CN112785085B - 一种配送路径优化方法及装置 - Google Patents
一种配送路径优化方法及装置 Download PDFInfo
- Publication number
- CN112785085B CN112785085B CN202110184590.8A CN202110184590A CN112785085B CN 112785085 B CN112785085 B CN 112785085B CN 202110184590 A CN202110184590 A CN 202110184590A CN 112785085 B CN112785085 B CN 112785085B
- Authority
- CN
- China
- Prior art keywords
- projection
- individual
- optimal
- distribution
- dimensional data
- 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
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配送路径优化方法及装置,通过对多个网点进行区域划分,形成多个区域;在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径,司机根据最优配送路径为同一区域内的各个网点进行配送,降低了配送成本,提高了配送效率,缩短了配送时间,提高了客户的满意度。
Description
技术领域
本发明属于物流技术领域,具体地说,是涉及一种配送路径优化方法及装置。
背景技术
随着人民消费水平的不断提高,电子商务物流发展迅速,给物流配送行业带来了巨大的发展机遇。
在货物的运输以及配送过程中,会涉及到单一仓库对多网点的运输方式,也可能会涉及到多仓库对多网点的运输模式。由于在运输途中的网点数量较多,司机配送时会出现路线重复、配送路径不合理的问题,导致配送成本增高,配送效率低,且时效性差。
发明内容
本发明提供了一种配送路径优化方法,计算出最优配送路径,降低了配送成本。
为解决上述技术问题,本发明采用下述技术方案予以实现:
一种配送路径优化方法,包括:
对多个网点进行区域划分,形成多个区域;
在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径。
进一步的,所述对多个网点进行区域划分,形成多个区域,具体包括下述步骤:
S11、获取每个网点的二维数据,所述二维数据包括经度数据和纬度数据;S12、建立数学模型:
投影目标函数:max Q(a)=SzDz;
其中,
a是投影向量,是一个p维向量;p表示每个样本的分量个数;
ak为投影向量a的第k个分量;
Q(a)表示在投影向量a上的所有样本一维投影值的方差;
Sz表示类内投影点的密集程度;
Dz表示类内投影点的分散程度;
n表示样本个数;
R为估计局部散点密度的窗宽参数;
rj,i表示第j个样本和第i个样本在投影向量a上的投影值的距离;
ε(R-rj,i)为阶跃函数,当R≥rj,i时取1,否则取0;
z(i)为第i个样本在投影向量a上的投影值;
E(z)为所有样本在投影向量a上的投影值的平均值;
xik表示第i个样本的第k个分量;
S13、求解数学模型,获得最佳投影向量;
S14、每个网点的二维数据与最佳投影量进行内积运算,转换为一维数据;S15、将获得的一维数据进行聚类处理,划分为多个类别。
又进一步的,在步骤S13中,采用花朵授粉算法求解数学模型,获得最佳投影向量。
更进一步的,步骤S13具体包括下述步骤:
S131、初始化种群;
S132、计算种群内每个个体的适应度值,得出适应度值最大的个体,记录这个个体为当前最优个体;
S133、获得全局搜索和局部搜索之间的转化概率P;
S134、生成随机数rand′;
S135、比较转化概率P与rand′的大小;
若p>rand′,则执行S136:进行全局搜索;
若p≤rand′,则执行S137:进行局部搜索;
S138、计算更新后的所有个体的适应度值,找出该种群内适应度值最大的个体,然后将该个体的适应度值与当前最优个体的适应度值比较,将其中适应度值较大的个体作为当前最优个体;
S139、判断是否达到最大迭代次数;
若否,则返回S133;
若是,则输出当前最优个体,获得对应的最佳投影向量。
再进一步的,两个节点之间路段的权重计算公式为:
其中,
wuv为节点u、v之间路段的权重;
Inf代指无穷大的常数;
duv为节点u、v之间路段的长度;
N为区域内网点数量与交叉路口数量之和;
Cuv为节点u、v之间交叉路口的数量;
β为发生事故后的惩罚系数;
tissure为发生事故后的时间长度;
α为发生事故后的恢复系数;
Kuv为节点u、v之间路段的所收取的过路过桥费。
一种配送路径优化装置,包括:
区域划分模块,用于对多个网点进行区域划分,形成多个区域;
