CN109359771A - 一种基于大数据的干线运输车货匹配算法 - Google Patents

一种基于大数据的干线运输车货匹配算法 Download PDF

Info

Publication number
CN109359771A
CN109359771A CN201811185594.2A CN201811185594A CN109359771A CN 109359771 A CN109359771 A CN 109359771A CN 201811185594 A CN201811185594 A CN 201811185594A CN 109359771 A CN109359771 A CN 109359771A
Authority
CN
China
Prior art keywords
search
vehicle
client
algorithm
goods
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.)
Pending
Application number
CN201811185594.2A
Other languages
English (en)
Inventor
李昭文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Longyipai Information Technology Co Ltd
Original Assignee
Fujian Longyipai Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Longyipai Information Technology Co Ltd filed Critical Fujian Longyipai Information Technology Co Ltd
Priority to CN201811185594.2A priority Critical patent/CN109359771A/zh
Publication of CN109359771A publication Critical patent/CN109359771A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的干线运输车货匹配算法，利用搜索空间限制的大小定义算法的局域搜索和全局搜索,并通过调节搜索空间的限制以实现局域搜索和全局搜索之间的转换，车货匹配算法原理如下:捕食搜索算法寻优时，先在整个搜索空间进行全局搜索，直至找到一个较优解，然后在较优解附近的区域进行集中搜索，如果搜索很多次也没有找到更优解，则放弃局域搜索，然后再在整个搜索空间进行全局搜索，如此循环直至找到最优解(或近似最优解)为止；通过粒子群的捕食搜索算法进行合理分配车货信息，匹配准确率高，使用方便简单，使用成本低，使用体验佳，适合大众需求。

