CN109102123B - 拼车路线优化方法及装置、存储介质、计算设备 - Google Patents
拼车路线优化方法及装置、存储介质、计算设备 Download PDFInfo
- Publication number
- CN109102123B CN109102123B CN201810940977.XA CN201810940977A CN109102123B CN 109102123 B CN109102123 B CN 109102123B CN 201810940977 A CN201810940977 A CN 201810940977A CN 109102123 B CN109102123 B CN 109102123B
- Authority
- CN
- China
- Prior art keywords
- target distribution
- distribution point
- individual
- determining
- path distance
- 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
- G06Q10/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种拼车路线优化方法及装置、存储介质、计算设备,所述方法包括:确定出发地距离各个目标经销点的路径距离,确定各个目标经销点之间的路径距离;确定出发地至各个目标经销点的订单交付代价,确定各个目标经销点之间的订单交付代价;将从出发地经各个目标经销点随机生成的多条拼车路线作为种群,从出发地经各个目标经销点随机生成的拼车路线作为种群的个体,基于种群、出发地距离各个目标经销点的路径距离、各个目标经销点之间的路径距离,出发地至各个目标经销点的订单交付代价、各个目标经销点之间的订单交付代价,利用遗传算法确定从出发地经各个目标经销点生成的拼车路线的拼车顺序。通过本发明的方案,可减小运输成本,提高物流服务质量。
Description
技术领域
本发明涉及智能物流与机器算法技术领域,具体地涉及一种拼车路线优化方法及装置、存储介质、计算设备。
背景技术
智能汽车物流运输领域是人工智能领域与汽车物流领域的交叉领域,旨在通过人工智能算法替代人工方法解决汽车物流领域的常见问题,例如,路径规划问题、道口计划问题、车辆调度问题和仓库选址问题等等。
其中,路径规划问题指的是对指定出发地以及目的地来规划车辆行驶路线的问题,以减少车辆行驶路程,或者减少车辆行驶时间。车辆调度问题指的是在满足一定约束的条件下,有序地通过一系列装货点和卸货点的问题,以缩短行驶路程、降低费用、缩短耗时。在传统车辆调度中,主要考虑满板运输的情况,即在一次运输过程中,运输车辆从出发地运输到目的地的情况。而在实际车辆调度中,可能出现车辆未满板运输,且存在多个目标经销点有待运订单的情况,因而,拼车行为应运而生。
拼车行为指的是,在运输过程中,将多目的地或多出发地的货物装载于同一车辆上进行运输的行为,既属于路径规划问题,又属于车辆调度问题。现有的拼车解决方案,往往以牺牲物流服务质量为代价,节省运输成本。然而,随着车辆运输业务的增长以及客户对服务质量要求的提高,现有的解决方案难以满足客户需求。
发明内容
本发明解决的技术问题是如何优化拼车路线,以减小运输成本,提高物流服务质量。
为解决上述技术问题,本发明实施例提供一种拼车路线优化方法,所述拼车路线优化方法包括:确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
可选的,所述确定所述出发地至各个目标经销点产生的订单交付代价包括:确定所述出发地产生的出厂订单交付代价;确定从所述出发地至每一目标经销点的运输过程中各自产生的路程订单交付代价;将所述出厂订单交付代价和每一目标经销点对应的路程订单交付代价之和确定为从所述出发地至该目标经销点产生的订单交付代价。
可选的,所述基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序包括:基于所述种群,利用遗传算法生成新种群,每次生成新种群包括:基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度,基于选择算子和每一个体的适应度选取所述种群中的部分个体,并将选取的部分个体进行交叉、变异,以得到新种群;如果生成的新种群进化代数小于预设进化代数,则将所述新种群作为生成新种群的原始种群再次利用遗传算法生成新种群,否则,从所述新种群中选取所述适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
可选的,所述基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度包括:对所述种群中的每一个体,基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离确定每一个体的总路径距离;基于所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的最大订单交付代价;基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度。
可选的,所述基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度包括:采用如下公式确定每一个体的适应度C(i)=D(i)+α·OTD(i),其中,C(i)表示第i个个体的适应度;D(i)表示第i个个体的总路径距离;OTD(i)表示第i个个体的最大订单交付代价;α表示所述总路径距离与所述最大订单交付代价的联系因子。
可选的,所述基于选择算子和每一个体的适应度选取所述种群中的部分个体包括:按照适应度从大到小的顺序对所述种群中的个体进行排序;基于所述选择算子选取前N个个体作为选取的部分个体,其中,N>1,且N为正整数。
