CN111652550A - 一种智能寻找最佳环线集合的方法、系统及设备 - Google Patents
一种智能寻找最佳环线集合的方法、系统及设备 Download PDFInfo
- Publication number
- CN111652550A CN111652550A CN202010470183.9A CN202010470183A CN111652550A CN 111652550 A CN111652550 A CN 111652550A CN 202010470183 A CN202010470183 A CN 202010470183A CN 111652550 A CN111652550 A CN 111652550A
- Authority
- CN
- China
- Prior art keywords
- transportation
- optimal
- loop
- nodes
- loop set
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种智能寻找最佳环线集合的方法,包括:根据运输目标数据生成运输连通图,所述运输连通图包括相邻节点的有向边信息;根据相邻节点的有向边信息,运输连通图形成第一环线集合;基于第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合,其中,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。本发明的智能寻找最佳环线集合的方法采用多目标遗传算法,能够自动智能地计算最佳环线集合,空载率低、中转次数少,实现了低成本、高效率的交易对象运输。
Description
技术领域
本发明属于智能运输领域,特别涉及一种智能寻找最佳环线集合的方法、系统及设备。
背景技术
随着货物线上交易的业务发展,线上平台的交易规模逐渐扩展到全国,在全国交易模式下,需要强大的物流系统的支持。例如通过线上交易的新车或二手车的运输中,为了获得更好的用户体验,车辆厂商需要保证将交易车辆迅速地交付到客户的手中,并且为了保障客户在线上看到的车况与实际交付时的车况一致,需要将车辆通过载运的方式运送到目的地,而不能将交易车辆通过直接驾驶的方式驶入到客户指定的目的地。
从目前的物流运输来看,车辆运载的成本耗费较高,因此尽可能地降低物流的成本显得尤为重要。降低物流成本一方面能够减少客户花费,另一方面能够保障车辆交易平台的商家合理的利润空间,从而促进线上车辆交易的健康发展。
现有的物流系统包括城市节点、运载车辆等,其中城市节点为运输拓扑中的仓库节点,而车辆交易的订单数据呈现动态变化和多样性,不同阶段的订单数量、初始地和目的地也不尽相同。因此,基于已有的订单数据和物流系统,规划运载用车辆(即大车)运输的路径成为提高运输能力、降低运输成本的重点。运载车辆大部分按照环线运行,即从一个指定节点出发后最终还要回到指定节点,在这期间,运载车辆应当追求最大的使用率,尽量避免空跑,以节约成本,提高效率。由于交易订单动态变化,数量大,亟需一种智能的环线集合寻找方法,以实现高效率、低成本的交易对象运输。
发明内容
针对上述问题,本发明提供一种智能寻找最佳环线集合的方法,包括:
根据运输目标数据生成运输连通图,所述运输连通图包括相邻节点的有向边信息;
根据相邻节点的有向边信息,运输连通图形成第一环线集合;
基于第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合,其中,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。
进一步地,所述根据运输目标数据生成运输连通图包括:
将每个运输目标数据的初始地映射到其附近的N个指定起始节点,N大于等于1,目的地映射到其附近的M个指定目的节点,M大于等于1;
采用最短路径算法,确定从N个指定起始节点分别到达M个指定目的节点的路径中的最优路径,所述最优路径根据路径长度和路径包含的第一节点数量确定;
根据多个运输目标数据的最优路径生成所述运输连通图。
进一步地,限制所述第一环线集合中的环路路径的节点数满足第一阈值;
限制所述第一环线集合中的往返路径的节点数满足第二阈值。
进一步地,采用多目标遗传算法形成第二环线集合包括:
初始化种群,所述种群包含多个个体,每个个体包含多条环线;
计算个体的多目标值,所述目标值包括中转次数和空载率相关参数;
根据多个个体的目标值进行非支配排序和拥挤度排序,确定Pareto解;
对种群个体进行交叉和变异后重新计算目标值以确定最优解。
进一步地,所述空载率的目标值通过计算运输承载的剩余量之和来确定。
进一步地,所述中转次数通过BP算法计算得到。
进一步地,所述初始化种群包括:
生成多个所述种群,每个种群包含多个个体,每个个体包括多条环线;
对多个种群并行计算各自的最优解;
根据多个种群的最优解确定第二环线集合。
进一步地,还包括为第二环线集合中的环线设置班车数量,所述班车数据的设置满足订单运输的指定速度要求。
本发明还提供一种智能寻找最佳环线集合的系统,包括:
连通图生成模块,用于根据运输目标数据生成运输连通图,所述运输连通图包括相邻节点的有向边信息;
