CN108921483A - 一种物流路径规划方法、装置及司机排班调度方法、装置 - Google Patents

Abstract

本发明公开了一种物流路径规划方法，设置目标物流路径的现实约束条件；采用节约算法得到所述目标物流的初始规划路径信息；采用遗传算法获取所述初始规划路径的最优解；根据所述物流路径的最优解，进行物流路径规划，还公开了一种司机排班调度方法，应用所述的一种物流路径规划方法，包括以下步骤：获取预设司机约束条件，结合所得最优物流路径，根据遗传算法进行司机排班规划；生成司机排班调度信息，还包括一种物流路径规划装置和司机排班调度装置，这种考虑现实约束条件的物流路径规划方法与司机调度方法，使得建立的模型更加精确，也更接近现实实际情况，其可操作性更强，减少企业因为模型偏差造成的运输成本、人力成本和时间成本。

Description

一种物流路径规划方法、装置及司机排班调度方法、装置

技术领域

本发明属于物流资源分配技术领域，特别涉及一种物流路径规划方法及装置和司机排班调度方法及装置。

背景技术

物流配送行业发展日新月异，国内多数物流企业对于物流路径规划沿用国外较为成熟的规划算法，但是由于城市环境以及路网复杂程度并不相同，随着复杂度愈来愈高，现有的传统方法，例如线性规划法、动态规划法等，逐渐满足不了问题的需求，追不上现有的行业发展速度，而且现有大部份企业都是将运输业务外包，或者自营，在车辆路径选择与司机调度排班上，均为人工凭经验进行车辆与人员调度。

为了实现合理安排物流配送路径，目前，现有技术采用线性规划或动态规划方式，其能够得到全部可行解，但是运算量大，适用于小规模的路径问题，而群体智能算法，其通过模拟某些生物的行为(例如粒子群算法、遗传算法、细菌觅食优化算法等)或物理现象(例如模拟退火算法)，随机生成初始解，并按这些模拟的行为机制在可行域中不断搜索和更迭，直到找到问题的一个趋近于最优解的可行解，这种方法不能保证得到最优解，甚至有时也不能确定所得到的解离最优解的相近程度，并且目前使用的规划算法很少考虑到物流过程中的现实约束条件，使得规划的路径无法落地，造成成本与时间的耗费。

司机排班是指制定合理的方案解决驾驶员排班和分配问题，是运输企业提高竞争力和成本控制的重要内容，一般企业所有业务接单后均由车辆调度员进行调度，调度员根据车辆使用情况与货物数量进行车辆选择，人工凭借经验选择物流车辆数量、运输路线与司机排班，主观性强，存在着调度效率低下，运输时间较长，车辆资源利用率低下，司机排班不合理不公平，空驶情况严重等问题。

针对上述问题，现有技术并没有提出好的解决方案。

发明内容

本发明的目的在于提出一种物流路径规划方法及装置和司机排班调度方法及装置，能够在具有多种现实约束条件的情况下进行物流路径的最优规划，并且利用所述最优路径规划方法规划出的路径基础上进行司机排班的高效调度。

为了实现上述目的，本发明采用的技术方案是：

依据本发明的一个方面，提供了一种物流路径规划方法，包括设置目标物流路径的现实约束条件；采用节约算法得到所述目标物流的初始规划路径信息；采用遗传算法获取所述初始规划路径的最优解；根据所述遗传算法的最优解，进行物流路径规划。

进一步地，所述现实约束条件包括：载重量约束、车型约束、配送车辆数约束、时间窗约束和配送网点数量约束；

其中，所述载重量约束包括各配送路径上配送网点的物资需求量与配送车辆载重量匹配；所述车型约束包括配送网点的需求车型与配送车辆车型匹配；所述配送车辆数约束包括单个配送网点配送需求由一辆汽车完成；所述时间窗约束包括配送车辆配送时间与单个配送网点的配送时间匹配；所述配送网点数量约束包括单个车辆一次配送过程所服务的配送网点数量与其配送能力匹配。

进一步地，所述节约算法包括预设评判标准和预设选择标准；所述评判标准包括成本评判，所述成本评判包括距离成本和车辆成本；所述预设选择标准为在符合所述评判标准的配送网点中选择配送成本最少的配送网点。

进一步地，通过获取所述初始规划路径信息作为所述遗传算法的初始值；其中，所述初始值包括所述节约算法中生成的线路；对所述初始值根据所述遗传算法进行交叉、变异和多次迭代操作，获得所述初始种群的最优解。

