CN112766547A - 一种基于成本最优的运输模型算法 - Google Patents
一种基于成本最优的运输模型算法 Download PDFInfo
- Publication number
- CN112766547A CN112766547A CN202110014729.4A CN202110014729A CN112766547A CN 112766547 A CN112766547 A CN 112766547A CN 202110014729 A CN202110014729 A CN 202110014729A CN 112766547 A CN112766547 A CN 112766547A
- Authority
- CN
- China
- Prior art keywords
- cost
- transportation
- time
- route
- model
- 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
- 238000004806 packaging method and process Methods 0.000 claims abstract description 33
- 239000000446 fuel Substances 0.000 claims abstract description 31
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000003921 oil Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
本发明公开了一种基于成本最优的运输模型算法，包括以下步骤：构造取货路线的可行解：使用循环时间作为关键参数，计算出各个供应商在循环时间内相应零件以及可循环包装数量，进行供应商串联并更新所处取货路线的循环时间，更新循环时间后重新进行判断直到没有零件可以纳入到模型中；循环上述过程直至所有供应商都串联到各个取货路线中，构造取货路线的可行解；利用成本因素计算方法构造可行取货路线的运输成本模型：运输模式成本包括车辆成本、运输车辆司机成本、燃油成本、仓储成本、其他费用成本，分别对上述各运输模式成本建立运输模式成本模型，整合各运输模式成本模型后，获得运输成本模型；使用迭代算法对运输成本模型迭代求解。
Description
技术领域
本发明属于汽车物流技术领域，具体涉及一种基于成本最优的运输模型算法，是一种在库存能力约束前提下,基于拉动式看板要货方式的运输路线规划方法。
背景技术
主机厂消耗零件后会触发要货，运输车辆按照要货种类及数量，携带空器具前往厂家装货，在规定循环时间内完成取货工作。
物流行业日新月异，物流企业不断通过资源优化整合降低经营成本、提高核心竞争力。运输业务是现代物流服务中不可或缺的一部分，运输路线的设计和路线的选择往往能很大程度上影响运输的整体成本。
发明内容
本发明的目的是提供一种基于成本最优的运输模型算法，以循环取货数学模型为基础，构建初始可行解并通过算法寻找近似最优解，解决路线设计问题，以达到降低成本的目的。
本发明的目的是通过以下技术方案实现的：
一种基于成本最优的运输模型算法，其特征在于，包括以下步骤：
步骤一、构造取货路线的可行解：使用循环时间作为关键参数，计算出各个供应商在循环时间内相应零件以及可循环包装数量，在车辆可容纳零件的前提下进行供应商串联并更新所处取货路线的循环时间，更新循环时间后重新进行判断直到没有零件可以纳入到模型中；循环上述过程直至所有供应商都串联到各个取货路线中，构造取货路线的可行解；
步骤二、在步骤一构造的取货路线可行解基础上，利用成本因素计算方法构造可行取货路线的运输成本模型：运输模式成本包括车辆成本、运输车辆司机成本、燃油成本、仓储成本、其他费用成本，分别对上述各运输模式成本建立运输模式成本模型，整合各运输模式成本模型后，获得运输成本模型；
步骤三、使用迭代算法对运输成本模型迭代求解。
进一步地，所述步骤一中的循环时间是调度人员收集要货看板、单据人员打印单据、卡车司机进入卸货口、叉车司机空可循环包装装车、卡车司机在途驾驶、供应商处空满交换以及卸货口卸载零件的时长之和。
进一步地，所述步骤一中，供应商串联基于节约里程法：记录主机厂与各个供应商之间点对点的行驶时间，以及供应商到供应商之间点对点的行驶时间，计算两两供应商到主机厂的行驶时间减两两供应商之间的行驶时间并降序排列；排列由上向下依次连接路线。
进一步地，所述步骤二中，所述车辆成本C1＝车辆数×单台年折旧＝(车辆取货时长ts/全天标准工作时长)×单台年折旧＝ts*k1；
其中，常数k1＝单台年折旧/全天标准工作时长；
车辆取货时长
进一步地，所述步骤二中，所述人员成本C2＝车辆数×全天班次数×单位司机成本
＝(车辆取货时长ts/全天标准工作时长)×全天班次数×单位司机成本＝ts*k2
其中，常数k2＝全天班次数×单位司机成本/全天标准工作时长。