为解决上述技术问题,本发明实施例还提供一种拼车路线优化装置,所述拼车路线优化装置包括:第一确定模块,适于确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;第二确定模块,适于确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;第三确定模块,适于将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
可选的,所述第二确定模块包括:第一确定子模块,适于确定所述出发地产生的出厂订单交付代价;第二确定子模块,适于确定从所述出发地至每一目标经销点的运输过程中各自产生的路程订单交付代价;第三确定子模块,适于将所述出厂订单交付代价和每一目标经销点对应的路程订单交付代价之和确定为从所述出发地至该目标经销点产生的订单交付代价。
可选的,所述第三确定模块包括:生成子模块,适于基于所述种群,利用遗传算法生成新种群,每次生成新种群包括:基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度,基于选择算子和每一个体的适应度选取所述种群中的部分个体,并将选取的部分个体进行交叉、变异,以得到新种群;选取子模块,如果生成的新种群进化代数小于预设进化代数,则所述选取子模块适于将所述新种群作为生成新种群的原始种群再次利用遗传算法生成新种群,否则,所述选取子模块适于从所述新种群中选取所述适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
可选的,所述生成子模块包括:第一确定单元,适于对所述种群中的每一个体,基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离确定每一个体的总路径距离;第二确定单元,适于基于所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的最大订单交付代价;第三确定单元,适于基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度。
可选的,所述第三确定单元包括:确定子单元,适于采用如下公式确定每一个体的适应度C(i)=-D(i)-α·OTD(i),其中,C(i)表示第i个个体的适应度;D(i)表示第i个个体的总路径距离;OTD(i)表示第i个个体的最大订单交付代价;α表示所述总路径距离与所述最大订单交付代价的联系因子。
可选的,所述生成子模块包括:排序单元,适于按照适应度从大到小的顺序对所述种群中的个体进行排序;选取单元,适于基于所述选择算子选取前N个个体作为选取的部分个体,其中,N>1,且N为正整数。
为解决上述技术问题,本发明实施例还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述拼车路线优化方法的步骤。
为解决上述技术问题,本发明实施例还提供一种计算设备,包括存储器和处理器,所述存储器上存储有可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拼车路线优化方法的步骤。
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:
本发明实施例提供一种拼车路线优化方法,包括:确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。本发明实施例提供的技术方案同时将路径距离因素和订单交付代价(例如,等待订单运输产生的时间代价)因素作为约束条件,通过遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序,可以综合考虑路径距离和等待时间,从而在节省运输成本的同时,能够保证物流服务质量,提升用户满意度。
进一步,对所述种群中的每一个体,基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离确定每一个体的总路径距离;基于所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的最大订单交付代价;基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度。通过本发明实施例可以利用遗传算法,对行驶过程中的路径距离和订单交付代价进行非线性组合计算,从而确定同一进化代数的种群中每一个体的适应度,均衡运输成本和等待时间,为节省运输成本、保证物流服务质量提供可能。
附图说明
图1是本发明实施例的一种拼车路线优化方法的流程示意图;
图2是图1中步骤S103的一种具体实施方式的流程示意图;
图3是本发明实施例的一种拼车路线优化方法的典型场景示意图;
图4是本发明实施例种群中个体的最短路径距离随进化代数变化的曲线示意图;
图5是本发明实施例的一种拼车路线优化装置的结构示意图。
具体实施方式
本领域技术人员理解,如背景技术所言,现有拼车路线技术方案难以在节省运输成本的同时,保证物流服务质量。
本申请发明人经研究发现,在车辆调度中,一些运输车辆无法在出发地至目的地的全部行驶路程中满板运输,当有待运订单时可以利用拼车行为完成多个订单的运输。例如,从出发地装车出发,将多个订单对应的商品依次运往各自的目的地。
本领域技术人员理解,拼车问题是在车辆运输形成较大规模后产生的问题。在大规模车辆运输中,解决拼车问题可以降低成本,提高服务质量。目前,在现有的拼车方案中,几乎没有考虑订单交付(Order to Delivery,简称OTD)代价(例如,等待产品生产和/或运输的时间代价)对拼车方案造成的不利后果。但是,如果置之不理,OTD代价有可能对运输服务质量造成重大影响,难以得到整体行驶路程的最优可行方案。
以多个目标经销点拼车为例,如果车辆在运输过程中,从一个出发地出发,经多个目标经销商点完成运输,那么车辆去往所述多个目标经销点进行配送的先后顺序,不但影响总的路径距离,也影响不同订单的OTD代价。
