CN111080013A - 定址寻路预测方法、装置、设备和计算机可读存储介质 - Google Patents

定址寻路预测方法、装置、设备和计算机可读存储介质 Download PDF

Info

Publication number
CN111080013A
CN111080013A CN201911312782.1A CN201911312782A CN111080013A CN 111080013 A CN111080013 A CN 111080013A CN 201911312782 A CN201911312782 A CN 201911312782A CN 111080013 A CN111080013 A CN 111080013A
Authority
CN
China
Prior art keywords
path
prediction result
cost
result
warehouse
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
CN201911312782.1A
Other languages
English (en)
Other versions
CN111080013B (zh
Inventor
杨鹏
苏哲威
姚新
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.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN201911312782.1A priority Critical patent/CN111080013B/zh
Publication of CN111080013A publication Critical patent/CN111080013A/zh
Application granted granted Critical
Publication of CN111080013B publication Critical patent/CN111080013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明实施例公开了一种定址寻路预测方法、装置、设备和计算机可读存储介质，该方法包括：根据输入参数获取第一路径预测结果；根据第一路径预测结果进行局部搜索获得第二路径预测结果；设置迭代变量，并赋值迭代变量初始值为1；根据迭代变量所属的预设阈值范围选择基于第二路径预测结果使用交换片段算子或基于第二路径预测结果使用交换两个二级仓库算子，循环寻找更优解；当迭代变量满足根据循环结束设置的预设阈值时输出此时的路径预测结果。本发明实施例合理的设置循环过程中各算子的使用频率和位置在保障了2E‑CLRP问题预测结果的质量同时大大提高了获得预测结果的速度。

Description

定址寻路预测方法、装置、设备和计算机可读存储介质
技术领域
本发明涉及物流管理领域，尤其涉及一种定址寻路预测方法、装置、设备和计算机可读存储介质。
背景技术
选址问题是在给定客户需求的条件下，选择建设物流中心地址或者选择开放给定物流中心的一部分以降低物流成本。车辆路径问题是在给定物流中心以及各个客户需求和线路成本等条件下，选择最佳的路径寻找策略以达到最小化成本的目的。两层级有限容量的定址寻路问题(英文名为capacitated two-echelon location and routing problem,以下全文简称2E-CLRP问题)是这两个问题的合集，并且给定了具有有限容量的一级仓库、二级仓库和一级车队、二级车队。该问题的最终目标是找到一个可行解，其在满足所有要求的情况下能够使所花费的成本最小。
目前常用于2E-CLRP问题的求解过程花费时间较长，其无法在求解质量和求解速度上取得良好的综合表现。
发明内容
本发明实施例提供一种定址寻路预测方法、装置、设备和计算机可读存储介质，实现路径规划加速预测。
第一方面，本发明实施例提供了一种定址寻路预测方法，包括：
S1、获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息；
S2、根据所述输入参数获取第一路径预测结果；
S3、根据所述第一路径预测结果进行局部搜索获得第二路径预测结果；
S4、设置迭代变量，并赋值所述迭代变量初始值为1；
S5、判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值或等于第三阈值，所述第一阈值、第二阈值和第三阈值依次增大；
S6、若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果；
S7、判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本；
S8、若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果并令所述迭代变量为1，并跳转至S5；
S9、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至S5；
S10、若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果；
S11、判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本；
S12、若所述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，并令所述迭代变量为1，并跳转至S5；
S13、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至S5；
S14、若所述迭代变量等于第三阈值，则输出所述第二路径预测结果作为定址寻路的预测结果。
第二方面，本发明实施例还提供了一种定址寻路预测装置，该装置包括：
参数获取模块，用于获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息；
第一路径预测模块，用于根据所述仓库信息和对应的下级组合信息获取第一路径预测结果；
局部搜索模块，用于根据所述输入参数获取第一路径预测结果；
迭代变量初始化模块，用于设置迭代变量，并赋值所述迭代变量初始值为1；