另一方面，本发明还提供了一种物流路径规划装置，包括：

约束条件获取单元，用于获取物流路径规划的现实约束条件；

初始路径获取单元，用于采用节约算法得到初始规划路径信息；

最优路径获取单元，用于采用遗传算法获取路径规划的最优解；

路径规划生成单元，用于根据所述最优解生成具体的物流路径。

再一方面，本发明还提供了一种司机排班调度方法，应用所述的一种物流路径规划方法，包括以下步骤：

获取预设司机约束条件；

结合所得最优物流路径，根据遗传算法进行司机排班规划；

生成司机排班调度信息。

进一步地，所述预设的司机约束条件包括，工作时间窗约束、最小班次间隔约束、工作时长约束、上下班地点约束和驾驶技能约束；所述工作时间窗约束包括每个班次的起止时间必须同时落在司机的任一工作时间窗内；所述最小班次间隔约束包括单个司机两个班次之间的间隔大于给定的休息时间；所述工作时长约束包括单个司机的连续驾驶时间小于给定的连续驾驶时间，且一天的工作总时长小于给定的工作总时长；所述上下班地点约束包括单个司机的上下班地点统一；所述驾驶技能约束包括单个司机的驾驶技能与所驾驶配送车辆相匹配。

进一步地，所述遗传算法的初始值为所述最优物流路径；所述根据遗传算法进行司机排班规划包括对所述初始值根据所述遗传算法进行交叉、变异和多次迭代操作，获得所述初始值的最优解；所述最优解为司机排班调度信息。

进一步地，所述物流路径规划线路之间有交叉点，所述交叉点包括转运中心和配送网点；当物流路径位于所述交叉点时，进行司机与配送车辆交换。

第四方面，本发明还提供了一种司机排班调度装置，包括：

初始条件获取单元，用于获取物流路径和预设的司机约束条件；

排班规划获取单元，用于根据遗传算法进行司机排班规划；

排班调度信息生成单元，用于根据排班规划获取单元获取的排版规划生成司机排班调度信息。

本发明的有益效果是：

本发明提供了一种物流路径规划方法，针对配送过程现实情况在现有的物流配送问题中添加了物流过程中的现实约束条件，包括但不限于时间窗、跨城数量、车型限制、运费份额、跨城数量等约束条件，并且针对车辆行驶时间问题，考虑了车辆行驶道路的类别、时间段与状况以及货车行驶速度限制，使模型能够根据路况信息做出策略调整，通过采用节约算法和遗传算法相结合的方式缩短迭代时间进行物流路径的合理规划，能够减少运算时间，能更准确、快速地在最短时间内给出更合理的解决方案，这种考虑现实约束条件的物流路径规划方法，使得建立的模型更加精确，也更接近现实实际情况，其可操作性更强，减少企业因为模型偏差造成的运输成本、人力成本和时间成本。

另一方面，在物流路径规划的基础上，实现司机的排班调度，针对司机排班过程中的现实情况，添加了排班调度过程中的现实约束条件，包括但不限于工作时间窗约束、最小班次间隔约束、工作时长约束、上下班地点约束和驾驶技能约束等，并且采用在线路交叉点更换司机的方法，实现“车不停，人更换”的司机调度方式，加快运输效率，实现更合理的司机排班。

通过智能算法的引入，取代以往人工进行驾驶员排班的情况，大大减少人为主观性。算法考虑驾驶员上下班地点、驾驶员上班时长、驾驶员工时与任务分配公平等约束，科学、系统地进行驾驶员调度，减少驾驶员数量，均衡驾驶员工作时长。对驾驶员进行合理的调度不仅可以大大节省成本，还能够提高驾驶员生活水平，提升驾驶员对工作的满意度。

