CN111915078A - 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 - Google Patents
一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 Download PDFInfo
- Publication number
- CN111915078A CN111915078A CN202010747837.8A CN202010747837A CN111915078A CN 111915078 A CN111915078 A CN 111915078A CN 202010747837 A CN202010747837 A CN 202010747837A CN 111915078 A CN111915078 A CN 111915078A
- Authority
- CN
- China
- Prior art keywords
- route
- delivery
- distribution
- retail
- small
- 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.)
- Granted
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 56
- 239000003016 pheromone Substances 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06Q10/04—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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于数据驱动的柔性化卷烟配送线路规划方法及系统,本发明通过改良后的最短路径算法、遍历算法和蚁群算法计算得到卷烟配送路线,相比于根据经验或导航进行线路规划而言,极大的缩短了配送距离和配送时间,提高了配送速度,降低了配送成本;实现了每辆送货车装载率的最大化,进一步降低了配送成本;将零售户群体进行聚类小组合,简化了计算,降低大规模路径智能计算的求解难度;根据历史配送经验形成的信息素权重值对路线进行优化,弥补了算法偏离实际的缺陷,资源利用最为合理,提高了规划路线的实用性。
Description
技术领域
本发明涉及技术领域,尤其涉及一种基于数据驱动的柔性化卷烟配送线路规划方法及系统。
背景技术
卷烟配送的传统模式是“以访定送”的卷烟配送方式,即以访销为主导、卷烟配送跟进的运行模式,即固定送货线路和车辆,按照访销周期安排送货周期,一车一线的日送货方式。由于配送线路受客户经理走访线路限制,存在配送速度慢、配送成本高的问题。
发明内容
有鉴于此,一方面,本发明提出了一种基于数据驱动的柔性化卷烟配送线路规划方法,以解决传统卷烟配送方式配送速度慢、配送成本高的问题。
本发明的技术方案是这样实现的:本发明提供了一种基于数据驱动的柔性化卷烟配送线路规划方法,包括:
将单位配送区域划分为多个集中连片的单元区域网格;
对所述单元区域网格内的零售户进行聚合并生成多个聚类小组合;
根据待配送的所述单元区域网格的每日订单数据和每辆送货车的最大装载量计算所需送货车量数或车次;
确定每辆送货车或车次对应的所有所述聚类小组合;
获取每个所述聚类小组合内零售户之间的最短零售送货路线;
根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线;
将每辆送货车或车次对应的所述最短组合送货路线及所述最短零售送货路线整合成一条完整送货路线;
根据蚁群算法计算历史送货路线上任意两个相邻零售户之间的信息素权重值,若所述信息素权重值高于设定的权重阈值则根据所述信息素权重值对所述完整送货路线进行优化。
可选的,所述基于数据驱动的柔性化卷烟配送线路规划方法还包括:
根据人工设置的零售户配送顺序规则对所述完整送货路线进行二次优化。
可选的,所述根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线,包括:
根据最短路径算法对每个聚类小组合周边的聚类小组合按照距离由短到长排序;
根据遍历算法对每个聚类小组合周边距离排序靠前的多个聚类小组合进行数次深度向前遍历计算,选择计算后总距离最短的路线作为所述最短组合送货路线。
可选的,所述聚类小组合中任意两个零售户之间的距离小于设定的距离阈值。
可选的,所述聚类小组合中任意两个零售户之间配送间隔时间小于设定的时间阈值。
本发明的基于数据驱动的柔性化卷烟配送线路规划方法相对于现有技术具有以下有益效果:
(1)本发明的基于数据驱动的柔性化卷烟配送线路规划方法通过最短路径算法和遍历算法计算得到卷烟配送路线,相比于根据经验或导航进行线路规划而言,极大的缩短了配送距离和配送时间,提高了配送速度,降低了配送成本;实现了每辆送货车装载率的最大化,进一步降低了配送成本;将零售户群体进行聚类小组合,简化了计算,降低大规模路径智能计算的求解难度;根据历史配送经验形成的信息素权重值对路线进行优化,弥补了算法偏离实际的缺陷,资源利用最为合理,提高了规划路线的实用性;
(2)本发明的基于数据驱动的柔性化卷烟配送线路规划方法采用了优化后的最短路径算法和遍历算法,解决了传统最短路径算法无法获得整体最优及传统遍历算法计算量大的问题,大大缩短了卷烟配送路程,有利于减少配送时间、加快配送速度,进而降低配送成本。
另一方面,本发明还提出一种基于数据驱动的柔性化卷烟配送线路规划系统,以解决传统卷烟配送方式配送速度慢、配送成本高的问题。
本发明的技术方案是这样实现的:一种基于数据驱动的柔性化卷烟配送线路规划系统,包括:
网格划分模块,用于将单位配送区域划分为多个集中连片的单元区域网格;
聚类组合模块,用于对所述单元区域网格内的零售户进行聚合并生成多个聚类小组合;
车辆计算模块,用于根据待配送的所述单元区域网格的每日订单数据和每辆送货车的最大装载量计算所需送货车量数或车次;
车辆匹配模块,用于确定每辆送货车或车次对应的所有所述聚类小组合;
路线计算模块,用于获取每个所述聚类小组合内零售户之间的最短零售送货路线;
所述路线计算模块还用于根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线;
线路整合模块,用于将每辆送货车或车次对应的所述最短组合送货路线及所述最短零售送货路线整合成一条完整送货路线;
线路优化模块,用于根据蚁群算法计算历史送货路线上任意两个相邻零售户之间的信息素权重值,若所述信息素权重值高于设定的权重阈值则根据所述信息素权重值对所述完整送货路线进行优化。
所述柔性化卷烟配送线路规划系统与上述柔性化卷烟配送线路规划方法相对于现有技术所具有的优势相同,在此不再赘述。
另一方面,本发明还提出一种计算机可读存储介质,以解决传统卷烟配送方式配送速度慢、配送成本高的问题。
本发明的技术方案是这样实现的:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现上述任一项所述的柔性化卷烟配送线路规划方法。
所述计算机可读存储介质与上述柔性化卷烟配送线路规划方法相对于现有技术所具有的优势相同,在此不再赘述。
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为本发明的基于数据驱动的柔性化卷烟配送线路规划方法的流程图;
图2为本发明的步骤S6的流程图;
图3为本发明的基于数据驱动的柔性化卷烟配送线路规划系统的结构框图。
附图标记说明:
10-网格划分模块;20-聚类组合模块;30-车辆计算模块;40-车辆匹配模块;50-路线计算模块;60-线路整合模块;70-线路优化模块。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
如图1所示,本发明的基于数据驱动的柔性化卷烟配送线路规划方法包括:
步骤S1,将单位配送区域划分为多个集中连片的单元区域网格;
步骤S2,对所述单元区域网格内的零售户进行聚合并生成多个聚类小组合;
步骤S3,根据待配送的所述单元区域网格的每日订单数据和每辆送货车的最大装载量计算所需送货车量数或车次;
步骤S4,确定每辆送货车或车次对应的所有所述聚类小组合;
步骤S5,获取每个所述聚类小组合内零售户之间的最短零售送货路线;
步骤S6,根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线;
步骤S7,将每辆送货车或车次对应的所述最短组合送货路线及所述最短零售送货路线整合成一条完整送货路线;
步骤S8,根据蚁群算法计算历史送货路线上任意两个相邻零售户之间的信息素权重值,若所述信息素权重值高于设定的权重阈值则根据所述信息素权重值对所述完整送货路线进行优化。
其中,步骤S1中,根据当前的访销周期、已有的配送线路零售户信息、历史经验中形成的送货线路和送货顺序、终端配送车辆和配送运力数据为基础,选择合适大小送货区域进行网格化划分,划分的依据是参考历史数据,“零售户数、配送量”相对均衡、地理位置集中连片,每个区域划分为5个单元区域网格,与一周5天的送货任务对应。