最优配送路径确定模块,用于在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径。
进一步的,所述区域划分模块包括:
数据获取单元,用于获取每个网点的二维数据,所述二维数据包括经度数据和纬度数据;
数学模型建立单元,用于建立数学模型:
投影目标函数:max Q(a)=SzDz;
其中,
a是投影向量,是一个p维向量;p表示每个样本的分量个数;
ak为投影向量a的第k个分量;
Q(a)表示在投影向量a上的所有样本一维投影值的方差;
Sz表示类内投影点的密集程度;
Dz表示类内投影点的分散程度;
n表示样本个数;
R为估计局部散点密度的窗宽参数;
rj,i表示第j个样本和第i个样本在投影向量a上的投影值的距离;
ε(R-rj,i)为阶跃函数,当R≥rj,i时取1,否则取0;
z(i)为第i个样本在投影向量a上的投影值;
E(z)为所有样本在投影向量a上的投影值的平均值;
xik表示第i个样本的第k个分量;
数学模型求解单元,用于求解数学模型,获得最佳投影向量;
运算单元,用于将每个网点的二维数据与最佳投影量进行内积运算,转换为一维数据;
聚类单元,用于将获得的一维数据进行聚类处理,划分为多个类别。
又进一步的,所述数学模型求解单元,具体用于采用花朵授粉算法求解数学模型,获得最佳投影向量。
更进一步的,所述数学模型求解单元,具体用于:
初始化种群;
计算种群内每个个体的适应度值,得出适应度值最大的个体,记录这个个体为当前最优个体;
获得全局搜索和局部搜索之间的转化概率P;
生成随机数rand′;
比较转化概率P与rand′的大小;
若p>rand′,则进行全局搜索;
若p≤rand′,则进行局部搜索;
计算更新后的所有个体的适应度值,找出该种群内适应度值最大的个体,然后将该个体的适应度值与当前最优个体的适应度值比较,将其中适应度值较大的个体作为当前最优个体;
判断是否达到最大迭代次数;
若否,则重新计算转化概率P,进行下一次的迭代;
若是,则输出当前最优个体,获得对应的最佳投影向量。
再进一步的,所述最优配送路径确定模块,采用下述公式计算两个节点之间路段的权重;
其中,
wuv为节点u、v之间路段的权重;
Inf代指无穷大的常数;
duv为节点u、v之间路段的长度;
N为区域内网点数量与交叉路口数量之和;
Cuv为节点u、v之间交叉路口的数量;
β为发生事故后的惩罚系数;
tissure为发生事故后的时间长度;
α为发生事故后的恢复系数;
Kuv为节点u、v之间路段的所收取的过路过桥费。
与现有技术相比,本发明的优点和积极效果是:本发明的配送路径优化方法及装置,通过对多个网点进行区域划分,形成多个区域;在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径,司机根据最优配送路径为同一区域内的各个网点进行配送,降低了配送成本,提高了配送效率,缩短了配送时间,提高了客户的满意度。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明所提出的配送路径优化方法的一个实施例的流程图;
图2是图1中S1的流程图;
图3是图2中S13的流程图;
图4是本发明所提出的配送路径优化装置的一个实施例的结构框图;
图5是图4中区域划分模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下将结合附图和实施例,对本发明作进一步详细说明。
针对为各网点配送货物时,配送路径不合理,容易出现重复经过某一网点进而导致配送路径过长,配送成本增加,配送时效性差的问题,本发明提出了一种配送路径优化方法及装置,计算出最优配送路径,以降低配送成本,缩短配送时间。下面,结合具体实施例对配送路径优化方法及装置进行详细说明。
实施例一、
本实施例的配送路径优化方法,主要包括下述步骤,参见图1所示。
S1、对多个网点进行区域划分,形成多个区域;每个区域包含若干个网点。
如果对仓库配送范围内的所有网点统一调配,会加大数据处理的难度以及司机配送的不合理性,因此,需要对网点进行区域划分,将邻近的网点划分到同一个区域,再分别考虑各个区域内司机的配送路径,合理安排区域内网点的配送顺序,使配送成本尽可能降低。
依托于网点的经纬度,对各网点的邻近程度加以评估:相邻近的网点视作同一区域,距离较远的网点视作不同区域。为了寻求各网点的最佳区域聚类,引入投影寻踪聚类(Projection Pursuit Clustering,PPC)算法进行聚类分析,以使得将网点进行最合理有效的区域划分。
PPC算法在对具有相同或相似特性的事物进行分类聚类的过程中能高效、客观地综合评价各项数据,进而进行分类。其基本思想是首先寻求一组最佳投影向量,将多维空间的数据借此投影向量转化到一维空间上,最后通过一维空间上的数值大小进行分类聚类。在本实施例中,即先寻求一个二维投影向量,通过此向量将每一个网点的经纬度数据转化为一个一维数据,通过排序得到聚类结果。而在PPC算法的求解过程中,为求解得到一组最佳投影向量,辅以FPA算法引导求解。
本步骤具体包括下述步骤,参见图2所示。