第一环线集合生成模块,用于根据相邻节点的有向边信息,运输连通图形成第一环线集合;
第二环线集合生成模块,用于基于第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合,其中,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。
本发明还提供一种电子设备,包括:至少一个处理器以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器执行上述智能寻找最佳环线集合的方法中任一项所述的方法。
本发明的智能寻找最佳环线集合的方法、系统及设备采用多目标遗传算法,能够自动智能地计算最佳环线集合,空载率低、中转次数少,实现了低成本、高效率的交易对象运输。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的智能寻找最佳环线集合的方法流程图;
图2示出了根据本发明实施例的采用NSGA-II算法寻找最佳环线集合的步骤流程图;
图3示出了根据本发明实施例的智能寻找最佳环线集合的系统结构示意图;
图4示出了根据本发明实施例的智能寻找最佳环线集合的系统结构示意图;
图5示出了根据本发明实施例的智能寻找最佳环线集合的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例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。
本发明提供了一种智能寻找最佳环线集合的方法,本发明实施例以二手车交易的交易对象-小车运输为例进行说明,其他货物的运输同样适应于本发明。二手车交易的规模日益扩大,相较于传统的车辆交易,订单的初始地和目的地更加多样、范围更广,车辆运输也不是以厂家规划的营销路径批量运输,而是以客户订单为基准,依赖交易平台商家统筹安排运输。为此,本发明实施例提供一种智能寻找最佳环线集合的方法,如图1所示,方法包括:
步骤1:根据运输目标数据生成运输连通图,所述运输连通图包括相邻节点的有向边信息。本发明实施例中,通过初始地和目的地映射多节点、采用最短路径算法计算最佳上车点和下车点的运输路径,根据运输路径生成运输连通图。其中运输目标数据包括运输的初始地和目的地,节点为运输网中的节点,如仓库节点位置等,上车点和下车点均为节点。进一步地,本发明实施例中,连通图还包含有向边的流量信息,流量信息为相邻节点之间指定方向的交易车辆运输量。
步骤2:根据运输连通图的有向边信息确定第一环线集合,第一环线集合是满足连通图中的运输向量要求的初步环线集合,第一环线集合作为计算机智能算法寻优计算的基础数据。
步骤3:第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合;所述多目标遗传算法的优化目标包括运输过程中的中转次数最少和空载率最低。
本发明实施例的智能寻找最佳环线集合的方法,根据多个订单的运输目标信息计算连通图,采用先进的多目标遗传算法整体规划环线集合,将中转次数和空载率纳入算法计算目标,使得计算结果一方面满足中转次数少的要求,从而降低了中转的人力成本和时间成本,另一方面将尽可能地降低运载用大车的空载率。本发明实施例的这种方式进一步节约了运输成本,提高了大车的运载效能。下面示例性地对智能寻找最佳环线集合的方法的步骤做详细说明。
本发明实施例中,交易平台周期性地选取指定范围的订单数据,重新计算最佳环线集合,以适应交易变化的趋势,及时调整环线集合,从而得到最符合当前阶段的运输策略,提高运效能。示例性地,本申请每隔1个月重新计算最佳环线集合,采用最近一个月至两个月的订单数据,数据日期越近,对于计算环线集合的有效性越大。本发明智能寻找最佳环线集合的方法可以通过软件程序实现,每次重新计算时,只需要运行程序,基于最新数据计算最佳环线集合即可,能够高效率、低成本地为运输规划提供依据。
示例性地,周期性计算最佳环线集合时,从交易平台的台账系统中获取最近2个月的台账数据,提取交易成功的订单数据。订单交易数据包括时间、初始地、目的地、交易金额、用户信息等。计算最佳环线集合中要使用订单交易数据的初始地、目的地信息,即运输目标数据。
首先,基于运输目标数据生成运输连通图。本发明实施例中采用最近上车(和/或下车)取最优的方式计算运输连通图,即对每条运输目标数据计算出最短路径的上车点(和/或下车点)。由于用户订单数据的初始地和目的地是多样分散的具体地址,而用于车辆运输的大车在指定的仓库节点之间运输,参与环线集合计算的节点是规划设定的节点。因此,一个订单的交易车辆可以选择从距离其较近的多个节点中选择一个搭乘运输大车。示例性地,运输目标的起始地为上海国际赛车场,该地点附近的城市节点有昆山市和上海市,可以选择其中一个作为上车点。为了降低运输成本,提高运输效率,本发明实施例中对于交易车辆的运输路径采用最近上车取最优的方式确定,而非随机选择一个上车点或选择距离最近上车点,从而实现运输全程效能最优。具体实施方式如下:
步骤1-1:将每个运输目标数据的初始地映射到其附近的N个指定起始节点,N大于等于1;将目的地映射到其附近的M个指定目的节点,M大于等于1。具体地,M和N的取值可以根据初始地和目的地一定范围内的节点数量决定,如距离起始地50公里以内仅有2个城市节点,则N取值为2。示例性地,本发明实施例中对于满足条件的一个订单的初始地和目的地,将交易车辆真实所在地映射到最近的3个节点上,然后将目的地也映射到离目的地最近的3个节点上,从而得到9种不同的运输起止点-初始地和目的地情景。然后通过步骤1-2的计算,确定最短路径。
步骤1-2:采用最短路径算法,确定从N个指定起始节点分别到达M个指定目的节点的路径中的最优路径,所述最优路径根据路径长度和路径包含的第一节点数量确定。本发明实施例中,第一节点为指定类型节点,如城市节点。所述最短路径为经过的仓库节点最少在内的最短路径。仓库节点为运输大车中转节点,在仓库节点上,交易车辆可能从一个运输大车上中转到另一运输大车上,因此仓库节点的等待时间、中转成本较高。考虑客户快速、经济地收到交易车辆,优先将仓库节点最少纳入最短路径计算条件。另外还可以参考实际运输长度、经过的城市节点个数等因素,加权计算最短路径。具体地,本发明实施例中采用Dijkstra(迪杰斯特拉)算法计算最短路径。
步骤1-3:根据多个运输目标数据的最优路径生成所述运输连通图。对计算的运输路径分别进行切分,统计每个相邻节点的有向边的流量信息。通过对多个订单的初始地和目的地计算得到每个订单的最优路径,最优运输路径包含一段或多段节点到节点的向量,相邻的两个节点到节点的向量可能被多条路径覆盖。通过统计多个订单的路径,获取相邻节点间向量流量信息,即节点间的车辆运输量信息,即经由相邻两节点间有向运载的车辆数量,由这些向量流量信息组成运输连通图。示例性地,车辆从城市A运输到城市D,经过路径:城市A->城市B->城市C->城市D;另一个订单车辆从城市E运输到城市F,经过路径:城市E->城市B->城市C->城市F;则在这两个订单的基础上,城市B->城市C之间的向量的运输量为2,即流量为2。本发明实施例中,运输连通图是指能够反映订单整体流动情况的数据。可以将这些数据表达为可视化的地图,从而为用户直观展现订单的流量概况。
本发明实施例采用最短路径算法,择优选择上车点,生成运输连通图,使得在此基础上寻找的最佳环线集合满足交易车辆快速运输的要求。同时整体运输连通图能够用于提供直观的概况浏览。
基于步骤1计算得到的运输连通图,在步骤2中,设置所述第一环线集合,使得所述第一环线集合的路径覆盖所述运输连通图中的指定路径。一般情况下,环线集合覆盖所有连通图中的运输路径,以尽可能满足用户交易车辆被大车运输,保持车辆原貌。也可以根据运输调整和需求去除个别路径数据以获得整体更优的环路集合。采用迭代递归计算所有符合需求的环线集合。示例性地,如指定从节点A到B的长度为8的环路,在此基础上,追加不重复的环路,如从B到C的长度为6的往返路径,在两条环线基础上继续追加,覆盖运输连通图指定路径。然后指定从节点A到节点D的长度为6的环线,在此基础上追加不重复的环线,以覆盖运输连通图指定路径。即每个纳入集合的节点追加以该节点为起点的所有可能的剩余环线,依次迭代。本发明实施例通过迭代计算所有可能的环线集合,为后续的选择算法过程提供了充实可靠的数据依据。
本发明实施例中,限制所述第一环线集合中的环路路径的节点数满足第一阈值,所述第一环线集合中的往返路径的节点数满足第二阈值。环线集合包含环路路径和往返路径两种类型。本发明实施中,满足第一阈值为节点数小于等于指定值,示例性地,设置环路路径的最大城市节点数小于等于16;满足第二阈值为最大城市节点数小于等于指定值,示例性地,设置往返路径设置城市节点数小于等于8。在迭代生成第一环线集合时,每个起始点的相关环线路径逐渐增加,到指定的阈值节点数为止。
本发明实施例中通过上述合理设置环线的路径节点阈值,使得环线长度可控。一方面,环线路径可以灵活组合,提高整体的运载率,将尽量减少中转次数的长环路方案纳入其中,从而避免了大量长环线组合带来的大车空载率高的问题。另一方面,合理的环线长度能够避免司机完成环线周期太长、运行成本高、疲劳驾驶等问题。
在步骤3中,将第一环线集合作为计算模型输入数据,采用多目标遗传算法确定第二环线集合,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。为了满足业务需要的两个最优目标,在众多算法中选择了多目标遗传算法(NSGA-II),同时为了实现中转次数最少的目标,本发明实施例中采用了BP算法。其中,NSGA(Non-DominatedSorting Genetic Algorithm,非支配排序遗传算法)为第一代遗传算法,NSGA-II是在NSGA的基础上提出的,它比NSGA算法更加优越:它采用了快速非支配排序算法,计算复杂度比NSGA大大的降低。BP(Error Back Propagation,误差反向传播)算法是一种机器学习中的动态规划算法,用于解决动态规划问题。
如图2所示,采用NSGA-II算法寻找最佳环线集合的过程包括:
步骤3-1:初始化种群,种群包含多个个体,每个个体包含多条环线。对多个种群并行计算各自的最优解,根据多个种群的最优解确定第二环线集合。本发明实施例中,初始化种群还包括生成多个所述种群。即从已经确定的环线集合中随机生成多个种群,每个种群中包含多个个体,每个个体中包含多条环线。本发明实施例,通过初始化多个种群和种群的多个个体,便于对控制每个种群的数量,降低种群求解计算的运算量,并能够对多个种群并行求解,提高整体求解最优解的效率。多个种群之间的最优解可以通过比较或者人工决策再选出最优解。多个种群的初始化过程中,可以设置每个种群个体包含不同的指定路径,从而在初始化阶段提高了种群的差异性。
