CN111780776B - 多频次的车辆路径规划方法、装置、设备及存储介质 - Google Patents

多频次的车辆路径规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111780776B
CN111780776B CN202010566691.7A CN202010566691A CN111780776B CN 111780776 B CN111780776 B CN 111780776B CN 202010566691 A CN202010566691 A CN 202010566691A CN 111780776 B CN111780776 B CN 111780776B
Authority
CN
China
Prior art keywords
target
subordinate
frequency
return
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
Application number
CN202010566691.7A
Other languages
English (en)
Other versions
CN111780776A (zh
Inventor
李斯
刘喻道
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.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software Co Ltd
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 Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202010566691.7A priority Critical patent/CN111780776B/zh
Publication of CN111780776A publication Critical patent/CN111780776A/zh
Application granted granted Critical
Publication of CN111780776B publication Critical patent/CN111780776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及物流运输技术领域，公开了多频次的车辆路径规划方法、装置、设备及存储介质，用于通过改进的数学模型对车辆路径进行约束计算，得到每个车辆的实际规划路径，提高车辆的装载率。方法包括：获取目标分拨中心的待处理数据；进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；计算得到每个分拨频次对应的运输参数；根据运输参数确定每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；对预置的数学模型进行约束，得到每个分拨频次的目标模型；调用预置的改进C‑W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案。

Description

多频次的车辆路径规划方法、装置、设备及存储介质
技术领域
本发明涉及物流技术领域，尤其涉及多频次的车辆路径规划方法、装置、设备及存储介质。
背景技术
目前，网上购物已经成为大部分人生活的一部分，网上购买的物品通过快件形式进行运输，快递的数量急剧增加，需要合理安排快递的分拨及后续流程。
当前业内分拨中心主要采用两个清场频次的运营方式，每次清场后从分拨拉货送往网点的车辆基本都是人工规划线路，当网点数量提升或者分拨清场频次数量提升时，人工规划费时费力，规划效率低，并且规划路线不能根据当天货量的变化做出及时调整，导致车辆的装载率低。
发明内容
本发明提供了一种多频次的车辆路径规划方法、装置、设备及存储介质，用于解决车辆装载率低的问题。
本发明第一方面提供了一种多频次的车辆路径规划方法，包括：获取目标分拨中心的待处理数据，所述待处理数据包括业务数据和位置数据，所述位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，所述业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据；对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；根据所述分拨清场频次信息、各下属网点揽派件量数据及所述目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，所述运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案，所述目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，所述目标规划方案中多个车辆对应的实际规划路径的总距离最小。
可选的，在本发明第一方面的第一种实现方式中，在所述调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标规划方案之后，所述多频次的车辆路径规划方法还包括：根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量。
可选的，在本发明第一方面的第二种实现方式中，所述根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量，包括：当目标车辆完成当前频次派送货物时，确定所述目标车辆在当前分拨频次最后一个下属网点停靠至初始返程时刻，所述初始返程时刻加上目标车辆返回分拨中心所需时长早于下一个频次的开始时刻前一个小时；根据当前分拨频次中目标车辆对应的实际规划路径，确定所述目标车辆从最后一个下属网点返回目标分拨中心的返程路线，所述返程路线包括多个返程下属网点；根据所述多个返程下属网点参与下一个分拨频次的时刻，计算目标车辆在每个返程下属网点的预估携带货量；根据每个返程下属网点的预估携带货量和预置的装货操作时长，确定目标车辆在每个返程下属网点的预估停靠时长；若目标车辆在目标返程下属网点装货后，回到目标分拨中心的时刻晚于下一个分拨频次的开始时刻，则直接跳过所述目标返程下属网点，计算下一个返程下属网点的预估停靠时长；若目标车辆到达目标返程下属网点装货至车辆满仓，目标车辆立即返回目标分拨中心，则重新计算目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量；确定当前分拨频次中其他车辆在每个返程下属网点的预估停靠时长；根据所述其他车辆在每个返程下属网点的预估停靠时长、所述预估携带货量、所述目标车辆在目标返程下属网点的实际停靠时长和所述目标车辆在目标返程下属网点的实际携带货量，确定每个分拨频次中多个车辆在每个下属网点的实际停靠时长及实际携带货量。
可选的，在本发明第一方面的第三种实现方式中，所述对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离，包括：分别在目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据中确定目标分拨中心的经纬度数据和每个下属网点的经纬度数据；剔除所述目标分拨中心的经纬度数据和每个下属网点的经纬度数据中的异常数据，得到第一经纬度和多个第二经纬度，所述第一经纬度为目标分拨中心的经纬度，所述第二经纬度为下属网点的经纬度；计算所述第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离。
可选的，在本发明第一方面的第四种实现方式中，所述计算所述第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离，包括：计算所述第一经纬度到每个第二经纬度的出发距离，得到多个初始出发距离；计算每个第二经纬度到所述第一经纬度的返回距离，得到多个初始返回距离；计算每个第二经纬度之间的出发距离和返回距离，得到多个中间出发距离和多个中间返回距离；根据所述多个初始出发距离、所述多个初始返回距离、所述多个中间出发距离和所述多个中间返回距离，生成目标分拨中心到多个网点之间的双向距离矩阵，所述双向距离矩阵包括目标分拨中心与每个下属网点的往返距离，所述往返距离包括所述第一经纬度到第二经纬度之间去程行驶距离和返程行驶距离，其中，每个网点到网点本身的距离是0。
可选的，在本发明第一方面的第五种实现方式中，在所述获取目标分拨中心的待处理数据之前，所述多频次的车辆路径规划方法还包括：生成预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000031
其中，Z表示实际规划路径的总距离，Cij表示网点i和网点j之间的距离，Xijk为决策变量，K表示车辆数最小值，N是分拨中心和所有下属网点的集合，j∈{1,2,…,N}，i∈{1,2,…,N}。
可选的，在本发明第一方面的第六种实现方式中，所述根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次目标模型包括：获取预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000041