附图说明

图1是本发明技术方案的应用背景。

图2是本发明一种实施例的物流路径规划方法的流程图。

图3是本发明一种实施例的快递网络线路优化示意图。

图4是本发明一种实施例的物流路径规划方法中节约算法原理图。

图5是本发明一种实施例的物流路径规划方法中节约算法的预设评判标准示意图。

图6是本发明一种实施例的物流路径规划方法中节约算法的预设选择标准示意图。

图7是本发明一种实施例的物流路径规划方法中节约算法与遗传算法结合原理图。

图8是本发明一种实施例的物流路径规划方法中遗传算法原理图。

图9是本发明一种实施例的物流路径规划方法中遗传算法交叉变异示意图。

图10是本发明一种实施例的物流路径规划装置的结构图。

图11是本发明一种实施例的司机排班调度方法的流程图。

图12是本发明一种实施例的司机排班调度方法中路径规划线路间交叉情况示意图。

图13是本发明一种实施例的司机排班调度方法中路径规划线路间交叉点示意图。

图14是本发明一种实施例的司机排班调度方法中交叉点为配送网点示意图。

图15是本发明一种实施例的司机排班调度方法中交叉点为配送网点时进行司机调度示意图。

图16是本发明一种实施例的司机排班调度方法中交叉点为转运中心示意图。

图17是本发明一种实施例的司机排班调度方法中遗传算法示意图。

图18是本发明一种实施例的司机排班调度装置的结构图。

具体实施方式

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。

参照图1，为本发明技术方案的应用背景，基于快递物流的网络配送模式，物流结构由转运中心和配送网点组成，本发明的物流路径规划和司机排班调度都用于连接转运中心和配送网点之间的快递进港和出港业务，其中所述收取多个网点的货物往中转场运送，该流程称为出港，即收件过程，从中转场(转运中心)用多辆货车向多个网点送货，该流程称为进港，即派件过程。当前出港与进港是不同的业务，没有进行资源整合，导致资源利用率低，运输配送成本高，本发明适用于物流进港与出港的线路规划，通过连接进港与出港的线路，优化资源利用，提升整体配送效率，减少配送成本。

参照图2，是本发明一种实施例的物流路径规划方法的流程图，所述流程包括：S11设置目标物流路径的现实约束条件；S12采用节约算法得到所述目标物流的初始规划路径信息；S13采用遗传算法获取所述初始规划路径的最优解；S14根据所述遗传算法的最优解进行物流路径规划。

在进行目标物流路径规划时，需要考虑现实约束条件，采用节约算法进行初始规划时需要满足现实性约束条件，将满足约束条件的节约算法值作为遗传算法的初始值，对该初始值进行遗传算法的交叉、变异和多次迭代操作，满足预设迭代次数后得到一个最优解，根据该最优解即可得到物流规划路径信息。

如图3所示，为本发明一种实施例的快递网络线路优化示意图，本发明物流路径规划方法应用于连接转运中心和配送网点之间的快递进港和出港业务，例如连接配送网点C与配送网点D，其完整路线为：再转运中心O1装上网点C的货物，到达配送网点C卸货后，前往配送网点D，装上配送网点D的货物，送达转运中心O1卸下。

由于实际物流配送中每个转运中心与配送网点的位置、收件量、派件量、拥有车型以及时间约束都不一定相同，比如有的配送网点太小，因而不能由大型车进行配送，即是对车型有限制的配送网点；再有每辆配送车辆的载重量都是有限且不相同，再有就是大部份转运中心与配送网点在现实中都有收发货时间段，尤其是对易腐食品的运输，对配送时间窗的要求十分严格，例如A超市只在早上6点到6点半间有空闲时间收货，超过该时间段，拒收货物或者加收惩罚成本，这就要求再规划物流配送线路时，需要考虑到预设现实约束条件，进行合理的车辆行驶路线规划。

本发明中物流路径规划方法所述预设现实约束条件包括：载重量约束、车型约束、配送车辆数约束、时间窗约束和配送网点数量约束；

所述载重量约束指每条配送路径上配送网点的物资需求量与配送车辆载重量匹配，即每条配送路径上配送点的需求量之和不超过配送车辆的载重量；

所述车型约束指配送网点的需求车型与配送车辆车型匹配，即考虑部分小配送网点容纳不下大型车的情况，对其分配符合该配送网点运营能力的相应车型；

所述配送车辆数约束指单个配送网点配送需求由一辆汽车完成；

所述时间窗约束指配送车辆配送时间与单个配送网点的配送时间匹配，；

所述配送网点数量约束指单个车辆一次配送过程所服务的配送网点数量与其配送能力匹配，即配送车辆进行一次配送过程的配送点数目不得超过指定数量。

结合图4所示本发明一种实施例的物流路径规划方法中节约算法原理图来说明图2中所述S12为采用节约算法得到所述目标物流的初始规划路径信息的具体实施方法，所述节约算法又称为节约里程法，节约算法用来解决运输车辆数目不确定问题，可以用并行方式和串行方式来优化行车距离，其核心思想是依次将运输问题中的两个回路合并为一个回路，每次使合并后的总运输距离减小的幅度最大，直到达到一辆车的装载限制时，再进行下一辆车的优化。

(1)距离成本考虑：

上述公式(1)中，S为里程成本，C为使用车辆成本，S1为图4(a)的运输成本，S2为图4(b)的运输成本，判断图4(a)的运输成本是否低于图4(b)的运输成本大小，节约里程法选择运输成本低的方案。

(2)时间窗考虑：

从到达时间点反推，如果到达配送点或取货点时间的不在服务时间窗内，则提前至其休息时间之前到达，同时确保出发时间不在上一送货时间范围内；

(3)载重量考虑：

每条配送路径上配送点的需求量之和不能超过配送车辆最大装载量，超过即进行下一辆车的优化；

(4)线路分割考虑：

以时间窗和装载限制为双重约束，一串线路(个体)，如果下一个配送网点不满足配送点时间窗或车辆装载限制，即断开线路，意味着增加一辆配送车辆来进行该配送网点的配送任务，也就是说线路切割形成了一条新线路。

