CN112270135A - 一种物流发运调度智能配送方法、装置、设备及存储介质 - Google Patents

一种物流发运调度智能配送方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112270135A
CN112270135A CN202011269043.1A CN202011269043A CN112270135A CN 112270135 A CN112270135 A CN 112270135A CN 202011269043 A CN202011269043 A CN 202011269043A CN 112270135 A CN112270135 A CN 112270135A
Authority
CN
China
Prior art keywords
scheduling
logistics
intelligent
dispatching
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.)
Granted
Application number
CN202011269043.1A
Other languages
English (en)
Other versions
CN112270135B (zh
Inventor
崔江波
孟祥婷
董鹏
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.)
Jilin Tobacco Industrial Co Ltd
Original Assignee
Jilin Tobacco Industrial 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 Jilin Tobacco Industrial Co Ltd filed Critical Jilin Tobacco Industrial Co Ltd
Priority to CN202011269043.1A priority Critical patent/CN112270135B/zh
Publication of CN112270135A publication Critical patent/CN112270135A/zh
Application granted granted Critical
Publication of CN112270135B publication Critical patent/CN112270135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Abstract

本申请公开了一种物流发运调度智能配送方法、装置、设备及存储介质，包括：对物流调度的业务数据进行预处理，获取调度特征；根据调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；通过对各过程环节和路径进行计算分析，利用蚁群算法对货运调度智能配送模型求解，并对求解结果进行检验；根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。这样可以减少不必要的重复运输，提高单车满载率，实现配送合理化，最大限度降低运输次数，节省运输费用，提升货物配载优化、准时配送的专业能力，从而提高物流系统运行效率。

Description

一种物流发运调度智能配送方法、装置、设备及存储介质
技术领域
本发明涉及物流调度技术领域，特别是涉及一种物流发运调度智能配送方法、装置、设备及存储介质。
背景技术
智慧物流调度建设已经成为推动行业智慧物流发展的重要任务。物流实际工作中，调度功能受多因素影响，如:营销销区、销量、合同量大小等因素，致使物流发货工作效率、各发货点间的拼车准确率、车辆装载率等低下，直接反映为物流资源调度困难、物流配送成本居高不下、工作被动、经验难传授等问题。
目前，大部分企业调度配送环节只实现订单处理功能，而对发货批次测算、物流订单拆分、车型匹配、发运仓库指派、运输线路安排等作业还只能依靠单机人工操作，电话通知等方式，工作量大、效率不高。由于现有的配送调度手段不健全、智能配送系统不成熟，再加上碎片化订单造成的发货频率高、拼车配载时间长、调度情况难等原因影响了整个调度配送运作能力，主要包括几个方面：第一个方面是运力资源空载浪费：碎片化订单造成的单个订单无法满足单车满载的需求，即使拼车配载，如果订单拆分不合理也容易造成车辆满载率下降；第二个方面是车辆拼车配载延长了等待时间：拼车配载即一个车中配多个合同，车辆需要到多个货点进行装车没有固定时间限制，增加了等待时间；第三个方面是车辆调度比较被动：运输公司在接到运输计划后才能按需定车，企业本部对车辆情况(包括车辆位置、车况等)一无所知，导致车辆调度处于被动状态，容易造成货源已准备，车辆未到位；车辆已到位，货源不足，或装卸人员配备不足等情况，致使装货时间增加；第四个方面是管理手段不健全，没有精确的配送业务模拟工具以及科学完整的配送方案，使某些作业结点处于断点、延迟、后知后觉状态，订单追溯困难；第五个方面是运输调度成本高：由于运输调度采用人工方式，由人工经验进行的路线选择方式，其科学性、合理性不易判断，难以实现货物、车辆与运输路线的最优配置，容易产生不必要的费用；第六个方面是市场需求无法及时保障，由于采用拼车发运多点卸货，往往前一卸货点如果未能及时卸货，将严重影响后续卸货点到货时间，难以高效保障市场需求；第七个方面是运输路径不合理，由于订单量小造成大量的拼车路径，常常出现对流运输、迂回运输、重复运输、返程和起程空驶等运力不当等问题。
因此，如何解决物流配送车辆优化调度问题，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种物流发运调度智能配送方法、装置、设备及存储介质，可以最大限度降低运输次数，提高物流调度工作效率，节约物流成本。其具体方案如下：
一种物流发运调度智能配送方法，包括：
对物流调度的业务数据进行预处理，获取调度特征；
根据所述调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；
通过对各过程环节和路径进行计算分析，利用蚁群算法对所述货运调度智能配送模型求解，并对求解结果进行检验；
根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
优选地，在本发明实施例提供的上述物流发运调度智能配送方法中，对物流调度的业务数据进行预处理，获取调度特征，具体包括：
对物流调度的合同发运计划和各物流分中心可用运输车辆信息进行抽取和分析，获取调度特征；所述调度特征包括箱量信息、始发地信息、目的地信息、里程、路程天数、要求达到天数、车辆运力情况。