因此,在运输过程中,降低总路径距离,且使得OTD代价处于可接受区间内的拼车顺序就显得尤其重要。
本发明实施例提供一种拼车路线优化方法,包括:确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
本发明实施例提供的技术方案同时将路径距离因素和订单交付代价(例如,等待订单运输产生的时间代价)因素作为约束条件,通过遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序,可以综合考虑路径距离和等待时间,从而在节省运输成本的同时,能够保证物流服务质量,提升用户满意度。
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。
图1是本发明实施例的一种拼车路线优化方法的流程示意图。在确定拼车路线之前,可以确定所述拼车路线的出发地以及目的地(例如,车辆运输过程中需要经过的目标经销点)。之后,确定所述拼车路线的拼车顺序。具体地,所述拼车路线优化方法可以包括以下步骤:
步骤S101:确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;
步骤S102:确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;
步骤S103:将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
更具体而言,在步骤S101中,通常情况下,运输公司为大型货运车安装全球定位系统(Global Position System,简称GPS)定位装置,并通过所述GPS定位装置采集GPS数据(例如,大型货运车在途的经纬度坐标数据)实现对大型货运车的监控。因而,在途的大型货运车可以产生大量的GPS数据。根据车辆产生的历史GPS数据,可以确定所述拼车路线的出发地与每个目标经销点的路径距离,以及各个目标经销点彼此之间的路径距离。
作为一个非限制性的例子,假设车辆的出发地为上海,目标经销点分别为苏州某经销点、杭州某经销点和南京某经销点。此时,完成从出发地至各个目标经销点的订单配送需确定上海至苏州某经销点的路径距离、上海至杭州某经销点的路径距离、上海至南京某经销点的路径距离以及苏州某经销点至杭州某经销点的路径距离、苏州至南京某经销点的路径距离、杭州某经销点至南京某经销点的路径距离。根据历史GPS数据,可以很容易计算出各个路径距离。优选地,如果已确定路径距离,则可以保存以备后续直接应用,避免重复计算。
在步骤S102中,需确定完成从出发地至各个目标经销点的订单产生的订单交付代价(也即OTD代价)。所述OTD代价可以看成是完成订单交付产生的时间代价,每个订单都有其对应的OTD最大容忍度。
具体而言,可以确定从所述出发地至每一目标经销点产生的OTD代价,以及各个目标经销点彼此之间产生的OTD代价。其中,在运输过程中,订单从所述出发地至每一目标经销点产生的OTD代价可以包括两部分:出厂OTD代价和路程OTD代价。所述出厂OTD代价指的是出发地产生的OTD代价,例如,生产产品产生的时间代价;所述路程OTD代价指的是订单(例如,订单中的产品)在运输过程中产生的OTD代价,例如,等待车辆运输产生的时间代价。
具体实施中,在确定所述出发地至各个目标经销点产生的订单交付代价时,可以首先确定在所述出发地产生的出厂OTD代价,之后确定运输过程中,从所述出发地至每一目标经销点各自产生的路程OTD代价,所述出厂OTD代价和每一目标经销点对应的路程OTD代价之和即为从所述出发地至该目标经销点产生的OTD代价。
进一步,还需确定各个目标经销点彼此之间产生的路程OTD代价,也即确定订单在运输过程中,从一个目标经销点至另一个目标经销点产生的OTD代价。
一般而言,车辆在运输过程中,可以认为车辆是匀速行驶的。目标经销点彼此之间的路程OTD代价正比于目标经销点彼此之间的路径距离。具体实施时,可以通过将路程OTD代价乘以系数转换为路径距离,例如,该系数可以为OTD代价与路径距离的联系因子,所述联系因子可以为预设常数。
进一步地,在确定订单在各个目标经销点之间产生的路程OTD代价之后,可以确定订单从出发地经其他一个或多个目标经销点至目的地(例如,运输过程中的某个目标经销点)产生的OTD代价。
仍以出发地为上海,目标经销点分别为苏州某经销点、杭州某经销点和南京某经销点为例。从上海至该苏州某经销点产生的OTD代价等于上海产生的出厂OTD代价与从上海至苏州某经销点产生的路程OTD代价之和;从上海至该杭州某经销点产生的OTD代价等于上海产生的出厂OTD代价与从上海至杭州某经销点产生的路程OTD代价之和;从上海至该南京某经销点产生的OTD代价等于上海产生的出厂OTD代价与从上海至南京某经销点产生的路程OTD代价之和。
进一步,如果确定从苏州某经销点至杭州某经销点产生的OTD代价、从苏州某经销点至南京某经销点产生的OTD代价、从杭州某经销点至南京某经销点产生的OTD代价之后可以得到,从上海经苏州某经销点至杭州某经销点产生的OTD代价等于上海产生的出厂OTD代价、从上海至苏州某经销点产生的路程OTD代价以及从苏州某经销点至杭州某经销点产生的OTD代价之和。
本领域技术人员理解,订单从上海经杭州某经销点至南京某经销点产生的OTD代价,或者,其他不同拼车路线产生的OTD代价,均可以采用类似方式计算确定,这里不再赘述。
在步骤S103中,可以随机产生从所述出发地经各个目标经销点的拼车路线作为个体,利用多个个体得到拼车路线的种群。之后确定预设进化代数,并基于遗传算法令种群不断进化。具体而言,可以基于所述种群,根据所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的OTD代价、各个目标经销点彼此之间产生的OTD代价,确定每一进化代数中基因较好的个体,并保留基因较好的种群个体繁衍下一代。当种群的进化代数达到所述预设进化代数后,可以从繁衍得到的新种群中挑选最优的个体作为所述种群产生的拼车路线。