根据预置的最大路径数量确定第一约束条件，
Figure BDA0002548089190000042
根据流量守恒限制条件确定第二约束条件，
Figure BDA0002548089190000043
根据预置的运输服务条件确定第三约束条件，
Figure BDA0002548089190000044
根据预置的运输服务条件确定第四约束条件，
Figure BDA0002548089190000045
根据每个经过的下属网点的派件量和预置的车辆最大容量确定第五约束条件，
Figure BDA0002548089190000046
根据所述对应的网点装卸操作时长和预置的时间窗限制条件确定第六约束条件，
Figure BDA0002548089190000047
根据目标分拨中心到每个经过的下属网点的往返距离确定第七约束条件，ei≤(ti+wi)≤li,i∈{1,2,…,N}；根据所述预置的时间窗限制条件确定第八约束条件，t0＝w0＝s0＝0；根据所述目标函数、所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件、所述第五约束条件、所述第六约束条件、所述第七约束条件、所述第八约束条件，生成每个分拨频次的目标模型，所述目标模型用于解决带时间窗开放式车辆路径问题，其中，ti表示网点i的到达时刻，wi表示网点i的等待时长，tij表示车辆在网点i和网点j之间的运行时间，qi表示网点i的待派件量，Q表示车辆的最大容量，ei和li分别表示网点i的最早和最晚允许到达时刻，si表示网点i的滞留时长；当车辆k经由网点i到网点j时，决策变量Xijk＝1，否则Xijk＝0。
本发明第二方面提供了一种多频次的车辆路径规划装置，包括：获取模块，用于获取目标分拨中心的待处理数据，所述待处理数据包括业务数据和位置数据，所述位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，所述业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据；清洗模块，用于对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；第一计算模块，用于根据所述分拨清场频次信息、各下属网点揽派件量数据及所述目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，所述运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；确定模块，用于根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；约束模块，用于根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；第二计算模块，用于调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案，所述目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，所述目标规划方案中多个车辆对应的实际规划路径的总距离最小。
可选的，在本发明第二方面的第一种实现方式中，所述多频次的车辆路径规划装置还包括：第三计算模块，用于根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量。
可选的，在本发明第二方面的第二种实现方式中，所述第三计算模块具体用于：当目标车辆完成当前频次派送货物时，确定所述目标车辆在当前分拨频次最后一个下属网点停靠至初始返程时刻，所述初始返程时刻加上目标车辆返回分拨中心所需时长早于下一个频次的开始时刻前一个小时；根据当前分拨频次中目标车辆对应的实际规划路径，确定所述目标车辆从最后一个下属网点返回目标分拨中心的返程路线，所述返程路线包括多个返程下属网点；根据所述多个返程下属网点参与下一个分拨频次的时刻，计算目标车辆在每个返程下属网点的预估携带货量；根据每个返程下属网点的预估携带货量和预置的装货操作时长，确定目标车辆在每个返程下属网点的预估停靠时长；若目标车辆在目标返程下属网点装货后，回到目标分拨中心的时刻晚于下一个分拨频次的开始时刻，则直接跳过所述目标返程下属网点，计算下一个返程下属网点的预估停靠时长；若目标车辆到达目标返程下属网点装货至车辆满仓，目标车辆立即返回目标分拨中心，则重新计算目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量；确定当前分拨频次中其他车辆在每个返程下属网点的预估停靠时长；根据所述其他车辆在每个返程下属网点的预估停靠时长、所述预估携带货量、所述目标车辆在目标返程下属网点的实际停靠时长和所述目标车辆在目标返程下属网点的实际携带货量，确定每个分拨频次中多个车辆在每个下属网点的实际停靠时长及实际携带货量。
可选的，在本发明第二方面的第三种实现方式中，所述清洗模块包括：确定单元，用于分别在目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据中确定目标分拨中心的经纬度数据和每个下属网点的经纬度数据；剔除单元，用于剔除所述目标分拨中心的经纬度数据和每个下属网点的经纬度数据中的异常数据，得到第一经纬度和多个第二经纬度，所述第一经纬度为目标分拨中心的经纬度，所述第二经纬度为下属网点的经纬度；计算单元，用于计算所述第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离。
可选的，在本发明第二方面的第四种实现方式中，计算单元具体用于：计算所述第一经纬度到每个第二经纬度的出发距离，得到多个初始出发距离；计算每个第二经纬度到所述第一经纬度的返回距离，得到多个初始返回距离；计算每个第二经纬度之间的出发距离和返回距离，得到多个中间出发距离和多个中间返回距离；根据所述多个初始出发距离、所述多个初始返回距离、所述多个中间出发距离和所述多个中间返回距离，生成目标分拨中心到多个网点之间的双向距离矩阵，所述双向距离矩阵包括目标分拨中心与每个下属网点的往返距离，所述往返距离包括所述第一经纬度到第二经纬度之间去程行驶距离和返程行驶距离，其中，每个网点到网点本身的距离是0。
可选的，在本发明第二方面的第五种实现方式中，多频次的车辆路径规划装置还包括：生成模块，用于生成预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000061
其中，Z表示实际规划路径的总距离，Cij表示网点i和网点j之间的距离，Xijk为决策变量，K表示车辆数最小值，N是分拨中心和所有下属网点的集合，j∈{1,2,…,N}，i∈{1,2,…,N}。
可选的，在本发明第二方面的第六种实现方式中，生成模块具体用于：获取预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000062
根据预置的最大路径数量确定第一约束条件，
Figure BDA0002548089190000063
根据流量守恒限制条件确定第二约束条件，
Figure BDA0002548089190000071
根据预置的运输服务条件确定第三约束条件，
Figure BDA0002548089190000072
根据预置的运输服务条件确定第四约束条件，
Figure BDA0002548089190000073
根据每个经过的下属网点的派件量和预置的车辆最大容量确定第五约束条件，
Figure BDA0002548089190000074
根据所述对应的网点装卸操作时长和预置的时间窗限制条件确定第六约束条件，
Figure BDA0002548089190000075
根据目标分拨中心到每个经过的下属网点的往返距离确定第七约束条件，ei≤(ti+wi)≤li,i∈{1,2,…,N}；根据所述预置的时间窗限制条件确定第八约束条件，t0＝w0＝s0＝0；根据所述目标函数、所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件、所述第五约束条件、所述第六约束条件、所述第七约束条件、所述第八约束条件，生成每个分拨频次的目标模型，所述目标模型用于解决带时间窗开放式车辆路径问题，其中，ti表示网点i的到达时刻，wi表示网点i的等待时长，tij表示车辆在网点i和网点j之间的运行时间，qi表示网点i的待派件量，Q表示车辆的最大容量，ei和li分别表示网点i的最早和最晚允许到达时刻，si表示网点i的滞留时长；当车辆k经由网点i到网点j时，决策变量Xijk＝1，否则Xijk＝0。
本发明第三方面提供了一种多频次的车辆路径规划设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述多频次的车辆路径规划设备执行上述的多频次的车辆路径规划方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的多频次的车辆路径规划方法。
