CN112053117B - 一种协同配送的路径规划方法及装置 - Google Patents
一种协同配送的路径规划方法及装置 Download PDFInfo
- Publication number
- CN112053117B CN112053117B CN202010950851.8A CN202010950851A CN112053117B CN 112053117 B CN112053117 B CN 112053117B CN 202010950851 A CN202010950851 A CN 202010950851A CN 112053117 B CN112053117 B CN 112053117B
- Authority
- CN
- China
- Prior art keywords
- delivery
- distribution
- path
- address
- order
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012546 transfer Methods 0.000 claims abstract description 50
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 230000008439 repair process Effects 0.000 claims description 50
- 230000006378 damage Effects 0.000 claims description 22
- 230000001066 destructive effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012966 insertion method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06Q10/06—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (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)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种协同配送的路径规划方法及装置，涉及物流配送技术领域，为解决现有技术中配送效率低的问题而发明。该方法主要包括：获取协同配送信息；根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图；根据完全无向配送图，查找配送中心地址对应的转运节点地址；根据预置贪婪算法模型，以及各个配送中心的配送相关信息，计算各个配送中心的非协同配送的初始配送路径；根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径；将配送订单的全局最优路径，发送至配送订单所属的配送中心。该方法主要应用于物流配送的过程中。
Description
技术领域
本发明涉及物流配送技术领域，特别是涉及一种协同配送的路径规划方法及装置。
背景技术
最后一公里配送是指客户通过电子商务途径购物后，购买的物品被配送到配送点后，从物流分拣中心通过运输工具，将货物送到客户手中，实现门到门的服务，即从物流分拣中心到客户手中的短距离配送。目前网络购物的飞速发展，而物流配送严重滞后，物流配送已经成为电子商务发展的瓶颈。在最后一公里配送过程中存在配送车辆进小区难、客户分散车辆安全难、以及快递派送时间与客户窗口时间冲突的问题。
现有技术中，以电商物流最后一公里配送的路径规划算法降低总配送成本，具体包括：定义参数并获取客户点的位置信息，然后获取初始优化配送路径，再用改进的2-opt算法获取优化配送路径及其目标值，再用替代插入法获得最优配送路径及其目标值，最后用替代插入法获得最优配送路径和最优自提路径及其目标值。
现有技术中的最后一公里配送是单个物流公司承接的快递配送业务，然而多个物流公司在最后一公里配送区域重叠率较高，多个物流公司在末端网络布局各自为政，导致资源浪费、配送效率低。
发明内容
有鉴于此，本发明提供一种协同配送的路径规划方法及装置，主要目的在于解决现有技术中配送效率低的问题。
依据本发明一个方面，提供了一种协同配送的路径规划方法，包括：
获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；
根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；
根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径，所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。依据本发明另一个方面，提供了一种协同配送的路径规划方法装置，包括：
信息获取模块，用于获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
图形生成模块，用于根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；
转运查找模块，用于根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；
路径计算模块，用于根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
