CN112884253A - 一种众包车货匹配方法及其路径优化方法 - Google Patents
一种众包车货匹配方法及其路径优化方法 Download PDFInfo
- Publication number
- CN112884253A CN112884253A CN202110388598.6A CN202110388598A CN112884253A CN 112884253 A CN112884253 A CN 112884253A CN 202110388598 A CN202110388598 A CN 202110388598A CN 112884253 A CN112884253 A CN 112884253A
- Authority
- CN
- China
- Prior art keywords
- cost function
- vehicle
- matching
- population
- cargo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 241000287127 Passeridae Species 0.000 claims abstract description 39
- 230000001174 ascending effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000002431 foraging effect Effects 0.000 claims description 9
- 238000004321 preservation Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 94
- 239000013598 vector Substances 0.000 description 25
- 239000011159 matrix material Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 4
- 244000138502 Chenopodium bonus henricus Species 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种众包车货匹配方法及其路径优化方法，提升车辆路径优化的效果，减少最终车辆的行驶路程。其技术效果为：先进行车货匹配再进行路径规划，即建立一个目标是最小化类内距离的车货匹配模型，并使用一种改进的基于麻雀搜索的组合优化算法对该车货匹配模型进行求解，得到车货匹配结果，在此基础上再进行路径优化的处理，可以提升车辆路径优化效果，减少车辆行驶路程。
Description
技术领域
本发明涉及一种众包情况下的车货匹配方法及其路径优化方法，具体涉及针对麻雀搜索算法进行改进以及优化其搜索性能，通过其实现众包车货的匹配操作以及后续的路径优化。
背景技术
随着我过网络基础设施的建设，互联网已经成为大众生活不可分割的一部分。各种基于移动互联网的应用如雨后春笋般涌现，网络技术已经深入改造了传统产业的各个方面，同样网络技术为物流行业开辟了新的天地。如何发挥信息网络技术的优势，整合闲散运力资源，提高物流效率就成了物流行业的迫切需求。
众包是整合社会上闲散的资源，来开展某种业务例如：滴滴打车、美团的众包骑手就是很好的应用。众包普遍具有如下两个特点：1.有一个撮合需求侧和供给侧的平台，为供给侧派单；2.供给侧提供服务的人并不是全职员工，按照完成的单量获取收益。
而物流行业中的众包需要一个能够撮合发货人和司机并且为司机规划路径的系统。在此应用场景中，一个城市中有一个配送中心，该城市中发出的货物需要运输到配送中心统一处理。一般情况下货主随机分散在城市中，司机同样是随机分散在城市中，司机和货主的分布规律是不确定的。
在这样的情景下，需要将货主的货物运输到配送中心处理。每一个货主和司机均由两个数作为坐标，度量各个司机之间，货物与货物之间，货物与司机之间的距离采用欧式距离。每个货主具有一定重量的货物，不同的司机可能拥有不用的卡车，因此不同的司机具有不同的载重限制。无论是货物的总重量超过所有司机的载重之和，还是小于司机的载重之和，都需要提高卡车利用率。提高卡车利用率可以在货多的时候尽可能多的满足运输需求，在货物少的时候减少调动的卡车数量，提高平台的利润，并且减少所有司机走过的总路程。
但目前业界仍没有一个合适的算法或者系统，能够有效的应用于上述场景来实现对应的技术效果。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种众包车货匹配方法及其路径优化方法，提升车辆路径优化的效果，减少最终车辆的行驶路程。
本发明的技术方案为：本发明揭示了一种众包车货匹配方法，方法包括：
步骤1：获取车辆司机信息和货物信息；
步骤2：判断当前车辆是否有能力运送完所有货物。如有能力则执行步骤3，如没有能力则执行步骤4；
步骤3：对一个匹配序列采用从司机的角度匹配货物，选取成本函数的计算方法，然后执行步骤5；
步骤4：对一个匹配序列采用从货物的角度匹配司机，选取成本函数的计算方法，然后执行步骤5；
步骤5：使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果。