S11、获取每个网点的二维数据,所述二维数据包括经度数据和纬度数据。
每一组二维数据,即是一个样本。
S12、建立数学模型:
投影目标函数:max Q(a)=SzDz;
其中,
a是一个投影向量,是一个p维向量,代表的是投影的方向。p表示每个样本的分量个数。每个样本的分量个数,与投影向量a的维数是相同的。在本实施例中,每个样本是一组二维数据,因此,p=2。
ak为投影向量a的第k个分量;
Q(a)表示在投影向量a上的所有样本一维投影值的方差。
Sz表示类内投影点的密集程度;
Dz表示类内投影点的分散程度;
n表示样本个数,即二维数据的数量;
R为估计局部散点密度的窗宽参数;其取值范围为max(rj,i)<R<2p;
rj,i表示第j个样本和第i个样本在投影向量a上的投影值的距离(距离是指这两个投影值的差值绝对值);
ε(R-rj,i)为阶跃函数,仅有当R≥rj,i时取1,否则取0;
z(i)为第i个样本在投影向量a上的投影值;
E(z)为所有样本在投影向量a上的投影值的平均值;
xik表示第i个样本的第k个分量。
假设投影向量a是(0.707,0.707),第i个样本是(5,3),
则z(i)=5*0.707+3*0.707。
S13、求解上述数学模型,获得最佳投影向量。
在求解最佳投影向量的过程中,由于数据过于庞杂,所以采用花朵授粉算法(Flower Pollination Algorithm,FPA)求解数学模型,获得最佳投影向量。FPA算法的基本思想来源于对自然界花朵自花授粉、异花授粉的模拟,是一种新的元启发式群智能随机优化技术,相较于传统的遗传算法和退火算法而言,在求解思路上独树一帜,在求解过程中能够兼顾最优解和局部最优解,科学有效。
在求解过程中,每个投影向量为一个花粉(一个个体),将投影向量的两个分量作为花粉的位置;所有可能的投影向量组成初始种群。
本步骤具体包括下述步骤,参见图3所示。
S131、初始化种群。
初始化种群的各项参数。种群规模的取值范围为[550,900],最大迭代次数的取值范围为[50,100]。
S132、计算种群内每个个体的适应度值,通过比对现有种群中各个个体的适应度值,得出适应度值最大的个体,记录这个个体为当前最优个体,并记录这个当前最优个体的适应度值为Q*。
将种群个体位置所相对应投影向量的两个分量代入基于投影寻踪算法的降维处理模型中,利用每个个体的位置求解所有样本所对应一维数据的方差,并以此方差作为适应度函数Q(X)。据此适应度函数计算每个个体的适应度值。
S133、获得全局搜索和局部搜索之间的转化概率P。
随机生成随机数rand∈[0,1],按照下式计算出全局搜索和局部搜索的转化概率P。p=0.75+0.25×rand。
S134、再次随机生成随机数rand′∈[0,1]。
S135、比较转化概率P与rand′的大小。
若转换概率p>rand′,则执行S136:利用下式进行全局搜索;
若转换概率p≤rand′,则执行S137:利用下式进行局部搜索,即进行更新和越界处理;
S138、计算更新后的所有个体的适应度值,找出该种群内适应度值最大的个体,然后将该个体的适应度值与当前最优个体的适应度值比较,将其中适应度值较大的个体作为当前最优个体,将这个当前最优个体的适应度值记为Q*。即将当前最优个体更新。
S139、判断是否已达到最大迭代次数。
如果未达到最大迭代次数,则返回S133,进行下一次的迭代。
如果已达到最大迭代次数,则执行S140:将当前最优个体作为全局最优个体输出,得到所对应的最佳投影向量。
通过上述步骤S131~S140,求解出最佳投影向量,不仅求解速度快,而且可以获得比较准确的最佳投影向量。
S14、每个网点的二维数据均与最佳投影量进行内积运算,转换为一维数据。
S15、将获得的一维数据进行聚类处理,划分为多个类别,每个类别包括若干个一维数据。每个类别对应一个区域,每个一维数据对应一个网点。
将获得的一维数据排序,通过排序得到聚类结果,将邻近的一维数据划为一个类别;类别数量可根据实际进行确定,
通过步骤S11~S15,将仓库配送区域内的所有网点划分为多个区域,将邻近的网点划分到一个区域,以避免配送不合理性。再分别考虑各个区域内司机的配送路径,合理安排区域内网点的配送顺序,使配送成本尽可能降低。
假设有108个网点,每个网点的经纬度作为一组二维数据,共获得108组二维数据,即108个样本。根据这108个样本,求解投影目标函数,利用FPA算法,通过15步迭代求解出最佳投影向量,如最佳投影向量为(0.6498,0.7601)。
然后通过最佳投影向量分别与108组二维数据进行内积运算,可以求出108个一维数据。最后对这108个一维数据进行聚类分析,邻近的数据划为一个类别。假设划分为7个类别,每个类别包括多个一维数据,每个一维数据对应着一个网点,从而将108个网点划分为7个区域。
为验证聚类结果的正确性,通过LOF方法对所求结果进行验证。在LOF方法中,通过给每个一维数据都分配一个依赖于邻域密度的离群因子LOF,进而判断该数据是否为离群点。若LOF>>1,则该数据为离群点;若LOF接近于1,则该数据为正常数据。
