CN109426880A - 一种锦标赛分发方法、系统、设备 - Google Patents

一种锦标赛分发方法、系统、设备 Download PDF

Info

Publication number
CN109426880A
CN109426880A CN201710742557.6A CN201710742557A CN109426880A CN 109426880 A CN109426880 A CN 109426880A CN 201710742557 A CN201710742557 A CN 201710742557A CN 109426880 A CN109426880 A CN 109426880A
Authority
CN
China
Prior art keywords
programme path
path set
algorithm
route
championship
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
CN201710742557.6A
Other languages
English (en)
Inventor
王宇
高磊
刘志欣
杨志伟
喻东武
胡奉平
孔晨
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.)
SF Technology Co Ltd
SF Tech Co Ltd
Original Assignee
SF 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 SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN201710742557.6A priority Critical patent/CN109426880A/zh
Publication of CN109426880A publication Critical patent/CN109426880A/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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种锦标赛分发方法、系统、设备。包括：S1、获取快递包裹基本信息；S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到规划路线集合；S3、对规划路线集合进行锦标赛选择得出较优规划路线集合；S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；S6、重复步骤S4‑S5直至得到最优规划路线。运用大规模邻域搜索算法，对输入的快递包裹进行实时的路径求解，实现包裹配送的路径规划，创造性的使用遗传算法的锦标赛选择法代替模拟退火以取得最优解，通过运算得出最优规划路径，精度高。

