CN111445100B - 有限运力下基于自适应时间窗口的车货匹配方法 - Google Patents
有限运力下基于自适应时间窗口的车货匹配方法 Download PDFInfo
- Publication number
- CN111445100B CN111445100B CN202010059790.6A CN202010059790A CN111445100B CN 111445100 B CN111445100 B CN 111445100B CN 202010059790 A CN202010059790 A CN 202010059790A CN 111445100 B CN111445100 B CN 111445100B
- Authority
- CN
- China
- Prior art keywords
- truck
- goods
- time window
- cargo
- vehicle
- 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.)
- Active
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (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
本发明设计了一种以高优先级货物交付最大化为目标的数据驱动的车货匹配决策框架,首先利用遗传算法以高优先级占比作为评价指标得到各货车的装载计划候选集,在各个时间窗口内根据以产生的装载计划候选集构建图,然后使用广度优先遍历的搜索方法进行路径搜索得到图中的最优路径作为车货匹配的决策结果,最后根据不同时段内货车的数量分布自适应得调整时间窗口的大小,以达到高效获取车货匹配决策的效果。
Description
技术领域
本发明属于数据挖掘技术领域,具体涉及一种基于自适应时间窗口的车货匹配方法。
背景技术
受钢铁物流行业运输能力的限制,钢铁物流企业普遍存在货车超载、订单超期,货物积压等严重问题。其直接后果是钢铁物流成本高、效率低,甚至对社会经济发展产生了不良的影响。传统的车货匹配策略仅根据每辆货车的最大载重上限来确定该货车的装载计划,决定货车运输的货物。但在钢铁物流行业中,货物数量远超过可用的运输能力是常态,因此不可避免得导致超载的发生。然而,传统的策略忽略了货物本身的优先顺序,没能及时得交付高优先级货物给钢铁物流平台的造成了巨大的利润损失。为了提高钢铁物流平台的利润,亟需一个合适的车货匹配决策机制来解决运力攻击与实际货物运输需求之间的不平衡问题。
目前已有的关于物流领域任务资源分配的研究成果,一部分直接使用组合优化的传统方法来解决,这类方法的有效必须建立在离线已知所有匹配信息的背景下,不适用于实际实时匹配的场景。另一类是在前一类的基础上进行了改进,增加了预测算法将在线匹配问题转换为离线处理,但由于场景的复杂性且受人为影响大的种种因素,在该场景下的预测结果往往是不可靠的,因此效果仍旧不理想。
发明内容
本发明所要解决的技术问题是针对上述现有的技术不足,提供一种基于自适应时间窗口的车货匹配策略算法框架方法,其目的是最大化高优先级货物的发运比例。本发明第一阶段首先完成离线的分析,提取出与车货匹配决策过程相关的一些限制规则。本发明的第二阶段为在线的车货匹配决策框架,为了最大化高优先级货物发运的占比,利用遗传算法和广度优先遍历的方法搜索出当前时间窗口中的最优路径,以获得每个时间窗口内所有达到货车的最优装载计划,完成车货匹配决策过程。此外,为了解决货车数量分布不均匀带来的决策效率低的问题,对时间窗口的大小进行实时的自适应调整。
为了实现上述技术目的,本发明采取的技术方案为:
一种基于自适应时间窗口的车货匹配方法,包含以下步骤:
S1:对历史数据进行分析,得到货车对于运输目的地以及运输货物品种的偏好;
S2:使用滑动时间窗口的技术,在处理一个批次内车货匹配的请求时,基于步骤S1得到的货车偏好,使用遗传算法为各个货车分别产生多个装载计划,构成各货车的候选集;
S3:基于步骤S2得到的各货车的候选集,将所有装载计划作为结点,按照取货的不冲突性原则建立连接,构成图;使用广度优先搜索算法计算出最优的路径,保证高优先级货物发运的占比最高;
S4:根据实时的车货匹配请求,对滑动时间窗口的窗口大小进行自适应的变化。
为优化上述技术方案,采取的具体措施还包括:
上述步骤S1包括:
使用来自企业的真实数据集,对多个不同的来源的数据集进行分析,其中所述数据集包含历史的装载计划、货物出库记录和货物订单数据。装载计划受到一些货车司机的偏好因素限制,这些偏好因素决定了货车司机接受一个装载计划决策的概率。提取历史数据中出现的货车司机对于运输城市和运输货物品种的偏好作为后续决策的限制与参考。
上述步骤S2包括:
步骤2.1),给出定义:货车表示为T=[T1,T2,…,Tj];所有货物表示为C=[C1,C2,…,Ci];假设在N件货物与M辆货车进行车货匹配,用矩阵表示车货匹配决策结果为其中1表示货物i被分配到货车Tj上,反之为0;货车Tj上装载的货物列表,定义为装载计划LPj,表示为LPj=[d1j,…,dij,…,dNj];由于货车司机存在不同的运输偏好,因此存在一件货物存在不能分配到某辆卡车上的情景。此外,一辆货车可以装载多件货物,但一件货物只能装配到一辆货车上,因此有约束为了目标是最大化高优先级货物发运的比例,因此货车Tj有值对于整个决策的优化目标与限制条件可以表示为:其中wi表示为货物Ci的重量,lj表示为货车Tj的装载上限;
步骤2.2),采用滑动窗口模型,将短时间内到达的货车视为时间窗口内的微批,进行批次处理。
