CN112950091B - 车辆调度方法、装置及存储介质 - Google Patents
车辆调度方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112950091B CN112950091B CN202110416618.6A CN202110416618A CN112950091B CN 112950091 B CN112950091 B CN 112950091B CN 202110416618 A CN202110416618 A CN 202110416618A CN 112950091 B CN112950091 B CN 112950091B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- scheduling
- optimization
- client
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 239000002245 particle Substances 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 claims description 5
- 230000007257 malfunction Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000004568 cement Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—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
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种车辆调度方法、装置及存储介质,所述方法包括:获取目标订单信息,基于所述目标订单信息,确定预选车辆调度方案,基于粒子群算法,确定目标车辆调度方案,基于所述目标车辆调度方案,对所述车辆进行调度,其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案,能够优化车辆调度方案,实现资源的最大利用和经济效益的最大化。
Description
技术领域
本申请涉及运输调度技术领域,尤其涉及一种车辆调度方法、装置及存储介质。
背景技术
随着工业水泥需求的不断提升,水泥厂的配送方式,配送需求点,以及配送额度均有显著增加,原有的仅凭人工经验或者浅层优化调度方式已经无法在复杂的需求点空间分布的情况下实现有效且经济的调度模式。特别是在当前车辆载重逐渐由地磅转换成实时车辆载重的检测过程,订单到来的随机性,车辆故障或者存在超载行为所受到的惩罚等均会对路径规划的过程产生影响,但当前的调度系统存在以下缺点:
(1)、上层主管与下层驾驶员的交流不及时;(2)、驾驶员的行为无法受到很好的监控;(3)、实际调度优化中,路径测算与实际不符。这些缺点导致现有调度系统无法很好的解决上述调度问题,进而无法实现资源的最大利用和经济效益的最大化。
发明内容
针对现有技术存在的上述技术问题,本申请提供一种车辆调度方法、装置及存储介质。
第一方面,本申请提供一种车辆调度方法,包括:
获取目标订单信息;
基于所述目标订单信息,确定预选车辆调度方案;
基于粒子群算法,确定目标车辆调度方案;
基于所述目标车辆调度方案,对所述车辆进行调度;
其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案。
可选地,根据本申请的车辆调度方法,所述基于所述目标订单信息,确定预选车辆调度方案,包括:
基于所述目标订单对应的调度优先级、客户配额以及客户位置,通过整数编码方式确定所述预选车辆调度方案;
其中,所述预选车辆调度方案满足所述预设车辆优化调度模型的约束条件。
可选地,根据本申请的车辆调度方法,所述预设车辆优化调度模型优化目标包括第一优化目标和第二优化目标;
其中,所述第一优化目标为:运作成本最小化,所述第二优化目标为:车辆使用数量最小化。
可选地,根据本申请的车辆调度方法,所述运作成本的表达式为:
所述车辆使用数量的表达式为:
其中,Minimize Z1是最小成本,Minimize Z2是最小车辆使用数量;FCm是车辆m运输单次的固定成本,DCm是车辆m运输单位里程的成本,[ai,bi)是客户i服务的时间窗口,当提前于工作时间起点ai,或延迟于时间节点bi,就会受到惩罚,惩罚系数为α,β;wi是为客户i开始的服务时间,且Ti是在客户i的服务时间,即上货或者卸货时间;M是停车场车辆的数量;Lmax是每辆车每天的最大里程数;R是所有客户坐标点的集合,即为客户数量;dstij是客户i到客户j的实际坐标距离;v是车辆行驶时的速度,ξ为超里程的单位成本;