优化计算模块，用于根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径，所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
路径发送模块，还用于将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。
根据本发明的又一方面，提供了一种计算机存储介质，所述计算机存储介质中存储有至少一种可执行指令，所述可执行指令使处理器执行如上述协同配送的路径规划方法对应的操作。
根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一种可执行指令，所述可执行指令使所述处理器执行上述协同配送的路径规划方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种协同配送的路径规划方法及装置，首先获取协同配送信息；然后根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图；再根据完全无向配送图查找配送中心地址对应的转运节点地址，再根据预置贪婪算法模型，以及各个配送中心的配送相关信息计算各个配送中心的非协同配送的初始配送路径；再根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径；最后将配送订单的全局最优路径，发送至配送订单所属的配送中心。与现有技术相比，本发明实施例通过获取多个物流公司在同一最后一公里范围的配送中心的协同配送信息，根据预置自适应大领域算法模型协同调配所有配送中心的配送订单，统一进行所有配送订单的路径规划，生成配送订单的全局最优路径也就是派送路径信息，使得多个物流公司协同配送，能够有效实现资源共享，提升车辆满载率，降低配送时间，最终提升最后一公里配送效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种协同配送的路径规划方法流程图；
图2示出了本发明实施例提供的另一种协同配送的路径规划方法流程图；
图3示出了本发明实施例提供的一种协同配送的路径规划装置组成框图；
图4示出了本发明实施例提供的另一种协同配送的路径规划装置组成框图；
图5示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明用于多个物流企业最优一公里末端网点(配送中心)协作完成总体的最后一公里配送作业。每个企业最优一公里已知，每个客户的位置和需求已知，且每个客户都对配送提出软时间窗限制，每个配送中心都有特定的配送订单，不同订单的货物是不同的，不能由其他配送中心直接进行交货配送，因此配送中心可以通过转运方式进行协同配送以降低成本。
本发明实施例提供了一种协同配送的路径规划方法，如图1所示，该方法包括：
101、获取协同配送信息。
协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址。为了实现最后一公里配送订单的协同配送，可以设置信息共享平台，不同物流公司将配送订单上传至信息共享平台，计算得到每个配送订单的配送路径之后再将由配送订单所属的配送中心进行配送，或者从配送中心出发后到转运节点进行转运。也就会不同物流公司从配送中心送出的配送订单，有些配送订单直接送达至客户，有些配送订单经过转运节点在送达至客户。
102、根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图。
完全无向配送图是指中包括配送中心地址、订单配送地址和转运节点地址的所有坐标位置。假如同一客户在多个配送中心都有配送订单，或者转运节点地址与订单配送地址相同，对于坐标相同属性不同的地址，在完全无向配送图中也作为不同的节点。
103、根据完全无向配送图，查找配送中心地址对应的转运节点地址。
计算各个配送中心地址与各个转运节点地址的位置距离，以位置距离和最小为目标，查找配送中心地址与转运节点地址的对应关系。车辆间的转运协同操作必须在转运节点进行。
104、根据预置贪婪算法模型，以及各个配送中心的配送相关信息，计算各个配送中心的非协同配送的初始配送路径。
通过预置贪婪算法模型，计算非协同情况下，各个配送中心的配送订单的初始配送路径，初始配送路径是在无转运节点时各个配送中心分别进行配送的配送路径，以初始配送路径作为预置自适应大领域算法模型的初始解。
105、根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径。
全局最优路径是指每个配送订单在配送过程中所需经历容置空间，全局最优路径用于指示配送订单的配送流程。全局最优路径用包括配送中心地址、车辆信息和转运节点地址。将协同配送信息、完全无向配送图、配送中心地址对应的转运节点地址、初始配送路径以及模型假设约束，输入预置自适应大邻域算法模型，计算配送订单的全局最优路径。在转运节点可以将某一配送中心的配送订单转移到另一配送中心的配送车辆，以此实现不同配送中心的协同配送。
模型假设约束包括车辆限定、交通状况限定、转运次数限定、转交顺序限定等等。预置大邻域算法是一种启发式方法，在邻域搜索的基础上增加算子作业效果的衡量，使算法能够自动选择好的算子对解进行破坏与修复，从未得到更好的解。全局最优路径是使得配送总成本尽可能达到最小的配送路径。
大邻域搜索算法是一种启发式方法，其在邻域搜索的基础上增加了的对算子的作用效果的衡量，使算法能够自动选择好的算子对解进行破坏与修复，从而有一定几率得到更好的解。在邻域搜索算法中，可使用模拟退火算法，或变邻域搜索算法。而自适应大邻域搜索算法根据算子的历史表现与使用次数选择下一次迭代使用的算子，通过算子间的相互竞争来生成当前解的邻域结构，而在这种结构中有很大概率能够找到更好的解。