步骤S2中,将零售户进行聚合,生成聚类小组合,聚类小组合对外是一个整体,聚类小组合内的零售户地理位置相对集中,聚类小组合是行车线路计算的基本单位,单一聚类小组合送货不可拆分。每个聚类小组合中,可以第1户或指定其中某户的经纬度地理坐标作为聚类小组合地理坐标,聚类小组合包括聚类数量(零售户个数)、送货时间(累计配送完组合中零售户所需时间,单位是秒)、送货量(组合中零售户集的送货量)、零售户集合(组合中包含的零售户编号)、聚类编号。聚类小组合内的零售户和送货顺序以司送人员送货经验为主,由司送人员确定。聚类小组合中零售户集合数量无下限,上限是30户,送货时间不超过1小时,可根据特殊情况进行调整。每一个组合,有3个定量数据:户数2、合计送货时长(取历史平均值)、组合内送货顺序号(有增减经营户可进行调整)。实际上,若以每个零售户为单位进行计算,得到的路线必定是最优路线,但零售户的数量极其庞大,计算量太复杂,本实施例将地理位置相近、间隔配送时间短的零售户或者多个零售户存在已知的唯一配送方案的零售户群体进行聚类小组合,以聚类小组合作为计算的基本单位,虽然使得计算得到的路线与最优路线有一定偏离,但可简化计算,降低大规模路径智能计算的求解难度。
步骤S3中,根据每天零售户订单实时生成分拣和配送任务,将配送任务分配到各台终端配送车辆中,分配的原则是“先远后近”,距离远的优先装载配送,在正常工作时长范围内,每辆终端送货车装载率最大化,这样可降低配送成本。
步骤S5中,除了上面提到聚类小组合内的零售户送货顺序以司送人员送货经验为主,还可以根据最短路径算法和遍历算法计算得到。
步骤S6,最短路径算法又称作宽度优先搜索或横向优先搜索,是最简便的路径搜索算法之一,这一算法也是很多重要的图的算法的原型,其别名又叫BFS,属于一种盲目搜寻法,目的是系统地展开并检查图中的所有节点,以找寻结果。单源最短路径算法和最小生成树算法都采用了和宽度优先搜索类似的思想。最短路径算法是一种简单有效的方法,在解决问题的策略上只根据当前己有的信息就做出选择,而且一旦做出了选择,不管将来有什么结果,这个选择都不会改变。遍历算法是深度搜索算法的一种,类似于树的前序遍历,是沿着树的深度遍历树的节点,尽可能深的搜索树的分支,当节点所有边都己被探寻过,搜索将回溯到发现节点的那条边的起始节点这一过程一直进行到己发现从源节点可达的所有节点为止;如果还存在未被发现的节点,则选择其中一个作为源节点并重复以上过程,整个进程反复进行直到所有节点都被访问为止。遍历算法的缺点就是计算量太大,如果有10个点进行遍历计算,会产生3628800种路径方案。一个小的城市零售户都达1万以上,这样的计算量所需的时间和经济成本很高。
步骤S8中,蚁群算法应用于解决优化问题的基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。本实施例将送货人员的历史数据作为信息素,建立一个历史配送信息的信息素矩阵,2个零售户之间如果存在配送的先后关系,则设定一个信息素初始权值。某个零售户配送的次数越多,配送的时间越近,信息素值逐渐增高,信息素权重值作为选择最佳的路径点上的一个重要参数值,要优于最短距离和时间的参数。由于配送情景复杂,单单利用算法推演无法获得贴近实际的最优路径,步骤S8加入了经历史配送经验形成的信息素权重值,这样可根据历史配送经验弥补算法偏离实际的缺陷,可提高本实施例的完整送货路线的实用性,从而进一步减少配送时间、加快配送速度。
这样,本实施例中的柔性化卷烟配送线路规划方法通过最短路径算法和遍历算法计算得到卷烟配送路线,相比于根据经验或导航进行线路规划而言,极大的缩短了配送距离和配送时间,提高了配送速度,降低了配送成本;实现了每辆送货车装载率的最大化,进一步降低了配送成本;将零售户群体进行聚类小组合,简化了计算,降低大规模路径智能计算的求解难度;根据历史配送经验形成的信息素权重值对路线进行优化,弥补了算法偏离实际的缺陷,资源利用最为合理,提高了规划路线的实用性。
本实施例中,零售户间的距离是最短路径计算的基础数据,需计算任意2个零售户之间的车行距离、车行时间、步行距离、步行时间,可通过地图开放平台的批量算路功能取得,如百度,在此不再赘述。
可选的,所述基于数据驱动的柔性化卷烟配送线路规划方法还包括:
步骤S9,根据人工设置的零售户配送顺序规则对所述完整送货路线进行二次优化。
人工设置的零售户配送顺序规则包括人工设置的黑白名单中,零售户之间的配送顺序可以由人工进行直接设置,白名单指2个零售户要组成配送先后顺序关系,黑名单指2个零售户不能组成配送先后顺序关系。黑白名单对线路计算的优先级最高,这样本实施例中的路径规划方法可根据人的意愿进行改变,更加人性化。
可选的,如图2所示,步骤S6包括:
步骤S61,根据最短路径算法对每个聚类小组合周边的聚类小组合按照距离由短到长排序;
步骤S62,根据遍历算法对每个聚类小组合周边距离排序靠前的多个聚类小组合进行数次深度向前遍历计算,选择计算后总距离最短的路线作为所述最短组合送货路线。
