CN112884409A - 配送路线推荐方法、装置、设备及存储介质 - Google Patents
配送路线推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112884409A CN112884409A CN202110214406.XA CN202110214406A CN112884409A CN 112884409 A CN112884409 A CN 112884409A CN 202110214406 A CN202110214406 A CN 202110214406A CN 112884409 A CN112884409 A CN 112884409A
- Authority
- CN
- China
- Prior art keywords
- distribution
- delivery
- vehicle
- route
- node
- 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
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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
本发明涉及物流配送领域,公开了一种配送路线推荐方法、装置、设备及存储介质。所述配送路线推荐方法包括:获取待配送货物的配送需求信息和配送车辆信息;对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。本发明能够自动规划同城配送方案,并使方案的整体配送成本最低。
Description
技术领域
本发明涉及物流配送领域,尤其涉及一种配送路线推荐方法、装置、设备及存储介质。
背景技术
随着电子商务的深入发展,每天的网络购物订单量巨大,促使物流行业随之蓬勃发展,同城配送也成为了货物运输过程中必不可少的物流环节。因此,如何降低同城配送过程中所产生的配送成本,是物流行业降本增效的关键。而配送成本降低的关键是设计出配送成本最低的配送方案,包括合理地调度配送车辆,以及合理地安排配送货物,使合适的货在合适的车上,并行驶在合适的配送路线上,才能够有效地降低同城配送的配送成本,并提高配送效率。
现今同城配送的配送方案设计大多仍停留在人工阶段,这不仅对技术人员的经验和专业性要求极高,还很难保证人工规划的配送方案综合配送成本最低,且存在效率过低的问题,尤其是在面对爆单的购物旺季时,更是难以做到面面俱到。可见,目前的同城配送存在车辆与货物调度成本高、效率低的问题。
发明内容
本发明的主要目的在于解决同城配送过程中配送方案规划成本高、效率低的问题。
本发明第一方面提供了一种配送路线推荐方法,包括:
获取待配送货物的配送需求信息和配送车辆信息;
对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;
采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
可选的,在本发明第一方面的第一种实现方式中,所述配送需求信息包括:货物配送单号、配送起始地址、配送目的地地址、货物最早提货时间、货物最晚提货时间、货物最早签收时间、货物最晚签收时间,所述配送车辆信息包括:车辆编号、车辆类型、车辆最大载重、车辆最大载积、车辆单位费用、车辆最大可用时间、车辆最大可用里程。
可选的,在本发明第一方面的第二种实现方式中,所述对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据包括:
分别判断所述配送需求信息和所述配送车辆信息是否满足预置数据格式规则,若不满足,则采用预置数据处理策略对所述配送需求信息和/或所述配送车辆信息进行处理,得到目标数据;
其中,所述数据格式规则包括:所述配送需求信息和所述配送车辆信息未缺失;所述货物配送单号、所述车辆编号、所述车辆类型非空;所述货物最晚签收时间晚于当前时间;所述配送起始地址、所述配送目的地地址包含地址对应的经纬度数据。
可选的,在本发明第一方面的第三种实现方式中,所述配送成本计算模型包括目标函数,所述目标函数为:
其中,i,j表示配送网络中的两个不同配送节点,C表示车辆出发起点和客户点的集合,C={0,1,2,...,n},其中0表示车辆出发起点;N表示客户点集合,N={1,2,...,n};K表示车辆集合,K={1,2,...,k},k∈K;E表示车型标识集合,E={1,2,...,e},e∈E;
e表示车辆k的车型标识,Dk表示车辆k的最大载重,Vk表示车辆k的最大载积,Tk表示车辆k的最大可用时间,tijk表示车辆k从配送节点i到配送节点j的行驶时间,a0k表示车辆k从车辆出发起点出发的起始时间;
dije表示车型e从配送节点i到配送节点j的行驶距离,fe表示车型e的固定费用,me表示车型e的配送里程费用,he表示车型e的配送交接费用,le表示车型e的配送装卸费用;
sj表示分配给配送节点j的服务时间,di表示配送节点i的货物需求重量,dj表示配送节点j的货物需求重量,vi表示配送节点i的货物需求体积;
α表示时间惩罚系数,β表示载重惩罚系数,δ表示载积惩罚系数;
Zijk表示决策变量,若车辆k被分配到从客户点i到j,Zijk取值为1,否则Zijk取值为0。
可选的,在本发明第一方面的第四种实现方式中,所述配送成本计算模型还包括约束条件,所述约束条件包括:
可选的,在本发明第一方面的第五种实现方式中,其特征在于,所述以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线包括:
S601、以预置地理位置为初始配送路线的起点,并将所述预置地理位置定义为配送网络的当前配送节点;
S602、根据所述目标数据,对所述配送成本计算模型进行求解,得到当前配送节点预置距离范围内的配送成本最低的配送节点,并将所述配送成本最低的配送节点作为当前配送节点对应的下一配送节点;
S603、将下一配送节点定义为所述配送网络的当前配送节点,并重复执行S602,直至所有配送节点或所有配送车辆均分配完成,得到初始配送路线。
可选的,在本发明第一方面的第六种实现方式中,所述采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线包括:
S701、选择一组自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行邻域动作变换,得到第一配送路线;
S702、判断所述第一配送路线的配送成本是否低于所述初始配送路线的配送成本,若是,则将所述第一配送路线作为优化配送路线,否则,将所述初始配送路线作为优化配送路线;