优选地，在本发明实施例提供的上述物流发运调度智能配送方法中，所述约束条件包括单个合同只能装载在一辆车上，每辆车总的装载量不大于该车型的装载上限且不小于该车型的装载下限，每辆车配载多个合同，每辆车在客户要求送达时间前抵达。
优选地，在本发明实施例提供的上述物流发运调度智能配送方法中，优化运行参数，具体包括：
调整车型装载下限和上限；
根据每天最大行驶里程，计算车辆速度，确定并调整在不同城市节点的行驶时间；
判断是否必须发货地装车，若否，则异地派车；
调整每辆车经过城市节点的数量；
判断总里程目标计算时是否加入车辆从最后一个卸货点返回起点的里程，若是，则加入返程里程，若否，则不加入返程里程；
调整装卸顺序和送货顺序。
优选地，在本发明实施例提供的上述物流发运调度智能配送方法中，利用蚁群算法对所述货运调度智能配送模型求解，具体包括：
设置蚂蚁变量各个初始参数，以及相应的结果本集，寻找蚂蚁初始出发点，将第k只蚂蚁随机选择的起点位置i，将i放入第k只蚂蚁的搜索禁忌表中，并更新蚂蚁当前的容量和时间；
根据蚁群算法的伪随机概率选择公式，找到下一个客户j；
计算i和j连接后蚂蚁k的总装载量；
若总装载量大于车辆最大容量，则计算到达节点j的时间；判断计算出的时间是否满足时间窗口的要求；若是，则将节点j加入到搜索禁忌表中，并更新当前蚂蚁的载重量和时间，以及局部更新信息素；若否，则应用局部最优算法改进蚂蚁求解结果，计算各路径的信息素和信息素增量，全局更新信息素，动态调整蚁群算法相关参数；
若总装载量不大于车辆最大容量，则统计总车辆数，并判断NotVisitk表是否空；若是，则应用局部最优算法改进蚂蚁求解结果，计算各路径的信息素和信息素增量，全局更新信息素，动态调整蚁群算法相关参数；若否，则从NotVisitk表得到未搜索的点，并以选择开始时间最早的点作为起点，重新修改蚂蚁参数当前载重量与当前时间点；
根据k只蚂蚁搜索的结果解，由线形加权和优化多个目标函数，获得最优结果和最差结果，并更新信息素，保存全局最优解。
优选地，在本发明实施例提供的上述物流发运调度智能配送方法中，还包括：
将得到的运行路线最优解传递至智能调度服务；
通过所述智能调度服务运用区块链将所述运行路线最优解传输至物流平台、承运商系统。
本发明实施例还提供了一种物流发运调度智能配送装置，包括：
数据处理模块，用于对物流调度的业务数据进行预处理，获取调度特征；
模型构建模块，用于根据所述调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；
蚁群算法模块，用于通过对各过程环节和路径进行计算分析，利用蚁群算法对所述货运调度智能配送模型求解，并对求解结果进行检验；
参数优化模块，用于根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
优选地，在本发明实施例提供的上述物流发运调度智能配送装置中，还包括：
智能调度服务，用于接收得到的运行路线最优解；
区块链传输模块，用于运用区块链将所述运行路线最优解传输至物流平台、承运商系统。
本发明实施例还提供了一种物流发运调度智能配送设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述物流发运调度智能配送方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述物流发运调度智能配送方法。
从上述技术方案可以看出，本发明所提供的一种物流发运调度智能配送方法，包括：对物流调度的业务数据进行预处理，获取调度特征；根据调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；通过对各过程环节和路径进行计算分析，利用蚁群算法对货运调度智能配送模型求解，并对求解结果进行检验；根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
本发明所提供的上述方法通过应用大数据、人工智能等技术与算法模型，建立货运调度智能配送模型，使合同数量、里程数量、车辆数量三大要素的配比最优，在保证时效性及安全性的前提下，优化运输路径，减少不必要的重复运输，提高单车满载率，实现配送合理化，在完成运输任务的前提下，最大限度降低运输次数，节省运输费用，提升货物配载优化、准时配送的专业能力，从而提高物流系统运行效率，保证到货及时率，满足“提升服务，提高效率，降低成本”的物流发展战略要求。此外，本发明还针对物流发运调度智能配送方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的物流发运调度智能配送方法的流程图；
图2为本发明实施例提供的模型设计思路示意图；
图3为本发明实施例提供的模型构建内容解析图；
图4为本发明实施例提供的智能发运调度处理流程图；
图5为本发明实施例提供的物流发运调度智能配送装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种物流发运调度智能配送方法，如图1所示，包括以下步骤：
S101、对物流调度的业务数据进行预处理，获取调度特征；
S102、根据调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；
S103、通过对各过程环节和路径进行计算分析，利用蚁群算法对货运调度智能配送模型求解，并对求解结果进行检验；
S104、根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
在本发明实施例提供的上述物流发运调度智能配送方法中，通过应用大数据、人工智能等技术与算法模型，建立货运调度智能配送模型，使合同数量、里程数量、车辆数量三大要素的配比最优，在保证时效性及安全性的前提下，优化运输路径，减少不必要的重复运输，提高单车满载率，实现配送合理化，在完成运输任务的前提下，最大限度降低运输次数，节省运输费用，提升货物配载优化、准时配送的专业能力，从而提高物流系统运行效率，保证到货及时率，满足“提升服务，提高效率，降低成本”的物流发展战略要求。
需要说明的是，本发明本质上就是涉及运筹规划决策领域的物流配送车辆优化调度问题，是一个装卸混合、非满载、多发货点、多车型、带硬时间窗口的多回路运输问题(Vehicle Routing Problem，VRP)。目前针对车辆优化调度这类组合优化问题的求解基本上可以分为精确算解法和近似解算法两大类。对于成品货物调度这种强NP-hard(非确定性多项式)的VRP难题，主要是采用近似算解法中的启发式算法，在可接受的时间内尽量比较快地得到可行解，但是受计算能力限制，不能在智能调度中按照目前费率规则遍历计算所有费用，总运费最小目标不可行，因此将影响运费的最关键因素设为调度目标：完成尽可能多配载成功的合同，同时使配载成功的所有车辆总行驶里程尽量最小，基本达到成本最低的目标。
