CN110097231A - 多目标物流调度方法及装置、物流系统以及计算机可读介质 - Google Patents
多目标物流调度方法及装置、物流系统以及计算机可读介质 Download PDFInfo
- Publication number
- CN110097231A CN110097231A CN201910382962.0A CN201910382962A CN110097231A CN 110097231 A CN110097231 A CN 110097231A CN 201910382962 A CN201910382962 A CN 201910382962A CN 110097231 A CN110097231 A CN 110097231A
- Authority
- CN
- China
- Prior art keywords
- schedule
- cost
- vehicle
- module
- cost function
- 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
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
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
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
本发明涉及汽车物流技术领域，更具体的说，涉及多目标物流调度方法及装置、物流系统以及计算机可读介质。该方法包括：S1初始化订单分配策略，形成初始调度安排；S2对初始调度安排使用目标代价函数计算代价；S3使用全局优化算法对订单分配策略和调度安排进行更新；S4对更新后的调度安排使用目标代价函数计算代价，得到目标代价函数最优化的结果，如果不满足最优化要求，则继续进行步骤S3，如果满足要求，则进行步骤S5；S5对调度安排进行约束条件检验，如果通过检验，则该调度安排为最优结果，如果没有通过检验，则继续进行步骤S3。本发明所规划的路线达到了总路径长度最优，相对于目前物流实际调度安排，车辆数明显减少，装载率升高，节省了成本。
Description
技术领域
本发明涉及汽车物流技术领域，更具体的说，涉及一种多目标物流调度方法及装置、物流系统以及计算机可读介质。
背景技术
整车物流是指整车从主机厂、各配送站点、经销商运送到最终客户的一系列活动和过程，整车物流调度需要解决物流路径规划、配载和车辆调度等一系列问题。
在物流运输中，车辆路径规划问题(Vehicle Routing Problem，VRP)占有举足轻重的位置，是物流成本的重要因素。根据问题的描述和约束，路径规划可以分为不同模型，如包含流量约束的VRP模型、包含时间窗约束的VRP模型等。
汽车订单货物零部件入场物流场景具有多约束、多车场、多目标(供应商，仓库)、多车型、时间窗、三维装载等特点，节点包含各自属性，供应商有车型及仓库流量等限制，装载规则复杂，箱子大小迥异，路径规划难度很大。
目前现有技术的基于优化算法的规划路径方法，规划了三维装载的一条线路的旅行商问题(Traveling Salesman Problem，TSP)或者多目标多车场的场景(不包括装载或者只是平面装载)，并未解决三维装载和包含时间窗约束及各个节点自身属性的物流场景，例如供应商有车型限制，一个供应商有不同型号的箱子(涉及到三维装载以及复杂的装载规则)。
发明内容
本发明的目的是提供一种多目标物流调度方法及装置、物流系统、计算机可读介质，解决了考虑多车场、多目标、多车型、带有时间窗约束、三维装载、各个节点具有自身属性的车辆路径规划问题。
为了实现上述目的，本发明提供了一种多目标物流调度方法，包括以下步骤：
S1初始化订单分配策略，形成初始调度安排，包括所有车辆行驶的节点、所运送的订单、行驶顺序以及到达每个节点的时间点；
S2对初始调度安排使用目标代价函数计算代价；
S3使用全局优化算法对订单分配策略和调度安排进行更新；
S4对更新后的调度安排使用目标代价函数计算代价，得到目标代价函数最优化的结果，如果不满足最优化要求，则继续进行步骤S3，如果满足要求，则进行步骤S5；
S5对调度安排进行约束条件检验，如果通过检验，则该调度安排为最优结果，如果没有通过检验，则继续进行步骤S3。
在一实施例中，所述目标代价函数包括每辆车的路径长度，目标代价函数最优化的结果为每辆车的路径长度最短，目标代价函数为，
其中，
dij是两节点之间的距离；
N是所有节点的总数，节点包括车场、供应商、仓库、中转站；
K是车场数，K＜N；
VTk是第k车场拥有的车型数；
是第k车场拥有第m种车型的车辆数。
在一实施例中，所述目标代价函数还包括每辆车的装载率，目标代价函数最优化的结果为每辆车的路径长度最短同时装载率最高，通过对车辆路径长度和装载率的成本定价，将目标代价函数转化成统一的成本计价模型。
在一实施例中，所述目标代价函数还包括车辆运行时间，目标代价函数最优化的结果为每辆车的路径长度最短、装载率最高同时车辆运行时间最短，通过对车辆路径长度、装载率和车辆运行时间的成本定价，将目标代价函数转化成统一的成本计价模型。
在一实施例中，采用基于成本定价的拉格朗日乘数法，将目标代价函数按照定价转换成统一的成本计价模型。
在一实施例中，每辆车的装载方案包括，根据车厢内货物零部件箱体尺寸进行精准装车，采用对树搜索和设定评分标准进行装载率的最优化评价。
在一实施例中，每辆车的装载方案还包括装载顺序的最优化，对于一辆车的线路，行驶顺序决定装载顺序；对于同一个节点，如果只有一个订单，则直接装箱，如果有不同订单，则通过堆栈结构进行装箱。