迭代变量判断模块，用于判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值和等于第三阈值，所述第一阈值、第二阈值和第三阈值依次增大；
第一路径优化模块，用于若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果；
第一成本判断模块，用于判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本；
第一替代模块，用于若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果，令所述迭代变量为1，并跳转至所述迭代变量判断模块；
第一迭代模块，用于若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至迭代变量判断模块；
第二路径优化模块，用于若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果；
第二成本判断模块，用于判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本；
第二替代模块，用于若述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，令所述迭代变量为1，并跳转至所述迭代变量判断模块；
第二迭代模块，用于若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至迭代变量判断模块；
输出模块，用于若所述迭代变量等于第三阈值，则输出所述第二路径预测结果作为定址寻路的预测结果。
第三方面，本发明实施例还提供了一种定址寻路预测设备，包括存储器和处理器，存储器上存储有可在处理器运行的计算机程序，处理器执行计算机程序时实现前述的定址寻路预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被执行时实现前述的定址寻路预测方法。
本发明实施例提供的技术方案，通过对第一路径预测结果进行局部搜索改进了初始路径预测结果的质量，利用交换片段算子和交换两个二级仓库算子循环对路径预测结果进行改进，合理的设置循环过程中各算子的使用频率和位置在保障了2E-CLRP问题预测结果的质量同时大大缩短了获得预测结果用时。
附图说明
图1是本发明实施例一中的定址寻路预测方法的流程图；
图2是本发明实施例一中的定址寻路预测方法的子流程图；
图3是本发明实施例一中的定址寻路预测方法的子流程图；
图4是本发明实施例一中的定址寻路预测方法的子流程图；
图5是本发明实施例一中的定址寻路预测方法的子流程图；
图6是本发明实施例二中的定址寻路预测装置的结构示意图；
图7是本发明实施例三中的定址寻路预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一路径优化结果称为第二最路径优化结果，且类似地，可将第二路径优化结果称为第一路径优化结果。第一路径优化结果和第二路径优化结果两者都是路径优化结果，但其不是同一路径优化结果。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。需要说明的是，当部被称为“固定于”另一个部，它可以直接在另一个部上也可以存在居中的部。当一个部被认为是“连接”到另一个部，它可以是直接连接到另一个部或者可能同时存在居中部。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述，只是为了说明的目的，并不表示是唯一的实施方式。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种定址寻路预测方法的流程图，具体包括如下步骤：
步骤110、获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息。
对于每一个定址寻路问题，作为输入参数，其题给出的约束条件应该是明确的，具体的，输入参数中需要包括本次求解所提供可供选择的一级仓库信息、二级仓库信息、顾客信息以及容量约束信息。通过对问题分析可知可以将2E-CLRP问题分为两层处理，即将一级仓库和二级仓库划分为第一层求解，将二级仓库和顾客划分为第二层求解，因此输入参数是指仓库信息和对应的下级集合信息，具体的，包括一级仓库信息和对应的二级仓库信息以及二级仓库信息和对应的顾客信息，其中二级仓库为一级仓库的下级，顾客为二级仓库的下级。
容量约束信息包括仓库的容量约束和运输设备的容量约束。
步骤120、根据所述输入参数获取第一路径预测结果。
本发明实施例所提供的定址寻路预测方法实质是基于变邻域搜索算法改进而来的一种求解方法，与变邻域搜索算法相似的，在获得质量较高的最终解之前需要先获得作为改进基础的第一路径预测结果，本实施例采用克拉克-莱特算法(Clarke and WrightSavings)基于输入参数获取第一路径预测结果。
进一步的，第一路径预测结果获取过程如图2所示，步骤120包括步骤121～123：
步骤121、对下级集合中的元素进行组合得到多个组合。
当获取输入参数后，先确定下级集合中的元素，再将下级集合中的元素随机组合得到多个组合，这些组合就是路径中可能存在的一种连接关系。前文已经提到可以将2E-CLRP问题分为两层处理，在同时输入一级仓库、二级仓库、顾客时，此处所说的对下级集合中的元素进行组合是不混通的，即二级仓库作为下级集合时其中不会混有顾客，顾客作为下级集合时其中也不会混有二级仓库，具体的，二级仓库和顾客用于确定二级路径，一级仓库和二级仓库用于确定一级路径，在获取二级路径时下级集合中的元素就是顾客，在获取一级路径时下级集合中的元素就是二级仓库。
步骤122、将所述多个组合分配给对应的上级仓库，计算不同组合的节约成本。
所述节约成本为，所述组合中的所有元素到所述仓库距离的两倍减去将所述组合中的所有元素和所述仓库确定的完整路径的距离得到的差值。
以获取一级路径为例，尝试将以二级仓库为元素所得到多个组合分配给对应的一级仓库，计算不同组合中所有二级仓库到一级仓库的距离的两倍减去该组合中所有二级仓库确定的完整路径的距离得到的差值作为节约成本，示例性的，Lij表示i点到j点的距离，假设一个二级仓库组合为a和b，其对应的一级仓库为0,则节约成本为2*(La0+Lb0)-(Lab+La0+Lb0)。
相似的，获取二级路径时，以顾客作为元素将一级仓库替换成二级仓库进行上述类似操作即可。