Description

一种锦标赛分发方法、系统、设备
技术领域
本发明涉及路径规划，尤其涉及一种锦标赛分发方法、系统、设备。
背景技术
随着物流行业的快速发展，物流业之间的竞争也不断加剧。物流成本和周期的缩短主要集中在路径的优化上。选择出最优路径已经成为物流企业最为迫切的需求。大规模邻域搜索算法是解决此类问题的方法之一。运用大规模邻域搜索算法，对输入的快递包裹进行实时的路径求解，实现包裹配送的路径规划。
自适应领域搜索算法的每次迭代都能生成一个当前解，而其中的一个关键点是如何选取最优解。常用的方法之一是选取模拟退火算法以防止陷入局部最优解的困境，而模拟退火中一个重要的因素是初始温度的设定，初始温度T值由如下公式生成。
在模拟退火中，温度的变化是初始高温≥温度缓慢下降≥终止在低温。
但是在路径规划的动态模型，由于快递运单是实时动态地输入到模型中，当一个新的运单输入到模型后，势必会导致温度变高，这样就无法达到降温以使得能量函数达到最小。因而无法得出最优规划路径。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种锦标赛分发方法、系统、设备。
根据本发明的一个方面，提供了一种锦标赛分发方法，包括：
S1、获取快递包裹基本信息；
S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到规划路线集合；
S3、对规划路线集合进行锦标赛选择得出较优规划路线集合；
S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；
S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；
S6、重复步骤S4-S5直至得到最优规划路线。
根据用户的不同，快递包裹基本信息也会不同。不同的快递包裹信息作为大规模邻域搜索算法的输入。
进一步的，将快递包裹基本信息输入大规模邻域搜索算法，得到规划路线集合，包括：
根据快递包裹基本信息建立与其相对应的多维向量；
将多维向量输入大规模邻域搜索算法中，得到规划路线集合。
进一步的，快递包裹基本信息包括地址流向、打包要求和时间窗。
进一步的，与快递包裹基本信息相对应的多维向量包括地址流向、打包要求、时间窗向量。
进一步的，步骤S2、S4中通过大规模邻域搜索算法，得到规划路线集合，包括：
将多维向量或S3得到的较优规划路线集合输入贪婪算法，得到初始路线集合；
随机选取初始路线集合中的一条或者多条路线，随机移除该路线中的某些包裹；
将所述被移除的包裹重新插入到剩下的路线集合中，得到重建路线集合；
对重建路线集合进行筛选，得到规划路线集合或新规划线路集合。
进一步的，对重建路线集合进行筛选，得到规划路线集合或新规划线路集合，包括：
若当前重建路线之前未出现，则该当前重建路线保留；
若当前重建路线与上轮较优规划路线差值小于阈值，则该当前重建路线保留，否则则丢弃；
若当前重建路线优于上轮较优规划路线，则该当前重建路线保留，否则则丢弃。
进一步的，将较优规划路线集合输入到大规模邻域搜索算法之前，包括：将较优规划路线集合输入多个算法迭代器进行协同运算。
本发明通过大规模邻域搜索算法的摧毁重建策略得到新解。该新解由一个coordinator根据锦标赛选择法选取较优解。
大规模邻域搜索算法算得新解的步骤是：
使用贪婪的算法算得路线初始集合；
随机选取初始路线集合中的某些路线，随机将这些路线中的某些包裹从路线中移除；
再将这些被移除的包裹重新插入到剩下的路线集合中，得到重建路线集合，即为新解。
在动态的分布式的路径规划算法中，多个worker(算法迭代器)协同工作，由一个coordinator根据锦标赛选择法选取较优解，具体包括：
首先，分布式的架构保证多个worker可以协同运算，通过自适应算法的摧毁重建策略得到新解，新解传入到coordinator进行锦标赛选择，步骤如下：
当前新解如果满足如下三个条件，则保留该新解，进入新解的种群。反之则丢弃。
条件1：该解优于之前的较优解；
条件2：该解从未出现；
条件3：该解一定程度上差于较优解(如不低于成本的30％)。
其中，该解为摧毁重建得到的新解；
较优解为系统会始终保存较优解作为算法的评价标准。如在最开始，较优解即为第一个解，接下来会计算出源源不断的解。通过锦标赛选择制，这些解如果比第一个解好(如成本低等)，则好的解将取代原来的较优解，作为新的较优解。
在合法解的种群中随机抽样一部分，在实际问题中，选择抽样30个，既保证了解的多样性，又避免了coordinator的计算效率低。
根据消耗资源或成本的大小，对抽样的个体进行锦标赛选择，得到较优解。
较优解作为一个消息队列再次返回，返回给worker再次使用，由worker消费得到该较优解。
Worker得到较优解后，根据大规模邻域搜索算法计算得到新解，再循环第一步，直到算法设定的结束条件(如20分钟内无较优解生成、5000轮结束等)满足则退出循环，得到全局最优解。
进一步的，步骤S3、S5中，对规划路线集合进行锦标赛选择得出较优规划路线集合包括：
S31、对规划路线集合中的规划路线进行空间编码，作为种群；
S32、从种群中随机选择规划路线个体构成组，将每个个体输入目标函数，选择其中符合目标函数要求的个体进入子代种群；
S33、重复步骤S32，得到的个体构成新一代种群，形成较优规划路线集合。