根据本发明的众包车货匹配方法的一实施例，在步骤2中，判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
根据本发明的众包车货匹配方法的一实施例，在步骤3中，成本函数选取为：从司机角度出发匹配货物，计算所有司机的类内距离，然后计算平均类内距离作为成本函数；在步骤4中，成本函数选取为：从货物角度出发匹配司机，计算所有司机的类内距离，然后计算平均类内距离作为成本函数。
根据本发明的众包车货匹配方法的一实施例，在步骤5中，车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，其中每一种匹配序列唯一对应一种车货匹配结果。
根据本发明的众包车货匹配方法的一实施例，步骤5中的基于麻雀搜索的组合优化算法进一步包括：
步骤501：确定参数：生产者比例、遭遇危险的概率、告警个体比率；
步骤502：设置麻雀种群大小、迭代次数、维度；
步骤503：初始化种群；
步骤504：初始化成本函数列表，对种群中每一个个体计算成本函数值形成cost列表，将种群按照成本函数列表升序排序，将成本函数列表升序排序；
步骤505：采用随机竞争与精英保存相结合的方法产生生产者；
步骤506：生产者进行觅食，确定种群是否遭遇危险，如果遭遇危险则进行1次随机交换，若没有遭遇危险则进行1次相邻交换，更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值。
步骤507：跟随者进行觅食，遍历种群剩余个体，如果跟随者位次处于种群的第一范围之间，则生成0到1之间的第一随机数，进行一次比率为第一随机数的当前最优个体与当前个体的交叉操作，如果跟随者位次处于种群的第二范围之间，则进行2次随机交换，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤508：随机抽取种群中的个体作为告警者，遍历所有告警者，如果告警者位次处于种群的第一范围中则进行2次随机交换操作，如果告警者位次在种群的第二范围中则生成0.5到1之间的第二随机数，进行一次比率为第二随机数的当前最优个体与当前个体的交叉操作，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤509：将种群按照成本函数列表升序排序，将成本函数列表升序排序，如果当前最小成本函数值小于全局最小成本函数值，则更新全局最优个体为当前最优个体、全局最小成本函数值为当前最小成本函数值；
步骤510：判断迭代次数是否达到步骤502中设置的迭代次数，若未达到则跳转步骤504，如到达则跳转步骤511；
步骤511：算法结束，输出最终的全局最优个体和全局最小成本函数。
本发明还揭示了一种众包车货匹配及其路径优化方法，方法包括：
步骤1：获取车辆司机信息和货物信息；
步骤2：判断当前车辆是否有能力运送完所有货物。如有能力则执行步骤3，如没有能力则执行步骤4；
步骤3：对一个匹配序列采用从司机的角度匹配货物，选取成本函数的计算方法，然后执行步骤5；
步骤4：对一个匹配序列采用从货物的角度匹配司机，选取成本函数的计算方法，然后执行步骤5；
步骤5：使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果；
步骤6：根据给司机匹配的货物列表，使用基于麻雀搜索的组合优化算法寻找一个从司机位置遍历所有匹配货物最终达到配送中心的最短路径。
根据本发明的众包车货匹配及其路径优化方法的一实施例，在步骤2中，判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
根据本发明的众包车货匹配及其路径优化方法的一实施例，在步骤3中，成本函数选取为：从司机角度出发匹配货物，计算所有司机的类内距离，然后计算平均类内距离作为成本函数；在步骤4中，成本函数选取为：从货物角度出发匹配司机，计算所有司机的类内距离，然后计算平均类内距离作为成本函数。
根据本发明的众包车货匹配及其路径优化方法的一实施例，在步骤5中，车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，其中每一种匹配序列唯一对应一种车货匹配结果。
根据本发明的众包车货匹配及其路径优化方法的一实施例，步骤5中的基于麻雀搜索的组合优化算法进一步包括：
步骤501：确定参数：生产者比例、遭遇危险的概率、告警个体比率；
步骤502：设置麻雀种群大小、迭代次数、维度；
步骤503：初始化种群；
步骤504：初始化成本函数列表，对种群中每一个个体计算成本函数值形成cost列表，将种群按照成本函数列表升序排序，将成本函数列表升序排序；
步骤505：采用随机竞争与精英保存相结合的方法产生生产者；
步骤506：生产者进行觅食，确定种群是否遭遇危险，如果遭遇危险则进行1次随机交换，若没有遭遇危险则进行1次相邻交换，更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值。
