CN108960747B - 物流调度的优化方法及装置、存储介质、终端 - Google Patents
物流调度的优化方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN108960747B CN108960747B CN201810954420.1A CN201810954420A CN108960747B CN 108960747 B CN108960747 B CN 108960747B CN 201810954420 A CN201810954420 A CN 201810954420A CN 108960747 B CN108960747 B CN 108960747B
- Authority
- CN
- China
- Prior art keywords
- matching matrix
- nth
- iterative operation
- round
- kth
- 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.)
- Active
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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种物流调度的优化方法及装置、存储介质、终端,所述方法包括:确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。本发明方案可以使得到的最优匹配矩阵更加符合具体需求。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种物流调度的优化方法及装置、存储介质、终端。
背景技术
在现有技术中,通过物流调度,将待承载对象(如商品或人员)从出发地运输到目的地,这期间需要大量人力物力确保物流调度的完成,因此如何确定更加优化的物流调度方法,已经受到越来越广泛的重视。具体地,以工厂生产的商品车为例,需要在主机厂附近的仓库和卫星库之间调运,短驳运输,进行质量检测,在仓库中进行装车,运送到目的城市的目的仓库,由特定经销商验收。整车物流调度时,需要满足各个环节的业务约束条件,调度的优化目标多元且相互制约。
在现有的一种物流调度方法中,采用贪心算法,简单地通过实时分配订单到车辆来形成调度计划。然而这种方法获得的物理调度方案效果较差,用户体验度较低。
发明内容
本发明解决的技术问题是提供一种物流调度的优化方法及装置、存储介质、终端,使得到的最优匹配矩阵更加符合具体需求。
为解决上述技术问题,本发明实施例提供一种物流调度的优化方法,包括以下步骤:确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。
可选的,根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵包括:设定模拟退火参数,所述模拟退火参数包括内循环次数N以及迭代运算轮数K,N和K为正整数;根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵;其中,每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,以分别得到每一轮迭代运算中的第一最终匹配矩阵至第N最终匹配矩阵;每一轮迭代运算中的第n最终匹配矩阵根据第n-1最终匹配矩阵确定,2≤n≤N;后一轮迭代运算中的第一最终匹配矩阵根据前一轮迭代运算中的第N最终匹配矩阵确定。
可选的,根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算包括:对于第k轮迭代运算,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,1≤k≤K;在所述第k轮迭代运算中的第n-1最终匹配矩阵中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵;确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值;比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵。
可选的,所述模拟退火参数还包括第一轮迭代运算中的第一温度T1,第K轮迭代运算中的终止温度TK,以及每轮迭代运算中的温度Tk,其中,T1≥Tk≥TK,且Tk随轮次增加而依次减小,比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵包括:如果所述第k轮迭代运算中的第n匹配矩阵的目标性能值优于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,则确定所述第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵;如果所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,则以概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,以概率1-p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵;其中,采用下述公式确定所述概率p:
Δf用于表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值与所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值的差值。
可选的,所述目标性能值包括单目标的性能值以及对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值;其中,所述单目标选自:所述承载对象的装载重量最大化、所述承载对象的装载数量最大化、所述承载对象的紧急程度最优化、所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少。
可选的,在确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值之前,所述的物流调度的优化方法还包括:判断所述第k轮迭代运算中的第n匹配矩阵是否满足约束条件。
可选的,所述约束条件选自以下一项或多项:所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地。
可选的,根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵包括:采用贪心算法确定暂定初始匹配矩阵;判断所述暂定初始匹配矩阵是否满足约束条件,且当所述暂定初始匹配矩阵满足约束条件时,确定所述暂定初始匹配矩阵为所述初始匹配矩阵。