S703、动态调整所述自适应大规模邻域搜索算法的所有破坏算子和修复算子的权重,并根据调整后的权重,重新选择一组破坏算子和修复算子对所述优化配送路线进行邻域动作变换,得到第二配送路线;
S704、判断所述第二配送路线的配送成本是否低于所述优化配送路线的配送成本,若是,则将所述第二配送路线作为新的优化配送路线,并重复执行S703-S704预置次数,得到多条新的优化配送路线;
S705、从所述多条新的优化配送路线中选择配送成本最低的路线作为推荐配送路线。
本发明第二方面提供了一种配送路线推荐装置,包括:
获取模块,用于获取待配送货物的配送需求信息和配送车辆信息;
预处理模块,用于对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
求解模块,用于以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;
调整模块,用于采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
可选的,在本发明第二方面的第一种实现方式中,所述配送需求信息包括:货物配送单号、配送起始地址、配送目的地地址、货物最早提货时间、货物最晚提货时间、货物最早签收时间、货物最晚签收时间,所述配送车辆信息包括:车辆编号、车辆类型、车辆最大载重、车辆最大载积、车辆单位费用、车辆最大可用时间、车辆最大可用里程。
可选的,在本发明第二方面的第二种实现方式中,所述预处理模块用于:
分别判断所述配送需求信息和所述配送车辆信息是否满足预置数据格式规则,若不满足,则采用预置数据处理策略对所述配送需求信息和/或所述配送车辆信息进行处理,得到目标数据;
其中,所述数据格式规则包括:所述配送需求信息和所述配送车辆信息未缺失;所述货物配送单号、所述车辆编号、所述车辆类型非空;所述货物最晚签收时间晚于当前时间;所述配送起始地址、所述配送目的地地址包含地址对应的经纬度数据。
可选的,在本发明第二方面的第三种实现方式中,所述配送成本计算模型包括目标函数,所述目标函数为:
其中,i,j表示配送网络中的两个不同配送节点,C表示车辆出发起点和客户点的集合,C={0,1,2,...,n},其中0表示车辆出发起点;N表示客户点集合,N={1,2,...,n};K表示车辆集合,K={1,2,...,k},k∈K;E表示车型标识集合,E={1,2,...,e},e∈E;
e表示车辆k的车型标识,Dk表示车辆k的最大载重,Vk表示车辆k的最大载积,Tk表示车辆k的最大可用时间,tijk表示车辆k从配送节点i到配送节点j的行驶时间,a0k表示车辆k从车辆出发起点出发的起始时间;
dije表示车型e从配送节点i到配送节点j的行驶距离,fe表示车型e的固定费用,me表示车型e的配送里程费用,he表示车型e的配送交接费用,le表示车型e的配送装卸费用;
sj表示分配给配送节点j的服务时间,di表示配送节点i的货物需求重量,dj表示配送节点j的货物需求重量,vi表示配送节点i的货物需求体积;
α表示时间惩罚系数,β表示载重惩罚系数,δ表示载积惩罚系数;
Zijk表示决策变量,若车辆k被分配到从客户点i到j,Zijk取值为1,否则Zijk取值为0。
可选的,在本发明第二方面的第四种实现方式中,所述配送成本计算模型还包括约束条件,所述约束条件包括:
可选的,在本发明第二方面的第五种实现方式中,所述求解模块包括:
起点定义单元,用于以预置地理位置为初始配送路线的起点,并将所述预置地理位置定义为配送网络的当前配送节点;
成本计算单元,用于根据所述目标数据,对所述配送成本计算模型进行求解,得到当前配送节点预置距离范围内的配送成本最低的配送节点,并将所述配送成本最低的配送节点作为当前配送节点对应的下一配送节点;
循环执行单元,用于将下一配送节点定义为所述配送网络的当前配送节点,并重复执行所述成本计算单元,直至所有配送节点或所有配送车辆均分配完成,得到初始配送路线。
可选的,在本发明第二方面的第六种实现方式中,所述调整模块包括:
选择单元,用于选择一组自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行邻域动作变换,得到第一配送路线;
判断单元,用于判断所述第一配送路线的配送成本是否低于所述初始配送路线的配送成本,若是,则将所述第一配送路线作为优化配送路线,否则,将所述初始配送路线作为优化配送路线;
重选单元,用于动态调整所述自适应大规模邻域搜索算法的所有破坏算子和修复算子的权重,并根据调整后的权重,重新选择一组破坏算子和修复算子对所述优化配送路线进行邻域动作变换,得到第二配送路线;
重复单元,用于判断所述第二配送路线的配送成本是否低于所述优化配送路线的配送成本,若是,则将所述第二配送路线作为新的优化配送路线,并重复执行所述重选单元和所述重复单元预置次数,得到多条新的优化配送路线;
推荐单元,用于从所述多条新的优化配送路线中选择配送成本最低的路线作为推荐配送路线。
本发明第三方面提供了一种配送路线推荐设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述配送路线推荐设备执行上述的配送路线推荐方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的配送路线推荐方法。
本发明提供的技术方案中,为了使合适的货物分配给合适的车辆,并行驶在合适的配送路线上,首先获取待配送货物的配送需求信息和配送车辆信息,然后对这些信息进行预处理,得到符合配送成本计算要求的目标数据,再将目标数据输入配送成本计算模型进行求解,求解的过程包括求初始解和优化解。其中初始解通过贪婪算法做贪婪选择得到对应的初始配送路线,而由于贪婪算法求得的通常只是局部最优解,因此需要对初始解进行优化求解。优化求解所采用的是自适应大邻域搜索算法,通过该算法中的破坏算子和修复算子,生成多条优化配送路线,择一成本最低的优化配送路线作为最终的推荐配送路线。本发明能够自动规划同城配送方案,并使方案的整体配送成本最低。
附图说明
图1为本发明实施例中配送路线推荐方法的第一个实施例示意图;
图2为本发明实施例中配送路线推荐方法的第二个实施例示意图;
图3为本发明实施例中配送路线推荐装置的一个实施例示意图;
图4为本发明实施例中配送路线推荐设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种配送路线推荐方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中配送路线推荐方法的第一个实施例包括:
101、获取待配送货物的配送需求信息和配送车辆信息;