yim和xijm为决策变量,其中,
可选地,根据本申请的车辆调度方法,所述预设车辆优化调度模型的约束条件包括:
其中,Qmax是每辆车的车载量,qi是客户i的需求重量;q-im是车辆m在离开客户点i时的重量,对于车辆从客户i到客户j的装卸载下,离开客户j点时的车辆载重为:q-jm=q-im-qj,q-jm>=0,初始载重为0;条件(1)表示每辆车的上货重量不超过车辆载重,条件(2)表示满足车辆行驶里程需不超过最大里程数约束,条件(3)表示调度车辆总数不超过当前工作的最大车辆数目,条件(4)表示一个客户只能被当前所有调度车辆中一辆服务,且只能服务一次,同时i=0,j=0分别表示从配送厂出发和回到配送点,条件(5)-(6)表示决策变量的值为0或1。
可选地,根据本申请的车辆调度方法,所述基于所述目标订单信息,确定预选车辆调度方案,还包括:
在所述目标订单额度超过车载额度的情况下,将所述目标订单拆分为满载订单和非满载订单。
可选地,根据本申请的车辆调度方法,所述方法还包括:
在出现异常车辆的情况下,确定所述目标订单中尚未完成的订单信息;
基于所述尚未完成的订单信息、正常工作车辆以及所述预设车辆优化调度模型,更新所述目标车辆调度方案;
其中,所述异常车辆包括以下至少一种异常情况:故障、超载、偷卸和超出电子围栏。
第二方面,本申请还提供一种车辆调度装置,包括:
信息获取模块,用于获取目标订单信息;
预选车辆调度方案确定模块,用于基于所述目标订单信息,确定预选车辆调度方案;
目标车辆调度方案确定模块,用于基于粒子群算法,确定目标车辆调度方案;
车辆调度模块,用于基于所述目标车辆调度方案,对所述车辆进行调度;
其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案。
第三方面,本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所提供的方法的步骤。
第四方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面所提供的方法的步骤。
本申请提供的车辆调度方法、装置及存储介质,通过基于所述目标订单信息,确定预选车辆调度方案,基于粒子群算法,确定目标车辆调度方案,基于所述目标车辆调度方案,对所述车辆进行调度,其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案,能够优化车辆调度方案,实现资源的最大利用和经济效益的最大化。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请提供的车辆调度方法的流程示意图;
图2是本申请提供的车辆调度方案示意图;
图3是本申请提供的车辆实时预警界面示意图;
图4是本申请提供的车辆优化调度实施框架示意图;
图5是本申请提供的车辆调度装置的结构示意图;
图6是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合图1-图6描述本申请的车辆调度方法、装置及存储介质。
图1为本申请提供的车辆调度方法的流程示意图,如图1所示,该方法包括:
步骤110,获取目标订单信息。
具体的,所述目标订单即待执行订单。考虑到企业的生产能力,需要对目标订单进行优先级排序。通过对水泥企业历史订单的数据采集,获取历史客户数据,即订单总金额,合作周期,订单利润,订单配额,质量要求,历史订单物料满足度,订单执行时间,订单执行过程等特征,并采用K均值聚类方法,对客户进行五级(L1,L2,L3,L4,L5)的订单优先级排序,根据其贡献度设定相对应级别的虚拟系数δ1,δ2,δ3,δ4,δ5。基于历史订单确定优先级排序之后,即可确定所述目标订单的调度优先级。
步骤120,基于所述目标订单信息,确定预选车辆调度方案。
具体的,基于所述目标订单信息,车辆调度装置确定预选车辆调度方案,所述预选车辆调度方案为可行的所有调度方案。
步骤130,基于粒子群算法,确定目标车辆调度方案。
具体的,确定预选车辆调度方案之后,车辆调度装置基于粒子群算法确定所述预选车辆调度方案中的目标车辆调度方案,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案,即满足资源的最大利用和经济效益最大化的最优调度方案。
步骤140,基于所述目标车辆调度方案,对所述车辆进行调度;其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案。