进一步的，将每个个体输入目标函数，选择其中符合目标函数要求的个体进入子代种群，包括：
参与锦标赛的规划路线个体集为I＝{I0,I1,...In}；
设定一个m值，其中，0<m<n，取出I中前m名的个体，作为子代群体。
进一步的，取出I中前m名的个体，作为子代群体，包括：
设定概率初始值p；
个体集中的每个个体Ik被选中进入子代种群的概率遵循如下公式：
PIK＝p(1-p)k，
其中Ik∈I，个体个数为n。
进一步的，目标函数如下：
其中，为快递包裹送达该点的距离，
为快递包裹送达该点所消耗的时长；
符合目标函数要求的个体输入目标函数，满足fx值最小。
α、β分别是cost函数的可调参数，dij表示距离，Xijk表示是否有这个点…α、β、d、k、K、S、i、j、A中很多是可调参数。
根据本发明的另一个方面，提供了一种锦标赛分发系统，包括：
获取快递包裹基本信息的采集单元；
将快递包裹基本信息输入大规模邻域搜索算法，得到规划路线集合的大规模邻域搜索路线规划单元一；
对规划路线集合进行锦标赛选择得出较优规划路线集合的较优规划路线选择单元一；
将较优规划路线集合再次输入大规模邻域搜索算法得到新规划路线集合的大规模邻域搜索路线规划单元二；
对新规划路线集合进行锦标赛选择得出较优规划路线集合的较优规划路线选择单元二；
重复运行大规模邻域搜索路线规划单元二、较优规划路线选择单元二直至得到最优规划路线的输出单元。
根据本发明的另一个方面，提供了一种锦标赛分发设备，包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行：
S1、获取快递包裹基本信息；
S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到规划路线集合；
S3、对规划路线集合进行锦标赛选择得出较优规划路线集合；
S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；
S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；
S6、重复步骤S4-S5直至得到最优规划路线。
与现有技术相比，本发明具有以下有益效果：
1、本发明示例的锦标赛分发方法，运用大规模邻域搜索算法，对输入的快递包裹进行实时的路径求解，实现包裹配送的路径规划，创造性的使用遗传算法的锦标赛选择法代替模拟退火以取得最优解，通过运算得出最优规划路径，精度高。
2、本发明示例的锦标赛分发系统，通过采集单元获取快递包裹基本信息；通过大规模邻域搜索路线规划单元一将快递包裹基本信息输入大规模邻域搜索算法，得到规划路线集合；通过较优规划路线选择单元一对规划路线集合进行锦标赛选择得出较优规划路线集合；通过大规模邻域搜索路线规划单元二将较优规划路线集合再次输入大规模邻域搜索算法得到新规划路线集合；通过较优规划路线选择单元二对新规划路线集合进行锦标赛选择得出较优规划路线集合；通过输出单元重复运行大规模邻域搜索路线规划单元二、较优规划路线选择单元二直至得到最优规划路线。结构简单，通过各个单元的相互配合，精确输出最优规划路线。
3、本发明示例的锦标赛分发设备，存储、被运行用于执行下述程序：运用大规模邻域搜索算法，对输入的快递包裹进行实时的路径求解，实现包裹配送的路径规划，创造性的使用遗传算法的锦标赛选择法代替模拟退火以取得最优解，通过运算得出最优规划路径，无需人工，不但保证了准确度，而且也大大提高了效率。
附图说明
图1为本发明的实施例一流程框图；
图2为本发明的实施例一锦标赛分发方法的示例性流程图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例对本发明作进一步说明。
实施例一：
本实施例提供了一种锦标赛分发方法，步骤包括：
S1、获取快递包裹基本信息。
S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到本轮计算的规划路线集合。
具体包括：
S21、根据快递包裹基本信息建立与其相对应的多维向量，快递包裹基本信息包括地址流向、打包要求和时间窗；
S22、将多维向量输入大规模邻域搜索算法中，得到规划路线集合。
S3、对规划路线集合进行锦标赛选择得出本轮较优规划路线集合；
S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；
S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；
S6、重复步骤S4-S5直至如20分钟内无较优解生成，得到最优规划路线。
其中，步骤S2、S4中通过大规模邻域搜索算法，得到规划路线集合，包括：
(1)将多维向量或S3得到的较优规划路线集合输入贪婪算法，得到初始路线集合；
(2)随机选取初始路线集合中的一条或者多条路线，随机移除该路线中的某些包裹；
(3)将所述被移除的包裹重新插入到剩下的路线集合中，得到重建路线集合；
(4)对重建路线集合进行筛选，得到规划路线集合或新规划线路集合。
对重建路线集合进行筛选，得到规划路线集合或新规划线路集合，包括：
(1)若当前重建路线之前未出现，则该当前重建路线保留；
(2)若当前重建路线与上轮较优规划路线差值小于阈值(如不低于成本的30％)，则该当前重建路线保留，否则则丢弃；