在一实施例中，所述全局优化算法为模拟退火算法、遗传算法、粒子群算法或蚁群算法之一。
在一实施例中，所述步骤S5中，对调度安排进行约束条件检验，进一步包括，检验所有路线的时间窗是否通过，以及节点的工作时间窗、订单的时间窗以及仓库的流量控制是否满足要求。
在一实施例中，所述步骤S1还包括：
S11订单拆单步骤，对于订单货量大于1辆整车的装载量的订单进行拆分。
在一实施例中，所述步骤S1还包括：
S12订单预处理步骤，根据订单是否直送中转站进行信息更新，将异地供应商的订单整合进中转站。
在一实施例中，所述步骤S1还包括：
S13订单整理步骤，根据订单属性，对所有订单按照相同供应商进行订单分类，按照不同供应商的距离远近进行订单聚类。
在一实施例中，所述步骤S13中，订单分类进一步包括，根据供应商地址信息将所有订单分类，根据订单属性中的出发地和目的地进行调度安排。
在一实施例中，所述步骤S1中，进一步包括：
S14数据清洗步骤，根据预先设定的清洗规则，将获取的原始订单数据清洗成符合全局优化算法需要的数据格式，提取所需的信息数据。
在一实施例中，还包括，步骤S6，将调度安排的最优结果转化为实际可操作的状态并输出。
为了实现上述目的，本发明还提供了一种多目标物流调度装置，包括：
数据准备模块，输出端与初始调度模块连接，用于获取订单数据并根据需求进行订单数据处理；
初始调度模块，输出端与代价计算模块连接，用于基于所处理的订单数据获取初始订单分配策略，形成初始调度安排；
代价计算模块，输出端与约束条件检验模块、优化模块连接，对输入的调度安排使用目标代价函数计算代价，将满足要求的调度安排输出到约束条件检验模块，将不满足要求的调度安排输出到优化模块；
优化模块，输出端与代价计算模块连接，使用全局优化算法对输入的订单分配策略和调度安排进行优化更新；
约束条件检验模块，输出端与优化模块连接，用于检验输入的调度安排是否满足约束条件，将满足约束条件的调度安排作为最优结果，将不满足约束条件的调度安排输出到优化模块。
在一实施例中，所述代价计算模块，还包括路径模块，目标代价函数为每辆车的路径长度，对调度安排计算代价。
在一实施例中，所述代价计算模块，还包括装载模块，目标代价函数为每辆车的装载率，对调度安排计算代价，通过成本定价将目标代价函数转化成统一的成本计价模型，将路径模块和装载模块的代价计算结果耦合统一，作为代价计算模块的代价计算结果。
在一实施例中，还包括调度输出模块，输入端与约束条件检验模块连接，将输入的调度安排的最优结果转化为实际可操作的状态并输出。
为了实现上述目的，本发明还提供了一种物流系统，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如上所述的方法。
为了实现上述目的，本发明还提供了一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如上所述的方法。
本发明提供的一种多目标物流优化调度方法和装置，模拟了订单货物零部件的整个入场物流场景过程，与实际业务中的多目标(供应商，仓库)、多车场(多车型)相符合，在实际操作上具有可行性；规划满足实际业务所提出的所有需求，所规划的路线达到了总路径长度最优；相对于目前物流实际调度安排，车辆数明显减少，装载率升高，节省了成本。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
图1揭示了根据本发明一实施例的多目标物流调度方法的流程图；
图2揭示了根据本发明一实施例的多目标物流调度方法的详细流程图；
图3揭示了根据本发明一实施例的多目标物流调度方法的货物零部件入场物流场景流程图；
图4揭示了根据本发明一实施例的多目标物流调度装置的结构示意图；
图5揭示了根据本发明又一实施例的多目标物流调度系统的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
本发明的实施例描述多目标物流优化调度方法以及装置。本发明实施例提供的多目标物流优化调度方法的执行主体，可以是本发明实施例提供的多目标物流优化调度装置，或者集成了所述多目标物流优化调度装置的终端设备(例如，智能手机、平板电脑等)或服务器，该装置可以采用硬件或软件实现。
本发明针对多车场、多目标、多车型、时间窗、三维装载(装载规则复杂多样)进行路径规划。通过模拟业务场景的实际运作流程，提炼出一个目标代价函数的数学模型，根据现实需求限制加入约束，根据实际节点的地理位置数据、供应商的车型限制、仓库的流量控制以及车场(承运商)的车型车数的限制、货物的时间窗要求，以总里程数最短为主要目标，载重里程较短、装载率更高、车辆数较少为辅助优化目标，加入约束条件，输出实际可行的车辆调度安排。
参考图1所示，图1揭示了根据本发明一实施例的多目标物流优化调度方法的流程图。
该多目标物流优化调度方法，主要包括如下的步骤：
S1初始化订单分配策略，形成初始调度安排，包括所有车辆行驶的节点、所运送的订单、行驶顺序以及到达每个节点的时间点；
S2对初始调度安排使用目标代价函数计算代价；
S3使用全局优化算法对订单分配策略和调度安排进行更新；
S4对更新后的调度安排使用目标代价函数计算代价，得到目标代价函数最优化的结果，如果不满足最优化要求，则继续进行步骤S3，如果满足要求，则进行步骤S5；
S5对调度安排进行约束条件检验，如果通过检验，则该调度安排为最优结果，如果没有通过检验，则继续进行步骤S3。
图2揭示了根据本发明一实施例的多目标物流优化调度方法的详细流程图。参考图1和图2所示，下面对整车物流月度订单预测方法中的每一步骤进行详细的展开阐述。
步骤S1，初始化订单分配策略，形成初始调度安排，包括所有车辆行驶的节点、所运送的订单、行驶顺序以及到达每个节点的时间点。