作为一个非限制性的实施例,参考图2,所述步骤S103可以包括以下步骤:
步骤S1031:基于所述种群,利用遗传算法生成新种群,每次生成新种群包括:基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度,基于选择算子和每一个体的适应度选取所述种群中的部分个体,并将选取的部分个体进行交叉、变异,以得到新种群;
步骤S1032:如果生成的新种群进化代数小于预设进化代数,则将所述新种群作为生成新种群的原始种群再次利用遗传算法生成新种群,否则,从所述新种群中选取所述适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
具体而言,在步骤S1031中,可以为所述种群设置预设进化代数,并基于遗传算法利用初始种群生成新种群。所述初始种群指的是通过将所述出发地和多个目标经销点随机排布多次(例如,10次)得到多个个体形成的种群。更具体而言,可以包括以下步骤:
步骤A,可以设置所述初始种群的预设进化代数为T(例如,T=200)。
步骤B,可以为所述初始种群中的每以个体确定适应度(fitness)。通常情况下,所述适应度指的是度量某个物种对于生存环境的适应程度。在本发明实施例中,对所述种群中各个个体表示的拼车路线而言,每一个体的适应度越大,表明订单运输所花费的总代价越小,该订单运输采用的拼车路线越优。
其中,所述适应度可以是基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价得到的。
进一步,可以采用如下公式确定每一个体的适应度:C(i)=-D(i)-α·OTD(i)。其中,C(i)表示第i个个体的适应度;D(i)表示第i个个体的总路径距离;OTD(i)表示第i个个体的最大订单交付代价;α表示所述总路径距离与所述最大订单交付代价的联系因子。
换言之,可以采用S(i)表示选择函数,S(i)=D(i)+α·OTD(i)。选择函数的值越小,订单运输所花的代价越小,拼车路线越优。
下面以目标经销点拼车为例确定每一个体的适应度。首先对拼车场景进行定义和建模:令订单出发地为s,目标经销点数量为N,目标经销点的集合为C=[c1,c2,c3…cN],出发地s、各个目标经销点之间的路径距离形成矩阵D。如果将每一目标经销点作为拼车路线的终点,其余目标经销点和出发地作为动态规划算法各个阶段的起点,则可以利用动态规划算法确定最优拼车路线。
其中,D[i][j](为简便,下文简写为Dij)表示从目标经销点ci至目标经销点cj的路径距离,D[s][i](为简便,下文简写为Dsi)表示从出发地s至第i个目标经销点的路径距离。
假设某次运输次序(例如,种群中的某个个体)为Q=[ck1,ck2,ck3,…,ckN],则第i个目标经销点的OTD代价:
Oki=Oout+Osk1+Ok1k2+…Ok(i-1)ki=Oout+βDsk1+βD k1k2+…βD k(i-1)ki;
其中,Oout表示出厂OTD代价,Osk1表示所述出发地至某个目标经销点产生的路程OTD代价,Ok(i-1)ki表示彼此相邻的两个目标经销点之间产生的路程OTD代价,β表示所述路径距离与所述OTD代价的联系因子,β为预设常数。
如果订单的OTD最大容忍度为Os,为提高物流服务质量,对第i个个体而言,OTD代价距离最大容忍度Os越远,意味着第i个个体的总等待时间越少,物流服务质量越高。如果以OTD(i)表示第i个个体的最大OTD代价,OQi表示第i个个体的最大订单交付代价,OsQi表示第i个个体的OTD最大容忍度,那么,OTD(i)=maxi(OQi-OsQi)的值,越大越好。
进一步,为均衡所述总路径距离和所述最大OTD代价,可以设置参数α表示所述总路径距离与所述最大订单交付代价的联系因子,所述联系因子可以为预设常数。具体实施时,α的值设置的越大,表示所述最大OTD代价对物流服务质量的影响越大。
作为一个非限制性实施例,参考图3,当N=5时,车辆出发地s,需经过5个目标经销点,包括目标经销点C1、目标经销点C2、目标经销点C3、目标经销点C4和目标经销点C5。Ds1表示从出发地s至目标经销点C1的路径距离;D12表示从目标经销点C1至目标经销点C2的路径距离;D23表示从目标经销点C2至目标经销点C3的路径距离;D34表示从目标经销点C3至目标经销点C4的路径距离;D45表示从目标经销点C4至目标经销点C5的路径距离Os1表示从出发地s至目标经销点C1的OTD代价;O12表示从目标经销点C1至目标经销点C2的OTD代价;O23表示从目标经销点C2至目标经销点C3的OTD代价;O34表示从目标经销点C3至目标经销点C4的OTD代价;O45表示从目标经销点C4至目标经销点C5的OTD代价。
步骤C,可以采用选择算子和每一个体的适应度选取所述种群中的部分较优个体(例如,总路径距离和总OTD代价之和较小的N个拼车路线,N≥2),并将选取的部分个体进行交叉,也即通过交叉使基因片段(例如,所述部分个体中每一个体中的部分拼车路线形成的拼车顺序)重新排序,混合优秀基因以期获得选择函数更小的个体。
其中,所述选择算子可以为比例选择,也即各个个体被选中的概率与其适应度大小成正比。所述选择算子的作用在于:对所述种群中的个体进行优胜劣汰操作,使适应度较高的个体以大概率遗传至下一代,使适应度较小的个体小概率遗传至下一代。
具体而言,可以在计算每个个体的适应度之后,按照适应度从大到小的顺序(也即,按照选择函数从小到大的顺序),对所述种群中的个体进行排序,并从排序结果中选取前N个个体作为选取的部分个体,其中,N>1,且N为正整数。
作为一个变化例,也可以在计算每个个体的适应度之后,按照适应度从小到大的顺序(也即,按照选择函数从大到小的顺序),对所述种群中的个体进行排序,并从排序结果中选取后数N个个体作为选取的部分个体,其中,N>1,且N为正整数。