步骤2.3),将货物按照优先级降序进行排序,并筛选与货车偏好相符的高优先级货物。
步骤2.4),使用改良过的遗传算法为每辆货车生成装载计划候选集。
上述步骤S3包括:
步骤3.1),为了获取一个批次中所有货车的装载计划,并且考虑货车之间的竞争关系,将步骤S2中已经为每辆货车产生的装载计划候选集中的所有装载计划作为结点,根据步骤S2中给出的对于货物的限制条件,将没有冲突、不受限制的装载计划进行边连接,在该批次中构建图。
步骤3.2),在一个时间窗口内,从已经构建的图中搜索一组结点,以总体的高优先级货物占比最大化为目标,使用广度优先遍历的方法,搜索最优路径,为各个货车生成最终的装载计划,作为车货匹配的决策。
上述步骤S4包括:
根据自适应时间窗口模型自适应地确定每个时间窗口的大小,通过不断计算当前时间窗口中最可行的车货匹配决策的Edp值来确定时间窗口的大小Wcurr。
本发明具有以下有益效果:
1、本发明能够利用数据驱动的车货匹配决策框架,解决钢铁物流行业运输能力供给与实际货物运输需求之间的不平衡问题;
2、本发明利用自适应时间窗口技术,产生在线的决策以最大限度地提高了高优先货物发运的比例,且满足了实时请求的响应效率需求;
本发明设计了一种以高优先级货物交付最大化为目标的数据驱动的车货匹配决策框架,首先利用遗传算法以高优先级占比作为评价指标得到各货车的装载计划候选集,在各个时间窗口内根据以产生的装载计划候选集构建图,然后使用广度优先遍历的搜索方法进行路径搜索得到图中的最优路径作为车货匹配的决策结果,最后根据不同时段内货车的数量分布自适应得调整时间窗口的大小,以达到高效获取车货匹配决策的效果。
附图说明
图1是每辆货车装载计划候选集生成算法的流程图;
图2是装载计划存在冲突的案例图;
图3是基于装载计划候选集的拓扑图示意图;
图4是装载计划最优路径搜索算法的流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明第一阶段首先完成离线的分析,对历史物流数据进行大量的分析,提取出与车货匹配决策过程相关的一些限制规则,如运输流向、货物品种等。本发明的第二阶段为在线的车货匹配决策框架,为了最大化高优先级货物发运的占比,利用遗传算法为每辆货车产生较优的多个装载计划作为结点,构建图,然后基于广度优先遍历的方法搜索出当前时间窗口中的最优路径,以获得每个时间窗口内所有达到货车的最优装载计划,完成车货匹配决策过程。此外,为了解决货车数量分布不均匀带来的决策效率低的问题,对时间窗口的大小进行实时的自适应调整。
如图1每辆货车装载计划候选集生成算法的流程图所示。
通过从货物列表CLj中随机选择货物组成的装载计划来初始化候选集LPC。随后,从LPCj中随机选择两个装载计划LPα和LPβ,交换其中的一些货物已获得新的装载计划LPα′和LPβ′,将他们插入列表LPCj中。通过对某个装载计划中货物的“突变”——随机交换为其他类似的高优先级货物,不断地将LPj更新迭代,并将具有较大的子代追加到LPCj中。通过迭代执行上述过程,生成一组货车Tj的装载计划,选择Edp——高优先级货物重量占比值最高的K个装载计划作为货车Tj的装载计划候选集LPCj。
图2给出了生成货物装载计划的示例,并且阐述了装载计划之间存在冲突的场景。
可以看到生成的两个装载计划和存在一些货物在一个时间窗口内反复被选择到不同的货车装载计划中的情况,这导致许多装载计划不能同时被执行,因此和不能同时存在于一个车货匹配的决策中。为此设计了拓扑结构以帮助获取车货匹配决策。
如图3基于装载计划候选集的拓扑图示意图。
将每个装载计划作为一个结点。当两个结点之间没有冲突时,可以在它们之间添加一条边。为了避免环形结构可能造成的循环搜索,还给出了其他边的限制:一条边的两端结点分别表示两辆先后到达的货车的装载计划,表示为Tj和Tj+1在一个时间窗口内,为每辆货车搜索适合的装载计划结点作为最终方案。
图4给出的装载计划最优路径搜索算法给出了详细的算法流程,详细描述了装载计划路径搜索的整个过程。
Claims (4)
1.一种基于自适应时间窗口的车货匹配方法,其特征在于,包括以下步骤:
S1:对历史数据进行分析,得到货车对于运输目的地以及运输货物品种的偏好;
S2:使用滑动时间窗口的技术,在处理一个批次内车货匹配的请求时,基于步骤S1得到的货车偏好,使用遗传算法为各个货车分别产生多个装载计划,构成各货车的候选集;所述步骤S2具体包括:
步骤2.1),给出定义:货车表示为T=[T1,T2,...,Tj];所有货物表示为C=[C1,C2,...,Ci];假设在N件货物与M辆货车进行车货匹配,用矩阵表示车货匹配决策结果为其中1表示货物Ci被分配到货车Tj上,反之为0;货车Tj上装载的货物列表,定义为装载计划LPj,表示为LPj=[d1j,...,dij,...,dNj];由于货车司机存在不同的运输偏好,因此存在一件货物存在不能分配到某辆卡车上的情景;此外,一辆货车可以装载多件货物,但一件货物只能装配到一辆货车上,因此有约束为了最大化高优先级货物发运的比例,因此货车Tj有值对于整个决策的优化目标与限制条件表示为:其中wi表示为货物Ci的重量,lj表示为货车Tj的装载上限;
步骤2.2),采用滑动窗口模型,将短时间内到达的货车视为时间窗口内的微批,进行批次处理;
步骤2.3),将货物按照优先级降序进行排序,并筛选与货车偏好相符的高优先级货物;
步骤2.4),使用改良过的遗传算法为每辆货车生成装载计划候选集;
S3:基于步骤S2得到的各货车的候选集,将所有装载计划作为结点,按照取货的不冲突性原则建立连接,构成图;使用广度优先搜索算法计算出最优的路径,保证高优先级货物发运的占比最高;
S4:根据实时的车货匹配请求,对滑动时间窗口的窗口大小进行自适应的变化。