本发明提供的技术方案中，获取目标分拨中心的待处理数据，待处理数据包括业务数据和位置数据，位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，业务数据包括分拨清场频次信息和目标分拨中心对应的下属网点的揽派件数据；对目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；根据分拨清场频次信息、各下属网点揽派件量数据及目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；根据每个分拨频次中每个经过的下属网点的派件量、对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；调用预置的改进C-W节约算法计算目标模型，得到每个分拨频次的目标车辆路径规划方案，目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，目标规划方案中多个车辆对应的实际规划路径的总距离最小。本发明实施例中，通过改进的C-W节约算法对数学模型进行计算，得到总路径最短的车辆规划方案，确定每个车辆的实际规划路径，提高了车辆的装载率，提高了运输效率。
附图说明
图1为本发明实施例中多频次的车辆路径规划方法的一个实施例示意图；
图2为本发明实施例中多频次的车辆路径规划方法的另一个实施例示意；
图3为本发明实施例中多频次的车辆路径规划装置的一个实施例示意图；
图4为本发明实施例中多频次的车辆路径规划装置的另一个实施例示意图；
图5为本发明实施例中多频次的车辆路径规划设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种多频次的车辆路径规划方法、装置、设备及存储介质，用于通过改进的C-W节约算法对数学模型进行计算，得到总路径最短的车辆规划方案，确定每个车辆的实际规划路径，提高车辆的装载率，提高运输效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中多频次的车辆路径规划方法的一个实施例包括：
101、获取目标分拨中心的待处理数据，待处理数据包括业务数据和位置数据，位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据。
服务器获取目标分拨中心的待处理数据，该待处理数据包括业务数据和位置数据，该位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，业务数据包括业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据。
例如，待处理数据可以是快递公司在全国设置的多个分拨中心和三千多个一级下属网点的数据，以任意一个分拨中心为例，具体可以包括：分拨清场频次信息、每个分拨频次分拨中心到网点的派件量(出货量)、网点到分拨中心的揽件量(收货量)、车辆最大载重以及分拨中心与网点之间的距离、网点与网点之间的距离等。
可以理解的是，本发明的执行主体可以为多频次的车辆路径规划装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、对目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离。
服务器对目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离。
需要说明的是，数据清洗需要将位置数据中的异常数据和缺失数据进行清洗，以提高数据的准确性，数据清洗为常用技术手段，此处不再赘述。
103、根据分拨清场频次信息、各下属网点揽派件量数据及目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点。
服务器据分拨清场频次信息、各下属网点揽派件量数据及目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点。
需要说明的是，揽派件货量包括派件量(出货量)和揽件量(收货量)，另外，因为城市实际道路的限制，车辆需要按照交通指示和交通规则进行行驶，因此，一个网点和分拨中心之间的往返距离不一定完全相同，将目标分拨中心到每个下属网点的距离分为出发距离(去程行驶距离)和返回距离(返程行驶距离)。
可以理解的是，因为业务的影响，每一次分拨频次涉及到的网点不完全相同，因此，需要确定每一次分拨中车辆经过的下属网点，即参与每个频次的下属网点。
104、根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量。
服务器根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量。
例如，第一次分拨频次中，涉及到的网点包括下属网点A、下属网点B、下属网点C、下属网点D、下属网点E、下属网点F，在第二次分拨频次中，涉及到的网点包括下属网点A、下属网点B、下属网点C、下属网点D、下属网点G和下属网点H；那么第一次分拨频次中需要计算车辆在下属网点A、下属网点B、下属网点C、下属网点D、下属网点E、下属网点F的派件量和对应的装卸操作时长，因为在第二次分拨频次中，涉及到的相同网点包括下属网点A、下属网点B、下属网点C和下属网点D，则在第一次分拨频次中还需要计算车辆在下属网点A、下属网点B、下属网点C和下属网点D在下一个分拨频次的揽件量。
105、根据每个分拨频次中每个经过的下属网点的派件量、对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型。
服务器根据每个分拨频次中每个经过的下属网点的派件量、对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型。
需要说明的是，预置的通用数学模型进行路径数量约束、流量守恒约束、运输服务约束、车辆容量约束和时间窗限制，以使得生成的目标模型可以解决解决带时间窗开放式车辆路径问题。
106、调用预置的改进C-W节约算法计算目标模型，得到每个分拨频次的目标车辆路径规划方案，目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，目标规划方案中多个车辆对应的实际规划路径的总距离最小。
服务器调用预置的改进C-W节约算法计算目标模型，得到每个分拨频次的目标车辆路径规划方案，目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，目标规划方案中多个车辆对应的实际规划路径的总距离最小。
需要说明的是，C-W节约算法的具体过程如下：
服务器将目标分拨中心分别与下属网点连接，得到n-1条初始线路，初始线路为目标分拨中心到下属网点j的距离与下属网点j到目标分拨中心的距离之和，该n-1条初始路线仅含一个访问网点的线路；服务器计算n-1条初始线路的节约值S(i,j)＝2C1j+2C1i-(C1j+Cij+C1i)＝C1j-Cij+C1i；服务器将大于零节约值S(i,j)＞0，按照从大到小的顺序进行排列，得到节约值排序表；服务器判断节约值排序表中网点对(i,j)之间的位置，下属网点i和下属网点j是否可以连接；若下属网点i和下属网点j可以连接，则服务器判断车辆的载货重量qij是否小于或等于车辆的额定载重量Q；若qij≤Q，则服务器判断是否满足预置约束条件，其中Δj-或Δj+满足|EFj|的约束；若满足预置约束条件，则连接下属网点i和下属网点j构成一条路线。
需要说明的是，Δj-代表到达j网点提前的时间，Δj+代表到达j网点滞后的时间，根据业务规则，无论提前到达还是推迟到达，都要在规定时间±EFj也就是|EFj|之内，满足此条件则车辆从此网点经过，不满足则直接跳过此网点，即返程揽件的时候用到的约束条件。
其中，对节约值排序表进行按照从大到小的顺序进行检测的过程为：
判断是否存在两条目标线路，例如，对于下属网点1、i和j，则第一目标线路为网点1到网点i的线路，第一目标线路包含弧或边(i,1)，第二目标线路为网点1到网点j的目标线路，第二目标线路包含弧或边(1,j)，若第一目标线路和第二目标线路存在，且合并后能保持解可行，则引入弧或边(i,j)将两条目标线路合并，并删除(i,1)和(1,j)，直至没有可合并的目标线路为止。
本发明实施例中，通过改进的C-W节约算法对数学模型进行计算，得到总路径最短的车辆规划方案，确定每个车辆的实际规划路径，提高了车辆的装载率，提高了运输效率。
请参阅图2，本发明实施例中多频次的车辆路径规划方法的另一个实施例包括：
201、生成预置的数学模型。
服务器生成预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000121
其中，Z表示实际规划路径的总距离，Cij表示网点i和网点j之间的距离，Xijk为决策变量，K表示车辆数最小值，N是分拨中心和所有下属网点的集合，j∈{1,2,…,N}，i∈{1,2,…,N}。
202、获取目标分拨中心的待处理数据，待处理数据包括业务数据和位置数据，位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，业务数据包括业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据。