(3)若当前重建路线优于上轮较优规划路线，则该当前重建路线保留，否则则丢弃。
将较优规划路线集合输入到大规模邻域搜索算法之前，包括：将较优规划路线集合输入多个算法迭代器worker进行协同运算。
具体为：
分布式的架构保证多个worker可以协同运算，通过自适应算法的摧毁重建策略得到新解，新解传入到coordinator进行锦标赛选择，步骤如下：
(1)当前新解如果满足如下三个条件，则保留该新解，进入新解的种群。反之则丢弃。
条件1：该解优于之前的较优解；
条件2：该解从未出现；
条件3：该解一定程度上差于较优解(如不低于成本的30％)。
(2)在合法解的种群中随机抽样一部分，在实际问题中，选择抽样30个，既保证了解的多样性，又避免了coordinator的计算效率低。
(3)根据消耗资源或成本的大小，对抽样的个体进行锦标赛选择，得到较优解。
(4)较优解作为一个消息队列再次返回，由worker消费得到该较优解。
Worker得到较优解后，根据大规模邻域搜索算法计算得到新解。再循环第一步。
其中，步骤S3、S5中，对规划路线集合进行锦标赛选择得出较优规划路线集合包括：
(1)对规划路线集合中的规划路线进行空间编码，作为种群；
(2)从种群中随机选择规划路线个体构成组，如30个个体，将每个个体输入目标函数，选择其中符合目标函数要求的个体进入子代种群，
将每个个体输入目标函数，选择其中符合目标函数要求的个体进入子代种群，包括：
1)参与锦标赛的规划路线个体集为I＝{I0,I1,...In}；
2)设定一个m值，其中，0<m<n，取出I中前m名的个体，作为子代群体，
取出I中前m名的个体，作为子代群体，包括：
设定概率初始值p；
个体集中的每个个体Ik被选中进入子代种群的概率遵循如下公式：
PIK＝p(1-p)k，
其中Ik∈I，个体个数为n，
其中，目标函数如下：
其中，为快递包裹送达该点的距离，
为快递包裹送达该点所消耗的时长；
符合目标函数要求的个体输入目标函数，满足fx值最小。
α、β分别是cost函数的可调参数，dij表示距离，Xijk表示是否有这个点…α、β、d、k、K、S、i、j、A中很多是可调参数。该目标函数一般考虑成本或资源最低。
(3)重复上一步骤，得到的个体构成新一代种群，形成较优规划路线集合。
本实施例提供了一种锦标赛分发系统，包括：
获取快递包裹基本信息的采集单元；
将快递包裹基本信息输入大规模邻域搜索算法，得到本轮计算的规划路线集合的大规模邻域搜索路线规划单元一；
对规划路线集合进行锦标赛选择得出本轮较优规划路线集合的较优规划路线选择单元一；
将较优规划路线集合再次输入大规模邻域搜索算法得到新规划路线集合的大规模邻域搜索路线规划单元二；
对新规划路线集合进行锦标赛选择得出较优规划路线集合的较优规划路线选择单元二；
重复运行大规模邻域搜索路线规划单元二、较优规划路线选择单元二直至得到最优规划路线的输出单元。
本实施例提供了一种锦标赛分发设备，包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行：
S1、获取快递包裹基本信息；
S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到本轮计算的规划路线集合；
S3、对规划路线集合进行锦标赛选择得出本轮较优规划路线集合；
S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；
S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；
S6、重复步骤S4-S5直至得到最优规划路线。
该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行。
实施例二：
本实施例与实施例一相同的特征不再赘述，本实施例与实施例一不同的特征在于：
本实施例的一种锦标赛分发方法中，
对重建路线集合进行筛选，得到规划路线集合或新规划线路集合，包括：
(1)若当前重建路线之前未出现，则该当前重建路线保留；
(2)若当前重建路线与上轮较优规划路线差值小于阈值(如不低于成本的20％)，则该当前重建路线保留，否则则丢弃；
(3)若当前重建路线优于上轮较优规划路线，则该当前重建路线保留，否则则丢弃。
将较优规划路线集合输入到大规模邻域搜索算法之前，包括：将较优规划路线集合输入多个算法迭代器worker进行协同运算。
具体为：
分布式的架构保证多个worker可以协同运算，通过自适应算法的摧毁重建策略得到新解，新解传入到coordinator进行锦标赛选择，步骤如下：
(1)当前新解如果满足如下三个条件，则保留该新解，进入新解的种群，反之则丢弃。
条件1：该解优于之前的较优解；
条件2：该解从未出现；
条件3：该解一定程度上差于较优解(如不低于成本的20％)。
(2)在合法解的种群中随机抽样一部分，在实际问题中，选择抽样30个，既保证了解的多样性，又避免了coordinator的计算效率低。
(3)根据消耗资源或成本的大小，对抽样的个体进行锦标赛选择，得到较优解。
(4)较优解作为一个消息队列再次返回，由worker消费得到该较优解。
S6、重复步骤S4-S5直至5000轮结束，得到最优规划路线。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。