本发明是根据目前实际物流调度中存在的问题而提出来的，在基本的蚁群算法基础上，针对物流调度的现状，对蚁群算法进行了各种改进，设计货运调度智能配送模型，其中，模型的基础算法来自于运筹学，利用这些基础算法的基本原理，根据实际配送业务特点及限制条件，对这些算法进行重新设计，形成企业自身独特的智能配送模型，并将该模型应用到智能调度配送系统中，用于指导物流配送工作，提高物流调度工作效率，节约物流成本。
如图2所示，首先分析模型涉及的物流调度中主要业务数据，以及各种影响因素和约束条件，例如，可用运力情况、车型、各可用库存、发、到货点线路里程表、始发地、目的地、到货时间要求等，并对数据进行抽取和分析。其次，根据数据整理情况、约束情况，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下，对运输和配送网络建立数学模型。最后，通过对各过程环节和路径进行计算分析，选择合理的算法和运行参数，利用改进的蚁群算法对模型求解，并对求解结果进行检验，通过反复修正运行参数、增加约束条件等方式对发现问题进行处理，达到算法最优。
进一步地，在具体实施时，在本发明实施例提供的上述物流发运调度智能配送方法中，步骤S101对物流调度的业务数据进行预处理，获取调度特征，具体可以包括：对物流调度的合同发运计划和各物流分中心可用运输车辆信息进行抽取和分析，挖掘相关涉及物流调度的调度特征；这里的调度特征可以包括箱量信息、始发地信息、目的地信息、里程、路程天数、要求达到天数、车辆运力情况。对于合同发运计划，包括发运物流中心、客户、计划发货日期、最迟到货日期以及品规和箱量等明细信息；可用车辆主要包括车辆运力(箱量)、始发地等信息及特征。
在具体实施时，在本发明实施例提供的上述物流发运调度智能配送方法中，约束条件可以包括单个合同只能装载在一辆车上，每辆车总的装载量不大于该车型的装载上限且不小于该车型的装载下限，每辆车配载多个合同，每辆车在客户要求送达时间前抵达，时间单位为天，不是精确到一个时间点；要求到货时间计算按始发点由近及远，各城市间运输时间根据各节点间里程除以统一设置的每日最大行驶里程、并加上按数量计算的装卸车时间等。
如图3所示，发运调度的任务就是将合同与车辆匹配，一辆车上可以配载多个合同，同时还要满足以下要求：车辆满载率要求，车辆至少要装载的箱量；货物准运要求，一个合同只能装载在一辆车上，不能拆分；一车上配载多个合同，可以是一个起运地装货至多个目的地，也可以是一个起运地装货途经其它起运地装货再到同一个目的地，也可以一个起运地途经装货其它起运地装货再到多个目的地；在客户要求送达时间前抵达。
在满足上述要求的同时，每次调度要尽量实现以下目标：能够配载成功按时送达的合同数量最多；所有车辆的总里程最小，如果一辆车配载多个城市，里程按依次经过的城市合计；使用的车辆数量最少。
上述对模型构建的关键内容做了详细分析，包括在满足特定需求的情况下，发运调度要实现的目标，即在满足总费用最小的情况下，也要满足合同数量最多、总里程最小、车辆数量最少的目标。因此模型目标解设计为：以最少可用运力、最少总里程数，完成最多订单及时到达的组合最优解。模型可通过机器学习技术进行自我学习和优化迭代。
在具体实施时，在本发明实施例提供的上述物流发运调度智能配送方法中，根据模型的目标和约束条件，为达到不同的调度结果，需要进行一些参数优化调整，步骤S104优化运行参数，具体可以包括：调整车型装载下限和上限，按百分比；公司通行车型限制，调度的车辆不能大于该限制装载量；根据每天最大行驶里程，计算车辆速度，确定并调整在不同城市节点的行驶时间(以小时为单位计算)；判断是否必须发货地装车，若否，则异地派车，增加调度时的可用车辆数量；调节单点装卸车时间，按照每小时装卸箱量设置；调整每辆车经过城市节点的数量，主要为防止单车组拼太多合同，按照不同城市数量计算；判断总里程目标计算时是否加入车辆从最后一个卸货点返回起点的里程，若是，则加入返程里程，若否，则不加入返程里程；调整装卸顺序和送货顺序，装卸顺序默认以由近及远的顺序送货，特殊情况下可人为干预送货顺序，在调度结果中按送货顺序正向排序，并打印在调拨单据上，而装车秉承后卸先装的原则，按调拨单据中合同顺序倒序装货；另外，判断公司信息中设置是否接收快递，接收快递的公司在智能调度计算完成后，未匹配且数量符合快递要求的合同物流平台来自动生成快递调；合同加急标志处理，加急的合同不参与调度计算。
这样对参数的调整，可以实现成品发货工作规范化、流程化、精准高效化、运力公平排队避免人为干预，保证了每个合同精准到货的要求，提高了物流的发货和运输效率，创造出了时间价值，也间接地提高了客户满意度和物流供应链的价值，并且顺应绿色物流发展要求，通过减少碳排放、减轻道路、环境、能源的压力，为建设环境友好型社会做出了贡献，填补了企业物流货运调度环节智能信息化管控的空白，实现了物流“计划、运输、装卸、仓储、结算”一体化联动模式。
在实际应用中，在物流调度的业务数据的分析基础上，可以分析得到物流调度中各因素对模型的影响，具体包括：第一个是车辆因素，便于研究问题的简单化，所有的运输车辆都是同一型号，及载重量，容积以及其它参数都一致。对于车辆主要影响因素：车辆载重量约束和最大运行时间的约束及最长运输距离约束，其中载重量约束是最基本约束。第二个是时间因素：本发明的智能调度问题归结为带时间窗的车辆路径问题来处理，对这些问题处理的好坏直接影响到企业的效益和顾客的利益。在带时间窗的车辆路径问题来处理根据顾客对货物的运输时间的要求强度分为以下两大类，一是获取需要在规定的时间到达，不能提前也不能拖后；二是货物可以在一段时间内到达。本项目定义为这两类问题的混合问题，既有硬时间窗要求，又有软时间窗考虑。第三个是目标因素：本发明是多目标车辆路径优化问题，由于实际情况的不同，选择不同的目标值，其求解模型和调度算法也会有很大的改变。多目标车辆路径优化问题的选择会造成各目标函数之间相互冲突或者相互联系，比如车辆运输时间少了，但是运输总费用就不一定减少；或者运输总费用下降了，但运输总时间却不一定最少等情况。这样就可能很难获得一条最佳路径，因此对各个目标函数进行综合分析和权衡，在多种可行的方案中选择了最为满意的方案。根据货物调度需求，制定可执行的调度目标：首要目标是保证及时到货，同时要保证多点装货的时限问题、成本问题(包括时间成本及经济成本)。因此，本发明以效率最大化，成本最小化建立模型。
需要注意的是，本发明主要考虑了合同数量、里程数量、车辆数量三大要素，以及这三大要素如何进行配比最优。为便于设计模型中引入了“订单池”和“历史数据的路网配载”概念，其中“订单池”主要用于没有配载的订单数据管理，通过调用池中的订单数据进行车辆配载。历史路网配载数据主要用于辅助数学模型训练，找到运量与公里数的最优化组合配比函数。本模型以一个配送中心出发，向多个客户点送货，然后在同一天内返回到该配送中心，要安排一个满意的运行路线进行算法设计。为保证信息及时有效，运用爬虫技术，实时获取商业公司所在地运输车辆限行、限号、错峰等交通管理要求，以及防疫、抗灾等社会突发管理要求，在模型中设置相关参数，控制计算结果，保证结果精确、可执行。