在求解区域内各网点的LOF离群因子后,得到其中LOF>>1的数据所占比例非常小,如小于3%,故可知所运用的投影寻踪聚类算法是科学有效的。
将所有的网点划分为七个区域后,每个区域内的网点数量适中,且每个区域内部的各网点间的距离小于各区域之间的最小距离。只要使司机在规定的单一区域完成配送,即为完成了优化配送路径的首要目标,为后续的各区域内部网点配送提供了前提条件。在司机的实际运输过程中,仅需考虑安排每一个司机前往一个区域进行配送,在节省油费的前提下可以达到投入最小。
S2、在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重,构建N阶权重矩阵;利用Floyd算法根据权重矩阵求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径,每条配送路径经过该区域内的每个网点;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径。
交叉路口是指两个或多个道路的交汇处。
在本实施例中,两个节点之间路段的权重计算公式为:
其中,
wuv为节点u、v之间路段的权重;
Inf代指无穷大的常数,在实际运算时,只需要根据量纲,选择一个相对较大的数代替即可,如Inf=10000。
duv为节点u、v之间路段的长度;
N为区域内网点数量与交叉路口数量之和;
Cuv为节点u、v之间交叉路口的数量;
β为发生事故后的惩罚系数;
tissure为发生事故后的时间长度;
α为发生事故后的恢复系数;
Kuv为节点u、v之间路段的所收取的过路过桥费。
在上述计算公式中,采用yuv·(β-tissure·α)作为对u、v之间事故路段权重的变化项。当路段发生事故的瞬间,tissure为0,此时路段的权重会在原有基础上增加惩罚系数β,导致wuv较大。而随着时间的前进,事故路段也会慢慢恢复正常,所以设置了tissure·α项,随着时间增长,该项增大,同时抵消掉最初的惩罚系数β,此时wuv减小。当tissure·α=β时,该路段已恢复正常,可将yuv置为0。
通过设计上述的权重公式,综合考虑了两个节点之间路段的限重限高要求、排污要求、事故影响、过桥过路费用等因素,可以综合全面准确地反映该路段的权重。
例如现在有网点1、2、3,为了求出途径网点1,2,3的最短路径,只需求出网点1到网点2的最短路径,网点2到网点3的最短路径,网点3到网点1的最短路径的最短路径,然后将这三段最短路径进行拼接组合。如:
网点1到网点2的最短路径+网点2到网点3的最短路径,得到第一条配送路径;网点1到网点3的最短路径+网点3到网点2的最短路径,得到第二条配送路径;网点2到网点1的最短路径+网点1到网点3的最短路径,得到第三条配送路径;网点2到网点3的最短路径+网点3到网点1的最短路径,得到第四条配送路径;网点3到网点1的最短路径+网点1到网点2的最短路径,得到第五条配送路径;网点3到网点2的最短路径+网点2到网点1的最短路径,得到第六条配送路径;因此,得到六种拼接组合结果,即六条配送路径,计算这六条配送路径的所有路段的权重和,权重和最小的配送路径即为最优配送路径。将最优配送路径发送给司机,司机按照最优配送路径为各个网点配送货物。
本实施例的配送路径优化方法,通过对多个网点进行区域划分,形成多个区域;在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径,司机根据最优配送路径为同一区域内的各个网点进行配送,降低了配送成本,提高了配送效率,缩短了配送时间,提高了客户的满意度。
实施例二、
基于实施例一的配送路径优化方法的设计,本实施例二提出了一种配送路径优化装置,主要包括区域划分模块、最优配送路径确定模块等,参见图4所示。
区域划分模块,用于对多个网点进行区域划分,形成多个区域。
最优配送路径确定模块,用于在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径。
在本实施例中,区域划分模块主要包括数据获取单元、数学模型建立单元、数学模型求解单元、运算单元、聚类单元等,参见图5所示。
数据获取单元,用于获取每个网点的二维数据,所述二维数据包括经度数据和纬度数据。
数学模型建立单元,用于建立数学模型:
投影目标函数:max Q(a)=SzDz;
其中,
a是投影向量,是一个p维向量;p表示每个样本的分量个数;
ak为投影向量a的第k个分量;
Q(a)表示在投影向量a上的所有样本一维投影值的方差;
Sz表示类内投影点的密集程度;
Dz表示类内投影点的分散程度;
n表示样本个数;
R为估计局部散点密度的窗宽参数;
rj,i表示第j个样本和第i个样本在投影向量a上的投影值的距离;
ε(R-rj,i)为阶跃函数,当R≥rj,i时取1,否则取0;
z(i)为第i个样本在投影向量a上的投影值;
E(z)为所有样本在投影向量a上的投影值的平均值;
xik表示第i个样本的第k个分量。