图2中所述S12为采用节约算法得到所述目标物流的初始规划路径信息，所述节约算法中包括预设评判标准和预设选择标准，所述标准评判为成本评判，所述成本评判包括距离成本和车辆成本，所述预设选择标准为在符合所述标准评判的配送网点中选择连接成本最少的配送网点，下面以连接配送网点C与配送网点D的路径优化为例说明预设评判标准和预设选择标准。

如图5所示，为本发明一种实施例的物流路径规划方法中节约算法的预设评判标准示意图，首先从转运中心装点需要配送至配送网点C的货物至配送网点C，在配送网点C卸货后，所述预设评判标准中标准为判断连接多个配送网点增加的运输成本是否小于或等于从转运中心新派配送车辆到出港配送网点的运输成本，因此可以得出从转运中心O1运输货物到达配送网点C卸货后，该配送车辆有以下选择方案：

1)方案一：返回转运中心O1；

2)方案二：前往配送网点D装货后送往转运中心O1；

3)方案N：前往网点N装货后送往转运中心O1；

选择方案一(即空车返回转运中心)或方案N(前往其他配送网点装货)取决于两种方案的运输成本(车辆运输成本包括启用成本和里程成本)；

运输成本对比核算公式为：

S(CN)+C(CN)≤S(ON)+C(ON) (2)

上述公式(2)中，S(CN)为配送网点C到配送网点N的里程成本，C(CN)可能产生的改用装载量大的大车成本，S(ON)为转运中心到网点N的里程成本，C(ON)为转运中心新派配送车辆至配送网点N的车辆成本；

如果满足上述运输成本对比核算公式，即配送网点N符合评判标准，纳入候选连接配送网点，所述选择标准指在符合预设评判标准的各配送网点中，对比配送网点C与各配送网点连接的成本，选择增加最少成本的配送网点为待连接配送网点。

如图6所示，为本发明一种实施例的物流路径规划方法中节约算法的预设选择标准示意图中，如公式(2)中改用装载量大的大车成本在该具体实施例中指：从转运中心O1运输货物到达配送网点C卸货后，如果选择将其他配送网点的物流往转运中心01，可能需要开始就使用较大吨位的配送车辆，即会产生“改用装载量大的大车成本”，配送网点C的货物重量不大于1t，用1t的配送车辆进行配送即可，配送网点D的获取重量或许大于1t，需用1.5t配送车辆进行配送，如果选择连接配送网点C与配送网点D，即需改用1.5t的配送车辆进行配送，产生的1.5t配送车辆启用成本与1t配送车辆启用成本的差价为“改用装载量大的大车成本”。

如图6所示，先用评判标准检验配送网点D与配送网点E是否适合与配送网点C连接，再根据所述选择标准选择增加最少成本的配送网点为待连接配送网点。

连接配送网点C与配送网点D的成本为：20(原本用1t配送车辆，后改用1.5t大车的成本)+60(配送网点C与配送网点D的距离成本)＜80(新派1.5t配送车辆到配送网点D的成本)+100(转运中心O1与配送网点D的距离成本)；连接配送网点C与配送网点E的成本为：130(配送网点C与配送网点E的距离成本)＜60(新派1t配送车辆到配送网点E的成本)+80(转运中心O1与配送网点E的距离成本)。

配送网点D与配送网点E均符合评判标准，将配送网点D、E纳入考虑；进而根据所述选择标准：20+60＜130，故选择配送网点C与配送网点D的路径连接更优。

由于采用单一算法来进行解决车辆路径规划，容易陷入局部最优，无法找到最优解，并且迭代求解花费的时间也会十分长，不符合现实当中每日要求的实时计算的要求，因此本发明物流路径规划方法采用将增加路径成本选择的节约算法与遗传算法相结合的方式来进行物流路径规划，巧妙地运用节约算法为遗传算法提供较优的初始种群，以便在用遗传算法的时候可以减少计算迭代的次数，即可以缩短计算时长。

如图7所示，为本发明一种实施例的物流路径规划方法中节约算法与遗传算法结合原理图，通过节约算法对满足预设现实约束条件的规划路径，再进行路径成本计算，进行最小成本选择之后得到运输成本较小的配送路径，即在满足预设现实约束条件的可行解中再挑选出最优解，再将节约算法得出的运输成本较小的配送线路作为遗传算法的初始解，经过遗传算法的交叉、变异和多次迭代等优胜劣汰过程，判断其是否达到迭代次数，从而优化上述节约算法得到的初始解，得到最优解。