2.根据权利要求1所述的一种基于自适应时间窗口的车货匹配方法,其特征在于,所述步骤S1具体包括:
使用来自企业的真实数据集,对多个不同的来源的数据集进行分析,其中所述数据集包含历史的装载计划、货物出库记录和货物订单数据;装载计划受到一些货车司机的偏好因素限制,这些偏好因素决定了货车司机接受一个装载计划决策的概率;提取历史数据中出现的货车司机对于运输城市和运输货物品种的偏好作为后续决策的限制与参考。
3.根据权利要求1所述的一种基于自适应时间窗口的车货匹配方法,其特征在于,所述步骤S3具体包括:
步骤3.1),为了获取一个批次中所有货车的装载计划,并且考虑货车之间的竞争关系,将步骤S2中已经为每辆货车产生的装载计划候选集中的所有装载计划作为结点,根据步骤S2中给出的对于货物的限制条件,将没有冲突、不受限制的装载计划进行边连接,在该批次中构建图;
步骤3.2),在一个时间窗口内,从已经构建的图中搜索一组结点,以总体的高优先级货物占比最大化为目标,使用广度优先遍历的方法,搜索最优路径,为各个货车生成最终的装载计划,作为车货匹配的决策。
4.根据权利要求1所述的一种基于自适应时间窗口的车货匹配方法,其特征在于,所述步骤S4具体包括:
根据自适应时间窗口模型自适应地确定每个时间窗口的大小,通过不断计算当前时间窗口中最可行的车货匹配决策的Edp值来确定时间窗口的大小Wcurr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059790.6A CN111445100B (zh) | 2020-01-19 | 2020-01-19 | 有限运力下基于自适应时间窗口的车货匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059790.6A CN111445100B (zh) | 2020-01-19 | 2020-01-19 | 有限运力下基于自适应时间窗口的车货匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445100A CN111445100A (zh) | 2020-07-24 |
CN111445100B true CN111445100B (zh) | 2021-02-26 |
Family
ID=71627112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059790.6A Active CN111445100B (zh) | 2020-01-19 | 2020-01-19 | 有限运力下基于自适应时间窗口的车货匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445100B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910481B (zh) * | 2023-07-27 | 2024-02-02 | 中国舰船研究设计中心 | 一种基于遗传算法的船舶任务系统装载弹量优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670684A (zh) * | 2018-12-03 | 2019-04-23 | 北京顺丰同城科技有限公司 | 基于时间窗口的货运车辆的调度方法及电子设备 |
WO2019119457A1 (zh) * | 2017-12-23 | 2019-06-27 | 深圳大学 | 基于模因计算的动态车辆收发货路径规划方法及装置 |
CN110264120A (zh) * | 2019-05-06 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种基于多agv的智能仓储路线规划系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178070A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis for dispatch scheduling optimization in the presence of time constraints |
-
2020
- 2020-01-19 CN CN202010059790.6A patent/CN111445100B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019119457A1 (zh) * | 2017-12-23 | 2019-06-27 | 深圳大学 | 基于模因计算的动态车辆收发货路径规划方法及装置 |
CN109670684A (zh) * | 2018-12-03 | 2019-04-23 | 北京顺丰同城科技有限公司 | 基于时间窗口的货运车辆的调度方法及电子设备 |
CN110264120A (zh) * | 2019-05-06 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种基于多agv的智能仓储路线规划系统和方法 |
Non-Patent Citations (2)
Title |
---|
基于滑动窗口的分布式轨迹流聚类;毛嘉莉等;《计算机学报》;20180930;第41卷(第9期);第2120-2133页 * |
