CN111260276A - 一种快速进行实时动态路线规划的物流方法和系统 - Google Patents

Abstract

本发明提供了一种快速进行实时动态路线规划的物流方法，包括如下步骤：S1、基于已有物流信息规划基础配送方案；S2、监测执行基础配送方案的过程中接收到的意外事件信息；S3、根据接收到的意外事件信息，基于当前状态信息调用算法引擎在最小路线波动下重新平衡优化路线，得到更新配送方案；S4、监测执行更新配送方案的过程中接收到的意外事件信息，以在执行的更新配送方案为基础，重复步骤S3获取新的更新配送方案，直至配送完成。

Description

一种快速进行实时动态路线规划的物流方法和系统

技术领域

本发明涉及物流技术领域，尤其涉及一种快速进行实时动态路线规划的物 流方法和系统。

背景技术

在经济社会发展的背景下，异地或本地的货物流通需求不断增长，物流运输 逐渐成为越来越重要的一环，相应的物流方案的规划需求也越来越大。为了应对 这个问题，市面上已然出现了许多智能物流系统，利用计算机强大的运算能力来 快速的给出整体物流规划方案。

然而，现有的路线规划方案，一般仅涉及到根据已有条件进行路线规划，而 在涉及实时动态路线规划问题方面，却鲜有高效的解决方案。所谓的实时动态路 线规划问题是指，当司机按原有路线规划方案进行配送时，出现了某些意外事件， 此时仍然按照原有方案继续执行显然不是一个好的方案，需要系统实时对路线 进行重新规划。

