CN110443397A - 一种订单配送方法 - Google Patents

一种订单配送方法 Download PDF

Info

Publication number
CN110443397A
CN110443397A CN201810418951.9A CN201810418951A CN110443397A CN 110443397 A CN110443397 A CN 110443397A CN 201810418951 A CN201810418951 A CN 201810418951A CN 110443397 A CN110443397 A CN 110443397A
Authority
CN
China
Prior art keywords
order
vehicle
chromosome
sequence
time
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.)
Granted
Application number
CN201810418951.9A
Other languages
English (en)
Other versions
CN110443397B (zh
Inventor
冯贞远
王梅艳
袁舰
陶菊中
王卫清
李昆鹏
刘志学
蒙铭友
余晓晓
陶睿
袁米雪
贺雨棠
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.)
Qingdao Ririshun Logistics Co Ltd
Original Assignee
Qingdao Ririshun Logistics 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 Qingdao Ririshun Logistics Co Ltd filed Critical Qingdao Ririshun Logistics Co Ltd
Priority to CN201810418951.9A priority Critical patent/CN110443397B/zh
Publication of CN110443397A publication Critical patent/CN110443397A/zh
Application granted granted Critical
Publication of CN110443397B publication Critical patent/CN110443397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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"
    • 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

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

Abstract

本发明公开了一种订单配送方法，在以配送总成本最小的目标下，在满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，获得每个车辆对应的订单、订单配送排序、订单的推荐时间窗；将订单的推荐时间窗发送给对应的客户，然后获得客户反馈的时间窗，作为配送时间窗；在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序；司机根据订单配送排序进行订单送装；降低了配送总成本、提高了配送效率，而且，在用户要求的配送时间窗内将货物配送并安装，提高了用户的满意度。