为解决上述技术问题,本发明实施例提供一种物流调度的优化装置,包括:物流资源信息确定模块,适于确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;初始匹配矩阵确定模块,适于根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;最优匹配矩阵确定模块,适于根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。
可选的,所述最优匹配矩阵确定模块包括:参数设置子模块,适于设定模拟退火参数,所述模拟退火参数包括内循环次数N以及迭代运算轮数K,N和K为正整数;最优匹配矩阵确定子模块,适于根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵;其中,每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,以分别得到每一轮迭代运算中的第一最终匹配矩阵至第N最终匹配矩阵;每一轮迭代运算中的第n最终匹配矩阵根据第n-1最终匹配矩阵确定,2≤n≤N;后一轮迭代运算中的第一最终匹配矩阵根据前一轮迭代运算中的第N最终匹配矩阵确定。
可选的,所述最优匹配矩阵确定子模块包括:第一目标性能值确定单元,适于对于第k轮迭代运算,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,1≤k≤K;第k轮第n矩阵确定单元,适于在所述第k轮迭代运算中的第n-1最终匹配矩阵中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵;第二目标性能值确定单元,适于确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值;第k轮第n最终矩阵确定单元,适于比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵。
可选的,所述模拟退火参数还包括第一轮迭代运算中的第一温度T1,第K轮迭代运算中的终止温度TK,以及每轮迭代运算中的温度Tk,其中,T1≥Tk≥TK,且Tk随轮次增加而依次减小,所述第k轮第n最终矩阵确定单元包括:第一第k轮第n最终矩阵确定子单元,适于当所述第k轮迭代运算中的第n匹配矩阵的目标性能值优于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,确定所述第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵;第二第k轮第n最终矩阵确定子单元,适于当所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,以概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,以概率1-p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n-1最终匹配矩阵;其中,采用下述公式确定所述概率p:
Δf用于表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值与所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值的差值。
可选的,所述目标性能值包括单目标的性能值以及对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值;其中,所述单目标选自:所述承载对象的装载重量最大化、所述承载对象的装载数量最大化、所述承载对象的紧急程度最优化、所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少。
可选的,所述最优匹配矩阵确定子模块还包括:判断单元,适于在确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值之前,判断所述第k轮迭代运算中的第n匹配矩阵是否满足约束条件。
可选的,所述约束条件选自以下一项或多项:所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地。
可选的,所述初始匹配矩阵确定模块包括:暂定初始匹配矩阵确定子模块,适于采用贪心算法确定暂定初始匹配矩阵;初始匹配矩阵确定子模块,适于判断所述暂定初始匹配矩阵是否满足约束条件,且当所述暂定初始匹配矩阵满足约束条件时,确定所述暂定初始匹配矩阵为所述初始匹配矩阵。
为解决上述技术问题,本发明实施例提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述物流调度的优化方法的步骤。
为解决上述技术问题,本发明实施例提供一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述物流调度的优化方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
在本发明实施例中,确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。采用上述方案,通过确定初始匹配矩阵,进而采用模拟退火算法进行迭代运算,相比于现有技术中采用贪心算法,由于模拟退火算法具有避免陷入局部最优,克服初值依赖性等优点,采用本发明实施例的方案,可以使得到的最优匹配矩阵满足各项业务约束,并且综合考虑多个优化目标,更加符合具体需求。
进一步,可以根据贪心算法确定初始匹配矩阵,相比于随机确认初始匹配矩阵或者采用人工配置的方式确定暂定初始匹配矩阵,采用本发明实施例的方案,可以更加快速获得暂定初始匹配矩阵,且所述暂定初始匹配矩阵较为优化,有助于在后续采用模拟退火算法进行迭代运算的过程中,降低迭代运算量或者确定更优化的匹配矩阵。
附图说明
图1是本发明实施例中一种物流调度的优化方法的流程图;
图2是图1中步骤S12的一种具体实施方式的流程图;
图3是本发明实施例中另一种物流调度的优化方法的流程图;
图4是图1中步骤S13的一种具体实施方式的流程图;
图5是图4中步骤S42的一种具体实施方式的流程图;
图6是图5中步骤S54的一种具体实施方式的流程图;
图7是本发明实施例中又一种物流调度的优化方法的部分流程图;
图8是本发明实施例中一种物流调度的优化装置的结构示意图;
图9是图8中最优匹配矩阵确定模块83的一种具体实施方式的结构示意图;
图10是图9中最优匹配矩阵确定子模块832的一种具体实施方式的结构示意图;
图11是图10中第k轮第n最终矩阵确定单元8324的一种具体实施方式的结构示意图。
具体实施方式
在现有的一种物流调度方法中,采用贪心算法,简单地通过实时分配订单到车辆来形成调度计划。然而这种方法获得的物理调度方案效果较差,用户体验度较低。
本发明的发明人经过研究发现,在现有的物流调度方法中,考虑的业务约束条件较少,简单地通过实时分配订单到车辆来形成调度计划,产生的调度方案往往只是一个可行的调度方案,而非最优的调度方案,从而无法对多个优化目标进行综合考虑,限制了系统能力的提升和对各方面利益的最大化,严重时还会导致订单延误甚至商品质损。
