CN109858752A - 基于滚动时域控制的动态外卖配送的方法及装置 - Google Patents
基于滚动时域控制的动态外卖配送的方法及装置 Download PDFInfo
- Publication number
- CN109858752A CN109858752A CN201811610415.5A CN201811610415A CN109858752A CN 109858752 A CN109858752 A CN 109858752A CN 201811610415 A CN201811610415 A CN 201811610415A CN 109858752 A CN109858752 A CN 109858752A
- Authority
- CN
- China
- Prior art keywords
- time
- order
- vehicle
- dispatching
- dynamic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims description 42
- 238000009826 distribution Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 31
- 238000005553 drilling Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 230000008707 rearrangement Effects 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 4
- 235000013305 food Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于滚动时域控制的动态外卖配送的方法及装置，所述方法设计了一种基于RHC的NN算法(RHC‑NN)对问题模型进行求解，其通过在规定时域窗口T内送到，出车一次的总时间最短，且行驶距离缩小。
Description
技术领域
本发明实施例涉及智能物流技术领域，尤其涉及一种基于滚动时域控制的动态外卖配送的方法及装置。
背景技术
餐饮行业的外卖O2O(Online to Offline)迅速发展，已成为现代客户依赖的主流消费方式。在提供外卖配送服务开始前，系统会根据客户订单分配预期配送时间，选择配送路线，开始配送。所以，外卖配送实质是车辆路径规划问题(vehicle routing problem，VRP)的实际应用案例问题。VRP最早由Dantzig和Ramser于1959年提出，指存在一定数量需求的顾客，由配送中心点向客户提供配送服务，选择合适的配送路径，并在规定的约束条件下，实现如需求满足、总路径最短、总耗费时间最少等目的。由于VRP本身的复杂性及广泛的应用背景，国内外学者对VRP问题进行了大量的研究，许多与时间相关的运输车辆调度问题都可以归纳为VRP问题的一类重要拓展，称为带时间窗限制车辆路线问题(vehiclerouting problems with timewindows，VRPTW)，例如邮件的投递、应急模式下的物资配送等。同时，VRPTW属于NP难问题，难以用精确算法求解，启发式算法是求解此类拓展问题的主要方法，例如节约法、捕食搜索算法、最近邻域算法(nearest neighboralgorithm，NN)、遗传算法等、禁忌搜索算法等。启发式算法的优点为具有全局搜索的能力，求解效率高，目前求解规模通常在100个算例以内，如Kwon等人运用禁忌搜索算法求解VRP问题，求解数在50-100。
近年来，人工智能方法在解决组合优化问题上显示出强大的算法功能，在各个领域得到充分应用，张建强、潘立军等利用遗传算法求解物流配送路径优化问题。戴韬等则利用VRP理论考虑了船舶航线规划问题，郭月等通过使用节约里程法对校园外卖配送路径的优化，从而达到配送的高效率，杨博文等人对餐饮外卖目标市场发展趋势进行了分析。而在配送过程中，难点是客户主观选择服务时间的干扰性强、随机性大，配送路径随订单变动而变化，易造成订单配送延误，超出客户预期等待时间，影响客户满意度和未来消费。滚动时域控制(receding horizon control，RHC)作为一种动态状态下在线优化有效策略，国内外相关学者也设计了基于RHC的算法对动态优化问题进行求解，验证了基于RHC策略的合理性和有效性。
综上所述，随时间窗推移而发生的动态干扰的外卖配送问题研究仍然较少，学界对餐饮外卖配送的探究在不断深入，现实配送中，客户订单服务信息常动态变化，如订单的取消、预期到达时间的更改等。
但上述现有技术在配送服务质量和客户满意度方面仍有待提高。
发明内容
本发明实施例提供一种基于滚动时域控制的动态外卖配送的方法，用以解决现有技术中配送服务质量和客户满意度有待提高的问题。