具体的,车辆调度装置可以将目标车辆调度方案可视化显示在地图上,通过上层调度系统将每辆车的任务以及实时路线下发给相对应的司机,安排其在对应地点上货和卸货。
本申请提供的方法,通过基于所述目标订单信息,确定预选车辆调度方案,基于粒子群算法,确定目标车辆调度方案,基于所述目标车辆调度方案,对所述车辆进行调度,其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案,能够优化车辆调度方案,实现资源的最大利用和经济效益的最大化。
基于上述实施例,所述基于所述目标订单信息,确定预选车辆调度方案,包括:
基于所述目标订单对应的调度优先级、客户配额以及客户位置,通过整数编码方式确定所述预选车辆调度方案;
其中,所述预选车辆调度方案满足所述预设车辆优化调度模型的约束条件。
具体的,基于历史订单数据对所述目标订单进行优先级排序(具体过程在前述实施例中已经进行详细阐述,在此不再赘述),同时通过GPS测算当前各目标订单客户的距离,构造地图网络,通过GPS定位系统将客户和厂区的坐标分别标定在地图上,并获取所述目标订单客户与厂区的距离,订单客户相互之间的距离。将所述目标订单对应的客户配额,所述目标订单的调度优先级,以及通过GPS获得的各坐标的距离输入算法服务器,通过整数编码方式确定所述预选车辆调度方案。
水泥车的车辆调度问题实际是两个子调度问题:包括车辆分配以及路径调度次序。而粒子群算法(Particle swarm optimization,PSO)因其搜索速度快,参数少的优点在求解这种组合优化问题上具备一定的优势。该方法主要是在粒子的位置与问题的调度方案之间建立一种恰当的映射关系。为了方便后续通过粒子群算法快速确定目标车辆调度方案,本申请采用整数编码方式,确定所述预选车辆调度方案。
即假设一个完整的调度为其中l表示粒子编号,M+R表示总维数,即M辆车,R个客户。其中M维/>表示车辆分配客户数量的组合,/>表示所有客户的一种次序。如图2所示为本申请提供的车辆调度方案示意图,当前有2辆车,5个客户(分别用1-5的标号表示A-E各个客户,O表示配送点),则车辆1的路径为O—E—D—O,车辆2的路径为O—A—C—B—O。具体过程如下:
(1)客户任务子序列优化
粒子l的后R维是所有客户的任务序列,这是一个离散的排序问题,排序顺序为每辆车服务的客户子序列顺序。此子序列的顺序是由粒子l的后R维位置矢量/>采用最小位置规则化(Smallest PositionValue,SPV)进行排序,通过这些排名获得位次得到的。假设有5个维度,分别表示5个任务,对应的矢量维度及客户任务次序如下,矢量维度值越大,排序时越靠后,如表1(a)维度4的矢量值最大,即排序顺序在最后为次序5;在矢量位置值相同的情况下,以从左到右的顺序进行次序排序,即如表1(b)给出的最终次序。
表1.粒子位置矢量与任务次序的映射关系
(2)车辆任务分配优化
需要将粒子l的前M维对应的映射成符合所述预设车辆优化调度模型约束限制的对应车辆分配任务/>(即所述预选车辆调度方案)上,执行步骤如下:
Step1:求解当前该调度次序非空的车辆分配任务的总和:即所有维度的总和,
Step2:取整,即取整,且当/>时令/>
Step3:判断任务分配是否完成,若重新选择/>集合中非零的最大值减1;若/>重新选择/>集合中非零的最小值加1;
Step4:时,停止迭代,否则,返回Step3。
本申请提供的方法,通过基于所述目标订单对应的调度优先级、客户配额以及客户位置,通过整数编码方式确定满足所述预设车辆优化调度模型的约束条件的预选车辆调度方案,为后续目标车辆调度方案的搜索提供了基础,提高了调度方案优化效率。
基于上述实施例,所述预设车辆优化调度模型优化目标包括第一优化目标和第二优化目标;
其中,所述第一优化目标为:运作成本最小化,所述第二优化目标为:车辆使用数量最小化。
具体的,通过预设车辆优化调度模型对预选车辆调度方案进行筛选,确定满足第一优化目标和第二优化目标的目标车辆调度方案进行车辆调度。可以理解的是,所述第一预选车辆调度方案可以是同时满足运作成本最小化和车辆使用数量最小化的方案,也可以是基于两个优化目标分别对应的权重,得到的运作成本和车辆使用数量综合情况最优的调度方案,本申请实施例对此不作具体限定。
本申请提供的方法,通过所述预设车辆优化调度模型优化目标包括第一优化目标和第二优化目标,其中,所述第一优化目标为:运作成本最小化,所述第二优化目标为:车辆使用数量最小化,能够确定最优调度方案,确保资源的最大利用和经济效益最大化。
基于上述实施例,所述运作成本的表达式为:
所述车辆使用数量的表达式为:
其中,Minimize Z1是最小成本,Minimize Z2是最小车辆使用数量;FCm是车辆m运输单次的固定成本,DCm是车辆m运输单位里程的成本,[ai,bi)是客户i服务的时间窗口,当提前于工作时间起点ai,或延迟于时间节点bi,就会受到惩罚,惩罚系数为α,β;wi是为客户i开始的服务时间,且Ti是在客户i的服务时间,即上货或者卸货时间;M是停车场车辆的数量;Lmax是每辆车每天的最大里程数;R是所有客户坐标点的集合,即为客户数量;dstij是客户i到客户j的实际坐标距离;v是车辆行驶时的速度,ξ为超里程的单位成本;
yim和xijm为决策变量,其中,
基于上述实施例,所述预设车辆优化调度模型的约束条件包括:
其中,Qmax是每辆车的车载量,qi是客户i的需求重量;q-im是车辆m在离开客户点i时的重量,对于车辆从客户i到客户j的装卸载下,离开客户j点时的车辆载重为:q-jm=q-im-qj,q-jm>=0,初始载重为0;条件(1)表示每辆车的上货重量不超过车辆载重,条件(2)表示满足车辆行驶里程需不超过最大里程数约束,条件(3)表示调度车辆总数不超过当前工作的最大车辆数目,条件(4)表示一个客户只能被当前所有调度车辆中一辆服务,且只能服务一次,同时i=0,j=0分别表示从配送厂出发和回到配送点,条件(5)-(6)表示决策变量的值为0或1。
具体的,水泥厂的运作成本包含:车辆运输过程的固定成本和在线运输成本,提前送达的机会成本,晚到的延误成本以及车载超里程的成本。而在满足水泥厂运作成本最小的情况,仍需要满足车辆剩余能力最大化,因此水泥厂的车辆优化调度是一个多目标问题。本申请在开发时设计了两个目标,作为车辆优化调度模型的目标。
目标一:运作成本最小化,使得经济效率最高,如上述运作成本表达式所示,表达式中第一部分是车辆固定成本,第二部分是车辆运输成本,第三部分是提前到达客户服务点的机会成本,第四部分是延迟到达客户服务点的延迟惩罚成本,第五部分是超里程的成本。
目标二:车辆使用数量最小化,目的是使得车辆剩余能力最大,最大化订单数量,如上述车辆使用数量表达式所示。
值得注意的是,考虑订单优先级问题,故在运作成本第二部分的车辆运输成本的计算中,会对部分客户之间的距离进行修正,其中,客户i到客户j的修正距离为dst′ij=σj·dstij,σj是根据客户重要程度确定的订单优先级对应的权重系数。而在其它部分的计算上仍采用实际距离dstij。
本申请提供的方法,通过预设车辆优化调度模型的优化目标和约束条件的设置,能够确定最优调度方案,确保资源的最大利用和经济效益最大化。
基于上述实施例,所述基于所述目标订单信息,确定预选车辆调度方案,还包括:
在所述目标订单额度超过车载额度的情况下,将所述目标订单拆分为满载订单和非满载订单。
具体的,车辆调度装置首先判断订单额度超过车载额度,如果多个订单超出车载载重,将会对其进行化整为零处理,当前处理方式是同一订单拆分为满载订单和非满载订单,再基于拆分的订单确定预选车辆调度方案。
本申请提供的方法,通过在所述目标订单额度超过车载额度的情况下,将所述目标订单拆分为满载订单和非满载订单,基于所述满载订单和非满载订单,确定预选车辆调度方案,能够实现车辆调度方案的准确制定。
基于上述实施例,所述方法还包括:
在出现异常车辆的情况下,确定所述目标订单中尚未完成的订单信息;
基于所述尚未完成的订单信息、正常工作车辆以及所述预设车辆优化调度模型,更新所述目标车辆调度方案;其中,所述异常车辆包括以下至少一种异常情况:故障、超载、偷卸和超出电子围栏。
具体的,车辆调度装置会实时监测各车辆情况,若出现故障车辆,超载、超出电子围栏和卸载未完成、偷卸载的情况,会进行实时预警,并依据当前车辆优化调度模型,减去当前异常车辆,再根据剩余订单和正常工作车辆重新分配任务(即更新所述目标车辆调度方案)。如图3所示为本申请提供的车辆实时预警界面示意图。
本申请提供的方法,通过在出现异常车辆的情况下,确定所述目标订单中尚未完成的订单信息,基于所述尚未完成的订单信息、正常工作车辆以及所述预设车辆优化调度模型,更新所述目标车辆调度方案,能够对车辆调度情况进行监控,并针对异常情况进行及时处理,满足企业可视化需求的同时,确保调度任务的正常进行,实现经济效益的最大化。
如图4所示为本申请提供的车辆优化调度实施框架示意图,车辆调度装置获取订单信息后,基于所述订单信息确定客户基础参数,结合车辆基础参数、惩罚系数和配送中心坐标等调度参数,通过车辆优化调度模型确定满足调度优化目标和约束条件的目标车辆调度方案,同时对超载、偷卸等异常情况进行预警,方便及时调整调度方案。
基于上述任一实施例,图5为本申请提供的车辆调度装置的示意图,如图5所示,该装置包括:
信息获取模块510,用于获取目标订单信息;
预选车辆调度方案确定模块520,用于基于所述目标订单信息,确定预选车辆调度方案;