下面具体说明遗传算法在本发明中物流路径规划方法中的使用。

如图8所示为本发明一种实施例的物流路径规划方法中遗传算法原理图，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。

由图可知遗传算法包括，得到初始化种群，对该初始化种群进行适应度检测，对经过适应度监测的种群进行选择、交叉和变异操作，判断其是否满足终止条件，若不满足所述终止条件则重新进行适应度检测，并重复选择、交叉和变异操作，若满足所述终止条件，则进行终止操作，所述终止条件为预设的迭代次数，所述适应度检测指选择适应度函数大的解进行保留，所述适应度函数表示为：

1/carCost (4)

上述公式(3)中carCost为车辆运输成本，n为配送车辆数，B为单个车辆的固定启用成本，C为运输成本单价，L为所需的运输里程数。

如公式(4)所示为适应度函数，即所述的适应度函数为车辆运输成本的倒数，即表示选择运输成本小的个体进行保留。

如图9所示为本发明一种实施例的物流路径规划方法中遗传算法交叉变异示意图，该图用于说明交叉变异的原理。

如图9所示，R1、R2、...、Rn等代表一个配送订单，即一个出港或进港任务，例如：R1是转运中心到配送网点C的配送任务，R2是配送网点D到转运中心的配送任务等，而节约算法的输出是代表各出港、进港任务的一长串字符串，也可以说是一个个体，在遗传算法开始之前，会复制该个体成多个个体，一开始各个个体是一样的，经过交叉变异操作后就变得不同了，然后这些不同的个体形成初始化种群，如图9中所示，初始化种群由节约算法得到的选择运输成本小的个体经过复制之后，进行一次交叉变异得到的父代子体A、B...N，然后A、B...N再进行交叉产生子代A1、B1和N1，在得到的子代中进行适应度检测，保留适应度大的子代继续进行交叉、变异操作，将适应度小的个体淘汰，即适者生存过程，经过多次迭代即可得到最优解。

(1)交叉：

步骤如下：

1)将交叉算子作用于指定群体，在每对父代的染色体中，选择任一条父代染色体(父代1)，任意选取2个交叉点；

2)取出这2个交叉点间的基因，记为T；

3)取出另一条父代的染色体(父代2)中与父代1交叉点处的基因，根据其在父代2中的序位插入父代1的空位中，得出子代1；

4)将从父代1中取出的染色体按其在父代1中的位置，补入到父代2中的空位，得出子代2。

目前，一般采用类PMX方法，假设有两个父体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

A和B分别代表个体，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54 3 7 1 2 6 8 9。本步骤进行交叉的两个个体来自前一步进行选择时产生的两个染色体，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。

如图9所示，采用类PMX方法，将两个父体A、B进行交叉，交叉位置为“|”：

A和B分别代表个体，先把A中的R3赋给子体B1的第1个位置，然后B中的元素逐个与R3相比，若相同则置之不用，若不同,就将其顺序放在子体B1的后续位置，从而得到子体B1为R3R1R2R4，同样方法可以得到子体A1为R2R1R3R4。本步骤进行交叉的两个个体来自前一步进行选择时产生的两个染色体；

(2)变异：

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，对自然数编码的染色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新染色体是否进行变异操作。

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，变异操作即交换两个基因的位置，变异概率Pm＝1％。

(3)选择与迭代

反复交叉、变异操作，计算每个个体的适应度函数(车辆成本的倒数)，进行优胜劣汰，选择适应度函数值大的个体进行保留，多次迭代后找到最优解。

遗传算法会进行很多次交叉变异，直到达到预设的迭代次数终止，然后选出最优的个体作为最优解，所述最优解即为最低成本的个体。

其中路径规划中需要在个体间进行识别是否有需要换车的情况，有的话即将个体分隔开。换车的情况包含有：不满足下一个网点的出发时间要求、超过车辆装载限制等条件，无法满足这两点限制的即进行线路分割，线路分割可称为解码，即得到的包含多条线路的个体如何分割成多条线路，线路分割会形成一条新线路，例如：R1是中转场到网点C的配送任务，R2是网点D到中转场的配送任务，R1到达时间+行驶时间+装卸货时间晚于R2开始时间，此时需要在个体间换车。

最后需要对最优解个体进行线路分割，即将得到的包含多条线路的个体分割成多条线路。

由上述图4到图9所示即为本发明物流路径规划方法中采用节约算法与遗传算法结合的方式进行物流路径规划的一种实施方式介绍。

如图10所示为本发明一种实施例的物流路径规划装置的结构图，其包括约束条件获取单元11，用于获取物流路径规划的现实约束条件；初始路径获取单元12，用于采用节约算法得到初始规划路径信息；最优路径获取单元13，用于采用遗传算法获取路径规划的最优解，路径规划生成单元14，用于根据所述最优解生成具体的物流路径。