步骤507：跟随者进行觅食，遍历种群剩余个体，如果跟随者位次处于种群的第一范围之间，则生成0到1之间的第一随机数，进行一次比率为第一随机数的当前最优个体与当前个体的交叉操作，如果跟随者位次处于种群的第二范围之间，则进行2次随机交换，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤508：随机抽取种群中的个体作为告警者，遍历所有告警者，如果告警者位次处于种群的第一范围中则进行2次随机交换操作，如果告警者位次在种群的第二范围中则生成0.5到1之间的第二随机数，进行一次比率为第二随机数的当前最优个体与当前个体的交叉操作，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤509：将种群按照成本函数列表升序排序，将成本函数列表升序排序，如果当前最小成本函数值小于全局最小成本函数值，则更新全局最优个体为当前最优个体、全局最小成本函数值为当前最小成本函数值；
步骤510：判断迭代次数是否达到步骤502中设置的迭代次数，若未达到则跳转步骤504，如到达则跳转步骤511；
步骤511：算法结束，输出最终的全局最优个体和全局最小成本函数。
本发明对比现有技术有如下的有益效果：本发明的方法先进行车货匹配再进行路径规划，即建立一个目标是最小化类内距离的车货匹配模型，并使用一种改进的基于麻雀搜索的组合优化算法对该车货匹配模型进行求解，得到车货匹配结果，在此基础上再进行路径优化的处理，可以提升车辆路径优化效果，减少车辆行驶路程。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的众包车货匹配方法的一实施例的流程图。
图2示出了本发明的众包车货匹配及其路径优化方法的一实施例的流程图。
图3示出了本发明中的基于麻雀搜索的组合优化算法的流程图。
图4示出了本发明的众包车货匹配系统的一实施例的原理图。
图5示出了本发明的众包车货匹配及其路径优化系统的一实施例的原理图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
图1示出了本发明的众包车货匹配方法的一实施例的流程。请参见图1，本实施例的方法的实施步骤详述如下。
步骤1：获取车辆司机信息和货物信息。
步骤1的这些信息包括：货物坐标、货物质量、司机坐标、车辆载重等。
步骤2：判断当前车辆是否有能力运送完所有货物。如有能力则执行步骤3，如没有能力则执行步骤4。
在本步骤中，判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
步骤3：对一个匹配序列采用从司机的角度匹配货物的匹配策略。
步骤4：对一个匹配序列采用从货物的角度匹配司机的匹配策略。
对于两种匹配策略，均采用平均司机类内距离最小、载重利用率最高的成本函数(cost函数)。关于成本函数的具体内容，请参见后文中关于使用基于麻雀搜索的组合优化算法对车货匹配模型的求解的具体过程。
步骤5：使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果。
在本步骤中，使用基于麻雀搜索的组合优化算法对成本函数的求解计算，寻找最优匹配序列，其中车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，每一种匹配序列唯一对应一种车货匹配结果。
如图2所示，在上述实施例的得到最优的车货匹配结果的基础上，本发明的众包车货匹配及其路径优化方法的一实施例还包括：
步骤6：根据给司机匹配的货物列表，使用基于麻雀搜索的组合优化算法寻找一个从司机位置遍历所有匹配货物最终达到配送中心的最短路径。
在本实施例中，使用基于麻雀搜索的组合优化算法对车货匹配模型的求解如下。
假设当前有m个货物，n个司机，第i个司机最大载重记为bi，设最大载重向量为b＝[b1,b2,b3,…,bn]T。记二维向量q为配送中心的坐标，货物坐标的集合记为二维向量组C＝{c1,c2,…,cm}，司机坐标集合记为二维向量组D＝{d1,d3,…,dn}。记<a,b>为两个向量之间的欧式距离，设W＝C∪{q}＝{q,c1,c2,…,cm}。向量组W中每一个向量与W中向量之间的距离矩阵记为A，wi为W中第i个向量，即Aij＝<wi,wj>，其中i,j∈{1,2,3,…,m+1}。
设判别变量kij，记由kij组成的矩阵为K，Kij＝kij，记矩阵K的第i行为Ki*，kij的定义如下：
设pi为司机i除出发点外经过点的判别向量，则pi＝[1,Ki1,Ki2,Ki3,…,Kim,]T其中pi的第一个元素为1表示其一定经过配送中心，设li＝[Ki1,Ki2,Ki3,…,Kim]T为司机的负载向量，负载矩阵L＝[l1,l2,l3,…,li]。记司机i到配送点以及所有货物之间的距离记为向量zi＝[<di,q>,<di,c1>,<di,c2>,<di,c3>,…,<di,cm>]T。则车货匹配的优化模型为：
LTm≤b (4)
上述模型中s为一个全为1的列向量，其行数随着与之相乘的向量或者矩阵列数相同，r为负载向量不全为0的司机个数。(1)式为目标函数，含义为最小化车货匹配的结果的类内距离；(2)式的含义为最大化司机载重的利用率，该式中的两向量除法为逐元素除法；(3)的表达式为一个约束条件，pi为上文中提到的司机i除出发点外经过点的判别向量，s为上文中提到的全为1的列向量，其行数随着与之相乘的向量或者矩阵列数相同。该式意味着每一个货物只能分配给一个司机；(4)式中m是由各个货物质量排成的列向量，即g＝[g1,g2,…,gm]T，其中gi为第i个货物的质量。
针对第i个司机的类内距离CDi，CDi为上述数学模型中第一个优化目标函数中求和内部的内容，设已分配货物的司机标号集合为A，若第i个司机没有分配货物则CDi＝0，CDi的另一种计算方法如下：