步骤123、根据所述节约成本降序排列所述多个组合。
按照步骤122中获得的节约成本的值自大到小分别对二级仓库作为元素对应的多个组合和顾客作为元素对应的多个组合进行排序。
步骤124、自所述节约成本最大的组合开始，按降序排列顺序将每个所述组合确定的路径分配给所述仓库，其中若在满足容量约束的情况下可将路径合并则将对应的路径合并。
每个组合都可以确定一条路径，但是若所有组合都各对应一条路径明显存在增加成本的情况，因此需要对部分路径进行合并。
具体规则为：自节约成本最大的组合开始，判断组合中是否已经有一个或多个元素出现在一条路径中，若都没有被分配到任何一条路径中则由该组合确定一条新的路径；若该组合中只有一个元素出现在某一路径中，且该元素与对应仓库连接，则根据容量约束信息判断将该组合其他元素加入该路径后是否违背容量约束，若不违背则将该组合添加至该路径，若违背则由该组合重新确定一条路径；若该组合中所有元素出现在不同路径中且均与对应的车库连接，则根据容量约束信息判断将相关路径合并是否未被容量约束，若不违背则将相关路径合并，若违背则由该组合重新确定一条路径。
步骤125、输出所述仓库和所述下级组合确定的仓库和路径作为第一路径预测结果，所述第一路径预测结果包括由所述一级仓库和二级仓库确定的一级路径以及由所述二级仓库和客户确定的二级路径。
在所有路径都确定完毕后其与仓库的连接关系也确定了，此时可以输出一个由仓库和对应路径组成的第一路径预测结果，根据问题分层第一路径预测结果中包括以一级仓库为上级的一级路径和以二级仓库为上级的二级路径。
步骤130、根据所述第一路径预测结果进行局部搜索获得第二路径预测结果。
根据实际情况，第一路径预测结果的质量与现有较好的求解方式差距较大，本实施例基于第一路径预测结果采用局部搜索进一步提高预测结果的质量得到第二路径预测结果。
具体的，局部搜索过程如图3所示，包括步骤131-133：
步骤131、使用路径翻转算子对所述第一路径预测结果中的所有二级路径进行翻转得到第三路径优化结果。
翻转算子用于对输入路径进行操作，通过对输入路径内的所有长度的片段进行尝试性的翻转，如果有造成成本降低也即产生改进则保留结果，反之不保留，当连续多次翻转都没有产生改进时可以判断此时翻转算子已经没有任何改进，可以停止使用翻转算子。第一路径预测结果中包括一级路径和二级路径，本步骤中仅对二级路径采用翻转算子进行翻转得到已经判断不会继续改进的第三路径优化结果。
步骤132、基于所述第三路径优化结果交换所述二级仓库对应的顾客直到成本不再下降得到第四路径优化结果。
在第三路径优化结果的基础上不断交换二级仓库对应的顾客，每次交换都会导致二级路径的总成本发生变化，判断二级路径的总成本是否发生降低，如果发生降低则保留交换结果，若没有发生降低则不保留，当连续交换多次后都没有发生成本降低时可以判断此时交换二级仓库下的顾客已经没有任何改进，可以停止交换得到第四路径优化结果。
步骤133、基于所述第四路径优化结果使用所述路径翻转算子得到第二路径预测结果。
本步骤基于第四路径优化结果使用翻转算子对一级路径和二级路径均进行翻转，每次翻转后若造成成本降低则保留翻转结果，反之不保留，当连续多次翻转都没有发生成本降低时可以判断此时翻转算子已经没有任何改进，可以停止使用翻转算子得到此时的解作为第二路径预测结果。
步骤140、设置迭代变量，并赋值所述迭代变量初始值为1。
步骤150、判断所述迭代变量所属的预设阈值范围。
基于变邻域搜索算法的思想，本实施例通过类似的循环进行解的质量改进，多设置一个改进过程进行最后的输出改进，即本实施例基于迭代变量进行的循环过程中设置了三个预设阈值用于判断迭代变量所述的预设阈值范围，预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值或等于第三阈值，其中第一阈值、第二阈值和第三阈值依次增大。
步骤160、若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果。
当迭代变量大于等于1小于等于第一阈值时，利用交换片段算子对第二路径预测结果进行改进。
交换片段算子用于随机选择一个仓库(可以是一级仓库也可以是二级仓库)下的两条随机路径，并交换这两条路径间任意长度的任意片段。其中每个仓库被交换片段算子选中的概率与该仓库对应的下级数量成正比，即仓库的下级数量越多其被交换片段算子选中的概率越大。根据实际情况可知，通常情况下顾客的数量多于二级仓库的数量，而二级仓库是一级仓库的下级，顾客是二级仓库的下级，即二级路径被交换片段算子选中的概率大于一级路径被交换片段算子选中的概率，因此可以看出交换片段算子实际对二级路径的影响更频繁。迭代变量除了作为判断依据，进一步的，其可以限定交换片段长度的最大值以便取不同的迭代变量值时对第二路径预测结果进行不同的改变。
具体的，如图4所示，步骤160包括步骤161-162：
步骤161、备份所述第二路径预测结果。
交换片段算子在作用之前会先对第二路径预测结果进行一次备份，避免后续操作对第二路径预测结果造成破坏。
步骤162、随机选择一个仓库下的两条随机路径，交换所述两条随机路径间任意长度的任意片段得到第一路径优化结果。此处所说的任意长度片段是有最大长度的，最大长度由迭代变量决定。
步骤170、判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本。
步骤180、若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果并令所述迭代变量为1，并跳转至步骤150。
当得到第一路径优化结果之后需要比较其是否较第二路径预测结果有所改进，若第一路径优化结果的成本小于第二路径预测结果的成本则可以判断为产生了改进，此时可以使用第一路径优化结果替代第二路径预测结果，即此时保存的第二路径预测结果就是第一路径优化结果，之后将迭代变量赋值为1跳转至步骤150重新进行循环改进。
步骤190、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至步骤150。
若第一路径优化结果的成本不小于第二路径预测结果的成本则可以判断为未产生改进，此时第二路径预测结果保持不变，增加迭代变量的值后跳转至步骤150继续循环寻找更优的解。
步骤200、若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果。
随着循环的加深，迭代变量的值会不断增加(此处指的是整体趋势，随着循环加深找到更优的结果越来越难，迭代变量归零循环发生次数越来越少)，当迭代变量的值一直增加到达第二阈值时此时进行另一种方式的改进-使用改变两个二级仓库算子。
具体的，如图5所示，步骤200包括步骤201-203：
步骤201、确定所述二级仓库状态。
第一路径预测结果和第二路径预测结果中并不是所有二级仓库都会被选择，定义被选择的二级仓库状态为开启，未被选择的二级仓库状态为关闭。
步骤202、开启一个关闭的二级仓库，关闭一个开启的二级仓库。
交换两个二级仓库算子用于随机开启一个关闭的二级仓库并关闭一个开启的二级仓库，当然，开启的二级仓库必须能够使得整体路径满足容量约束。
步骤203、将所述被关闭的二级仓库所对应的二级路径在满足容量约束的情况下分配给所述开启的二级仓库得到第二路径优化结果。
当某一个二级仓库被关闭后，其对应的二级路径便没有了归属的仓库，将这些没有归属的二级路径在保障满足容量约束的前提下尝试连接到其他处于开启状态的二级仓库上，所有没有归属的二级路径连接完毕后即可得到第二路径优化结果。
步骤210、判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本。
步骤220、若所述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，并令所述迭代变量为1，并跳转至步骤150。
当第二路径优化结果的成本小于所述第二路径预测结果的成本可以判断交换两个二级仓库算子产生了改进，此时可以使用第二路径优化结果替代第二路径预测结果，即此时保存的第二路径预测结果就是第二路径优化结果，之后将迭代变量赋值为1跳转至步骤150继续进行循环改进。
步骤230、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至步骤150。
若第二路径优化结果的成本不小于第二路径预测结果的成本则可以判断为未产生改进，此时第二路径预测结果保持不变，增加迭代变量的值后跳转至步骤150继续循环。
步骤240、若所述迭代变量等于第三阈值，则输出所述第二路径预测结果作为定址寻路的预测结果。
当迭代变量的值增加到预设的第三阈值时，此时可以判断为循环结束，此时得到的解质量已经得到了较大的改进，输出此时的第二路径预测结果作为最终结果。
本发明定址寻路预测方法的工作原理：在克拉克-莱特算法求得的路径预测结果的基础上结合变邻域搜索算法和局部搜索等算法逐步改良预测结果的质量求得更优的定址寻路预测结果，通过对算法的改进提高了预测结果的质量，通过合理设置循环的长度大大缩减获得预测结果的时间。
在本实施例方案中，通过对第一路径预测结果进行局部搜索改进了初始路径预测结果的质量，利用交换片段算子和交换两个二级仓库算子循环对路径预测结果进行改进，合理的设置循环过程中各算子的使用频率和位置在保障了2E-CLRP问题预测结果的质量同时大大缩短了获得预测结果用时。
实施例二
图6所示为本发明实施例二提供的一种定址寻路预测装置300的结构示意图，该定址寻路预测装置的具体结构如下：
参数获取模块310，用于获取输入参数，所述输入参数包括仓库信息和对应的下级组合信息以及容量约束信息。
所述输入参数包括一级仓库信息和对应的二级仓库信息以及二级仓库信息和对应的顾客信息，其中二级仓库为一级仓库的下级，顾客为二级仓库的下级。
第一路径预测模块320，用于根据所述输入参数获取第一路径预测结果。
进一步的，第一路径预测模块320包括：
组合单元，用于对下级集合中的元素进行组合得到多个组合。
成本计算单元，用于将所述多个组合分配给对应的上级仓库，计算不同组合的节约成本。所述节约成本为，所述组合中的所有元素到所述仓库距离的两倍减去将所述组合中的所有元素和所述仓库确定的完整路径的距离得到的差值。
排序单元，用于根据所述节约成本降序排列所述多个组合。
路径分配单元，用于自所述节约成本最大的组合开始，按降序排列顺序将每个所述组合确定的路径分配给所述仓库，其中若在满足容量约束的情况下可将路径合并则将对应的路径合并。
输出单元，用于输出所述仓库和所述下级组合确定的仓库和路径作为第一路径预测结果。
局部搜索模块330，用于根据所述第一路径预测结果进行局部搜索获得第二路径预测结果。
进一步的，局部搜索模块330包括：
第一翻转单元，用于使用路径翻转算子对所述第一路径预测结果中的所有二级路径进行翻转得到第三路径优化结果，所述二级路径由所述二级仓库信息和对应的顾客信息得到。
顾客交换单元，用于基于所述第三路径优化结果交换所述二级仓库对应的顾客直到成本不再下降得到第四路径优化结果。
第二翻转单元，基于所述第四路径优化结果使用所述路径翻转算子得到第二路径预测结果。
进一步的，第二翻转单元用于：对所述第四路径优化结果中所有路径内的所有长度片段进行翻转，若翻转后的解成本低于翻转前的解的成本，则保留翻转后的解，否则保留翻转前的解；迭代进行上述步骤直到连续预设次数翻转后始终未产生成本降低，保留此时的解为第二路径预测结果。
迭代变量初始化模块340，用于设置迭代变量，并赋值所述迭代变量初始值为1。
迭代变量判断模块350，用于判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值和等于第三阈值。
第一路径优化模块360，用于若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果。
进一步的，第一路径优化模块360包括：
备份单元，用于备份所述第二路径预测结果。
路径交换单元，用于随机选择一个所述仓库下的两条随机路径，交换所述两条随机路径间任意长度的任意片段得到第一路径优化结果。
第一成本判断模块370，用于判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本。
第一替代模块380，用于当所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果并令所述迭代变量为1，并跳转至迭代变量判断模块。
第一迭代模块390，用于当所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至迭代变量判断模块。
第二路径优化模块400，用于当所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果。
进一步的，第二路径优化模块400包括：
仓库状态确定单元，用于确定所述二级仓库状态，所述第一路径预测结果和第二路径预测结果中并不是所有所述二级仓库都会被选择，定义被选择的所述二级仓库状态为开启，未被选择的所述二级仓库状态为关闭。
仓库状态改变单元，用于开启一个关闭的二级仓库，关闭一个开启的二级仓库。
二级路径分配单元，用于将所述被关闭的二级仓库所对应的二级路径在满足容量约束的情况下分配给所述开启的二级仓库得到第二路径优化结果。
第二成本判断模块410，用于判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本。
第二替代模块420，用于当述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，令所述迭代变量为1，并跳转至迭代变量判断模块。
第二迭代模块430，用于当所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至迭代变量判断模块。
输出模块440，用于当所述迭代变量等于第三阈值，输出所述第二路径预测结果作为定址寻路的预测结果。
本实施例进一步提供了一种定址寻路预测装置，通过对第一路径预测结果进行局部搜索改进了初始路径预测结果的质量，利用交换片段算子和交换两个二级仓库算子循环对路径预测结果进行改进，合理的设置循环过程中各算子的使用频率和位置在保障了2E-CLRP问题预测结果的质量同时大大缩短了获得预测结果用时。
本发明实施例所提供了一种定址寻路预测装置可执行本发明前述实施例所提供的任意一种定址寻路预测方法，其具备执行方法相应的功能模块和有益效果。
实施例三
图7为本发明实施例三提供的一种定址寻路预测设备500的结构示意图，如图7所示，该种定址寻路预测设备包括存储器510、处理器520，定址寻路预测设备中处理器520的数量可以是一个或多个，图7中以一个处理器520为例；定址寻路预测设备中的存储器510、处理器520可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的定址寻路预测方法对应的程序指令/模块(例如，定址寻路预测装置中的参数获取模块310、第一路径预测模块320、局部搜索模块330、迭代变量初始化模块340、迭代变量判断模块350、第一路径优化模块360、第一成本判断模块370、第一替代模块380、第一迭代模块390、第二路径优化模块400、第二成本判断模块410、第二替代模块420、第二迭代模块430、输出模块440)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行定址寻路预测设备的各种功能应用以及数据处理，即实现上述的定址寻路预测方法。
其中，所述处理器520用于运行存储在存储器510中的计算机可执行程序，以实现如下步骤：S1、获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息；S2、根据所述输入参数获取第一路径预测结果；S3、根据所述第一路径预测结果进行局部搜索获得第二路径预测结果；S4、设置迭代变量，并赋值所述迭代变量初始值为1；S5、判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值或等于第三阈值，所述第一阈值、第二阈值和第三阈值依次增大；S6、若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果；S7、判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本；S8、若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果并令所述迭代变量为1，并跳转至S5；S9、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至S5；S10、若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果；S11、判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本；S12、若所述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，并令所述迭代变量为1，并跳转至S5；S13、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至S5；S14、若所述迭代变量等于第三阈值，则输出所述第二路径预测结果作为定址寻路的预测结果。
当然,本发明实施例所提供的一种定址寻路预测设备,该定址寻路预测设备不限于如上所述的方法操作,还可以执行本发明实施例任意实施例所提供的定址寻路预测方法中的相关操作。
存储器510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至定址寻路预测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述设备可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种定址寻路预测方法，该定址寻路预测方法包括：
S1、获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息；
S2、根据所述输入参数获取第一路径预测结果；
S3、根据所述第一路径预测结果进行局部搜索获得第二路径预测结果；
S4、设置迭代变量，并赋值所述迭代变量初始值为1；
S5、判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值或等于第三阈值，所述第一阈值、第二阈值和第三阈值依次增大；
S6、若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果；
S7、判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本；
S8、若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果并令所述迭代变量为1，并跳转至S5；
S9、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至S5；
S10、若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果；
S11、判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本；
S12、若所述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，并令所述迭代变量为1，并跳转至S5；
S13、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至S5；
S14、若所述迭代变量等于第三阈值，则输出所述第二路径预测结果作为定址寻路的预测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的定址寻路预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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，定址寻路预测设备，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述定址寻路预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种定址寻路预测方法，其特征在于，包括：
S1、获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息；
S2、根据所述输入参数获取第一路径预测结果；
S3、根据所述第一路径预测结果进行局部搜索获得第二路径预测结果；
S4、设置迭代变量，并赋值所述迭代变量初始值为1；
S5、判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值或等于第三阈值，所述第一阈值、第二阈值和第三阈值依次增大；
S6、若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果；
S7、判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本；
S8、若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果并令所述迭代变量为1，并跳转至S5；
S9、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至S5；
S10、若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果；
S11、判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本；
S12、若所述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，并令所述迭代变量为1，并跳转至S5；
S13、若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至S5；
S14、若所述迭代变量等于第三阈值，则输出所述第二路径预测结果作为定址寻路的预测结果。
2.根据权利要求1所述的定址寻路预测方法，其特征在于，所述输入参数包括一级仓库信息和对应的二级仓库信息以及二级仓库信息和对应的顾客信息，其中二级仓库为一级仓库的下级，顾客为二级仓库的下级。
3.根据权利要求2所述的定址寻路预测方法，其特征在于，根据所述输入参数获取第一路径预测结果包括：
对下级集合中的元素进行组合得到多个组合；
将所述多个组合分配给对应的上级仓库，计算不同组合的节约成本，所述节约成本为，所述组合中的所有元素到所述仓库距离的两倍减去将所述组合中的所有元素和所述仓库确定的完整路径的距离得到的差值；
根据所述节约成本降序排列所述多个组合；
自所述节约成本最大的组合开始，按降序排列顺序将每个所述组合确定的路径分配给所述仓库，其中若在满足容量约束的情况下可将路径合并则将对应的路径合并；
输出所述仓库和所述下级组合确定的仓库和路径作为第一路径预测结果，所述第一路径预测结果包括由所述一级仓库和二级仓库确定的一级路径以及由所述二级仓库和客户确定的二级路径。
4.根据权利要求3所述的定址寻路预测方法，其特征在于，所述根据所述第一路径预测结果进行局部搜索获得第二路径预测结果包括：
使用路径翻转算子对所述第一路径预测结果中的所有二级路径进行翻转得到第三路径优化结果；
基于所述第三路径优化结果交换所述二级仓库对应的顾客直到成本不再下降得到第四路径优化结果；
基于所述第四路径优化结果使用所述路径翻转算子得到第二路径预测结果。
5.根据权利要求4所述的定址寻路预测方法，其特征在于，所述基于所述第四路径优化结果使用所述路径翻转算子得到第二路径预测结果包括：
对所述第四路径优化结果中所有路径内的所有长度片段进行翻转，若翻转后的路径成本低于翻转前的路径成本，则保留翻转后的路径，否则保留翻转前的路径；
迭代进行上述步骤直到连续进行预设次数翻转后始终未产生成本降低，保留此时的路径为第二路径预测结果。
6.根据权利要求4所述的定址寻路预测方法，其特征在于，所述基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果包括：
备份所述第二路径预测结果；
随机选择一个仓库下的两条随机路径，交换所述两条随机路径间任意长度的任意片段得到第一路径优化结果。
7.根据权利要求4所述的定址寻路预测方法，其特征在于，所述基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果包括：
确定所述二级仓库的状态，所述第一路径预测结果和第二路径预测结果中并不是所有所述二级仓库都会被选择，定义被选择的所述二级仓库状态为开启，未被选择的所述二级仓库状态为关闭；
开启一个关闭的二级仓库，关闭一个开启的二级仓库；
将所述被关闭的二级仓库所对应的二级路径在满足容量约束的情况下分配给所述开启的二级仓库得到第二路径优化结果。
8.一种定址寻路预测装置，其特征在于，包括：
参数获取模块，用于获取输入参数，所述输入参数包括仓库信息和对应的下级集合信息以及容量约束信息；
第一路径预测模块，用于根据所述输入参数获取第一路径预测结果；
局部搜索模块，用于根据所述第一路径预测结果进行局部搜索获得第二路径预测结果；
迭代变量初始化模块，用于设置迭代变量，并赋值所述迭代变量初始值为1；
迭代变量判断模块，用于判断所述迭代变量所属的预设阈值范围，所述预设阈值范围包括大于等于1小于等于第一阈值、等于第二阈值和等于第三阈值，所述第一阈值、第二阈值和第三阈值依次增大；
第一路径优化模块，用于若所述迭代变量大于等于1小于等于第一阈值，则基于所述第二路径预测结果使用交换片段算子得到第一路径优化结果；
第一成本判断模块，用于判断所述第一路径优化结果的成本是否小于所述第二路径预测结果的成本；
第一替代模块，用于若所述第一路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第一路径优化结果替代所述第二路径预测结果，令所述迭代变量为1，并跳转至迭代变量判断模块；
第一迭代模块，用于若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1，并跳转至所述迭代变量判断模块；
第二路径优化模块，用于若所述迭代变量等于第二阈值，则基于所述第二路径预测结果使用交换两个二级仓库算子得到第二路径优化结果；
第二成本判断模块，用于判断所述第二路径优化结果的成本是否小于所述第二路径预测结果的成本；
第二替代模块，用于若述第二路径优化结果的成本小于所述第二路径预测结果的成本，则使用所述第二路径优化结果替代所述第二路径预测结果，令所述迭代变量为1，并跳转至所述迭代变量判断模块；
第二迭代模块，用于若所述第一路径优化结果的成本不小于所述第二路径预测结果的成本，则将所述迭代变量加1并跳转至迭代变量判断模块；
输出模块，用于若所述迭代变量等于第三阈值，输出所述第二路径预测结果作为定址寻路的预测结果。
9.一种定址寻路预测设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的定址寻路预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时实现如权利要求1-7任意一项所述的定址寻路预测方法。
CN201911312782.1A 2019-12-18 2019-12-18 定址寻路预测方法、装置、设备和计算机可读存储介质 Active CN111080013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911312782.1A CN111080013B (zh) 2019-12-18 2019-12-18 定址寻路预测方法、装置、设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911312782.1A CN111080013B (zh) 2019-12-18 2019-12-18 定址寻路预测方法、装置、设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111080013A true CN111080013A (zh) 2020-04-28
CN111080013B CN111080013B (zh) 2022-02-22

Family

ID=70315812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911312782.1A Active CN111080013B (zh) 2019-12-18 2019-12-18 定址寻路预测方法、装置、设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111080013B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111558404A (zh) * 2020-05-12 2020-08-21 南方科技大学 微流控芯片液滴路径规划方法、装置、设备及存储介质
CN112907232A (zh) * 2021-04-16 2021-06-04 广东电网有限责任公司清远供电局 电网业务端到端传输可靠性保障方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1855141A (zh) * 2005-04-28 2006-11-01 通用电气公司 用于执行基于模型的多目标资产优化和决策的方法和系统
CN108351999A (zh) * 2015-11-16 2018-07-31 甲骨文国际公司 用于为零售商提供多渠道库存分配途径的系统和方法
CN109919369A (zh) * 2019-02-26 2019-06-21 浙江财经大学 一种电池交换站选址和电动汽车路径规划方法
US20190303819A1 (en) * 2018-04-03 2019-10-03 Portable Intelligence Inc. Systems, methods and apparatus for workflow optimization for use in manufacturing, storage and other applications
CN110378439A (zh) * 2019-08-09 2019-10-25 重庆理工大学 基于Q-Learning算法的单机器人路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1855141A (zh) * 2005-04-28 2006-11-01 通用电气公司 用于执行基于模型的多目标资产优化和决策的方法和系统
CN108351999A (zh) * 2015-11-16 2018-07-31 甲骨文国际公司 用于为零售商提供多渠道库存分配途径的系统和方法
US20190303819A1 (en) * 2018-04-03 2019-10-03 Portable Intelligence Inc. Systems, methods and apparatus for workflow optimization for use in manufacturing, storage and other applications
CN109919369A (zh) * 2019-02-26 2019-06-21 浙江财经大学 一种电池交换站选址和电动汽车路径规划方法
CN110378439A (zh) * 2019-08-09 2019-10-25 重庆理工大学 基于Q-Learning算法的单机器人路径规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111558404A (zh) * 2020-05-12 2020-08-21 南方科技大学 微流控芯片液滴路径规划方法、装置、设备及存储介质
CN111558404B (zh) * 2020-05-12 2022-05-10 南方科技大学 微流控芯片液滴路径规划方法、装置、设备及存储介质
CN112907232A (zh) * 2021-04-16 2021-06-04 广东电网有限责任公司清远供电局 电网业务端到端传输可靠性保障方法、装置、设备及存储介质
CN112907232B (zh) * 2021-04-16 2023-05-30 广东电网有限责任公司清远供电局 电网业务端到端传输可靠性保障方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111080013B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
Alinaghian et al. Multi-depot multi-compartment vehicle routing problem, solved by a hybrid adaptive large neighborhood search
Juan et al. Combining biased randomization with iterated local search for solving the multidepot vehicle routing problem
Li et al. A multistart adaptive memory-based tabu search algorithm for the heterogeneous fixed fleet open vehicle routing problem
Jin et al. Storage yard management in maritime container terminals
Ho et al. A hybrid large neighborhood search for the static multi-vehicle bike-repositioning problem
Zhang et al. Hybrid metaheuristic solutions to inventory location routing problem
Ferreira et al. Two effective simulated annealing algorithms for the location-routing problem
Jin et al. A parallel multi-neighborhood cooperative tabu search for capacitated vehicle routing problems
Lai et al. An heuristic search for the routing of heterogeneous trucks with single and double container loads
CN105157712B (zh) 一种车辆路径的规划方法和规划系统
Expósito-Izquierdo et al. An exact approach for the blocks relocation problem
Aerts et al. The joint order batching and picker routing problem: Modelled and solved as a clustered vehicle routing problem
Hemmelmayr Sequential and parallel large neighborhood search algorithms for the periodic location routing problem
CN111428991B (zh) 用于确定配送车辆的方法和装置
CN111080013B (zh) 定址寻路预测方法、装置、设备和计算机可读存储介质
Schwerdfeger et al. Order picking along a crane-supplied pick face: The SKU switching problem
He et al. An improved MIP heuristic for the intermodal hub location problem
Papazek et al. A PILOT/VND/GRASP hybrid for the static balancing of public bicycle sharing systems
da Silva Firmino et al. A reactive GRASP metaheuristic for the container retrieval problem to reduce crane’s working time
CN109978274A (zh) 调度路径的规划方法
De Armas et al. A hybrid GRASP-VNS for ship routing and scheduling problem with discretized time windows
Tang et al. Solution method for the location planning problem of logistics park with variable capacity
JP2017509043A (ja) グラフデータクエリ方法および装置
Montero et al. An ILP-based local search procedure for the VRP with pickups and deliveries
Guo et al. Storage assignment for newly arrived items in forward picking areas with limited open locations

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
GR01 Patent grant
GR01 Patent grant