具体的,第一步,使用最短路径算法,计算从起点到第1个聚类小组合通行路径,并对起点周边邻近聚类小组合进行排序,排序规则是距离最短,列出所有可能配送的聚类小组合,因列出所有可能所需计算资源较多,可根据计算资源和计算时长要求的限制,列出路径最短的一部分聚类小组合;第二步,对第一步中列出的聚类小组合列表进行遍历算法计算,从配送第1户计算到最后1户,取距离最短的配送顺序计算结果,确定为当前深度(第1户)配送顺序的最优解,因遍历算法所需计算资源较多,可根据计算资源和计算时长要求的限制,不进行全部配送顺序深度的编历,只遍历指定深度层数,如5层;第三步,使用最短路径算法,计算从第1个聚类小组合到第2个聚类小组合的通行路径,计算方式和第一步相同;第四步,对第三步中列出的聚类小组合列表进行遍历算法计算,从配送第2户计算到最后1户,取距离最短的配送顺序计算结果,确定配送顺序中第2个聚类小组合,计算方式和第二步相同;重复第一、二步,计算出第1户到最后1户的配送顺序,即可得到最短组合送货路线。其中,上述过程同样适用根据最短路径算法和遍历算法计算每个聚类小组合内的零售户配送路线,即将计算单位由聚类小组合变为零售户。
由于最短路径算法并不是从整体最优考虑,它所做出的选择只是在某种意义上的局部最优,这种局部最优选择并不总能获得整体最优。本实施例对每个零售户周边的零售户按照距离由短到长排序,根据最短路径算法和遍历算法对每个零售户周边距离排序靠前的多个零售户进行数次深度向前遍历计算,选择计算后总距离最短的路线作为所述完整送货路线,这样采用的是优化后的最短路径算法和遍历算法,解决了传统最短路径算法无法获得整体最优及传统遍历算法计算量大的问题,大大缩短了卷烟配送路程,有利于减少配送时间、加快配送速度,进而降低配送成本。
可选的,所述聚类小组合中任意两个零售户之间的距离小于设定的距离阈值。具体的,本实施例以2个零售户间地理位置距离值、近三个月的历史配送间隔时间为定量指标。距离阈值设置为100米,后期可根据计算结果进行调整。调整的依据是,某些零售户的距离比较近,送货员停一次车,可以步行送货的零售户之间的最远距离。若聚类小组合中任意两个零售户之间的距离太小,每个聚类小组合囊括的零售户数量太少,简化计算的效果差;若聚类小组合中任意两个零售户之间的距离太大,每个聚类小组合囊括的零售户数量太多,会造成根据优化后的最短路径算法和遍历算法计算得到的路线偏离最优路线。本实施例可设定距离阈值,将每个聚类小组合囊括的零售户数量限定在合理范围内,既可保证简化计算的效果,也可避免计算得到的路线偏离最优路线。
可选的,所述聚类小组合中任意两个零售户之间配送间隔时间小于设定的时间阈值。同理,本实施例可设定时间阈值,将每个聚类小组合囊括的零售户数量限定在合理范围内,既可保证简化计算的效果,也可避免计算得到的路线偏离最优路线。
如图3所示,本实施例还提供一种基于数据驱动的柔性化卷烟配送线路规划系统,包括:
网格划分模块10,用于将单位配送区域划分为多个集中连片的单元区域网格;
聚类组合模块20,用于对所述单元区域网格内的零售户进行聚合并生成多个聚类小组合;
车辆计算模块30,用于根据待配送的所述单元区域网格的每日订单数据和每辆送货车的最大装载量计算所需送货车量数或车次;
车辆匹配模块40,用于确定每辆送货车或车次对应的所有所述聚类小组合;
路线计算模块50,用于获取每个所述聚类小组合内零售户之间的最短零售送货路线;
所述路线计算模块50还用于根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线;
线路整合模块60,用于将每辆送货车或车次对应的所述最短组合送货路线及所述最短零售送货路线整合成一条完整送货路线;
线路优化模块70,用于根据蚁群算法计算历史送货路线上任意两个相邻零售户之间的信息素权重值,若所述信息素权重值高于设定的权重阈值则根据所述信息素权重值对所述完整送货路线进行优化。
这样本实施例中的柔性化卷烟配送线路规划系统通过最短路径算法和遍历算法计算得到卷烟配送路线,相比于根据经验或导航进行线路规划而言,极大的缩短了配送距离和配送时间,提高了配送速度,降低了配送成本;实现了每辆送货车装载率的最大化,进一步降低了配送成本;将零售户群体进行聚类小组合,简化了计算,降低大规模路径智能计算的求解难度;根据历史配送经验形成的信息素权重值对路线进行优化,弥补了算法偏离实际的缺陷,资源利用最为合理,提高了规划路线的实用性。
可选的,如图3所示,所述线路优化模块70还用于根据人工设置的零售户配送顺序规则对所述完整送货路线进行二次优化。这样本实施例中的路径规划系统可根据人的意愿进行改变,更加人性化。