在本发明实施例中,确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。采用上述方案,通过确定初始匹配矩阵,进而采用模拟退火算法进行迭代运算,相比于现有技术中采用贪心算法,由于模拟退火算法具有避免陷入局部最优,克服初值依赖性等优点,采用本发明实施例的方案,可以使得到的最优匹配矩阵满足各项业务约束,并且综合考虑多个优化目标,更加符合具体需求。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参照图1,图1是本发明实施例中一种物流调度的优化方法的流程图。所述物流调度的优化方法可以包括步骤S11至步骤S13:
步骤S11:确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;
步骤S12:根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;
步骤S13:根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。
在步骤S11的具体实施中,所述车辆个体信息用于指示单个车辆,例如可以包括车辆的标识号、车系信息、车型信息、座位数、驾驶者信息、可承载重量、可承载体积等信息,其中,所述标识号例如可以采用车牌号。
所述承载对象信息用于指示待承载物品、待承载人员等,例如可以包括待承载人员的数量、待承载物品的重量、待承载物品的体积等信息。
需要指出的是,在具体实施中,还可以包括数据分析清洗的步骤,以避免不合理的物流资源信息对后续的物流调度方案产生影响。
在步骤S12的具体实施中,根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵的步骤可以是人工配置以确定的,还可以是随机确定的。
在本发明实施例的一种具体实施方式中,可以采用贪心算法确定初始匹配矩阵。
参照图2,图2是图1中步骤S12的一种具体实施方式的流程图,根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵的步骤可以包括步骤S21至步骤S22,以下对各个步骤进行说明。
在步骤S21中,采用贪心算法确定暂定初始匹配矩阵。
在具体实施中,贪心算法并非从整体最优上加以考虑,所做出的是在某种意义上的局部最优解,然而采用贪心算法确定暂定初始匹配矩阵,相比于随机确认初始匹配矩阵或者采用人工配置的方式确定暂定初始匹配矩阵,采用本发明实施例的方案,可以更加快速获得暂定初始匹配矩阵,且所述暂定初始匹配矩阵较为优化,有助于在后续采用模拟退火算法进行迭代运算的过程中,降低迭代运算量或者确定更优化的匹配矩阵。
在步骤S22中,判断所述暂定初始匹配矩阵是否满足约束条件,且当所述暂定初始匹配矩阵满足约束条件时,确定所述暂定初始匹配矩阵为所述初始匹配矩阵。
在具体实施中,所述约束条件可以选自以下一项或多项:所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地。
其中,所述车辆个体的承载重量上限、所述车辆个体的承载体积上限用于指示承载性能,通常受到车辆个体本身的限制;所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限用于指示地域特点,通常受到政策、地理位置的限制;所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地用于指示承载对象的特性,通常需要车辆个体的承载性能满足承载对象的需求。
具体地,通过约束条件对初始匹配矩阵进行预筛选,有助于保证信息的可靠性和合理性,并避免使得到的匹配矩阵无法具体实施,导致影响用户体验度。
所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系。
具体地,所述初始匹配矩阵将用在后续的模拟退火算法,在模拟退火算法中,利用匹配矩阵这种数学形式来描述系统所处的一种能量状态,该能量状态用于对应着单个具体的物流调度方案,又可以称为单个解。在本发明实施例中,采用匹配矩阵的每一行对应单个车辆个体,采用匹配矩阵的每一列对应一个承载对象(例如为单个运单)。如果某个运单和某个车辆个体匹配,则在匹配矩阵中,可以设置对应的位置为1,否则为0。
参照图3,图3是本发明实施例中另一种物流调度的优化方法的流程图。所述另一种物流调度的优化方法可以包括步骤S31至步骤S36,以下对各个步骤进行说明。
在步骤S31中,确定物流资源信息。
在步骤S32中,采用贪心算法确定暂定初始匹配矩阵。
在步骤S33中,判断暂定初始匹配矩阵是否满足约束条件。
具体地,当判断结果为是时,可以执行步骤S34,当判断结果为否时,可以返回执行步骤S32,以再次采用贪心算法确定另一个暂定初始匹配矩阵。
在步骤S34中,确定暂定初始匹配矩阵为初始匹配矩阵。
在步骤S35中,采用模拟退火算法进行迭代运算。
在步骤S36中,确定最优匹配矩阵。
在具体实施中,有关步骤S31至步骤S36的更多详细内容请参照图1至图2中的步骤的描述进行执行,此处不再赘述。
继续参照图1,在步骤S13的具体实施中,根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。
参照图4,图4是图1中步骤S13的一种具体实施方式的流程图,所述采用模拟退火算法进行迭代运算,以得到最优匹配矩阵的步骤可以包括步骤S41至步骤S42:
步骤S41:设定模拟退火参数,所述模拟退火参数包括内循环次数N以及迭代运算轮数K,N和K为正整数;
步骤S42:根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵。
其中,每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,以分别得到每一轮迭代运算中的第一最终匹配矩阵至第N最终匹配矩阵;每一轮迭代运算中的第n最终匹配矩阵根据第n-1最终匹配矩阵确定,2≤n≤N;后一轮迭代运算中的第一最终匹配矩阵根据前一轮迭代运算中的第N最终匹配矩阵确定。
在步骤S41的具体实施中,所述内循环次数N以及所述迭代运算轮数K均为常数,可以理解的是,物流调度的情况越复杂,车辆个体与承载对象的数量越多,需要采用越大的内循环次数N以及迭代运算轮数K。
由于每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,因此需要K×N-1次迭代运算,才能确定第K轮迭代运算中的第N最终匹配矩阵。进一步地,当初始匹配矩阵也采用运算方式获取时,需要的运算数量为K×N次。
在步骤S42的具体实施中,根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵的步骤可以采用目标性能值比较确定。
在具体实施中,所述目标性能值可以包括单目标的性能值以及对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值。
其中,所述单目标可以选自:所述承载对象的装载重量最大化、所述承载对象的装载数量最大化、所述承载对象的紧急程度最优化、所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少。