目标车辆调度方案确定模块530,用于基于粒子群算法,确定目标车辆调度方案;
车辆调度模块540,用于基于所述目标车辆调度方案,对所述车辆进行调度;
其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案。
基于上述实施例,所述预选车辆调度方案确定模块具体用于:
基于所述目标订单对应的调度优先级、客户配额以及客户位置,通过整数编码方式确定所述预选车辆调度方案;
其中,所述预选车辆调度方案满足所述预设车辆优化调度模型的约束条件。
基于上述实施例,所述预设车辆优化调度模型优化目标包括第一优化目标和第二优化目标;
其中,所述第一优化目标为:运作成本最小化,所述第二优化目标为:车辆使用数量最小化。
基于上述实施例,所述运作成本的表达式为:
所述车辆使用数量的表达式为:
其中,Minimize Z1是最小成本,Minimize Z2是最小车辆使用数量;FCm是车辆m运输单次的固定成本,DCm是车辆m运输单位里程的成本,[ai,bi)是客户i服务的时间窗口,当提前于工作时间起点ai,或延迟于时间节点bi,就会受到惩罚,惩罚系数为α,β;wi是为客户i开始的服务时间,且Ti是在客户i的服务时间,即上货或者卸货时间;M是停车场车辆的数量;Lmax是每辆车每天的最大里程数;R是所有客户坐标点的集合,即为客户数量;dstij是客户i到客户j的实际坐标距离;v是车辆行驶时的速度,ξ为超里程的单位成本;
yim和xijm为决策变量,其中,
基于上述实施例,所述预设车辆优化调度模型的约束条件包括:
其中,Qmax是每辆车的车载量,qi是客户i的需求重量;q-im是车辆m在离开客户点i时的重量,对于车辆从客户i到客户j的装卸载下,离开客户j点时的车辆载重为:q-jm=q-im-qj,q-jm>=0,初始载重为0;条件(1)表示每辆车的上货重量不超过车辆载重,条件(2)表示满足车辆行驶里程需不超过最大里程数约束,条件(3)表示调度车辆总数不超过当前工作的最大车辆数目,条件(4)表示一个客户只能被当前所有调度车辆中一辆服务,且只能服务一次,同时i=0,j=0分别表示从配送厂出发和回到配送点,条件(5)-(6)表示决策变量的值为0或1。
基于上述实施例,所述预选车辆调度方案确定模块还用于:
在所述目标订单额度超过车载额度的情况下,将所述目标订单拆分为满载订单和非满载订单。
基于上述实施例,所述装置还包括:
异常应对模块,用于在出现异常车辆的情况下,确定所述目标订单中尚未完成的订单信息;
车辆调度方案更新模块,用于基于所述尚未完成的订单信息、正常工作车辆以及所述预设车辆优化调度模型,更新所述目标车辆调度方案;
其中,所述异常车辆包括以下至少一种异常情况:故障、超载、偷卸和超出电子围栏。
本申请提供的车辆调度装置可以执行上述车辆调度方法,其具体工作原理和相应的技术效果与上述方法相同,在此不再赘述。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行上述各方法所提供的车辆调度方法。
此外,上述的存储器630中的逻辑指令可以通过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,本申请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)执行本申请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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法所提供的车辆调度方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (6)
1.一种车辆调度方法,其特征在于,包括:
获取目标订单信息;
基于所述目标订单信息,确定预选车辆调度方案;
基于粒子群算法,确定目标车辆调度方案;
基于所述目标车辆调度方案,对所述车辆进行调度;
其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案;
所述基于所述目标订单信息,确定预选车辆调度方案,包括:
基于所述目标订单对应的调度优先级、客户配额以及客户位置,通过整数编码方式确定所述预选车辆调度方案;
其中,所述预选车辆调度方案满足所述预设车辆优化调度模型的约束条件;
所述预设车辆优化调度模型优化目标包括第一优化目标和第二优化目标;
其中,所述第一优化目标为:运作成本最小化,所述第二优化目标为:车辆使用数量最小化;
所述运作成本的表达式为:
所述车辆使用数量的表达式为:
;