进一步地，所述步骤二中，所述燃油成本C3＝燃油消耗量×燃油单价＝行驶里程数×单位里程油耗×燃油单价＝在途耗时tc×o×单位里程油耗×燃油单价＝tc*k3，其中常数k3＝o×单位里程油耗×燃油单价；
其中，
进一步地，所述步骤二中，所述仓储成本C4＝(库存面积s1-原有规划面积)×新增单位面积边际成本+规划面积成本＝s1*k4+k5；
其中，常数k4＝新增单位面积边际成本；
常数k5＝规划面积成本-原有规划面积×新增单位面积边际成本。
进一步地，所述步骤二中，零件种类及零件高储值会影响仓储面积：
高储库存量＝2×零件所处路线的循环时间×产线节拍×单产品用量+k6
＝2×零件所处路线的循环时间×单产品用量×k7+k6
其中，常数k7＝产线节拍；
零件j的仓储面积＝【高储库存量/可循环包装容量/库内堆垛层数】×零件j可循环包装长×零件j可循环包装宽/叉车通道系数，叉车通道系数是指仓储面积与整体面积的比例；
对于零件j，可循环包装容量、库内堆垛层数、可循环包装尺寸以及叉车通道系数固定，则：
零件j的仓储面积＝【(2×零件所处路线的循环时间tj×单产品用量k1j×k7+k6)/可循环包装容量k2j/库内堆垛层数k3j】×零件j可循环包装长k4j×零件j可循环包装宽k5j/叉车通道系数
即，零件j的仓储面积＝【(2tj*k1j*k7+k6)/k2j/k3j】*k4j*k5j/k8
其中，常数k8＝叉车通道系数。
进一步地，所述步骤二中，构造可行取货路线中有m条路线，n种零件，则运输成本模型为：
其中：xi为路线i单趟耗时；yi为路线i趟次；zi为路线i单趟耗时；tj为零件j所处路线的循环时间；k1j为零件j单产品用量；k2j为零件j可循环包装容量；k3j为零件j库内堆垛层数；k4j为零件j可循环包装长；k5j为零件j可循环包装宽；k1为单台年折旧/全天标准工作时长；k2为班次数×单位司机成本/全天标准工作时长；k3为里程时间比例数×单位里程油耗×燃油单价；k6为生产波动值；k7为产线节拍；k8为叉车通道系数；k9为其他费用。
本发明具有以下优点：
本发明提供一种基于成本最优的运输模型算法，通过算法获得最优解，有效减少路线规划耗时，提高规划效率，减少车辆、人员投入，减少燃油损耗，从而降低运输成本。
附图说明
图1为本发明所述节约里程法示例图。
具体实施方式
以下结合附图和实施例进一步描述本发明的技术方案：
实施例
一种基于成本最优的运输模型算法，包括以下步骤：
一、构造取货路线的可行解
影响路线规划的因素较多，使用循环时间作为关键参数可以有效提高规划效率。循环时间是指调度人员收集要货看板、单据人员打印单据、卡车司机进入卸货口、叉车司机空可循环包装装车、卡车司机在途驾驶、供应商处空满交换以及卸货口卸载零件的时长之和。在途路程与在途时长正相关，对历史数据剔除异常、拟合后可以得到换算系数，使用时间表达里程。
使用路线循环时间计算出各个供应商在循环时间内相应零件以及可循环包装数量，在车辆可容纳零件的前提下进行供应商串联，串联会改变该条路线的循环时间，更新循环时间后再进行判断直到没有零件可以纳入到模型中。循环上述步骤直至所有供应商都串联到各个取货路线中，构造一种取货路线的解。
串联供应商基于节约里程法，记录主机厂与各个供应商之间点对点的行驶时间以及供应商到供应商之间点对点的行驶时间，计算两两供应商到主机厂的行驶时间减两两供应商之间的行驶时间并降序排列。排列由上向下依次连接路线。
如图1所示，点对点运输模式下，运输车辆由主机厂出发，前往供应商A取货后返回主机厂，再前往供应商B后返回，在途时长为2a+2b。将供应商A及供应商B串联至一条路线后，运输车辆由主机厂出发，前往供应商A后前往供应商B取货，之后返回主机厂，在途时长为a+c+b。两种运输方式差值为a+b-c，根据三角形两边之和大于第三边的定理，在车辆可容纳相应货物的前提下，串联供应商可以实现节约在途时间的效果。按此方法对取货体系中的供应商进行串联，可以达到路线加长，单趟耗时提高，路线趟次减小以及车辆在途时间减少的效果。
二、利用成本因素计算方法构造可行取货路线的运输成本模型
运输模式成本由车辆成本、运输车辆司机成本、燃油成本、仓储成本以及其它成本(相对较为固定或影响较小的费用，调度人员工资、过路费、保险、水电费用等)组成。
其中，车辆成本主要由投入运输车辆的车辆折旧产生，一般情况下，生产企业以班次作为轮换标准，各班次取货司机共用运输卡车；
车辆成本C1＝车辆数×单台年折旧＝(车辆取货时长ts/全天标准工作时长)×单台年折旧＝ts*k1(1)
其中，常数k1＝单台年折旧/全天标准工作时长。
车辆取货时长ts是指自主机厂出发取货、运输及返回主机厂卸货所需的取货作业完整作业时长，
包括在途运输以及必要等待(如等待装卸货、等待下一次取货任务、等待单据人员打印单据等)。全天标准工作时长是指每天取货工作的标准工作时长，会影响卸货口装卸人员的工作时间。
人员成本由卡车司机工资以及五险一金等组成。
为避免疲劳驾驶，规定卡车司机每班次轮换一次；
人员成本C2＝车辆数×全天班次数×单位司机成本
＝(车辆取货时长ts/全天标准工作时长)×全天班次数×单位司机成本＝ts*k2(2)
其中，常数k2＝全天班次数×单位司机成本/全天标准工作时长。