实时路线规划问题需要考虑多方面的成本，不仅仅要在较短的时间内给出 新的路线，还要求新的路线与原路线的差异不能过大。此时用现有的优化方法显 然不能解决该问题。

发明内容

针对上述问题，本发明提出了一种在执行原有配送方案的过程中出现意外 问题时，快速解决并实时提供新的配送方案的物流方法和系统。

本发明的第一个方面提供了一种快速进行实时动态路线规划的物流方法， 包括如下步骤：

S1、基于已有物流信息规划基础配送方案；

S2、监测执行基础配送方案的过程中接收到的意外事件信息；

S3、根据接收到的意外事件信息，基于当前状态信息调用算法引擎在最小路 线波动下重新平衡优化路线，得到更新配送方案；

S4、监测执行更新配送方案的过程中接收到的意外事件信息，以在执行的更 新配送方案为基础，重复步骤S3获取新的更新配送方案，直至配送完成。

进一步的，所述已有物流信息包括但不限于仓库信息、客户信息、货物信息 和车辆信息。

进一步的，所述车辆信息包括但不限于车辆名称、车辆型号、车辆车厢体积、 车辆载重量、车辆司机的工作时间和车辆的计价方式。

进一步的，所述基础配送方案但不限于车辆的选择、路线的选择、仓库装卸 载货物清单和时间，以及客户配送点装卸载货物清单和时间。

进一步的，所述当前状态信息包括订单信息、车辆载货信息、车辆位置信息 以及最新路线状态信息。

进一步的，步骤S3具体包括：

S31、根据接收到的意外事件信息判断路线变化的大小；

S32、根据路线变化的大小，调用算法引擎基于预设规则从算法池中选取算 法构成最适配的算法链；

S33、将当前状态信息和在执行配送方案的静态路线规划结果输入所述算法 链，在最小的路线波动下，重新平衡优化路线，得到更新配送方案。

进一步的，所述算法池中的算法包括但不限于遗传算法、禁忌算法、模拟退 火算法、最邻近点算法和启发式算法。

进一步的，所述最小的路线波动包括新方案与原方案的总体路线尽量保持 一致，避免大规模绕路和/或减少送货顺序少的改变。

进一步的，所述预设规则包括：

当意外事件信息涉及的规模较大时，选取遗传算法；

当意外事件信息集中在某一区域时，选取禁忌算法；

当意外事件信息比较分散时，选取模拟退火算法；

当意外事件信息主要涉及到运单插入路线时，选取最邻近点算法。

进一步的，所述算法链由根据意外事件信息选取的算法链接构成，其中前一 种算法的结果作为下一种算法的输入。

进一步的，步骤S1中，所述基础配送方案采用改进的K-MEANS算法规划 得到。

本发明的第二个方面提供了一种快速进行实时动态路线规划的物流系统， 包括：

信息接收模块，用于接收已有物流信息、司机端反馈的意外事件信息和当前 状态信息；

算法池模块，用于储存不同路线规划算法；

算法引擎模块，用于根据接收的意外事件信息在算法池模块中调用不同的 算法生成算法链；

算法执行模块，用于根据接收的已有物流信息执行预设算法生成基础配送 方案，以及根据接收的当前状态信息和在执行配送方案的静态路线规划结果，执 行算法引擎模块生成的算法链生成更新配送方案；

以及信息发送模块，用于将生成的基础配送方案或更新配送方案发送至司 机端。

进一步的，所述已有物流信息包括但不限于仓库信息、客户信息、货物信息 和车辆信息。

进一步的，所述基础配送方案包括但不限于车辆的选择、路线的选择、仓库 装卸载货物清单和时间，以及客户配送点装卸载货物清单和时间。

进一步的，所述当前状态信息包括订单信息、车辆载货信息、车辆位置信息 以及最新路线状态信息。

进一步的，所述算法引擎模块具体包括：

路线变化大小判断单元，用于根据接收到的意外事件信息判断路线变化的 大小；

算法选取单元，用于根据路线变化的大小，基于预设规则从算法池模块中选 取算法构成最适配的算法链。

进一步的，所述算法池模块中储存的路线规划算法包括但不限于改进的K- MEANS算法、遗传算法、禁忌算法、模拟退火算法、最邻近点算法和启发式算 法。

进一步的，所述算法链由算法选取单元选取的算法链接构成，其中前一种算 法的结果作为下一种算法的输入。

进一步的，所述预设规则包括：

当意外事件信息涉及的规模较大时，选取遗传算法；

当意外事件信息集中在某一区域时，选取禁忌算法；

当意外事件信息比较分散时，选取模拟退火算法；

当意外事件信息主要涉及到运单插入路线时，选取最邻近点算法。

进一步的，所述算法执行模块执行算法引擎模块生成的算法链时，基于最小 的路线波动规则重新平衡优化路线得到更新配送方案。

进一步的，所述最小的路线波动规则包括新方案与原方案的总体路线尽量 保持一致，避免大规模绕路和/或减少送货顺序的改变。

本发明的有益效果如下：

本发明的物流方法和系统，在执行配送方案中遇到意外问题时，可根据当前 状态信息和在执行配送方案的静态路线规划结果快速生成新的规划方案，从而 最大限度降低了意外问题对配送的影响，有效提高了物流效率，降低了相应损失， 对于物流运输过程中的意外事件提供了良好的解决方案。

附图说明

图1是本发明的物流方法实施例的流程示意图。

图2是本发明的物流方法实施例中使用改进的K-MEANS算法生成基础配 送方案的流程示意图。

图3是本发明的物流方法实施例中进行动态实时规划的流程示意图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述， 但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发 明权利要求的限制。