其中,是最小成本,/>是最小车辆使用数量;/>是车辆/>运输单次的固定成本,/>是车辆/>运输单位里程的成本,/>是客户/>服务的时间窗口,当提前于工作时间起点/>,或延迟于时间节点/>,就会受到惩罚,惩罚系数为/>;是为客户/>开始的服务时间,且/>;/>是在客户/>的服务时间,即上货或者卸货时间;/>是停车场车辆的数量; />是每辆车每天的最大里程数;/>是所有客户坐标点的集合,即为客户数量;/>是客户/>到客户/>的实际坐标距离;/> 是车辆行驶时的速度,/>为超里程的单位成本;
和/>为决策变量,其中,
;
;
所述预设车辆优化调度模型的约束条件包括:
其中,是每辆车的车载量,/>是客户/>的需求重量;/>是车辆/>在离开客户点/>时的重量,对于车辆从客户/>到客户/>的装卸载下,离开客户/>点时的车辆载重为: />,,初始载重为0;条件(1)表示每辆车的上货重量不超过车辆载重,条件(2)表示满足车辆行驶里程需不超过最大里程数约束,条件(3)表示调度车辆总数不超过当前工作的最大车辆数目,条件(4)表示一个客户只能被当前所有调度车辆中一辆服务,且只能服务一次,同时/>分别表示从配送厂出发和回到配送点,条件(5)-(6)表示决策变量的值为0或1。
2.根据权利要求1所述的车辆调度方法,其特征在于,所述基于所述目标订单信息,确定预选车辆调度方案,还包括:
在所述目标订单额度超过车载额度的情况下,将所述目标订单拆分为满载订单和非满载订单。
3.根据权利要求1所述的车辆调度方法,其特征在于,所述方法还包括:
在出现异常车辆的情况下,确定所述目标订单中尚未完成的订单信息;
基于所述尚未完成的订单信息、正常工作车辆以及所述预设车辆优化调度模型,更新所述目标车辆调度方案;
其中,所述异常车辆包括以下至少一种异常情况:故障、超载、偷卸和超出电子围栏。
4.一种车辆调度装置,其特征在于,包括:
信息获取模块,用于获取目标订单信息;
预选车辆调度方案确定模块,用于基于所述目标订单信息,确定预选车辆调度方案;
目标车辆调度方案确定模块,用于基于粒子群算法,确定所述预选车辆调度方案中的目标车辆调度方案;
车辆调度模块,用于基于所述目标车辆调度方案,对所述车辆进行调度;
其中,所述目标车辆调度方案为满足预设车辆优化调度模型优化目标的预选车辆调度方案;
所述基于所述目标订单信息,确定预选车辆调度方案,包括:
基于所述目标订单对应的调度优先级、客户配额以及客户位置,通过整数编码方式确定所述预选车辆调度方案;
其中,所述预选车辆调度方案满足所述预设车辆优化调度模型的约束条件;
所述预设车辆优化调度模型优化目标包括第一优化目标和第二优化目标;
其中,所述第一优化目标为:运作成本最小化,所述第二优化目标为:车辆使用数量最小化;
所述运作成本的表达式为:
所述车辆使用数量的表达式为:
;
其中,是最小成本,/>是最小车辆使用数量;/>是车辆/>运输单次的固定成本,/>是车辆/>运输单位里程的成本,/>是客户/>服务的时间窗口,当提前于工作时间起点/>,或延迟于时间节点/>,就会受到惩罚,惩罚系数为/>;是为客户/>开始的服务时间,且/>;/>是在客户/>的服务时间,即上货或者卸货时间;/>是停车场车辆的数量; />是每辆车每天的最大里程数;/>是所有客户坐标点的集合,即为客户数量;/>是客户/>到客户/>的实际坐标距离;/> 是车辆行驶时的速度,/>为超里程的单位成本;
和/>为决策变量,其中,
;
;
所述预设车辆优化调度模型的约束条件包括:
其中,是每辆车的车载量,/>是客户/>的需求重量;/>是车辆/>在离开客户点/>时的重量,对于车辆从客户/>到客户/>的装卸载下,离开客户/>点时的车辆载重为: />,,初始载重为0;条件(1)表示每辆车的上货重量不超过车辆载重,条件(2)表示满足车辆行驶里程需不超过最大里程数约束,条件(3)表示调度车辆总数不超过当前工作的最大车辆数目,条件(4)表示一个客户只能被当前所有调度车辆中一辆服务,且只能服务一次,同时/>分别表示从配送厂出发和回到配送点,条件(5)-(6)表示决策变量的值为0或1。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述车辆调度方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述车辆调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416618.6A CN112950091B (zh) | 2021-04-19 | 2021-04-19 | 车辆调度方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416618.6A CN112950091B (zh) | 2021-04-19 | 2021-04-19 | 车辆调度方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950091A CN112950091A (zh) | 2021-06-11 |