燃油成本由卡车取货时在途行驶产生，燃油成本与行驶里程数以及油耗、油价有关；行驶里程数与取货在途耗时成正相关，剔除异常历史记录后拟合产生比例系数o，即行驶里程数＝在途耗时tc×比例系数o。
燃油成本C3＝燃油消耗量×燃油单价
＝行驶里程数×单位里程油耗×燃油单价
＝在途耗时tc×o×单位里程油耗×燃油单价＝tc*k3，其中常数k3＝o×单位里程油耗×燃油单价。(3)
其中，
初始情况下，工厂库区内有用于存放货物的规划仓储，调整路线后可能会增加仓储需求，增加需求面积会提高成本，在此使用单位面积边际成本来表示新增每平米需要多支出的费用。
仓储成本C4＝(库存面积s1-原有规划面积)×新增单位面积边际成本+规划面积成本＝s1*k4+k5。(4)
其中，常数k4＝新增单位面积边际成本；
常数k5＝规划面积成本-原有规划面积×新增单位面积边际成本。
零件种类及零件高储值会影响仓储面积。零件高储值是指仓储可容纳零件的最大量。工厂内零件高储值一般受零件所处路线的路线时长等因素影响。高储库存量＝单循环取货量+波动值+再筹措时间零件使用量，波动值相对固定，再筹措时间可近似为单循环取货量，故高储库存量可简化为路线单循环取货量的二倍与波动值的加和，即高储库存量＝单循环取货量×2+k6,常数k6＝波动值。对某一种零件而言：
单循环取货量＝零件所处路线的循环时间×产线节拍×单产品用量；
要在满足生产的同时极大的降低库存量：
高储库存量＝2×零件所处路线的循环时间×产线节拍×单产品用量+k6
＝2×零件所处路线的循环时间×单产品用量×k7+k6 (5)
其中，常数k7＝产线节拍。
零件j的仓储面积＝【高储库存量/可循环包装容量/库内堆垛层数】×零件j可循环包装长×零件j可循环包装宽/叉车通道系数，叉车通道系数是指仓储面积与整体面积的比例(整体面积中包含叉车作业预留面积)，对于零件j，可循环包装容量、库内堆垛层数、可循环包装尺寸以及叉车通道系数固定，联立公式(5)，则：
零件j的仓储面积＝【(2×零件所处路线的循环时间tj×单产品用量k1j×k7+k6)/可循环包装容量k2j/库内堆垛层数k3j】×零件j可循环包装长k4j×零件j可循环包装宽k5j/叉车通道系数
即，零件j的仓储面积＝【(2tj*k1j*k7+k6)/k2j/k3j】*k4j*k5j/k8
其中，常数k8＝叉车通道系数。
其它费用C5较固定，可简化为常数k9处理。
联立以上公式，路线模型中有m条路线，n种零件。
公式中符号与对应含义如下表1所示，约束条件同其它Milk Run模型。
表1模型代数及其含义
三、使用迭代算法对运输成本模型迭代求解。
Claims (9)
1.一种基于成本最优的运输模型算法，其特征在于，包括以下步骤：
步骤一、构造取货路线的可行解：使用循环时间作为关键参数，计算出各个供应商在循环时间内相应零件以及可循环包装数量，在车辆可容纳零件的前提下进行供应商串联并更新所处取货路线的循环时间，更新循环时间后重新进行判断直到没有零件可以纳入到模型中；循环上述过程直至所有供应商都串联到各个取货路线中，构造取货路线的可行解；
步骤二、在步骤一构造的取货路线可行解基础上，利用成本因素计算方法构造可行取货路线的运输成本模型：运输模式成本包括车辆成本、运输车辆司机成本、燃油成本、仓储成本、其他费用成本，分别对上述各运输模式成本建立运输模式成本模型，整合各运输模式成本模型后，获得运输成本模型；
步骤三、使用迭代算法对运输成本模型迭代求解。
2.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤一中的循环时间是调度人员收集要货看板、单据人员打印单据、卡车司机进入卸货口、叉车司机空可循环包装装车、卡车司机在途驾驶、供应商处空满交换以及卸货口卸载零件的时长之和。
3.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤一中，供应商串联基于节约里程法：记录主机厂与各个供应商之间点对点的行驶时间，以及供应商到供应商之间点对点的行驶时间，计算两两供应商到主机厂的行驶时间减两两供应商之间的行驶时间并降序排列；排列由上向下依次连接路线。
4.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤二中，所述车辆成本C1＝车辆数×单台年折旧＝(车辆取货时长ts/全天标准工作时长)×单台年折旧＝ts*k1；
其中，常数k1＝单台年折旧/全天标准工作时长；
5.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤二中，所述人员成本C2＝车辆数×全天班次数×单位司机成本
＝(车辆取货时长ts/全天标准工作时长)×全天班次数×单位司机成本＝ts*k2
其中，常数k2＝全天班次数×单位司机成本/全天标准工作时长。
6.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤二中，所述燃油成本C3＝燃油消耗量×燃油单价＝行驶里程数×单位里程油耗×燃油单价＝在途耗时tc×o×单位里程油耗×燃油单价＝tc*k3，其中常数k3＝o×单位里程油耗×燃油单价；