数学模型求解单元,用于求解数学模型,获得最佳投影向量。
运算单元,用于将每个网点的二维数据与最佳投影量进行内积运算,转换为一维数据。
聚类单元,用于将获得的一维数据进行聚类处理,划分为多个类别。
在本实施例中,数学模型求解单元,具体用于采用花朵授粉算法求解数学模型,获得最佳投影向量。
在本实施例中,数学模型求解单元,具体用于:
初始化种群;
计算种群内每个个体的适应度值,得出适应度值最大的个体,记录这个个体为当前最优个体;
获得全局搜索和局部搜索之间的转化概率P;
生成随机数rand′;
比较转化概率P与rand′的大小;
若p>rand′,则进行全局搜索;
若p≤rand′,则进行局部搜索;
计算更新后的所有个体的适应度值,找出该种群内适应度值最大的个体,然后将该个体的适应度值与当前最优个体的适应度值比较,将其中适应度值较大的个体作为当前最优个体;
判断是否达到最大迭代次数;
若否,则重新计算转化概率P,进行下一次的迭代;
若是,则输出当前最优个体,获得对应的最佳投影向量。
在本实施例中,最优配送路径确定模块,采用下述公式计算两个节点之间路段的权重;
其中,
wuv为节点u、v之间路段的权重;
Inf代指无穷大的常数;
duv为节点u、v之间路段的长度;
N为区域内网点数量与交叉路口数量之和;
Cuv为节点u、v之间交叉路口的数量;
β为发生事故后的惩罚系数;
tissure为发生事故后的时间长度;
α为发生事故后的恢复系数;
Kuv为节点u、v之间路段的所收取的过路过桥费。
具体的配送路径优化装置的工作过程,已经在实施例一的配送路径优化方法中详述,此处不予赘述。
本实施例的配送路径优化装置,通过对多个网点进行区域划分,形成多个区域;在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径,司机根据最优配送路径为同一区域内的各个网点进行配送,降低了配送成本,提高了配送效率,缩短了配送时间,提高了客户的满意度。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (8)
1.一种配送路径优化方法,其特征在于,包括:
对多个网点进行区域划分,形成多个区域;
在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径;
所述对多个网点进行区域划分,形成多个区域,具体包括下述步骤:
S11、获取每个网点的二维数据,所述二维数据包括经度数据和纬度数据;
S12、建立数学模型:
投影目标函数:max Q(a)=SzDz;
其中,
a是投影向量,是一个p维向量;p表示每个样本的分量个数;
ak为投影向量a的第k个分量;
Q(a)表示在投影向量a上的所有样本一维投影值的方差;
Sz表示类内投影点的密集程度;
Dz表示类内投影点的分散程度;
n表示样本个数;
R为估计局部散点密度的窗宽参数;
rj,i表示第j个样本和第i个样本在投影向量a上的投影值的距离;
ε(R-rj,i)为阶跃函数,当R≥rj,i时取1,否则取0;
z(i)为第i个样本在投影向量a上的投影值;
E(z)为所有样本在投影向量a上的投影值的平均值;
xik表示第i个样本的第k个分量;
S13、求解数学模型,获得最佳投影向量;
S14、每个网点的二维数据与最佳投影量进行内积运算,转换为一维数据;
S15、将获得的一维数据进行聚类处理,划分为多个类别。
2.根据权利要求1所述的配送路径优化方法,其特征在于,在步骤S13中,采用花朵授粉算法求解数学模型,获得最佳投影向量。
3.根据权利要求1所述的配送路径优化方法,其特征在于,步骤S13具体包括下述步骤:
S131、初始化种群;
S132、计算种群内每个个体的适应度值,得出适应度值最大的个体,记录这个个体为当前最优个体;
S133、获得全局搜索和局部搜索之间的转化概率P;
S134、生成随机数rand′;
S135、比较转化概率P与rand′的大小;
若p>rand′,则执行S136:进行全局搜索;
若p≤rand′,则执行S137:进行局部搜索;
S138、计算更新后的所有个体的适应度值,找出该种群内适应度值最大的个体,然后将该个体的适应度值与当前最优个体的适应度值比较,将其中适应度值较大的个体作为当前最优个体;
S139、判断是否达到最大迭代次数;
若否,则返回S133;
若是,则输出当前最优个体,获得对应的最佳投影向量。
5.一种配送路径优化装置,其特征在于,包括:
区域划分模块,用于对多个网点进行区域划分,形成多个区域;
最优配送路径确定模块,用于在每个区域内,将每个网点、每个交叉路口分别作为一个节点,计算任意两个节点之间路段的权重;利用Floyd算法求出任意两个网点之间的最短路径;然后将求出的最短路径组合,形成多条配送路径;计算每条配送路径中所有路段的权重和,选择其中权重和最小的配送路径为最优配送路径;
所述区域划分模块包括:
数据获取单元,用于获取每个网点的二维数据,所述二维数据包括经度数据和纬度数据;
数学模型建立单元,用于建立数学模型:
投影目标函数:max Q(a)=SzDz;