步骤D,对于交叉得到的各个个体,可以利用变异运算进行变异以得到新种群,使种群有机会产生更加优秀的个体。变异运算是对个体的基因值按一较小概率进行改变,可以采用变异算子产生新个体。当前常用的变异算子可以包括均匀变异算子、边界变异算子、非均匀变异算子、高斯变异算子等。具体变异运算可以参照现有遗传算法中的变异运算进行,这里不再赘述。
在步骤S1032中,如果通过步骤S1031生成新种群的进化代数小于预设进化代数,则可以将所述新种群作为步骤S1031中的初始种群,再次利用步骤S1031生成新种群。否则,如果所述新种群的进化代数大于或等于预设进化代数,则可以从所述新种群中选取适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
进一步,在随机产生包含m(例如,m≥5)个个体构成初始种群P(0),并设置预设进化代数T之后,利用遗传算法确定拼车路线的伪代码可以如下:
本领域技术人员理解,通过遗传算法,可以首先随机产生种群,然后综合考虑路径距离和OTD代价进行选择和交叉、变异,获得更好的子代,并在达到预设迭代次数后将产生的最优个体形成的拼车路线作为最优拼车路线,同时可以确定最优拼车路线对应的最小选择代价。
由上,采用遗传算法可以将路径距离和OTD代价作为约束条件,综合考虑路径距离和OTD代价进行动态迭代,从而获得最小总代价的最优拼车路线。
下面以一辆运输货物的卡车的实际运输过程为例,该卡车的出发地为s,经过7个目标经销点,分别为目标经销点C1、目标经销点C2、目标经销点C3、目标经销点C4、目标经销点C5、目标经销点C6、目标经销点C7,为简便,表1中分别以s、C1、C2、C3、C4、C5、C6、C7表示。表1给出了各个目标经销点的经纬度信息。其中,运输货物的出厂OTD代价为2,OTD最大容忍度为4,单位路径距离和OTD代价的联系因子β为0.025,总路径距离和总OTD代价的联系因子α为0.005。之后,可以通过遗传算法对目标经销点的最优路径进行测量并规划。
表1
地点 | 纬度 | 经度 | 地点 | 纬度 | 经度 |
s | 31.29298 | 121.1755 | C4 | 31.29888 | 120.5853 |
C1 | 32.442813 | 119.62271 | C5 | 31.88919 | 120.3069 |
C2 | 31.74265 | 120.0005 | C6 | 33.34406 | 120.1522 |
C3 | 31.75169 | 119.9535 | C7 | 32.45046 | 119.4015 |
具体实施时,可以采用上述目标经销点的经纬度信息,构建距离矩阵计算最短的拼车路线。基于遗传算法,可以在运输过程中,逐步淘汰总OTD代价大和/或总路径距离较大的个体。
参考图4,横坐标为遗传算法中的进化代数,纵坐标为每一进化代数中的个体表示的拼车路线的总路径距离。由图4可以看出,随着进化代数变化,所述拼车路线的最小路径距离也会改变,并在达到某一代数时,不再改变。
结合表1和图4可以发现,在遗传算法计算至第10代时,最好的个体表示的拼车路线的总路径距离,已经从初始的约590千米(km)降到约520km,而在第210代种群,最好的个体表示的拼车路线的总路径距离已经降低至391km,并且在后续进化至第1000代种群的迭代过程中,种群中最好的个体所代表的拼车路线的总路径距离稳定地保持着391km,也即,391km为该遗传算法得到的最优路径距离值。同时,通过遗传算法,能够得到该拼车路线的最优解:{s、4、5、2、3、1、7、6}(图4未示)。亦即,该拼车路线最优解对应的拼车顺序为出发点s、目标经销点C4、目标经销点C5、目标经销点C2、目标经销点C3、目标经销点C1、目标经销点C7、目标经销点C6。
由上,综合考虑路径距离和OTD代价,并基于遗传算法确定的拼车路线优化方案可以根据总路径距离和总OTD代价得到可用的拼车路线,在节省运输成本的同时,保证物流服务质量,提升用户满意度。
图5是本发明实施例的一种拼车路线优化装置的结构示意图,可以实施上述图1和图2所示的拼车路线优化方法技术方案。具体而言,所述拼车路线优化装置3可以包括第一确定模块301、第二确定模块302、第三确定模块303。
更具体而言,所述第一确定模块301适于确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;所述第二确定模块302适于确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;第三确定模块303适于将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
进一步,所述第二确定模块302可以包括:第一确定子模块3021,适于确定所述出发地产生的出厂订单交付代价;第二确定子模块3022,适于确定从所述出发地至每一目标经销点的运输过程中各自产生的路程订单交付代价;第三确定子模块3023,适于将所述出厂订单交付代价和每一目标经销点对应的路程订单交付代价之和确定为从所述出发地至该目标经销点产生的订单交付代价。
进一步,所述第三确定模块303可以包括:生成子模块3031,适于基于所述种群,利用遗传算法生成新种群,每次生成新种群包括:基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度,基于选择算子和每一个体的适应度选取所述种群中的部分个体,并将选取的部分个体进行交叉、变异,以得到新种群;选取子模块3032,如果生成的新种群进化代数小于预设进化代数,则所述选取子模块3032适于将所述新种群作为生成新种群的原始种群再次利用遗传算法生成新种群,否则,所述选取子模块3032适于从所述新种群中选取所述适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
进一步,所述生成子模块3031可以包括:第一确定单元30311,适于对所述种群中的每一个体,基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离确定每一个体的总路径距离;第二确定单元30312,适于基于所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的最大订单交付代价;第三确定单元30313,适于基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度。