本方法中涉及的订单数据主要包括订单涉及到的供应商、仓库、承运商、相应的距离数据、每个节点的工作时间窗、供应商的车型限制、仓库的流量控制(每小时)。为了使得获取的订单数据满足后续计算代价以及全局优化算法的处理要求，在本步骤中可以进一步包含以下订单数据处理步骤。
S11订单拆单步骤，对于订单货量大于1辆整车的装载量的订单进行拆分。
S12订单预处理步骤，根据订单是否直送中转站HUB进行信息更新，将异地供应商的订单进入HUB进行整合。
S13订单整理步骤，包括S131订单聚类和S132订单分类。S131订单聚类是指，根据订单属性，对所有订单按照不同供应商的距离远近进行聚类。S132订单分类是指，根据订单属性，对所有订单按照相同供应商进行分类。两种整理方式的标准都是尽可能多的把订单拼在一起由一辆车进行运输，同时需要保证货物能全部装进车厢。
更进一步的，S132订单分类步骤中，根据供应商的地址信息，对所有订单按照订单属性中的出发地和目的地进行调度安排，安排直送车次，缩小优化空间。
S14数据清洗步骤：根据预先设定的清洗规则，将获取的原始订单数据清洗成符合全局优化算法需要的数据格式，提取所需的信息数据，保证数据的完整性和可行性。可选的，所需的信息数据包括箱子数据、节点间距离和时间窗。
需要注意的是，以上订单数据处理步骤中标注的各步骤顺序是为了便于描述，实际上根据获取的订单数据，可以按照需求选取其中的部分或全部步骤进行数据处理，且订单数据处理步骤的顺序可以改变，并不是唯一的。
对于符合要求的订单数据，进行初始化订单分配策略。订单分配策略是根据订单信息，供应商将对应货物零部件分配运输到车场(承运商)，再由车场具体分配到车辆，由车辆进行运输，从而模拟订单从出发到仓库的全过程。所模拟的车辆包括对供应商的车型的限制。
如图3的货物零部件入场物流场景流程所示，图3为订单分配策略的一个示例，根据订单中的信息数据，供应商将货物零部件按照订单分配运输到车场1、车场2，...，至车场N，N为车场的总数目。图3中对于车场2安排到的订单，车场2再安排车辆1、车辆2等多种车型车辆对货物零部件进行装车运输，根据订单信息，车辆1直接将货物送入仓库1，车辆2经过中转站HUB后将货物送入仓库2。其他车场也同样根据订单信息，安排不同的车辆与运输策略进行订单货物零部件的运输。
初始订单分配策略形成一个初始调度安排，所述调度安排包括所有车辆行驶的节点、所运送的订单、行驶顺序以及到达每个节点的时间点。
步骤S2，对初始调度安排使用目标代价函数计算代价。
对于初始调度安排以及后续的调度安排，都要计算所需要的代价。
本发明采用目标代价函数进行量化代价计算。可选的，可以采用一个目标或者多个目标进行目标代价函数进行计算。
下面对目标代价函数的构建与使用进行说明。
本发明主要考虑的一个目标代价函数为每辆车的路径长度。目标代价函数包括每辆车的路径长度，通过全局优化算法对订单分配策略和调度安排进行迭代更新，以使目标代价函数最优化，目标代价函数最优化的结果为每辆车的路径长度最短。
目标代价函数为，
其中，
dij是两节点之间的距离；
N是所有节点的总数，节点包括车场、供应商、仓库、中转站；
K是车场数，K＜N；
VTk是第k车场拥有的车型数；
是第k车场拥有第m种车型的车辆数。
更进一步的，本发明中的目标代价函数进一步包括每辆车的装载率，即计算代价时同时考虑每辆车的路径长度和装载率，目标代价函数最优化的结果为每辆车的路径长度最短同时每辆车的装载率最高。
通过对车辆路径长度和装载率的成本定价，将目标代价函数转化成统一的成本计价模型。统一的成本计价模型是指，将车辆路径长度和装载率分别乘以相应的价格系数，转换成相应的成本价格，从而通过成本价格的比较，进行目标代价函数最优化的判断。
更进一步的，本发明中的目标代价函数进一步包括车辆运行时间，即计算代价时同时考虑每辆车的路径长度、装载率以及车辆运行时间，目标代价函数最优化的结果为每辆车的路径长度最短、装载率最高的同时车辆运行时间最短。
类似的，通过对车辆路径长度、装载率和车辆运行时间的成本定价，将目标代价函数转化成统一的成本计价模型。统一的成本计价模型是指，将车辆路径长度、装载率和车辆运行时间分别乘以相应的价格系数，转换成相应的成本价格，从而通过成本价格的比较，进行目标代价函数最优化的判断。
可选的，目标代价函数可以采用基于成本定价的拉格朗日乘数法构造，将目标代价函数中的多个参数按照定价转换成统一的成本计价模型，从而寻找目标代价函数的最优化结果。拉格朗日乘数法是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法。因此，可以通过拉格朗日乘数法求极值的方式寻找目标代价函数的计算结果。这种方法将一个有n个变量与k个约束条件的最优化问题转换为一个有n+k个变量的方程组的极值问题，其变量不受任何约束。
下面介绍为了满足每辆车的装载率最高，对每辆车的装载方案需进行优化。装载率涉及三维装箱问题，三维装箱问题实质是考虑订单的时间窗限制，以及特定运输特点带来的约束。所述特定的运输特点包括运输货物(箱体)规格不同、不属于同供应商、车型不同带来的严格装载限制。
为了保证每辆车的装载率达到最高，本发明采用的装载方案为，通过三维装箱，在车厢内按照货物零部件的箱体尺寸精准装车。通过对树搜索和设定评分标准装载进行最小代价评价。所述树搜索为，构建一颗树来包含所有可能的装载结果，通过对树中所有节点进行搜索找到最优解，该最优解即为最小代价的装载方案。可选的，该树搜索为蒙特卡洛树搜索。所述设定评分标准为，通过对一系列的装车参数设定相应的分值标准，通过使整体分值最小进行评价。所述装车参数包括货物零部件的箱体尺寸、车厢尺寸等等。
