CN112150060A - 一种基于蚁群算法的应急医疗物资配送优化方法 - Google Patents

一种基于蚁群算法的应急医疗物资配送优化方法 Download PDF

Info

Publication number
CN112150060A
CN112150060A CN202010806088.1A CN202010806088A CN112150060A CN 112150060 A CN112150060 A CN 112150060A CN 202010806088 A CN202010806088 A CN 202010806088A CN 112150060 A CN112150060 A CN 112150060A
Authority
CN
China
Prior art keywords
distribution
clustering
distance
time
limit
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
Application number
CN202010806088.1A
Other languages
English (en)
Inventor
张婷婷
王卓颖
沈佳诚
李晓红
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.)
Zhejiang Chinese Medicine University ZCMU
Original Assignee
Zhejiang Chinese Medicine University ZCMU
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 Zhejiang Chinese Medicine University ZCMU filed Critical Zhejiang Chinese Medicine University ZCMU
Priority to CN202010806088.1A priority Critical patent/CN112150060A/zh
Publication of CN112150060A publication Critical patent/CN112150060A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明为在利用区域‑组别概念，k‑means聚类、蚁群、公平算法，二进制表达方式的基础上建立起来的一种基于蚁群算法的应急医疗物资配送优化方法。首先根据配送点的坐标采用k‑means聚类进行分类；其次利用二进制全遍历对配送车辆载重量进行进一步分类；接着，采用蚁群算法进行组别配送路径确定；依次通过返回判断满足条件和设定参数降低运算量；最终根据突发情况采用公平算法给出具体配送方案。整个步骤简明清晰，在应急医疗物流配送领域具有很大的应用价值。

Description

一种基于蚁群算法的应急医疗物资配送优化方法
技术领域
本发明涉及物流调度技术领域，具体一种基于蚁群算法的应急医疗物资配送优化技术。
背景技术
物资配送调度问题属于车辆路径问题，可描述为：在保证完成配送任务的情况下，合理利用有限资源，对一系列装货点(配送中心)和卸货点(配送目的地)，组织规划适当的行车线路，使车辆有序运输，提高运输效率和节约资源的一种路线规划方法。在满足一定的约束条件(如配送点需求量、配送车辆载重量、限制配送路径长度等限制)下，达到一定的目标(配送路径尽可能短、车辆满载率尽可能高、成本尽可能低的优化配送方案)。
应急医疗物资配送调度优化方法适用于在人员存在紧张缺口、医疗车辆载重量及数量有限存在现实的情况下，某一城市内的应急医疗从一配送中心配送到各配送点的配送方案优化。针对医疗物资的配送优化存在配送的时间限制性、人员紧缺性和药物特殊性等多约束。首先，医药商品做为一种特殊的商品，在配送过程中，往往有着更严格的监管和运输条件限制，具有极高的任务完成度和很强的时间限制性要求。相应要求的智能化优化配送系统存在市场缺口。其次突发事件下，应急医疗大量医疗配送车辆的提供存在一定控量；人员配备存在也紧缺。尽管人工智能能在一定程度上缓解问题，可是现实条件下医疗配送问题大部分仍需要人工进行处理解决。突发事件下，配送人员有限，时间紧急。最后，由于医药商品的特殊性，其往往采用逐渐配送的方式，符合由一个配送中心向各个配送点进行配送的情况，即在一个城市内实现由某一配送中心点向各个医院、药店的配送。
发明内容
本发明要解决现有技术的上述缺点，提供一种针对应急医疗物资配送，在应急情况(时间限制、人员紧缺)、满足约束条件(限制配送距离、车载重量)下，适用于多种情况(配送点数量、需求量、距离)的物资配送优化技术。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于蚁群算法的应急医疗物资配送优化方法，包括如下步骤：
步骤01.输入配送点数据的坐标位置，并且输入参数，如聚类中心K。
步骤02.区域分类，利用欧式距离对配送点进行K-means聚类，将N个配送点分成有K个聚类中心的U＝K个区域Au，且每一区域的配送点数量都小于单次聚类最大数量Nmax这个参数值，|{Pn|Pn∈Au}|≤Nmax,n＝1,2,...,N,u＝1,2,...,U。
步骤03.组别分类，对各区域进行载重量返回判断，若该区域内配送点需求量大于车辆配送量，则采用二进制遍历的方法，将该区域划分为M个组别Gum，且每一组别的满载率都大于最低满载率ηsim这个参数值，
Figure BDA0002629171300000021
步骤04.组别配送距离计算，利用蚁群算法，根据信息素的浓度，采用蚁周模型，确定每一组别Gum的最短配送路径及相应最短距离。
步骤05.限制配送距离返回判断，若该组别的最短配送距离大于运输车的最大行驶距离Lmax，则将该组别通过二进制遍历的方法拆成若干个子组，再次利用蚁群算法，在满足限制配送距离的条件下，给出距离之和最短的方案。
步骤06.整合所有组别和子组的配送方案，给出组别确定的配送具体规划；
步骤07.根据应急情况，分别增加采用限制时间Tlimit或限制人数Hlimit的约束条件，采用公平算法，对组别进行分配，最终给出选用人员最少或所用时间最短的应急医疗物资具体规划。
作为本发明的一种优选技术方案：所述步骤02中包括如下步骤：
步骤021.对于K个聚类中心，先随机产生K个聚类点，根据选择每个配送点(坐标已标准化)到不同聚类点的最小欧氏距离，将每一个配送点划分为K大类。
步骤022.求出每一类的聚类中心Au'，即将每一类中的所有配送点求其均值，均值向量则为聚类中心。
步骤023.根据聚类中心，判断该类的聚类中心与哪个配送中心最近，则将该类归为该配送中心运输。
步骤024.求出每一个配送点到所对应的聚类中心的欧氏距离，并求和。循环100次，选出各配送点到各对应聚类中心距离和最小的聚类方案，并输出聚类结果。
作为本发明的一种优选技术方案：所述步骤03和05中二进制遍历包括如下步骤：
步骤031.将1到2N-1个数字全部转化为2进制，其中N为该类的配送点个数。
步骤032.将每一个二进制数用0补齐对整，长度都为N。这样这每一个二进制数都对应一种分类方式，二进制数第几位数(从左往右)中的数字显示0，则该第几号配送点此次不配送，1为该配送点此次配送。
步骤033.求出每一个二进制数对应配送的需求量，利用最低载重率ηsim这一参数来删除一些比较差的局部解。
步骤034.以该类最少的配送次数M(该类需求量之和除以最大载重量，再向上取整)来计算，形成M*N的0-1矩阵，该矩阵每一行都为一种二进制，输出矩阵每一列之和都为1且每次配送方差最小的矩阵，将其转化为相应配送方案，输出。
作为本发明的一种优选技术方案：所述步骤07中的公平算法包括如下步骤：
步骤071.将突发情况分为两种：限制时间Tlimit(人员无限制，人员的配送时间有限制)；限制人数Hlimit(人员数量限制，配送时间无限制)。
步骤072.限制时间Tlimit：确定理想最少人员数，遍历每一次配送，寻找剩余工作时间大于该配送时间的人员，并把该次配送分配给当前工作时间最少的人员。若该次配送没有寻找到剩余工作时间大于该配送时间的人员，则将人员数目增加，重新进行循环。最后输出结果。
步骤073.限制人数Hlimit：遍历每一次配送，并把该次配送分配给当前工作时间最少的人员。最后输出结果。
本发明具有以下技术效果：
(1)本发明设计的基于蚁群算法的应急医疗物资配送技术，步骤结构清晰明了，易于实现，能够获得优化物资配送方案，有效解决医疗物资配送问题。
(2)本发明设计的基于蚁群算法的应急医疗物资配送技术中，针对大量的配送点和复杂的情况，如多个配送中心等情况。我们采用了K-means聚类来判断配送中心的运输归属，并进行粗分类前期处理，使配送问题解决更加合理化。设置单次聚类最大数量Nmax，降低了之后返回判断载重量的情况，降低计算量。
(3)本发明设计的基于蚁群算法的应急医疗物资配送技术中，采用二进制遍历，兼顾了全局求解，使以车辆载重量为限制条件的组别分类更加全面而精确。同时设置最低载重率ηsim，排除一些组别载重率过低的情况，降低计算量。
(4)本发明设计的基于蚁群算法的应急医疗物资配送技术中，采用了蚁群算法，根据信息素的浓度，采用蚁周模型，即通过蚂蚁环游一周留下的信息素浓度来计算得出最优路径，每段信息素浓度与该段距离成正比，快速求出每一组别的最优路径与最短配送距离，合理的规划出了配送点的配送顺序，使得整个配送过程更加有序。
(5)本发明设计的基于蚁群算法的应急医疗物资配送技术中，针对限制载重量、限制配送路径长度，采用载重量返回判断、限制配送距离返回判断，合理的解决了物资配送过程中存在的各种问题。
(6)本发明设计的基于蚁群算法的应急医疗物资配送技术中，针对突发事件进行分类，给出不同应急情况下具体应急医疗物资配送方案。
附图说明
图1是本发明的流程示意图。
图2是本发明的实施例的配送方案示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明设计的基于蚁群算法的应急医疗物资配送技术在实际应用过程当中，参照如下步骤：
步骤01.如有40个配送点，一个配送中心，聚类中心K为5。大型车载重量为8T、小型车载重量为5吨，最低载重率ηsim为0.1，限制配送路径长度Lmax为50Km，单次聚类最大数量Nmax为10。配送速度为20Km/h，卸货速度为5min/个。具体配送点和配送中心坐标值与需求量详见附表1。
步骤021.对于5个聚类中心，先随机产生5个聚类点，根据选择每个配送点到不同聚类点的最小欧氏距离，将每一个配送点划分为5大类。如第一大类为：6、7、14、26、30、36、37、38、39这9个配送点。
步骤022.求出每一类的聚类中心，即将每一类中的所有配送点求其均值，均值向量则为聚类中心A'u。
步骤023.根据聚类中心，判断该类的聚类中心与哪个配送中心最近，则将该类归为该配送中心运输。
步骤024.求出每一个配送点到所对应的聚类中心的欧氏距离，并求和。循环100次，选出距离和最小的聚类方案，并输出聚类结果和所对应的配送中心选择方案。最后输出方案为第一区域A1为：6、7、14、26、30、36、37、38、39这9个配送点；第二区域A2：9、11、13、20、24、25、29、33、40；第三区域A3：4、19、22、34、35；第四区域A4：2、3、8、16、17、28、31；第五区域A5：1、5、10、12、15、18、21、23、27、32。
步骤03.进行载重量返回判断，每一区域的配送点的需求量与运输车的最大载重量进行比较，发现第4区域的需求量已经超过(即一次配送无法全部运输完)，则将该类进行二进制遍历。
步骤031.将1到27-1个数字全部转化为2进制。
步骤032.并将每一个二进制数用0补齐对整，长度都为7。
步骤033.求出每一个二进制数对应配送的需求量，删除载重率小于0.1的二进制数。
步骤034.该类最少的配送次数为2，因此形成2*7的0-1矩阵，该矩阵每一行都为一种二进制，并输出矩阵每一列之和都为1且每次配送方差最小的矩阵，将其转化为相应配送方案，输出结果为，将第四区域转为2个组别，分别为G41：2、3、31和G42：8、16、17、28。
步骤04.蚁群算法计算每一组别(共6组别)，第一组别的最优路径为3-31-2，其对应的距离为30.6084Km；第二组别的最优路径为6-14-7-37-30-39-36-38-26，其对应的距离为37.0854Km；第三组别的最优路径为13-11-33-25-29-40-24-20-9，其对应的距离为29.8208Km；第四组别的最优路径为17-8-28-16，其对应的距离为38.5618Km；第五组别的最优路径为34-22-19-4-35，其对应的距离为37.5663Km；第六组别的最优路径为32-5-21-15-1-12-27-10-18-23，其对应的距离为31.0042Km。
步骤05.最大距离的返回判断。每一个小组都满足最大配送距离。
步骤06.给出整个的配送的具体规划。第一次配送的最优路径为3-31-2，其对应的距离为30.6084Km；第二次配送的最优路径为6-14-7-37-30-39-36-38-26，其对应的距离为37.0854Km；第三次配送的最优路径为13-11-33-25-29-40-24-20-9，其对应的距离为29.8208Km；第四次配送的最优路径为17-8-28-16，其对应的距离为38.5618Km；第五次配送的最优路径为34-22-19-4-35，其对应的距离为37.5663Km；第六次配送的最优路径为32-5-21-15-1-12-27-10-18-23，其对应的距离为31.0042Km。详细结果见附表2，附图2。
步骤07.根据实际突发事件选择相应类型方案以限制时间为6小时为例，详细结果见附表3；以限制人数为2人为例，详细结果见附表4。
如图2所示，以40个配送点为例，通过方法，给出其配送方案。其中0为配送中心。
第一次配送的最优路径为3-31-2，其对应的距离为30.6084Km；第二次配送的最优路径为6-14-7-37-30-39-36-38-26，其对应的距离为37.0854Km；第三次配送的最优路径为13-11-33-25-29-40-24-20-9，其对应的距离为29.8208Km；第四次配送的最优路径为17-8-28-16，其对应的距离为38.5618Km；第五次配送的最优路径为34-22-19-4-35，其对应的距离为37.5663Km；第六次配送的最优路径为32-5-21-15-1-12-27-10-18-23，其对应的距离为31.0042Km。其总距离为204.64km。
每次配送距离不超过50km，符合约束条件，分配合理，具有实际可行性。
附表1 40个配送点与1个配送中心的坐标以及各配送点需求量(T)
Figure BDA0002629171300000071
附表2 40个配送点的结果表
Figure BDA0002629171300000072
附表3限制时间为6小时的限制时间分配方案
Figure BDA0002629171300000073
附表4限制人数为2人的限制人数分配方案
Figure BDA0002629171300000074
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种基于蚁群算法的应急医疗物资配送优化方法，其特征在于：包括如下步骤：
步骤01.输入配送点数据的坐标位置，并且输入参数，如聚类中心K；
步骤02.区域分类，利用欧式距离对配送点进行K-means聚类，将N个配送点分成有K个聚类中心的U＝K个区域Au，且每一区域的配送点数量都小于单次聚类最大数量Nmax这个参数值，|{Pn|Pn∈Au}|≤Nmax,n＝1,2,...,N,u＝1,2,...,U；
步骤03.组别分类，对各区域进行载重量返回判断，若该区域内配送点需求量大于车辆配送量，则采用二进制遍历的方法，将该区域划分为M个组别Gum，且每一组别的满载率都大于最低满载率ηsim这个参数值，
Figure FDA0002629171290000011
步骤04.组别配送距离计算，利用蚁群算法，根据信息素的浓度，采用蚁周模型，确定每一组别Gum的最短配送路径及相应最短距离；
步骤05.限制配送距离返回判断，若该组别的最短配送距离大于运输车的最大行驶距离Lmax，则将该组别通过二进制遍历的方法拆成若干个子组，再次利用蚁群算法，在满足限制配送距离的条件下，给出距离之和最短的方案；
步骤06.整合所有组别和子组的配送方案，给出组别确定的配送具体规划；
步骤07.根据应急情况，分别增加采用限制时间Tlimit或限制人员数Hlimit的约束条件，采用公平算法，最终给出选用人员最少或所用时间最短的应急医疗物资具体规划。
2.根据权利要求1所述一种应急医疗物资配送调度优化方法，其特征在于：所述步骤02具体包括：
步骤021.对于K个聚类中心，先随机产生K个聚类点，根据选择每个配送点(坐标已标准化)到不同聚类点的最小欧氏距离，将每一个配送点划分为K大类；
步骤022.求出每一类的聚类中心A′u，即将每一类中的所有配送点求其均值，均值向量则为聚类中心；
步骤023.根据聚类中心，判断该类的聚类中心与哪个配送中心最近，则将该类归为该配送中心运输；
步骤024.求出每一个配送点到所对应的聚类中心的欧氏距离，并求和；循环100次，选出各配送点到各对应聚类中心距离和最小的聚类方案，并输出聚类结果。
3.根据权利要求1所述一种应急医疗物资配送调度优化方法，其特征在于：所述步骤03所述的二进制遍历具体包括：
步骤031.将1到2N-1个数字全部转化为2进制，其中N为该类的配送点个数；
步骤032.将每一个二进制数用0补齐对整，长度都为N；这样这每一个二进制数都对应一种分类方式，二进制数第几位数(从左往右)中的数字显示0，则该第几号配送点此次不配送，1为该配送点此次配送；
步骤033.求出每一个二进制数对应配送的需求量，利用最低载重率ηsim这一参数来删除一些比较差的局部解；
步骤034.以该类最少的配送次数M(该类需求量之和除以最大载重量，再向上取整)来计算，形成M*N的0-1矩阵，该矩阵每一行都为一种二进制，输出矩阵每一列之和都为1且每次配送方差最小的矩阵，将其转化为相应配送方案，输出。
4.根据权利要求1所述一种物资配送调度优化方法，其特征在于：所述步骤07所述的二进制遍历具体包括：
步骤071.将突发情况分为两种：限制时间Tlimit(人员无限制，人员的配送时间有限制)；限制人员数Hlimit(人员数量限制，配送时间无限制)。
步骤072.限制时间Tlimit：确定理想最少人员数，遍历每一次配送，寻找剩余工作时间大于该配送时间的人员，并把该次配送分配给当前工作时间最少的人员。若该次配送没有寻找到剩余工作时间大于该配送时间的人员，则将人员数目增加，重新进行循环。最后输出结果。
步骤073.限制人员量Hlimit：遍历每一次配送，并把该次配送分配给当前工作时间最少的人员。最后输出结果。
CN202010806088.1A 2020-08-12 2020-08-12 一种基于蚁群算法的应急医疗物资配送优化方法 Pending CN112150060A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010806088.1A CN112150060A (zh) 2020-08-12 2020-08-12 一种基于蚁群算法的应急医疗物资配送优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010806088.1A CN112150060A (zh) 2020-08-12 2020-08-12 一种基于蚁群算法的应急医疗物资配送优化方法

Publications (1)

Publication Number Publication Date
CN112150060A true CN112150060A (zh) 2020-12-29

Family

ID=73887921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010806088.1A Pending CN112150060A (zh) 2020-08-12 2020-08-12 一种基于蚁群算法的应急医疗物资配送优化方法

Country Status (1)

Country Link
CN (1) CN112150060A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392877A (zh) * 2021-05-24 2021-09-14 电子科技大学 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法
CN116308018A (zh) * 2023-03-24 2023-06-23 深圳市凯东源现代物流股份有限公司 一种配送区域与配送点的匹配方法和装置及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392877A (zh) * 2021-05-24 2021-09-14 电子科技大学 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法
CN113392877B (zh) * 2021-05-24 2022-04-19 电子科技大学 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法
CN116308018A (zh) * 2023-03-24 2023-06-23 深圳市凯东源现代物流股份有限公司 一种配送区域与配送点的匹配方法和装置及存储介质

Similar Documents

Publication Publication Date Title
Liu et al. Novel multi-objective resource allocation and activity scheduling for fourth party logistics
US20120226624A1 (en) Optimization system of smart logistics network
CN108564211A (zh) 物流运输路径规划方法及系统
CN110163544A (zh) 一种基于优化的遗传算法进行货物配送的方法
CN112150060A (zh) 一种基于蚁群算法的应急医疗物资配送优化方法
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN113962467A (zh) 一种冷链运输车辆智能调度方法
CN113867358B (zh) 多无人车协同遍历任务的智能路径规划方法
Lin et al. Discrete Optimization on Truck‐Drone Collaborative Transportation System for Delivering Medical Resources
CN115577833A (zh) 应用于求解协同配送的路径规划的粒子群优化方法和系统
Hani et al. Simulation based optimization of a train maintenance facility
CN112508481A (zh) 一种智能仓储多agv调度方法
Lin et al. Model and hybrid algorithm of collaborative distribution system with multiple drones and a truck
CN112801336A (zh) 一种组合拼载的货运调控方法
CN112418550A (zh) 一种物流行业中多种司机工作状态下的车货匹配方法
JP4025652B2 (ja) 輸送計画作成システム及び方法
CN117032298A (zh) 卡车无人机同步运行协同配送模式下的无人机任务分配规划方法
Zhaohua et al. Research on airport special vehicle scheduling problem
CN112508478B (zh) 一种基于自组织自动导引车的柔性物流配送任务分配方法
Liu Research on scheduling policy of automated warehouse system
Duan et al. Multiple depots incomplete open vehicle routing problem based on carbon tax
Cai et al. No-wait Drone Scheduling Traveling Salesman Problem Based on HAPGA
Derrouiche et al. Integration of social concerns in collaborative logistics and transportation networks
TARAPATA et al. Model and Algorithm for Hub Location Problem in Selected Courier Company
Guo et al. Research on Vehicle Routing Optimization for M Company Considering Time Window Constraints

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201229