进一步,所述第三确定单元30313可以包括:确定子单元303131,适于采用如下公式确定每一个体的适应度C(i)=-D(i)-α·OTD(i),其中,C(i)表示第i个个体的适应度;D(i)表示第i个个体的总路径距离;OTD(i)表示第i个个体的最大订单交付代价;α表示所述总路径距离与所述最大订单交付代价的联系因子。
进一步,所述生成子模块3031还可以包括:排序单元30314,适于按照适应度从大到小的顺序对所述种群中的个体进行排序;选取单元30315,适于基于所述选择算子选取前N个个体作为选取的部分个体,其中,N>1,且N为正整数。
关于图5所示的拼车路线优化装置3的工作原理、工作方式的更多内容,可以一并参照上述图1和图2中的相关描述,这里不再赘述。
进一步地,本发明实施例还公开一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述图1和图2所示实施例中所述的拼车路线优化方法技术方案。优选地,所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述计算机可读存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地,本发明实施例还公开一种计算设备,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图1和图2所示实施例中所述的拼车路线优化方法技术方案。具体而言,所述计算设备可以为服务器。
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)
1.一种拼车路线优化方法,其特征在于,包括:
确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;
确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;
将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序;
其中,所述基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序包括:
基于所述种群,利用遗传算法生成新种群,每次生成新种群包括:基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度,基于选择算子和每一个体的适应度选取所述种群中的部分个体,并将选取的部分个体进行交叉、变异,以得到新种群;
所述基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度包括:对所述种群中的每一个体,基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离确定每一个体的总路径距离;
基于所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的最大订单交付代价;
基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度;
其中,所述每一个体的最大订单交付代价为每一个体的订单交付代价与订单交付代价最大容忍度的差值;
其中,所述基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度包括:采用如下公式确定每一个体的适应度
C(i)=-D(i)-α·OTD(i)
其中,C(i)表示第i个个体的适应度;D(i)表示第i个个体的总路径距离;
OTD(i)表示第i个个体的最大订单交付代价;α表示所述总路径距离与所述最大订单交付代价的联系因子。
2.根据权利要求1所述的拼车路线优化方法,其特征在于,所述确定所述出发地至各个目标经销点产生的订单交付代价包括:
确定所述出发地产生的出厂订单交付代价;
确定从所述出发地至每一目标经销点的运输过程中各自产生的路程订单交付代价;
将所述出厂订单交付代价和每一目标经销点对应的路程订单交付代价之和确定为从所述出发地至该目标经销点产生的订单交付代价。
3.根据权利要求1所述的拼车路线优化方法,其特征在于,所述基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序还包括:
如果生成的新种群进化代数小于预设进化代数,则将所述新种群作为生成新种群的原始种群再次利用遗传算法生成新种群,否则,从所述新种群中选取所述适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
4.根据权利要求1所述的拼车路线优化方法,其特征在于,所述基于选择算子和每一个体的适应度选取所述种群中的部分个体包括:
按照适应度从大到小的顺序对所述种群中的个体进行排序;
基于所述选择算子选取前N个个体作为选取的部分个体,其中,N>1,且N为正整数。
5.一种拼车路线优化装置,其特征在于,包括:
第一确定模块,适于确定拼车路线的出发地距离各个目标经销点的路径距离,并确定各个目标经销点彼此之间的路径距离;
第二确定模块,适于确定所述出发地至各个目标经销点产生的订单交付代价,并确定各个目标经销点彼此之间产生的订单交付代价;
第三确定模块,适于将从所述出发地经各个目标经销点随机生成的多条拼车路线作为种群,从所述出发地经各个目标经销点随机生成的每条拼车路线作为所述种群的个体,基于所述种群、所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价,利用遗传算法确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序;