可以理解的是,本发明的执行主体可以为配送路线推荐装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中,为了设计出配送成本最低的同城配送方案,需要综合考虑待配送货物的配送需求信息和配送车辆信息,结合这些信息,规划出成本最低的配送路线,使合适的待配送货物在合适的配送车辆上,并行驶在合适的配送路线上。可见,成本最低的配送路线是货物、车辆和路线三者的有机结合,缺任何一个都会直接影响最终的配送成本,本发明的目的即是融合这三者设计出最佳的配送方案。需要说明的是,最终的配送路线是指所有待配送货物和所有配送车辆的综合配送路线,是指同城配送网络,而不是单指某一货物的配送路线或某一车辆的配送路线。
本实施例中,待配送货物的需求信息是指客户的待配送货物订单数据,包括待揽件的订单数据和待派件的订单数据,例如,在分配某一批次的待派件货物时,同时分配某一时效内的待揽件货物,这样能最大化地利用配送资源,规划出综合成本最低的配送方案。
本实施例中,配送车辆信息是指可用配送车辆信息,判断配送车辆是否可用可以通过车辆的最大载重、车辆的最大载积、车辆的最大可用时间、车辆的最大可用里程等指标来动态判断,例如,在为可用配送车辆每分配一件货物和每生成一个配送节点前,就判断一次该车辆的上述指标是否超过阈值,如本次分配的货物是否会超过该车辆的最大载重或载积,或者本次分配的节点是否会超过该车辆的最大可用时间或里程,如果是,那么该车辆将不再作为本次分配的可用配送车辆,等待下一次分配。
可选的,所述配送需求信息包括:货物配送单号、配送起始地址、配送目的地地址、货物最早提货时间、货物最晚提货时间、货物最早签收时间、货物最晚签收时间,所述配送车辆信息包括:车辆编号、车辆类型、车辆最大载重、车辆最大载积、车辆单位费用、车辆最大可用时间、车辆最大可用里程。
本可选实施例中,待配送货物的需求信息包括:货物配送单号、配送起始地址、配送目的地地址、货物最早提货时间、货物最晚提货时间、货物最早签收时间、货物最晚签收时间,还包括货物的需求体积和货物的需求重量等货物相关的属性,这些信息为后续的配送成本计算提供了数据支持。
本可选实施例中,配送车辆信息包括:车辆编号、车辆类型、车辆最大载重、车辆最大载积、车辆单位费用、车辆最大可用时间、车辆最大可用里程,还包括车辆的车型标识、车辆的固定费用、车辆的里程费用、车辆的交接费用、车辆的装卸费用等车辆相关的属性,这些信息为后续的配送成本计算提供了数据支持。
本可选实施例中,根据所述配送需求信息和所述配送车辆信息可以衍生出更多的衍生变量,包括:配送起始地址到配送目的地地址的行驶距离、行驶时间,以及每个客户接受服务的时间窗(时间范围)等。这些衍生变量为后续的配送成本计算提供了数据支持。
102、对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
本实施例中,为了使输入模型的参数符合计算要求,需要先对获取到的原始数据进行预处理,这一过程包括了数据清洗,数据清洗是指发现并纠正数据中可识别的错误,包括检查数据一致性,处理无效值和缺失值等。
本实施例中,除了数据清洗,对所述配送需求信息和所述配送车辆信进行预处理还包括:通过计算,得到配送成本计算模型所需的目标参数。在计算配送成本的目标函数和约束条件中,包括了直接获取到的配送需求信息和配送车辆信息,还有一些未获取到的数据需要通过进一步计算得到,例如某一车型从上一节点到下一节点的行驶距离、行驶时间,可以通过配送起始地址和配送目的地地址对应的经纬度计算得到,提高了模型的计算效率。
可选的,所述对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据包括:
分别判断所述配送需求信息和所述配送车辆信息是否满足预置数据格式规则,若不满足,则采用预置数据处理策略对所述配送需求信息和/或所述配送车辆信息进行处理,得到目标数据;
其中,所述数据格式规则包括:所述配送需求信息和所述配送车辆信息未缺失;所述货物配送单号、所述车辆编号、所述车辆类型非空;所述货物最晚签收时间晚于当前时间;所述配送起始地址、所述配送目的地地址包含地址对应的经纬度数据。
本可选实施例中,由于配送成本计算模型对输入的参数有格式要求,因此在入参之前需要进行数据的预处理,以满足模型的数据格式规则要求,这一过程包括了数据清洗的过程,采用了多种数据处理策略使最终的数据满足以下数据格式规则:
(1)货物配送单号、车辆编号、车辆类型不为空;
(2)货物最晚签收时间不早与当前时间;
(3)配送起始地址、所述配送目的地地址均包含地址对应的经纬度数据;
(4)配送需求信息和配送车辆信息中的相关时间数据不缺失;
(5)配送车辆信息相关的数据不缺失。
103、以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;
本实施例中,贪婪算法(也称贪心算法)是指,在对问题求解时,总是做出在当前看来是最好的选择。也就是说,不从整体最优上加以考虑,算法得到的是在某种意义上的局部最优解。贪婪算法不是对所有问题都能得到整体最优解,关键是贪婪策略的选择。贪婪算法是一种对某些求最优解问题的更简单、更迅速的设计技术。本实施例中,贪婪算法按如下步骤进行:
(1)建立数学模型来描述问题;
(2)把求解的问题分成若干个子问题;
(3)对每个子问题求解,得到子问题的局部最优解;
(4)把子问题的解局部最优解合成原来解问题的一个解。
贪婪算法的特点是一步一步地进行,常以当前情况为基础根据某个优化测度作最优选择,而不考虑各种可能的整体情况,省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪婪算法采用自顶向下,以迭代的方法做出相继的贪婪选择,每做一次贪婪选择,就将所求问题简化为一个规模更小的子问题,通过每一步贪心选择,可得到问题的一个最优解。虽然每一步上都要保证能获得局部最优解,但由此产生的全局解有时不一定是最优的,因此贪婪算法不要回溯。
本实施例中,将配送成本计算模型所需的所有目标数据当做算法的入参,默认车辆均从车辆出发起点出发,可以不回起点,使用贪婪算法,当所有客户被服务完或者车辆被用完,贪婪算法停止,得到路线优化的初始解,即初始配送路线。本实施例中,贪婪算法的贪婪策略选择有很多,理论上,配送成本计算模型的目标函数中的所有变量均可以作为贪婪策略,包括:配送节点之间的距离、时间变量、时间阈值、货物需求重量、货物需求体积、车辆最大载重、车辆最大载积等。而贪婪策略可以作为贪婪算法做贪婪选择时候的决策依据,直接影响了贪婪算法的最终结果。
在一可选实施例中,初始配送路线还可以通过以下方式生成:
S1、初始化一条当前配送路线,以车辆出发起始点为当前配送路线的最后节点;
S2、采用贪婪算法,寻找与所述最后节点的最短距离节点,并将找到的距离最短的节点作为下一个最后节点,循环执行S2,直至所述当前配送路线包含了所有的配送节点,得到初始配送路线。其中,车辆出发起始点为预置地理位置的配送起点。