每辆车的装载方案还包括对装载顺序的最优化。在本发明中的装载顺序为，对于一辆车的线路来说，决定了行驶顺序，同时也就是决定了装载顺序。对于同一个节点(例如供应商)，如果只有一张订单，也就是只有一种箱型，那么箱子直接装箱即可；如果一个供应商有不同订单，到达不同目的地，具有不同箱型，那么要根据箱子的优先级通过堆栈结构进行装箱。堆栈结构的特点为最后放入堆栈的物体总是被最先拿出来，即装载顺序为“后进先出”。在一实施例中，箱子的优先级包括相同供应商，相同箱型，相同长宽等。
步骤S3，使用全局优化算法对订单分配策略和调度安排进行更新。
该步骤中，使用全局优化算法，从而得到一个新的订单分配策略，对订单分配策略和调度安排进行更新。
根据上一次的调度安排，采用全局优化算法对于订单分配策略和调度安排进行优化，优化的目的是找到代价更小的调度安排。可选的，所述的代价更小即为目标代价函数更优。
全局优化算法主要包括模拟退火算法、遗传算法、粒子群算法和蚁群算法等。每一种算法可以有不同的编码形式，在不同的全局优化算法中，编码形式不同，表示调度的形式也不同。因此，针对每一种全局优化算法，应在步骤S1中的一系列订单数据处理步骤中考虑选择该种全局优化算法所相对应的参数和所需要的订单数据。
采用全局优化算法时，需要对部分参数进行设定，采用的算法种类不同，所需要设定的参数也不同。作为示例，具体可以包括以下参数：供应商访问次数最少，堆叠方式，是否强制进HUB，装载率上限设置，是否优先使用同一辆车运输一个供应商货物，只允许同一分区进行多轮运输，前轮次终点到后轮次起点的最大距离，允许最大轮次数，允许最大总里程数。
步骤S4，对更新后的调度安排使用目标代价函数计算代价，得到目标代价函数最优化的结果，如果不满足最优化要求，则继续进行步骤S3，如果满足要求，则进行步骤S5。
经过步骤S3和S4的多次迭代更新订单分配策略，直至找到一个代价最优的订单分配策略，形成更新后的调度安排，从而转向步骤S5。
作为替代条件，在一些情形下，当达到了全局优化算法的停止条件时，步骤S3和S4的多次迭代也会停止，从而转向步骤S5。
该步骤以及本发明中其他步骤中所使用的目标代价函数以及对应的代价计算方法与步骤S2中都是一致的，因此不再赘述。
步骤S5，对调度安排进行约束条件检验，如果通过检验，则该调度安排为最优结果，如果没有通过检验，则继续进行步骤S3。
对满足代价要求的订单分配策略形成的调度安排进行约束条件检验。约束条件包括所有路线时间窗，以及节点的工作时间窗、订单的时间窗以及仓库的流量控制。
多条线路时，仓库本身每个时段有不同的流量控制，每条线路间在到达仓库时会出现排队，线路的时间会顺延，要确保所有订单在规定时间窗内完成。
如果通过了检测，说明每条线路都在时间窗内完成了订单运输，这个调度安排作为最终的订单分配策略，为最优结果；如果没有通过检测，那么转到步骤S3，继续优化迭代更新订单分配调度安排，直至代价满足要求或者达到停止条件。
本发明提出的多目标物流优化调度方法更进一步还可以包括：
步骤S6，将调度安排的最优结果转化为实际可操作的状态并输出。
该步骤为输出步骤，将调度安排的最优结果输出。为了便于工作人员理解与操作，可选的，将调度安排的最优结果转化为实际可操作的状态并输出。该实际可操作的状态是指业务部门或实际运送人员对调度安排的最优结果可以直接并毫无疑问的理解，实现操作的状态。
为了更好的理解本方法，以下通过表1的多目标物流优化调度方法的伪代码序列，来更好的解释本方法的求解过程。
如表1所示，优化模块，用于设置全局优化算法所需要的参数，并对订单分配策略和调度安排进行更新。
订单分配模块将订单分配策略进行调度安排，模拟实际物流场景，将订单分配到车场，再将订单从车场分配到车辆。
代价模块通过循环遍历每一辆车，计算该调度安排的所有代价，包括每辆车的路径长度和装载率代价。
代价模块又分为路径模块和装载模块两个子模块。路径模块，通过遍历每一辆车的可行路线，计算每辆车的最短路径，装载模块判断在满足装载约束的条件下，计算每辆车的装载率。通过将路径模块和装载模块的代价计算结果耦合统一，比较每辆车的每个可行路线的代价，选择代价最小的路线，输出车辆行驶顺序。
最后输出所有车辆的最优路线，行驶顺序以及整个调度安排的代价。判断该调度安排的代价是否满足要求。如果代价满足要求，则循环结束，如果代价不满足要求，则优化模块继续优化。
表1
为了实现上述多目标物流优化调度方法，本发明还提供了一种多目标物流优化调度装置。如图4所示，该多目标物流优化调度装置，包括：数据准备模块41、初始调度模块42、代价计算模块43、优化模块44和约束条件检验模块45。
数据准备模块41，输出端与初始调度模块42连接，用于获取订单数据并根据需求进行订单数据处理。
初始调度模块42，输出端与代价计算模块43连接，用于基于所处理的订单数据获取初始订单分配策略，形成初始调度安排。
代价计算模块43，输出端与约束条件检验模块45、优化模块44连接，对输入的调度安排使用目标代价函数计算代价，将满足要求的调度安排输出到约束条件检验模块，将不满足要求的调度安排输出到优化模块。通过优化模块44和代价计算模块43对订单分配策略的优化更新和迭代计算代价，优化目标代价函数。
代价计算模块43，还包括路径模块431，路径模块431可以单独通过目标代价函数每辆车的路径长度，对调度安排计算代价。目标代价函数最优化的结果是，每辆车的路径长度最短。
在一实施例中，代价计算模块43，还包括装载模块432，装载模块432可以单独通过目标代价函数每辆车的装载率，对调度安排计算代价。目标代价函数最优化的结果是，每辆车的装载率更高。
在一实施例中，路径模块431和装载模块432可以通过成本定价将目标代价函数转化成统一的成本计价模型，将路径模块431和装载模块432的代价计算结果耦合统一，作为代价计算模块43的代价计算结果。目标代价函数最优化的结果是，每辆车的路径长度最短同时每辆车的装载率最高