106、将配送订单的全局最优路径，发送至配送订单所属的配送中心，以便于配送中心根据全局最优路径派送配送订单。
各个配送中心接收各种配送订单的全局最优路径，配送订单从配送中心出发，按照全局最优路径的指示，派送配送订单。配送中心按照全局最优路径，以配送车辆为标识，将每个配送车辆所属的配送订单及其全局最优路径发送至驾驶该配送车辆的配送员，配送员按照全局最优路径行驶并开始配送。
本发明提供了一种协同配送的路径规划方法，首先获取协同配送信息；然后根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图；再根据完全无向配送图查找配送中心地址对应的转运节点地址，再根据预置贪婪算法模型，以及各个配送中心的配送相关信息计算各个配送中心的非协同配送的初始配送路径；再根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径；最后将配送订单的全局最优路径，发送至配送订单所属的配送中心。与现有技术相比，本发明实施例通过获取多个物流公司在同一最后一公里范围的配送中心的协同配送信息，根据预置自适应大领域算法模型协同调配所有配送中心的配送订单，统一进行所有配送订单的路径规划，生成配送订单的全局最优路径也就是派送路径信息，使得多个物流公司协同配送，能够有效实现资源共享，提升车辆满载率，降低配送时间，最终提升最后一公里配送效率。
本发明实施例提供了另一种协同配送的路径规划方法，如图2所示，该方法包括：
201、获取协同配送信息。
协同配送信息是指属于同一最后一公里区域的多个配送中心的配送相关信息，配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址。为了实现最后一公里配送订单的协同配送，可以设置信息共享平台，不同物流公司将配送订单上传至信息共享平台，计算得到每个配送订单的配送路径之后再将由配送订单所属的配送中心进行配送，或者从配送中心出发后到转运节点进行转运。也就会不同物流公司从配送中心送出的配送订单，有些配送订单直接送达至客户，有些配送订单经过转运节点在送达至客户。
202、根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图。
203、根据完全无向配送图，查找配送中心地址对应的转运节点地址；
完全无向配送图是指中包括配送中心地址、订单配送地址和转运节点地址的所有坐标位置。假如同一客户在多个配送中心都有配送订单，或者转运节点地址与订单配送地址相同，对于坐标相同属性不同的地址，在完全无向配送图中也作为不同的节点。
204、根据预置贪婪算法模型，以及各个配送中心的配送相关信息，计算各个配送中心的非协同配送的初始配送路径。
通过预置贪婪算法模型，计算各个配送中心的配送订单的初始配送路径，初始配送路径是在无转运节点时各个配送中心分别进行配送的配送路径，以初始配送路径作为预置自适应大领域算法模型的初始解。
205、构建预置自适应大邻域算法模型。
预置自适应大邻域算法模型包括成本目标函数和转运约束函数。其包括设置成本目标函数为其中C为配送订单的配送成本，Ckv为第k辆车的固定成本，K为所有类型的车辆总数，Cku为第k辆车行驶单位距离的单位成本，lij为从配送节点i到配送节点j的节点距离，/>为第k辆车从配送节点i到配送节点j的决策值，Cr为客户r的时间惩罚成本，U为所述完全无向配送图中所有节点的节点总数，S为所有配送订单所属的客户总数，配送节点包括配送中心地址、订单配送地址和转运节点地址的地址节点；根据协同配送信息，和完全无向配送图，为成本目标函数的函数参数赋值，函数参数包括单位成本、节点距离、决策值和配送节点的地址。赋值后的成本目标函数，是针对该最后一公里区域的各个配送中心与配送订单的实际函数，后续尽量路径规划的基础。
预置自适应大邻域算法模型是多个物流企业在最后一公里末端网点(配送中心)协作完成总体的最后一公里配送作业。每个企业最后一公里已知，每个客户的位置和需求已知，且每个客户对配送提出的软时间窗已知，每个配送中心都有一组特定的订单，不同订单的货物是不同的，不能由其他配送直接进行交货配送，因此配送中心以转运方式进行协同配送以降低配送成本。在完全无向配送图中具有若干个特定的转运节点，转运节点可以是客户送达地点，也可以是配送中心，也可以根据配送经验和客户分布情况预先指定的地点。不用车辆间的转运协同操作必须在转运节点进行。在配送过程中，以总成本最小为最终目标。
根据转运过程设置转运约束函数，以约束成本目标函数。转运约束函数用于限定计算结果是否能够作为全局最优解。示例性的，计算全局最优路径的约束条件包括但不限于：每个配送中心均具有足够的配送车辆，配送车辆具有相同的容量限制、距离成本和固定成本；车辆配送过程中交通状况良好，均以相同的平均速度进行配送，不考虑交通拥堵等特殊情况；每个客户的时间惩罚系数相同，但是时间窗长度和服务时间长短可以不同；同一客户在同一企业的订单需求不可拆分配送；每辆配送车辆均从各自配送中心出发，完成该车的所有配送任务后，必须回到该配送中心形成闭环；除转运节点外，同一个订单配送地址只能被同一个配送中心服务一次；同一个配送订单最多被转运交换一次；转运操作时，转出订单的车辆提前到达转运节点可以放心货物继续进行其他客户订单的配送；转入订单的车辆提前到达必须等待转出对应配送订单的车辆到达；对每辆配送车辆，若有需要转交出去的订单，必须在该车第一次经过转运节点时把需要转出的订单全部转交完，以避免出现车辆在不同转运节点相互等待的不可行情况。可以选取约束条件中的一种或几种作为转运约束函数的模型假设。