104、采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
本实施例中,自适应大邻域搜索算法(或称为自适应大规模邻域搜索算法,ALNS,Adaptive Large Neighborhood Search)脱胎于大邻域搜索算法(Large NeighborhoodSearch,LNS),其在邻域搜索的基础上增加了的对算子的作用效果的衡量,使算法能够自动选择好的算子对解进行破坏与修复,从而有一定几率得到更好的解。ALNS主要有两个特点:
(1)先用破坏算子破坏当前解,再用修复算子组合成新解。
(2)设计一组破坏算子和修复算子,动态评估每种算子的效果,在搜索中选用效果较好的算子。
第一个特点就是LNS的关键。通过带有随机性的破坏算子和修复算子构造新解,从而对解空间进行启发式搜索。第二个特点是ALNS的自适应部分。类似于蚁群算法中的信息素,或禁忌搜索算法重点的禁忌表,由于ALNS算法的解空间是由破坏算子和修复算子定义的,因此算法主要记忆的是算子的使用情况。
本实施例中,主要以自适应大邻域搜索算法为核心,考虑现有的车辆资源、订单的配送时间窗等约束条件,以尽可能多的配送订单为原则,将订单安排在合适的车辆上,使得整个方案的车辆路线配送总成本最低。通过算法对算子的权重进行动态调整,生成多条优化配送路线,选择一条总成本最低的作为最终的推荐配送路线。
本发明实施例中,为了使合适的货物分配给合适的车辆,并行驶在合适的配送路线上,首先获取待配送货物的配送需求信息和配送车辆信息,然后对这些信息进行预处理,得到符合配送成本计算要求的目标数据,再将目标数据输入配送成本计算模型进行求解,求解的过程包括求初始解和优化解。其中初始解通过贪婪算法做贪婪选择得到对应的初始配送路线,而由于贪婪算法求得的通常只是局部最优解,因此需要对初始解进行优化求解。优化求解所采用的是自适应大邻域搜索算法,通过该算法中的破坏算子和修复算子,生成多条优化配送路线,择一成本最低的优化配送路线作为最终的推荐配送路线。本发明能够自动规划同城配送方案,并使方案的整体配送成本最低。
请参阅图2,本发明实施例中配送路线推荐方法的第二个实施例包括:
201、获取待配送货物的配送需求信息和配送车辆信息;
202、对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
203、以预置地理位置为初始配送路线的起点,并将所述预置地理位置定义为配送网络的当前配送节点;
204、根据所述目标数据,对所述配送成本计算模型进行求解,得到当前配送节点预置距离范围内的配送成本最低的配送节点,并将所述配送成本最低的配送节点作为当前配送节点对应的下一配送节点;
205、将下一配送节点定义为所述配送网络的当前配送节点,并重复执行204,直至所有配送节点或所有配送车辆均分配完成,得到初始配送路线。
本实施例中,预置地理位置为配送车辆的出发起点,本实施例中所有配送车辆的出发起点为同一地理位置,例如所有配送车辆统一从某一车库地址出发,或者从某一仓库地址出发。以同一出发起点为原点,辐射出覆盖所有配送车辆和/或所有配送节点的配送网络,并保证配送成本最低,即为本发明的最终结果。
本实施例中,是采用贪婪算法对所述配送成本计算模型进行求解,由于贪婪算法的贪婪策略拥有众多选择,如配送节点之间的距离、时间变量、时间阈值、货物需求重量、货物需求体积、车辆最大载重、车辆最大载积等。经过大量的数据实验和结果评估,本实施例采用配送节点之间的距离作为贪婪算法的贪婪策略,能够得到较符合预期的结果,也就是成本较低的初始配送路线。
本实施例中,贪婪算法的核心就是不断地做出在当前看来是最好的选择,最终形成一个局部最优解。本实施例中,以距离最优创造局部最优,也就是基于一个当前节点(初始节点为车辆的出发起点),不断地选择对于当前节点来说,距离最优的下一个当前节点,直到满足贪婪算法的停止选择的条件,形成一个局部最优的初始配送路线。而距离最优表示在当前节点的预置距离范围内的配送成本最低,配送成本可以通过配送成本计算模型的目标函数得到,使得初始配送路线已经具备一定的可行性。
本实施例中,贪婪算法的停止选择的条件为所有客户被服务完或所有配送车辆被用完,也就是所有的配送节点均被初始配送路线覆盖,和/或所有配送车辆均为不可用的配送车辆,其中,配送车辆不可用的判断指标包括(满足以下任一项指标则表示该配送车辆为不可用配送车辆):
(1)配送车辆已经达到最大载重;
(2)配送车辆已经达到最大载积;
(3)配送车辆已经达到最大可用时间;
(4)配送车辆已经达到最大可用里程。
可选的,所述配送成本计算模型包括目标函数,所述目标函数为:
其中,i,j表示配送网络中的两个不同配送节点,C表示车辆出发起点和客户点的集合,C={0,1,2,...,n},其中0表示车辆出发起点;N表示客户点集合,N={1,2,...,n};K表示车辆集合,K={1,2,...,k},k∈K;E表示车型标识集合,E={1,2,...,e},e∈E;
e表示车辆k的车型标识,Dk表示车辆k的最大载重,Vk表示车辆k的最大载积,Tk表示车辆k的最大可用时间,tijk表示车辆k从配送节点i到配送节点j的行驶时间,a0k表示车辆k从车辆出发起点出发的起始时间;
dije表示车型e从配送节点i到配送节点j的行驶距离,fe表示车型e的固定费用,me表示车型e的配送里程费用,he表示车型e的配送交接费用,le表示车型e的配送装卸费用;
sj表示分配给配送节点j的服务时间,di表示配送节点i的货物需求重量,dj表示配送节点j的货物需求重量,vi表示配送节点i的货物需求体积;
α表示时间惩罚系数,β表示载重惩罚系数,δ表示载积惩罚系数;
Zijk表示决策变量,若车辆k被分配到从客户点i到j,Zijk取值为1,否则Zijk取值为0。
本可选实施例中,配送成本计算模型为数学模型,用于计算总的配送成本,包括目标函数和约束条件,模型的最终输出为各配送车辆对应的待配送货物集合及配送节点集合,其中配送节点集合为有向的配送节点集合,表示配送车辆所要到达的配送节点的行驶顺序,但并未限定配送车辆在配送节点之间的行驶路线,配送车辆可以在实际的配送过程中择优而行,例如从A节点到B节点有3条路,其中两条路正在塞车,那么配送车辆可选择第3条路行驶。
所述配送成本计算模型还包括约束条件,所述约束条件包括:
本可选实施例中,配送成本计算模型在求解时需要同时满足上述10条约束条件,上述各约束条件可分别对应解释为:
(1)限制每个客户只能被一辆车服务一次;
(2)限制配送车辆必须从仓库0点出发;
(3)限制配送车辆在服务完j点之后立即离开;
(4)限制每个客户在各自的时间窗内接受服务;
(5)限制每条配送路线的花费时间不超过配送车辆的最大可用时间;
(6)限制每条配送路线的行驶距离不超过配送车辆的最大可用里程;
(7)限制配送车辆的载重不超过该配送车辆的最大载重;