其中,所述承载对象的装载重量最大化、所述承载对象的装载数量最大化用于指示承载性能,通常越大越好;所述承载对象的紧急程度最优化用于指示一种用户在时间上的需求,通常越快越好;所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少用于指示地域特点,通常越少绕路越好。
进一步地,可以通过将多个目标进行加权求和,转换成单个归一化目标优化问题进行求解。
具体地,可以采用以下公式确定归一化目标:
其中,G用于指示归一化目标,gi用于指示第i个单目标,wi用于指示第i个目标的加权系数,m用于表示单目标的数量。
其中,权重系数wi可以通过人工根据不同的场景具体确定。
在本发明实施例中,对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值可以用于指示综合考虑多个单目标之后的综合目标,采用归一化目标的性能值对匹配矩阵进行分析,有助于满足更多更复杂的应用场景,相比于仅满足单目标,可以增强物流调度的优化性能,且提高用户体验度。
进一步地,根据所述内循环次数N以及所述迭代运算轮数K,在第K轮迭代运算中的第N次迭代运算中,可以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵。
参照图5,图5是图4中步骤S42的一种具体实施方式的流程图。所述根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵的步骤可以包括步骤S51至步骤S54,还可以包括步骤S51、S52、S55、S53至S54:
步骤S51:对于第k轮迭代运算,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,1≤k≤K;
步骤S52:在所述第k轮迭代运算中的第n-1最终匹配矩阵中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵;
步骤S53:确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值;
步骤S54:比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵。
在步骤S51的具体实施中,可以根据第k轮迭代运算中的第n-1最终匹配矩阵中车辆个体与承载对象的对应关系,确定目标性能值,例如当目标为单目标承载对象的装载重量最大化时,可以通过计算第k轮迭代运算中的第n-1最终匹配矩阵中的承载对象的装置重量之和,得到目标性能值。
在步骤S52的具体实施中,通过在不同车辆个体之间对调各自承载对象的一部分,可以得到新的调度方案,并通过比较目标性能值,确定新旧两个调度方案中较优的那个。在匹配矩阵这种数学形式中,交换矩阵中的两个元素,以得到新的匹配矩阵的步骤,又可以称为产生邻域解。
通常情况下,不会在不同车辆个体之间对调各自承载对象的全部。
优选地,可以在不同车辆个体之间,采用一对一交换各自承载对象的方式,实现在不同车辆个体之间对调各自承载对象的一部分,有助于通过比较目标性能值,直观地确定本次交换带来的效果。
在步骤S53的具体实施中,可以根据第k轮迭代运算中的第n匹配矩阵中车辆个体与承载对象的对应关系,确定目标性能值。
在步骤S54的具体实施中,比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵的步骤可以是通过Metropolis准则邻域移动方法确定的。
参照图6,图6是图5中步骤S54的一种具体实施方式的流程图。所述比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵的步骤可以包括步骤S61至步骤S62,以下对各个步骤进行说明。
在步骤S61中,如果所述第k轮迭代运算中的第n匹配矩阵的目标性能值优于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,则确定所述第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵。
具体地,以Gkn-1表示所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,以Gkn表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值,Gkn优于Gkn-1并非限制为Gkn>Gkn-1,而是需要根据具体目标的性质确定。
例如当目标为所述承载对象的装载重量最大时,可以设置为Gkn>Gkn-1;当目标为所述承载对象的装载数量最大时,可以设置为Gkn>Gkn-1;当目标为所述车辆个体的目的地数量最少时,还可以设置为Gkn<Gkn-1。
步骤S62:如果所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,则以概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,以概率1-p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵;
其中,采用下述公式确定所述概率p:
Δf用于表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值与所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值的差值。
其中,所述模拟退火参数还包括第一轮迭代运算中的第一温度T1,第K轮迭代运算中的终止温度TK,以及每轮迭代运算中的温度Tk,其中,1≤k≤K,T1≥Tk≥TK,且Tk随轮次增加而依次减小。
在本发明实施例中,采用模拟退火算法,当所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,仍然采用概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,具有避免陷入局部最优,克服初值依赖性等优点。
在本发明实施例中,通过确定初始匹配矩阵,进而采用模拟退火算法进行迭代运算,相比于现有技术中采用贪心算法,由于模拟退火算法具有避免陷入局部最优,克服初值依赖性等优点,采用本发明实施例的方案,可以使得到的最优匹配矩阵满足各项业务约束,并且综合考虑多个优化目标,更加符合具体需求。
继续参照图5,在采用步骤S53确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值之前,还可以包括步骤S55:判断所述第k轮迭代运算中的第n匹配矩阵是否满足约束条件。
在具体实施中,所述约束条件可以选自以下一项或多项:所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地。
其中,所述车辆个体的承载重量上限、所述车辆个体的承载体积上限用于指示承载性能,通常受到车辆个体本身的限制;所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限用于指示地域特点,通常受到政策、地理位置的限制;所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地用于指示承载对象的特性,通常需要车辆个体的承载性能满足承载对象的需求。