服务器获取目标分拨中心的待处理数据，该待处理数据包括业务数据和位置数据，该位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，业务数据包括业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据。
例如，待处理数据可以是快递公司在全国设置的多个分拨中心和三千多个一级下属网点的数据，以任意一个分拨中心为例，具体可以包括：分拨清场频次信息、每个分拨频次分拨中心到网点的派件量(出货量)、网点到分拨中心的揽件量(收货量)、车辆最大载重以及分拨中心与网点之间的距离、网点与网点之间的距离等。
可以理解的是，本发明的执行主体可以为多频次的车辆路径规划装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
203、对目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离。
服务器对目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离。
具体的，服务器分别在目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据中确定目标分拨中心的经纬度数据和每个下属网点的经纬度数据；服务器剔除目标分拨中心的经纬度数据和每个下属网点的经纬度数据中的异常数据，得到第一经纬度和多个第二经纬度，第一经纬度为目标分拨中心的经纬度，第二经纬度为下属网点的经纬度；服务器计算第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离。
其中，服务器计算第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离，包括：服务器计算第一经纬度到每个第二经纬度的出发距离，得到多个初始出发距离；服务器计算每个第二经纬度到第一经纬度的返回距离，得到多个初始返回距离；服务器计算每个第二经纬度之间的出发距离和返回距离，得到多个中间出发距离和多个中间返回距离；服务器根据多个初始出发距离、多个初始返回距离、多个中间出发距离和多个中间返回距离，生成目标分拨中心到多个网点之间的双向距离矩阵，双向距离矩阵包括目标分拨中心与每个下属网点的往返距离，往返距离包括第一经纬度到第二经纬度之间去程行驶距离和返程行驶距离，其中，每个网点到网点本身的距离是0。
需要说明的是，双向距离矩阵包括所有网点(包括分拨中心和下属网点)之间的距离，比如100个网点，就是一个100*100的距离矩阵，其中每个网点到网点本身的距离是0。
可以理解的是，数据清洗需要将位置数据中的异常数据和缺失数据进行清洗，以提高数据的准确性，数据清洗为常用技术手段，此处不再赘述。
204、根据分拨清场频次信息、各下属网点揽派件量数据及目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点。
服务器据分拨清场频次信息、各下属网点揽派件量数据及目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点。
需要说明的是，揽派件货量包括派件量(出货量)和揽件量(收货量)，另外，因为城市实际道路的限制，车辆需要按照交通指示和交通规则进行行驶，因此，一个网点和分拨中心之间的往返距离不一定完全相同，将目标分拨中心到每个下属网点的距离分为出发距离(去程行驶距离)和返回距离(返程行驶距离)。
可以理解的是，因为业务的影响，每一次分拨频次涉及到的网点不完全相同，因此，需要确定每一次分拨中车辆经过的下属网点，即参与每个频次的下属网点。
205、根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量。
服务器根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量。
例如，第一次分拨频次中，涉及到的网点包括下属网点A、下属网点B、下属网点C、下属网点D、下属网点E、下属网点F，在第二次分拨频次中，涉及到的网点包括下属网点A、下属网点B、下属网点C、下属网点D、下属网点G和下属网点H；那么第一次分拨频次中需要计算车辆在下属网点A、下属网点B、下属网点C、下属网点D、下属网点E、下属网点F的派件量和对应的装卸操作时长，因为在第二次分拨频次中，涉及到的相同网点包括下属网点A、下属网点B、下属网点C和下属网点D，则在第一次分拨频次中还需要计算车辆在下属网点A、下属网点B、下属网点C和下属网点D在下一个分拨频次的揽件量。
206、根据每个分拨频次中每个经过的下属网点的派件量、对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型。
服务器根据每个分拨频次中每个经过的下属网点的派件量、对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型。
需要说明的是，预置的通用数学模型进行路径数量约束、流量守恒约束、运输服务约束、车辆容量约束和时间窗限制，以使得生成的目标模型可以解决解决带时间窗开放式车辆路径问题。
207、调用预置的改进C-W节约算法计算目标模型，得到每个分拨频次的目标车辆路径规划方案，目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，目标规划方案中多个车辆对应的实际规划路径的总距离最小。
服务器调用预置的改进C-W节约算法计算目标模型，得到每个分拨频次的目标车辆路径规划方案，目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，目标规划方案中多个车辆对应的实际规划路径的总距离最小。
需要说明的是，C-W节约算法的具体过程如下：
服务器将目标分拨中心分别与下属网点连接，得到n-1条初始线路，初始线路为目标分拨中心到下属网点j的距离与下属网点j到目标分拨中心的距离之和，该n-1条初始路线仅含一个访问网点的线路；服务器计算n-1条初始线路的节约值S(i,j)＝2C1j+2C1i-(C1j+Cij+C1i)＝C1j-Cij+C1i；服务器将大于零节约值S(i,j)＞0，按照从大到小的顺序进行排列，得到节约值排序表；服务器判断节约值排序表中网点对(i,j)之间的位置，下属网点i和下属网点j是否可以连接；若下属网点i和下属网点j可以连接，则服务器判断车辆的载货重量qij是否小于或等于车辆的额定载重量Q；若qij≤Q，则服务器判断是否满足预置约束条件，其中Δj-或Δj+满足|EFj|的约束；若满足预置约束条件，则连接下属网点i和下属网点j构成一条路线。
需要说明的是，Δj-代表到达j网点提前的时间，Δj+代表到达j网点滞后的时间，根据业务规则，无论提前到达还是推迟到达，都要在规定时间±EFj也就是|EFj|之内，满足此条件则车辆从此网点经过，不满足则直接跳过此网点，即返程揽件的时候用到的约束条件。
其中，对节约值排序表进行按照从大到小的顺序进行检测的过程为：
判断是否存在两条目标线路，例如，对于下属网点1、i和j，则第一目标线路为网点1到网点i的线路，第一目标线路包含弧或边(i,1)，第二目标线路为网点1到网点j的目标线路，第二目标线路包含弧或边(1,j)，若第一目标线路和第二目标线路存在，且合并后能保持解可行，则引入弧或边(i,j)将两条目标线路合并，并删除(i,1)和(1,j)，直至没有可合并的目标线路为止。
208、根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量。
服务器根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量。
具体的，当目标车辆完成当前频次派送货物时，服务器确定目标车辆在当前分拨频次最后一个下属网点停靠至初始返程时刻，初始返程时刻加上目标车辆返回分拨中心所需时长早于下一个频次的开始时刻前一个小时；服务器根据当前分拨频次中目标车辆对应的实际规划路径，确定目标车辆从最后一个下属网点返回目标分拨中心的返程路线，返程路线包括多个返程下属网点；服务器根据多个返程下属网点参与下一个分拨频次的时刻，计算目标车辆在每个返程下属网点的预估携带货量；服务器根据每个返程下属网点的预估携带货量和预置的装货操作时长，确定目标车辆在每个返程下属网点的预估停靠时长；若目标车辆在目标返程下属网点装货后，回到目标分拨中心的时刻晚于下一个分拨频次的开始时刻，则服务器直接跳过目标返程下属网点，计算下一个返程下属网点的预估停靠时长；若目标车辆到达目标返程下属网点装货至车辆满仓，目标车辆立即返回目标分拨中心，则服务器重新计算目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量；服务器确定当前分拨频次中其他车辆在每个返程下属网点的预估停靠时长；服务器根据其他车辆在每个返程下属网点的预估停靠时长、预估携带货量、目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量，确定每个分拨频次中多个车辆在每个下属网点的实际停靠时长及实际携带货量。
本发明实施例中，通过改进的C-W节约算法对数学模型进行计算，得到总路径最短的车辆规划方案，确定每个车辆的实际规划路径，提高了车辆的装载率，提高了运输效率。