本实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现上述任一项所述的柔性化卷烟配送线路规划方法。本实施例的计算机可读存储介质在运行时通过最短路径算法和遍历算法计算得到卷烟配送路线,相比于根据经验或导航进行线路规划而言,极大的缩短了配送距离和配送时间,提高了配送速度,降低了配送成本;实现了每辆送货车装载率的最大化,进一步降低了配送成本;将零售户群体进行聚类小组合,简化了计算,降低大规模路径智能计算的求解难度;根据历史配送经验形成的信息素权重值对路线进行优化,弥补了算法偏离实际的缺陷,资源利用最为合理,提高了规划路线的实用性。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数据驱动的柔性化卷烟配送线路规划方法,其特征在于,包括:
将单位配送区域划分为多个集中连片的单元区域网格;
对所述单元区域网格内的零售户进行聚合并生成多个聚类小组合;
根据待配送的所述单元区域网格的每日订单数据和每辆送货车的最大装载量计算所需送货车量数或车次;
确定每辆送货车或车次对应的所有所述聚类小组合;
获取每个所述聚类小组合内零售户之间的最短零售送货路线;
根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线;
将每辆送货车或车次对应的所述最短组合送货路线及所述最短零售送货路线整合成一条完整送货路线;
根据蚁群算法计算历史送货路线上任意两个相邻零售户之间的信息素权重值,若所述信息素权重值高于设定的权重阈值则根据所述信息素权重值对所述完整送货路线进行优化。
2.如权利要求1所述的基于数据驱动的柔性化卷烟配送线路规划方法,其特征在于,还包括:
根据人工设置的零售户配送顺序规则对所述完整送货路线进行二次优化。
3.如权利要求1所述的基于数据驱动的柔性化卷烟配送线路规划方法,其特征在于,所述根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线,包括:
根据最短路径算法对每个聚类小组合周边的聚类小组合按照距离由短到长排序;
根据遍历算法对每个聚类小组合周边距离排序靠前的多个聚类小组合进行数次深度向前遍历计算,选择计算后总距离最短的路线作为所述最短组合送货路线。
4.如权利要求1所述的基于数据驱动的柔性化卷烟配送线路规划方法,其特征在于,所述聚类小组合中任意两个零售户之间的距离小于设定的距离阈值。
5.如权利要求1所述的基于数据驱动的柔性化卷烟配送线路规划方法,其特征在于,所述聚类小组合中任意两个零售户之间配送间隔时间小于设定的时间阈值。
6.一种基于数据驱动的柔性化卷烟配送线路规划系统,其特征在于,包括:
网格划分模块(10),用于将单位配送区域划分为多个集中连片的单元区域网格;
聚类组合模块(20),用于对所述单元区域网格内的零售户进行聚合并生成多个聚类小组合;
车辆计算模块(30),用于根据待配送的所述单元区域网格的每日订单数据和每辆送货车的最大装载量计算所需送货车量数或车次;
车辆匹配模块(40),用于确定每辆送货车或车次对应的所有所述聚类小组合;
路线计算模块(50),用于获取每个所述聚类小组合内零售户之间的最短零售送货路线;
所述路线计算模块(50)还用于根据最短路径算法和遍历算法计算每辆送货车或车次对应的所有所述聚类小组合之间的最短组合送货路线;
线路整合模块(60),用于将每辆送货车或车次对应的所述最短组合送货路线及所述最短零售送货路线整合成一条完整送货路线;
线路优化模块(70),用于根据蚁群算法计算历史送货路线上任意两个相邻零售户之间的信息素权重值,若所述信息素权重值高于设定的权重阈值则根据所述信息素权重值对所述完整送货路线进行优化。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器读取并运行时,实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747837.8A CN111915078B (zh) | 2020-07-29 | 2020-07-29 | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747837.8A CN111915078B (zh) | 2020-07-29 | 2020-07-29 | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915078A true CN111915078A (zh) | 2020-11-10 |
CN111915078B CN111915078B (zh) | 2023-09-26 |
Family