Description

一种基于大数据的干线运输车货匹配算法
技术领域
本发明属于互联网算法领域，特别涉及一种基于大数据的干线运输车货匹配算法。
背景技术
目前，车货匹配大都以车辆信息模块和货源信息模块为主，这些软件将车辆信息和货源信息分门别类展示出来，当用户点击车辆或者货源某个类别时，展现给用户该类信息排序的车源或者货源列表，向用户推荐该类车源或者货源信息，这种传统车货匹配软件信息的排序，将交了年费的司机用户的车源置前，将给了推广费用的物流公司的货源置前，其次才考虑货源和车辆匹配（距离、装货要求、运量最大化）等因素，导致客户与司机需要花较长时间来打电话沟通信息是否匹配，匹配准确率差，顾客与司机使用不方便，使用成本高，投诉率高，使用体验差，不适合大众需求。
本发明要解决的技术问题是提供一种合理匹配车与货信息、匹配准确率高、使用方便简单、使用成本低、使用体验佳、适合大众需求的基于大数据干线运输车货匹配算法。
发明内容
为解决上述现有技术匹配不合理、匹配准确率低、需要电话沟通使用不方便、使用成本高、投诉率高、使用体验差、不适合大众需求等问题，本发明采用如下技术方案：
本发明提供一种基于大数据的干线运输车货匹配算法，利用搜索空间限制的大小定义算法的局域搜索和全局搜索,并通过调节搜索空间的限制以实现局域搜索和全局搜索之间的转换，车货匹配算法原理如下:捕食搜索算法寻优时，先在整个搜索空间进行全局搜索，直至找到一个较优解，然后在较优解附近的区域进行集中搜索，如果搜索很多次也没有找到更优解，则放弃局域搜索，然后再在整个搜索空间进行全局搜索，如此循环直至找到最优解(或近似最优解)为止，具体算法如下：优化目标是满足司机需求的最短车辆行驶路径的配货，首先对车辆配货问题做出基本假设司机位置与客户的位置已知、客户的需求量已知、每个客户仅由一辆车访问、每个客户的需求都必须满足、每条线路上的需求量不得超过车辆的最大载质量、客户总的需求量不得大于车辆总的载质量；变量定义如下 K配送车辆数、q车辆的载质量、L需要服务的客户数、第i个客户的货物需求量、从客户i到客户j的运输距离。
本发明的有益效果在于：通过粒子群的捕食搜索算法进行合理分配车货信息，匹配准确率高，使用方便简单，使用成本低，使用体验佳，适合大众需求。
具体实施方式
下面详细说明本发明的优选实施例。
一种基于大数据的干线运输车货匹配算法，利用搜索空间限制的大小定义算法的局域搜索和全局搜索,并通过调节搜索空间的限制以实现局域搜索和全局搜索之间的转换，车货匹配算法原理如下:捕食搜索算法寻优时，先在整个搜索空间进行全局搜索，直至找到一个较优解，然后在较优解附近的区域进行集中搜索，如果搜索很多次也没有找到更优解，则放弃局域搜索，然后再在整个搜索空间进行全局搜索，如此循环直至找到最优解(或近似最优解)为止，具体算法如下：优化目标是满足司机需求的最短车辆行驶路径的配货，首先对车辆配货问题做出基本假设司机位置与客户的位置已知、客户的需求量已知、每个客户仅由一辆车访问、每个客户的需求都必须满足、每条线路上的需求量不得超过车辆的最大载质量、客户总的需求量不得大于车辆总的载质量；变量定义如下 K配送车辆数、q车辆的载质量、L需要服务的客户数、第i个客户的货物需求量、从客户i到客户j的运输距离；
为了安排货运路线，首先要对承运货载任务的车辆数进行合理的估计。一般来说，问题的约束越多，组织线路就越难，一辆车所完成的满足所有约束的任务越少。实际情况中根据式(4．1)来确定车辆数；
K= (4．1)
其中K是车辆数，[]表示向下取整， (0<<1)根据约束条件的多少进行调整。约束条件越多，则越小，反之越大。一般取=0.85
为便于构造数学模型，客户依次编号为i(i=1,2⋯3．．，L)。模型中的约束主要为车辆的容量约束。其数学模型为：
目标函数：
(4．2)
约束条件：
, k=1,2,3…K (4．3)
, i=1,2,3…L (4．4)
, j=1,2,3…L； k=1,2,3…K (4．5)
, i=1,2,3…L； k=1,2,3…K (4．6)
，i，j=1,2,3…L； k=1,2,3…K (4．7)
，i=1,2,3…L； k=1,2,3…K (4．8)
在模型中：
式(4．2)为目标函数；
式(4．3)为车辆的容量约束，即车辆不能超载；
式(4．4)表示每个客户被访问且只被访问一次；
式(4．5)表示到达每一个客户的车辆只有一辆；
式(4．6)表示离开每一个客户的车辆只有一辆；
式(4．7)和(4．8)为整数约束。
模型的优化目标在满足客户需要的同时，对车辆进行配送的行驶距离最短。
对车辆的预配货路径问题，遗传算法一般采用自然数编码，在运用粒子群算法时，构造一个L维的空间对应有L个客户点任务，K辆车的VRP问题，因为共有K辆车，所以最多存在K条路径。为了在编码中反应车辆的配货路径，采用了每个粒子用L+K-1维向量表示。其中，各元素值的大小顺序表示每个客户点在总路径中的配送次序，这样粒子即可与最终的解对应例如设一个VRP中客户点的任务数为8，配送中心的车辆数为3.某粒子的位置向量X：
客户点 1 2 3 4 5 6 7 8 0 0
X 5.1 7.2 3.7 1.3 1.5 8.2 4.4 8.9 2.1 6.8
为了方便计算，首先要按了元素值的大小顺序重新对X进行整数规范，结果如下