步骤3-2:计算个体的多目标值和拥挤度,所述目标值包括中转次数和空载率相关参数。本发明实施例中,通过算法寻优的目标之一为空载率最低,通过空载率相关参数实现空载率最低计算,空载率相关参数可以为直接计算的大车的空载率,而本发明实施例中,是通过计算运输承载的剩余量之和来确定空载率最低集合的。通过计算剩余量之能够更加直观、定量地反应环线集合方案运行时总体的空载数量,从而能够明确空载数量带来的经济成本。车辆的剩余量为满载数量与搭载数量之差。示例性地,大车满载量为8量小车,大车在一次运输中经过指定相邻城市时,搭载了5量小车,则在这两个城市之间的有向边的剩余量为3。本发明实施例中,剩余量之和可以为相邻节点之间有向边的剩余之和。大车经过多个节点时,将多个有向边的剩余量求和,得到大车的总体剩余量之和,多个大车各自剩余量之和总体求和则得到整体的剩余量之和。在另外的实施例中,可以根据大车的行驶耗费作为剩余量权值,计算剩余量之和,即将相邻节点有向边的空载量与路径耗费相乘作为单位剩余量,对多个单位剩余量求和得到总体剩余量。示例性地,路径耗费为公里数。
中转次数为订单od(Origin-destination,初始地及目的地)规划路径中的搭乘环线条数。中转次数通过BP算法计算得到。通过BP算法动态计算出基于指定环线集合的最少中转次数,在此基础上通过多目标遗传算法评价每个环线集合个体的优越性,能够选择出中转次数最少且空载率最低的环线集合,按照该集合完成订单运输时,能整体达到高效、经济的效果。
步骤3-3:根据多个个体的目标值进行非支配排序和拥挤度排序,根据非支配排序和拥挤度排序结果确定Pareto(帕累托)解。Pareto解,也称为帕累托效率(Paretoefficiency),是指资源分配的一种理想状态。假设有两个解决方案I1和I2,对所有目标而言,I1均优于I2,则称I1支配I2。若I1没有被其他解所支配,则I1称为Pareto解,Pareto解的集合被称为Pareto front(帕累托前沿),在Pareto front中的所有解皆不受Pareto front之外的解(以及Pareto Front曲线以内的其它解)所支配,因此这些非支配解较其他解而言拥有最少的目标冲突,可提供决策者一个较佳的选择空间。拥挤度是指种群中指定个体的周围个体的密度,一般通过个体的拥挤距离来表示个体间的拥挤度。在这种情况下,拥挤度越大,表示个体与其他种群个体之间越分散,多样性越好。本发明实施例中根据非支配排序和拥挤度排序两个参数确定Pareto解,优先以非支配排序为标准确定个体之间的支配关系。在非支配排序相同的情况下,优先选择拥挤度大的个体。目标优化为求解出Paretofront,Pareto front可能包含多个解,此时应该提交人工解决。本发明实施例中,对多目标的值进行求倒数后作为排序值,即剩余量之和越大,认为空载率代价越高,该集合方案的质量越低。
步骤3-4:对种群个体进行交叉和变异,重新计算目标值以确定最优解。为了保证多样性,采用交叉操作组合出新的个体,在串空间进行有效搜索,同时降低对有效模式的破坏概率。每次迭代中生成新的个体,通过搜索有效个体,保证个体数量不会随着迭代次数而越来越少,从而不会破坏遗传概率。本发明实施例中的交叉算子采用随机交换parent1(父代个体1)和parent2(父代个体2)的环线。变异处理过程中,以固定概率重采样一个开始节点相同的路径。示例性地,固定概率设置为10%,那么每10个个体中的一个发生变异,变异过程为去掉个体中的一个环线,并找出一个开始仓库节点相同的环线替代掉该环线,示例性地,去除环形中最差的一个环形,如运输成本最高或者覆盖的连通图流量最低的环线。选择算子采用最优个体选择(elitism)和随机联赛选择(tournament selection)。交叉变异后,会多生成1倍的个体,然后进行求最优解排序,按照排序结果取前50%的结果进入下一个迭代中。
上述步骤3-4之后,得到进化的新一代的种群,按照步骤3再次计算种群的Paretofront,如此迭代,直至进化后的种群相较于之前的无明显变化,得到最终的Pareto front,即为第二环线集合。
在获得最佳环线集合,即第二环线集合之后,为最佳环线集合中的环线设置班车数量,所述班车数据的设置满足订单运输的指定速度要求,如要求订单运输速度为600km/每天,则根据班车在环线上运行的速度和到站休息时间设置班车的发车间隔和趟数,以满足每天整体运输600km的要求。通过基于最佳环线集合的班车安排,保障了订单运输的时效性。
基于相同的发明构思,本发明实施例还提供一种智能寻找最佳环线集合的系统。如图3所示,系统包括:连通图生成模块、第一环线集合生成模块、第二环线集合生成模块。其中,