根据本发明实施例的第一个方面，提供一种基于滚动时域控制的动态外卖配送的方法，包括：
基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；
基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
进一步，外卖配送的各个约束条件，包括：
只考虑单站点单人单车辆的配送，单次行驶距离最大为L，配送速度V；
配送路径优化的目标是行使成本最低，即总延误时间最小，距离最小；
每位顾客服务点都要访问一次，且只访问一次；
每位顾客预期的需求时间，当未及时到达，顾客满意度会受到影响；
每辆车辆的服务总需求量在该车辆的承载能力Q以内，车辆保持匀速行驶；
顾客需求具有动态性，初始化生成的订单存在着动态干扰，如原始外卖订单的临时延迟和取消等。
进一步，动态外卖VRP优化总成本最小化的模型和目标函数为：
ETi≤ti≤LTi i＝1,2,...,N (6)
xij,yij∈(0,1) i,j＝0,1,...,N (7)
式(1)为目标函数，是此次配送的车辆的运输成本最小；式(2)为车辆容量约束，车辆载重货物总量不得超出承载能力；式(3)保证整个路径中不存在局部多余的路径；式(4)、(5)确保每个顾客都会被配送；式(6)为需求时间约束；式(7)为决策变量；
Q：一辆车的车载量；
Mi：每位顾客订单的需求量；
Tn：车辆配送的最大行驶时间；
En：顾客订单的最早到达时间；
Fn：顾客订单最晚到达时间；
N：配送点个数，其订单需求记Mi(i＝1，2，…N)；
cij：表示从点i到点j的运输成本；
xij：表示车辆从i到j的配送过程发生，xij＝1；
任务i最早开始服务时间为ETi，任务最晚服务时间为LTi。
进一步，基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略，包括：
S21：假设已知NW外卖订单到达时间，设置时间间隔长度T与时域上时间间隔总数NW，初始化时域序号q＝1；
S22：根据当前外卖订单信息，由所有计划到达时间位于[t(q)，t(q)+NT]的外卖，构成当前时域上的待排序外卖订单集合S(q)；
S23：使用最近邻域算法NN对S(q)中的外卖进行配送优化排序，筛选出存在动态扰动的订单，重新排序；
S24：根据优化后的排序，给S(q)中的外卖配送着陆时间，将处于当前时域窗口中的外卖进行配送服务，其余动态干扰的外卖订单，根据最新的预期时间，分配到后续窗口中进行配送；
S25：若所有外卖订单已送达，则结束算法；
S26：更新外卖订单的相关信息，q＝q+1，转S22继续执行。
根据本发明实施例的第二个方面，提供一种基于滚动时域控制的动态外卖配送的装置，包括：
模型建立模块，用于基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；
策略获得模块，用于基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
进一步，外卖配送的各个约束条件，包括：
只考虑单站点单人单车辆的配送，单次行驶距离最大为L，配送速度V；
配送路径优化的目标是行使成本最低，即总延误时间最小，距离最小；
每位顾客服务点都要访问一次，且只访问一次；
每位顾客预期的需求时间，当未及时到达，顾客满意度会受到影响；
每辆车辆的服务总需求量在该车辆的承载能力Q以内，车辆保持匀速行驶；
顾客需求具有动态性，初始化生成的订单存在着动态干扰。
进一步，动态外卖VRP优化总成本最小化的模型和目标函数为：
ETi≤ti≤LTi i＝1,2,...,N (6)
xij,yij∈(0,1) i,j＝0,1,...,N (7)
式(1)为目标函数，是此次配送的车辆的运输成本最小；式(2)为车辆容量约束，车辆载重货物总量不得超出承载能力；式(3)保证整个路径中不存在局部多余的路径；式(4)、(5)确保每个顾客都会被配送；式(6)为需求时间约束；式(7)为决策变量；
Q：一辆车的车载量；
Mi：每位顾客订单的需求量；
Tn：车辆配送的最大行驶时间；
En：顾客订单的最早到达时间；
Fn：顾客订单最晚到达时间；
N：配送点个数，其订单需求记Mi(i＝1，2，…N)；
cij：表示从点i到点j的运输成本；
xij：表示车辆从i到j的配送过程发生，xij＝1；
任务i最早开始服务时间为ETi，任务最晚服务时间为LTi。
进一步，策略获得模块，进一步用于执行以下步骤：
S21：假设已知NW外卖订单到达时间，设置时间间隔长度T与时域上时间间隔总数NW，初始化时域序号q＝1；
S22：根据当前外卖订单信息，由所有计划到达时间位于[t(q)，t(q)+NT]的外卖，构成当前时域上的待排序外卖订单集合S(q)；
S23：使用最近邻域算法NN对S(q)中的外卖进行配送优化排序，筛选出存在动态扰动的订单，重新排序；