上面对本发明实施例中多频次的车辆路径规划方法进行了描述，下面对本发明实施例中多频次的车辆路径规划装置进行描述，请参阅图3，本发明实施例中多频次的车辆路径规划装置一个实施例包括：
获取模块301，用于获取目标分拨中心的待处理数据，所述待处理数据包括业务数据和位置数据，所述位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，所述业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据；
清洗模块302，用于对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；
第一计算模块303，用于根据所述分拨清场频次信息、各下属网点揽派件量数据及所述目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，所述运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；
确定模块304，用于根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；
约束模块305，用于根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；
第二计算模块306，用于调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案，所述目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，所述目标规划方案中多个车辆对应的实际规划路径的总距离最小。
本发明实施例中，通过改进的C-W节约算法对数学模型进行计算，得到总路径最短的车辆规划方案，确定每个车辆的实际规划路径，提高了车辆的装载率，提高了运输效率。
请参阅图4，本发明实施例中多频次的车辆路径规划装置的另一个实施例包括：
获取模块301，用于获取目标分拨中心的待处理数据，所述待处理数据包括业务数据和位置数据，所述位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，所述业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据；
清洗模块302，用于对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；
第一计算模块303，用于根据所述分拨清场频次信息、各下属网点揽派件量数据及所述目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，所述运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；
确定模块304，用于根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；
约束模块305，用于根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；
第二计算模块306，用于调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案，所述目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，所述目标规划方案中多个车辆对应的实际规划路径的总距离最小。
可选的，多频次的车辆路径规划装置还包括：
第三计算模块307，用于根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量。
可选的，第三计算模块307具体用于：
当目标车辆完成当前频次派送货物时，确定所述目标车辆在当前分拨频次最后一个下属网点停靠至初始返程时刻，所述初始返程时刻加上目标车辆返回分拨中心所需时长早于下一个频次的开始时刻前一个小时；根据当前分拨频次中目标车辆对应的实际规划路径，确定所述目标车辆从最后一个下属网点返回目标分拨中心的返程路线，所述返程路线包括多个返程下属网点；根据所述多个返程下属网点参与下一个分拨频次的时刻，计算目标车辆在每个返程下属网点的预估携带货量；根据每个返程下属网点的预估携带货量和预置的装货操作时长，确定目标车辆在每个返程下属网点的预估停靠时长；若目标车辆在目标返程下属网点装货后，回到目标分拨中心的时刻晚于下一个分拨频次的开始时刻，则直接跳过所述目标返程下属网点，计算下一个返程下属网点的预估停靠时长；若目标车辆到达目标返程下属网点装货至车辆满仓，目标车辆立即返回目标分拨中心，则重新计算目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量；确定当前分拨频次中其他车辆在每个返程下属网点的预估停靠时长；根据所述其他车辆在每个返程下属网点的预估停靠时长、所述预估携带货量、所述目标车辆在目标返程下属网点的实际停靠时长和所述目标车辆在目标返程下属网点的实际携带货量，确定每个分拨频次中多个车辆在每个下属网点的实际停靠时长及实际携带货量。
可选的，清洗模块302包括：
确定单元3021，用于分别在目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据中确定目标分拨中心的经纬度数据和每个下属网点的经纬度数据；
剔除单元3022，用于剔除所述目标分拨中心的经纬度数据和每个下属网点的经纬度数据中的异常数据，得到第一经纬度和多个第二经纬度，所述第一经纬度为目标分拨中心的经纬度，所述第二经纬度为下属网点的经纬度；
计算单元3023，用于计算所述第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离。
可选的，计算单元3023具体用于：
计算所述第一经纬度到每个第二经纬度的出发距离，得到多个初始出发距离；计算每个第二经纬度到所述第一经纬度的返回距离，得到多个初始返回距离；计算每个第二经纬度之间的出发距离和返回距离，得到多个中间出发距离和多个中间返回距离；根据所述多个初始出发距离、所述多个初始返回距离、所述多个中间出发距离和所述多个中间返回距离，生成目标分拨中心到多个网点之间的双向距离矩阵，所述双向距离矩阵包括目标分拨中心与每个下属网点的往返距离，所述往返距离包括所述第一经纬度到第二经纬度之间去程行驶距离和返程行驶距离，其中，每个网点到网点本身的距离是0。
可选的，多频次的车辆路径规划装置还包括：
生成模块308，用于生成预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000201
其中，Z表示实际规划路径的总距离，Cij表示网点i和网点j之间的距离，Xijk为决策变量，K表示车辆数最小值，N是分拨中心和所有下属网点的集合，j∈{1,2,…,N}，i∈{1,2,…,N}。
可选的，生成模块308具体用于：
获取预置的数学模型，数学模型中的目标函数为
Figure BDA0002548089190000202
根据预置的最大路径数量确定第一约束条件，
Figure BDA0002548089190000203
根据流量守恒限制条件确定第二约束条件，
Figure BDA0002548089190000204
根据预置的运输服务条件确定第三约束条件，
Figure BDA0002548089190000205
根据预置的运输服务条件确定第四约束条件，
Figure BDA0002548089190000206
根据每个经过的下属网点的派件量和预置的车辆最大容量确定第五约束条件，
Figure BDA0002548089190000207
根据所述对应的网点装卸操作时长和预置的时间窗限制条件确定第六约束条件，
Figure BDA0002548089190000208
根据目标分拨中心到每个经过的下属网点的往返距离确定第七约束条件，ei≤(ti+wi)≤li,i∈{1,2,…,N}；根据所述预置的时间窗限制条件确定第八约束条件，t0＝w0＝s0＝0；根据所述目标函数、所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件、所述第五约束条件、所述第六约束条件、所述第七约束条件、所述第八约束条件，生成每个分拨频次的目标模型，所述目标模型用于解决带时间窗开放式车辆路径问题，其中，ti表示网点i的到达时刻，wi表示网点i的等待时长，tij表示车辆在网点i和网点j之间的运行时间，qi表示网点i的待派件量，Q表示车辆的最大容量，ei和li分别表示网点i的最早和最晚允许到达时刻，si表示网点i的滞留时长；当车辆k经由网点i到网点j时，决策变量Xijk＝1，否则Xijk＝0。
本发明实施例中，通过改进的C-W节约算法对数学模型进行计算，得到总路径最短的车辆规划方案，确定每个车辆的实际规划路径，提高了车辆的装载率，提高了运输效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中多频次的车辆路径规划装置进行详细描述，下面从硬件处理的角度对本发明实施例中多频次的车辆路径规划设备进行详细描述。