具体地,通过约束条件对第k轮迭代运算中的第n匹配矩阵进行预筛选,有助于保证信息的可靠性和合理性,并避免使得到的第k轮迭代运算中的第n最终匹配矩阵无法具体实施,导致影响用户体验度。
参照图7,图7是本发明实施例中又一种物流调度的优化方法的部分流程图,所述又一种物流调度的优化方法可以包括图1中示出的步骤S11,还可以包括步骤S701至步骤S719,以下对各个步骤进行说明。
在步骤S701中,确定初始匹配矩阵。
在步骤S702中,确定模拟退火参数。
在步骤S703中,采用第一温度T1。
在步骤S704中,确定初始匹配矩阵的目标性能值G1。
在步骤S705中,在不同车辆个体之间对调各自承载对象的一部分,以得到第一轮迭代运算中的第二匹配矩阵。
在步骤S706中,确定第一轮迭代运算中的第二匹配矩阵的目标性能值G2。
在步骤S707中,判断G2是否优于G1。
具体地,当判断结果为是时,可以执行步骤S708,当判断结果为否时,可以执行步骤S709。
在步骤S708中,确定第一轮迭代运算中的第二匹配矩阵为第一轮迭代运算中的第二最终匹配矩阵。
在步骤S709中,以概率p确定第一轮迭代运算中的第二匹配矩阵为第一轮迭代运算中的第二最终匹配矩阵,以概率1-p确定初始匹配矩阵为第一轮迭代运算中的第二最终匹配矩阵。
在步骤S710中,确定第一轮迭代运算中的第N最终匹配矩阵。
具体地,经过在第一轮迭代运算中的N-1次运算,确定第N最终匹配矩阵。
在步骤S711中,采用第k轮迭代运算中的温度Tk。
在步骤S712中,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值Gkn-1。
在步骤S713中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵。
在步骤S714中,确定第k轮迭代运算中的第n匹配矩阵的目标性能值Gkn。
在步骤S715中,判断Gkn是否优于Gkn-1。
具体地,当判断结果为是时,可以执行步骤S716,当判断结果为否时,可以执行步骤S717。
在步骤S716中,确定第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵。
在步骤S717中,以概率p确定第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵,以概率1-p确定第k轮迭代运算中的第n-1最终匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵。
在步骤S718中,确定第k轮迭代运算中的第N最终匹配矩阵。
在步骤S719中,确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵。
需要指出的是,在步骤S719之前,还包括判断k是否等于K的步骤,如果k=K,则以第k轮迭代运算中的第N最终匹配矩阵作为所述最优匹配矩阵;如果k<K,则依次设置k=k+1,采用温度Tk进行下一轮迭代运算。
在具体实施中,有关步骤S701至步骤S719的更多详细内容请参照图1至图6中的步骤的描述进行执行,此处不再赘述。
参照图8,图8是本发明实施例中一种物流调度的优化装置的结构示意图。所述物流调度的优化装置可以包括:
物流资源信息确定模块81,适于确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;
初始匹配矩阵确定模块82,适于根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;
最优匹配矩阵确定模块83,适于根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵。
图9是图8中最优匹配矩阵确定模块83的一种具体实施方式的结构示意图,所述最优匹配矩阵确定模块83可以包括:
参数设置子模块831,适于设定模拟退火参数,所述模拟退火参数包括内循环次数N以及迭代运算轮数K,N和K为正整数;
最优匹配矩阵确定子模块832,适于根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵;
其中,每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,以分别得到每一轮迭代运算中的第一最终匹配矩阵至第N最终匹配矩阵;每一轮迭代运算中的第n最终匹配矩阵根据第n-1最终匹配矩阵确定,2≤n≤N;后一轮迭代运算中的第一最终匹配矩阵根据前一轮迭代运算中的第N最终匹配矩阵确定。
图10是图9中最优匹配矩阵确定子模块832的一种具体实施方式的结构示意图,所述最优匹配矩阵确定子模块832可以包括:
第一目标性能值确定单元8321,适于对于第k轮迭代运算,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,1≤k≤K;
第k轮第n矩阵确定单元8322,适于在所述第k轮迭代运算中的第n-1最终匹配矩阵中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵;
第二目标性能值确定单元8323,适于确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值;
第k轮第n最终矩阵确定单元8324,适于比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵;
判断单元8325,适于在确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值之前,判断所述第k轮迭代运算中的第n匹配矩阵是否满足约束条件。
图11是图10中第k轮第n最终矩阵确定单元8324的一种具体实施方式的结构示意图。所述模拟退火参数还包括第一轮迭代运算中的第一温度T1,第K轮迭代运算中的终止温度TK,以及每轮迭代运算中的温度Tk,其中,T1≥Tk≥TK,且Tk随轮次增加而依次减小,所述第k轮第n最终矩阵确定单元8324可以包括:
第一第k轮第n最终矩阵确定子单元83241,适于当所述第k轮迭代运算中的第n匹配矩阵的目标性能值优于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,确定所述第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵;
第二第k轮第n最终矩阵确定子单元83242,适于当所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,以概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,以概率1-p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n最终匹配矩阵;
其中,采用下述公式确定所述概率p:
Δf用于表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值与所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值的差值。
进一步地,所述目标性能值包括单目标的性能值以及对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值;其中,所述单目标选自:所述承载对象的装载重量最大化、所述承载对象的装载数量最大化、所述承载对象的紧急程度最优化、所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少。
进一步地,所述约束条件选自以下一项或多项:所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地。
进一步地,所述初始匹配矩阵确定模块82可以包括:暂定初始匹配矩阵确定子模块(图未示)以及初始匹配矩阵确定子模块(图未示)。
其中,所述暂定初始匹配矩阵确定子模块适于采用贪心算法确定暂定初始匹配矩阵;所述初始匹配矩阵确定子模块适于判断所述暂定初始匹配矩阵是否满足约束条件,且当所述暂定初始匹配矩阵满足约束条件时,确定所述暂定初始匹配矩阵为所述初始匹配矩阵。
关于该物流调度的优化装置的原理、具体实现和有益效果请参照前文及图1至图7示出的关于物流调度的优化方法的相关描述,此处不再赘述。
本发明实施例还提供了一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行图1至图7示出的物流调度的优化方法的步骤。所述存储介质可以是计算机可读存储介质,例如可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器,还可以包括光盘、机械硬盘、固态硬盘等。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行图1至图7示出的物流调度的优化方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备.
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种物流调度的优化方法,其特征在于,包括以下步骤:
确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;
根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;
根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵;
其中,根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵包括:采用贪心算法确定暂定初始匹配矩阵;
判断所述暂定初始匹配矩阵是否满足约束条件,且当所述暂定初始匹配矩阵满足约束条件时,确定所述暂定初始匹配矩阵为所述初始匹配矩阵,如果所述暂定初始匹配矩阵不满足所述约束条件,再次采用所述贪心算法确定另一个暂定初始匹配矩阵;
其中,所述约束条件包括以下多项:
所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地;
其中,根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵包括:
设定模拟退火参数,所述模拟退火参数包括内循环次数N以及迭代运算轮数K,N和K为正整数;
根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵;其中,每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,以分别得到每一轮迭代运算中的第一最终匹配矩阵至第N最终匹配矩阵;每一轮迭代运算中的第n最终匹配矩阵根据第n-1最终匹配矩阵确定,2≤n≤N;后一轮迭代运算中的第一最终匹配矩阵根据前一轮迭代运算中的第N最终匹配矩阵确定;
其中,根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵包括:
对于第k轮迭代运算,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,1≤k≤K;
在所述第k轮迭代运算中的第n-1最终匹配矩阵中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵;
确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值;
其中,在确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值之前,还包括:
判断所述第k轮迭代运算中的第n匹配矩阵是否满足所述约束条件。
2.根据权利要求1所述的物流调度的优化方法,其特征在于,根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算,以确定第K轮迭代运算中的第N最终匹配矩阵还包括:
比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵。
3.根据权利要求2所述的物流调度的优化方法,其特征在于,所述模拟退火参数还包括第一轮迭代运算中的第一温度T1,第K轮迭代运算中的终止温度TK,以及每轮迭代运算中的温度Tk,其中,T1≥Tk≥TK,且Tk随轮次增加而依次减小,比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵包括:
如果所述第k轮迭代运算中的第n匹配矩阵的目标性能值优于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,则确定所述第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵;
如果所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,则以概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,以概率1-p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n-1最终匹配矩阵;
其中,采用下述公式确定所述概率p:
△f用于表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值与所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值的差值。
4.根据权利要求1所述的物流调度的优化方法,其特征在于,所述目标性能值包括单目标的性能值以及对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值;