S24：根据优化后的排序，给S(q)中的外卖配送着陆时间，将处于当前时域窗口中的外卖进行配送服务，其余动态干扰的外卖订单，根据最新的预期时间，分配到后续窗口中进行配送；
S25：若所有外卖订单已送达，则结束算法；
S26：更新外卖订单的相关信息，q＝q+1，转S22继续执行。
根据本发明的第三个方面，提供一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行上述任一项所述的方法。
根据本发明的第四个方面，提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述任一项所述的方法。
本发明实施例提供一种基于滚动时域控制的动态外卖配送的方法及装置，所述方法设计了一种基于RHC的NN算法(RHC-NN)对问题模型进行求解，其通过在规定时域窗口T内送到，出车一次的总时间最短，且行驶距离缩小。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于滚动时域控制的动态外卖配送的方法的一实施例流程示意图；
图2为本发明基于RHC的外卖配送全过程的一实施例示意图；
图3为本发明基于滚动时域控制的动态外卖配送的装置的一实施例结构示意图；
图4为本发明一种电子设备实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例以研究动态干扰变化下的某平台商户的午餐外卖配送车辆路径问题，利用滚动时域策略降低动态干扰，目标是送餐员沿途配送服务每一位顾客的订单，合理的经过每位顾客的订单地址，并在满足每位顾客的订单量需求、送餐员车辆的承载限制以及用户的预期时间限制等约束条件下，缩短外卖配送服务延误时间，最后在完成所有外卖配送服务后，返回起点。
如图1所示，本发明具体实施例示出一种基于滚动时域控制的动态外卖配送的方法，包括：
S1,基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；
S2,基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
仿真实验结果表明了订单在五种不同动态干扰下用新算法来解决模型问题的有效性和稳定性，可为外卖平台商户改善配送服务质量和提升客户满意度提供决策支持。
在本发明上述任一具体实施例的基础上，提供一种基于滚动时域控制的动态外卖配送的方法，外卖配送的各个约束条件，包括：
只考虑单站点单人单车辆的配送，单次行驶距离最大为L，配送速度V；
配送路径优化的目标是行使成本最低，即总延误时间最小，距离最小；
每位顾客服务点都要访问一次，且只访问一次；
每位顾客预期的需求时间，当未及时到达，顾客满意度会受到影响；
每辆车辆的服务总需求量在该车辆的承载能力Q以内，车辆保持匀速行驶；
顾客需求具有动态性，初始化生成的订单存在着动态干扰。
在本发明上述任一具体实施例的基础上，提供一种基于滚动时域控制的动态外卖配送的方法，动态外卖VRP优化总成本最小化的模型和目标函数为：
ETi≤ti≤LTi i＝1,2,...,N (6)
xij,yij∈(0,1) i,j＝0,1,...,N (7)
式(1)为目标函数，是此次配送的车辆的运输成本最小；式(2)为车辆容量约束，车辆载重货物总量不得超出承载能力；式(3)保证整个路径中不存在局部多余的路径；式(4)、(5)确保每个顾客都会被配送；式(6)为需求时间约束；式(7)为决策变量；
Q：一辆车的车载量；
Mi：每位顾客订单的需求量；
Tn：车辆配送的最大行驶时间；
En：顾客订单的最早到达时间；
Fn：顾客订单最晚到达时间；
N：配送点个数，其订单需求记Mi(i＝1，2，…N)；
cij：表示从点i到点j的运输成本；
xij：表示车辆从i到j的配送过程发生，xij＝1；
任务i最早开始服务时间为ETi，任务最晚服务时间为LTi。
在本发明上述任一具体实施例的基础上，提供一种基于滚动时域控制的动态外卖配送的方法，基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略，包括：
S21：假设已知NW外卖订单到达时间，设置时间间隔长度T与时域上时间间隔总数NW，初始化时域序号q＝1；
S22：根据当前外卖订单信息，由所有计划到达时间位于[t(q)，t(q)+NT]的外卖，构成当前时域上的待排序外卖订单集合S(q)；
S23：使用最近邻域算法NN对S(q)中的外卖进行配送优化排序，筛选出存在动态扰动的订单，重新排序；
S24：根据优化后的排序，给S(q)中的外卖配送着陆时间，将处于当前时域窗口中的外卖进行配送服务，其余动态干扰的外卖订单，根据最新的预期时间，分配到后续窗口中进行配送；
S25：若所有外卖订单已送达，则结束算法；
S26：更新外卖订单的相关信息，q＝q+1，转S22继续执行。