本发明的第一类实施例提供了一种快速进行实时动态路线规划的物流方法， 如图1所示，包括如下步骤：

S1、基于已有物流信息规划基础配送方案；

S2、监测执行基础配送方案的过程中接收到的意外事件信息；

S3、根据接收到的意外事件信息，基于当前状态信息调用算法引擎在最小路 线波动下重新平衡优化路线，得到更新配送方案；

S4、监测执行更新配送方案的过程中接收到的意外事件信息，以在执行的更 新配送方案为基础，重复步骤S3获取新的更新配送方案，直至配送完成。

上述的已有物流信息包括但不限于仓库信息、客户信息、货物信息和车辆信 息。其中，仓库信息包括但不限于是否多仓库、仓库名称、仓库地点和仓库开放 时间，客户信息包括但不限于客户名称、客户名下的货物订单、客户配送点和客 户的允许接受货物时间窗口，货物信息包括但不限于货物名称、货物的重量和货 物的体积，车辆信息包括但不限于车辆名称、车辆型号、车辆车厢体积、车辆载 重量、车辆司机的工作时间和车辆的计价方式。

上述的基础配送方案包括但不限于车辆的选择、路线的选择、仓库装卸载货 物清单和时间，以及客户配送点装卸载货物清单和时间。其中，车辆的选择包括 本次配送中要用到哪些车辆，路线的选择包括本次配送中所有车辆进行配送所 选择的路线，该路线由仓库地点以及一连串客户配送点在地图上通过实际道路 连接得到，当前状态信息包括订单信息、车辆载货信息、车辆位置信息以及最新 路线状态信息。

在一种实施例中，步骤S1中基础配送方案采用改进的K-MEANS算法规划 得到，具体过程如下：

首先对于基础配送方案的计算，一般是在实际配送的前一天进行，即11月 18日的配送方案一般会在11月17日计算完毕，留出一定时间来进行调整。

用户选择需要规划的日期，表示本次配送方案将在对应日期进行配送。

用户选择本次规划中需要配送的运单，可以通过行政区域选择来进行筛选， 也可以通过运单号来精确查找。在该环节用户可以获取运单详情，包括该运单对 应的客户名称和地址，以及体积，重量等。

运单选择完毕后，会进行异常户处理。异常户是指该客户在系统中无法正常 定位，一般通过定位附近户的坐标作为该户的坐标来进行处理。

用户选择本次规划所属的仓库，车辆将从该仓库出发进行物流配送。

用户选择本次规划可以提供的车辆型号以及数量。在该环节用户可以看到 各型号车辆的车厢大小，运载量，运载规格等基本数据，以及该车辆的每公里计 价方式。用户选择的车辆数量不应超过实际可从该仓库出发的车辆，但也不应该 太少否则会导致车辆运力不足，无法完成所有运单。

用户配置完所有参数之后，点击开始规划进行基础方案规划，具体计算将在 算法引擎中实现。

传统的K-MEANS算法会将所有客户配送点均匀的分成几个聚类，但在实 际应用中因为运送车辆的载货能力不同，以及不同客户对配送到达时间要求的 不同，传统的K-MEANS算法并不能取得很好的效果。因此本实施例中算法引 擎中的新K-MEANS算法在传统K-MEANS算法上进行了改进，使得该算法在 物流运输这个问题中得到了更好的适配，得到的基本配送方案也更加优秀合理。

新的K-MEANS算法具体实现的步骤见附图2。第一步，选择一辆未使用的 车辆，若无未使用车辆，结束算法。第二步，选择距离仓库最远的一个客户点开 始聚类，一开始该聚类中只有一个客户点。第三步，进行聚类的扩展，每次扩展 会寻找距离当前聚类中心最近的一个客户点，称为最近点；若不存在最近点，结 束扩展。第四步，尝试将最近点加入聚类，若车辆无法装载最近点的货物，结束 扩展。第五步，最近点加入聚类成功，更新车辆载货信息，更新聚类中心，返回 第三步继续执行扩展。第六步，结束当前车辆的路线规划，重新跳转至第一步。