客户点 1 2 3 4 5 6 7 8 0 0
X 6 8 4 1 2 9 5 10 3 7
其中，O为车辆位置。则车辆对应解的路径为
车1 ：c1-4-5
车2 ：c2-3-7-1
车3 ：c3-2-6-8
预配货函数值
评价是否匹配的标准是配货值的大小，决定配货值的是适应值函数。为便于编写程序，可以直接将目标函数作为配货值函数。对于所给出的车辆路径问题，由于有车辆的容量约束，在目标函数上必须加上容量约束的一部分。可在式(4．2)上加上一个惩罚函数来处理这种约束：
(4．9)
式(4．9)的后半部分为对超出容量约束的不可行解施加的惩罚值，M为无穷大，实际处理中可以将M取一个足够大的数。这样，不可行解会赋予极大的适应值，在迭代中会被淘汰掉。
为了便于下面的描述，这里再次给出标准PSO算法的数学模型：其中所用到的变量均与前一致。
-)+-) (4．10)
(4．11)
(4．12)
l≤i≤d，1≤i≤N：
具体实现步骤如下：
1
1.1初始化粒子群。每个粒子的位置向量x随机取1～(L+K-1)之间的整数，每个粒子的速度向量y随机取-(L+K-1)～(L+K-1)之间的整数；设定常数w，，，M；
1.2将每个粒子的位置向量转化成总路径的形式。
1.3按式(4．9)计算每个粒子的适应值，将初始适应值作为个体历史最优解，并寻找总群体内最优解；
2对每一个粒子按式(4．12)计算x，按照式(4．10)计算V；当X，V超过其范围时按边界取值；
3将X转化成总路径的形式；
4若某个粒子的当前适应值优于其历史最优适应值，则记当前适应值为该历史最优适应值，同时记当前位置为该粒子历史最优位置；
5寻找总群体内最优解，若优于历史最优解则更新。对于子群内所有个体均为不可行解，或子群内有多个体同为最优值的情况，则随机取其中一个为子群内当前最优解；
6如未达到终止条件，则返回 2。
基于捕食搜索策略的粒子群算法求解问题为了便于说明，首先对变量做出定义：
LN 为设定限制的总数，
CM 为限制下最大循环次数
CR 为循环的次数
LL 为限制级别
在粒子群中，设定一个限制范围。使这个限制作为粒子的最大速度，在搜索范围内进行循环查找最优解，判断搜索后的适应值是否变小。如变小，则重新计算限制并继续进行循环，直到找到最优解为止。
具体实现过程：
1在初始化空间内随机选择一个初始点x，令=x，CR=0，LL=0；
2如果LL<LN，在x的当前限制RN(LL)内，初始化n个粒子。当前限制作为
粒子的最大速度。按照标准PSO公式迭代若干次，并取其历史最优解，然后转3;否则结束；
3令x=曲，如果f(x)<f()，令至今最好解=x，循环次数CR=0，
限制级别LL=0，然后重新计算限制，转2；否则转4；
4令CR=CR+1，如果CR>CM，令CR=0，LL=LL+l，然后转5；否则转2；
5如果LN=[LN／5]，令LL= LN-[LN／5] (通过限制级别儿的跳跃，实现从局域搜索到全局搜索的转换)，并转2；否则直接转2。
上述步骤中，重新计算限制的具体操作为：在初始空间随机初始删个粒子，把这LN个值与至今最好解的x的距离按照从小到大排列，组成LN个限制。
为了测试基于捕食搜索策略的粒子群算法的性能，检验它对大规模的车辆配货问题是否能给出较好的结果。本思路利用Christofides and Eilont561提出的E．n51．k5 测试问题来进行验证。该测试问题为： 50个客户需求点任务。车辆的容量为160，车辆数为5。各任务点的坐标及客户需求量见表4．1。要求合理安排车辆的配送路线，使配送里程最短。
参数设置为：粒子数d=50，惯性权重=0．75， 加速因子cl=c2=1．49，粒子的维数N取L+K一1=50+5-1=54维，罚系数取M=，限制下的循环次数CM=250，限制的总数圳=50。对该实例使用基于捕食搜索策略的粒子群算法在计算机上随机运行1 8次。求得最优最短的行车总距离为524．629。
对应的5条车辆路径为：
车辆l：27-48-23-7-43-24-25-14-6
车辆2：12-37-44-15-45-33-39-10-9-5-46
车辆3：8-26-31-28-3-36-35-20-22-1-32
车辆4：47-4-17-42-19-40-41-13-18
车辆5：11-16-2-29-21-50-34-30-9-38
随机运行18次的结果如下表
从上表可以看出，运行18次，基于捕食搜索策略的PSO算法的最优结果的平均值为534．233，搜索成功率为44％，求解所得最优结果之间相差较小，在8％之内，结果相对稳定，它的响应时间为2s，收敛速度较快，用这种算法进行求解，结果是令人满意的，这说明，在种群规模较大的情况下，基于捕食搜索策略的粒子群算法的求解结果较好，搜索的成功率也较高，不但收敛速度快而且结果稳定，由于捕食搜索策略的引入，提高了它的探索能力，使基于捕食搜索策略的粒子群算法的收敛速度有很大的改进；同时提高了它的开发能力，能够找到更优的解，弥补了粒子群算法容易陷入局部最优的缺陷。
本发明的有益效果在于：通过粒子群的捕食搜索算法进行合理分配车货信息，匹配准确率高，使用方便简单，使用成本低，使用体验佳，适合大众需求。
上述实施例并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。