在本发明上述任一具体实施例的基础上，提供一种基于滚动时域控制的动态外卖配送的方法的具体实施例。
1.外卖问题建模。
1.1问题描述。
本发明实施例以研究动态干扰变化下的某平台商户的午餐外卖配送车辆路径问题，利用滚动时域策略降低动态干扰，目标是送餐员沿途配送服务每一位顾客的订单，合理的经过每位顾客的订单地址，并在满足每位顾客的订单量需求、送餐员车辆的承载限制以及用户的预期时间限制等约束条件下，缩短外卖配送服务延误时间，最后在完成所有外卖配送服务后，返回起点。
1.2建立模型。
1.2.1模型参数。
对于本论文，其中主要参数如下：
Q：一辆车的车载量；
Mi：每位顾客订单的需求量；
Tn：车辆配送的最大行驶时间；
En：顾客订单的最早到达时间；
Fn：顾客订单最晚到达时间；
N：配送点个数，其订单需求记Mi(i＝1，2，…N)；
cij：表示从点i到点j的运输成本；
xij：表示车辆从i到j的配送过程发生，xij＝1；
任务i最早开始服务时间为ETi，任务最晚服务时间为LTi。
1.2.2约束条件。
结合外卖配送的自身特点，可以对问题变量进行一些相应的设定，以最大化顾客满意度为每位顾客提供服务，具体描述如下：
(1)只考虑单站点单人单摩托车的配送，单次行驶距离最大为L，配送速度V；
(2)配送路径优化的目标是行使成本最低，即总延误时间最小，距离较小；
(3)每位顾客服务点都要访问一次，且只访问一次；
(4)每位顾客预期的需求时间，当未及时到达，顾客满意度会收到影响；
(5)每辆车的服务总需求量在该车的承载能力Q以内，车辆保持匀速行驶；
(6)用户需求具有动态性，初始化生成的订单存在着动态干扰，如订单推迟、提前、取消等干扰。
1.2.3建立模型。
根据上述问题描述，动态外卖VRP优化总成本最小化的模型和目标函数如下：
ETi≤ti≤LTi i＝1,2,...,N (6)
xij,yij∈(0,1) i,j＝0,1,...,N (7)
式(1)为目标函数，是此次配送的车辆的运输成本最小；式(2)为车辆容量约束，车辆载重货物总量不得超出承载能力；式(3)保证整个路径中不存在局部多余的路径；式(4)、(5)确保每个顾客都会被配送；式(6)为需求时间约束；式(7)为决策变量。
2基于RHC的最近邻域算法。
2.1基本思路。
FCFS(first come first service)是一种按照外卖订单顺序，分配预期配送服务时间的策略,忽略了诸如外卖配送路线的交叉、往返等问题，算法容易实现，配送效率不高，不适合长途高频的配送服务。尤其订单出现随机变化时，如订单的取消、增加以及服务时间的更改等，FCFS的缺陷更加凸显。鉴于此，本发明实施例引入了滚动时域控制策略，即将整个配送时域分割成若干等长的窗口，根据最新的订单的预期配送时间，按时间顺序截取客户量进入当前窗口。对于当前窗口内的客户，采用某一优化策略进行路径规划、配送,持续该过程，直到所有客户服务完毕。如此，能够有效克服订单动态变化带来的干扰，从而实现配送目的。
考虑到进入窗口内的决策客户数一般较少，所以本发明实施例选取一种性能较好的启发式算法—最近邻域算法NN对订单排序进行排序，以实现运输费用的最小化，RHC与NN进行结合构成RHC-NN算法，以此对整个时域中的订单进行排序，以完成配送任务。
2.2RHC。
RHC策略是一种具有良好鲁棒性的在线优化控制方法，该策略将问题中的配送时间域H划分为NW时间间隔,每个时间间隔组成优化配送的工作窗口，窗口大小为H/NW。对于当前窗口，依据订单刷新的结果，将外卖服务时间落在窗口内的订单组成决策对象集合，对集合内需要服务的决策对象进行优化、排序。若决策后对象的服务时间落在当前时域窗口中，则安排车辆进行配送，否则留至下一时域窗口等待决策、服务，当前窗口的订单处理结束后，则继续进行新时域窗口的在线优化，此过程持续至所有订单均被配送服务。如图2所示，时域H的起始时间为11:00，其中一个时间间隔NW为20分钟，外卖排序在前一时间窗的优先配送，其余外卖等待下一时间窗的排序，更新排序信息，执行当前时域上的进行实例仿真。
2.3NN。
NN是一种求解速度快的启发式算法，以路线距离邻域最小为最优的配送算法能够拓展当前解的搜索空间，首先是任取一出发点，依次取最近的点加入当前路线中，直至形成回解，其具体步骤如下：
第一步：从待决策对象集合S＝{c1,c2,…,cp}中任选一对象ci，以其为起点，其中p为当前决策对象数。令r←ci，且S＝S\{ci}
第二步：在S中搜索距离r最近的对象cj，即dis(r,ci)为r与S中所有剩余对象距离的最小值，也就是dis(r,ci)_＝argmin ck∈S{dis(r,ck)}。令r←ci，且S＝S\{ci}；
第三步：若S≠φ，则转第二步继续执行，否则结束当前搜索。
该策略无法对动态扰动的订单做出应急处理，抗动态干扰能力较弱，如订单被要求提前或延迟配送，这些顾客随机的需求对订单配送会产生扰动，单一的NN算法无法处理动态干扰，所以确定合理的外卖配送排序时间和路线，是外卖配送服务问题的研究重点。