(8)限制配送车辆的载积不超过该配送车辆的最大载积;
(9)限制决策变量Zijk为0或1变量;
(10)定义车辆和车型的函数关系,每一辆车对应唯一一种车型标识。
206、采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
可选的,所述采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线包括:
S701、选择一组自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行邻域动作变换,得到第一配送路线;
S702、判断所述第一配送路线的配送成本是否低于所述初始配送路线的配送成本,若是,则将所述第一配送路线作为优化配送路线,否则,将所述初始配送路线作为优化配送路线;
S703、动态调整所述自适应大规模邻域搜索算法的所有破坏算子和修复算子的权重,并根据调整后的权重,重新选择一组破坏算子和修复算子对所述优化配送路线进行邻域动作变换,得到第二配送路线;
S704、判断所述第二配送路线的配送成本是否低于所述优化配送路线的配送成本,若是,则将所述第二配送路线作为新的优化配送路线,并重复执行S703-S704预置次数,得到多条新的优化配送路线;
S705、从所述多条新的优化配送路线中选择配送成本最低的路线作为推荐配送路线。
本可选实施例中,在初始配送路线的基础上,引进破坏算子和修复算子,经过多次迭代更新,每次迭代产生的解记为当前解,当前解经过一次破坏算子和修复算子方法后,相当于经过了一个领域动作的变换。在开始时,ALNS会为每个破坏算子和修复算子方法分配一个权重,该权重体现了每个破坏算子和修复算子方法在迭代过程中使用的概率。在迭代过程中,算法同时会对各个破坏算子和修复算子方法的权重进行动态调整,以便获得更好的搜索邻域和解。在经过多次迭代之后,选取当前的全局最优解为最终解,最终解生成的方案记为此次配送方案的推荐路线。
本可选实施例中,执行破坏算子的阶段,可以按照一定的规则优先破坏有问题的局部点,例如CVRP问题中的交错的路线,再比如特别长的路线,这是worst destroy或者叫做critical destroy,完全随机的叫做random destroy,根据历史信息破坏的叫做historybased destroy。执行修复算子的阶段或者是使用启发式算法,也可以使用精确求解算法。ALNS与一般LNS不同的地方在于,会使用多种destroy和repair方法,每种方法以一定的概率出现,同时迭代过程中更新不同方法的概率。
本发明实施例中,为了产生一个合理的初始配送路线,采用贪婪算法做配送节点的贪心选择,根据配送节点之间的距离最优为选择原则,相继做出局部最优的配送节点,也就是对于当前节点而言,贪婪算法选择的下一节点是当前节点在某一范围内配送成本最低的节点,这样既保证了算法的效率,有能产生一个较合理的初始配送路线。本发明实施例能提高配送路线的规划效率的同时,产生一条较为合理的初始配送路线。
上面对本发明实施例中配送路线推荐方法进行了描述,下面对本发明实施例中配送路线推荐装置进行描述,请参阅图3,本发明实施例中配送路线推荐装置一个实施例包括:
获取模块301,用于获取待配送货物的配送需求信息和配送车辆信息;
预处理模块302,用于对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
求解模块303,用于以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;
调整模块304,用于采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
可选的,所述配送需求信息包括:货物配送单号、配送起始地址、配送目的地地址、货物最早提货时间、货物最晚提货时间、货物最早签收时间、货物最晚签收时间,所述配送车辆信息包括:车辆编号、车辆类型、车辆最大载重、车辆最大载积、车辆单位费用、车辆最大可用时间、车辆最大可用里程。
可选的,所述预处理模块302用于:
分别判断所述配送需求信息和所述配送车辆信息是否满足预置数据格式规则,若不满足,则采用预置数据处理策略对所述配送需求信息和/或所述配送车辆信息进行处理,得到目标数据;
其中,所述数据格式规则包括:所述配送需求信息和所述配送车辆信息未缺失;所述货物配送单号、所述车辆编号、所述车辆类型非空;所述货物最晚签收时间晚于当前时间;所述配送起始地址、所述配送目的地地址包含地址对应的经纬度数据。
可选的,所述配送成本计算模型包括目标函数,所述目标函数为:
其中,i,j表示配送网络中的两个不同配送节点,C表示车辆出发起点和客户点的集合,C={0,1,2,...,n},其中0表示车辆出发起点;N表示客户点集合,N={1,2,...,n};K表示车辆集合,K={1,2,...,k},k∈K;E表示车型标识集合,E={1,2,...,e},e∈E;
e表示车辆k的车型标识,Dk表示车辆k的最大载重,Vk表示车辆k的最大载积,Tk表示车辆k的最大可用时间,tijk表示车辆k从配送节点i到配送节点j的行驶时间,a0k表示车辆k从车辆出发起点出发的起始时间;
dije表示车型e从配送节点i到配送节点j的行驶距离,fe表示车型e的固定费用,me表示车型e的配送里程费用,he表示车型e的配送交接费用,le表示车型e的配送装卸费用;
sj表示分配给配送节点j的服务时间,di表示配送节点i的货物需求重量,dj表示配送节点j的货物需求重量,vi表示配送节点i的货物需求体积;
α表示时间惩罚系数,β表示载重惩罚系数,δ表示载积惩罚系数;
Zijk表示决策变量,若车辆k被分配到从客户点i到j,Zijk取值为1,否则Zijk取值为0。
可选的,所述配送成本计算模型还包括约束条件,所述约束条件包括:
可选的,所述求解模块303包括:
起点定义单元3031,用于以预置地理位置为初始配送路线的起点,并将所述预置地理位置定义为配送网络的当前配送节点;
成本计算单元3032,用于根据所述目标数据,对所述配送成本计算模型进行求解,得到当前配送节点预置距离范围内的配送成本最低的配送节点,并将所述配送成本最低的配送节点作为当前配送节点对应的下一配送节点;
循环执行单元3033,用于将下一配送节点定义为所述配送网络的当前配送节点,并重复执行所述成本计算单元3032,直至所有配送节点或所有配送车辆均分配完成,得到初始配送路线。
可选的,所述调整模块304包括:
选择单元3041,用于选择一组自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行邻域动作变换,得到第一配送路线;
判断单元3042,用于判断所述第一配送路线的配送成本是否低于所述初始配送路线的配送成本,若是,则将所述第一配送路线作为优化配送路线,否则,将所述初始配送路线作为优化配送路线;