Claims (1)

1.一种基于大数据的干线运输车货匹配算法，其特征在于：车货匹配算法利用搜索空间限制的大小定义算法的局域搜索和全局搜索,并通过调节搜索空间的限制以实现局域搜索和全局搜索之间的转换，车货匹配算法原理如下:捕食搜索算法寻优时，先在整个搜索空间进行全局搜索，直至找到一个较优解，然后在较优解附近的区域进行集中搜索，如果搜索很多次也没有找到更优解，则放弃局域搜索，然后再在整个搜索空间进行全局搜索，如此循环直至找到最优解(或近似最优解)为止，具体算法如下：优化目标是满足司机需求的最短车辆行驶路径的配货，首先对车辆配货问题做出基本假设司机位置与客户的位置已知、客户的需求量已知、每个客户仅由一辆车访问、每个客户的需求都必须满足、每条线路上的需求量不得超过车辆的最大载质量、客户总的需求量不得大于车辆总的载质量；变量定义如下 K配送车辆数、q车辆的载质量、L需要服务的客户数、第i个客户的货物需求量、从客户i到客户j的运输距离。
CN201811185594.2A 2018-10-11 2018-10-11 一种基于大数据的干线运输车货匹配算法 Pending CN109359771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811185594.2A CN109359771A (zh) 2018-10-11 2018-10-11 一种基于大数据的干线运输车货匹配算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811185594.2A CN109359771A (zh) 2018-10-11 2018-10-11 一种基于大数据的干线运输车货匹配算法

Publications (1)

Publication Number Publication Date
CN109359771A true CN109359771A (zh) 2019-02-19

Family

ID=65348788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811185594.2A Pending CN109359771A (zh) 2018-10-11 2018-10-11 一种基于大数据的干线运输车货匹配算法

Country Status (1)