Claims (12)

1.一种锦标赛分发方法，其特征是，包括：
S1、获取快递包裹基本信息；
S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到规划路线集合；
S3、对规划路线集合进行锦标赛选择得出较优规划路线集合；
S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；
S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；
S6、重复步骤S4-S5直至得到最优规划路线。
2.根据权利要求1所述的锦标赛分发方法，其特征是，将快递包裹基本信息输入大规模邻域搜索算法，得到规划路线集合，包括：
根据快递包裹基本信息建立与其相对应的多维向量；
将多维向量输入大规模邻域搜索算法中，得到规划路线集合。
3.根据权利要求2所述的任务包裹优化方法，其特征是，快递包裹基本信息包括地址流向、打包要求和时间窗。
4.根据权利要求2所述的锦标赛分发方法，其特征是，步骤S2、S4中通过大规模邻域搜索算法，得到规划路线集合，包括：
将多维向量或S3得到的较优规划路线集合输入贪婪算法，得到初始路线集合；
随机选取初始路线集合中的一条或者多条路线，随机移除该路线中的某些包裹；
将所述被移除的包裹重新插入到剩下的路线集合中，得到重建路线集合；
对重建路线集合进行筛选，得到规划路线集合或新规划线路集合。
5.根据权利要求4所述的锦标赛分发方法，其特征是，对重建路线集合进行筛选，得到规划路线集合或新规划线路集合，包括：
若当前重建路线之前未出现；或，
当前重建路线与上轮较优规划路线差值小于阈值；或，
当前重建路线优于上轮较优规划路线，
则该当前重建路线保留，否则则丢弃。
6.根据权利要求1所述的锦标赛分发方法，其特征是，将较优规划路线集合输入到大规模邻域搜索算法之前，包括：将较优规划路线集合输入多个算法迭代器进行协同运算。
7.根据权利要求1-6任一所述的锦标赛分发方法，其特征是，步骤S3、S5中，对规划路线集合进行锦标赛选择得出较优规划路线集合包括：
对规划路线集合中的规划路线进行空间编码，作为种群；
从种群中随机选择规划路线个体构成组，将每个个体输入目标函数，选择其中符合目标函数要求的个体进入子代种群；
重复上一步骤，得到的个体构成新一代种群，形成较优规划路线集合。
8.根据权利要求7所述的锦标赛分发方法，其特征是，将每个个体输入目标函数，选择其中符合目标函数要求的个体进入子代种群，包括：
参与锦标赛的规划路线个体集为I＝{I0,I1,...In}；
设定一个m值，其中，0<m<n，取出I中前m名的个体，作为子代群体。
9.根据权利要求8所述的锦标赛分发方法，其特征是，取出I中前m名的个体，作为子代群体，包括：
设定概率初始值p；
个体集中的每个个体Ik被选中进入子代种群的概率遵循如下公式：
PIK＝p(1-p)k，
其中Ik∈I，个体个数为n。
10.根据权利要求8所述的锦标赛分发方法，其特征是，目标函数如下：
其中，为快递包裹送达该点的距离，
为快递包裹送达该点所消耗的时长；
符合目标函数要求的个体输入目标函数，满足fx值最小。
11.一种锦标赛分发系统，其特征是，包括：
获取快递包裹基本信息的采集单元；
将快递包裹基本信息输入大规模邻域搜索算法，得到规划路线集合的大规模邻域搜索路线规划单元一；
对规划路线集合进行锦标赛选择得出较优规划路线集合的较优规划路线选择单元一；
将较优规划路线集合再次输入大规模邻域搜索算法得到新规划路线集合的大规模邻域搜索路线规划单元二；
对新规划路线集合进行锦标赛选择得出较优规划路线集合的较优规划路线选择单元二；
重复运行大规模邻域搜索路线规划单元二、较优规划路线选择单元二直至得到最优规划路线的输出单元。
12.一种锦标赛分发设备，其特征是，包括存储有计算机程序的计算机可读介质,所述程序被运行用于执行：
S1、获取快递包裹基本信息；
S2、将快递包裹基本信息输入到大规模邻域搜索算法，得到规划路线集合；
S3、对规划路线集合进行锦标赛选择得出较优规划路线集合；
S4、将S3得到的较优规划路线集合再次输入到大规模邻域搜索算法得到新规划路线集合；
S5、对新规划路线集合进行锦标赛选择得出较优规划路线集合；
S6、重复步骤S4-S5直至得到最优规划路线。
CN201710742557.6A 2017-08-25 2017-08-25 一种锦标赛分发方法、系统、设备 Pending CN109426880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710742557.6A CN109426880A (zh) 2017-08-25 2017-08-25 一种锦标赛分发方法、系统、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710742557.6A CN109426880A (zh) 2017-08-25 2017-08-25 一种锦标赛分发方法、系统、设备