其中xi，xj∈X＝{x0，x1，x2，…,xm,xm+1}，其中x0向量为司机坐标，x1，x2，…，xm为匹配给司机的货物坐标，m为匹配给司机货物的总数，xm+1为配送中心坐标。||xi-xj||2为两个向量差值的二范数。
记n为司机数量，则平均类内距离avg的计算方法如下：
上述模型中第二个优化目标，即表达式(2)，为车辆载重利用率的负数，求其最小即求车辆载重利用率最大，记车辆载重利用率为u，则根据表达式(2)得到：
从司机的角度匹配货物的操作方法如下：需要遍历所有车辆列表，记当前遍历到第i个司机，将所有货物到司机i的距离升序排列，再遍历排序后的货物，遍历的第1个货物为到司机最近的货物，第2个货物为到司机第2近的货物，记当前遍历到第j个货物，即距离司机第j近的货物。如果该货物没有被匹配过并且第i个司机剩余载重足够容纳该货物，则将这该货物分配给第i个司机。如果货物已经被分配过则略过该货物继续遍历第j+1个货物。如果该司机的载重不够，则将该货物标记为未匹配司机的货物。
从货物的角度匹配司机的操作方法如下：需要遍历所有货物列表，记当前遍历到第j个货物，将所有司机到第j个货物的距离升序排列，再遍历排序后的司机。遍历的第1个司机为到货物最近的司机，第2个司机为到货物第2近的司机，记当前遍历到第i个司机，即距离货物第i近的司机。如果该司机的剩余载重足够容纳该货物，则将该货分配给第i个司机运输，如果不够容纳该货物，则将该货物标记为未匹配司机的货物。
两种匹配操作方法选取的cost函数的定义如下，其中avg为平均类内距离，u为车辆载重利用率：
目前车货匹配主要采用上述的贪心算法，根据货主发布运输需求的时间顺序，将货物分配给就近的司机，即上文中的从货物的角度匹配司机。但是该方法在处理车多货少的时候容易出现浪费，另外车货匹配的结果会影响路径优化得到结果的优劣。因此需要寻找一种比较有利于路径优化的车货匹配方法。
上述匹配过程无论是从司机角度匹配货物还是从货物角度匹配司机都需要遍历司机序列，或者遍历货物序列，如果该序列不合理，可能存在先前分配货物或者先前分配的司机会挤占后面进行分配的货物或者司机，导致无法得到全局最优。针对上述问题，本实施例不再考虑如何分配货物达到全局最优，而是转换思路，寻找最优的匹配序列，目标是寻找一个货物序列或者司机序列使从货物的角度匹配司机或者从司机角度匹配货物所得到的平均类内距离avg最小。选取完成本函数(cost函数)后使用基于麻雀搜索的组合优化算法寻找cost函数最小的匹配顺序。
寻找到最优匹配序列后通过原先选择的从司机角度匹配货物或从货物角度匹配司机的方法，就可以得到最优的车货匹配结果。
最后，根据最优车货匹配结果给每一个司机规划路径，要求从司机当前位置出发经过所有货物点到达配送中心走过的路程s最短。路程s的计算方法公式化描述如下：
其中xi∈X＝{x0，x1，x2，…,xm,xm+1}，X为有序集合，司机按照集合X中元素的顺序依次经过，其中x0向量为司机坐标表示司机的出发位置，x1，x2，…，xm司机取货的顺序对应的货物坐标，此处为司机取货操作，m为匹配给司机货物的总数，xm+1为配送中心坐标表示司机的终点位置。本系统采用采用欧式距离，||xi-xj||2为两个向量差值的二范数。
麻雀搜索算法是一种智能优化算法。基于麻雀种群的行为，在麻雀种群中包含3个角色：生产者、跟随者、告警者。生产者意味着有较为丰富的食物，意味着cost函数值相比其他个体来说较小，如果种群处于危险状态生产者需要移动位置，因为去肩负了带领种群脱离危险的任务。跟随者会跟随生产者觅食，并争夺其食物，即争夺cost函数较小的解。处于cost函数非常大区域的跟随者处于极度饥饿状态，需要去其他位置寻找食物，即向全局搜索。告警者是麻雀种群中意识到危险的个体，他们会移动自己的位置以逃避危险，如果是生产者成为告警者则将随机移动位置，如果是跟随者成为告警者则将向当前最优位置靠拢。
在实施基于改进的智能麻雀搜索的组合优化算法之前需要有如下定义：
定义1：进行一次相邻交换，即随机选取交换点i，交换序列中第i个元素和第i+1个元素的位置。
定义2：若一次交换中，选择了序列的第i个位置元素与第j个位置元素交换则称i与j组成的二元组为交换点。
定义3：交换禁忌表，为一个交换点列表，其存放了近期采用过的交换点。
定义4：进行一次随机交换，每一个麻雀具有一个交换禁忌表，随机选取下标i和j作为交换点，i≠j且该交换点不在该麻雀的交换禁忌表中，交换第i个元素和第j个元素的位置。
定义5：进行一次比率为a的s1序列与s2序列交叉操作，记n1与n2分别为序列s1与s2的长度，操作步骤如下：
步骤1：计算交叉次数
其中a为交换比率(参考定义5)
步骤2：从s1中随机选取m个元素，则s1序列产生m个空位；
步骤3：将步骤2选取的m个元素以其在s2序列中的先后顺序放入原先的s1序列的m个空位中，至此交叉操作结束。
定义6：在种群中进行一次产生生产者的随机竞争操作如下：在种群A中随机选择2个个体，检查他们的cost函数值，cost函数较小的作为一个新产生的生产者。
组合优化需要有一个优化的目标函数，记为成本函数即cost函数，基于麻雀搜索的组合优化算法的运行步骤如图3所示，具体如下：
步骤1：确定参数：生产者比例pp％，遭遇危险的概率ar，告警个体比率par。这里的每一个个体对应了一种匹配序列，可以是货物序列也可以是车辆序列。如果是对取货顺序进行优化，这里的个体为一个取货序列。