Country Link
CN (1) CN109359771A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084463A (zh) * 2019-02-27 2019-08-02 福建龙易配信息科技有限公司 基于大数据的干线运输预配货的方法及系统
CN110210666A (zh) * 2019-05-31 2019-09-06 合肥工业大学 基于车货匹配的智能推荐方法、系统和存储介质
CN111127896A (zh) * 2019-12-16 2020-05-08 苏州水易数据科技有限公司 一种基于大数据处理分析的智能运输控制方法及其系统
CN112884253A (zh) * 2021-04-12 2021-06-01 圆通速递有限公司 一种众包车货匹配方法及其路径优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010111452A (ja) * 2008-11-04 2010-05-20 Internatl Business Mach Corp <Ibm> 複数車両の配送経路を求めるための方法、装置及びプログラム
CN101923673A (zh) * 2010-04-30 2010-12-22 湖南大学 基于改进二次粒子群算法的汽车零配件配载优化方法
CN105976140A (zh) * 2016-04-27 2016-09-28 大连海事大学 大规模流式数据环境下的车货实时匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010111452A (ja) * 2008-11-04 2010-05-20 Internatl Business Mach Corp <Ibm> 複数車両の配送経路を求めるための方法、装置及びプログラム
CN101923673A (zh) * 2010-04-30 2010-12-22 湖南大学 基于改进二次粒子群算法的汽车零配件配载优化方法
CN105976140A (zh) * 2016-04-27 2016-09-28 大连海事大学 大规模流式数据环境下的车货实时匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
乔烨: "基于捕食搜索策略粒子群算法的车辆路径问题研究", 《中国优秀硕士学位论文全文数据库》, no. 8, 15 August 2009 (2009-08-15), pages 1 - 47 *
郗建国 等: "基于捕食搜索策略的粒子群算法在车辆路径问题中的应用", 《硅谷》, no. 7, 8 April 2009 (2009-04-08), pages 77 - 78 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084463A (zh) * 2019-02-27 2019-08-02 福建龙易配信息科技有限公司 基于大数据的干线运输预配货的方法及系统
CN110210666A (zh) * 2019-05-31 2019-09-06 合肥工业大学 基于车货匹配的智能推荐方法、系统和存储介质
CN110210666B (zh) * 2019-05-31 2021-08-10 合肥工业大学 基于车货匹配的智能推荐方法、系统和存储介质
CN111127896A (zh) * 2019-12-16 2020-05-08 苏州水易数据科技有限公司 一种基于大数据处理分析的智能运输控制方法及其系统
CN112884253A (zh) * 2021-04-12 2021-06-01 圆通速递有限公司 一种众包车货匹配方法及其路径优化方法

Similar Documents

Publication Publication Date Title
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
CN107145971A (zh) 一种动态调整的快递配送优化方法
CN104567905B (zh) 一种车辆规划路径的生成方法、装置
CN109214608B (zh) 一种车辆调度优化方法
CN107798423A (zh) 基于多种智能算法的车辆路径规划仿真实验平台
CN108921472A (zh) 一种多车型的两阶段车货匹配方法
CN110472792B (zh) 一种基于离散蝙蝠算法的物流配送车辆路径优化方法
CN110705741B (zh) 一种基于改进蚁群算法的多配送中心车辆路径优化方法
Ren et al. Improved ant colony optimization for the vehicle routing problem with split pickup and split delivery
CN113361073B (zh) 一种基于改进拉格朗日松弛算法的库存路径联合优化方法
CN112801347B (zh) 基于移动中转站及众包的多目标城市两级配送规划方法
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
CN104240054A (zh) 基于粒子群的物流车辆调度的实现方法
Guo et al. Heuristic approaches for a vehicle routing problem with an incompatible loading constraint and splitting deliveries by order
CN116227773A (zh) 一种基于蚁群算法的配送路径优化方法
CN109840625B (zh) 一种快递员群路径导航的方法
CN109800911B (zh) 一种为多名快递员派件路径统一导航的方法
CN111160654B (zh) 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法
CN111178596A (zh) 一种物流配送路线规划方法、装置及存储介质
CN115062868B (zh) 一种预聚类的车辆配送路径规划方法和装置
CN115470651A (zh) 一种基于蚁群算法的带道路与时间窗车辆路径优化方法
CN112862212B (zh) 基于改进麻雀搜索算法的多agv调度方法、装置及设备
CN110084463A (zh) 基于大数据的干线运输预配货的方法及系统
CN114723360A (zh) 一种基于改进粒子群算法的物流车辆调度管理模型
CN112508478B (zh) 一种基于自组织自动导引车的柔性物流配送任务分配方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190219