Description

一种订单配送方法
技术领域
本发明属于配送技术领域，具体地说，是涉及一种订单配送方法。
背景技术
在社会商品零售额不断增长的背景下，作为家庭消费的最主要构成，居家大件物品(如大家电、家居、卫浴、健身器材等)消费大幅提升。居家大件物品消费对网上零售额的增长起到了支撑作用，同时也对居家大件物流提出了需求。
目前，各配送点针对用户下单后采取的配送方式有整车配送与零担送装(配送加安装)。目前各配送点零担送装具有以下缺点：
一、人工派单，决策效率低且质量无法保证。
配送点现状是人工派单模式，订单数据分析及处理需要的信息人员数量较多，费时费力，若订单量很多必然会导致派单效果不佳。人工派单不仅决策效率低下、费时费力，且很难保证决策质量，车辆送装成本较高，订单的响应速度也不够理想。
二、固定的送装路线，运输成本高且配送效率低。
配送点司机有自己的固定送装路线(服务区域)，订单按照已有路线分配到司机。这样的人工决策虽然能省时间，但是派单效果并不能得到保证，一是成本无法降低，二是订单在各路线上的流量分布是不均衡的，三是对订单的响应速度无法保证。
三、司机个人决策送装顺序，送装成本无法优化。
司机领到送货单，凭经验安排每趟车所载货物的送货顺序，并联系用户预约送装时间，存在一定的主观偏差，特别是个人决策会按照自己的固性思维思考问题；而且，当天再与用户预约服务时间，司机再按照用户预约的服务时间送货，存在先送装距离很远的订单再折回来送装另一个订单，然后又折到远处送装下一个订单。如此，不仅导致送装的运输成本增大、时间成本浪费，还可能造成无法准时送装部分订单，用户体验差等不良后果。
四、送装一体化程度不高。
配送点内司机所具有的安装技能并不能满足现阶段订单的安装需求，存在需要维修师傅上门安装的情况；且司机工作时间或早上或晚上或早晚存在不确定的情况，这样对司机的正常作息存在影响，对司机的日常工作也会产生影响。
发明内容
本发明提供了一种订单配送方法，降低了配送总成本、提高了配送效率。
为解决上述技术问题，本发明采用下述技术方案予以实现：
一种订单配送方法，所述方法包括：
S1、获取配送点配送车辆信息以及当天需要配送的订单信息；
S2、在以配送总成本最小的目标下，在满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，获得每个车辆对应的订单、订单配送排序、订单的推荐时间窗；
S3、将订单的推荐时间窗发送给对应的客户，然后获得客户反馈的时间窗，作为配送时间窗；
S4、在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序；发送给车辆对应的司机。
进一步的，每隔设定时间监测是否接收到需要当日送达的实时订单，实时订单具有配送时间窗；若是，则将当前未装车的订单与该实时单作为需要配送的订单，重新执行步骤S4。
又进一步的，所述步骤S2具体包括：
S21、将需要配送的订单随机进行排序，生成订单序列；将车辆进行排序，生成车辆序列；
S22、从订单序列中寻找距离当前配送点最近的订单作为当前订单，从车辆序列中选取第一个车辆作为当前车辆；
S23、将当前订单预匹配给当前车辆后，判断当前车辆是否满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件；
若否，则执行步骤S24；
若是，则执行步骤S28；
S24、将当前车辆从车辆序列中移除；
S25、判断此时车辆序列是否为空；
若此时车辆序列不为空，则执行步骤S26：选取车辆序列中的下一个车辆，作为新的当前车辆；然后返回步骤S23；
若此时车辆序列为空，则执行步骤S27：计算所有车辆下次返回配送点的时间，按照返回配送点的时间升序排列，重新生成车辆序列，将未成功匹配的订单重新生成订单序列；然后返回步骤S22；
S28、将当前订单匹配给当前车辆，计算当前订单的送达时间，生成当前订单的推荐时间窗，将当前订单从订单序列中移除；
S29、判断此时订单序列是否为空；
若此时订单序列不为空，则执行步骤S30：选择距离当前订单最近的一个订单，作为新的当前订单，然后返回步骤S23；
若此时订单序列为空，则执行步骤S31；
S31、输出车辆对应的订单、订单配送排序、订单的推荐时间窗。
更进一步的，所述步骤S2还包括：
S211、初始化种群：
每执行一次步骤S21～S31，生成一个订单配送排序，作为一条染色体；重复执行M1次步骤S21～S31，共生成M1条染色体，作为初始化种群，迭代次数＝0；计算各染色体的配送总成本；选取其中配送总成本最小的一条染色体，作为初始最优解；
S212、交叉操作：
在初始化种群的基础上，运用轮盘赌的方法选择两条染色体进行交叉操作，对两条染色体随机切割相同长度的片段进行交叉，而两条切割基因片段一一对比，确定映射关系替换，利用映射关系对交叉后的染色体进行修复，生成两条交叉后的染色体，重新计算各染色体的配送总成本，选择配送总成本最小的一条作为子代；从而得到交叉染色体矩阵；
S213、变异操作：
在交叉染色体矩阵的基础上，在每条染色体上随机选择两个基因，分别进行一次交换和四次前后位插入，得到五个变异染色体，选取其中配送总成本最小的一条染色体作为子代；从而得到变异染色体矩阵；
S214、变异染色体矩阵作为新一代种群，计算该种群中每个染色体的配送总成本，选取其中配送总成本最小的一条染色体，作为该种群的最优解；
S215、判断迭代次数是否为0；
若是，则该种群的最优解与初始最优解进行对比，选择二者之中最优的一个作为当前最优解；
若否，则该种群的最优解与当前最优解进行对比，选择二者之中最优的一个作为当前最优解；
S216、迭代次数加1，然后判断迭代次数是否达到第一设定迭代次数；
若否，则返回步骤S212；
若是，则输出当前最优解对应的各订单的送达时间，计算出各订单的推荐时间窗和订单配送排序。
进一步的，所述步骤S4具体包括：
S41、将需要配送的订单按照配送时间窗升序排列，生成订单序列；将车辆按照体积降序排列，生成车辆序列；
S42、从订单序列中选取第一个订单作为当前订单，从车辆序列中选取第一个车辆作为当前车辆；
S43、将当前订单预匹配给当前车辆后，判断当前车辆是否满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件；
若否，则执行步骤S44；
若是，则执行步骤S48；
S44、将当前车辆从车辆序列中移除；
S45、判断此时车辆序列是否为空；
若此时车辆序列不为空，则执行步骤S46：选取车辆序列中的下一个车辆，作为新的当前车辆；然后返回步骤S43；