CN112950091B true CN112950091B (zh) | 2024-03-15 |
Family
ID=76232942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416618.6A Active CN112950091B (zh) | 2021-04-19 | 2021-04-19 | 车辆调度方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950091B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570187A (zh) * | 2021-06-15 | 2021-10-29 | 北京知藏云道科技有限公司 | 车辆调度方法、装置、计算机设备和介质 |
CN113723675B (zh) * | 2021-08-20 | 2024-03-26 | 深圳依时货拉拉科技有限公司 | 一种零担揽件自动调度方法和计算机设备 |
CN114169832A (zh) * | 2021-12-15 | 2022-03-11 | 中国建设银行股份有限公司 | 一种物流配送调度的方法、装置及存储介质、处理器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
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 |
CN106203739A (zh) * | 2016-07-29 | 2016-12-07 | 广东工业大学 | 一种多配送中心物流运输调度的方法及系统 |
CN107506846A (zh) * | 2017-07-10 | 2017-12-22 | 北京石油化工学院 | 一种基于多目标粒子群优化算法的车辆调度方法与装置 |
CN110097231A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 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 |
CN112270135A (zh) * | 2020-11-13 | 2021-01-26 | 吉林烟草工业有限责任公司 | 一种物流发运调度智能配送方法、装置、设备及存储介质 |
CN112529487A (zh) * | 2019-09-19 | 2021-03-19 | 北京京东振世信息技术有限公司 | 车辆调度方法、装置以及存储介质 |
-
2021
- 2021-04-19 CN CN202110416618.6A patent/CN112950091B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1750028A (zh) * | 2005-10-21 | 2006-03-22 | 浙江工业大学 | 一种车辆调度问题的粒子群优化方法 |
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 |
CN106203739A (zh) * | 2016-07-29 | 2016-12-07 | 广东工业大学 | 一种多配送中心物流运输调度的方法及系统 |
CN107506846A (zh) * | 2017-07-10 | 2017-12-22 | 北京石油化工学院 | 一种基于多目标粒子群优化算法的车辆调度方法与装置 |
CN110097231A (zh) * | 2019-05-09 | 2019-08-06 | 上汽安吉物流股份有限公司 | 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 |
CN112529487A (zh) * | 2019-09-19 | 2021-03-19 | 北京京东振世信息技术有限公司 | 车辆调度方法、装置以及存储介质 |
CN112270135A (zh) * | 2020-11-13 | 2021-01-26 | 吉林烟草工业有限责任公司 | 一种物流发运调度智能配送方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