其中,
a是投影向量,是一个p维向量;p表示每个样本的分量个数;
ak为投影向量a的第k个分量;
Q(a)表示在投影向量a上的所有样本一维投影值的方差;
Sz表示类内投影点的密集程度;
Dz表示类内投影点的分散程度;
n表示样本个数;
R为估计局部散点密度的窗宽参数;
rj,i表示第j个样本和第i个样本在投影向量a上的投影值的距离;
ε(R-rj,i)为阶跃函数,当R≥rj,i时取1,否则取0;
z(i)为第i个样本在投影向量a上的投影值;
E(z)为所有样本在投影向量a上的投影值的平均值;
xik表示第i个样本的第k个分量;
数学模型求解单元,用于求解数学模型,获得最佳投影向量;
运算单元,用于将每个网点的二维数据与最佳投影量进行内积运算,转换为一维数据;
聚类单元,用于将获得的一维数据进行聚类处理,划分为多个类别。
6.根据权利要求5所述的配送路径优化装置,其特征在于,所述数学模型求解单元,具体用于采用花朵授粉算法求解数学模型,获得最佳投影向量。
7.根据权利要求5所述的配送路径优化装置,其特征在于,所述数学模型求解单元,具体用于:
初始化种群;
计算种群内每个个体的适应度值,得出适应度值最大的个体,记录这个个体为当前最优个体;
获得全局搜索和局部搜索之间的转化概率P;
生成随机数rand′;
比较转化概率P与rand′的大小;
若p>rand′,则进行全局搜索;
若p≤rand′,则进行局部搜索;
计算更新后的所有个体的适应度值,找出该种群内适应度值最大的个体,然后将该个体的适应度值与当前最优个体的适应度值比较,将其中适应度值较大的个体作为当前最优个体;
判断是否达到最大迭代次数;
若否,则重新计算转化概率P,进行下一次的迭代;
若是,则输出当前最优个体,获得对应的最佳投影向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184590.8A CN112785085B (zh) | 2021-02-08 | 2021-02-08 | 一种配送路径优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184590.8A CN112785085B (zh) | 2021-02-08 | 2021-02-08 | 一种配送路径优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785085A CN112785085A (zh) | 2021-05-11 |
CN112785085B true CN112785085B (zh) | 2022-11-29 |
Family
ID=75761521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110184590.8A Active CN112785085B (zh) | 2021-02-08 | 2021-02-08 | 一种配送路径优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785085B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115409256B (zh) * | 2022-08-24 | 2023-05-12 | 吉林化工学院 | 基于行程时间预测的拥堵区避让的路径推荐方法 |
CN116506351B (zh) * | 2023-06-21 | 2023-09-19 | 杭州海康威视数字技术股份有限公司 | MPLS-VPN Qos路由选择方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616070A (zh) * | 2015-01-15 | 2015-05-13 | 北京农业信息技术研究中心 | 一种物流配送路径规划方法及装置 |
CN105740976A (zh) * | 2016-01-28 | 2016-07-06 | 中国人民解放军军械工程学院 | 一种多目标情境下获取最优运输路径的方法 |
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 |
CN109840619A (zh) * | 2018-12-29 | 2019-06-04 | 罗海洋 | 一种具有社区结构和子核的快递网络优化方法 |
CN110472792A (zh) * | 2019-08-16 | 2019-11-19 | 河南大学 | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700203B (zh) * | 2015-01-15 | 2017-10-31 | 北京农业信息技术研究中心 | 一种物流配送网点规划方法及装置 |
CN107463702A (zh) * | 2017-08-16 | 2017-12-12 | 中科院成都信息技术股份有限公司 | 一种基于进化算法的数据库多连接查询优化方法 |