其中,所述单目标选自以下任意一项:所述承载对象的装载重量最大化、所述承载对象的装载数量最大化、所述承载对象的紧急程度最优化、所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少。
5.一种物流调度的优化装置,其特征在于,包括:
物流资源信息确定模块,适于确定物流资源信息,所述物流资源信息包括车辆个体信息以及承载对象信息;
初始匹配矩阵确定模块,适于根据所述车辆个体信息以及承载对象信息,确定初始匹配矩阵,所述初始匹配矩阵用于指示多个车辆个体与多个承载对象之间的初始对应关系;
最优匹配矩阵确定模块,适于根据所述初始匹配矩阵,采用模拟退火算法进行迭代运算,以得到最优匹配矩阵;
其中,所述初始匹配矩阵确定模块包括:
暂定初始匹配矩阵确定子模块,适于采用贪心算法确定暂定初始匹配矩阵;
初始匹配矩阵确定子模块,适于判断所述暂定初始匹配矩阵是否满足约束条件,且当所述暂定初始匹配矩阵满足约束条件时,确定所述暂定初始匹配矩阵为所述初始匹配矩阵,如果所述暂定初始匹配矩阵不满足所述约束条件,再次采用所述贪心算法确定另一个暂定初始匹配矩阵;
其中,所述约束条件包括以下多项:
所述车辆个体的承载重量上限、所述车辆个体的承载体积上限、所述车辆个体的出发地数量上限、所述车辆个体的目的地数量上限、所述承载对象的重量、所述承载对象的体积以及所述承载对象的目的地;
其中,所述最优匹配矩阵确定模块包括:
参数设置子模块,适于设定模拟退火参数,所述模拟退火参数包括内循环次数N以及迭代运算轮数K,N和K为正整数;
最优匹配矩阵确定子模块,适于根据所述初始匹配矩阵,依次进行第一轮迭代运算至第K轮迭代运算以确定第K轮迭代运算中的第N最终匹配矩阵,以作为所述最优匹配矩阵;
其中,每一轮迭代运算中依次包含有第一次迭代运算至第N次迭代运算,以分别得到每一轮迭代运算中的第一最终匹配矩阵至第N最终匹配矩阵;每一轮迭代运算中的第n最终匹配矩阵根据第n-1最终匹配矩阵确定,2≤n≤N;后一轮迭代运算中的第一最终匹配矩阵根据前一轮迭代运算中的第N最终匹配矩阵确定;
其中,所述最优匹配矩阵确定子模块包括:
第一目标性能值确定单元,适于对于第k轮迭代运算,确定第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值,1≤k≤K;
第k轮第n矩阵确定单元,适于在所述第k轮迭代运算中的第n-1最终匹配矩阵中,在不同车辆个体之间对调各自承载对象的一部分,以得到第k轮迭代运算中的第n匹配矩阵;
第二目标性能值确定单元,适于确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值;
其中,所述最优匹配矩阵确定子模块还包括:判断单元,适于在确定所述第k轮迭代运算中的第n匹配矩阵的目标性能值之前,判断所述第k轮迭代运算中的第n匹配矩阵是否满足约束条件。
6.根据权利要求5所述的物流调度的优化装置,其特征在于,所述最优匹配矩阵确定子模块还包括:
第k轮第n最终矩阵确定单元,适于比较所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值以及所述第k轮迭代运算中的第n匹配矩阵的目标性能值,以确定第k轮迭代运算中的第n最终匹配矩阵。
7.根据权利要求6所述的物流调度的优化装置,其特征在于,所述模拟退火参数还包括第一轮迭代运算中的第一温度T1,第K轮迭代运算中的终止温度TK,以及每轮迭代运算中的温度Tk,其中,T1≥Tk≥TK,且Tk随轮次增加而依次减小,所述第k轮第n最终矩阵确定单元包括:
第一第k轮第n最终矩阵确定子单元,适于当所述第k轮迭代运算中的第n匹配矩阵的目标性能值优于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,确定所述第k轮迭代运算中的第n匹配矩阵为第k轮迭代运算中的第n最终匹配矩阵;
第二第k轮第n最终矩阵确定子单元,适于当所述第k轮迭代运算中的第n匹配矩阵的目标性能值差于所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值时,以概率p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n匹配矩阵,以概率1-p确定所述第k轮迭代运算中的第n最终匹配矩阵为所述第k轮迭代运算中的第n-1最终匹配矩阵;
其中,采用下述公式确定所述概率p:
△f用于表示所述第k轮迭代运算中的第n匹配矩阵的目标性能值与所述第k轮迭代运算中的第n-1最终匹配矩阵的目标性能值的差值。
8.根据权利要求5所述的物流调度的优化装置,其特征在于,所述目标性能值包括单目标的性能值以及对多个所述单目标进行加权求和以及归一化之后的归一化目标的性能值;
其中,所述单目标选自以下任意一项:所述承载对象的装载重量最大化、所述承载对象的装载数量最大化、所述承载对象的紧急程度最优化、所述车辆个体的目的地数量最少、所述车辆个体的出发地数量最少。
9.一种存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至4任一项所述物流调度的优化方法的步骤。
10.一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至4任一项所述物流调度的优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810954420.1A CN108960747B (zh) | 2018-08-21 | 2018-08-21 | 物流调度的优化方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810954420.1A CN108960747B (zh) | 2018-08-21 | 2018-08-21 | 物流调度的优化方法及装置、存储介质、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960747A CN108960747A (zh) | 2018-12-07 |
CN108960747B true CN108960747B (zh) | 2021-10-01 |
Family
ID=64473013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810954420.1A Active CN108960747B (zh) | 2018-08-21 | 2018-08-21 | 物流调度的优化方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960747B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331225B (zh) * | 2022-03-07 | 2022-06-10 | 北京骑胜科技有限公司 | 一种车辆资源调度方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599168A (zh) * | 2015-02-02 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 叫车订单的分配方法和装置 |