其中,所述第三确定模块包括:生成子模块,适于基于所述种群,利用遗传算法生成新种群,每次生成新种群包括:基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离,所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的适应度,基于选择算子和每一个体的适应度选取所述种群中的部分个体,并将选取的部分个体进行交叉、变异,以得到新种群;
所述生成子模块包括:
第一确定单元,适于对所述种群中的每一个体,基于所述出发地距离各个目标经销点的路径距离、各个目标经销点彼此之间的路径距离确定每一个体的总路径距离;
第二确定单元,适于基于所述出发地至各个目标经销点产生的订单交付代价、各个目标经销点彼此之间产生的订单交付代价确定每一个体的最大订单交付代价;
第三确定单元,适于基于每一个体的总路径距离和每一个体的最大订单交付代价确定每一个体的适应度;
其中,所述每一个体的最大订单交付代价为每一个体的订单交付代价与订单交付代价最大容忍度的差值;
其中,所述第三确定单元包括:确定子单元,适于采用如下公式确定每一个体的适应度
C(i)=-D(i)-α·OTD(i)
其中,C(i)表示第i个个体的适应度;D(i)表示第i个个体的总路径距离;
OTD(i)表示第i个个体的最大订单交付代价;α表示所述总路径距离与所述最大订单交付代价的联系因子。
6.根据权利要求5所述的拼车路线优化装置,其特征在于,所述第二确定模块包括:
第一确定子模块,适于确定所述出发地产生的出厂订单交付代价;
第二确定子模块,适于确定从所述出发地至每一目标经销点的运输过程中各自产生的路程订单交付代价;
第三确定子模块,适于将所述出厂订单交付代价和每一目标经销点对应的路程订单交付代价之和确定为从所述出发地至该目标经销点产生的订单交付代价。
7.根据权利要求5所述的拼车路线优化装置,其特征在于,所述第三确定模块还包括:
选取子模块,如果生成的新种群进化代数小于预设进化代数,则所述选取子模块适于将所述新种群作为生成新种群的原始种群再次利用遗传算法生成新种群,否则,所述选取子模块适于从所述新种群中选取所述适应度的值最大的个体,以确定从所述出发地经各个目标经销点生成的拼车路线的拼车顺序。
8.根据权利要求5所述的拼车路线优化装置,其特征在于,所述生成子模块还包括:
排序单元,适于按照适应度从大到小的顺序对所述种群中的个体进行排序;选取单元,适于基于所述选择算子选取前N个个体作为选取的部分个体,其中,N>1,且N为正整数。
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任一项所述的拼车路线优化方法的步骤。
10.一种计算设备,包括存储器和处理器,所述存储器上存储有可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中任一项所述的拼车路线优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940977.XA CN109102123B (zh) | 2018-08-17 | 2018-08-17 | 拼车路线优化方法及装置、存储介质、计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940977.XA CN109102123B (zh) | 2018-08-17 | 2018-08-17 | 拼车路线优化方法及装置、存储介质、计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102123A CN109102123A (zh) | 2018-12-28 |
CN109102123B true CN109102123B (zh) | 2022-02-15 |
Family
ID=64850152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810940977.XA Active CN109102123B (zh) | 2018-08-17 | 2018-08-17 | 拼车路线优化方法及装置、存储介质、计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102123B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113990062B (zh) * | 2021-10-22 | 2022-08-26 | 平安国际智慧城市科技股份有限公司 | 垃圾运输车辆调度方法、装置、可读存储介质及服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512747A (zh) * | 2015-11-25 | 2016-04-20 | 安吉汽车物流有限公司 | 物流智能优化调度系统 |
CN105809401A (zh) * | 2016-03-11 | 2016-07-27 | 惠龙易通国际物流股份有限公司 | 一种基于动态规划算法的货运信息处理方法及系统 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894222A (zh) * | 2014-12-16 | 2016-08-24 | 重庆邮电大学 | 一种物流配送路径优化方法 |
CN105070044B (zh) * | 2015-08-17 | 2017-05-17 | 南通大学 | 一种基于乘客预约的定制公交合乘车辆动态调度方法 |
CN105721301B (zh) * | 2016-02-25 | 2018-08-03 | 清华大学 | 支持可信度分级的路由计算方法 |
CN107798403A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种拼车订单处理方法、服务器、终端设备和系统 |