设所有收货点的货物量需求为Ri，每辆车的容量限制为Wi，配送中心拥有的车辆台数为m，需求点数为n，决策变量为
Figure BDA0002777105710000101
i≠j，i，j＝0，1，...，n
Figure BDA0002777105710000102
i＝1，2，...，n；k＝1，2，...，m
配送中心到各需求点的费用及各需求点之间之间的费用为
Cij(i＝1，2，...，n-1；j＝1，2，...，n；i＜j，i＝0表示配送中心)
模型的规划决策问题要素公式如下：
决策变量x＝(x1，x2，...，xn)T
目标函数f(x)
约束条件g(x)＞＝＜0
一般表示为
Opt.(min.or max)z＝f(x)
s.t.gj(x)＞＝＜0，j＝1，...，m
x＝(x1，x2，...，xn)T，x∈Ω
模型的目标函数为
Figure BDA0002777105710000103
约束条件包括：
Figure BDA0002777105710000104
Figure BDA0002777105710000105
Figure BDA0002777105710000106
Figure BDA0002777105710000107
Ykj＝1或0 i＝0，1，2，...，n；k＝1，2，...，K； (5)
Xijk＝1或0 i，j＝0，1，2，...，n；k＝1，2，...，K (6)
其中，若客户点j由车辆k送货，则车辆k必由某点i到达点j；若客户点i由车辆k送货，则车辆k送完该点的货后必到达另一点j；每个需求点由且仅由一辆车送货；每辆车所运送的货物量不超过其载重量。
假定有n个访问地，把每个访问地看成一个点，并取其中的一个点作为基点。首先将每个点与基点相联接，构成线路1－j－1(j＝2，3,...,n)这样就得到一个具有n-1条线路的图。旅行者按照此路线访问的n个点所走的总路程为z＝2∑c1j,其中c1j为点1到点j(j＝2，3,...,n)的路段长度，这里假定c1j＝cj1(对所有点j)。若联接点i和j,即使旅行者走弧(i,j),所节约的路程值(i,j)可计算如：s(i,j)＝2c1i+2c1j–(c1i+c1j+cij)。对不同的点对s(i,j)越大，所节约的路程越多，因此应优先将这段弧插入到旅行线路中。
具体地，模型算法的步骤可以包括：选取基点，将基点与其他各点联接，得到n-1条线路1-j-1(j＝2，3,...,n)；对不违背条件的所有可联接点对(i,j)计算节约值s(i,j)＝c1i+c1j；将所有的s(i,j)按其值由大到小排列；按s(i,j)值的上述顺序，逐个考察其端点i和j，若满足以下条件，就将弧(i,j)插入到线路中，其条件是：点i和点j不在一条线路上；点i和点j均与基点相邻。接下来再按s(i,j)值的上述顺序，逐个考察其端点i和j，直至考察完所有的弧为止。通过这些步骤，可以使问题的解逐步得到改善，最后达到满意解。
在具体实施时，在本发明实施例提供的上述物流发运调度智能配送方法中，步骤S103利用蚁群算法对货运调度智能配送模型求解，具体可以包括：
步骤一、系统初始化，获取客户相关参数及改进蚁群算法各个参数，及其各个常量系数；
步骤二、设置蚂蚁变量各个初始参数，以及相应的结果本集，寻找蚂蚁初始出发点，将第k只蚂蚁随机选择的起点位置i，将i放入第k只蚂蚁的搜索禁忌表solutionk中，并更新蚂蚁当前的容量和时间；
步骤三、根据蚁群算法的伪随机概率选择公式，找到下一个客户j；
步骤四、计算i和j连接后蚂蚁k的总装载量Sumk，若Sumk大于车辆最大容量D，则转下一步，否则转到步骤六；
步骤五、计算到达节点j的时间Sj；若Sj满足时间窗口的要求，将节点j加入到solutionk中，并更新当前蚂蚁的载重量和时间，以及局部更新信息素tij，然后转到步骤三，否则转下一步；
步骤六、统计总车辆数，判断NotVisitk表，若NotVisitk表空，则转下一步；否则从NotVisitk得到未搜索的点，并以选择开始时间最早的点作为起点，重新修改蚂蚁参数当前载重量与当前时间点，转步骤三继续搜索；
步骤七、应用局部最优算法改进蚂蚁求解结果，计算各路径的信息素和信息素增量，全局更新信息素，动态调整蚁群算法相关参数；
步骤八、根据k只蚂蚁搜索的结果解，由线形加权和优化多个目标函数，获得最优结果和最差结果，再次更新信息素，并保存全局最优解，nc++；
步骤九、若算法循环到Ncmax，输出最终解，否则转到步骤二继续查找。
本模型将蚁群算法与局部优化理论方法相融合，缩短算法搜索时间，从而改善对最优解的搜索能力，保证调度结果合理性。
进一步地，在具体实施时，在本发明实施例提供的上述物流发运调度智能配送方法中，还可以包括：将得到的运行路线最优解传递至智能调度服务；通过智能调度服务运用区块链将运行路线最优解传输至物流平台、承运商系统。
如图4所示，模型建设成果将融入相关信息系统中，开发专用智能调度功能，调度员通过智能调度界面将发货计划数据、运力数据、约束条件数据通过接口传递至智能调度服务，智能调度服务运用区块链技术将运输结果发布至物流平台、承运商系统，调度员通过界面查看调度结果，对配载情况进行核对、确认，确认后结果作为发货指令，调度结果经过确认后，具有高度权威性，相关参与方必须执行。这样采用区块链技术存储模型调度结果，并向承运商、司机等参与商进行发布，固化调度指令权威性和安全性，避免人工篡改，实现数据安全共享，可以实现对物流运输货物来源可溯、去向可循、状态可控，通过信息共通、共享体系，实时了解订单物流信息、车辆在途状态、及物流运输评论和投诉，有效改善现有的运输服务水平，提高物流运输效率、装卸作业效率和系统操作效率。
可以理解的是，模型建设应用是一个持续的过程，在使用过程中需要不断优化迭代，以逼近目标最优解。智能调度服务中将引入机器学习技术，为模型赋予自我学习能力，使模型可根据历史数据、网络数据进行模拟训练，监督训练和实际运行结果，分析问题并发现优化空间，不断优化算法和参数，形成模型自我迭代，提高智能调度结果正确率，降低召回率。
基于同一发明构思，本发明实施例还提供了一种物流发运调度智能配送装置，由于该装置解决问题的原理与前述一种物流发运调度智能配送方法相似，因此该装置的实施可以参见物流发运调度智能配送方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的物流发运调度智能配送装置，如图5所示，具体可以包括：
数据处理模块11，用于对物流调度的业务数据进行预处理，获取调度特征；
模型构建模块12，用于根据调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；
蚁群算法模块13，用于通过对各过程环节和路径进行计算分析，利用蚁群算法对货运调度智能配送模型求解，并对求解结果进行检验；
参数优化模块14，用于根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