本发明中司机排班调度方法为制定合理的方案解决司机排班调度问题，通过智能算法的引入，取代以往人工进行驾驶员排班的情况，大大减少人为主观性。算法考虑驾驶员上下班地点、驾驶员上班时长、驾驶员工时与任务分配公平等约束，科学、系统地进行驾驶员调度，减少驾驶员数量，均衡驾驶员工作时长，对驾驶员进行合理的调度。

如图11所示为本发明一种实施例的司机排班调度方法的流程图，所述流程包括：S21获取预设司机约束条件；S22结合所得最优物流路径，根据遗传算法进行司机排班规划；S23生成司机排班调度信息。

所述物流路径规划线路可以采用上述本发明的物流路径规划方法生成的路径规划线路；

所述预设的司机约束条件包括，工作时间窗约束、最小班次间隔约束、工作时长约束、上下班地点约束和驾驶技能约束；

所述工作时间窗约束指每个班次的起止时间必须同时落在该司机的任一工作时间窗内，即不能在司机下班时间到了之后该线路还没有结束；

所述最小班次间隔约束指单个司机两个班次之间的间隔大于给定的休息时间，即加入司机两个班次的休息时间为半小时，该司机的两次排班间隔不能小于半小时；

所述工作时长约束指单个司机的连续驾驶时间小于给定的连续驾驶时间，且一天的工作总时长小于给定的工作总时长，司机的上班时长应当严格控制，超过4小时连续驾驶应当进行休息，且一天工作总时长有一定的约束，例如不超过12小时，否则容易产生疲劳驾驶；

所述上下班地点约束指单个司机的上下班地点统一，应保证各司机工作量均衡，不能产生在不同地点上下班的情况，这样容易产生多余劳动；

所述驾驶技能约束指单个司机的驾驶技能与所驾驶配送车辆相匹配，即司机驾驶大型货车与小型货车的技能应该与分配给其的车型相匹配，这样能保证驾驶效率和驾驶安全。

如图12所示为本发明一种实施例的司机排班调度方法中路径规划线路间交叉情况示意图，每一直线表示物流路径规划后的一条线路，各线路之间存在交叉的情况，所述交叉点包括转运中心和配送网点，即其有可能是在转运中心，也可能是配送网点，而只有在交叉点时才允许进行司机与配送车辆交换，每个交叉点都有路径规划后安排的车辆的到达时间和出发时间信息，而司机只能在转运中心进行上下班，采用这种交换能实现物流行业追求的快速运输，即“车不停，人更换”，也使司机排班时间更合理，工作任务更饱和，各司机工作时长更均衡。

如图13所示为本发明一种实施例的司机排班调度方法中路径规划线路间交叉点示意图，在配送网点存在路径交叉的情况，所述交叉指的是空间上为同一个点，时间上能相遇(即第二辆车在前一个车辆停留时间内到达同一配送网点或者同一转运中心)，如图13所示，即线路1的配送车辆在B网点的到达时间为7：00，出发时间为9：00，线路2的配送车辆在B网点的到达时间为8：30，出发时间晚于9：00，该线路即存在交叉。

如图14为本发明一种实施例的司机排班调度方法中交叉点为配送网点示意图，图15为本发明一种实施例的交叉点为配送网点时进行司机调度示意图，结合这两个图进行交叉点为配送网点时进行司机调度方法说明。

如图14所示，假设ABD、GBC为路径规划算法得到的线路片段，配送车辆按照该线路进行物流配送，点B为配送网点，点A、C、D、G和F等可以为配送网点，也可为转运中心，司机甲驾驶配送车辆1从A点出发完成线路ABD中两段线路AB-BD，司机乙驾驶车辆2从G点出发完成线路GBC中两段线路GB-BC，如图13所示，车辆1于7点钟到达B点，预计于9点钟出发前往下一目的地；车辆2于8点30到达B点，故在B配送网点司机甲与司机乙相遇，即线路ABD、GBC存在空间上与时间上存在交叉的情况，该种情况下可以进行司机的交换，如图14、图15所示，司机在配送网点B交换车辆后完成剩余的线路，即司机甲驾驶车辆1完成线路ABD中的AB段，在配送网点B中与司机乙换车后，驾驶车辆2完成乙原先的线路GBC中的BC段；司机乙驾驶车辆2完成线路GBC中的GB段，在配送网点B中与司机甲换车后，驾驶车辆1完成甲原先的线路ABD中的BD段；