步骤2：设置麻雀种群大小popSize，设置迭代次数numIt，设置维度dim。从司机的角度匹配货物时dim为司机的数量，从货物的角度匹配司机时dim为货物的数量。如果是对取货顺序进行优化，dim为分配给司机的货物数量。
步骤3：初始化种群pop，即打乱[0,1,2,…,dim]序列popSize次并记录所有的打乱的序列作为pop。本算法中的种群即为不同车货匹配序列所组成的集合。在对取货顺序优化中，种群为不同的取货顺序。
步骤4：初始化cost函数列表，对种群pop中每一个个体计算cost函数值形成cost函数列表，此处的cost在寻找匹配序列时使用前文所定义的cost函数，当优化取货顺序时可以直接计算距离作为cost。将种群pop按照cost函数列表升序排序，将cost函数列表升序排序。初始化当前最优个体nbest为种群pop的第一个个体，当前最小cost函数值为ncbest为cost函数列表的第一个值。初始化全局最优个体gbest为nbest，全局最小cost函数gcbest为ncbest。
步骤5：此处加入进化计算的思想采用随机竞争与精英保存向结合的方法产生生产者。生产者数量为种群数量的20％，种群pop的前10％的个体作为前一半生产者。后一半生产者由总体种群中位于10％-100％位次的个体组成的子种群中开展多次随机竞争产生。
步骤6：此步骤生产者进行觅食。确定种群是否遭遇危险，遭遇危险的概率为人为设置的参数。遍历种群pop的前pp％的个体，按照总体遭遇危险的比例ar随机判断是否遭遇危险，即有ar％的概率遭遇危险。如果遭遇危险则进行1次随机交换，若没有遭遇危险则进行1次相邻交换。更新相应cost函数列表中的值、nbest值以及ncbest值。
步骤7：种群剩余的pp％到100％的个体为跟随者，本步骤跟随者进行觅食。遍历种群剩余的pp％到100％的个体，如果跟随者位次处于种群的pp％到50％之间，则随机生成0到1之间的数a，进行一次比率为a的nbest与当前个体交叉操作。如果跟随者位次处于种群的50％到100％之间，则进行2次随机交换。每次遍历结束后更新相应cost函数列表中的值、nbest值以及ncbest值。
步骤8：随机抽取种群中par％的个体作为告警者，如果遍历所有的告警者，如果告警者位次处于种群的前pp％中则进行2次随机交换操作，如果告警者位次在种群的pp％到100％之间则随机生成0.5到1之间的数a，进行一次比率为a的nbest与当前个体交叉操作。每次遍历结束后更新相应cost函数列表中的值、nbest值以及ncbest值。
步骤9：将种群pop(即多个不同的匹配序列，或者不同的取货顺序)按照cost函数列表升序排序，将cost函数列表升序排序。如果ncbest小于gcbest，则更新gbest为nbest、gcbest为ncbest。
步骤10：判断迭代次数是否达到numIt，若未达到则跳转步骤4，如到达则跳转步骤11。
步骤11：算法结束，输出最终的全局最优个体gbest和全局最小cost函数gcbest。至此实现了平均司机类内距离最小，并且车辆载重利用率最高的目标。或者是最优取货顺序达到路程最短。
图4示出了本发明的众包车货匹配系统的一实施例的原理。请参见图4，本实施例的系统包括：信息获取模块、判断模块、货物匹配模块、司机匹配模块、最优匹配序列求解模块。
信息获取模块用于获取车辆司机信息和货物信息。
判断模块判断当前车辆是否有能力运送完所有货物。判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
货物匹配模块用于对一个匹配序列采用从司机的角度匹配货物。司机匹配模块用于对一个匹配序列采用从货物的角度匹配司机，其成本函数均为前文所定义的cost函数。
最优匹配序列求解模块使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果。其中车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，每一种匹配序列唯一对应一种车货匹配结果。
而本实施例中的有关基于麻雀搜索的组合优化算法的具体计算，已经在前述方法实施例中详述，在此不再赘述。
图5示出了本发明的众包车货匹配及其路径优化系统的一实施例的原理，请参见图5，本实施例的系统包括：信息获取模块、判断模块、货物匹配模块、司机匹配模块、最优匹配序列求解模块、最短路径计算模块。
信息获取模块用于获取车辆司机信息和货物信息。
判断模块判断当前车辆是否有能力运送完所有货物。判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
货物匹配模块用于对一个匹配序列采用从司机的角度匹配货物。司机匹配模块用于对一个匹配序列采用从货物的角度匹配司机，其成本函数均为前文所定义的cost函数。
最优匹配序列求解模块使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果。其中车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，每一种匹配序列唯一对应一种车货匹配结果。
最短路径计算模块用于根据给司机匹配的货物列表，使用基于麻雀搜索的组合优化算法寻找一个从司机位置遍历所有匹配货物最终达到配送中心的最短路径。
而本实施例中的有关基于麻雀搜索的组合优化算法的具体计算，已经在前述方法实施例中详述，在此不再赘述。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (10)
