种变异算子R1与R2，分别用来对订单之间的局部搜索和车辆之间的局部搜索。在实际过程中，两种算子随机使用。

R1算子：

1、从需要变异的染色体中随机选择一个基因组进行变异；

2、从基因组中随机选择两个基因，将其部分订单进行交换，如图7所示，将基因1的订单5与基因3的订单7进行交换；

3、若存在交换后超出车辆约束的问题，则将超载车辆中，订单需求大于超额容量的最低订单取出，并将其根据载重率贪婪插入到其他车辆。

R2算子：

1、从需要变异的染色体中随机选择一个基因组进行变异；

2、从基因组中随机选择一个基因，计算当前车辆装载订单容量；

3、对目前仍未分配的车辆集合中，随机选择容量大于目前已装载订单容量的车辆作为当前车辆，如图8所示，将基因2的车辆2变异为同样能容纳订单2,8的车辆3。

上述流程为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种多车型的两阶段车货匹配方法，其特征在于物流领域中长距离订单派送过程，分为两个阶段对车辆与货物进行匹配；第一阶段即预处理阶段利用层次聚类方法对所有订单根据距离相似度以及时间窗相似度进行合并，以获得的每一类订单都有着同一区域的取货点、同一区域的送货点以及相似的时间窗；第二阶段即匹配阶段对所有订单类以及所有车型进行统一匹配，保证一辆车只能服务于一类订单，同时定义车辆运载货物的成本函数来评估匹配解的质量，利用遗传算法对解空间进行搜索，为订单推荐合适的车型；

所述遗传算法包括：

通过随机方法随机产生p个个体；

若最优个体未收敛或未达到收敛次数；

计算个体适应度，并根据轮盘赌规则选择个体；

分别选择选择两个染色体，按照交叉概率p_cross进行交叉运算；

根据交叉运算得到个体，按照变异概率p_mutate进行变异运算；

将生成的个体代替原来的父代；

算法结束，返回种群中适应度最大的染色体；

定义客户订单类型之间相似度sim：

stm＝stm_dist*stm_time

式中，sim_dist定义了订单类之间的距离相似度，其中o_gh是订单类型g，h取货点之间的平均距离，d_gh是订单类型g，h送货点之间的平均距离，w₁，w₂是两个距离的权重，其中满足w₁+w₂＝1；当w₁较大时，更倾向于将订单取货点聚在一起；反之，倾向于将订单送货点聚在一起；θ表示距离阈值，衡量了订单类型之间的距离最远程度；sim_time定义了订单类型之间的时间窗相似度，其中e_gp、l_gp分别是订单类型g取货点最早开始服务时间与最晚开始服务时间，e_gd、l_gd分别是订单类型g送货点最早开始服务时间与最晚开始服务时间，e_hp、l_hp分别是订单类型h取货点最早开始服务时间与最晚开始服务时间，e_hd、l_hd分别是订单类型h送货点最早开始服务时间与最晚开始服务时间；w₁，w₂是两个时间窗的权重，其中满足w₁+w₂＝1；其中w₁，w₂的取值同距离相似度中的w₁，w₂；μ表示时间窗阈值，衡量了订单之间时间窗相隔最大程度。

2.根据权利要求1所述的一种多车型的两阶段车货匹配方法，其特征在于：采用层次聚类算法对所有客户订单进行聚类，初始每一客户订单作为一订单类型，并为客户订单类型之间定义距离相似度以及时间窗相似度，依据距离相似度以及时间窗相似度这两种度量标准衡量订单类型之间的相似度，以达到订单类内相似度大，而订单类间相似度小的结果。

3.根据权利要求1所述的一种多车型的两阶段车货匹配方法，其特征在于：为每对客户订单类型之间的距离相似度与时间窗相似度设定阈值，并且将阈值作为两阶段车货匹配方法的超参，并融入订单类型之间相似度计算中。

4.根据权利要求1所述的一种多车型的两阶段车货匹配方法，其特征在于：对所有订单类型与所有车型统一匹配，保证每一辆车只服务于一类订单，不同的订单类型之间不能拼载。

5.根据权利要求1所述的一种多车型的两阶段车货匹配方法，其特征在于：定义车辆运载货物的成本函数，考虑车辆油耗、任务点成本、车辆时间窗违背、派发车辆数、车辆装载率五个因素，为车辆与客户订单的匹配结果计算成本，从而为匹配阶段提供优化目标。

6.根据权利要求1所述的一种多车型的两阶段车货匹配方法，其特征在于：为所涉及的车货匹配问题建立混合整数规划模型，对问题的约束利用数学语言形式化描述，包括时间窗约束、车辆容量限制约束、先取货后送货约束、服务车辆数约束四个方面约束。

7.根据权利要求1所述的一种多车型的两阶段车货匹配方法，其特征在于：利用遗传算法对建立的混合整数规划模型求解，将每一辆车的路线编码为一条染色体，并定义染色体交叉与变异的规则，通过模拟种群自然进化，从而得到种群中的最优个体，也就是问题的最终解。

Images