CN107464005B (zh) * | 2017-08-21 | 2020-06-19 | 中国人民解放军国防科技大学 | 一种用于车辆预约的拓展型路径规划方法 |
-
2018
- 2018-08-17 CN CN201810940977.XA patent/CN109102123B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512747A (zh) * | 2015-11-25 | 2016-04-20 | 安吉汽车物流有限公司 | 物流智能优化调度系统 |
CN105809401A (zh) * | 2016-03-11 | 2016-07-27 | 惠龙易通国际物流股份有限公司 | 一种基于动态规划算法的货运信息处理方法及系统 |
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 |
---|
低碳约束下的B2C企业配送路径优化问题研究;潘斌斌;《中国优秀硕士学位论文全文数据库-信息科技辑》;20140415(第04期);第I138-2页 * |
基于遗传算法的车辆路径优化问题研究;赵辰;《中国优秀硕士学位论文全文数据库-工程科技II辑》;20140815(第08期);第C034-148页:摘要,正文第2.1小节、3.3小节、第4.3小节 * |
基于遗传算法的配送路线优化研究;支姝;《中国优秀硕士学位论文全文数据库-工程科技II辑》;20090815(第08期);第C034-2页 * |
生鲜食品冷链物流配送车辆路径优化;林俊楷;《中国优秀硕士学位论文全文数据库-工程科技II辑》;20170215(第02期);第C034-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102123A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919365B (zh) | 一种基于双策略搜索的电动车辆路径规划方法及系统 | |
CN108805316B (zh) | 货物搬运方法和装置 | |
Lin et al. | A genetic algorithm-based optimization model for supporting green transportation operations | |
CN109118006B (zh) | 拼车路线的确定方法及装置、存储介质、计算设备 | |
CN112488386B (zh) | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 | |
CN105389975A (zh) | 专车调度方法和装置 | |
CN116228089B (zh) | 一种基于最短里程的门店配送路径规划方法 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN113128744A (zh) | 配送规划方法和装置 | |
Hu et al. | Synchronizing vehicles for multi-vehicle and one-cargo transportation | |
Cóccola et al. | A branch-and-price approach to evaluate the role of cross-docking operations in consolidated supply chains | |
CN113592282A (zh) | 一种物品分配方法和装置 | |
CN115689431A (zh) | 一种新客户两阶段入线的末端配送路径规划方法 | |
CN109102123B (zh) | 拼车路线优化方法及装置、存储介质、计算设备 | |
CN115345549A (zh) | 结合装载方案的车辆路径调整方法及系统 | |
JP2005043974A (ja) | 輸送スケジュール作成方法及びシステム | |
JP4025652B2 (ja) | 輸送計画作成システム及び方法 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
US20150235247A1 (en) | Computer implemented system and method for determining a multi stage facility location and allocation | |
CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
Jakara et al. | VEHICLE ROUTING PROBLEM-CASE STUDY ON LOGISTICS COMPANY IN CROATIA. | |
JP2007314335A (ja) | 地図情報を用いた物流輸送管理装置及び物流輸送管理システム | |
Duan et al. | Nondominated Sorting Differential Evolution Algorithm to Solve the Biobjective Multi‐AGV Routing Problem in Hazardous Chemicals Warehouse | |
Akrajittham et al. | Vehicle route problem in cold chain logistics | |
US20240054441A1 (en) | Optimization apparatus, optimization method, and non-transitory computer-readable medium |
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 |