1.一种众包车货匹配方法，其特征在于，方法包括：
步骤1：获取车辆司机信息和货物信息；
步骤2：判断当前车辆是否有能力运送完所有货物。如有能力则执行步骤3，如没有能力则执行步骤4；
步骤3：对一个匹配序列采用从司机的角度匹配货物，选取成本函数的计算方法，然后执行步骤5；
步骤4：对一个匹配序列采用从货物的角度匹配司机，选取成本函数的计算方法，然后执行步骤5；
步骤5：使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果。
2.根据权利要求1所述的众包车货匹配方法，其特征在于，在步骤2中，判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
3.根据权利要求1所述的众包车货匹配方法，其特征在于，在步骤3中，成本函数选取为：从司机角度出发匹配货物，计算所有司机的类内距离，然后计算平均类内距离作为成本函数；在步骤4中，成本函数选取为：从货物角度出发匹配司机，计算所有司机的类内距离，然后计算平均类内距离作为成本函数。
4.根据权利要求1所述的众包车货匹配方法，其特征在于，在步骤5中，车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，其中每一种匹配序列唯一对应一种车货匹配结果。
5.根据权利要求1所述的众包车货匹配方法，其特征在于，步骤5中的基于麻雀搜索的组合优化算法进一步包括：
步骤501：确定参数：生产者比例、遭遇危险的概率、告警个体比率；
步骤502：设置麻雀种群大小、迭代次数、维度；
步骤503：初始化种群；
步骤504：初始化成本函数列表，对种群中每一个个体计算成本函数值形成cost列表，将种群按照成本函数列表升序排序，将成本函数列表升序排序；
步骤505：采用随机竞争与精英保存相结合的方法产生生产者；
步骤506：生产者进行觅食，确定种群是否遭遇危险，如果遭遇危险则进行1次随机交换，若没有遭遇危险则进行1次相邻交换，更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值。
步骤507：跟随者进行觅食，遍历种群剩余个体，如果跟随者位次处于种群的第一范围之间，则生成0到1之间的第一随机数，进行一次比率为第一随机数的当前最优个体与当前个体的交叉操作，如果跟随者位次处于种群的第二范围之间，则进行2次随机交换，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤508：随机抽取种群中的个体作为告警者，遍历所有告警者，如果告警者位次处于种群的第一范围中则进行2次随机交换操作，如果告警者位次在种群的第二范围中则生成0.5到1之间的第二随机数，进行一次比率为第二随机数的当前最优个体与当前个体的交叉操作，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤509：将种群按照成本函数列表升序排序，将成本函数列表升序排序，如果当前最小成本函数值小于全局最小成本函数值，则更新全局最优个体为当前最优个体、全局最小成本函数值为当前最小成本函数值；
步骤510：判断迭代次数是否达到步骤502中设置的迭代次数，若未达到则跳转步骤504，如到达则跳转步骤511；
步骤511：算法结束，输出最终的全局最优个体和全局最小成本函数。
6.一种众包车货匹配及其路径优化方法，其特征在于，方法包括：
步骤1：获取车辆司机信息和货物信息；
步骤2：判断当前车辆是否有能力运送完所有货物。如有能力则执行步骤3，如没有能力则执行步骤4；
步骤3：对一个匹配序列采用从司机的角度匹配货物，选取成本函数的计算方法，然后执行步骤5；
步骤4：对一个匹配序列采用从货物的角度匹配司机，选取成本函数的计算方法，然后执行步骤5；
步骤5：使用基于麻雀搜索的组合优化算法求解成本函数，得到成本函数最小值对应的最优匹配序列，该序列对应最优的车货匹配结果；
步骤6：根据给司机匹配的货物列表，使用基于麻雀搜索的组合优化算法寻找一个从司机位置遍历所有匹配货物最终达到配送中心的最短路径。
7.根据权利要求6所述的众包车货匹配及其路径优化方法，其特征在于，在步骤2中，判断车辆是否有能力运送完所有货物是通过车辆载重和货物总质量的比较中得到，如果车辆载重大于货物总质量，则认为有能力运送，如果车辆载重小于货物总质量，则认为没有能力运送。
8.根据权利要求6所述的众包车货匹配及其路径优化方法，其特征在于，在步骤3中，成本函数选取为：从司机角度出发匹配货物，计算所有司机的类内距离，然后计算平均类内距离作为成本函数；在步骤4中，成本函数选取为：从货物角度出发匹配司机，计算所有司机的类内距离，然后计算平均类内距离作为成本函数。
9.根据权利要求6所述的众包车货匹配及其路径优化方法，其特征在于，在步骤5中，车货匹配的过程就是在组合优化算法中寻找一个最优匹配序列的过程，其中每一种匹配序列唯一对应一种车货匹配结果。
10.根据权利要求6所述的众包车货匹配及其路径优化方法，其特征在于，步骤5中的基于麻雀搜索的组合优化算法进一步包括：
步骤501：确定参数：生产者比例、遭遇危险的概率、告警个体比率；
步骤502：设置麻雀种群大小、迭代次数、维度；
步骤503：初始化种群；