重选单元3043,用于动态调整所述自适应大规模邻域搜索算法的所有破坏算子和修复算子的权重,并根据调整后的权重,重新选择一组破坏算子和修复算子对所述优化配送路线进行邻域动作变换,得到第二配送路线;
重复单元3044,用于判断所述第二配送路线的配送成本是否低于所述优化配送路线的配送成本,若是,则将所述第二配送路线作为新的优化配送路线,并重复执行所述重选单元3043和所述重复单元3044预置次数,得到多条新的优化配送路线;
推荐单元3045,用于从所述多条新的优化配送路线中选择配送成本最低的路线作为推荐配送路线。
本发明实施例中,为了使合适的货物分配给合适的车辆,并行驶在合适的配送路线上,首先获取待配送货物的配送需求信息和配送车辆信息,然后对这些信息进行预处理,得到符合配送成本计算要求的目标数据,再将目标数据输入配送成本计算模型进行求解,求解的过程包括求初始解和优化解。其中初始解通过贪婪算法做贪婪选择得到对应的初始配送路线,而由于贪婪算法求得的通常只是局部最优解,因此需要对初始解进行优化求解。优化求解所采用的是自适应大邻域搜索算法,通过该算法中的破坏算子和修复算子,生成多条优化配送路线,择一成本最低的优化配送路线作为最终的推荐配送路线。本发明能够自动规划同城配送方案,并使方案的整体配送成本最低。
上面图3从模块化功能实体的角度对本发明实施例中的配送路线推荐装置进行详细描述,下面从硬件处理的角度对本发明实施例中配送路线推荐设备进行详细描述。
图4是本发明实施例提供的一种配送路线推荐设备的结构示意图,该配送路线推荐设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对配送路线推荐设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在配送路线推荐设备500上执行存储介质530中的一系列指令操作。
配送路线推荐设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图4示出的配送路线推荐设备结构并不构成对配送路线推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种配送路线推荐设备,所述配送路线推荐设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述配送路线推荐方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述配送路线推荐方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配送路线推荐方法,其特征在于,所述配送路线推荐方法包括:
获取待配送货物的配送需求信息和配送车辆信息;
对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;
采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
2.根据权利要求1所述的配送路线推荐方法,其特征在于,所述配送需求信息包括:货物配送单号、配送起始地址、配送目的地地址、货物最早提货时间、货物最晚提货时间、货物最早签收时间、货物最晚签收时间,所述配送车辆信息包括:车辆编号、车辆类型、车辆最大载重、车辆最大载积、车辆单位费用、车辆最大可用时间、车辆最大可用里程。
3.根据权利要求2所述的配送路线推荐方法,其特征在于,所述对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据包括:
分别判断所述配送需求信息和所述配送车辆信息是否满足预置数据格式规则,若不满足,则采用预置数据处理策略对所述配送需求信息和/或所述配送车辆信息进行处理,得到目标数据;
其中,所述数据格式规则包括:所述配送需求信息和所述配送车辆信息未缺失;所述货物配送单号、所述车辆编号、所述车辆类型非空;所述货物最晚签收时间晚于当前时间;所述配送起始地址、所述配送目的地地址包含地址对应的经纬度数据。
4.根据权利要求2所述的配送路线推荐方法,其特征在于,所述配送成本计算模型包括目标函数,所述目标函数为:
其中,i,j表示配送网络中的两个不同配送节点,C表示车辆出发起点和客户点的集合,C={0,1,2,...,n},其中0表示车辆出发起点;N表示客户点集合,N={1,2,...,n};K表示车辆集合,K={1,2,...,k},k∈K;E表示车型标识集合,E={1,2,...,e},e∈E;
e表示车辆k的车型标识,Dk表示车辆k的最大载重,Vk表示车辆k的最大载积,Tk表示车辆k的最大可用时间,tijk表示车辆k从配送节点i到配送节点j的行驶时间,a0k表示车辆k从车辆出发起点出发的起始时间;
dije表示车型e从配送节点i到配送节点j的行驶距离,fe表示车型e的固定费用,me表示车型e的配送里程费用,he表示车型e的配送交接费用,le表示车型e的配送装卸费用;
sj表示分配给配送节点j的服务时间,di表示配送节点i的货物需求重量,dj表示配送节点j的货物需求重量,vi表示配送节点i的货物需求体积;
α表示时间惩罚系数,β表示载重惩罚系数,δ表示载积惩罚系数;
Zijk表示决策变量,若车辆k被分配到从客户点i到j,Zijk取值为1,否则Zijk取值为0。
6.根据权利要求1-5中任一项所述的配送路线推荐方法,其特征在于,所述以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线包括:
S601、以预置地理位置为初始配送路线的起点,并将所述预置地理位置定义为配送网络的当前配送节点;
S602、根据所述目标数据,对所述配送成本计算模型进行求解,得到当前配送节点预置距离范围内的配送成本最低的配送节点,并将所述配送成本最低的配送节点作为当前配送节点对应的下一配送节点;
S603、将下一配送节点定义为所述配送网络的当前配送节点,并重复执行S602,直至所有配送节点或所有配送车辆均分配完成,得到初始配送路线。
7.根据权利要求1所述的配送路线推荐方法,其特征在于,所述采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线包括:
S701、选择一组自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行邻域动作变换,得到第一配送路线;
S702、判断所述第一配送路线的配送成本是否低于所述初始配送路线的配送成本,若是,则将所述第一配送路线作为优化配送路线,否则,将所述初始配送路线作为优化配送路线;
S703、动态调整所述自适应大规模邻域搜索算法的所有破坏算子和修复算子的权重,并根据调整后的权重,重新选择一组破坏算子和修复算子对所述优化配送路线进行邻域动作变换,得到第二配送路线;
S704、判断所述第二配送路线的配送成本是否低于所述优化配送路线的配送成本,若是,则将所述第二配送路线作为新的优化配送路线,并重复执行S703-S704预置次数,得到多条新的优化配送路线;
S705、从所述多条新的优化配送路线中选择配送成本最低的路线作为推荐配送路线。
8.一种配送路线推荐装置,其特征在于,所述配送路线推荐装置包括:
获取模块,用于获取待配送货物的配送需求信息和配送车辆信息;
预处理模块,用于对所述配送需求信息和所述配送车辆信息进行预处理,得到目标数据,并将所述目标数据作为预置配送成本计算模型的入参;
求解模块,用于以任意两个配送节点对应的最低配送成本为求解目标,采用贪婪算法对所述配送成本计算模型进行求解,得到初始配送路线;
调整模块,用于采用自适应大邻域搜索算法的破坏算子和修复算子,对所述初始配送路线进行动态调整,得到推荐配送路线。
9.一种配送路线推荐设备,其特征在于,所述配送路线推荐设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述配送路线推荐设备执行如权利要求1-7中任一项所述的配送路线推荐方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的配送路线推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214406.XA CN112884409A (zh) | 2021-02-26 | 2021-02-26 | 配送路线推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214406.XA CN112884409A (zh) | 2021-02-26 | 2021-02-26 | 配送路线推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884409A true CN112884409A (zh) | 2021-06-01 |
Family
ID=76054813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110214406.XA Pending CN112884409A (zh) | 2021-02-26 | 2021-02-26 | 配送路线推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884409A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505931A (zh) * | 2021-07-19 | 2021-10-15 | 温州大学 | 一种基于遗传算法的充电机器人动态调度优化方法 |
CN114186924A (zh) * | 2021-11-25 | 2022-03-15 | 北京中交兴路车联网科技有限公司 | 一种协同配送路径规划方法、装置、电子设备和存储介质 |
CN115660244A (zh) * | 2022-12-27 | 2023-01-31 | 北京京东振世信息技术有限公司 | 路线信息生成方法、装置、设备和介质 |
CN116341781A (zh) * | 2023-03-28 | 2023-06-27 | 暨南大学 | 基于大规模邻域搜索算法的路径规划方法及存储介质 |
CN116703291A (zh) * | 2023-06-15 | 2023-09-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
WO2018030747A1 (ko) * | 2016-08-08 | 2018-02-15 | 주식회사 메쉬코리아 | 배송 경로를 학습하여 배송 계획을 생성하는 장치 및 방법 |
US20180268510A1 (en) * | 2017-03-15 | 2018-09-20 | Conduent Business Services, Llc | Systems and methods for real-time scheduling in a transportation system based upon a user criteria |
CN109583650A (zh) * | 2018-11-30 | 2019-04-05 | 浙江工商大学 | 一种电动车换电站选址和物流配送联合调度的方法 |
CN111044060A (zh) * | 2018-10-12 | 2020-04-21 | 株式会社日立制作所 | 多车辆路径规划方法及多车辆路径规划系统 |
CN112053117A (zh) * | 2020-09-11 | 2020-12-08 | 东北大学 | 一种协同配送的路径规划方法及装置 |
EP3772026A1 (en) * | 2019-07-30 | 2021-02-03 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for routing a plurality of vehicles |
-
2021
- 2021-02-26 CN CN202110214406.XA patent/CN112884409A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018030747A1 (ko) * | 2016-08-08 | 2018-02-15 | 주식회사 메쉬코리아 | 배송 경로를 학습하여 배송 계획을 생성하는 장치 및 방법 |
US20180268510A1 (en) * | 2017-03-15 | 2018-09-20 | Conduent Business Services, Llc | Systems and methods for real-time scheduling in a transportation system based upon a user criteria |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN111044060A (zh) * | 2018-10-12 | 2020-04-21 | 株式会社日立制作所 | 多车辆路径规划方法及多车辆路径规划系统 |
CN109583650A (zh) * | 2018-11-30 | 2019-04-05 | 浙江工商大学 | 一种电动车换电站选址和物流配送联合调度的方法 |