若此时车辆序列为空，则执行步骤S47：计算所有车辆下次返回配送点的时间，按照返回配送点的时间升序排列，重新生成车辆序列，将未成功匹配的订单重新生成订单序列；然后返回步骤S42；
S48、将当前订单匹配给当前车辆，将当前订单从订单序列中移除；
S49、判断此时订单序列是否为空；
若此时订单序列不为空，则执行步骤S50：选择距离当前订单最近的一个订单，作为新的当前订单，然后返回步骤S43；
若此时订单序列为空，则执行步骤S51；
S51、输出车辆对应的订单以及订单配送排序。
又进一步的，所述步骤S4还包括：
S411、针对每个订单，选择距离该订单最近的一个订单，生成该订单的节点对，遍寻所有订单生成节点对集合；
S412、将需要配送的订单按照配送时间窗升序排列，随机交换相邻配送时间窗的订单M1-1次，生成M1-1条染色体；将S51输出的订单配送排序作为一条染色体；加上交换生成的M1-1条染色体，共M1条染色体，形成初始染色体矩阵；作为初始种群；迭代次数＝0；计算各染色体的配送总成本；选取其中配送总成本最小的一条染色体，作为初始最优解；
S413、利用轮盘赌的方法随机选择一条染色体，计算其配送总成本，记为 f0；
S414、随机选择一个订单i，在节点对集合中获取订单i的节点对，该节点对包括订单i和订单j；i∈[1,2,3,……,n]，j∈[1,2,3,……,n]，且i≠j；
S415、拷贝所选择的染色体，得到第一份染色体副本，在第一份染色体副本中交换选择的订单i和订单j的位置，得到新的第一份染色体副本；计算该染色体副本的配送总成本，记为f1；
拷贝所选择的染色体，得到第二份染色体副本，在第二份染色体副本中将订单i插入到订单j前，得到新的第二份染色体副本；计算该染色体副本的配送总成本，记为f2；
拷贝所选择的染色体，得到第三份染色体副本，在第三份染色体副本中将订单j插入到订单i前，得到新的第三份染色体副本；计算该染色体副本的配送总成本，记为f3；
拷贝所选择的染色体，得到第四份染色体副本，在第四份染色体副本中将订单i插入到订单j后，得到新的第四份染色体副本；计算该染色体副本的配送总成本，记为f4；
拷贝所选择的染色体，得到第五份染色体副本，在第五份染色体副本中将订单j插入到订单i后，得到新的第五份染色体副本；计算该染色体副本的配送总成本，记为f5；
选择f0、f1、f2、f3、f4、f5最优的一条染色体作为子代；
S416、重复执行M1次S413-S415，得到新的染色体矩阵，作为新一代种群；计算该种群中每个染色体的配送总成本，选取其中配送总成本最小的一条染色体，作为该种群的最优解；
S417、判断迭代次数是否为0；
若是，则执行步骤418：该种群的最优解与初始最优解进行对比，选择二者之中最优的一个作为当前最优解；
若否，则执行步骤419：该种群的最优解与当前最优解进行对比，选择二者之中最优的一个作为当前最优解；
S420、迭代次数加1；
S421、判断迭代次数是否达到第二设定迭代次数；
若否，则返回S413；
若是，则执行步骤S422：输出当前最优解对应的车辆对应的订单以及订单配送排序。
更进一步的，推荐时间窗＝[订单送达时间-设定时间，订单送达时间+设定时间]。
再进一步的，将车辆对应的订单以及订单配送排序，发送给对应司机的手机上。
进一步的，根据订单配送排序、订单对应货物的体积，生成货物在车辆内的位置图，发送给司机。
与现有技术相比，本发明的优点和积极效果是：本发明的订单配送方法，在以配送总成本最小的目标下，在满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，获得每个车辆对应的订单、订单配送排序、订单的推荐时间窗；将订单的推荐时间窗发送给对应的客户，然后获得客户反馈的时间窗，作为配送时间窗；在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序；司机根据订单配送排序进行订单送装；降低了配送总成本、提高了配送效率，而且，在用户要求的配送时间窗内将货物配送并安装，提高了用户的满意度。
结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明提出的订单配送方法的一个实施例的流程图；
图2是图1中S2的部分流程图；
图3是图1中S2的部分流程图；
图4a是交叉操作的示意图；
图4b是变异中基因交换的示意图；
图4c是变异中后置前插入的示意图；
图4d是变异中后置后插入的示意图；
图4e是变异中前置前插入的示意图；
图4f是变异中前置后插入的示意图；
图5是是图1中S4的部分流程图；
图6是是图1中S4的部分流程图。
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，以下将结合附图和实施例，对本发明作进一步详细说明。
本实施例的订单配送方法，主要包括下述步骤，参见图1所示。
步骤S1、获取配送点配送车辆信息以及需要配送的订单信息。
车辆信息主要包括：车牌号、车辆装载体积、车辆单次最大行驶路程、车辆服务时间(如第一次从配送点出发的时间为7:00，最后一次回到配送点的时间为24:00)、与车辆对应的司机姓名、性别、联系电话、司机是否具有安装技能(热水器、空调等的安装技能)。
订单信息主要包括：订单号、产品名称、送装地址、用户姓名以及联系电话等。
步骤S2、在以配送总成本最小的目标下，在满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，获得每个车辆对应的订单、订单配送排序、订单的推荐时间窗。
配送总成本最小包括配送总路程最小、配送总耗时最小。
步骤S3、将订单的推荐时间窗发送给对应的客户，然后获得客户反馈的配送时间窗。
将每个订单的推荐时间窗推荐给对应的客户，然后获取用户反馈的时间窗，作为配送时间窗。有的客户满意推荐的时间窗，则直接接受推荐时间窗即可。有的客户拒绝推荐时间窗，便由客户自己选择合适的时间窗。
S4、在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序。
其中，车辆行驶路程约束是指车辆单次最大行驶路程具有约束。安装技能约束是否车辆对应的司机是否具有空调、热水器等的安装技能。
S5、将车辆对应的订单以及订单配送排序发送给车辆对应的司机。
订单配送排序，也可称为订单配送路径，包括各个订单的配送顺序以及送达时间等。为了提高效率，直接将车辆对应的订单以及订单配送排序，发送到对应司机的手机上。司机通过手机APP接收订单配送排序，先将订单对应的货物装车，然后根据订单配送顺序送装货物，简单、方便、快捷。