在本发明实施例提供的上述物流发运调度智能配送装置中，可以通过上述四个模块的相互作用，使合同数量、里程数量、车辆数量三大要素的配比最优，在保证时效性及安全性的前提下，优化运输路径，减少不必要的重复运输，最大限度降低运输次数，提高单车满载率，节省运输费用，提升货物配载优化、准时配送的专业能力，从而提高物流系统运行效率，保证到货及时率，满足“提升服务，提高效率，降低成本”的物流发展战略要求，实现“车辆满载率最高、运输路径最短、物流费用最少”之间的平衡。
在具体实施时，在本发明实施例提供的上述物流发运调度智能配送装置中，还可以包括：
智能调度服务，用于接收得到的运行路线最优解；
区块链传输模块，用于运用区块链将运行路线最优解传输至物流平台、承运商系统。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应的，本发明实施例还公开了一种物流发运调度智能配送设备，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现前述实施例公开的物流发运调度智能配送方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步的，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的物流发运调度智能配送方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明实施例提供的一种物流发运调度智能配送方法，包括：对物流调度的业务数据进行预处理，获取调度特征；根据调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；通过对各过程环节和路径进行计算分析，利用蚁群算法对货运调度智能配送模型求解，并对求解结果进行检验；根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。这样通过应用大数据、人工智能等技术与算法模型，建立货运调度智能配送模型，使合同数量、里程数量、车辆数量三大要素的配比最优，在保证时效性及安全性的前提下，优化运输路径，减少不必要的重复运输，提高单车满载率，实现配送合理化，在完成运输任务的前提下，最大限度降低运输次数，节省运输费用，提升货物配载优化、准时配送的专业能力，从而提高物流系统运行效率，保证到货及时率，满足“提升服务，提高效率，降低成本”的物流发展战略要求。此外，本发明还针对物流发运调度智能配送方法提供了相应的装置、设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该装置、设备及计算机可读存储介质具有相应的优点。
最后，还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的物流发运调度智能配送方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种物流发运调度智能配送方法，其特征在于，包括：
对物流调度的业务数据进行预处理，获取调度特征；
根据所述调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；
通过对各过程环节和路径进行计算分析，利用蚁群算法对所述货运调度智能配送模型求解，并对求解结果进行检验；
根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
2.根据权利要求1所述的物流发运调度智能配送方法，其特征在于，对物流调度的业务数据进行预处理，获取调度特征，具体包括：
对物流调度的合同发运计划和各物流分中心可用运输车辆信息进行抽取和分析，获取调度特征；所述调度特征包括箱量信息、始发地信息、目的地信息、里程、路程天数、要求达到天数、车辆运力情况。
3.根据权利要求2所述的物流发运调度智能配送方法，其特征在于，所述约束条件包括单个合同只能装载在一辆车上，每辆车总的装载量不大于该车型的装载上限且不小于该车型的装载下限，每辆车配载多个合同，每辆车在客户要求送达时间前抵达。
4.根据权利要求3所述的物流发运调度智能配送方法，其特征在于，优化运行参数，具体包括：
调整车型装载下限和上限；
根据每天最大行驶里程，计算车辆速度，确定并调整在不同城市节点的行驶时间；
判断是否必须发货地装车，若否，则异地派车；
调整每辆车经过城市节点的数量；
判断总里程目标计算时是否加入车辆从最后一个卸货点返回起点的里程，若是，则加入返程里程，若否，则不加入返程里程；
调整装卸顺序和送货顺序。
5.根据权利要求4所述的物流发运调度智能配送方法，其特征在于，利用蚁群算法对所述货运调度智能配送模型求解，具体包括：
设置蚂蚁变量各个初始参数，以及相应的结果本集，寻找蚂蚁初始出发点，将第k只蚂蚁随机选择的起点位置i，将i放入第k只蚂蚁的搜索禁忌表中，并更新蚂蚁当前的容量和时间；
根据蚁群算法的伪随机概率选择公式，找到下一个客户j；
计算i和j连接后蚂蚁k的总装载量；
若总装载量大于车辆最大容量，则计算到达节点j的时间；判断计算出的时间是否满足时间窗口的要求；若是，则将节点j加入到搜索禁忌表中，并更新当前蚂蚁的载重量和时间，以及局部更新信息素；若否，则应用局部最优算法改进蚂蚁求解结果，计算各路径的信息素和信息素增量，全局更新信息素，动态调整蚁群算法相关参数；
若总装载量不大于车辆最大容量，则统计总车辆数，并判断NotVisitk表是否空；若是，则应用局部最优算法改进蚂蚁求解结果，计算各路径的信息素和信息素增量，全局更新信息素，动态调整蚁群算法相关参数；若否，则从NotVisitk表得到未搜索的点，并以选择开始时间最早的点作为起点，重新修改蚂蚁参数当前载重量与当前时间点；
根据k只蚂蚁搜索的结果解，由线形加权和优化多个目标函数，获得最优结果和最差结果，并更新信息素，保存全局最优解。
6.根据权利要求5所述的物流发运调度智能配送方法，其特征在于，还包括：
将得到的运行路线最优解传递至智能调度服务；
通过所述智能调度服务运用区块链将所述运行路线最优解传输至物流平台、承运商系统。
7.一种物流发运调度智能配送装置，其特征在于，包括：
数据处理模块，用于对物流调度的业务数据进行预处理，获取调度特征；
模型构建模块，用于根据所述调度特征和物流调度约束条件，构建用于指导物流配送工作的货运调度智能配送模型；
蚁群算法模块，用于通过对各过程环节和路径进行计算分析，利用蚁群算法对所述货运调度智能配送模型求解，并对求解结果进行检验；
参数优化模块，用于根据校验结果，以配载成功按时送达的合同数量最多，所有车辆的总里程最小，使用的车辆数量最少为目标，通过优化运行参数得到运行路线最优解。
8.根据权利要求7所述的物流发运调度智能配送装置，其特征在于，还包括：
智能调度服务，用于接收得到的运行路线最优解；
区块链传输模块，用于运用区块链将所述运行路线最优解传输至物流平台、承运商系统。