2.4RHC-NN。
以最近邻域算法作为时域上外卖配送路径排序的在线优化算法，从而基于RHC-NN具体步骤描述如下：
第一步：假设已知NW外卖订单到达时间，设置时间间隔长度T与时域上时间间隔总数NW，初始化时域序号q＝1。
第二步：根据当前外卖订单信息，由所有计划到达时间位于[t(q)，t(q)+NT]的外卖，构成当前时域上的待排序外卖订单集合S(q)。
第三步：使用最近邻域算法NN对S(q)中的外卖进行配送优化排序，筛选出存在动态扰动的订单，重新排序。
第四步：根据优化后的排序，给S(q)中的外卖配送着陆时间，将处于当前时域窗口中的外卖进行配送服务，其余动态干扰的外卖订单，根据最新的预期时间，分配到后续窗口中进行配送。
第五步：若所有外卖订单已送达，则结束算法。
第六步：更新外卖订单的相关信息，q＝q+1，转第二步继续执行。
在本发明上述任一具体实施例的基础上，如图3所示，提供一种基于滚动时域控制的动态外卖配送的装置，包括：
模型建立模块A01，用于基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；
策略获得模块A02，用于基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
举个例子如下：
图4示例了一种服务器的实体结构示意图，该服务器可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于滚动时域控制的动态外卖配送的方法，其特征在于，包括：
基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；
基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
2.根据权利要求1所述的方法，其特征在于，外卖配送的各个约束条件，包括：
只考虑单站点单人单车辆的配送，单次行驶距离最大为L，配送速度V；
配送路径优化的目标是行使成本最低，即总延误时间最小，距离最小；
每位顾客服务点都要访问一次，且只访问一次；
每位顾客预期的需求时间，当未及时到达，顾客满意度会受到影响；
每辆车辆的服务总需求量在该车辆的承载能力Q以内，车辆保持匀速行驶；
顾客需求具有动态性，初始化生成的订单存在着动态干扰。
3.根据权利要求1所述的方法，其特征在于，动态外卖VRP优化总成本最小化的模型和目标函数为：
ETi≤ti≤LTi i＝1,2,...,N (6)
xij,yij∈(0,1) i,j＝0,1,...,N (7)
式(1)为目标函数，是此次配送的车辆的运输成本最小；式(2)为车辆容量约束，车辆载重货物总量不得超出承载能力；式(3)保证整个路径中不存在局部多余的路径；式(4)、(5)确保每个顾客都会被配送；式(6)为需求时间约束；式(7)为决策变量；
Q：一辆车的车载量；
Mi：每位顾客订单的需求量；
Tn：车辆配送的最大行驶时间；
En：顾客订单的最早到达时间；
Fn：顾客订单最晚到达时间；
N：配送点个数，其订单需求记Mi(i＝1，2，…N)；
cij：表示从点i到点j的运输成本；
xij：表示车辆从i到j的配送过程发生，xij＝1；
任务i最早开始服务时间为ETi，任务最晚服务时间为LTi。
4.根据权利要求3所述的方法，其特征在于，基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略，包括：
S21：假设已知NW外卖订单到达时间，设置时间间隔长度T与时域上时间间隔总数NW，初始化时域序号q＝1；
S22：根据当前外卖订单信息，由所有计划到达时间位于[t(q)，t(q)+NT]的外卖，构成当前时域上的待排序外卖订单集合S(q)；
S23：使用最近邻域算法NN对S(q)中的外卖进行配送优化排序，筛选出存在动态扰动的订单，重新排序；
S24：根据优化后的排序，给S(q)中的外卖配送着陆时间，将处于当前时域窗口中的外卖进行配送服务，其余动态干扰的外卖订单，根据最新的预期时间，分配到后续窗口中进行配送；
S25：若所有外卖订单已送达，则结束算法；
S26：更新外卖订单的相关信息，q＝q+1，转S22继续执行。
5.一种基于滚动时域控制的动态外卖配送的装置，其特征在于，包括：
模型建立模块，用于基于外卖配送的各个约束条件，建立动态外卖VRP优化总成本最小化的模型和目标函数；
策略获得模块，用于基于RHC-NN算法对动态外卖VRP优化总成本最小化的模型和目标函数求解，获得外卖配送策略。
6.根据权利要求5所述的装置，其特征在于，外卖配送的各个约束条件，包括：
只考虑单站点单人单车辆的配送，单次行驶距离最大为L，配送速度V；
配送路径优化的目标是行使成本最低，即总延误时间最小，距离最小；
每位顾客服务点都要访问一次，且只访问一次；
每位顾客预期的需求时间，当未及时到达，顾客满意度会受到影响；