优化模块44，输出端与代价计算模块43连接，使用全局优化算法对输入的订单分配策略和调度安排进行优化更新。
约束条件检验模块45，输出端与优化模块44连接，用于检验输入的调度安排是否满足约束条件，将满足约束条件的调度安排作为最优结果，将不满足约束条件的调度安排输出到优化模块。
本装置还可以进一步包括调度输出模块46，输入端与约束条件检验模块45连接，将输入的调度安排的最优结果转化为实际可操作的状态并输出。
图5是本发明又一实施例的多目标物流优化调度系统的框图。多目标物流优化调度系统可包括内部通信总线501、处理器(processor)502、只读存储器(ROM)503、随机存取存储器(RAM)504、通信端口505、以及硬盘507。内部通信总线501可以实现多目标物流优化调度系统组件间的数据通信。处理器502可以进行判断和发出提示。在一些实施例中，处理器502可以由一个或多个处理器组成。
通信端口505可以实现多目标物流优化调度系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中，多目标物流优化调度系统可以通过通信端口505从网络发送和接收信息及数据。在一些实施例中，多目标物流优化调度系统可以通过输入/输出端506以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
多目标物流优化调度系统还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘507，只读存储器(ROM)503和随机存取存储器(RAM)504，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器502所执行的可能的程序指令。处理器502执行这些指令以实现方法的主要部分。处理器502处理的结果通过通信端口505传给外部的输出设备，在输出设备的用户界面上显示。
举例来说，上述的多目标物流优化调度预测方法的实施过程文件可以为计算机程序，保存在硬盘507中，并可记载到处理器502中执行，以实施本申请的方法。
多目标物流优化调度方法的实施过程文件为计算机程序时，也可以存储在计算机可读存储介质中作为制品。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如，硬盘、软盘、磁条)、光盘(例如，压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如，电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外，本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
本发明提供的一种多目标物流优化调度方法和装置，模拟了订单货物零部件的整个入场物流场景过程，与实际业务中的多目标(供应商，仓库)、多车场(多车型)相符合，在实际操作上具有可行性；规划满足实际业务所提出的所有需求，所规划的路线达到了总路径长度最优；相对于目前物流实际调度安排，车辆数明显减少，装载率升高，节省了成本。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
应该理解，上文所描述的实施例仅是示意。本文描述的实施例可在硬件、软件、固件、中间件、微码或者其任意组合中实现。对于硬件实现，处理单元可以在一个或者多个特定用途集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器和/或设计为执行本文所述功能的其它电子单元或者其结合内实现。
上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (10)
1.一种多目标物流调度方法，其特征在于，包括以下步骤：
S1初始化订单分配策略，形成初始调度安排，包括所有车辆行驶的节点、所运送的订单、行驶顺序以及到达每个节点的时间点；
S2对初始调度安排使用目标代价函数计算代价；
S3使用全局优化算法对订单分配策略和调度安排进行更新；
S4对更新后的调度安排使用目标代价函数计算代价，得到目标代价函数最优化的结果，如果不满足最优化要求，则继续进行步骤S3，如果满足要求，则进行步骤S5；
S5对调度安排进行约束条件检验，如果通过检验，则该调度安排为最优结果，如果没有通过检验，则继续进行步骤S3。
2.根据权利要求1所述的一种多目标物流调度方法，其特征在于，所述目标代价函数包括每辆车的路径长度，目标代价函数最优化的结果为每辆车的路径长度最短，目标代价函数为，
其中，
dij是两节点之间的距离；
N是所有节点的总数，节点包括车场、供应商、仓库、中转站；
K是车场数，K＜N；
VTk是第k车场拥有的车型数；
是第k车场拥有第m种车型的车辆数。
3.根据权利要求2所述的多目标物流调度方法，其特征在于，所述目标代价函数还包括每辆车的装载率，目标代价函数最优化的结果为每辆车的路径长度最短同时装载率最高，通过对车辆路径长度和装载率的成本定价，将目标代价函数转化成统一的成本计价模型。
4.根据权利要求3所述的多目标物流调度方法，其特征在于，所述目标代价函数还包括车辆运行时间，目标代价函数最优化的结果为每辆车的路径长度最短、装载率最高同时车辆运行时间最短，通过对车辆路径长度、装载率和车辆运行时间的成本定价，将目标代价函数转化成统一的成本计价模型。
5.根据权利要求3所述的多目标物流调度方法，其特征在于，每辆车的装载方案包括，根据车厢内货物零部件箱体尺寸进行精准装车，采用对树搜索和设定评分标准进行装载率的最优化评价。