基于交通流的多车场动态车辆路径问题研究;王晨蕾;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20160715;全文 * |
基于满意优化的多目标车辆调度问题模型与算法;贾永基, 王长军;东华大学学报(自然科学版);20090615;第35卷(第03期);351-354 * |
多车场多车型车辆路径问题的优化研究;朱晨晨;企业科技与发展;20210210(第02期);94-96+99 * |
Also Published As
Publication number | Publication date |
---|---|
CN112950091A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950091B (zh) | 车辆调度方法、装置及存储介质 | |
EP4190660A1 (en) | Method and system for determining an operation requirement | |
CN110348612B (zh) | 分拨中心货量预测方法及装置 | |
RU2019124939A (ru) | Управляемая данными система для оптимального определения размера парка транспортных средств, райдшеринга и диспетчеризации в реальном времени на основе сетей совместной используемости | |
CN110334949B (zh) | 一种用于仓库agv数量评估的仿真方法 | |
Oesterle et al. | Exact method for the vehicle routing problem with mixed linehaul and backhaul customers, heterogeneous fleet, time window and manufacturing capacity | |
CN113780676B (zh) | 一种瓶装液化气车辆配送路径优化方法 | |
CN110765615A (zh) | 物流仿真方法、装置及设备 | |
CN111695842A (zh) | 配送方案确定方法、装置、电子设备及计算机存储介质 | |
CN112700177A (zh) | 用于转运中心转运的选仓方法和装置、存储介质 | |
Whang et al. | Value of postponement | |
CN111783357A (zh) | 一种基于减少旅客延误的中转行程优化方法及系统 | |
CN108932595A (zh) | 一种运输车辆评价方法及设备 | |
CN111105133B (zh) | 生产调度方法、计算机设备以及存储介质 | |
US20180374017A1 (en) | System and method for real time scheduling | |
CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
CN113743841A (zh) | 订单处理方法、装置、电子设备及可读存储介质 | |
US20230256863A1 (en) | Information processing method, and information processing system | |
CN108549959A (zh) | 自动派车方法及装置、计算机可读存储介质、终端 | |
US11703338B2 (en) | Method and apparatus for tunable multi-vehicle routing | |
US20190005414A1 (en) | Rubust dynamic time scheduling and planning | |
CN117495237B (zh) | 货运集散系统的管理方法、设备和可读存储介质 | |
CN111210179A (zh) | 快递柜制冷控制方法及装置、可读存储介质和终端 | |
US20230259845A1 (en) | Information processing method and information processing system | |
CN115907600B (zh) | 一种基于物联网的逆向物流运输方法及系统 |
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 |