此时两位司机的工作时长均达到4小时，这样的交换操作均衡了两位司机的工作量，同时使得其连续工作时长最大化。

如图16所示为本发明一种实施例的司机排班调度方法中交叉点为转运中心示意图，图中路径规划线路间交叉点为同一转运中心，由于司机只能在转运中心进行上下班，因此司机到达转运中心后有多种情况，如下所述：

首先判断是否继续工作，如果到了该司机的下班时间，直接下班，如果能继续工作，就判断其是否需要选择线路，若不需要选择线路，则继续驾驶自己的车辆完成自己的线路，若需要进行车辆交换，则需要判断该配送车辆是否在转运中心，若在转运中心，则直接驾驶该车辆进行接下来的线路，若该车辆还未到达转运中心，则在等待时间内等待该车辆以继续线路，上述所有继续驾驶车辆的操作均需在司机的最大连续驾驶时长时间窗内，以此避免不安全的疲劳驾驶。

所述进行司机排班调度方法中，所述司机约束条件主要是在实现所属遗传算法时加上一些限制条件，所述遗传算法与上述物流路径规划方法中遗传算法采用相同的原理，不同的时上述路径规划中遗传算法得到的最优个体为路径的规划线路，而司机排班调度中遗传算法计算出来的最优个体为司机的排版线路。

所述司机排班调度中采用的遗传算法的初始解为路径规划得到的线路。

司机是允许换车的，得到初始种群后进行交叉变异，形成新个体，每个基因是配送点，通过这些限制条件判断司机能否完成下一个配送点，不行则断开，线路断开即代表司机停止工作，以此来计算总的人员运输成本。

如图17是本发明一种实施例的司机排班调度方法中遗传算法示意图。

在所述遗传算法中，一个个体代表一个可行解，所有可行解都是满足司机排班调度约束条件的解，在可行解当中根据适应度函数挑选最优解，即人员成本最低的解，有以下几个步骤：

(1)编码

每个基因指为司机的配送任务节点，将所有司机的任务节点串成一个个体，该个体即为一个排班调度安排。

(2)进化迭代

在不同个体间进行交叉变异使之形成新个体，交叉变异操作与物流路径规划方法中遗传算法相同，并设置最大迭代次数，反复进行交叉变异操作。

(3)选择-适应度函数

计算每个个体适应度函数，选择适应度函数大的解进行保留，所述适应度函数为：

1/personCost (5)

如公式(5)所示，适应度函数即为人员成本的倒数，也就是选择人员成本小的个体进行保留。

(4)解码

所有可行解均能够保证满足司机排班调度的约束条件，如司机工作时间窗、司机最小班次间隔、司机的工作时长、上下班地点一致和司机驾驶技能等，在得到最优个体后，对其进行最优解的解码，同时利用约束条件进行线路分割，即当下个任务节点，不满足约束条件中任一条件时，则增加新的司机来进行配送任务。

如图17中所示，图a为所述路径规划算法方法中遗传算法迭代后得到的最优个体，即所有线路组成的一个可行解，即车辆的行驶路线，将该最优的车辆行驶线路作为司机排班规划的初始解，对该初始解进行配送网点交换，得到新的个体，通过司机排班调度约束条件与交换司机的条件进行司机线路分割，如图a中点A为转运中心，司机从转运中心A到配送网点B执行任务，随后判断配送点F能否由司机1继续配送；

判断条件包括以下：

1)不能超过司机的最长工作时长与司机的可工作范围，例如司机已上班6小时，从配送点B到配送点F需要2.5小时，这种情况即超过了司机的最长工作时间8小时，违背该约束条件，即需要切割司机线路，也就是F点的配送任务由新司机进行配送；

2)司机工作最小班次间隔：要考虑司机进行两个班次之间的间隔是否大于给定的休息时间；

3)司机上下班地点一致：要考虑配送网点返回转运中心的时间是否满足司机可工作时间，保证司机上下班地点均在同一个转运中心；

4)司机驾驶技能：在物流路径规划完成后，车辆线路已经固定，即每个配送点有对应的已经安排好的车型进行配送，如果司机线路中安排的司机无法驾驶该线路指定的车型，则需要更换司机；

5)如果下一个判断点为配送网点，按交叉点为配送网点的情况进行判断，符合可交叉条件即可由司机进行配送，不符合即更换司机；

6)如果下一个判断点为转运中心，按交叉点为转运中心的情况进行判断，符合可交叉条件即可由司机进行配送，不符合即更换司机；

如图18所示为本发明一种实施例的司机排班调度装置的结构图，其包括三个部分，分别为初始条件获取单元21，用于获取物流路径和预设的司机约束条件；排班规划获取单元22，用于根据遗传算法进行司机排班规划；排班调度信息生成单元23，用于根据排班规划获取单元获取的排版规划生成司机排班调度信息。