206、根据轮盘赌方式，选取迭代的当前破坏算子和当前修复算子。
轮盘赌是随机选取的方式，在多种破坏算子和多种修复算子中选取本次迭代的当前破坏算子和当前修复算子。当前破坏算子为随机破坏算子、最差破坏算子或容量破坏算子。随机破坏算子是指随机选择初始配送路径中的节点进行破坏，能够增加解的多样性，让迭代跳出全局最优，全局寻优能力较强。最差破坏算子是指综合考虑各个路径的时间窗溢出较多、容量溢出较大的情况选择待破坏路线，同时考虑待破坏路线中需求大、距离车辆出发配送中的距离较远的点予以破坏。相似破坏算子是指先随机选择一个点进行破坏，然后选择与之相似度较高的节点，相似度是综合考虑是否属于同一车辆、两个节点地址的物理距离、时间窗相似度和需求量相似度，能够增加解的多样性，并有助于将同区域的节点插入到相同的车中缩短配送距离。容量破坏算子是指寻找配送车辆容量利用率低、交换点少的车辆进行整体破坏，对于大规模数据在迭代初期快速得到较优解，能增加后续迭代过程中的寻优质量。
当前修复算子为贪婪修复算子、随机修复算子、遗憾修复算子或容量修复算子。贪婪修复算子是对破坏节点集合中的各个节点依次进行修复。随机修复算子是取代插入节点，随机选择要查找评价的车辆结合以及插入点数量。遗憾修复算子是贪婪修复算子的衍生算子，通过查找每个破坏点的最优和次优插入位置，对比每个破坏点最优次优插入位置的成本差距，先修复差距较大的点。容量修复算子在全部迭代阶段具有寻优能力。
以各种算子作为实现预置自适应大邻域算法模型的主要实现方法，以多个功能相同效果不同的算子为主体，实现路径解算。
207、根据当前破坏算子，破坏初始配送路径，提取初始配送路径中的破坏订单。
初始配送路径为配送车辆提供配送依据，如果没有破坏以及修复过程，配送人员按照初始配送路径派送配送订单。以初始配送路径中各个节点为基础进行破坏，若有一订单货物在初始配送路径中是被转运的，即A车配送一段距离在转运点交于B车，B车接过货物运送到客户点时，则破坏该客户节点时，必须同时在A、B两车中都将该笔订单删去。被删除的订单也就是破坏订单。
208、根据当前修复算子，计算破坏订单的配送路径节点，将配送路径节点插入初始配送路径，修复生成配送订单的当前配送路径。
在计算配送路径节点的过程中，实际存在多种配送路径节点，需要在其中选取评价最优的配送路径节点，选取方法具体包括：如果所述节点总数小于预置阈值，则根据所述当前修复算子，采用完全评价方式，计算所述破坏订单的配送路径节点；如果所述节点总数不小于所述预置阈值，则根据所述当前修复算子，采用非完全评价方式，计算所述破坏订单的配送路径节点。将配送路径节点插入初始配送路径中，生成配送订单的当前配送路径。非完全评价方式对配送时间窗不高或者无时间窗时，算法在能求得比较满意解时，有效降低运算时间。
209、如果当前配送路径对应的配送成本不大于初始配送路径对应的配送成本，则确定当前配送路径为全局最优路径。
全局最优路径用包括配送中心地址、车辆信息和转运节点地址。如果所述当前配送路径对应的配送成本大于所述初始配送路径对应的配送成本，则重新选取所述当前破坏算子和所述当前修复算子，并重新生成所述当前配送路径。重新选取当前破坏算子和当前修复算子之前，还可以依据预置规则，更新各个算子的选择概率。重复步骤206到步骤209迭代计算全局最优路径，直至步骤209的判断条件成立。
210、将配送订单的全局最优路径，发送至配送订单所属的配送中心，以便于配送中心根据全局最优路径派送配送订单。
各个配送中心接收各种配送订单的全局最优路径，配送订单从配送中心出发，按照全局最优路径的指示，派送配送订单。配送中心按照全局最优路径，以配送车辆为标识，将每个配送车辆所属的配送订单及其全局最优路径发送至驾驶该配送车辆的配送员，配送员按照全局最优路径行驶并开始配送。
本发明提供了一种协同配送的路径规划方法，首先获取协同配送信息；然后根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图；再根据完全无向配送图查找配送中心地址对应的转运节点地址，再根据预置贪婪算法模型，以及各个配送中心的配送相关信息计算各个配送中心的非协同配送的初始配送路径；再根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径；最后将配送订单的全局最优路径，发送至配送订单所属的配送中心。与现有技术相比，本发明实施例通过获取多个物流公司在同一最后一公里范围的配送中心的协同配送信息，根据预置自适应大领域算法模型协同调配所有配送中心的配送订单，统一进行所有配送订单的路径规划，生成配送订单的全局最优路径也就是派送路径信息，使得多个物流公司协同配送，能够有效实现资源共享，提升车辆满载率，降低配送时间，最终提升最后一公里配送效率。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种协同配送的路径规划装置，如图3所示，该装置包括：
信息获取模块31，用于获获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
图形生成模块32，用于根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；
转运查找模块33，用于根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；
路径计算模块34，用于根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