6.根据权利要求5所述的多目标物流调度方法，其特征在于，每辆车的装载方案还包括装载顺序的最优化，对于一辆车的线路，行驶顺序决定装载顺序；对于同一个节点，如果只有一个订单，则直接装箱，如果有不同订单，则通过堆栈结构进行装箱。
7.根据权利要求2所述的多目标物流调度方法，其特征在于，所述步骤S5中，对调度安排进行约束条件检验，进一步包括，检验所有路线的时间窗是否通过，以及节点的工作时间窗、订单的时间窗以及仓库的流量控制是否满足要求。
8.一种多目标物流调度装置，其特征在于，包括：
数据准备模块，输出端与初始调度模块连接，用于获取订单数据并根据需求进行订单数据处理；
初始调度模块，输出端与代价计算模块连接，用于基于所处理的订单数据获取初始订单分配策略，形成初始调度安排；
代价计算模块，输出端与约束条件检验模块、优化模块连接，对输入的调度安排使用目标代价函数计算代价，将满足要求的调度安排输出到约束条件检验模块，将不满足要求的调度安排输出到优化模块；
优化模块，输出端与代价计算模块连接，使用全局优化算法对输入的订单分配策略和调度安排进行优化更新；
约束条件检验模块，输出端与优化模块连接，用于检验输入的调度安排是否满足约束条件，将满足约束条件的调度安排作为最优结果，将不满足约束条件的调度安排输出到优化模块。
9.一种多目标物流调度系统，包括：
存储器，用于存储可由处理器执行的指令；
处理器，用于执行所述指令以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机指令，其中当计算机指令被处理器执行时，执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910382962.0A CN110097231A (zh) | 2019-05-09 | 2019-05-09 | 多目标物流调度方法及装置、物流系统以及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910382962.0A CN110097231A (zh) | 2019-05-09 | 2019-05-09 | 多目标物流调度方法及装置、物流系统以及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110097231A true CN110097231A (zh) | 2019-08-06 |
Family
ID=67447525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910382962.0A Pending CN110097231A (zh) | 2019-05-09 | 2019-05-09 | 多目标物流调度方法及装置、物流系统以及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097231A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080214A (zh) * | 2020-01-02 | 2020-04-28 | 汉口北进出口服务有限公司 | 物流配送路径确定方法、装置及存储介质 |
| CN111340431A (zh) * | 2020-03-27 | 2020-06-26 | 上海东普信息科技有限公司 | 运输路由的规划方法、装置、设备及存储介质 |
| CN111780776A (zh) * | 2020-06-19 | 2020-10-16 | 上海东普信息科技有限公司 | 多频次的车辆路径规划方法、装置、设备及存储介质 |
| CN112001643A (zh) * | 2020-08-27 | 2020-11-27 | 上海汽车集团股份有限公司 | 一种物料组合方法、装置、存储介质及电子设备 |
| CN112016746A (zh) * | 2020-08-26 | 2020-12-01 | 广东电网有限责任公司广州供电局 | 发电车调度方法、装置、计算机设备和存储介质 |
| CN112418475A (zh) * | 2019-08-23 | 2021-02-26 | 顺丰科技有限公司 | 物流路径规划方法、装置、电子设备及存储介质 |
| CN112767570A (zh) * | 2020-12-18 | 2021-05-07 | 天津大学 | 一种用于巡检人员优化调度的配电网故障区域巡检方法 |
| CN112950091A (zh) * | 2021-04-19 | 2021-06-11 | 深圳市汉德网络科技有限公司 | 车辆调度方法、装置及存储介质 |
| CN113222291A (zh) * | 2021-06-04 | 2021-08-06 | 重庆交通大学 | 一种基于空间区域划分模型的三维装载优化方法 |
| CN113822528A (zh) * | 2021-08-12 | 2021-12-21 | 株洲天桥起重机股份有限公司 | 用于板坯搬运的天车调度方法、终端、调度系统及运营调度中心 |
| CN114047769A (zh) * | 2022-01-13 | 2022-02-15 | 江西丹巴赫机器人股份有限公司 | 无人驾驶搬运车的控制方法及装置 |
| CN114331220A (zh) * | 2022-03-01 | 2022-04-12 | 北京邮电大学 | 基于订单动态优先级的乘用车运输车辆调度方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203911A (zh) * | 2016-07-07 | 2016-12-07 | 成都镜杰科技有限责任公司 | 基于云计算的智能物流数据管理方法 |