其中，
7.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤二中，所述仓储成本C4＝(库存面积s1-原有规划面积)×新增单位面积边际成本+规划面积成本＝s1*k4+k5；
其中，常数k4＝新增单位面积边际成本；
常数k5＝规划面积成本-原有规划面积×新增单位面积边际成本。
8.如权利要求7所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤二中，零件种类及零件高储值会影响仓储面积：
高储库存量＝2×零件所处路线的循环时间×产线节拍×单产品用量+k6
＝2×零件所处路线的循环时间×单产品用量×k7+k6
其中，常数k7＝产线节拍；
零件j的仓储面积＝【高储库存量/可循环包装容量/库内堆垛层数】×零件j可循环包装长×零件j可循环包装宽/叉车通道系数，叉车通道系数是指仓储面积与整体面积的比例；
对于零件j，可循环包装容量、库内堆垛层数、可循环包装尺寸以及叉车通道系数固定，则：
零件j的仓储面积＝【(2×零件所处路线的循环时间tj×单产品用量k1j×k7+k6)/可循环包装容量k2j/库内堆垛层数k3j】×零件j可循环包装长k4j×零件j可循环包装宽k5j/叉车通道系数
即，零件j的仓储面积＝【(2tj*k1j*k7+k6)/k2j/k3j】*k4j*k5j/k8
其中，常数k8＝叉车通道系数。
9.如权利要求1所述的一种基于成本最优的运输模型算法，其特征在于，所述步骤二中，构造可行取货路线中有m条路线，n种零件，则运输成本模型为：
其中：xi为路线i单趟耗时；yi为路线i趟次；zi为路线i单趟耗时；tj为零件j所处路线的循环时间；k1j为零件j单产品用量；k2j为零件j可循环包装容量；k3j为零件j库内堆垛层数；k4j为零件j可循环包装长；k5j为零件j可循环包装宽；k1为单台年折旧/全天标准工作时长；k2为班次数×单位司机成本/全天标准工作时长；k3为里程时间比例数×单位里程油耗×燃油单价；k6为生产波动值；k7为产线节拍；k8为叉车通道系数；k9为其他费用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110014729.4A CN112766547B (zh) | 2021-01-06 | 2021-01-06 | 一种基于成本最优的运输模型算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110014729.4A CN112766547B (zh) | 2021-01-06 | 2021-01-06 | 一种基于成本最优的运输模型算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766547A true CN112766547A (zh) | 2021-05-07 |
| CN112766547B CN112766547B (zh) | 2023-10-27 |
Family
ID=75700225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110014729.4A Active CN112766547B (zh) | 2021-01-06 | 2021-01-06 | 一种基于成本最优的运输模型算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766547B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080140597A1 (en) * | 2006-07-04 | 2008-06-12 | University Of New Brunswick | System and method suitable for optimizing linehaul operations |
| US20100287073A1 (en) * | 2009-05-05 | 2010-11-11 | Exxonmobil Research And Engineering Company | Method for optimizing a transportation scheme |
| CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
| 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 |
| CN111260278A (zh) * | 2020-01-09 | 2020-06-09 | 一汽物流(天津)有限公司 | 一种MilkRun循环取货路线规划方法 |
| CN111768052A (zh) * | 2020-07-07 | 2020-10-13 | 上海约拿计算机信息科技有限公司 | 基于算法模型的整车厂进场物流路线自动规划方法 |
-
2021