ID=73287640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010747837.8A Active CN111915078B (zh) | 2020-07-29 | 2020-07-29 | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915078B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220321605A1 (en) * | 2021-04-01 | 2022-10-06 | Cisco Technology, Inc. | Verifying trust postures of heterogeneous confidential computing clusters |
CN116562598A (zh) * | 2023-07-07 | 2023-08-08 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226762A (zh) * | 2013-04-17 | 2013-07-31 | 深圳东原电子有限公司 | 一种基于云计算平台的物流配送方法 |
US20150088780A1 (en) * | 2010-11-24 | 2015-03-26 | Deutsche Post Ag | Dynamic route planning |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN106156898A (zh) * | 2016-08-23 | 2016-11-23 | 吕建正 | 一种基于MoCD算法的商品配送路径规划方法 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107798423A (zh) * | 2017-10-11 | 2018-03-13 | 南京邮电大学 | 基于多种智能算法的车辆路径规划仿真实验平台 |
CN109117993A (zh) * | 2018-07-27 | 2019-01-01 | 中山市武汉理工大学先进工程技术研究院 | 一种车辆路径优化的处理方法 |
CN109803341A (zh) * | 2018-09-29 | 2019-05-24 | 江苏开放大学(江苏城市职业学院) | 无线传感器网络中的自适应路径规划方法 |
CN109919345A (zh) * | 2017-12-12 | 2019-06-21 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
CN110375761A (zh) * | 2019-08-07 | 2019-10-25 | 天津大学 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
CN111461624A (zh) * | 2020-04-20 | 2020-07-28 | 上海东普信息科技有限公司 | 物流线路规划方法、装置、设备及存储介质 |
-
2020
- 2020-07-29 CN CN202010747837.8A patent/CN111915078B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088780A1 (en) * | 2010-11-24 | 2015-03-26 | Deutsche Post Ag | Dynamic route planning |
CN103226762A (zh) * | 2013-04-17 | 2013-07-31 | 深圳东原电子有限公司 | 一种基于云计算平台的物流配送方法 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN106156898A (zh) * | 2016-08-23 | 2016-11-23 | 吕建正 | 一种基于MoCD算法的商品配送路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107798423A (zh) * | 2017-10-11 | 2018-03-13 | 南京邮电大学 | 基于多种智能算法的车辆路径规划仿真实验平台 |
CN109919345A (zh) * | 2017-12-12 | 2019-06-21 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
CN109117993A (zh) * | 2018-07-27 | 2019-01-01 | 中山市武汉理工大学先进工程技术研究院 | 一种车辆路径优化的处理方法 |
CN109803341A (zh) * | 2018-09-29 | 2019-05-24 | 江苏开放大学(江苏城市职业学院) | 无线传感器网络中的自适应路径规划方法 |