9.一种物流发运调度智能配送设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的物流发运调度智能配送方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的物流发运调度智能配送方法。
CN202011269043.1A 2020-11-13 2020-11-13 一种物流发运调度智能配送方法、装置、设备及存储介质 Active CN112270135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011269043.1A CN112270135B (zh) 2020-11-13 2020-11-13 一种物流发运调度智能配送方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011269043.1A CN112270135B (zh) 2020-11-13 2020-11-13 一种物流发运调度智能配送方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112270135A true CN112270135A (zh) 2021-01-26
CN112270135B CN112270135B (zh) 2023-02-03

Family

ID=74340718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011269043.1A Active CN112270135B (zh) 2020-11-13 2020-11-13 一种物流发运调度智能配送方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112270135B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950091A (zh) * 2021-04-19 2021-06-11 深圳市汉德网络科技有限公司 车辆调度方法、装置及存储介质
CN113033926A (zh) * 2021-05-26 2021-06-25 江苏荣泽信息科技股份有限公司 基于区块链的供应链物流数据安全共享系统及方法
CN113052392A (zh) * 2021-04-09 2021-06-29 浙江万里学院 一种移动智能物流配载方法
CN113222418A (zh) * 2021-05-17 2021-08-06 重庆梅安森科技股份有限公司 一种用于井下自动化运输系统的调度管理方法
CN113592440A (zh) * 2021-07-20 2021-11-02 深圳市德邦物流有限公司 一种基于大数据的智慧物流取件分析系统及方法
CN113761458A (zh) * 2021-03-15 2021-12-07 北京京东振世信息技术有限公司 物流载体选择方案生成方法、装置、货舱预定方法及系统
CN114881580A (zh) * 2022-07-11 2022-08-09 深圳市元美供应链管理有限公司 一种基于智能供应链的电商物流配送管理系统及方法
CN115587742A (zh) * 2022-11-25 2023-01-10 万联易达物流科技有限公司 一种物流场站的车辆出入场调度方法及装置
CN115994673A (zh) * 2023-03-16 2023-04-21 交通运输部水运科学研究所 一种基于物联网的粮食基地监控方法、系统及存储介质
CN116934194A (zh) * 2023-09-13 2023-10-24 邹城美安系统集成有限公司 一种基于大数据的实时运输管理系统
CN117236824A (zh) * 2023-11-15 2023-12-15 新立讯科技股份有限公司 一种用于农产品在线交易平台的物流调度方法
CN117391564A (zh) * 2023-10-19 2024-01-12 北京氢远质投新能源汽车有限公司 一种新能源物流车辆补能调度数据模型及调度优化方法
CN117455100A (zh) * 2023-12-26 2024-01-26 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700251A (zh) * 2015-03-16 2015-06-10 华南师范大学 一种车辆调度问题的改进最大-最小蚁群优化方法及系统
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
US20160042321A1 (en) * 2014-08-11 2016-02-11 Weft, Inc. Systems and methods for providing logistics data
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN107578197A (zh) * 2017-07-10 2018-01-12 同济大学 需求不确定的混流生产线物流车辆调度区域优化方法
CN108846623A (zh) * 2018-09-17 2018-11-20 安吉汽车物流股份有限公司 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
CN109190835A (zh) * 2018-09-13 2019-01-11 西安建筑科技大学 一种基于时间窗限制的露天矿卡车调度路径优化方法
CN109214756A (zh) * 2018-09-17 2019-01-15 安吉汽车物流股份有限公司 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端
CN109345091A (zh) * 2018-09-17 2019-02-15 安吉汽车物流股份有限公司 基于蚁群算法的整车物流调度方法及装置、存储介质、终端
CN110097234A (zh) * 2019-05-13 2019-08-06 江苏中烟工业有限责任公司 工业卷烟运输智能调度方法及系统
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
CN110334838A (zh) * 2019-04-11 2019-10-15 国网新疆电力有限公司电力科学研究院 基于蚁群算法和遗传算法的agv小车协同调度方法及系统
CN111709560A (zh) * 2020-05-29 2020-09-25 杭州电子科技大学 一种基于改进蚁群算法的解决车辆路径问题方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160042321A1 (en) * 2014-08-11 2016-02-11 Weft, Inc. Systems and methods for providing logistics data