连通图生成模块用于根据运输目标数据生成运输连通图,运输连通图包括相邻节点的有向边信息。连通图生成模块采用最近上车取最优的方式运输涉及的路径,生成连通图。具体地,将每个运输目标数据的初始地映射到其附近的N个指定起始节点,N大于等于1,目的地映射到其附近的M个指定目的节点,M大于等于1;采用最短路径算法,确定从N个指定起始节点分别到达M个指定目的节点的路径中的最优路径,所述最优路径根据路径长度和路径包含的第一节点数量确定;根据多个运输目标数据的最优路径生成所述运输连通图。
第一环线集合生成模块,用于根据相邻节点的有向边信息,运输连通图形成第一环线集合。第一环线集合是满足连通图中的运输向量要求的初步环线集合,第一环线集合作为计算机智能算法寻优计算的基础数据,采用迭代递归计算所有符合需求的环线集合。
第二环线集合生成模块,用于基于第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合,其中,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。空载率的目标值通过计算运输承载的剩余量之和来确定。采用多目标遗传算法计算第二环线集合的过程包括:
初始化种群,所述种群包含多个个体,每个个体包含多条环线;
计算个体的多目标值和拥挤度,所述目标值包括中转次数和空载率相关参数;
根据多个个体的目标值进行非支配排序和拥挤度排序,确定Pareto解;
对种群个体进行交叉和变异后重新计算目标值以确定最优解。
在一个实施例中,智能寻找最佳环线集合的系统还包括班车设置模块,如图4所示,用于为最佳环线集合中的环线设置班车数量,所述班车数据的设置满足订单运输的指定速度要求。具体地,根据班车在环线上运行的速度和到站休息时间设置班车的发车间隔和趟数。
本发明实施例中的智能寻找最佳环线集合的系统中各个模块的具体实现可以基于上述智能寻找最佳环线集合的方法的实时方式确定,不再赘述。
基于相同的发明构思,本发明实施例还提供一种智能寻找最佳环线集合的电子设备,如图5所示,该电子设备包括:
至少一个处理器(processor),图5中以一个处理器为例;和存储器(memory),还可以包括通信接口(Communication Interface)和总线。其中,处理器、通信接口、存储器可以通过数据连接完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令,以执行上述实施例的智能寻找最佳环线集合的方法。
此外,上述的存储器中的逻辑指令可以通过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。
存储器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,如本发明实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的实现智能寻找最佳环线集合的方法。
存储器可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设备的使用所创建的数据等。此外,存储器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。
本发明实施例提供的智能寻找最佳环线集合的方法、系统及设备,采用多目标遗传算法能够自动高效地计算基于指定基础的环线集合,且所述环线集合能够满足地空载率、少中转的要求,从而降低了运输成本,提高了运输效率。本方法能够很好地适用于二手车交易的车辆运输,但不限于此,其他能够基于本方法进行环路规划的运输业务同样适用。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种智能寻找最佳环线集合的方法,其特征在于,包括:
根据运输目标数据生成运输连通图,所述运输连通图包括相邻节点的有向边信息;
根据相邻节点的有向边信息,运输连通图形成第一环线集合;
基于第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合,其中,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。
2.根据权利要求1所述的智能寻找最佳环线集合的方法,其特征在于,所述根据运输目标数据生成运输连通图包括:
将每个运输目标数据的初始地映射到其附近的N个指定起始节点,N大于等于1,目的地映射到其附近的M个指定目的节点,M大于等于1;
采用最短路径算法,确定从N个指定起始节点分别到达M个指定目的节点的路径中的最优路径,所述最优路径根据路径长度和路径包含的第一节点数量确定;
根据多个运输目标数据的最优路径生成所述运输连通图。
3.根据权利要求1所述的智能寻找最佳环线集合的方法,其特征在于,
限制所述第一环线集合中的环路路径的节点数满足第一阈值;
限制所述第一环线集合中的往返路径的节点数满足第二阈值。
4.根据权利要求1所述的智能寻找最佳环线集合的方法,其特征在于,采用多目标遗传算法形成第二环线集合包括:
初始化种群,所述种群包含多个个体,每个个体包含多条环线;
计算个体的多目标值,所述目标值包括中转次数和空载率相关参数;
根据多个个体的目标值进行非支配排序和拥挤度排序,确定Pareto解;
对种群个体进行交叉和变异后重新计算目标值以确定最优解。
5.根据权利要求1或4所述的智能寻找最佳环线集合的方法,其特征在于,