本实施例的订单配送方法，在以配送总成本最小的目标下，在满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，获得每个车辆对应的订单、订单配送排序、订单的推荐时间窗；将订单的推荐时间窗发送给对应的客户，然后获得客户反馈的时间窗，作为配送时间窗；在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序；司机根据订单配送排序进行订单送装；降低了配送总成本、提高了配送效率，而且，在用户要求的配送时间窗内将货物配送并安装，提高了用户的满意度。避免了人工为车辆分配订单导致的效率低、出错率高等问题的发生。
有时配送点会接收到实时订单，如当天5:00之后产生的需要当日送达的订单。由于实时订单的送达时间确定，因此配送时间窗也是确定。为了及时对实时订单进行处理，本实施例的方法还包括：每隔设定时间监测是否接收到需要当日送达的实时订单，实时订单具有配送时间窗。如果接收到实时订单，则将当前还未装车的订单与该实时单作为需要配送的订单，重新执行步骤S4，重新获得车辆对应的订单以及订单配送排序，然后重新发送给司机，司机根据再次接收到的订单配送排序进行装车以及配送，从而提高了实时订单的处理速度和送装效率。
在本实施例中，步骤S2的主要目的是生成订单配送排序、各个订单的推荐时间窗。为解决这个问题，本步骤具体包括下述步骤：
一、建立无时间窗模型。
1、参数设置如下：
K，表示车辆的总数；
Rk，表示车辆k服务的车程数量；k＝1,2,…,K；
r，表示车辆k服务的第r个车程，r＝1,2,…,Rk；
n，表示订单总数量；i、j代表单个订单，i＝1,2,…,n；j＝1,2,…,n；i≠j；
di，表示订单i的目的地；
cij，表示车辆从订单i目的地到订单j目的地(即从di到dj)的运输成本；
Dij，表示订单i目的地di到订单j目的地dj的距离；
D，表示设置的单条线路的最长距离；
Ti，表示订单i的货物到达配送点的时间；若配送点有存货，则Ti＝0；
表示车辆k服务的第r个车程从配送点出发时间；
tij，表示车辆从订单i目的地di到订单j目的地dj的时长；
Qk，表示车辆k的容量；
qi，表示订单i所占的体积，i＝1，…，n；
si，表示订单i所需的产品安装时长；
(ai,bi)：为订单i的时间窗；
表示车辆k的第r车程到达订单i目的地di的时间点；特殊情况：当 i＝n+1时，表示车辆k到达配送点的时间；当i＝0时，表示车辆k从配送点出发的时间；特殊情况：当i＝0或i＝n+1时，i表示配送点；当j＝0或j＝n+1 时，j表示配送点。
表示车辆k的第r车程装载了订单i之后的载货总体积；
2、目标：配送总成本最小。
配送总成本最小则代表配送总路程最小，配送总耗时最短。
3、决策变量：为0-1变量，当车辆k的第r趟行程从订单i目的地di行驶到订单j目的地dj时，否则
4、以配送总成本最小为目标，建立目标函数：
(1)
5、约束条件：
(2)
其中，i＝0,1,…,n；j＝1,2,…n+1；k＝1,2,…,K；r＝1,2,...,Rk。
(3)
其中，i＝0,1,…,n；j＝1,2,…n+1；k＝1,2,…,K；r＝1,2,...,Rk。
上述(2)和(3)为车辆装载体积约束。
(4)
表示车辆k的第r车程从配送点出发后送装结束后必回到配送点。
(5)
表示有且仅有一辆车的一个车程服务订单j。
(6)
表示车辆k的第r车程的出发时间必须大于所有分配订单到达配送点的时间。
(7)
其中，i＝0,1,…,n；j＝1,2,…n+1；k＝1,2,…,K；r＝1,2,...,Rk)；M为一较大的常数，如，M＞24小时，M越大越好。
该式表示保证每一条车程所有分配订单的配送时间都能在实际操作中完成。也就是说，如果订单i配送完成后接着配送订单j，则肯定且必须保证到达订单j的目的地的时间较大。
(8)
表示空调安装技能约束。
(9)
表示热水器安装技能约束。
(10)
表示车流守恒约束，也就是说，任一车辆到达订单j的目的地之后，必然从订单j的目的地离开。
(11)
表示单条路线最长配送距离约束。
(12)
表示保证车辆k的第r+1个车程的出发时间大于第r个车程结束的时间。
(13)
表示决策变量的0-1约束。
(14)
表示可用车辆的第个车程从配送点出发时间为7：00。
二、根据上述模型(目标函数和约束条件)，进行求解，便可以知道各个订单的推荐时间窗(ai,bi)：
其中k＝1,2,…,K；i＝1,2,…,n；
bi＝ai+1，其中，i＝1,2,…,n，单位：h。
三、这是一个np难问题，难以去求解精确的解，故这里采用启发式算法进行求解，来寻找近似最优解。
根据建立的模型，求解出订单配送排序、各个订单的推荐时间窗，主要的算法流程包括下述步骤，参见图2所示。
S21、将需要配送的订单随机进行排序，生成订单序列；将车辆进行排序，生成车辆序列；并初始化车辆信息。
S22、从订单序列中寻找距离当前配送点最近的订单作为当前订单，从车辆序列中选取第一个车辆作为当前车辆。
S23、将当前订单预匹配给当前车辆后，判断当前车辆是否满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件。
若否，则执行步骤S24；
若是，则执行步骤S28。
步骤S24、将当前车辆从车辆序列中移除。
S25、判断此时车辆序列是否为空。
若此时车辆序列不为空，则执行步骤S26：选取车辆序列中的下一个车辆，作为新的当前车辆；然后返回步骤S23。
若此时车辆序列为空，则执行步骤S27：计算所有车辆下次返回配送点的时间，按照返回配送点的时间升序排列，重新生成车辆序列，将未成功匹配的订单重新生成订单序列；然后返回步骤S22。
步骤S28、将当前订单匹配给当前车辆，计算当前订单的送达时间，更新当前车辆的行驶路径、装载体积、达到配送点的时间和离开配送点的时间，并生成当前订单的推荐时间窗，将当前订单从订单序列中移除。
步骤S29、判断此时订单序列是否为空。
若此时订单序列不为空，则执行步骤S30：选择距离当前订单最近的一个订单，作为新的当前订单，然后返回步骤S23。
若此时订单序列为空，则执行步骤S31。
步骤S31、输出车辆对应的订单、订单配送排序、订单的推荐时间窗。
通过上述步骤S21～S31的设计，获得了比较合理的订单配送排序、各个订单的推荐时间窗，实现配送总路程较小，以降低配送总成本。
为了进一步获得更加优质的订单配送排序、各个订单的推荐时间窗，对算法流程进行了优化，主要是针对订单配送排序进行优化。具体优化步骤如下，参见图3所示。
步骤S211、初始化种群：
每执行一次步骤S21～S31，生成一个订单配送排序，作为一条染色体；重复执行M1次步骤S21～S31，共生成M1条染色体，每条染色体表示订单的一种排序。这M1条染色体作为初始化种群。迭代次数＝0。