每辆车辆的服务总需求量在该车辆的承载能力Q以内，车辆保持匀速行驶；
顾客需求具有动态性，初始化生成的订单存在着动态干扰。
7.根据权利要求5所述的方法，其特征在于，动态外卖VRP优化总成本最小化的模型和目标函数为：
ETi≤ti≤LTi i＝1,2,...,N (6)
xij,yij∈(0,1) i,j＝0,1,...,N (7)
式(1)为目标函数，是此次配送的车辆的运输成本最小；式(2)为车辆容量约束，车辆载重货物总量不得超出承载能力；式(3)保证整个路径中不存在局部多余的路径；式(4)、(5)确保每个顾客都会被配送；式(6)为需求时间约束；式(7)为决策变量；
Q：一辆车的车载量；
Mi：每位顾客订单的需求量；
Tn：车辆配送的最大行驶时间；
En：顾客订单的最早到达时间；
Fn：顾客订单最晚到达时间；
N：配送点个数，其订单需求记Mi(i＝1，2，…N)；
cij：表示从点i到点j的运输成本；
xij：表示车辆从i到j的配送过程发生，xij＝1；
任务i最早开始服务时间为ETi，任务最晚服务时间为LTi。
8.根据权利要求7所述的方法，其特征在于，策略获得模块，进一步用于执行以下步骤：
S21：假设已知NW外卖订单到达时间，设置时间间隔长度T与时域上时间间隔总数NW，初始化时域序号q＝1；
S22：根据当前外卖订单信息，由所有计划到达时间位于[t(q)，t(q)+NT]的外卖，构成当前时域上的待排序外卖订单集合S(q)；
S23：使用最近邻域算法NN对S(q)中的外卖进行配送优化排序，筛选出存在动态扰动的订单，重新排序；
S24：根据优化后的排序，给S(q)中的外卖配送着陆时间，将处于当前时域窗口中的外卖进行配送服务，其余动态干扰的外卖订单，根据最新的预期时间，分配到后续窗口中进行配送；
S25：若所有外卖订单已送达，则结束算法；
S26：更新外卖订单的相关信息，q＝q+1，转S22继续执行。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行如权利要求1至4任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811610415.5A CN109858752A (zh) | 2018-12-27 | 2018-12-27 | 基于滚动时域控制的动态外卖配送的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811610415.5A CN109858752A (zh) | 2018-12-27 | 2018-12-27 | 基于滚动时域控制的动态外卖配送的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858752A true CN109858752A (zh) | 2019-06-07 |
Family
ID=66892518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811610415.5A Pending CN109858752A (zh) | 2018-12-27 | 2018-12-27 | 基于滚动时域控制的动态外卖配送的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858752A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516871A (zh) * | 2019-08-22 | 2019-11-29 | 安庆师范大学 | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 |
| CN111538333A (zh) * | 2020-05-13 | 2020-08-14 | 安庆师范大学 | 基于定积分的滚动时域控制策略的动态车辆路径优化方法 |
| CN113033866A (zh) * | 2020-11-12 | 2021-06-25 | 广东财经大学华商学院 | 一种紧急订单配送调度优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739655A (zh) * | 2009-12-17 | 2010-06-16 | 浙江工业大学 | 一种基于滚动时域调度算法的公共慢行系统动态调度方法 |
| CN105956681A (zh) * | 2016-04-15 | 2016-09-21 | 合肥工业大学 | 一种基于滚动时域优化的甩挂运输动态路径规划方法 |
| CN105976644A (zh) * | 2016-07-14 | 2016-09-28 | 中国电子科技集团公司第二十八研究所 | 一种空域动态调配的滚动时域控制方法 |
| CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
| CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
| CN108256671A (zh) * | 2017-12-26 | 2018-07-06 | 佛山科学技术学院 | 一种基于学习型遗传算法的多任务多资源滚动分配方法 |
| CN108537491A (zh) * | 2018-04-27 | 2018-09-14 | 河南农业大学 | 一种生鲜农产品配送路径优化方法、存储介质 |
| CN109034468A (zh) * | 2018-07-19 | 2018-12-18 | 南京邮电大学 | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 |
-
2018
- 2018-12-27 CN CN201811610415.5A patent/CN109858752A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739655A (zh) * | 2009-12-17 | 2010-06-16 | 浙江工业大学 | 一种基于滚动时域调度算法的公共慢行系统动态调度方法 |
| CN105956681A (zh) * | 2016-04-15 | 2016-09-21 | 合肥工业大学 | 一种基于滚动时域优化的甩挂运输动态路径规划方法 |
| CN105976644A (zh) * | 2016-07-14 | 2016-09-28 | 中国电子科技集团公司第二十八研究所 | 一种空域动态调配的滚动时域控制方法 |
| CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
| CN108256671A (zh) * | 2017-12-26 | 2018-07-06 | 佛山科学技术学院 | 一种基于学习型遗传算法的多任务多资源滚动分配方法 |
| CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
| CN108537491A (zh) * | 2018-04-27 | 2018-09-14 | 河南农业大学 | 一种生鲜农产品配送路径优化方法、存储介质 |
| CN109034468A (zh) * | 2018-07-19 | 2018-12-18 | 南京邮电大学 | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516871A (zh) * | 2019-08-22 | 2019-11-29 | 安庆师范大学 | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 |
| CN110516871B (zh) * | 2019-08-22 | 2023-09-19 | 安庆师范大学 | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 |
| CN111538333A (zh) * | 2020-05-13 | 2020-08-14 | 安庆师范大学 | 基于定积分的滚动时域控制策略的动态车辆路径优化方法 |
| CN111538333B (zh) * | 2020-05-13 | 2022-11-15 | 安庆师范大学 | 基于定积分的滚动时域控制策略的动态车辆路径优化方法 |
| CN113033866A (zh) * | 2020-11-12 | 2021-06-25 | 广东财经大学华商学院 | 一种紧急订单配送调度优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10474952B2 (en) | Systems and methods for multi-objective optimizations with live updates | |
| US10474953B2 (en) | Systems and methods for multi-objective optimizations with decision variable perturbations | |
| Padrón et al. | A bi-objective approach for scheduling ground-handling vehicles in airports | |
| Jiang et al. | Distributed dynamic scheduling for cyber-physical production systems based on a multi-agent system | |