所述空载率的目标值通过计算运输承载的剩余量之和来确定。
6.根据权利要求1或4所述的智能寻找最佳环线集合的方法,其特征在于,所述中转次数通过BP算法计算得到。
7.根据权利要求4所述的智能寻找最佳环线集合的方法,其特征在于,所述初始化种群包括,
生成多个所述种群,每个种群包含多个个体,每个个体包括多条环线;
对多个种群并行计算各自的最优解;
根据多个种群的最优解确定第二环线集合。
8.根据权利要求1-4中任一项所述的智能寻找最佳环线集合的方法,其特征在于,还包括为第二环线集合中的环线设置班车数量,所述班车数据的设置满足订单运输的指定速度要求。
9.一种智能寻找最佳环线集合的系统,其特征在于,包括:
连通图生成模块,用于根据运输目标数据生成运输连通图,所述运输连通图包括相邻节点的有向边信息;
第一环线集合生成模块,用于根据相邻节点的有向边信息,运输连通图形成第一环线集合;
第二环线集合生成模块,用于基于第一环线集合和运输目标数据,采用多目标遗传算法确定第二环线集合,其中,所述多目标遗传算法的优化目标包括运输过程中转次数最少和空载率最低。
10.一种电子设备,其特征在于,包括:至少一个处理器以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使所述至少一个处理器执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010470183.9A CN111652550A (zh) | 2020-05-28 | 2020-05-28 | 一种智能寻找最佳环线集合的方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010470183.9A CN111652550A (zh) | 2020-05-28 | 2020-05-28 | 一种智能寻找最佳环线集合的方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652550A true CN111652550A (zh) | 2020-09-11 |
Family
ID=72342828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010470183.9A Pending CN111652550A (zh) | 2020-05-28 | 2020-05-28 | 一种智能寻找最佳环线集合的方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652550A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214529A (zh) * | 2020-09-25 | 2021-01-12 | 桦蓥(上海)信息科技有限责任公司 | 一种基于多目标优化的金融对象异常因素优先级分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000172664A (ja) * | 1998-10-02 | 2000-06-23 | Yoshinori Haseyama | 最適経路及び最適巡回経路探索方法 |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
CN109858154A (zh) * | 2019-01-31 | 2019-06-07 | 广州地铁设计研究院股份有限公司 | 一种基于多目标优化的列车节能运行方法 |
CN111062531A (zh) * | 2019-12-13 | 2020-04-24 | 上海中通吉网络技术有限公司 | 快递干线运输方案的生成方法及装置 |
-
2020
- 2020-05-28 CN CN202010470183.9A patent/CN111652550A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000172664A (ja) * | 1998-10-02 | 2000-06-23 | Yoshinori Haseyama | 最適経路及び最適巡回経路探索方法 |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
CN109858154A (zh) * | 2019-01-31 | 2019-06-07 | 广州地铁设计研究院股份有限公司 | 一种基于多目标优化的列车节能运行方法 |
CN111062531A (zh) * | 2019-12-13 | 2020-04-24 | 上海中通吉网络技术有限公司 | 快递干线运输方案的生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘长石 等: "《震后应急物流系统中的定位-路径问题(LRP)研究》", 《西安交通大学出版社》, pages: 14 - 19 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214529A (zh) * | 2020-09-25 | 2021-01-12 | 桦蓥(上海)信息科技有限责任公司 | 一种基于多目标优化的金融对象异常因素优先级分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Collaborative two-echelon multicenter vehicle routing optimization based on state–space–time network representation | |