新K-MEANS算法的结果会将某个地市的运单尽可能地分配给同一辆或同 一批车辆，从结果上也使得配送成本更加低以及配送路线更为合理。

算法的输出结果即为基础配送方案，包括车辆的选择、路线的选择、仓库装 卸载货物清单和时间、客户配送点装卸载货物清单和时间。

基础配送方案规划完成后，会提示用户进行计划发布。已发布的计划在计划 日期前一日对司机进行配送方案的通知，司机应按照配送方案完成当日的物流 配送。

司机在配送过程中到达某一客户点时，发现该客户商铺并未在指定时间营 业，联系客户沟通后得知因故收货时间临时延后。此时意外问题出现，司机应及 时向物流系统上报该情况。

参考附图3，物流系统接收到请求，得知配送过程中有意外发生，需要进行 实时动态路线规划。该意外的具体情况为某客户的收货时间窗口发生改变，将这 个被改变的数据和当前基础规划方案输入到算法引擎，进行实时动态路线规划。

具体的，在一种实施例中，进行实时动态路线规划的步骤S3具体包括：

S31、根据接收到的意外事件信息判断路线变化的大小；

S32、根据路线变化的大小，调用算法引擎基于预设规则从算法池中选取算 法构成最适配的算法链；

S33、将当前状态信息和在执行配送方案的静态路线规划结果输入所述算法 链，在最小的路线波动下，重新平衡优化路线，得到更新配送方案。

可选的，上述算法池中的算法包括但不限于遗传算法、禁忌算法、模拟退火 算法、最邻近点算法和启发式算法，最小的路线波动包括新方案与原方案的总体 路线尽量保持一致，避免大规模绕路和/或减少送货顺序的改变。

通过分析问题的规模和组成，以算法链的形式将各个算法的优势结合起来， 尽量避免各个算法本身的缺陷。算法链由选取的算法链接构成，其中前一种算法 的结果作为下一种算法的输入。

遗传算法是一种基于“适者生存”的高度并行、随机和自适应的优化算法， 通过复制、交叉、变异将问题解编码表示的“染色体”群一代代不断进化，最终 收敛到最适应的群体，从而求得问题的最优解或满意解。其优点是原理和操作简 单、通用性强、不受限制条件的约束，且具有隐含并行性和全局解搜索能力，在 组合优化问题中得到广泛应用。但其缺点也很明显，包括没有能够及时利用网络 的反馈信息，故算法的搜索速度比较慢，以及算法的并行机制的潜在能力没有得 到充分的利用，要得要较精确的解需要较多的训练时间。

禁忌算法又称为禁忌搜索算法，是在局部领域搜索的基础上改进而来的。局 部领域搜索是从当前的节点开始，和周围的邻居节点的值进行比较。如果当前节 点是最大的，那么返回当前节点，作为最大值(即山峰最高点)；反之就用最高的 邻居节点替换当前节点，从而实现向山峰的高处攀爬的目的。禁忌算法在其基础 上做了多种改进，包括接受劣解，引入禁忌表，引入中期表和长期表等。但该算 法的效果十分依赖设置禁忌表的长度，过长的禁忌表长度会使得算法运行时间 过长。

模拟退火算法从某一较高的温度出发，这个温度称为初始温度。算法运行过 程中，每当遇到一个并不比当前最优解好的较差解时，会以一定的机率接受它， 这样就可用跳出局部最优解的陷阱，以寻找目标函数的全局最优解。并且伴随着 温度参数的不断下降，接受较差解的几率也随之降低，算法中的解会趋于稳定， 最终得到全局最优解。但其参数难以控制，不能保证一次就收敛到最优值，一般 需要多次尝试才能获得。这对于几乎每次数据都不同的实时规划问题来说是很 难完美契合的。

最邻近点算法是长策自主研发的，适用于“路线中插入运单”这类情况的一 种算法。实际物流运输过程中经常会出现某个运单需要重新插入到规划路线中， 有时是因为原本负责该运单的车辆出现意外取消，有时是因为该运单因故临时 取消然后需要重新插入。针对这类情况，最邻近点算法会尝试地将该运单插入到 附近的路线中。在尝试插入的过程中需要考虑到路线车辆的载重，整条路线上的 时间窗口，插入路线所需要的额外成本，以及路线整体合理性等问题，最终由算 法解出最适合插入的路线以及位置。