| CN107506846A (zh) * | 2017-07-10 | 2017-12-22 | 北京石油化工学院 | 一种基于多目标粒子群优化算法的车辆调度方法与装置 |
| CN108846623A (zh) * | 2018-09-17 | 2018-11-20 | 安吉汽车物流股份有限公司 | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 |
| CN109726863A (zh) * | 2018-12-26 | 2019-05-07 | 深圳市北斗智能科技有限公司 | 一种多目标优化的物流方法和系统 |
-
2019
- 2019-05-09 CN CN201910382962.0A patent/CN110097231A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203911A (zh) * | 2016-07-07 | 2016-12-07 | 成都镜杰科技有限责任公司 | 基于云计算的智能物流数据管理方法 |
| CN107506846A (zh) * | 2017-07-10 | 2017-12-22 | 北京石油化工学院 | 一种基于多目标粒子群优化算法的车辆调度方法与装置 |
| CN108846623A (zh) * | 2018-09-17 | 2018-11-20 | 安吉汽车物流股份有限公司 | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 |
| CN109726863A (zh) * | 2018-12-26 | 2019-05-07 | 深圳市北斗智能科技有限公司 | 一种多目标优化的物流方法和系统 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418475A (zh) * | 2019-08-23 | 2021-02-26 | 顺丰科技有限公司 | 物流路径规划方法、装置、电子设备及存储介质 |
| CN111080214A (zh) * | 2020-01-02 | 2020-04-28 | 汉口北进出口服务有限公司 | 物流配送路径确定方法、装置及存储介质 |
| CN111340431A (zh) * | 2020-03-27 | 2020-06-26 | 上海东普信息科技有限公司 | 运输路由的规划方法、装置、设备及存储介质 |
| CN111340431B (zh) * | 2020-03-27 | 2021-11-09 | 上海东普信息科技有限公司 | 运输路由的规划方法、装置、设备及存储介质 |
| CN111780776A (zh) * | 2020-06-19 | 2020-10-16 | 上海东普信息科技有限公司 | 多频次的车辆路径规划方法、装置、设备及存储介质 |
| CN112016746A (zh) * | 2020-08-26 | 2020-12-01 | 广东电网有限责任公司广州供电局 | 发电车调度方法、装置、计算机设备和存储介质 |
| CN112016746B (zh) * | 2020-08-26 | 2021-12-17 | 广东电网有限责任公司广州供电局 | 发电车调度方法、装置、计算机设备和存储介质 |
| CN112001643A (zh) * | 2020-08-27 | 2020-11-27 | 上海汽车集团股份有限公司 | 一种物料组合方法、装置、存储介质及电子设备 |
| CN112767570B (zh) * | 2020-12-18 | 2022-04-29 | 天津大学 | 一种用于巡检人员优化调度的配电网故障区域巡检方法 |
| CN112767570A (zh) * | 2020-12-18 | 2021-05-07 | 天津大学 | 一种用于巡检人员优化调度的配电网故障区域巡检方法 |
| CN112950091A (zh) * | 2021-04-19 | 2021-06-11 | 深圳市汉德网络科技有限公司 | 车辆调度方法、装置及存储介质 |
| CN112950091B (zh) * | 2021-04-19 | 2024-03-15 | 深圳市汉德网络科技有限公司 | 车辆调度方法、装置及存储介质 |
| CN113222291A (zh) * | 2021-06-04 | 2021-08-06 | 重庆交通大学 | 一种基于空间区域划分模型的三维装载优化方法 |
| CN113822528B (zh) * | 2021-08-12 | 2023-04-18 | 株洲天桥起重机股份有限公司 | 用于板坯搬运的天车调度方法、终端、调度系统及运营调度中心 |
| CN113822528A (zh) * | 2021-08-12 | 2021-12-21 | 株洲天桥起重机股份有限公司 | 用于板坯搬运的天车调度方法、终端、调度系统及运营调度中心 |
| CN114047769A (zh) * | 2022-01-13 | 2022-02-15 | 江西丹巴赫机器人股份有限公司 | 无人驾驶搬运车的控制方法及装置 |
| CN114331220A (zh) * | 2022-03-01 | 2022-04-12 | 北京邮电大学 | 基于订单动态优先级的乘用车运输车辆调度方法及装置 |