通过采用节约算法和遗传算法相结合的方式缩短迭代时间进行物流路径的合理规划，能够减少运算时间，能更准确、快速地在最短时间内给出更合理的解决方案，并且采用在线路交叉点更换司机的方法，实现“车不停，人更换”的司机调度方式，加快运输效率，实现更合理的司机排班。

通过智能算法的引入，取代以往人工进行驾驶员排班的情况，大大减少人为主观性。算法考虑驾驶员上下班地点、驾驶员上班时长、驾驶员工时与任务分配公平等约束，科学、系统地进行驾驶员调度，减少驾驶员数量，均衡驾驶员工作时长。对驾驶员进行合理的调度不仅可以大大节省成本，还能够提高驾驶员生活水平，提升驾驶员对工作的满意度。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种物流路径规划方法，其特征在于，包括以下步骤：

设置目标物流路径的现实约束条件；

采用节约算法得到所述目标物流的初始规划路径信息；

采用遗传算法获取所述初始规划路径的最优解；

根据所述遗传算法的最优解，进行物流路径规划。

2.根据权利要求1所述的一种物流路径规划方法，其特征在于：

所述现实约束条件包括：载重量约束、车型约束、配送车辆数约束、时间窗约束和配送网点数量约束；

其中，所述载重量约束包括各配送路径上配送网点的物资需求量与配送车辆载重量匹配；

所述车型约束包括配送网点的需求车型与配送车辆车型匹配；

所述配送车辆数约束包括单个配送网点配送需求由一辆汽车完成；

所述时间窗约束包括配送车辆配送时间与单个配送网点的配送时间匹配；

所述配送网点数量约束包括单个车辆一次配送过程所服务的配送网点数量与其配送能力匹配。

3.根据权利要求1或2所述的一种物流路径规划方法，其特征在于：

所述节约算法包括预设评判标准和预设选择标准；

所述评判标准包括成本评判，所述成本评判包括距离成本和车辆成本；

所述预设选择标准为在符合所述评判标准的配送网点中选择配送成本最少的配送网点。

4.根据权利要求3所述的一种物流路径规划方法，其特征在于：

通过获取所述初始规划路径信息作为所述遗传算法的初始值；

其中，所述初始值包括所述节约算法中生成的线路；

对所述初始值根据所述遗传算法进行交叉、变异和多次迭代操作，获得所述初始种群的最优解。

5.一种物流路径规划装置，其特征在于，包括：

约束条件获取单元，用于获取物流路径规划的现实约束条件；

初始路径获取单元，用于采用节约算法得到初始规划路径信息；

最优路径获取单元，用于采用遗传算法获取路径规划的最优解；

路径规划生成单元，用于根据所述最优解生成具体的物流路径。

6.一种司机排班调度方法，应用权利要求1至4任一项所述的一种物流路径规划方法，其特征在于，包括以下步骤：

获取预设司机约束条件；

结合所得最优物流路径，根据遗传算法进行司机排班规划；

生成司机排班调度信息。

7.根据权利要求6所述的一种司机排班调度方法，其特征在于：

所述预设的司机约束条件包括，工作时间窗约束、最小班次间隔约束、工作时长约束、上下班地点约束和驾驶技能约束；

所述工作时间窗约束包括每个班次的起止时间必须同时落在司机的任一工作时间窗内；

所述最小班次间隔约束包括单个司机两个班次之间的间隔大于给定的休息时间；

所述工作时长约束包括单个司机的连续驾驶时间小于给定的连续驾驶时间，且一天的工作总时长小于给定的工作总时长；

所述上下班地点约束包括单个司机的上下班地点统一；

所述驾驶技能约束包括单个司机的驾驶技能与所驾驶配送车辆相匹配。

8.根据权利要求6或7所述的一种司机排班调度方法，其特征在于：

所述遗传算法的初始值为所述最优物流路径；

所述根据遗传算法进行司机排班规划包括对所述初始值根据所述遗传算法进行交叉、变异和多次迭代操作，获得所述初始值的最优解；

所述最优解为司机排班调度信息。

9.根据权利要求8所述的一种司机排班调度方法，其特征在于：

所述物流路径规划线路之间有交叉点，所述交叉点包括转运中心和配送网点；

当物流路径位于所述交叉点时，进行司机与配送车辆交换。

10.一种司机排班调度装置，其特征在于，包括：

初始条件获取单元，用于获取物流路径和预设的司机约束条件；

排班规划获取单元，用于根据遗传算法进行司机排班规划；

排班调度信息生成单元，用于根据排班规划获取单元获取的排版规划生成司机排班调度信息。