Park et al. | Waiting strategy for the vehicle routing problem with simultaneous pickup and delivery using genetic algorithm | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
Manchella et al. | Flexpool: A distributed model-free deep reinforcement learning algorithm for joint passengers and goods transportation | |
CN106156898B (zh) | 一种基于MoCD算法的商品配送路径规划方法 | |
CN111860754B (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
CN113393040B (zh) | 一种基于博弈论的工业园区物流调度方法及系统 | |
Rizzoli et al. | Ant colony optimization for real-world vehicle routing problems: from theory to applications | |
CN107194656A (zh) | 一种基于标准箱订单的配送路径的规划方法及装置 | |
Mesa-Arango et al. | Benefits of in-vehicle consolidation in less than truckload freight transportation operations | |
CN113848970B (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
CN109978232A (zh) | 一种用于agv小车路径优化算法 | |
Rizzoli et al. | Ant Colony Optimisation for vehicle routing problems: from theory to applications | |
CN112801347B (zh) | 基于移动中转站及众包的多目标城市两级配送规划方法 | |
CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
Wang et al. | Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks | |
Wang et al. | Research of oil product secondary distribution optimization based on collaborative distribution | |
Wang et al. | Optimization of ride-sharing with passenger transfer via deep reinforcement learning | |
CN111652550A (zh) | 一种智能寻找最佳环线集合的方法、系统及设备 | |
Pal et al. | SmartPorter: A combined perishable food and people transport architecture in smart urban areas | |
Peng et al. | A three-phase heuristic for last-mile delivery with spatial-temporal consolidation and delivery options | |
Zheng et al. | Evolutionary algorithm for vehicle routing for shared e-bicycle battery replacement and recycling | |
Kwon et al. | A parcel delivery scheduling scheme in road networks | |
Huang et al. | Split-order consolidation optimization for online supermarkets: Process analysis and optimization models |
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 |