| CN114331220B (zh) * | 2022-03-01 | 2022-05-13 | 北京邮电大学 | 基于订单动态优先级的乘用车运输车辆调度方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097231A (zh) | 多目标物流调度方法及装置、物流系统以及计算机可读介质 | |
| Li et al. | Two-echelon vehicle routing problem with time windows and mobile satellites | |
| Wang et al. | Modeling and optimization of a road–rail intermodal transport system under uncertain information | |
| CN108846623B (zh) | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
| Fazili et al. | Physical Internet, conventional and hybrid logistic systems: a routing optimisation-based comparison using the Eastern Canada road network case study | |
| CN109214756B (zh) | 整车物流调度方法及装置、存储介质、终端 | |
| Mańdziuk | New shades of the vehicle routing problem: Emerging problem formulations and computational intelligence solution methods | |
| Ostermeier et al. | Cost‐optimal truck‐and‐robot routing for last‐mile delivery | |
| CN109345091B (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
| Liu et al. | Novel multi-objective resource allocation and activity scheduling for fourth party logistics | |
| KR101924729B1 (ko) | 드론을 활용한 통합 물류 운용 시스템 및 그 방법 | |
| CN111768629B (zh) | 车辆调度方法、装置和系统 | |
| Marques et al. | A branch-cut-and-price approach for the single-trip and multi-trip two-echelon vehicle routing problem with time windows | |
| Hu et al. | Finished-vehicle transporter routing problem solved by loading pattern discovery | |
| Liu et al. | A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines | |
| Zhu et al. | A decision model on human-robot collaborative routing for automatic logistics | |
| CN114169813A (zh) | 运输调度方法、装置、电子设备和存储介质 | |
| Huth et al. | Integration of vehicle routing and resource allocation in a dynamic logistics network | |
| Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
| Zorlu | Routing unmanned aerial vehicles as adapting to capacitated vehicle routing problem with genetic algorithms | |
| Zou et al. | Delivery network design of a locker-drone delivery system | |
| Lee et al. | Cloud-based cyber-physical logistics system with nested MAX-MIN ant algorithm for e-commerce logistics | |
| Li et al. | Parcel consolidation approach and routing algorithm for last-mile delivery by unmanned aerial vehicles | |
| Stopka | Modelling distribution routes in city logistics by applying operations research methods | |
| Nickel et al. | Capacitated single allocation p-hub covering problem in multi-modal network using tabu search |
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 |