在一种或几种实施例中，算法引擎通过分析问题的具体情况，并以此来决定 需要组成的算法链。当意外问题涉及的规模较大时，遗传算法多代进化的机制会 有很大发挥空间；当意外问题集中在某一区域时，禁忌算法对局部问题的高效解 法是最适合的；当意外问题比较分散时，用模拟退火算法避免局部最优解的陷阱； 当意外问题主要涉及到运单插入路线时，最邻近点是最适合的算法。

在算法引擎计算出新规划结果之后，将用新方案覆盖旧方案，并将其作为当 前使用方案返回给物流系统。物流系统在接受到新方案的同时，将其推送给反馈 问题的司机或其他受到此次意外影响而改变路线的司机。收到对应推送的司机 接会根据新的规划路线进行接下来的物流配送。在配送过程中，当再次遇到意外 问题是，可以在执行的更新配送方案为基础，重复上述过程获取新的更新配送方 案，直至配送完成。

本发明的第二类实施例提供了与上述方法对应的快速进行实时动态路线规 划的物流系统，包括：

信息接收模块，用于接收已有物流信息、司机端反馈的意外事件信息和当前 状态信息；

算法池模块，用于储存不同路线规划算法；

算法引擎模块，用于根据接收的意外事件信息在算法池模块中调用不同的 算法生成算法链；

算法执行模块，用于根据接收的已有物流信息执行预设算法生成基础配送 方案，以及根据接收的当前状态信息和在执行配送方案的静态路线规划结果，执 行算法引擎模块生成的算法链生成更新配送方案；

以及信息发送模块，用于将生成的基础配送方案或更新配送方案发送至司 机端。

其具体构成和工作原理已在前述发明内容以及实施例中详细说明，在此不 作赘述。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指 出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可 以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保 护范围内。

Claims (20)

1.一种快速进行实时动态路线规划的物流方法，其特征在于，包括如下步骤：

S1、基于已有物流信息规划基础配送方案；

S2、监测执行基础配送方案的过程中接收到的意外事件信息；

S3、根据接收到的意外事件信息，基于当前状态信息调用算法引擎在最小路线波动下重新平衡优化路线，得到更新配送方案；

S4、监测执行更新配送方案的过程中接收到的意外事件信息，以在执行的更新配送方案为基础，重复步骤S3获取新的更新配送方案，直至配送完成。

2.如权利要求1所述的快速进行实时动态路线规划的物流方法，其特征在于，所述已有物流信息包括但不限于仓库信息、客户信息、货物信息和车辆信息。

3.如权利要求1所述的快速进行实时动态路线规划的物流方法，其特征在于，所述基础配送方案包括但不限于车辆的选择、路线的选择、仓库装卸载货物清单和时间，以及客户配送点装卸载货物清单和时间。

4.如权利要求1所述的快速进行实时动态路线规划的物流方法，其特征在于，所述当前状态信息包括订单信息、车辆载货信息、车辆位置信息以及最新路线状态信息。

5.如权利要求1-4任一项所述的快速进行实时动态路线规划的物流方法，其特征在于，步骤S3具体包括：

S31、根据接收到的意外事件信息判断路线变化的大小；

S32、根据路线变化的大小，调用算法引擎基于预设规则从算法池中选取算法构成最适配的算法链；

S33、将当前状态信息和在执行配送方案的静态路线规划结果输入所述算法链，在最小的路线波动下，重新平衡优化路线，得到更新配送方案。

6.如权利要求5所述的快速进行实时动态路线规划的物流方法，其特征在于，所述算法池中的算法包括但不限于遗传算法、禁忌算法、模拟退火算法、最邻近点算法和启发式算法。

7.如权利要求5所述的快速进行实时动态路线规划的物流方法，其特征在于，所述最小的路线波动包括新方案与原方案的总体路线尽量保持一致，避免大规模绕路和/或减少送货顺序的改变。