- 2021-01-06 CN CN202110014729.4A patent/CN112766547B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080140597A1 (en) * | 2006-07-04 | 2008-06-12 | University Of New Brunswick | System and method suitable for optimizing linehaul operations |
| US20100287073A1 (en) * | 2009-05-05 | 2010-11-11 | Exxonmobil Research And Engineering Company | Method for optimizing a transportation scheme |
| CN108253988A (zh) * | 2017-12-29 | 2018-07-06 | 重庆大学 | 基于电动汽车的循环取货路径规划方法 |
| 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 |
| CN111260278A (zh) * | 2020-01-09 | 2020-06-09 | 一汽物流(天津)有限公司 | 一种MilkRun循环取货路线规划方法 |
| CN111768052A (zh) * | 2020-07-07 | 2020-10-13 | 上海约拿计算机信息科技有限公司 | 基于算法模型的整车厂进场物流路线自动规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766547B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ramaa et al. | Impact of warehouse management system in a supply chain | |
| CN108022064A (zh) | 一种物流出库复核包装方法及系统 | |
| JP5338305B2 (ja) | 車両運行計画作成方法及び装置 | |
| Gríful-Miquela | Activity-based costing methodology for third-party logistics companies | |
| CN1421810A (zh) | 用于企业内部物流仓储数据的自动化处理系统及方法 | |
| CN105989455A (zh) | 一种基于全程供应链的铁路物流信息系统 | |
| CN115936588A (zh) | 一种跨境电商供应链的数据模拟方法 | |
| CN111815231A (zh) | 一种物流平台智能拼车方法及系统 | |
| CN113935528B (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
| CN113592409A (zh) | 一种自动化物流仓储系统及管理方法 | |
| CN112766547A (zh) | 一种基于成本最优的运输模型算法 | |
| Guimarães et al. | Restructuring picking and restocking processes on a hypermarket | |
| CN112884305B (zh) | 基于大数据平台的仓储物流的分配方法 | |
| Zhuravleva | Information technology and systems in transport supply chains | |
| CN115099617A (zh) | 烟草工业品物流调度方法 | |
| CN114693004A (zh) | 物流优化方法和装置 | |
| JP3163286B2 (ja) | 配車システム | |
| JP5589259B2 (ja) | 荷揃い量予測装置および運搬手段の手配方法 | |
| CN114169831A (zh) | 一种基于网络超市系统的物流配送方法 | |
| German et al. | Increasing productivity and efficiency for third party logistics service | |
| CN115660762B (zh) | 托盘租借方法、装置及电子设备 | |
| CN112581224A (zh) | 进出口贸易货物管理方法 | |
| CN117455341B (zh) | 一种智能化车货匹配灵活调优方法 | |
| WO2001076983A9 (fr) | Systeme logistique | |
| Rijal et al. | Dynamics between warehouse operations and vehicle routing |
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 |