Publications (1)

Publication Number Publication Date
CN109426880A true CN109426880A (zh) 2019-03-05

Family

ID=65499432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710742557.6A Pending CN109426880A (zh) 2017-08-25 2017-08-25 一种锦标赛分发方法、系统、设备

Country Status (1)

Country Link
CN (1) CN109426880A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050199717A1 (en) * 2004-03-12 2005-09-15 Jeong-Hyun Park Intelligent parcel monitoring and controlling apparatus and method and terminal for executing real-time parcel pickup and delivery and operation method thereof
CN104392341A (zh) * 2014-11-11 2015-03-04 南华大学 一种用于派送件货系统
CN105046365A (zh) * 2015-07-29 2015-11-11 余意 物流配送车辆路径优化方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050199717A1 (en) * 2004-03-12 2005-09-15 Jeong-Hyun Park Intelligent parcel monitoring and controlling apparatus and method and terminal for executing real-time parcel pickup and delivery and operation method thereof
CN104392341A (zh) * 2014-11-11 2015-03-04 南华大学 一种用于派送件货系统
CN105046365A (zh) * 2015-07-29 2015-11-11 余意 物流配送车辆路径优化方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张梦颖: "不确定因素下路径规划问题研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
苗国强等: "基于自适应大规模邻域搜索算法的带时间窗的车辆路径问题", 《物流技术》 *

Similar Documents

Publication Publication Date Title
Tang et al. An improved differential evolution algorithm for practical dynamic scheduling in steelmaking-continuous casting production
Li et al. A discrete teaching-learning-based optimisation algorithm for realistic flowshop rescheduling problems
Lin et al. Minimizing makespan and total flowtime in permutation flowshops by a bi-objective multi-start simulated-annealing algorithm
Koulinas et al. A new tabu search-based hyper-heuristic algorithm for solving construction leveling problems with limited resource availabilities
Li-ying et al. Multiple charging station location-routing problem with time window of electric vehicle.
CN104239137B (zh) 基于dag节点最优路径的多模型并行调度方法及装置
Koc et al. A branch and cut algorithm for the vehicle routing problem with multiple use of vehicles
RU2012127578A (ru) Анализатор применимости программного модуля для разработки и тестирования программного обеспечения для многопроцессорных сред
CN104915251A (zh) 任务调度方法及装置
CN106611270A (zh) 一种求解并行机作业车间调度的混合启发式转移瓶颈算法
CN105897864A (zh) 一种云工作流调度方法
Shirokikh et al. Dynamic adaptive large neighborhood search for inventory routing problem
Li et al. Single machine scheduling with two-agent for total weighted completion time objectives
Yaguchi et al. Basic study of proximate optimality principle based combinatorial optimization method
Sahana An automated parameter tuning method for ant colony optimization for scheduling jobs in grid environment
Falugi et al. Application of novel nested decomposition techniques to long-term planning problems
CN104392317A (zh) 一种基于遗传文化基因算法的项目调度方法
CN102420812A (zh) 一种支持分布并行处理的Web服务自动QoS组合方法
CN109426880A (zh) 一种锦标赛分发方法、系统、设备
CN103942195B (zh) 一种数据处理系统以及数据处理方法
Li et al. A three-fold approach for job shop problems: A divide-and-integrate strategy with immune algorithm
CN103793769B (zh) 一种基于语义的云排产系统
Jingfang et al. The way of solving traveling salesman problem the research on scheduling in AS/RS
EP3511877A1 (en) Collaborative product configuration optimization model
Xiao et al. Research on path optimization based on improved adaptive genetic algorithm

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: 20190305