图5是本发明实施例提供的一种多频次的车辆路径规划设备的结构示意图，该多频次的车辆路径规划设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对多频次的车辆路径规划设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在多频次的车辆路径规划设备500上执行存储介质530中的一系列指令操作。
多频次的车辆路径规划设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的多频次的车辆路径规划设备结构并不构成对多频次的车辆路径规划设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述多频次的车辆路径规划方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；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 (8)

1.一种多频次的车辆路径规划方法，其特征在于，所述多频次的车辆路径规划方法包括：
获取目标分拨中心的待处理数据，所述待处理数据包括业务数据和位置数据，所述位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，所述业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据；
对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；
根据所述分拨清场频次信息、各下属网点揽派件量数据及所述目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，所述运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；
根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；
根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；
调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案，所述目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，所述目标车辆路径规划方案中多个车辆对应的实际规划路径的总距离最小；
根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量；
所述根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量，包括：
当目标车辆完成当前频次派送货物时，确定所述目标车辆在当前分拨频次最后一个下属网点停靠至初始返程时刻，所述初始返程时刻加上目标车辆返回分拨中心所需时长早于下一个频次的开始时刻前一个小时；
根据当前分拨频次中目标车辆对应的实际规划路径，确定所述目标车辆从最后一个下属网点返回目标分拨中心的返程路线，所述返程路线包括多个返程下属网点；
根据所述多个返程下属网点参与下一个分拨频次的时刻，计算目标车辆在每个返程下属网点的预估携带货量；
根据每个返程下属网点的预估携带货量和预置的装货操作时长，确定目标车辆在每个返程下属网点的预估停靠时长；
若目标车辆在目标返程下属网点装货后，回到目标分拨中心的时刻晚于下一个分拨频次的开始时刻，则直接跳过所述目标返程下属网点，计算下一个返程下属网点的预估停靠时长；
若目标车辆到达目标返程下属网点装货至车辆满仓，目标车辆立即返回目标分拨中心，则重新计算目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量；
确定当前分拨频次中其他车辆在每个返程下属网点的预估停靠时长；
根据所述其他车辆在每个返程下属网点的预估停靠时长、所述预估携带货量、所述目标车辆在目标返程下属网点的实际停靠时长和所述目标车辆在目标返程下属网点的实际携带货量，确定每个分拨频次中多个车辆在每个下属网点的实际停靠时长及实际携带货量；
预置的改进C-W节约算法的具体过程如下：
将目标分拨中心分别与下属网点连接，得到
Figure 354752DEST_PATH_IMAGE001
条初始线路，初始线路为目标分拨中心到下属网点j的距离与下属网点j到目标分拨中心的距离之和，该
Figure 740734DEST_PATH_IMAGE001
条初始线路仅含一个访问网点的线路；计算
Figure 786050DEST_PATH_IMAGE001
条初始线路的节约值
Figure 915680DEST_PATH_IMAGE002
；将大于零的节约值
Figure 198894DEST_PATH_IMAGE003
，按照从大到小的顺序进行排列，得到节约值排序表；判断节约值排序表中网点对
Figure 145990DEST_PATH_IMAGE004
之间的位置，下属网点
Figure 147444DEST_PATH_IMAGE005
和下属网点
Figure 346344DEST_PATH_IMAGE006
是否可以连接；若下属网点
Figure 484065DEST_PATH_IMAGE007
和下属网点
Figure 477429DEST_PATH_IMAGE006
可以连接，则判断车辆的载货重量
Figure 90813DEST_PATH_IMAGE008
是否小于或等于车辆的额定载重量
Figure 827824DEST_PATH_IMAGE009
；若
Figure 85630DEST_PATH_IMAGE010
，则判断是否满足预置约束条件，其中
Figure 249895DEST_PATH_IMAGE011
或
Figure 225942DEST_PATH_IMAGE012
满足
Figure 501065DEST_PATH_IMAGE013
的约束；若满足预置约束条件，则连接下属网点
Figure 3591DEST_PATH_IMAGE007
和下属网点
Figure 73178DEST_PATH_IMAGE006
构成一条路线，其中，
Figure 802100DEST_PATH_IMAGE011
代表到达j网点提前的时间，
Figure 615335DEST_PATH_IMAGE012
代表到达j网点滞后的时间,
Figure 847733DEST_PATH_IMAGE014
代表返程揽件的约束条件。
2.根据权利要求1所述的多频次的车辆路径规划方法，其特征在于，所述对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离，包括：
分别在目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据中确定目标分拨中心的经纬度数据和每个下属网点的经纬度数据；
剔除所述目标分拨中心的经纬度数据和每个下属网点的经纬度数据中的异常数据，得到第一经纬度和多个第二经纬度，所述第一经纬度为目标分拨中心的经纬度，所述第二经纬度为下属网点的经纬度；
计算所述第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离。
3.根据权利要求2所述的多频次的车辆路径规划方法，其特征在于，所述计算所述第一经纬度和每个第二经纬度之间的去程行驶距离和返程行驶距离，得到目标分拨中心与每个下属网点之间的往返距离，包括：
计算所述第一经纬度到每个第二经纬度的出发距离，得到多个初始出发距离；
计算每个第二经纬度到所述第一经纬度的返回距离，得到多个初始返回距离；
计算每个第二经纬度之间的出发距离和返回距离，得到多个中间出发距离和多个中间返回距离；
根据所述多个初始出发距离、所述多个初始返回距离、所述多个中间出发距离和所述多个中间返回距离，生成目标分拨中心到多个网点之间的双向距离矩阵，所述双向距离矩阵包括目标分拨中心与每个下属网点的往返距离，所述往返距离包括所述第一经纬度到第二经纬度之间去程行驶距离和返程行驶距离，其中，每个网点到网点本身的距离是0。
4.根据权利要求1-3中任一项所述的多频次的车辆路径规划方法，其特征在于，在所述获取目标分拨中心的待处理数据之前，所述多频次的车辆路径规划方法还包括：
生成预置的数学模型，数学模型中的目标函数为
Figure 212855DEST_PATH_IMAGE015
，其中，
Figure 429073DEST_PATH_IMAGE016
表示实际规划路径的总距离，
Figure 45999DEST_PATH_IMAGE017
表示网点i和网点j之间的距离，
Figure 132904DEST_PATH_IMAGE018
为决策变量，
Figure 75452DEST_PATH_IMAGE019
表示车辆数最小值，
Figure 247807DEST_PATH_IMAGE020
是分拨中心和所有下属网点的集合，
Figure 539198DEST_PATH_IMAGE021
，
Figure 746188DEST_PATH_IMAGE022
。
5.根据权利要求4所述的多频次的车辆路径规划方法，其特征在于，所述根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次目标模型包括：