CN104866911A (zh) * | 2014-02-21 | 2015-08-26 | 日本电气株式会社 | 用于优化物流配载的设备和方法 |
CN107230028A (zh) * | 2016-03-25 | 2017-10-03 | 台湾准时达国际物流股份有限公司 | 车辆路径规划方法及装置 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620694A (zh) * | 2008-07-02 | 2010-01-06 | 中冶宝钢技术服务有限公司 | 物流运输决策支持系统及方法、运输管理系统 |
CN102117441A (zh) * | 2010-11-29 | 2011-07-06 | 中山大学 | 基于离散粒子群优化算法的智能物流配送 |
US20130253969A1 (en) * | 2012-03-20 | 2013-09-26 | International Business Machines Corporation | Broadcast Messaging of Incentives Based on Value |
US10558936B2 (en) * | 2015-10-06 | 2020-02-11 | Numerica Corporation | Systems and methods for dynamically generating patrol schedules based on historic demand data |
-
2018
- 2018-08-21 CN CN201810954420.1A patent/CN108960747B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866911A (zh) * | 2014-02-21 | 2015-08-26 | 日本电气株式会社 | 用于优化物流配载的设备和方法 |
CN104599168A (zh) * | 2015-02-02 | 2015-05-06 | 北京嘀嘀无限科技发展有限公司 | 叫车订单的分配方法和装置 |
CN107230028A (zh) * | 2016-03-25 | 2017-10-03 | 台湾准时达国际物流股份有限公司 | 车辆路径规划方法及装置 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
Non-Patent Citations (4)
Title |
---|
带模糊时间窗的配送问题多目标优化研究;楼振凯;《模糊系统与数学》;20170630;第31卷(第3期);第1-8页 * |
张远 等.模拟退火算法在整车物流问题中的应用.《物流科技》.2016,第39卷(第12期),第81-84页. * |
模拟退火算法在整车物流问题中的应用;张远 等;《物流科技》;20161231;第39卷(第12期);第1-4页 * |
求解TSP的贪心模拟退火算法;李金旭 等;《河南工程学院学报(自然科学版)》;20150331;第27卷(第1期);第1-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960747A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021142917A1 (zh) | 多车场车辆路径规划方法、装置、计算机设备及存储介质 | |
US20230351323A1 (en) | Systems and methods for inventory management and optimization | |
EP3918541A1 (en) | Dynamic data selection for a machine learning model | |
US20180315319A1 (en) | Systems and methods for automated real-time and advisory routing within a fleet of geographically distributed drivers | |
US11010308B2 (en) | Optimizing data partitioning and replacement strategy for convolutional neural networks | |
CN109214756B (zh) | 整车物流调度方法及装置、存储介质、终端 | |
CN104331411A (zh) | 推荐项目的方法和装置 | |
Zhang et al. | A data-driven dynamic repositioning model in bicycle-sharing systems | |
CN113962481B (zh) | 一种应急物资的资源配置方法、装置和服务器 | |
CN108960747B (zh) | 物流调度的优化方法及装置、存储介质、终端 | |
CN111147604A (zh) | 一种车联网边缘计算的负载均衡方法 | |
CN114707644A (zh) | 图神经网络的训练方法及装置 | |
CN116781788B (zh) | 服务决策方法以及服务决策装置 | |
US20220121999A1 (en) | Federated ensemble learning from decentralized data with incremental and decremental updates | |
US20240013131A1 (en) | Systems and methods for managing decision scenarios | |
US11775852B2 (en) | Network optimization | |
CN113592148B (zh) | 改进车辆与无人机配送路线的优化方法及系统 | |
CN116070814A (zh) | 基于大数据处理的多式联运路径多冲突目标动态优化方法 | |
CN112232605B (zh) | 派送资源的处理方法、装置、设备及计算机可读存储介质 | |
CN115330051A (zh) | 基于混合遗传算法的车辆路径优化方法及应用 | |
CN112308595A (zh) | 用于确定货品状态的方法和装置 | |
US20210117788A1 (en) | Secure data processing | |
Zheng | Boosting based conditional quantile estimation for regression and binary classification | |
CN108985526B (zh) | 运力预测方法及装置、计算机可读存储介质、终端 | |
CN112669099A (zh) | 用于处理订单的方法和装置 |
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 |