计算各染色体的配送总成本；选取其中配送总成本最小的一条染色体，作为初始最优解。
步骤S212、交叉操作：
在初始化种群的基础上，运用轮盘赌的方法选择两条染色体进行交叉操作，轮盘赌中根据归一化配送总成本构建适应度函数来计算染色体的适应值。参见图4a所示，对两条染色体(P1和P1)随机切割相同长度的片段进行交叉，而两条切割基因片段一一对比，确定映射关系替换，利用映射关系对交叉后的染色体进行修复，生成两条交叉后的染色体(U1和U2)，重新计算各染色体的配送总成本，选择配送总成本最小的一条作为子代。重复执行M1次上述操作，获得M1条子代，从而得到交叉染色体矩阵。交叉染色体矩阵包括M1条染色体。
步骤S213、变异操作：
在交叉染色体矩阵的基础上，在每条染色体上随机选择两个基因，分别进行一次交换(参见图4b所示)和四次前后位插入(参见图4c、4d、4e、4f所示)，得到五个变异染色体，选取其中配送总成本最小的一条染色体作为子代。
经过变异操作，得到变异染色体矩阵，变异染色体矩阵包括M1条染色体。
步骤S214、变异染色体矩阵作为新一代种群，计算该种群中每个染色体的配送总成本，选取其中配送总成本最小的一条染色体，作为该种群的最优解；
步骤S215、判断迭代次数是否为0；
若是，则执行步骤S216：该种群的最优解与初始最优解进行对比，选择二者之中最优的一个作为当前最优解；
若否，则执行步骤S217：该种群的最优解与当前最优解进行对比，选择二者之中最优的一个作为当前最优解。
步骤S218、迭代次数加1。
步骤S219、判断迭代次数是否达到第一设定迭代次数。
若否，则返回步骤S212；
若是，则执行步骤S220：输出当前最优解对应的各订单的送达时间，计算出各订单的推荐时间窗和订单配送排序。
在本实施例中，推荐时间窗＝[订单送达时间-设定时间，订单送达时间+设定时间]。根据订单送达时间计算出推荐时间窗，可以获得较为合理的时间窗。
通过步骤S211～S220的设计，获得了更加合理的订单配送排序、各个订单的推荐时间窗，实现配送总路程最小、以降低配送总成本。
在本实施例中，步骤S4中，根据客户反馈回的配送时间窗，在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序。具体包括下述步骤：
一、建立有时间窗模型。
1、参数设置如下：
K，表示车辆的总数；
Rk，表示车辆k服务的车程数量；k＝1,2,…,K；
r，表示车辆k服务的第r个车程，r＝1,2,…,Rk；
n，表示订单总数量；i、j代表单个订单，i＝1,2,…,n；j＝1,2,…,n；i≠j；
di，表示订单i的目的地；
cij，表示车辆从订单i目的地到订单j目的地(即从di到dj)的运输成本；
Dij，表示订单i目的地di到订单j目的地dj的距离；
D，表示设置的单条线路的最长距离；
Ti，表示订单i的货物到达配送点的时间；若配送点有存货，则Ti＝0；
表示车辆k服务的第r个车程从配送点出发时间；
tij，表示车辆从订单i目的地di到订单j目的地dj的时长；
Qk，表示车辆k的容量；
qi，表示订单i所占的体积，i＝1，…，n；
si，表示订单i所需的产品安装时长；
(ai,bi)：为订单i的时间窗；
表示车辆k的第r车程到达订单i目的地di的时间点；特殊情况：当 i＝n+1时，表示车辆k到达配送点的时间；当i＝0时，表示车辆k从配送点出发的时间；特殊情况：当i＝0或i＝n+1时，i表示配送点；当j＝0或j＝n+1 时，j表示配送点。
表示车辆k的第r车程装载了订单i之后的载货总体积；
2、目标：配送总成本最小。
配送总成本最小则代表配送总路程最小，配送总耗时最短。
3、决策变量：为0-1变量，当车辆k的第r趟行程从订单i目的地di行驶到订单j目的地dj时，否则
4、以配送总成本最小为目标，建立目标函数：
(1)
5、约束条件：
(2)
其中，i＝0,1,…,n；j＝1,2,…n+1；k＝1,2,…,K；r＝1,2,...,Rk。
(3)
其中，i＝0,1,…,n；j＝1,2,…n+1；k＝1,2,…,K；r＝1,2,...,Rk。
上述(2)和(3)为车辆装载体积约束。
(4)
表示车辆k的第r车程从配送点出发后送装结束后必回到配送点。
(5)
表示有且仅有一辆车的一个车程服务订单j。
(6)
表示车辆k的第r车程的出发时间必须大于所有分配订单到达配送点的时间。
(7)
其中，i＝0,1,…,n；j＝1,2,…n+1；k＝1,2,…,K；r＝1,2,...,Rk)；M为一较大的常数，如，M＞24小时，M越大越好。
该式表示保证每一条车程所有分配订单的配送时间都能在实际操作中完成。也就是说，如果订单i配送完成后接着配送订单j，则肯定且必须保证到达订单j的目的地的时间较大。
(8)其中k＝1,2,…,K；j＝1,…,n；r＝1,2,...Rk；
表示保证每一车程所有分配订单的配送时间都不违反时间窗约束。
客户对被服务的时间范围有限定，产生时间窗约束，车辆只能在此时间窗口内服务对应的顾客，如果车辆提前到达，则需一直等待，如果车辆到达时间晚于时间窗口最迟时间，则不能服务对应的顾客。
(9)
表示空调安装技能约束。
(10)
表示热水器安装技能约束。
(11)
表示车流守恒约束，也就是说，任一车辆到达订单j的目的地之后，必然从订单j的目的地离开。
(12)
表示单条路线最长配送距离约束。
(13)
表示保证车辆k的第r+1个车程的出发时间大于第r个车程结束的时间。
(14)表示决策变量的0-1约束。
车辆从配送点装载货物后出发，服务完指定的顾客再回到配送点，所形成的车辆路线称为一个车程。此时，把所有车在一个工作周期内安排的所有车程，称为行驶计划。每个车辆分配有多个车程，每个车程为根据订单配送排序，所形成的路线。由多名顾客节点形成一条满足约束条件的路径并分配到指定车辆。
二、根据上述模型，进行求解，便可以获知车辆对应的订单以及订单配送排序。
三、这是一个np难问题，难以去求解精确的解，故这里采用启发式算法进行求解，来寻找近似最优解。
根据建立的模型，求解出订单配送排序，主要的算法流程包括下述步骤，参见图5所示。
步骤S41、将需要配送的订单按照配送时间窗升序排列，生成订单序列；将车辆按照体积降序排列，生成车辆序列；并初始化车辆信息。
步骤S42、从订单序列中选取第一个订单作为当前订单，从车辆序列中选取第一个车辆作为当前车辆。
步骤S43、将当前订单预匹配给当前车辆后，判断当前车辆是否满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件。