| Yu et al. | An adaptive large neighborhood search heuristic for solving a robust gate assignment problem | |
| US11676038B2 (en) | Systems and methods for multi-objective optimizations with objective space mapping | |
| CN109858752A (zh) | 基于滚动时域控制的动态外卖配送的方法及装置 | |
| CN109308540A (zh) | 一种配送车辆的配送计划生成方法、装置及系统 | |
| Wu et al. | An improved water flow-like algorithm for order acceptance and scheduling with identical parallel machines | |
| Kianfar et al. | Study of stochastic sequence-dependent flexible flow shop via developing a dispatching rule and a hybrid GA | |
| Darwish et al. | Towards sustainable industry 4.0: A green real-time IIoT multitask scheduling architecture for distributed 3D printing services | |
| Weigang et al. | Intelligent computing methods in air traffic flow management | |
| Ausseil et al. | Supplier menus for dynamic matching in peer-to-peer transportation platforms | |
| Núñez et al. | Multiobjective model predictive control for dynamic pickup and delivery problems | |
| CN110516871B (zh) | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 | |
| CN113056754A (zh) | 用于库存控制和优化的强化学习系统和方法 | |
| CN109636227A (zh) | 任务分配方法、装置、电子设备及计算机可读存储介质 | |
| Ho et al. | Federated deep reinforcement learning for task scheduling in heterogeneous autonomous robotic system | |
| Gkiotsalitis | Improving service regularity for high-frequency bus services with rescheduling and bus holding | |
| Eslami et al. | Selecting a preventive maintenance scheduling method by using simulation and multi criteria decision making | |
| Didden et al. | Decentralized learning multi-agent system for online machine shop scheduling problem | |
| Kianfar et al. | New dispatching rules to minimize rejection and tardiness costs in a dynamic flexible flow shop | |
| Schönberger et al. | Revenue management in road-based freight transportation: Impacts of uncertainty of capacity consumption | |
| US20190005414A1 (en) | Rubust dynamic time scheduling and planning | |
| CN112862258A (zh) | 一种考虑旅客偏好的有限理性的航班恢复方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190607 |