获取预置的数学模型，数学模型中的目标函数为
Figure 594058DEST_PATH_IMAGE015
；
根据预置的最大路径数量确定第一约束条件，
Figure 253710DEST_PATH_IMAGE023
；
根据流量守恒限制条件确定第二约束条件，
Figure 212439DEST_PATH_IMAGE024
；
根据预置的运输服务条件确定第三约束条件，
Figure 539515DEST_PATH_IMAGE025
；
根据预置的运输服务条件确定第四约束条件，
Figure 682920DEST_PATH_IMAGE026
；
根据每个经过的下属网点的派件量和预置的车辆最大容量确定第五约束条件，
Figure 829868DEST_PATH_IMAGE027
；
根据所述对应的网点装卸操作时长和预置的时间窗限制条件确定第六约束条件，
Figure 326708DEST_PATH_IMAGE028
；
根据目标分拨中心到每个经过的下属网点的往返距离确定第七约束条件，
Figure 242711DEST_PATH_IMAGE029
；
根据所述预置的时间窗限制条件确定第八约束条件，
Figure 697964DEST_PATH_IMAGE030
；
根据所述目标函数、所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件、所述第五约束条件、所述第六约束条件、所述第七约束条件、所述第八约束条件，生成每个分拨频次的目标模型，所述目标模型用于解决带时间窗开放式车辆路径问题，其中，
Figure 456841DEST_PATH_IMAGE031
表示网点i的到达时刻，
Figure 757372DEST_PATH_IMAGE032
表示网点i的等待时长，
Figure 793462DEST_PATH_IMAGE033
表示车辆在网点i和网点j之间的运行时间，
Figure 154036DEST_PATH_IMAGE034
表示网点i的待派件量，
Figure 275575DEST_PATH_IMAGE035
表示车辆的最大容量，
Figure 238852DEST_PATH_IMAGE036
和
Figure 395027DEST_PATH_IMAGE037
分别表示网点i的最早和最晚允许到达时刻，
Figure 926503DEST_PATH_IMAGE038
表示网点i的滞留时长；当车辆
Figure 269759DEST_PATH_IMAGE039
经由网点i到网点j时，决策变量
Figure 443252DEST_PATH_IMAGE040
，否则
Figure 188354DEST_PATH_IMAGE041
。
6.一种多频次的车辆路径规划装置，其特征在于，所述多频次的车辆路径规划装置包括：
获取模块，用于获取目标分拨中心的待处理数据，所述待处理数据包括业务数据和位置数据，所述位置数据包括目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据，所述业务数据包括分拨清场频次信息和所述目标分拨中心对应的下属网点的揽派件数据；
清洗模块，用于对所述目标分拨中心的位置数据和目标分拨中心对应的多个下属网点的位置数据进行数据清洗，并根据清洗后的位置数据计算目标分拨中心到每个下属网点的往返距离；
第一计算模块，用于根据所述分拨清场频次信息、各下属网点揽派件量数据及所述目标分拨中心到每个下属网点的往返距离，计算得到每个分拨频次对应的运输参数，所述运输参数包括有效时间段、各下属网点的揽派件货量和参与此频次的下属网点；
确定模块，用于根据每个分拨频次对应的运输参数确定每个分拨频次中每个参与派送的下属网点的派件量和对应的网点装卸操作时长，以及每个参与派送的网点参与下一个分拨频次的揽件量；
约束模块，用于根据每个分拨频次中每个经过的下属网点的派件量、所述对应的网点装卸操作时长以及目标分拨中心到每个经过的下属网点的往返距离，对预置的数学模型进行约束，得到每个分拨频次的目标模型；
第二计算模块，用于调用预置的改进C-W节约算法计算所述目标模型，得到每个分拨频次的目标车辆路径规划方案，所述目标车辆路径规划方案包括每个车辆对应的实际规划路径，其中，所述目标车辆路径规划方案中多个车辆对应的实际规划路径的总距离最小；
根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量；
所述根据每个分拨频次中每个车辆对应的实际规划路径计算多个车辆在每个返程下属网点的实际停靠时长及实际携带货量，包括：
当目标车辆完成当前频次派送货物时，确定所述目标车辆在当前分拨频次最后一个下属网点停靠至初始返程时刻，所述初始返程时刻加上目标车辆返回分拨中心所需时长早于下一个频次的开始时刻前一个小时；
根据当前分拨频次中目标车辆对应的实际规划路径，确定所述目标车辆从最后一个下属网点返回目标分拨中心的返程路线，所述返程路线包括多个返程下属网点；
根据所述多个返程下属网点参与下一个分拨频次的时刻，计算目标车辆在每个返程下属网点的预估携带货量；
根据每个返程下属网点的预估携带货量和预置的装货操作时长，确定目标车辆在每个返程下属网点的预估停靠时长；
若目标车辆在目标返程下属网点装货后，回到目标分拨中心的时刻晚于下一个分拨频次的开始时刻，则直接跳过所述目标返程下属网点，计算下一个返程下属网点的预估停靠时长；
若目标车辆到达目标返程下属网点装货至车辆满仓，目标车辆立即返回目标分拨中心，则重新计算目标车辆在目标返程下属网点的实际停靠时长和目标车辆在目标返程下属网点的实际携带货量；
确定当前分拨频次中其他车辆在每个返程下属网点的预估停靠时长；
根据所述其他车辆在每个返程下属网点的预估停靠时长、所述预估携带货量、所述目标车辆在目标返程下属网点的实际停靠时长和所述目标车辆在目标返程下属网点的实际携带货量，确定每个分拨频次中多个车辆在每个下属网点的实际停靠时长及实际携带货量；
预置的改进C-W节约算法的具体过程如下：
将目标分拨中心分别与下属网点连接，得到
Figure 15364DEST_PATH_IMAGE001
条初始线路，初始线路为目标分拨中心到下属网点j的距离与下属网点j到目标分拨中心的距离之和，该
Figure 845917DEST_PATH_IMAGE001
条初始线路仅含一个访问网点的线路；计算
Figure 291942DEST_PATH_IMAGE001
条初始线路的节约值
Figure 157130DEST_PATH_IMAGE002
；将大于零的节约值
Figure 30408DEST_PATH_IMAGE003
，按照从大到小的顺序进行排列，得到节约值排序表；判断节约值排序表中网点对
Figure 472890DEST_PATH_IMAGE004
之间的位置，下属网点
Figure 722606DEST_PATH_IMAGE005
和下属网点
Figure 442300DEST_PATH_IMAGE006
是否可以连接；若下属网点
Figure 486480DEST_PATH_IMAGE007
和下属网点
Figure 557204DEST_PATH_IMAGE006
可以连接，则判断车辆的载货重量
Figure 345031DEST_PATH_IMAGE008
是否小于或等于车辆的额定载重量
Figure 43866DEST_PATH_IMAGE009
；若
Figure 258947DEST_PATH_IMAGE010
，则判断是否满足预置约束条件，其中
Figure 551388DEST_PATH_IMAGE011
或
Figure 142906DEST_PATH_IMAGE012
满足
Figure 571613DEST_PATH_IMAGE013
的约束；若满足预置约束条件，则连接下属网点
Figure 82229DEST_PATH_IMAGE007
和下属网点
Figure 127546DEST_PATH_IMAGE006
构成一条路线，其中，
Figure 257176DEST_PATH_IMAGE011
代表到达j网点提前的时间，
Figure 540389DEST_PATH_IMAGE012
代表到达j网点滞后的时间,
Figure 628431DEST_PATH_IMAGE014
代表返程揽件的约束条件。
7.一种多频次的车辆路径规划设备，其特征在于，所述多频次的车辆路径规划设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述多频次的车辆路径规划设备执行如权利要求1-5中任意一项所述的多频次的车辆路径规划方法。
8.一种计算机可读存储介质，所述计算机可读存储介质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1-5中任一项所述的多频次的车辆路径规划方法。
CN202010566691.7A 2020-06-19 2020-06-19 多频次的车辆路径规划方法、装置、设备及存储介质 Active CN111780776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010566691.7A CN111780776B (zh) 2020-06-19 2020-06-19 多频次的车辆路径规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010566691.7A CN111780776B (zh) 2020-06-19 2020-06-19 多频次的车辆路径规划方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111780776A CN111780776A (zh) 2020-10-16