CN104700251A (zh) * 2015-03-16 2015-06-10 华南师范大学 一种车辆调度问题的改进最大-最小蚁群优化方法及系统
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
CN107578197A (zh) * 2017-07-10 2018-01-12 同济大学 需求不确定的混流生产线物流车辆调度区域优化方法
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN109190835A (zh) * 2018-09-13 2019-01-11 西安建筑科技大学 一种基于时间窗限制的露天矿卡车调度路径优化方法
CN108846623A (zh) * 2018-09-17 2018-11-20 安吉汽车物流股份有限公司 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
CN109214756A (zh) * 2018-09-17 2019-01-15 安吉汽车物流股份有限公司 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端
CN109345091A (zh) * 2018-09-17 2019-02-15 安吉汽车物流股份有限公司 基于蚁群算法的整车物流调度方法及装置、存储介质、终端
CN110334838A (zh) * 2019-04-11 2019-10-15 国网新疆电力有限公司电力科学研究院 基于蚁群算法和遗传算法的agv小车协同调度方法及系统
CN110097234A (zh) * 2019-05-13 2019-08-06 江苏中烟工业有限责任公司 工业卷烟运输智能调度方法及系统
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
CN111709560A (zh) * 2020-05-29 2020-09-25 杭州电子科技大学 一种基于改进蚁群算法的解决车辆路径问题方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BIN YU等: "Improved ant colony optimisation for the dynamic multi-depot vehicle routing problem", 《INTERNATIONAL JOURNAL OF LOGISTICS RESEARCH AND APPLICATIONS》 *
GONG YANCHENG等: "Improved ant colony algorithm for vehicle scheduling problems of military logistics distribution", 《2010 INTERNATIONAL CONFERENCE ON LOGISTICS SYSTEMS AND INTELLIGENT MANAGEMENT (ICLSIM)》 *
吴思磊: "多需求点货物转运车辆调度模型及其优化算法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
张立峰等: "基于蚁群算法的军事配送车辆调度问题研究", 《交通与计算机》 *
范青: "基于改进蚁群算法的物流配送路径优化及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
郭键: "大型物流车辆配送线路自适应调度方法", 《计算机测量与控制》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761458A (zh) * 2021-03-15 2021-12-07 北京京东振世信息技术有限公司 物流载体选择方案生成方法、装置、货舱预定方法及系统
CN113052392A (zh) * 2021-04-09 2021-06-29 浙江万里学院 一种移动智能物流配载方法
CN113052392B (zh) * 2021-04-09 2023-12-05 浙江万里学院 一种移动智能物流配载方法
CN112950091A (zh) * 2021-04-19 2021-06-11 深圳市汉德网络科技有限公司 车辆调度方法、装置及存储介质
CN112950091B (zh) * 2021-04-19 2024-03-15 深圳市汉德网络科技有限公司 车辆调度方法、装置及存储介质
CN113222418A (zh) * 2021-05-17 2021-08-06 重庆梅安森科技股份有限公司 一种用于井下自动化运输系统的调度管理方法
CN113033926B (zh) * 2021-05-26 2021-10-22 万汇链智能科技(苏州)有限公司 基于区块链的供应链物流数据安全共享系统及方法
CN113033926A (zh) * 2021-05-26 2021-06-25 江苏荣泽信息科技股份有限公司 基于区块链的供应链物流数据安全共享系统及方法
CN113592440A (zh) * 2021-07-20 2021-11-02 深圳市德邦物流有限公司 一种基于大数据的智慧物流取件分析系统及方法
CN113592440B (zh) * 2021-07-20 2022-07-01 深圳市德邦物流有限公司 一种基于大数据的智慧物流取件分析系统及方法
CN114881580A (zh) * 2022-07-11 2022-08-09 深圳市元美供应链管理有限公司 一种基于智能供应链的电商物流配送管理系统及方法
CN114881580B (zh) * 2022-07-11 2022-09-27 深圳市元美供应链管理有限公司 一种基于智能供应链的电商物流配送管理系统及方法
CN115587742A (zh) * 2022-11-25 2023-01-10 万联易达物流科技有限公司 一种物流场站的车辆出入场调度方法及装置
CN115587742B (zh) * 2022-11-25 2023-09-01 万联易达物流科技有限公司 一种物流场站的车辆出入场调度方法及装置
CN115994673B (zh) * 2023-03-16 2023-06-16 交通运输部水运科学研究所 一种基于物联网的粮食基地监控方法、系统及存储介质
CN115994673A (zh) * 2023-03-16 2023-04-21 交通运输部水运科学研究所 一种基于物联网的粮食基地监控方法、系统及存储介质
CN116934194A (zh) * 2023-09-13 2023-10-24 邹城美安系统集成有限公司 一种基于大数据的实时运输管理系统