CN110375761A (zh) * | 2019-08-07 | 2019-10-25 | 天津大学 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
CN111461624A (zh) * | 2020-04-20 | 2020-07-28 | 上海东普信息科技有限公司 | 物流线路规划方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220321605A1 (en) * | 2021-04-01 | 2022-10-06 | Cisco Technology, Inc. | Verifying trust postures of heterogeneous confidential computing clusters |
CN116562598A (zh) * | 2023-07-07 | 2023-08-08 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111915078B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103794053B (zh) | 一种城市短途物流单目标配送时间模糊预测方法 | |
CN104102953B (zh) | 一种物流送货线路优化生成方法及系统 | |
US20040143560A1 (en) | Path searching system using multiple groups of cooperating agents and method thereof | |
CN107330586A (zh) | 一种基于改进蚁群算法的公共自行车动态调度方法 | |
CN107220731A (zh) | 一种物流配送路径规划方法 | |
CN109102124B (zh) | 基于分解的动态多目标多路径诱导方法、系统及存储介质 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
CN111915078A (zh) | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 | |
CN105956723A (zh) | 基于数据挖掘的物流信息管理方法 | |
US10223649B2 (en) | System and method of multi-objective optimization for transportation arrangement | |
CN107317872B (zh) | 一种空间众包中多类型任务的调度方法 | |
CN111709560A (zh) | 一种基于改进蚁群算法的解决车辆路径问题方法 | |
CN109579861A (zh) | 一种基于强化学习的路径导航方法及系统 | |
CN112418514B (zh) | 一种运用蚁群系统优化校园公交线路规划的方法 | |
US20230057564A1 (en) | Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums | |
CN116934056A (zh) | 车辆调度方法、装置、计算机设备和存储介质 | |
Wilbur et al. | An online approach to solve the dynamic vehicle routing problem with stochastic trip requests for paratransit services | |
CN111415035A (zh) | 一种预估建筑功能户型比的方法及装置 | |
CN105956816A (zh) | 物资运输信息智能处理方法 | |
Zhao et al. | Large-scale scheduling model based on improved ant colony algorithm | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
CN109840620A (zh) | 多属性时序交通网络中k个最近邻节点对的查询方法 | |
CN114841451A (zh) | 一种司机出行补贴方法、装置和存储介质 | |
CN116090589A (zh) | 一种位置噪声扰动下平台效益驱动的网约车在线调度方法 |
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 |