步骤504：初始化成本函数列表，对种群中每一个个体计算成本函数值形成cost列表，将种群按照成本函数列表升序排序，将成本函数列表升序排序；
步骤505：采用随机竞争与精英保存相结合的方法产生生产者；
步骤506：生产者进行觅食，确定种群是否遭遇危险，如果遭遇危险则进行1次随机交换，若没有遭遇危险则进行1次相邻交换，更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值。
步骤507：跟随者进行觅食，遍历种群剩余个体，如果跟随者位次处于种群的第一范围之间，则生成0到1之间的第一随机数，进行一次比率为第一随机数的当前最优个体与当前个体的交叉操作，如果跟随者位次处于种群的第二范围之间，则进行2次随机交换，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤508：随机抽取种群中的个体作为告警者，遍历所有告警者，如果告警者位次处于种群的第一范围中则进行2次随机交换操作，如果告警者位次在种群的第二范围中则生成0.5到1之间的第二随机数，进行一次比率为第二随机数的当前最优个体与当前个体的交叉操作，每次遍历结束后更新相应成本函数列表中的值、当前最优个体值以及当前最小成本函数值；
步骤509：将种群按照成本函数列表升序排序，将成本函数列表升序排序，如果当前最小成本函数值小于全局最小成本函数值，则更新全局最优个体为当前最优个体、全局最小成本函数值为当前最小成本函数值；
步骤510：判断迭代次数是否达到步骤502中设置的迭代次数，若未达到则跳转步骤504，如到达则跳转步骤511；
步骤511：算法结束，输出最终的全局最优个体和全局最小成本函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110388598.6A CN112884253B (zh) | 2021-04-12 | 2021-04-12 | 一种众包车货匹配方法及其路径优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110388598.6A CN112884253B (zh) | 2021-04-12 | 2021-04-12 | 一种众包车货匹配方法及其路径优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112884253A true CN112884253A (zh) | 2021-06-01 |
| CN112884253B CN112884253B (zh) | 2024-09-03 |
Family
ID=76040798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110388598.6A Active CN112884253B (zh) | 2021-04-12 | 2021-04-12 | 一种众包车货匹配方法及其路径优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884253B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947298A (zh) * | 2021-10-08 | 2022-01-18 | 南京邮电大学 | 基于双重指针网络的车货匹配方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359771A (zh) * | 2018-10-11 | 2019-02-19 | 福建龙易配信息科技有限公司 | 一种基于大数据的干线运输车货匹配算法 |
| CN110189077A (zh) * | 2019-05-20 | 2019-08-30 | 华南理工大学 | 一种考虑三维装载约束的多阶段车货匹配方法 |
| CN110826968A (zh) * | 2019-11-12 | 2020-02-21 | 哈尔滨工业大学（威海） | 一种基于路径规划的城市众包配送任务优化调度方法 |
| CN112085271A (zh) * | 2020-09-08 | 2020-12-15 | 东南大学 | 一种基于众包模式的传统产业集群集货路径优化方法 |
| CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
-
2021
- 2021-04-12 CN CN202110388598.6A patent/CN112884253B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359771A (zh) * | 2018-10-11 | 2019-02-19 | 福建龙易配信息科技有限公司 | 一种基于大数据的干线运输车货匹配算法 |
| CN110189077A (zh) * | 2019-05-20 | 2019-08-30 | 华南理工大学 | 一种考虑三维装载约束的多阶段车货匹配方法 |
| CN110826968A (zh) * | 2019-11-12 | 2020-02-21 | 哈尔滨工业大学（威海） | 一种基于路径规划的城市众包配送任务优化调度方法 |
| CN112085271A (zh) * | 2020-09-08 | 2020-12-15 | 东南大学 | 一种基于众包模式的传统产业集群集货路径优化方法 |
| CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 侯景瑞: "基于改进遗传算法的车货动态配载模型研究与设计", 《中国硕士学位论文电子期刊工程科技Ⅱ辑》, 15 January 2019 (2019-01-15) * |
| 陆江: "基于虚拟物流平台的多约束配车模型研究", 《中国硕士学位论文电子期刊经济与管理科学》, 15 October 2018 (2018-10-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947298A (zh) * | 2021-10-08 | 2022-01-18 | 南京邮电大学 | 基于双重指针网络的车货匹配方法 |
| CN113947298B (zh) * | 2021-10-08 | 2024-07-26 | 南京邮电大学 | 基于双重指针网络的车货匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112884253B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
| CN110097231A (zh) | 多目标物流调度方法及装置、物流系统以及计算机可读介质 | |
| CN106355291B (zh) | 基于门店点群平分线的物流路径规划方法 | |
| CN108604216A (zh) | 用于解空间分区的并行处理 | |
| Mancini | Multi-echelon distribution systems in city logistics | |
| CN112801347B (zh) | 基于移动中转站及众包的多目标城市两级配送规划方法 | |
| CN115330051B (zh) | 基于混合遗传算法的车辆路径优化方法及应用 | |
| CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
| CN111680951A (zh) | 一种订单合并处理方法及装置 | |
| Parragh et al. | A survey on pickup and delivery models part ii: Transportation between pickup and delivery locations | |
| 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 | |
| CN112884253A (zh) | 一种众包车货匹配方法及其路径优化方法 | |
| CN116151497A (zh) | 一种带有取送货的多隔间车辆路径规划方法及系统 | |
| Weise et al. | Solving real-world vehicle routing problems with evolutionary algorithms | |
| Jun et al. | Evolutionary neural network for learning of scalable heuristics for pickup and delivery problems with time windows | |
| Oonsrikaw et al. | Modified ant colony optimization algorithm for multiple-vehicle traveling salesman problems | |
| CN116629734A (zh) | 仓储系统物品拣选路径的规划方法、装置、设备及介质 | |
| Coltorti et al. | Ant colony optimization for real-world vehicle routing problems | |
| CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
| CN111967657B (zh) | 一种运输订单优化方法及装置 | |
| Mian | Combining Vehicle Routing Optimization and Container Loading Optimization | |
| Rabe et al. | Evaluating the Benefits of Collaborative Distribution with Supply Chain Simulation | |
| Li et al. | An integrated route planning approach for driverless vehicle delivery system | |
| Altaf et al. | Clustering and Routing in Cross-docking: A Bi-step Methodology for Capacitated VRP with Time Windows | |
| JP2004001975A (ja) | 双方向輸送スケジュール作成方法 |
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 |