优化计算模块35，用于根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径，所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
路径发送模块36，还用于将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。
本发明提供了一种协同配送的路径规划装置，首先获取协同配送信息；然后根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图；再根据完全无向配送图查找配送中心地址对应的转运节点地址，再根据预置贪婪算法模型，以及各个配送中心的配送相关信息计算各个配送中心的非协同配送的初始配送路径；再根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径；最后将配送订单的全局最优路径，发送至配送订单所属的配送中心。与现有技术相比，本发明实施例通过获取多个物流公司在同一最后一公里范围的配送中心的协同配送信息，根据预置自适应大领域算法模型协同调配所有配送中心的配送订单，统一进行所有配送订单的路径规划，生成配送订单的全局最优路径也就是派送路径信息，使得多个物流公司协同配送，能够有效实现资源共享，提升车辆满载率，降低配送时间，最终提升最后一公里配送效率。
进一步的，作为对上述图2所示方法的实现，本发明实施例提供了另一种协同配送的路径规划装置，如图4所示，该装置包括：
信息获取模块41，用于获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
图形生成模块42，用于根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；
转运查找模块43，用于根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；
路径计算模块44，用于根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
优化计算模块45，用于根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径，所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
路径发送模块46，还用于将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。
进一步地，所述装置还包括：
模型构建模块47，用于根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径之前，构建所述预置自适应大邻域算法模型，所述预置自适应大邻域算法模型包括成本目标函数和转运约束函数。
进一步地，所述模型构建模块47，包括：
设置单元471，用于设置所述成本目标函数为其中C为所述配送订单的配送成本，Ckv为第k辆车的固定成本，K为所有类型的车辆总数，Cku为第k辆车行驶单位距离的单位成本，lij为从配送节点i到配送节点j的节点距离，/>为第k辆车从配送节点i到配送节点j的决策值，Cr为客户r的时间惩罚成本，U为所述完全无向配送图中所有节点的节点总数，S为所有配送订单所属的客户总数，所述配送节点包括所述配送中心地址、订单配送地址和转运节点地址的地址节点；
赋值单元472，用于根据所述协同配送信息，和所述完全无向配送图，为所述成本目标函数的函数参数赋值，所述函数参数包括所述单位成本、所述节点距离、所述决策值和所述配送节点的地址。
进一步地，所述优化计算模块45，包括：
选取单元451，用于根据轮盘赌方式，选取迭代的当前破坏算子和当前修复算子，所述当前破坏算子为随机破坏算子、最差破坏算子或容量破坏算子，所述当前修复算子为贪婪修复算子、随机修复算子、遗憾修复算子或容量修复算子；
提取单元452，用于根据所述当前破坏算子，破坏所述初始配送路径，提取所述初始配送路径中的破坏订单；
计算单元453，用于根据所述当前修复算子，计算所述破坏订单的配送路径节点，将所述配送路径节点插入所述初始配送路径，修复生成所述配送订单的当前配送路径；
生成单元454，用于如果所述当前配送路径对应的配送成本大于所述初始配送路径对应的配送成本，则重新选取所述当前破坏算子和所述当前修复算子，并重新生成所述当前配送路径；
确定单元455，用于如果所述当前配送路径对应的配送成本不大于所述初始配送路径对应的配送成本，则确定所述当前配送路径为全局最优路径。
进一步地，所述计算单元454，用于：
如果所述节点总数小于预置阈值，则根据所述当前修复算子，采用完全评价方式，计算所述破坏订单的配送路径节点；
如果所述节点总数不小于所述预置阈值，则根据所述当前修复算子，采用非完全评价方式，计算所述破坏订单的配送路径节点。
本发明提供了一种协同配送的路径规划装置，首先获取协同配送信息；然后根据配送中心地址、订单配送地址和转运节点地址，生成完全无向配送图；再根据完全无向配送图查找配送中心地址对应的转运节点地址，再根据预置贪婪算法模型，以及各个配送中心的配送相关信息计算各个配送中心的非协同配送的初始配送路径；再根据预置自适应大邻域算法模型、初始配送路径、完全无向配送图以及配送中心地址对应的转运节点地址，计算配送订单的协同配送的全局最优路径；最后将配送订单的全局最优路径，发送至配送订单所属的配送中心。与现有技术相比，本发明实施例通过获取多个物流公司在同一最后一公里范围的配送中心的协同配送信息，根据预置自适应大领域算法模型协同调配所有配送中心的配送订单，统一进行所有配送订单的路径规划，生成配送订单的全局最优路径也就是派送路径信息，使得多个物流公司协同配送，能够有效实现资源共享，提升车辆满载率，降低配送时间，最终提升最后一公里配送效率。
根据本发明一个实施例提供了一种计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的协同配送的路径规划方法。
图5示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图5所示，该计算机设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502，用于执行程序510，具体可以执行上述协同配送的路径规划方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASI C(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：
获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；
根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；
根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径，所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包括在本发明的保护范围之内。
Claims (2)
1.一种协同配送的路径规划方法，其特征在于，包括：
获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；并根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
构建预置自适应大邻域算法模型，所述预置自适应大邻域算法模型包括成本目标函数和转运约束函数；并设置所述成本目标函数为其中C为所述配送订单的配送成本，Ckv为第k辆车的固定成本，K为所有类型的车辆总数，Cku为第k辆车行驶单位距离的单位成本，lij为从配送节点i到配送节点j的节点距离，/>为第k辆车从配送节点i到配送节点j的决策值，Cr为客户r的时间惩罚成本，U为所述完全无向配送图中所有节点的节点总数，S为所有配送订单所属的客户总数，所述配送节点包括所述配送中心地址、订单配送地址和转运节点地址的地址节点；并根据所述协同配送信息，和所述完全无向配送图，为所述成本目标函数的函数参数赋值，所述函数参数包括所述单位成本、所述节点距离、所述决策值和所述配送节点的地址；
根据预置自适应大邻域算法模型中的轮盘赌方式，选取迭代的当前破坏算子和当前修复算子，所述当前破坏算子为随机破坏算子、最差破坏算子或容量破坏算子，所述当前修复算子为贪婪修复算子、随机修复算子、遗憾修复算子或容量修复算子；并根据所述当前破坏算子，破坏所述初始配送路径，提取所述初始配送路径中的破坏订单；其中，如果所述配送路径节点总数小于预置阈值，则根据所述当前修复算子，采用完全评价方式，计算所述破坏订单的配送路径节点；如果所述节点总数不小于所述预置阈值，则根据所述当前修复算子，采用非完全评价方式，计算所述破坏订单的配送路径节点；
在所述预置自适应大领域算法模型中，将所述配送路径节点插入所述初始配送路径，修复生成所述配送订单的当前配送路径；如果所述当前配送路径对应的配送成本大于所述初始配送路径对应的配送成本，则重新选取所述当前破坏算子和所述当前修复算子，并重新生成所述当前配送路径；如果所述当前配送路径对应的配送成本不大于所述初始配送路径对应的配送成本，则确定所述当前配送路径为全局最优路径；所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。
2.一种协同配送的路径规划装置，其特征在于，包括：
信息获取模块，用于获取协同配送信息，所述协同配送信息是指属于同一最后一公里区域的多个配送中心的配送订单的配送相关信息，所述配送相关信息包括配送中心地址、车辆信息、订单配送地址、订单配送时间窗和转运节点地址；
路径计算模块，用于根据所述配送中心地址、所述订单配送地址和所述转运节点地址，生成完全无向配送图；根据所述完全无向配送图，查找所述配送中心地址对应的转运节点地址；并根据预置贪婪算法模型，以及各个所述配送中心的配送相关信息，计算各个所述配送中心的非协同配送的初始配送路径；
模型构建模块，用于构建预置自适应大邻域算法模型，所述预置自适应大邻域算法模型包括成本目标函数和转运约束函数；并设置所述成本目标函数为其中C为所述配送订单的配送成本，Ckv为第k辆车的固定成本，K为所有类型的车辆总数，Cku为第k辆车行驶单位距离的单位成本，lij为从配送节点i到配送节点j的节点距离，/>为第k辆车从配送节点i到配送节点j的决策值，Cr为客户r的时间惩罚成本，U为所述完全无向配送图中所有节点的节点总数，S为所有配送订单所属的客户总数，所述配送节点包括所述配送中心地址、订单配送地址和转运节点地址的地址节点；并根据所述协同配送信息，和所述完全无向配送图，为所述成本目标函数的函数参数赋值，所述函数参数包括所述单位成本、所述节点距离、所述决策值和所述配送节点的地址；
优化计算模块，用于根据预置自适应大邻域算法模型中的轮盘赌方式，选取迭代的当前破坏算子和当前修复算子，所述当前破坏算子为随机破坏算子、最差破坏算子或容量破坏算子，所述当前修复算子为贪婪修复算子、随机修复算子、遗憾修复算子或容量修复算子；并根据所述当前破坏算子，破坏所述初始配送路径，提取所述初始配送路径中的破坏订单；其中，如果所述配送路径节点总数小于预置阈值，则根据所述当前修复算子，采用完全评价方式，计算所述破坏订单的配送路径节点；如果所述节点总数不小于所述预置阈值，则根据所述当前修复算子，采用非完全评价方式，计算所述破坏订单的配送路径节点；
路径确定模块，用于在所述预置自适应大领域算法模型中，将所述配送路径节点插入所述初始配送路径，修复生成所述配送订单的当前配送路径；如果所述当前配送路径对应的配送成本大于所述初始配送路径对应的配送成本，则重新选取所述当前破坏算子和所述当前修复算子，并重新生成所述当前配送路径；如果所述当前配送路径对应的配送成本不大于所述初始配送路径对应的配送成本，则确定所述当前配送路径为全局最优路径；根据预置自适应大邻域算法模型、所述初始配送路径、所述完全无向配送图以及所述配送中心地址对应的转运节点地址，计算所述配送订单的协同配送的全局最优路径，所述全局最优路径用包括所述配送中心地址、所述车辆信息和所述转运节点地址；
路径发送模块，用于将所述配送订单的全局最优路径，发送至所述配送订单所属的所述配送中心，以便于所述配送中心根据所述全局最优路径派送所述配送订单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010950851.8A CN112053117B (zh) | 2020-09-11 | 2020-09-11 | 一种协同配送的路径规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010950851.8A CN112053117B (zh) | 2020-09-11 | 2020-09-11 | 一种协同配送的路径规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053117A CN112053117A (zh) | 2020-12-08 |
| CN112053117B true CN112053117B (zh) | 2024-02-02 |
Family
ID=73610925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010950851.8A Active CN112053117B (zh) | 2020-09-11 | 2020-09-11 | 一种协同配送的路径规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053117B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906959B (zh) * | 2021-02-06 | 2022-09-23 | 合肥工业大学 | 考虑众包和自配送协同情形的路径优化方法和系统 |
| CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
| CN112884409A (zh) * | 2021-02-26 | 2021-06-01 | 上海东普信息科技有限公司 | 配送路线推荐方法、装置、设备及存储介质 |
| CN114186924B (zh) * | 2021-11-25 | 2023-07-25 | 北京中交兴路车联网科技有限公司 | 一种协同配送路径规划方法、装置、电子设备和存储介质 |
| CN113962639B (zh) * | 2021-12-23 | 2022-03-08 | 湖北普罗格科技股份有限公司 | 一种基于全域地图的配送路径规划方法和系统 |
| CN114169488B (zh) * | 2022-02-09 | 2022-05-20 | 清华大学 | 基于混合元启发式算法的带容量约束的车辆路径获取方法 |
| CN116402426A (zh) * | 2023-04-20 | 2023-07-07 | 南京交通职业技术学院 | 基于大数据的无人机智能物流配送方法、系统及介质 |
| CN117148872B (zh) * | 2023-11-01 | 2024-01-26 | 中国人民解放军国防科技大学 | 多气体扩散源场景下的机器人协同寻源方法、装置及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102572849A (zh) * | 2012-02-03 | 2012-07-11 | 厦门大学 | 一种结合图论与遗传算法的移动通信自动频率规划方法 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170278064A1 (en) * | 2016-03-25 | 2017-09-28 | Jusda International Logistics (TAIWAN) CO.,LTD | Method, system, and device for distribution network |
| US20180032955A1 (en) * | 2016-08-01 | 2018-02-01 | Sap Se | System and method of minimizing waiting time in vehicle routing and scheduling with narrow time-windows |
-
2020
- 2020-09-11 CN CN202010950851.8A patent/CN112053117B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102572849A (zh) * | 2012-02-03 | 2012-07-11 | 厦门大学 | 一种结合图论与遗传算法的移动通信自动频率规划方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| An effective scheme to address influence maximization for opinion formation in social networks;Qiang He等;《Trans Emerging Tel Tech》;第30卷(第6期);第1-15页 * |
| 协同配送模式下的物流管理系统的设计与实现;沈程鹏;《计算机光盘软件与应用》;第58-59页 * |
| 提前/拖期第四方物流路径问题模型与算法;陈劲等;《控制工程》;第24卷(第1期);第22-27页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053117A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053117B (zh) | 一种协同配送的路径规划方法及装置 | |
| CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
| 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 | |
| Lau et al. | Pickup and delivery with time windows: Algorithms and test case generation | |
| CN110084471A (zh) | 拣选调度方法、装置、仓储系统及可读存储介质 | |
| Koc et al. | A branch and cut algorithm for the vehicle routing problem with multiple use of vehicles | |
| Coltin et al. | Scheduling for transfers in pickup and delivery problems with very large neighborhood search | |
| CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
| CN112733272A (zh) | 一种解决带软时间窗的车辆路径问题的方法 | |
| CN115577886A (zh) | 一种多无人机站的组合配送方法及系统 | |
| CN112884409A (zh) | 配送路线推荐方法、装置、设备及存储介质 | |
| CN110097313B (zh) | 获取带时间窗和先进后出限制的取送货车辆路径的方法 | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| CN113128925A (zh) | 派件路径的生成方法、装置、设备及计算机可读存储介质 | |
| Giménez-Palacios et al. | First-mile logistics parcel pickup: Vehicle routing with packing constraints under disruption | |
| Narayanan et al. | A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply | |
| Liu et al. | A double-adaptive general variable neighborhood search for an unmanned electric vehicle routing and scheduling problem in green manufacturing systems | |
| CN113762573B (zh) | 一种物流网络优化方法和装置 | |
| Tao et al. | A metaheuristic algorithm to transporter scheduling for assembly blocks in a shipyard considering precedence and cooperating constraints | |
| CN115375244A (zh) | 基于大数据的第四方汽配物流平台及管理方法 | |
| CN115564117A (zh) | 车机柜协同配送路径优化方法和系统 | |
| Xiong et al. | Split demand one-to-one pickup and delivery problems with the shortest-path transport along real-life paths | |
| CN113706081A (zh) | 基于城市屋顶自动快递装置的无人机取送货系统和方法 | |
| CN114186924A (zh) | 一种协同配送路径规划方法、装置、电子设备和存储介质 | |
| CN114692917A (zh) | 路由序列的生成方法、装置、计算机设备和存储介质 |
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 |