EP3772026A1 (en) * | 2019-07-30 | 2021-02-03 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for routing a plurality of vehicles |
CN112053117A (zh) * | 2020-09-11 | 2020-12-08 | 东北大学 | 一种协同配送的路径规划方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505931A (zh) * | 2021-07-19 | 2021-10-15 | 温州大学 | 一种基于遗传算法的充电机器人动态调度优化方法 |
CN113505931B (zh) * | 2021-07-19 | 2024-02-27 | 温州大学 | 一种基于遗传算法的充电机器人动态调度优化方法 |
CN114186924A (zh) * | 2021-11-25 | 2022-03-15 | 北京中交兴路车联网科技有限公司 | 一种协同配送路径规划方法、装置、电子设备和存储介质 |
CN115660244A (zh) * | 2022-12-27 | 2023-01-31 | 北京京东振世信息技术有限公司 | 路线信息生成方法、装置、设备和介质 |
CN115660244B (zh) * | 2022-12-27 | 2023-09-01 | 北京京东振世信息技术有限公司 | 路线信息生成方法、装置、设备和介质 |
CN116341781A (zh) * | 2023-03-28 | 2023-06-27 | 暨南大学 | 基于大规模邻域搜索算法的路径规划方法及存储介质 |
CN116703291A (zh) * | 2023-06-15 | 2023-09-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
CN116703291B (zh) * | 2023-06-15 | 2024-01-05 | 北京化工大学 | 一种混合能源车队配送路径优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884409A (zh) | 配送路线推荐方法、装置、设备及存储介质 | |
CN109034481B (zh) | 一种基于约束规划的带时间窗车辆路径问题建模及优化方法 | |
Matusiak et al. | A fast simulated annealing method for batching precedence-constrained customer orders in a warehouse | |
Petersen et al. | The pickup and delivery problem with cross-docking opportunity | |
CN108510095B (zh) | 一种拣货路径的确定方法及装置 | |
CN113420928A (zh) | 订单调度方法、装置、设备及存储介质 | |
TWI777863B (zh) | 用於批次揀選最佳化的電腦實施的系統與方法 | |
Küçükoğlu et al. | A hybrid meta-heuristic algorithm for vehicle routing and packing problem with cross-docking | |
CN112633547A (zh) | 基于包裹信息的城市地区递送车辆路线选择的系统和方法 | |
Minis et al. | Real-time management of vehicle breakdowns in urban freight distribution | |
Xue et al. | A combined GA-TS algorithm for two-echelon dynamic vehicle routing with proactive satellite stations | |
CN113935528B (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
Kim et al. | Ant colony optimisation with random selection for block transportation scheduling with heterogeneous transporters in a shipyard | |
Bouanane et al. | Multi-depots vehicle routing problem with simultaneous delivery and pickup and inventory restrictions: Formulation and resolution | |
JP2005043974A (ja) | 輸送スケジュール作成方法及びシステム | |
JP4025652B2 (ja) | 輸送計画作成システム及び方法 | |
Ramírez-Villamil et al. | Integrating Clustering Methodologies and Routing Optimization Algorithms for Last-Mile Parcel Delivery | |
Zare Mehrjerdi et al. | Integrated order batching and distribution scheduling in a single-block order picking warehouse considering S-shape routing policy | |
CN113762573B (zh) | 一种物流网络优化方法和装置 | |
JP2009012973A (ja) | 配送管理システム、配送管理方法、および配送管理プログラム | |
Jakara et al. | VEHICLE ROUTING PROBLEM-CASE STUDY ON LOGISTICS COMPANY IN CROATIA. | |
CN114757394A (zh) | 基于工作量平衡的物流车辆路径优化方法、系统和介质 | |
JP2022140021A (ja) | 災害時管理制御装置、災害時必要物配送方法、災害時管理制御プログラム | |
CN114548880A (zh) | 物流规划方法、设备、装置和存储介质 | |
Landa-Silva et al. | Hybrid heuristic for multi-carrier transportation plans |
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 |