CN111780776B true CN111780776B (zh) 2021-09-03

Family

ID=72757605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010566691.7A Active CN111780776B (zh) 2020-06-19 2020-06-19 多频次的车辆路径规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111780776B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686475B (zh) * 2021-01-25 2024-04-26 上海泰聚数据技术有限公司 一种现场服务业务中的路径规划系统及方法
CN115099745A (zh) * 2022-06-27 2022-09-23 佛山技研智联科技有限公司 Agv调度管理方法、装置、计算机设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036618A (zh) * 2017-05-24 2017-08-11 合肥工业大学(马鞍山)高新技术研究院 一种基于最短路径深度优化算法的agv路径规划方法
CN109840618A (zh) * 2018-12-29 2019-06-04 罗海洋 一种多分配快递轴辐网络的枢纽选址与分配优化方法
CN110197311A (zh) * 2019-06-12 2019-09-03 江苏航运职业技术学院 一种基于智能优化的物流配送路径规划方法
CN110348613A (zh) * 2019-06-24 2019-10-18 深圳市恒路物流股份有限公司 分拨中心智能物流管理方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002187622A (ja) * 2000-12-21 2002-07-02 Honda Express Co Ltd 車両輸送システムにおける積載パターンの最適化方法ならびにその拠点サーバ、および同方法がプログラムされ記録された記憶媒体
JP2003141222A (ja) * 2001-10-22 2003-05-16 Internatl Business Mach Corp <Ibm> 配送計画を作成する方法、システム、プログラム
US8762050B2 (en) * 2011-09-07 2014-06-24 National Tsing Hua University Fuel-saving path planning navigation system and fuel-saving path planning method thereof
US20130159206A1 (en) * 2011-12-14 2013-06-20 International Business Machines Corporation Dynamic vehicle routing in multi-stage distribution networks
US20160048802A1 (en) * 2014-08-13 2016-02-18 Tianyu Luwang Transportation planning for a regional logistics network
CN104567905B (zh) * 2014-12-25 2017-09-29 深圳国泰安教育技术股份有限公司 一种车辆规划路径的生成方法、装置
CN108197761B (zh) * 2018-01-31 2021-05-07 山东交通学院 融合循环取货与甩挂式配送的入厂物流调度方法和系统
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
CN109800910B (zh) * 2019-01-10 2021-04-06 浙江工业大学 一种基于禁忌搜索的超启发式算法的车辆路径优化方法
CN109934532B (zh) * 2019-02-21 2023-09-12 深圳市北斗智能科技有限公司 双向运输的路线规划方法和相关装置
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
CN111260151B (zh) * 2020-02-12 2022-06-24 上海东普信息科技有限公司 多频次派件时长预测方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036618A (zh) * 2017-05-24 2017-08-11 合肥工业大学(马鞍山)高新技术研究院 一种基于最短路径深度优化算法的agv路径规划方法
CN109840618A (zh) * 2018-12-29 2019-06-04 罗海洋 一种多分配快递轴辐网络的枢纽选址与分配优化方法
CN110197311A (zh) * 2019-06-12 2019-09-03 江苏航运职业技术学院 一种基于智能优化的物流配送路径规划方法
CN110348613A (zh) * 2019-06-24 2019-10-18 深圳市恒路物流股份有限公司 分拨中心智能物流管理方法及系统

Also Published As

Publication number Publication date
CN111780776A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN109034481B (zh) 一种基于约束规划的带时间窗车辆路径问题建模及优化方法
CN111780776B (zh) 多频次的车辆路径规划方法、装置、设备及存储介质
CN105096067B (zh) 一种生成物流网络预警信息的方法及服务器
CN111340431B (zh) 运输路由的规划方法、装置、设备及存储介质
CN111950803A (zh) 物流对象送达时间预测方法、装置、电子设备及存储介质
Schleyer et al. Throughput time distribution analysis for a one-block warehouse
CN109740910A (zh) 运输车辆确定方法和装置
CN112700177A (zh) 用于转运中心转运的选仓方法和装置、存储介质
CN112884409A (zh) 配送路线推荐方法、装置、设备及存储介质
CN112950091A (zh) 车辆调度方法、装置及存储介质
CN108399524A (zh) 信息处理方法及系统
Maghrebi et al. Reducing the number of decision variables in ready mixed concrete for optimally solving small instances in a practical time
CN111428902A (zh) 确定运输线路的方法及装置
JP5382844B2 (ja) 輸送スケジュール作成システム
CN116109229A (zh) 物流运输线路管理方法、装置、设备及存储介质
WO2021228198A1 (zh) 一种运单分配方法、装置、存储介质和电子设备
CN114723373A (zh) 保健用品的配货调度管理方法、装置、设备及存储介质
CN110909956A (zh) 物流线路推荐方法、计算机存储介质及电子设备
Yun et al. A HYBRID SA ALGORITHM FOR INLAND CONTAINER TRANSPORTATION.
CN112364262A (zh) 一种找货路线推荐方法、装置、电子设备及存储介质
CN113469614A (zh) 行驶路线的动态调整方法、装置、设备及存储介质
CN112950106B (zh) 中转场车辆囤货方法、装置、电子设备及存储介质
Jacyna-Gołda et al. The Warehouse Location Problem in the Context of Vehicle Routing Problem in the Production Companies
Moazami Goodarzi et al. Hybrid flow shop scheduling and vehicle routing by considering holding costs
Syahraini et al. A Decision Model For Tackling Logistic Optimization Problem in Online Business Environment

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