若否，则执行步骤S44；
若是，则执行步骤S48。
步骤S44、将当前车辆从车辆序列中移除。
步骤S45、判断此时车辆序列是否为空。
若此时车辆序列不为空，则执行步骤S46：选取车辆序列中的下一个车辆，作为新的当前车辆；然后返回步骤S43。
若此时车辆序列为空，则执行步骤S47：计算所有车辆下次返回配送点的时间，按照返回配送点的时间升序排列，重新生成车辆序列，将未成功匹配的订单重新生成订单序列；然后返回步骤S42。
步骤S48、将当前订单匹配给当前车辆，计算当前订单的送达时间，更新当前车辆的行驶路径、装载体积、达到配送点的时间和离开配送点的时间、车程次数，将当前订单从订单序列中移除。
步骤S49、判断此时订单序列是否为空。
若此时订单序列不为空，则执行步骤S50：选择距离当前订单最近的一个订单，作为新的当前订单，然后返回步骤S43。
若此时订单序列为空，则执行步骤S51。
步骤S51、输出车辆对应的订单以及订单配送排序。
通过上述步骤S41～S51的设计，获得了比较合理的订单配送排序，实现配送总成本较小，即配送总路程较小，配送总耗时较小。
为了进一步获得更加合理的订单配送排序，对算法流程进行了优化，具体优化步骤如下，参见图6所示。
步骤S411、针对每个订单，选择距离该订单最近的一个订单，生成该订单的节点对，遍寻所有订单生成节点对集合NC。节点对集合保存了可以进行变异操作的一对订单，缩短了变异过程的时间。
步骤S412、生成初始染色体矩阵。
将需要配送的订单按照配送时间窗升序排列，然后随机交换相邻配送时间窗的订单，随机交换一次，生成一条染色体，共随机交换M1-1次，生成M1-1 条染色体；将S51输出的订单配送排序作为一条染色体；加上交换生成的M1-1 条染色体，一共有M1条染色体，形成初始染色体矩阵，作为初始种群，此时初始种群为当代种群；每条染色体表示n个订单的一种排序；迭代次数＝0。
计算各染色体的配送总成本；选取其中配送总成本最小的一条染色体，作为初始最优解。
步骤S413、在当代种群中利用轮盘赌的方法随机选择一条染色体，计算该染色体的配送总成本，记为f0。
步骤S414、随机选择一个订单i，在节点对集合中获取订单i的节点对，该节点对包括订单i和订单j；i∈[1,2,3,……,n]，j∈[1,2,3,……,n]，且i≠j。
步骤S415、变异操作：
拷贝所选择的染色体，得到第一份染色体副本，在第一份染色体副本中交换选择的订单i和订单j的位置，得到新的第一份染色体副本；计算该染色体副本的配送总成本，记为f1；
拷贝所选择的染色体，得到第二份染色体副本，在第二份染色体副本中将订单i插入到订单j前，得到新的第二份染色体副本；计算该染色体副本的配送总成本，记为f2；
拷贝所选择的染色体，得到第三份染色体副本，在第三份染色体副本中将订单j插入到订单i前，得到新的第三份染色体副本；计算该染色体副本的配送总成本，记为f3；
拷贝所选择的染色体，得到第四份染色体副本，在第四份染色体副本中将订单i插入到订单j后，得到新的第四份染色体副本；计算该染色体副本的配送总成本，记为f4；
拷贝所选择的染色体，得到第五份染色体副本，在第五份染色体副本中将订单j插入到订单i后，得到新的第五份染色体副本；计算该染色体副本的配送总成本，记为f5；
选择f0、f1、f2、f3、f4、f5最优的一条染色体作为子代。
步骤S416、重复执行M1次S413-S415，得到新的染色体矩阵，包括M1 条染色体，作为新一代种群，此时该新一代种群为当代种群；计算该种群中每个染色体的配送总成本，选取其中配送总成本最小的一条染色体，作为该种群的最优解。
步骤S417、判断迭代次数是否为0。
若是，则执行步骤418：该种群的最优解与初始最优解进行对比，选择二者之中最优的一个作为当前最优解；
若否，则执行步骤419：该种群的最优解与当前最优解进行对比，选择二者之中最优的一个作为当前最优解。
步骤S420、迭代次数加1。
步骤S421、判断迭代次数是否达到第二设定迭代次数。
若否，则返回步骤S413。
若是，则执行步骤S422：输出当前最优解对应的车辆对应的订单以及订单配送排序。
通过步骤S411～S422的设计，获得了更加合理的订单配送排序，实现配送总成本最小，即配送总路程最小，配送总耗时最小。
在本实施例中，根据归一化的配送总成本构建适应度函数，计算染色体的适应值。适应度函数为其中，Fm表示染色体m的适应值，zm表示染色体m的总成本，max为当前染色体矩阵中最大的配送总成本，min为当前染色体矩阵中最小的配送总成本。用适应值评价每条染色体的优劣，在本实施例中，适应值越大，即总配送成本越小，染色体越优。
综上来说就是，首先，分配所有车辆的第一遍车程：初始化车辆信息。由于订单按照配送时间窗升序排列，如果第一个订单产品入库(达到配送点)时间小于车辆出发时间，车辆的出发时间为规定的出发时间，如早上7点，否则，按照产品入库时间加上半小时缓冲时间作为出发时间。对订单进行分配，先分配第一个订单，然后从剩余的订单中选择距离与上一个订单最近的一个订单，在满足各种约束条件的前提下匹配给该车辆中，然后更新装载体积、到达时间、路程等，计算该车辆车程的返回配送点时间，直至不满足各种约束条件。
然后，开始对车辆的剩余车程分配，取第一次车程返回配送点的时间作为出发时间，其订单的分配方法与第一次一样，直到订单分配完为止。
最后，交换相邻配送时间窗的订单，生成初始染色体矩阵。对每一个订单选择与它空间距离最近的订单作为一个节点对。再随机选择一个染色体和一个节点对，进行一次交换与四次插入，对得到的新染色体重新计算其配送总成本，然后选择最优的一条染色体作为子代。依此生成新的染色体矩阵，选择最优的一条染色体作为本次迭代的结果。最终结束循环的条件是迭代次数达到第二设定迭代次数，则跳出循环，输出结果。
将车辆对应的订单以及订单配送排序，生成出行行程单，发送给车辆对应的司机，司机通过手机APP接收行程单，司机根据行程单到配送点取货装车。行程单包括如下信息：司机(姓名、联系电话、性别、安装能力、车牌号)、订单(订单号、产品名称、送装地址、用户信息[联系电话、姓名、具体楼层地址、特殊要求]、需要安装技能、送装时间点及时间窗、各订单安装时间)、路线(订单送装顺序、车辆出发时间、车辆到达各订单点时间、在各订单点停留时间、回到网点时间)。
为了提高车辆的装卸货效率，在本实施例中，针对每个车辆，根据车辆对应的订单、订单配送排序、订单对应货物的体积，生成货物在车辆内的位置图，发送给司机，以便于司机装车，提高了装卸车效率。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (9)