CN112330001A (zh) * | 2020-10-27 | 2021-02-05 | 河南大学 | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 |
-
2021
- 2021-02-08 CN CN202110184590.8A patent/CN112785085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616070A (zh) * | 2015-01-15 | 2015-05-13 | 北京农业信息技术研究中心 | 一种物流配送路径规划方法及装置 |
CN105740976A (zh) * | 2016-01-28 | 2016-07-06 | 中国人民解放军军械工程学院 | 一种多目标情境下获取最优运输路径的方法 |
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 |
CN109840619A (zh) * | 2018-12-29 | 2019-06-04 | 罗海洋 | 一种具有社区结构和子核的快递网络优化方法 |
CN110472792A (zh) * | 2019-08-16 | 2019-11-19 | 河南大学 | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 |
Non-Patent Citations (1)
Title |
---|
基于改进的鸟群算法求解农产品冷链物流配送路径优化问题;王进成等;《安徽农业科学》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785085A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
CN112785085B (zh) | 一种配送路径优化方法及装置 | |
CN110895878B (zh) | 一种基于ge-gan的交通状态虚拟检测器的生成方法 | |
CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
CN105913658B (zh) | 一种交通流推测od位置及od矩阵的方法 | |
CN109919532B (zh) | 一种物流节点确定方法及装置 | |
Liang et al. | A deep spatio-temporal fuzzy neural network for passenger demand prediction | |
CN112925908A (zh) | 一种基于Attention的图注意力网络的文本分类方法及系统 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN107578132A (zh) | 一种基于免疫优化的垃圾车路径获取方法 | |
CN112687106B (zh) | 一种基于交通路网动静态综合模型的路径优化方法 | |
CN111539764B (zh) | 基于次模函数的大数据多址选择方法 | |
CN113808396A (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
Marina et al. | Deep Grid Net (DGN): A deep learning system for real-time driving context understanding | |
CN113469425A (zh) | 深度交通拥堵预测方法 | |
CN109741597B (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
Zhang et al. | Efficient offline calibration of origin-destination (demand) for large-scale stochastic traffic models | |
CN111008730A (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN115080550B (zh) | 路网交通量分配方法及装置 | |
CN116187851A (zh) | 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 | |
Guo et al. | A prediction-based iterative Kuhn-Munkres approach for service vehicle reallocation in ride-hailing |
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 |