8.如权利要求5所述的快速进行实时动态路线规划的物流方法，其特征在于，所述预设规则包括：

当意外事件信息涉及的规模较大时，选取遗传算法；

当意外事件信息集中在某一区域时，选取禁忌算法；

当意外事件信息比较分散时，选取模拟退火算法；

当意外事件信息主要涉及到运单插入路线时，选取最邻近点算法。

9.如权利要求8所述的快速进行实时动态路线规划的物流方法，其特征在于，所述算法链由根据意外事件信息选取的算法链接构成，其中前一种算法的结果作为下一种算法的输入。

10.如权利要求1所述的快速进行实时动态路线规划的物流方法，其特征在于，步骤S1中，所述基础配送方案采用改进的K-MEANS算法规划得到。

11.一种快速进行实时动态路线规划的物流系统，其特征在于，包括：

信息接收模块，用于接收已有物流信息、司机端反馈的意外事件信息和当前状态信息；

算法池模块，用于储存不同路线规划算法；

算法引擎模块，用于根据接收的意外事件信息在算法池模块中调用不同的算法生成算法链；

算法执行模块，用于根据接收的已有物流信息执行预设算法生成基础配送方案，以及根据接收的当前状态信息和在执行配送方案的静态路线规划结果，执行算法引擎模块生成的算法链生成更新配送方案；

以及信息发送模块，用于将生成的基础配送方案或更新配送方案发送至司机端。

12.如权利要求11所述的快速进行实时动态路线规划的物流系统，其特征在于，所述已有物流信息包括但不限于仓库信息、客户信息、货物信息和车辆信息。

13.如权利要求11所述的快速进行实时动态路线规划的物流系统，其特征在于，所述基础配送方案包括但不限于车辆的选择、路线的选择、仓库装卸载货物清单和时间，以及客户配送点装卸载货物清单和时间。

14.如权利要求11所述的快速进行实时动态路线规划的物流系统，其特征在于，所述当前状态信息包括订单信息、车辆载货信息、车辆位置信息以及最新路线状态信息。

15.如权利要求11-14任一项所述的快速进行实时动态路线规划的物流系统，其特征在于，所述算法引擎模块具体包括：

路线变化大小判断单元，用于根据接收到的意外事件信息判断路线变化的大小；

算法选取单元，用于根据路线变化的大小，基于预设规则从算法池模块中选取算法构成最适配的算法链。

16.如权利要求15所述的快速进行实时动态路线规划的物流系统，其特征在于，所述算法池模块中储存的路线规划算法包括但不限于改进的K-MEANS算法、遗传算法、禁忌算法、模拟退火算法、最邻近点算法和启发式算法。

17.如权利要求16所述的快速进行实时动态路线规划的物流系统，其特征在于，所述算法链由算法选取单元选取的算法链接构成，其中前一种算法的结果作为下一种算法的输入。

18.如权利要求16所述的快速进行实时动态路线规划的物流系统，其特征在于，所述预设规则包括：

当意外事件信息涉及的规模较大时，选取遗传算法；

当意外事件信息集中在某一区域时，选取禁忌算法；

当意外事件信息比较分散时，选取模拟退火算法；

当意外事件信息主要涉及到运单插入路线时，选取最邻近点算法。

19.如权利要求11或18所述的快速进行实时动态路线规划的物流系统，其特征在于，所述算法执行模块执行算法引擎模块生成的算法链时，基于最小的路线波动规则重新平衡优化路线得到更新配送方案。

20.如权利要求19所述的快速进行实时动态路线规划的物流系统，其特征在于，所述最小的路线波动规则包括新方案与原方案的总体路线尽量保持一致，避免大规模绕路和/或减少送货顺序的改变。

Images