1.一种订单配送方法，其特征在于：所述方法包括：
S1、获取配送点配送车辆信息以及当天需要配送的订单信息；
S2、在以配送总成本最小的目标下，在满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，获得每个车辆对应的订单、订单配送排序、订单的推荐时间窗；
S3、将订单的推荐时间窗发送给对应的客户，然后获得客户反馈的时间窗，作为配送时间窗；
S4、在以配送总成本最小的目标下，在满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件下，将需要配送的订单分配至车辆，获得车辆对应的订单以及订单配送排序；发送给车辆对应的司机。
2.根据权利要求1所述的方法，其特征在于：所述方法还包括：
每隔设定时间监测是否接收到需要当日送达的实时订单，实时订单具有配送时间窗；若是，则将当前未装车的订单与该实时单作为需要配送的订单，重新执行步骤S4。
3.根据权利要求1所述的方法，其特征在于：所述步骤S2具体包括：
S21、将需要配送的订单随机进行排序，生成订单序列；将车辆进行排序，生成车辆序列；
S22、从订单序列中寻找距离当前配送点最近的订单作为当前订单，从车辆序列中选取第一个车辆作为当前车辆；
S23、将当前订单预匹配给当前车辆后，判断当前车辆是否满足车辆服务时间约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件；
若否，则执行步骤S24；
若是，则执行步骤S28；
S24、将当前车辆从车辆序列中移除；
S25、判断此时车辆序列是否为空；
若此时车辆序列不为空，则执行步骤S26：选取车辆序列中的下一个车辆，作为新的当前车辆；然后返回步骤S23；
若此时车辆序列为空，则执行步骤S27：计算所有车辆下次返回配送点的时间，按照返回配送点的时间升序排列，重新生成车辆序列，将未成功匹配的订单重新生成订单序列；然后返回步骤S22；
S28、将当前订单匹配给当前车辆，计算当前订单的送达时间，生成当前订单的推荐时间窗，将当前订单从订单序列中移除；
S29、判断此时订单序列是否为空；
若此时订单序列不为空，则执行步骤S30：选择距离当前订单最近的一个订单，作为新的当前订单，然后返回步骤S23；
若此时订单序列为空，则执行步骤S31；
S31、输出车辆对应的订单、订单配送排序、订单的推荐时间窗。
4.根据权利要求3所述的方法，其特征在于：所述步骤S2还包括：
S211、初始化种群：
每执行一次步骤S21～S31，生成一个订单配送排序，作为一条染色体；重复执行M1次步骤S21～S31，共生成M1条染色体，作为初始化种群，迭代次数＝0；计算各染色体的配送总成本；选取其中配送总成本最小的一条染色体，作为初始最优解；
S212、交叉操作：
在初始化种群的基础上，运用轮盘赌的方法选择两条染色体进行交叉操作，对两条染色体随机切割相同长度的片段进行交叉，而两条切割基因片段一一对比，确定映射关系替换，利用映射关系对交叉后的染色体进行修复，生成两条交叉后的染色体，重新计算各染色体的配送总成本，选择配送总成本最小的一条作为子代；从而得到交叉染色体矩阵；
S213、变异操作：
在交叉染色体矩阵的基础上，在每条染色体上随机选择两个基因，分别进行一次交换和四次前后位插入，得到五个变异染色体，选取其中配送总成本最小的一条染色体作为子代；从而得到变异染色体矩阵；
S214、变异染色体矩阵作为新一代种群，计算该种群中每个染色体的配送总成本，选取其中配送总成本最小的一条染色体，作为该种群的最优解；
S215、判断迭代次数是否为0；
若是，则该种群的最优解与初始最优解进行对比，选择二者之中最优的一个作为当前最优解；
若否，则该种群的最优解与当前最优解进行对比，选择二者之中最优的一个作为当前最优解；
S216、迭代次数加1，然后判断迭代次数是否达到第一设定迭代次数；
若否，则返回步骤S212；
若是，则输出当前最优解对应的各订单的送达时间，计算出各订单的推荐时间窗和订单配送排序。
5.根据权利要求1所述的方法，其特征在于：所述步骤S4具体包括：
S41、将需要配送的订单按照配送时间窗升序排列，生成订单序列；将车辆按照体积降序排列，生成车辆序列；
S42、从订单序列中选取第一个订单作为当前订单，从车辆序列中选取第一个车辆作为当前车辆；
S43、将当前订单预匹配给当前车辆后，判断当前车辆是否满足车辆服务时间约束、配送时间窗约束、车辆装载体积约束、车辆行驶路程约束、安装技能约束的条件；
若否，则执行步骤S44；
若是，则执行步骤S48；
S44、将当前车辆从车辆序列中移除；
S45、判断此时车辆序列是否为空；
若此时车辆序列不为空，则执行步骤S46：选取车辆序列中的下一个车辆，作为新的当前车辆；然后返回步骤S43；
若此时车辆序列为空，则执行步骤S47：计算所有车辆下次返回配送点的时间，按照返回配送点的时间升序排列，重新生成车辆序列，将未成功匹配的订单重新生成订单序列；然后返回步骤S42；
S48、将当前订单匹配给当前车辆，将当前订单从订单序列中移除；
S49、判断此时订单序列是否为空；
若此时订单序列不为空，则执行步骤S50：选择距离当前订单最近的一个订单，作为新的当前订单，然后返回步骤S43；
若此时订单序列为空，则执行步骤S51；
S51、输出车辆对应的订单以及订单配送排序。
6.根据权利要求5所述的方法，其特征在于：所述步骤S4还包括：
S411、针对每个订单，选择距离该订单最近的一个订单，生成该订单的节点对，遍寻所有订单生成节点对集合；
S412、将需要配送的订单按照配送时间窗升序排列，随机交换相邻配送时间窗的订单M1-1次，生成M1-1条染色体；将S51输出的订单配送排序作为一条染色体；加上交换生成的M1-1条染色体，共M1条染色体，形成初始染色体矩阵；作为初始种群；迭代次数＝0；计算各染色体的配送总成本；选取其中配送总成本最小的一条染色体，作为初始最优解；
S413、利用轮盘赌的方法随机选择一条染色体，计算其配送总成本，记为f0；
S414、随机选择一个订单i，在节点对集合中获取订单i的节点对，该节点对包括订单i和订单j；i∈[1,2,3,……,n]，j∈[1,2,3,……,n]，且i≠j；
S415、拷贝所选择的染色体，得到第一份染色体副本，在第一份染色体副本中交换选择的订单i和订单j的位置，得到新的第一份染色体副本；计算该染色体副本的配送总成本，记为f1；
拷贝所选择的染色体，得到第二份染色体副本，在第二份染色体副本中将订单i插入到订单j前，得到新的第二份染色体副本；计算该染色体副本的配送总成本，记为f2；
拷贝所选择的染色体，得到第三份染色体副本，在第三份染色体副本中将订单j插入到订单i前，得到新的第三份染色体副本；计算该染色体副本的配送总成本，记为f3；
拷贝所选择的染色体，得到第四份染色体副本，在第四份染色体副本中将订单i插入到订单j后，得到新的第四份染色体副本；计算该染色体副本的配送总成本，记为f4；
拷贝所选择的染色体，得到第五份染色体副本，在第五份染色体副本中将订单j插入到订单i后，得到新的第五份染色体副本；计算该染色体副本的配送总成本，记为f5；
选择f0、f1、f2、f3、f4、f5最优的一条染色体作为子代；
S416、重复执行M1次S413-S415，得到新的染色体矩阵，作为新一代种群；计算该种群中每个染色体的配送总成本，选取其中配送总成本最小的一条染色体，作为该种群的最优解；
S417、判断迭代次数是否为0；
若是，则执行步骤418：该种群的最优解与初始最优解进行对比，选择二者之中最优的一个作为当前最优解；
若否，则执行步骤419：该种群的最优解与当前最优解进行对比，选择二者之中最优的一个作为当前最优解；
S420、迭代次数加1；
S421、判断迭代次数是否达到第二设定迭代次数；
若否，则返回S413；
若是，则执行步骤S422：输出当前最优解对应的车辆对应的订单以及订单配送排序。
7.根据权利要求4所述的方法，其特征在于：推荐时间窗＝[订单送达时间-设定时间，订单送达时间+设定时间]。
8.根据权利要求1至7中任一项所述的方法，其特征在于：将车辆对应的订单以及订单配送排序，发送给对应司机的手机上。
9.根据权利要求8所述的方法，其特征在于：根据订单配送排序、订单对应货物的体积，生成货物在车辆内的位置图，发送给司机。
CN201810418951.9A 2018-05-04 2018-05-04 一种订单配送方法 Active CN110443397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810418951.9A CN110443397B (zh) 2018-05-04 2018-05-04 一种订单配送方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810418951.9A CN110443397B (zh) 2018-05-04 2018-05-04 一种订单配送方法