展示学生研发成果彰显数据学院实力——三周年"庆典"报道之二;老张有约;《新浪博客http://blog.sina.com.cn/s/blog_564f84200102z0we.html》;20200103;第1-3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111445100A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baniamerian et al. | Modified variable neighborhood search and genetic algorithm for profitable heterogeneous vehicle routing problem with cross-docking | |
CN107578199B (zh) | 一种求解二维装载约束物流车辆调度问题的方法 | |
Vahdani | Assignment and scheduling trucks in cross-docking system with energy consumption consideration and trucks queuing | |
WO2022262469A1 (zh) | 一种基于博弈论的工业园区物流调度方法及系统 | |
Choe et al. | Online preference learning for adaptive dispatching of AGVs in an automated container terminal | |
CN110570115A (zh) | 处理大规模订单高效分配的方法和系统 | |
CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
CN110276488A (zh) | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 | |
CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
Wu et al. | An ant colony optimization based on local search for the vehicle routing problem with simultaneous pickup–delivery and time window | |
Chen et al. | Deepfreight: A model-free deep-reinforcement-learning-based algorithm for multi-transfer freight delivery | |
CN113361073A (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
CN111445100B (zh) | 有限运力下基于自适应时间窗口的车货匹配方法 | |
CN114330870A (zh) | 一种基于多种群进化算法的带时间窗的车辆路径规划方法 | |
Hasani Goodarzi et al. | A multi-objective imperialist competitive algorithm for vehicle routing problem in cross-docking networks with time windows | |
Farvaresh et al. | A coalition structure algorithm for large-scale collaborative pickup and delivery problem | |
Oliskevych et al. | SIMULATION OF CARGO DELIVERY BY ROAD CARRIER: CASE STUDY OF THE TRANSPORTATION COMPANY. | |
CN115345549A (zh) | 结合装载方案的车辆路径调整方法及系统 | |
CN114037335A (zh) | 一种最大化承运能力的车货匹配智能决策方法及系统 | |
CN114444809A (zh) | 一种数据驱动下的多目标露天矿卡路径优化方法 | |
Liu et al. | SCLPD: Smart cargo loading plan decision framework | |
Kargari Esfand Abad et al. | A multi-objective optimization model for split pollution routing problem with controlled indoor activities in cross docking under uncertainty | |
Kumar et al. | Integrated scheduling of part, tool and automated guided vehicles in a flexible manufacturing system using modified genetic algorithm | |
Lee et al. | Endosymbiotic evolutionary algorithm for an integrated model of the vehicle routing and truck scheduling problem with a cross-docking system |
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 |