CN116934194B (zh) * 2023-09-13 2023-12-12 邹城美安系统集成有限公司 一种基于大数据的实时运输管理系统
CN117391564A (zh) * 2023-10-19 2024-01-12 北京氢远质投新能源汽车有限公司 一种新能源物流车辆补能调度数据模型及调度优化方法
CN117391564B (zh) * 2023-10-19 2024-04-19 北京氢远质投新能源汽车有限公司 一种新能源物流车辆补能调度数据模型及调度优化方法
CN117236824A (zh) * 2023-11-15 2023-12-15 新立讯科技股份有限公司 一种用于农产品在线交易平台的物流调度方法
CN117236824B (zh) * 2023-11-15 2024-02-20 新立讯科技股份有限公司 一种用于农产品在线交易平台的物流调度方法
CN117455100A (zh) * 2023-12-26 2024-01-26 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法
CN117455100B (zh) * 2023-12-26 2024-03-15 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法

Also Published As

Publication number Publication date
CN112270135B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN112270135B (zh) 一种物流发运调度智能配送方法、装置、设备及存储介质
Burinskiene et al. A simulation study for the sustainability and reduction of waste in warehouse logistics
Naso et al. Genetic algorithms for supply-chain scheduling: A case study in the distribution of ready-mixed concrete
Ramírez-Nafarrate et al. Impact on yard efficiency of a truck appointment system for a port terminal
CN110097234B (zh) 工业卷烟运输智能调度方法及系统
Venkatadri et al. On Physical Internet logistics: modeling the impact of consolidation on transportation and inventory costs
Liu et al. Novel multi-objective resource allocation and activity scheduling for fourth party logistics
Gharehgozli et al. Collaborative solutions for inter terminal transport
CN111325383A (zh) 一种配送车辆的配送计划生成方法、装置及系统
Chargui et al. Berth and quay crane allocation and scheduling with worker performance variability and yard truck deployment in container terminals
CN101159048A (zh) 油品配送槽车调度系统及其方法
Guo et al. Global synchromodal transport with dynamic and stochastic shipment matching
Saukenova et al. Optimization of schedules for early garbage collection and disposal in the megapolis
Yang et al. Models and methods for two-echelon location routing problem with time constraints in city logistics
KR100613858B1 (ko) 물류 워크플로우용 차량 배차 방법
Fontes et al. A bi-objective multi-population biased random key genetic algorithm for joint scheduling quay cranes and speed adjustable vehicles in container terminals
Oliskevych Dynamic scheduling of highway cargo transportation
Stopka Modelling distribution routes in city logistics by applying operations research methods
CN115081819A (zh) 调度方法、装置、电子设备及存储介质
Andreev et al. Magenta multi-agent systems for dynamic scheduling
Stoop et al. A real-time collaborative system for container trucks in the port of antwerp: A large scale simulation
He Research on Optimization of Supermarket Chain Distribution Routes Under O2O Model
García et al. Solving multi-modal and uni-modal transportation problems through TIMIPlan
Naso et al. Scheduling production and distribution of rapidly perishable materials with hybrid GA's
Wibowo et al. Performance analysis of a drop-swap terminal to mitigate truck congestion at chemical sites

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