Publications (2)

Publication Number Publication Date
CN110443397A true CN110443397A (zh) 2019-11-12
CN110443397B CN110443397B (zh) 2022-12-09

Family

ID=68427199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810418951.9A Active CN110443397B (zh) 2018-05-04 2018-05-04 一种订单配送方法

Country Status (1)

Country Link
CN (1) CN110443397B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909249A (zh) * 2019-12-05 2020-03-24 北京工商大学 一种基于跨地区众包物流任务特征的接包方任务匹配推荐方法
CN111401606A (zh) * 2020-02-18 2020-07-10 沈阳工业大学 商住综合体建筑与智能配送结合的配送方法及配送系统
CN111461402A (zh) * 2020-03-06 2020-07-28 上海汽车集团股份有限公司 物流排程优化方法及装置、计算机可读存储介质、终端
CN111598498A (zh) * 2020-04-08 2020-08-28 北京旷视机器人技术有限公司 仓库订单的分配方法、装置及系统
CN112819393A (zh) * 2019-11-15 2021-05-18 北京京邦达贸易有限公司 订单切分的方法和装置
CN112907094A (zh) * 2021-03-05 2021-06-04 上海有个机器人有限公司 一种用于递送机器人的预备接单调度方法及系统
CN112966887A (zh) * 2019-12-13 2021-06-15 多点(深圳)数字科技有限公司 生成分配信息的方法、装置、电子设备和介质
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
CN113095553A (zh) * 2021-03-29 2021-07-09 北京沃东天骏信息技术有限公司 调度方法、装置、电子设备及存储介质
CN113723675A (zh) * 2021-08-20 2021-11-30 深圳依时货拉拉科技有限公司 一种零担揽件自动调度方法和计算机设备
CN114330822A (zh) * 2021-11-22 2022-04-12 山东师范大学 三维装箱方法及系统
CN116245449A (zh) * 2023-05-06 2023-06-09 北京邮电大学 低碳物流配送方法、装置及设备
CN116362844A (zh) * 2023-04-03 2023-06-30 大连理工大学 一种“先并单-再派单”的外卖订单配送方案生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992242A (zh) * 2015-07-01 2015-10-21 广东工业大学 一种求解带软时间窗物流运输车辆路径问题的方法
CN105096066A (zh) * 2014-04-30 2015-11-25 青岛日日顺物流有限公司 一种物流配货方法和系统
CN106682769A (zh) * 2016-12-12 2017-05-17 华东理工大学 一种产品车辆路径实现方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096066A (zh) * 2014-04-30 2015-11-25 青岛日日顺物流有限公司 一种物流配货方法和系统
CN104992242A (zh) * 2015-07-01 2015-10-21 广东工业大学 一种求解带软时间窗物流运输车辆路径问题的方法
CN106682769A (zh) * 2016-12-12 2017-05-17 华东理工大学 一种产品车辆路径实现方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于青: "一种新的可调时间窗车辆调度问题研究", 《天津师范大学学报（自然科学版）》 *
吴红丽: "基于时间窗的家电行业物流配送路径优化问题研究", 《中国优秀硕士学位论文全文库》 *
张丽等: "海尔日日顺家电物流最后一公里实现路径研究", 《物流技术》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819393A (zh) * 2019-11-15 2021-05-18 北京京邦达贸易有限公司 订单切分的方法和装置
CN112819393B (zh) * 2019-11-15 2024-04-09 北京京邦达贸易有限公司 订单切分的方法和装置
CN110909249A (zh) * 2019-12-05 2020-03-24 北京工商大学 一种基于跨地区众包物流任务特征的接包方任务匹配推荐方法
CN112966887B (zh) * 2019-12-13 2024-05-28 多点(深圳)数字科技有限公司 生成分配信息的方法、装置、电子设备和介质
CN112966887A (zh) * 2019-12-13 2021-06-15 多点(深圳)数字科技有限公司 生成分配信息的方法、装置、电子设备和介质
CN111401606A (zh) * 2020-02-18 2020-07-10 沈阳工业大学 商住综合体建筑与智能配送结合的配送方法及配送系统
CN111401606B (zh) * 2020-02-18 2024-01-26 沈阳工业大学 商住综合体建筑与智能配送结合的配送方法及配送系统
CN111461402A (zh) * 2020-03-06 2020-07-28 上海汽车集团股份有限公司 物流排程优化方法及装置、计算机可读存储介质、终端
CN111461402B (zh) * 2020-03-06 2024-03-26 上海汽车集团股份有限公司 物流排程优化方法及装置、计算机可读存储介质、终端
CN111598498A (zh) * 2020-04-08 2020-08-28 北京旷视机器人技术有限公司 仓库订单的分配方法、装置及系统
CN111598498B (zh) * 2020-04-08 2023-08-15 北京旷视机器人技术有限公司 仓库订单的分配方法、装置及系统
CN113033866B (zh) * 2020-11-12 2023-03-24 广东财经大学华商学院 一种紧急订单配送调度优化方法
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
CN112907094A (zh) * 2021-03-05 2021-06-04 上海有个机器人有限公司 一种用于递送机器人的预备接单调度方法及系统
CN113095553A (zh) * 2021-03-29 2021-07-09 北京沃东天骏信息技术有限公司 调度方法、装置、电子设备及存储介质
CN113723675A (zh) * 2021-08-20 2021-11-30 深圳依时货拉拉科技有限公司 一种零担揽件自动调度方法和计算机设备
CN113723675B (zh) * 2021-08-20 2024-03-26 深圳依时货拉拉科技有限公司 一种零担揽件自动调度方法和计算机设备
CN114330822A (zh) * 2021-11-22 2022-04-12 山东师范大学 三维装箱方法及系统
CN116362844B (zh) * 2023-04-03 2023-11-03 大连理工大学 一种“先并单-再派单”的外卖订单配送方案生成方法
CN116362844A (zh) * 2023-04-03 2023-06-30 大连理工大学 一种“先并单-再派单”的外卖订单配送方案生成方法
CN116245449A (zh) * 2023-05-06 2023-06-09 北京邮电大学 低碳物流配送方法、装置及设备

Also Published As

Publication number Publication date
CN110443397B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN110443397A (zh) 一种订单配送方法
CN112150076B (zh) 基于工位排序的车间物料动态配送模型设计及实现方法
Folkestad et al. Optimal charging and repositioning of electric vehicles in a free-floating carsharing system
CN107194513B (zh) 一种解决全渠道物流配送问题的优化方法
CN106203911A (zh) 基于云计算的智能物流数据管理方法
CN107145971A (zh) 一种动态调整的快递配送优化方法
CN108921472A (zh) 一种多车型的两阶段车货匹配方法
CN107844882A (zh) 配送任务处理方法、装置及电子设备
CN106156981A (zh) 基于云计算的物流协同处理方法
CN106203912A (zh) 物流信息智能处理方法
CN104008428B (zh) 产品服务需求预测和资源优选配置方法
Nurprihatin et al. An integrated transportation models and savings algorithm to minimize distribution costs
CN111144710A (zh) 一种可持续性混合流水车间的构建和动态调度方法
CN110276568A (zh) 入库资源分配方法、装置及计算机系统
Karimi et al. Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment
Moser et al. Risk efficient migration strategies for global production networks
CN107832957A (zh) 一种基于多类型自行车装卸的公共租赁自行车调度方法
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN115983559A (zh) 项目资源调度方法、装置、设备及存储介质
CN115965172A (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
Guo et al. Storage assignment for newly arrived items in forward picking areas with limited open locations
CN110928261A (zh) 分布式异构流水车间的分布估计调度方法及系统
Keskinturk et al. A genetic algorithm metaheuristic for bakery distribution vehicle routing problem with load balancing
Deb et al. A genetic algorithm based heuristic optimization technique for solving balanced allocation problem involving overall shipping cost minimization with restriction to the number of serving units as well as customer hubs
CN110991665B (zh) 一种利润最大化的集配一体化车辆路径规划方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 266101 Haier Industrial Park, Haier Road, Laoshan District, Shandong, Qingdao, China

Applicant after: Ririshun Supply Chain Technology Co.,Ltd.

Address before: 266101 Haier Industrial Park, Haier Road, Laoshan District, Shandong, Qingdao, China

Applicant before: QINGDAO RIRISHUN LOGISTICS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant