CN111080214A - 物流配送路径确定方法、装置及存储介质 - Google Patents
物流配送路径确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111080214A CN111080214A CN202010002602.6A CN202010002602A CN111080214A CN 111080214 A CN111080214 A CN 111080214A CN 202010002602 A CN202010002602 A CN 202010002602A CN 111080214 A CN111080214 A CN 111080214A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- store
- cost
- distribution
- 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 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000002922 simulated annealing Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 18
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/08—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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
一种物流配送路径确定方法包括：确定交通拥堵成本参数，其包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数；根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数；获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数；根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。本发明还提供一种装置及存储介质，可在即使交通拥堵时较快捷的将货物送至门店。
Description
技术领域
本发明涉及车辆路径优化领域，特别涉及一种物流配送路径确定方法、装置及存储介质。
背景技术
随着互联网的快速发展，以“新零售”模式为代表的电子商务已经逐渐进入人们的生活。在“新零售”模式下，门店不对外营业，由总仓的配送中心直接对门店进行配送。但是，由于城市交通的不断发展，路面的车辆越来越多，在进行配送时可能会遇到交通拥堵，这样会影响所述配送中心对所述门店的配送。
发明内容
鉴于以上内容，有必要提供一种物流配送路径确定方法、装置及存储介质，可在即使交通拥堵时较快捷的将货物送至门店。
一种物流配送路径确定方法，所述方法包括：
确定交通拥堵成本参数，所述交通拥堵成本参数包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数；
根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数；
获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数；
根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。
较佳地，所述方法还包括：
建立所述配送模型的函数的约束条件，所述约束条件包括每个门店由一辆车辆进行配送、所有门店全部配送到达、每条配送路线的配送量不超过车辆的最大载重量、及每条配送路线的长度不超过车辆的最大行驶距离；
所述根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线包括：
根据所述约束条件、所述配送模型的函数、及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出所述最优配送路线。
较佳地，所述根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线包括：
生成初始路径；
确定所述初始路径为最优配送路线；
根据所述配送模型的函数确定所述最优配送路线的成本；
生成临时路径；
根据所述配送模型的函数确定所述临时路径的成本；
确定所述临时路径的成本与所述最优配送路线的成本之间的成本差；
根据所述成本差确定所述临时路径是否为最优配送路线；
重新生成临时路径；
若达到预设条件，输出所述最优配送路线。
较佳地，所述生成初始路径包括：
初始化所述车辆的货物总重量为0；
对所述门店进行编码生成门店编码；
生成属于所述门店编码中的随机数；
判断所述随机数是否在所有车辆的路径中；
如果所述随机数不在所有车辆的路径中，根据所述随机数对应的所述门店的所需求的货物重量更新所述车辆的货物总重量；
判断所述车辆是否满足预设约束条件；
若所述车辆满足预设约束条件，将所述随机数新增至所述车辆的路径中，继续生成属于所述门店编码中的随机数、进行随机数判断、并在随机数满足条件时更新所述车辆的货物总重量，而且进行预设约束条件判断直至所述车辆不满足预设约束条件；
若所述车辆不满足预设约束条件，放弃所述随机数，并生成所述车辆的路径；
根据各车辆的路径生成所述初始路径。
较佳地，所述预设约束条件包括：
所述车辆的货物总重量小于或等于所述车辆的最大载重量。
较佳地，所述生成临时路径包括：
生成第一路径；
将所述第一路径与所述最优配送路线进行局部交换生成第二路径；
确定所述门店编码中不在所述第二路径中的遗漏门店编码；
将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径。
较佳地，所述将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径包括：
判断所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和是否小于或等于所述车辆的最大载重量；
若所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和小于或等于所述车辆的最大载重量，将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径。
一种物流配送路径确定装置，所述物流配送路径确定包括：
参数确定模块，用于确定交通拥堵成本参数，所述交通拥堵成本参数包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数；
函数建立模块，用于根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数；
获取模块，用于获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数；
路线确定模块，用于根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项所述方法的步骤。
本发明通过根据交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数，并根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线，可在即使交通拥堵时较快捷的将货物送至门店。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明一实施例的物流配送路径确定装置的方框图。
图2是本发明一实施例的物流配送路径确定方法的流程图。
图3是图2中根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线的流程图。
图4是图2中生成初始路径的流程图。
图5是本发明一实施例的电子装置的方框图。
主要元件符号说明
物流配送路径确定装置 10
参数确定模块 110
函数建立模块 120
获取模块 130
路线确定模块 140
电子装置 1
处理器 30
存储器 40
计算机程序 50
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅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做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。
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所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
图1为本发明一实施例的物流配送路径确定装置的方框图。所述物流配送路径确定装置10包括参数确定模块110、函数建立模块120、获取模块130、及路线确定模块140。所述参数确定模块110用于确定交通拥堵成本参数，所述交通拥堵成本参数包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数。所述函数建立模块120用于根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数。所述获取模块130用于获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数。所述路线确定模块140用于根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。
以下将结合一种物流配送路径确定方法来详细描述模块110-130的具体功能。
图2为本发明一实施例的物流配送路径确定方法的流程图。所述方法应用于电子装置中，所述电子装置可以是个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)等。如图2所示，所述物流配送路径确定方法可包括以下步骤：
S201：确定交通拥堵成本参数，所述交通拥堵成本参数包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数。
在本实施例中，在物流配送过程中，每辆车辆从总仓出发，经过配送的门店，最后回到总仓。在本实施例中，不同时段的拥堵系数可相同或不同，相同时段不同行驶路线的拥堵系数可相同或不同。
S202：根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数。
在本实施例中，所述方法还包括：
根据所述交通拥堵成本参数确定交通拥堵成本；
确定所述等待成本；
确定所述延迟成本。
在本实施例中，根据所述交通拥堵成本参数确定所述交通拥堵成本包括：根据公式
确定所述交通拥堵成本，其中，q1为所述交通拥堵成本，n为门店数，m为车辆数，c0为车辆每公里运输成本，dij为车辆在门店i与j之间的行驶路线的距离，cijk为第k辆车辆经过门店i与j之间行驶路线时的拥堵系数，xijk为第k辆车辆是否经过门店i与j之间行驶路线，其中j可为门店或者总仓。
在本实施例中，所述确定所述等待成本包括：根据公式
确定所述等待成本，其中，q2为所述等待成本，c1为在Ei之前到达门店i时车辆等待的每小时的成本，n为门店数，Ei为允许的车辆最早到达门店i的时间，ti为车辆到达门店i的时间。
在本实施例中，所述确定所述延迟成本包括：根据公式
确定所述延迟成本，其中，q3为所述延迟成本，c2为在li之后到达门店i时车辆延迟的每小时的成本，n为门店数，li为允许的车辆最晚到达门店i的时间，ti为车辆到达门店i的时间。
在本实施例中，所述根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数包括：根据公式
建立配送模型的函数。
其中，z为配送总费用，n为门店数，m为车辆数，c0为车辆每公里运输成本，dij为车辆经过门店i与j之间的行驶路线时的距离，cijk为第k辆车辆经过门店i与j之间行驶路线时的拥堵系数，xijk为第k辆车辆是否经过门店i与j之间行驶路线，其中若第k辆车辆经过门店i与j之间行驶路线，取值为1，若第k辆车辆没有经过门店i与j之间行驶路线，取值为0；c1为在Ei之前到达门店i时车辆等待的每小时的成本，Ei为允许的车辆最早到达门店i的时间，ti为车辆到达门店i的时间；c2为在li之后到达门店i时车辆延迟的每小时的成本，li为允许的车辆最晚到达门店i的时间，其中j可为门店或者总仓。
在本实施例中，所述方法还包括：
定义第一变量，所述定义第一变量包括定义xijk为第k辆车辆是否经过门店i与j之间行驶路线，其中若第k辆车辆经过门店i与j之间行驶路线，xijk取值为1，若第k辆车辆没有经过门店i与j之间行驶路线，xijk取值为0，其中j可为门店或者总仓。
在本实施例中，所述方法还包括：
定义第二变量，所述定义第二变量包括定义yik为门店i是否由第k辆车辆配送，其中，若门店i由第k辆车辆配送，yik取值为1，若门店i不是由第k辆车辆配送，yik取值为0。
在本实施例中，所述定义第一变量包括：
通过公式xijk＝0或1(i≠j)定义第一变量。其中，xijk为第k辆车辆是否经过门店i与j之间行驶路线，其中若第k辆车辆经过门店i与j之间行驶路线，xijk取值为1，若第k辆车辆没有经过门店i与j之间行驶路线，xijk取值为0，其中j可为门店或者总仓。
在本实施例中，所述定义第二变量包括：
通过公式yik＝0或1定义所述第二变量，其中，yik为门店i是否由第k辆车辆配送，其中若门店i由第k辆车辆配送，yik取值为1，若门店i不是由第k辆车辆配送，yik取值为0。
在本实施例中，所述方法还包括：
建立所述配送模型的函数的约束条件，所述约束条件包括每个门店由一辆车辆进行配送、所有门店全部配送到达、每条配送路线的配送量不超过车辆的最大载重量、及每条配送路线的长度不超过车辆的最大行驶距离；
所述根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线包括：
根据所述约束条件、所述配送模型的函数、及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出所述最优配送路线。
在本实施例中，所述建立所述配送模型的函数的约束条件，所述约束条件包括每个门店由一辆车辆进行配送、所有门店全部配送到达、每条配送路线的配送量不超过车辆的最大载重量、及每条配送路线的长度不超过车辆的最大行驶距离包括：
建立每个门店由一辆车辆进行配送的约束条件；
建立所有门店全部配送到达的约束条件；
建立每条配送路线的配送量不超过车辆的最大载重量的约束条件；
建立每条配送路线的长度不超过车辆的最大行驶距离的约束条件。
在本实施例中，所述建立每个门店由一辆车辆进行配送的约束条件包括：
根据公式
建立每个门店由一辆车辆进行配送的约束条件，其中，m为车辆数，yik为门店i是否由第k辆车辆配送。
在本实施例中，所述建立每个门店由一辆车辆进行配送的约束条件还包括：
根据公式
及公式
建立每个门店由一辆车辆进行配送的约束条件，其中，n为门店数，xijk为第k辆车辆是否经过门店i与门店j之间行驶路线，yik为门店i是否由第k辆车辆配送。
在本实施例中，所述建立所有门店全部配送到达的约束条件包括：
根据公式
建立所有门店全部配送到达的约束条件，其中，n为门店数，m为车辆数，yik为门店i是否由第k辆车辆配送。
在本实施例中，所述建立每条配送路线的配送量不超过车辆的最大载重量的约束条件包括：
根据公式
建立每条配送路线的配送量不超过车辆的最大载重量的约束条件，其中，n为门店数，gi为门店i所需求的货物重量，xijk为第k辆车辆是否经过门店i与j之间行驶路线，Qk为第k辆车辆的最大载重量，其中j可为门店或者总仓。
在本实施例中，所述建立每条配送路线的长度不超过车辆的最大行驶距离的约束条件包括：
根据公式
建立每条配送路线的长度不超过车辆的最大行驶距离的约束条件，其中，n为门店数，xijk为第k辆车辆是否经过门店i与j之间行驶路线，dij为车辆在门店i与j之间的行驶路线的距离，D为车辆的最大行驶距离，其中j可为门店或者总仓。
S203：获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数。
在本实施例中，所述车辆信息包括车辆数，所述门店信息包括门店数。
在本实施例中，所述获取所述物流的基本信息还包括：
获取所述物流的基本信息，所述物流的基本信息还包括各门店的位置信息。
在本实施例中，所述获取所述物流的基本信息还包括：
获取所述物流的基本信息，所述物流的基本信息还包括允许的车辆最早到达各门店的时间、在允许的车辆最早到达各门店的时间之前到达门店时车辆等待的每小时的成本、允许的车辆最晚到达各门店的时间、及在允许的车辆最晚到达各门店的时间之后到达门店时车辆延迟的每小时的成本。
S204：根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。
如图3所示，所述根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线包括：
S301：生成初始路径。
在本实施例中，所述生成初始路径包括：
生成所述车辆的路径；
根据所述车辆的路径生成所述初始路径。
在本实施例中，若所有车辆的最大载重量或所有车辆的最大行驶距离不同，依序逐一生成所述车辆的路径。若所有车辆的最大载重量及所有车辆的最大行驶距离皆相同，随机生成所述车辆的路径。在本实施例中，在生成所有车辆的路径后，根据所述车辆的路径生成所述初始路径。
具体地，如图4所示，所述生成初始路径包括：
S401：初始化所述车辆的货物总重量为0。
在本实施例中，在生成所述车辆的路径时，首先初始化所述车辆的货物总重量为0。例如，在生成第一辆车辆的路径时，首先初始化所述第一辆车辆的货物总重量为0，在生成第三辆车辆的路径时，首先初始化所述第三辆车辆的货物总重量为0。
S402：对所述门店进行编码生成门店编码。
在本实施例中，所述对所述门店进行编码生成门店编码包括采用自然数编码方式对所述门店进行编码生成门店编码。例如，若所述门店数为9个，则所述门店编码为1、2、3、4、5、6、7、8、9。
S403：生成属于所述门店编码中的随机数。
在本实施例中，所述生成属于所述门店编码中的随机数可为，例如，随机生成9。
S404：判断所述随机数是否在所有车辆的路径中。
在本实施例中，所述判断所述随机数是否在所有车辆的路径中可为，例如，所述车辆为第三辆车辆，所述随机数为9，判断9是否在所有第三辆车辆及其他车辆已经选中的路径中。
S405：如果所述随机数不在所有车辆的路径中，根据所述随机数对应的所述门店的所需求的货物重量更新所述车辆的货物总重量。
在本实施例中，如果所述随机数在所有车辆的路径中，继续生成属于所述门店编码中的随机数，并进行随机数判断直至所述随机数不在所有车辆的路径中。
在本实施例中，根据所述随机数对应的所述门店的所需求的货物重量更新所述车辆的货物总重量可为，例如，若所述随机数为9，则根据所述随机数9对应的所述门店的所需求的货物重量1.7吨更新所述车辆的货物总重量。
在本实施例中，所述根据所述门店的所需求的货物重量更新所述车辆的货物总重量包括：
更新所述车辆的货物总重量为suml＝suml-1+gi，其中，suml为所述车辆的货物总重量，suml-1为前一次计算的所述车辆的货物总重量，gi为所述随机数对应的所述门店i的所需求的货物重量。
S406：判断所述车辆是否满足预设约束条件。
在本实施例中，所述预设约束条件包括：
所述车辆的货物总重量小于或等于所述车辆的最大载重量。
在本实施例中，所述方法还包括：
确定所述随机数对应的门店与所述车辆的路径中的最后一个门店编码对应的门店之间的门店距离；
根据所述门店距离更新所述车辆的行驶路线的总距离。
在本实施例中，所述预设约束条件还包括：
所述车辆的行驶路线的总距离小于或等于所述车辆的最大行驶距离。
S407：若所述车辆满足预设约束条件，将所述随机数新增至所述车辆的路径中，继续生成属于所述门店编码中的随机数、进行随机数判断、并在随机数满足条件时更新所述车辆的货物总重量，而且进行预设约束条件判断直至所述车辆不满足预设约束条件。
例如，若原所述车辆的路径为123，所述随机数为9，所述车辆满足预设约束条件，则将所述随机数9新增至所述车辆的路径中，所述车辆的路径更新为1239，继续生成属于所述门店编码中的随机数7，并判断所述随机数7不在所有车辆的路径中，并判断所述车辆不满足预设约束条件，生成所述车辆的路径1239。
S408：若所述车辆不满足预设约束条件，放弃所述随机数，并生成所述车辆的路径。
在本实施例中，若所述车辆不满足预设约束条件可为所述车辆不满足所述车辆的货物总重量小于或等于所述车辆的最大载重量。在本实施例中，若所述车辆不满足预设约束条件可为所述车辆不满足所述车辆的货物总重量小于或等于所述车辆的最大载重量及所述车辆的行驶路线的总距离小于或等于所述车辆的最大行驶距离。所述放弃所述随机数，并生成所述车辆的路径为不添加所述随机数至所述车辆的路径中，并根据原所述车辆的路径生成所述车辆的路径。例如，若原所述车辆的路径为123，所述随机数为9，所述车辆不满足预设约束条件，放弃所述随机数9，并生成所述车辆的路径123。
S409：根据各车辆的路径生成所述初始路径。
在本实施例中，所述根据各车辆的路径生成所述初始路径包括：
将各车辆的路径组合生成所述初始路径。
在本实施例中，所述将各车辆的路径组合生成所述初始路径包括：
对所述总仓进行编码生成总仓编码；
在每辆车辆的路径的前后插入所述总仓编码生成新的车辆的路径；
按车辆的顺序将所有新的车辆的路径组合来生成组合路径；
删除所述组合路径中相邻重复的总仓编码来生成所述初始路径。
S302：确定所述初始路径为最优配送路线。
所述确定所述初始路径为最优配送路线为确定所述初始路径为当前的最优配送路线。
S303：根据所述配送模型的函数确定所述最优配送路线的成本。
在本实施例中，所述根据所述配送模型的函数确定所述最优配送路线的成本包括：
根据所述配送模型的函数及所述配送模型的函数的约束条件确定所述最优配送路线的成本。
S304：生成临时路径。
在本实施例中，所述生成临时路径包括：
生成第一路径；
将所述第一路径与所述最优配送路线进行局部交换生成第二路径；
确定所述门店编码中不在所述第二路径中的遗漏门店编码；
将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径。
在本实施例中，所述生成第一路径为按照生成初始路径的方法生成所述第一路径。
在本实施例中，所述生成临时路径可为，例如：
所述最优配送路线为0987065403210，则生成所述第一路径0450321609870，将所述第一路径0450321609870与所述最优配送路线0987065403210进行局部交换生成第二路径045065409870，确定所述门店编码中不在所述第二路径中的遗漏门店编码123，将所述第二路径045065409870中的重复的门店编码45替换为所述遗漏门店编码123生成所述临时路径0123065409870。
在本实施例中，所述将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径包括：
判断所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和是否小于或等于所述车辆的最大载重量；
若所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和小于或等于所述车辆的最大载重量，将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径；
若所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和大于所述车辆的最大载重量，将超过所述车辆的最大载重量的所需求的货物重量的门店的门店编码移动至下一辆车的路径中，并继续进行下一辆车的货物重量总和的判断直至有一辆车的货物重量总和小于或等于所述车辆的最大载重量或所有车辆确定完成。
在本实施例中，若所有车辆确定完成，重新生成所述临时路径。
所述将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径还包括：
判断所述遗漏门店编码与所述车辆的路径中的门店编码所形成的车辆的行驶路线的总距离是否小于或等于所述车辆的最大行驶距离；
若所述遗漏门店编码与所述车辆的路径中的门店编码所形成的车辆的行驶路线的总距离小于或等于所述车辆的最大行驶距离，将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径；
若所述遗漏门店编码与所述车辆的路径中的门店编码所形成的车辆的行驶路线的总距离大于所述车辆的最大行驶距离，将超过所述车辆的最大行驶距离的门店编码移动至下一辆车的路径中，并继续进行下一辆车的总距离的判断直至有一辆车的总距离小于或等于所述车辆的最大行驶距离或所有车辆确定完成。
S305：根据所述配送模型的函数确定所述临时路径的成本。
在本实施例中，所述根据所述配送模型的函数确定所述临时路径的成本包括：
根据所述配送模型的函数及所述配送模型的函数的约束条件所述临时路径的成本。
S306：确定所述临时路径的成本与所述最优配送路线的成本之间的成本差。
S307：根据所述成本差确定所述临时路径是否为最优配送路线。
在本实施例中，所述根据所述成本差确定所述临时路径是否为最优配送路线包括：
a1：判断所述成本差是否小于零。如果所述成本差小于零，执行步骤b1，如果所述成本差大于或等于零，执行步骤c1。
b1：确定所述临时路径为最优配送路线。
c1：根据公式p＝exp(-ΔE/f)来确定概率。
d1：生成随机数。
e1：判断所述概率是否大于所述随机数。如果所述概率大于所述随机数，执行步骤f1，如果所述概率小于或等于所述随机数，执行步骤g1。
f1：确定所述临时路径为最优配送路线。
g1：确定原最优配送路线为最优配送路线。
例如，原最优配送路线为0123045607890，所述临时路径为0256048901370，原最优配送路线成本为89003，临时路径成本为90163，成本差为1160，则确定概率p为exp(-ΔE/f)＝exp(-1160/89003)，即0.8005，生成随机数0.5，确定所述概率0.8005大于所述随机数0.5，确定0123045607890为最优配送路线。
S308：重新生成临时路径。
在本实施例中，所述重新生成临时路径为按照生成初始路径的方法重新生成临时路径。
S309：若达到预设条件，输出所述最优配送路线。
优选地，所述预设条件可为所述最优配送路线的成本小于预设值，或者可为所述成本差大于0的连续次数大于或等于预定值。在本实施例中，所述预定值可以为5次，也可以为其他值，可依具体需求而定。
下面结合具体实施例对本发明的物流配送路径确定方法进行详述：
实施例
本实施例以n＝12，m＝5，c0＝8元/千米，c1＝100元/小时，c2＝150元/小时为例进行说明。在本实施例中，配送中心拥有最大载重量4t的车辆5辆，每辆车辆的最大行驶距离为100km，向12个门店配送货物。车辆每公里运输成本c0为8元/千米，c1＝100元/千米，c2＝150元/千米。路面拥堵系数为:8:00～9:00路面拥堵系数1.3，9:00～10:00路面拥堵系数1.2，下午17:00～19:00路面拥堵系数1.4，其他时间段路面拥堵系数为1.0。配送中心标号为0，即为门店0，配送总仓位置坐标(0,0)。各门店的位置坐标、需求的货物重量、服务时间、时间窗的详细信息表1所示。
表1详细信息
| 门店 | 坐标 | 需求的货物重量/t | 服务时间/h | 时间窗 |
| 1 | (97,78) | 1.7 | 0.6 | 6:00～8:00 |
| 2 | (63,50) | 1.32 | 0.5 | 7:00～8:00 |
| 3 | (111,52) | 1.4 | 0.4 | 9:00～10:00 |
| 4 | (105,64) | 1.8 | 0.7 | 7:00～8:00 |
| 5 | (89,41) | 1.0 | 0.3 | 8:00～9:00 |
| 6 | (50,47) | 1.65 | 0.4 | 9:00～10:00 |
| 7 | (89,41) | 1.2 | 0.4 | 9:00～11:00 |
| 8 | (50,47) | 1.1 | 0.3 | 7:00～8:00 |
| 9 | (78,33) | 2.0 | 0.8 | 9:00～11:00 |
| 10 | (73,28) | 0.5 | 0.2 | 17:00～18:00 |
| 11 | (116,49) | 0.4 | 0.3 | 17:00～19:00 |
| 12 | (96,38) | 2.9 | 0.8 | 18:00～19:00 |
其中，配送总仓每天6点统一发货，从发货时间开始计算，车辆从配送总仓出发，经过各门店后回到总仓，需要输出总成本最小的最优配送路线。实现方式如下：
S1随机生成初始路径：0-1-5-0-2-7-8-0-6-3-0-4-9-0-10-12-11-0。
S2计算当前路径的成本
S3随机生成路径，如0-3-9-10-0-4-1-0-7-2-5-0-11-6-4-0-8-12-0，将其“隔段交换”。
如：
0-1-5-0-2-7-8-0-6-3-0-4-9-0-10-12-11-0
0-3-9-10-0-4-1-0-7-2-5-0-11-6-4-0-8-12-0
——>0-3-9-10-0-2-7-8-0-7-2-5-0-4-9-0-8-12-0。
然后确定遗漏门店：1、6、11。
然后增添遗漏门店：0-3-9-10-0-2-7-8-0-1-5-0-4-6-0-11-12-0。
最终，形成临时路径：0-3-9-10-0-2-7-8-0-1-5-0-4-6-0-11-12-0。
计算所述临时路径的总成本。
计算所述临时路径的总成本的方法如下：
第一辆车的成本：
0-3:
行车时间：
停留事件窗：门店3时间窗9:00～10:00；
到达门店3时间：6:00+3.06h＝9:04；
离开门店3时间：9:04+0.4h＝9:28；
无等待成本和延迟成本。
总成本：
3-9：
行车时间为：
停留事件窗：门店9时间窗9:00～11:00；
到达门店9时间：9:28+0.951h＝10:25；
离开门店9时间：10:25+0.8h＝11:13；
存在延迟成本：13/60h*150元/h＝32.5元。
总成本：
9-10：
行车时间为：
停留事件窗：门店10时间窗17:00～18:00；
到达门店10时间：11:13+0.176h＝11:24；
存在等待成本：(17:00-11:24)*100＝560元；
离开门店10时间：17:00+0.2h＝17:12；
无延迟成本。
总成本：
10-0：
总成本：
第二辆车的成本：
0-2：
行车时间：
停留事件窗：门店2时间窗7:00～8:00；
到达门店2时间：6:00+2.01h＝8:00；
离开门店2时间：8:00+0.5h＝8:30；
存在延迟成本：(8:30-8:00)h*150元/h＝75元。
总成本：
2-7：
行车时间：
停留事件窗：门店7时间窗9:00～11:00；
到达门店7时间：8:30+0.68h＝9:11；
离开门店7时间：9:11+0.4h＝9:35；
无等待成本和延迟成本。
总成本：
7-8：
行车时间：
停留事件窗：门店8时间窗7:00～8:00；
到达门店8时间：9:35+0.98h＝10:34；
离开门店8时间：10:34+0.3h＝10:52；
存在延迟成本：(10:52-8:00)h*150元/h＝429元。
总成本：
8-0：
总成本：
第三辆车的成本：
0-1：
行车时间：
停留事件窗：门店1时间窗6:00～8:00；
到达门店1时间：6:00+3.11h＝9:07；
离开门店1时间：9:07+0.6h＝9:43；
存在延迟成本：(9:43-8:00)h*150元/h＝256.5元。
总成本：
1-5：
行车时间：
停留事件窗：门店5时间窗8:00～9:00；
到达门店5时间：9:43+0.94h＝10:39；
离开门店5时间：10:39+0.3h＝10:57；
存在延迟成本：(10:57-9:00)h*150元/h＝298元。
总成本：
5-0：
总成本：
第四辆车的成本：
0-4：
行车时间：
停留事件窗：门店4时间窗7:00～8:00；
到达门店4时间：6:00+3.07h＝9:04；
离开门店4时间：9:04+0.7h＝9:46；
存在延迟成本：(9:46-8:00)h*150元/h＝265元。
总成本：
4-6：
行车时间：
停留事件窗：门店6时间窗9:00～10:00；
到达门店6时间：9:46+1.44h＝11:12；
离开门店6时间：11:12+0.4h＝11:36；
存在延迟成本：(11:36-8:00)h*150元/h＝540元。
总成本：
1-0：
总成本：
第五辆车的成本：
0-11：
行车时间：
停留事件窗：门店11时间窗17:00～19:00；
到达门店11时间：6:00+3.14h＝9:09；
存在等待成本：(17:00-9:09)h*100元/h＝785元；
离开门店11时间：17:00+0.3h＝17:18。
总成本：
11-12：
行车时间：
停留事件窗：门店12时间窗18:00～19:00；
到达门店12时间：17:18+0.57h＝17:52；
存在等待成本：(18:00-17:52)h*100元/h＝13元；
离开门店12时间：17:52+0.8h＝18:40。
总成本：
12-0：
总成本：
则，五辆车的总成本为：
1225.76+367.59+616.56+875.67+718+286.14+776.23+548.97+1351.84+600.83+783+1494.67+1000.53+649.72+2044.24+268.64+825.97＝14434.35。
即：
S4计算ΔE＝fnew-f＝14434-5212＝9222，发现ΔE>0；
则，计算p＝exp(-ΔE/f)＝0.17，生成[0,1]之间的随机数r＝0.5，0.17<0.5，所以拒绝fnew作为新路径。
重复进行S3-S4，直到连续5次无法继续优化，输出最优配送路线：
0-1-5-0-2-7-8-0-6-3-0-4-9-0-10-12-11-0。
本案通过考虑交通拥堵情况，可在即使交通拥堵时较快捷的将货物送至门店；通过每次随机生成可行路径，并和原最优配送路线融合，确定新最优配送路线，保证了随机性，同时由于每次路径优化都在前面生成的路径上进行优化，具有方向性。
图5为本发明一实施例的电子装置的方框图。
所述电子装置1包括：至少一个处理器30、存储器40、及存储在所述存储器40中并可在所述至少一个处理器30上运行的计算机程序50。所述至少一个处理器30执行所述计算机程序50时实现上述方法实施例中的步骤。或者，所述至少一个处理器30执行所述计算机程序50时实现上述装置实施例中的各模块的功能。
示例性的，所述计算机程序50可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器40中，并由所述至少一个处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序50在所述电子装置1中的执行过程。例如，所述计算机程序50可以被分割成模块，各模块具体功能参见所述物流配送路径确定装置实施例。
所述电子装置1可以为任何一种电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)等。本领域技术人员可以理解，所述示意图5仅是电子装置1的示例，并不构成对电子装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置1还可以包括输入输出设备、网络接入设备、总线等。
所述至少一个处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述处理器30可以是微处理器或者该处理器30也可以是任何常规的处理器等，所述处理器30是所述电子装置1的控制中心，利用各种接口和线路连接整个电子装置1的各个部分。
所述存储器40可用于存储所述计算机程序50和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器40内的计算机程序和/或模块/单元，以及调用存储在存储器40内的数据，实现所述电子装置1的各种功能。所述存储器40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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器40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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子装置1集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)等。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，所述单元的划分，仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神范围。
Claims (9)
1.一种物流配送路径确定方法，其特征在于，所述方法包括：
确定交通拥堵成本参数，所述交通拥堵成本参数包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数；
根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数；
获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数；
根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。
2.如权利要求1所述的物流配送路径确定方法，其特征在于，所述方法还包括：
建立所述配送模型的函数的约束条件，所述约束条件包括每个门店由一辆车辆进行配送、所有门店全部配送到达、每条配送路线的配送量不超过车辆的最大载重量、及每条配送路线的长度不超过车辆的最大行驶距离；
所述根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线包括：
根据所述约束条件、所述配送模型的函数、及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出所述最优配送路线。
3.如权利要求1所述的物流配送路径确定方法，其特征在于，所述根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线包括：
生成初始路径；
确定所述初始路径为最优配送路线；
根据所述配送模型的函数确定所述最优配送路线的成本；
生成临时路径；
根据所述配送模型的函数确定所述临时路径的成本；
确定所述临时路径的成本与所述最优配送路线的成本之间的成本差；
根据所述成本差确定所述临时路径是否为最优配送路线；
重新生成临时路径；
若达到预设条件，输出所述最优配送路线。
4.如权利要求3所述的物流配送路径确定方法，其特征在于，所述生成初始路径包括：
初始化所述车辆的货物总重量为0；
对所述门店进行编码生成门店编码；
生成属于所述门店编码中的随机数；
判断所述随机数是否在所有车辆的路径中；
如果所述随机数不在所有车辆的路径中，根据所述随机数对应的所述门店的所需求的货物重量更新所述车辆的货物总重量；
判断所述车辆是否满足预设约束条件；
若所述车辆满足预设约束条件，将所述随机数新增至所述车辆的路径中，继续生成属于所述门店编码中的随机数、进行随机数判断、并在随机数满足条件时更新所述车辆的货物总重量，而且进行预设约束条件判断直至所述车辆不满足预设约束条件；
若所述车辆不满足预设约束条件，放弃所述随机数，并生成所述车辆的路径；
根据各车辆的路径生成所述初始路径。
5.如权利要求4所述的物流配送路径确定方法，其特征在于，所述预设约束条件包括：
所述车辆的货物总重量小于或等于所述车辆的最大载重量。
6.如权利要求4所述的物流配送路径确定方法，其特征在于，所述生成临时路径包括：
生成第一路径；
将所述第一路径与所述最优配送路线进行局部交换生成第二路径；
确定所述门店编码中不在所述第二路径中的遗漏门店编码；
将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径。
7.如权利要求6所述的物流配送路径确定方法，其特征在于，所述将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径包括：
判断所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和是否小于或等于所述车辆的最大载重量；
若所述遗漏门店编码对应的门店的所需求的货物重量与所述车辆的路径中的门店编码对应的门店的所需求的货物重量的总和小于或等于所述车辆的最大载重量，将所述第二路径中的重复的门店编码替换为所述遗漏门店编码生成所述临时路径。
8.一种物流配送路径确定装置，其特征在于，所述物流配送路径确定包括：
参数确定模块，用于确定交通拥堵成本参数，所述交通拥堵成本参数包括车辆每公里运输成本参数、每辆车辆的行驶路线的总距离参数、及每辆车辆经过各行驶路线时的拥堵系数参数；
函数建立模块，用于根据所述交通拥堵成本参数、等待成本及延迟成本建立配送模型的函数；
获取模块，用于获取所述物流的基本信息，所述物流的基本信息包括车辆信息、门店信息、每个门店所需求的货物重量、每辆车辆的最大载重量、车辆的最大行驶距离、车辆每公里运输成本、及每辆车辆经过各行驶路线时的拥堵系数；
路线确定模块，用于根据所述配送模型的函数及所述物流的基本信息采用模拟退火算法对配送路径进行优化，输出最优配送路线。
9.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010002602.6A CN111080214A (zh) | 2020-01-02 | 2020-01-02 | 物流配送路径确定方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010002602.6A CN111080214A (zh) | 2020-01-02 | 2020-01-02 | 物流配送路径确定方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111080214A true CN111080214A (zh) | 2020-04-28 |
Family
ID=70322138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010002602.6A Pending CN111080214A (zh) | 2020-01-02 | 2020-01-02 | 物流配送路径确定方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080214A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112766616A (zh) * | 2021-03-15 | 2021-05-07 | 中海石油(中国)有限公司 | 一种基于模拟退火算法的钻井平台拖航路径规划方法 |
| CN112801592A (zh) * | 2021-02-09 | 2021-05-14 | 北京橙心无限科技发展有限公司 | 规划配送路径的方法和装置 |
| CN113762564A (zh) * | 2020-08-07 | 2021-12-07 | 北京京东乾石科技有限公司 | 货物的输送方法、装置、计算设备及介质 |
| CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
| CN114240301A (zh) * | 2021-12-21 | 2022-03-25 | 北京京东振世信息技术有限公司 | 任务处理方法、装置、电子设备和存储介质 |
| CN115081995A (zh) * | 2022-07-27 | 2022-09-20 | 成都运荔枝科技有限公司 | 用于冷链物流的车辆调度方法、装置及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803136A (zh) * | 2017-01-24 | 2017-06-06 | 苏州工业职业技术学院 | 一种基于混合遗传算法的生鲜配送实时优化方法 |
| 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 |
| CN107977739A (zh) * | 2017-11-22 | 2018-05-01 | 深圳北斗应用技术研究院有限公司 | 物流配送路径的优化方法、装置及设备 |
| 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 |
| CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
| CN109816315A (zh) * | 2019-02-22 | 2019-05-28 | 拉扎斯网络科技（上海）有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
| CN110097231A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 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 |
-
2020
- 2020-01-02 CN CN202010002602.6A patent/CN111080214A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106803136A (zh) * | 2017-01-24 | 2017-06-06 | 苏州工业职业技术学院 | 一种基于混合遗传算法的生鲜配送实时优化方法 |
| 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 |
| CN107977739A (zh) * | 2017-11-22 | 2018-05-01 | 深圳北斗应用技术研究院有限公司 | 物流配送路径的优化方法、装置及设备 |
| 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 |
| CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
| CN109816315A (zh) * | 2019-02-22 | 2019-05-28 | 拉扎斯网络科技（上海）有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
| CN110097231A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 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 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762564A (zh) * | 2020-08-07 | 2021-12-07 | 北京京东乾石科技有限公司 | 货物的输送方法、装置、计算设备及介质 |
| CN112801592A (zh) * | 2021-02-09 | 2021-05-14 | 北京橙心无限科技发展有限公司 | 规划配送路径的方法和装置 |
| CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
| CN112766616A (zh) * | 2021-03-15 | 2021-05-07 | 中海石油(中国)有限公司 | 一种基于模拟退火算法的钻井平台拖航路径规划方法 |
| CN114240301A (zh) * | 2021-12-21 | 2022-03-25 | 北京京东振世信息技术有限公司 | 任务处理方法、装置、电子设备和存储介质 |
| CN115081995A (zh) * | 2022-07-27 | 2022-09-20 | 成都运荔枝科技有限公司 | 用于冷链物流的车辆调度方法、装置及电子设备 |
| CN115081995B (zh) * | 2022-07-27 | 2023-04-07 | 成都运荔枝科技有限公司 | 用于冷链物流的车辆调度方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080214A (zh) | 物流配送路径确定方法、装置及存储介质 | |
| Cattaruzza et al. | The multi-trip vehicle routing problem with time windows and release dates | |
| Colorni et al. | Modeling and optimizing dynamic dial‐a‐ride problems | |
| CN110390409A (zh) | 配送方案的确定方法、装置以及计算机可读存储介质 | |
| CA2985643A1 (en) | Parallel processing for solution space partitions | |
| Friedrich et al. | Adaptive large neighborhood search for vehicle routing problems with transshipment facilities arising in city logistics | |
| AU2016333979B2 (en) | Parallel processing for solution space partitions | |
| CN110490381B (zh) | 基于混合整数规划的公交主干线规划方法 | |
| CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
| CN113077103A (zh) | 运输网络规划方法和装置 | |
| CN110826951A (zh) | 运输线路配载方法、装置、电子设备及计算机可读介质 | |
| CN113177752B (zh) | 一种路线规划方法、装置及服务器 | |
| CN109670900A (zh) | 一种短途货运订单推送方法及服务器 | |
| CN113780676A (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
| CN112906980A (zh) | 订单处理方法、装置、系统及可读存储介质 | |
| CN115511319A (zh) | 共享单车调度方法、装置、电子设备及存储介质 | |
| CN114676911A (zh) | 一种运输车辆行车路线确定方法及装置 | |
| Xue | An adaptive ant colony algorithm for crowdsourcing multi-depot vehicle routing problem with time windows | |
| CN113739812B (zh) | 配送计划生成方法、装置、系统及计算机可读存储介质 | |
| CN115080550B (zh) | 路网交通量分配方法及装置 | |
| CN114662878A (zh) | 一种运钞车分配方法和装置 | |
| Watel et al. | Taxi-sharing: Parameterized complexity and approximability of the dial-a-ride problem with money as an incentive | |
| CN110334723B (zh) | 一种动态增加的行李取送订单调度方法 | |
| CN111199321A (zh) | 运输网络的优化方法、装置、介质及计算机设备 | |
| JP2003285930A (ja) | 輸送計画作成方法およびシステム |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240524 |