CN112966893A - 一种物流网络规划方法及装置 - Google Patents
一种物流网络规划方法及装置 Download PDFInfo
- Publication number
- CN112966893A CN112966893A CN202110131653.3A CN202110131653A CN112966893A CN 112966893 A CN112966893 A CN 112966893A CN 202110131653 A CN202110131653 A CN 202110131653A CN 112966893 A CN112966893 A CN 112966893A
- Authority
- CN
- China
- Prior art keywords
- target
- alternative
- planning scheme
- logistics
- neighborhood
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 105
- 238000010845 search algorithm Methods 0.000 claims abstract description 34
- 230000001934 delay Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- YJQZYXCXBBCEAQ-UHFFFAOYSA-N ractopamine Chemical compound C=1C=C(O)C=CC=1C(O)CNC(C)CCC1=CC=C(O)C=C1 YJQZYXCXBBCEAQ-UHFFFAOYSA-N 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102000020897 Formins Human genes 0.000 description 1
- 108091022623 Formins Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种物流网络规划方法及装置,涉及仓储物流技术领域。方法包括:获取物流节点配置信息和邻域配置信息;根据物流节点配置信息和设定约束条件,建立目标模型;目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含多个备选物流节点中的部分或全部备选物流节点,规划特征包括:投资成本和/或配送时延;根据领域配置信息,采用变邻域搜索算法对目标模型进行至少一次局部搜索计算,得到目标规划方案;其中,目标规划方案中包括多个备选物流节点中的目标物流节点,目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。该方法有助于合理地规划物流网络。
Description
技术领域
本申请涉及仓储物流技术领域,特别涉及一种物流网络规划方法及装置。
背景技术
随着电子商务、快递业等的飞速发展,物流行业已经成为一个发展势头强劲的新产业。
目前,物流行业的主要竞争体现在物流网络规划的优劣上。物流网络规划的主要因素包括服务目标的设施选址、路径安排等。在“物流一体化”概念的强调下,针对物流网络系统需要进行集成优化,也就是选址-路径(location and routing Problem,LRP)。在物流网络规划中,决策者首要关注的是整个网络体系的成本问题,对于客户而言,在意的是整个系统的响应时间,即时效问题。因此,需要综合考虑成本和时效等因素,针对物流网络中的设施选址、路径安排等进行科学规划。
当前求解LRP的算法,包括协同多目标算法、遗传算法、精确求解算法等,在问题求解过程中,都会遇到过早陷入局部最优的问题,难以在短时间内求解出结果。由于物流网络规划问题本身是一个非确定性多项式难题(non-deterministic polynomial hard,NP-hard),在多级物流网络中,客户点数量更加庞大,网络规模也更大,当将上述算法实际应用到多级物流网络的规划当中时,无法避免算法陷入局部最优的问题,无法达到求解复杂多目标优化问题的目的。
因此,如何合理地规划物流网络,仍为亟需解决的重要问题。
发明内容
本申请实施例提供一种物流网络规划方法及装置,有助于合理地规划物流网络。
第一方面,本申请实施例提供了一种物流网络规划方法,该方法可以包括以下步骤:
获取物流节点配置信息和邻域配置信息;其中,所述物流节点配置信息包含待规划的物流网络的多个备选物流节点的配置数据,所述领域配置信息包含多个邻域的配置数据;
根据所述物流节点配置信息和设定约束条件,建立目标模型;其中,所述目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含所述多个备选物流节点中的部分或全部备选物流节点,所述规划特征包括:投资成本和/或配送时延;
根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次局部搜索计算,得到目标规划方案;其中,所述目标规划方案中包括所述多个备选物流节点中的目标物流节点,所述目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。
通过该方案,可以以物流网络的投资成本和/或配送时延等为优化条件,采用变邻域搜索算法设计目标模型,从而根据待规划的物流网络的物流节点配置信息以及邻域配置信息,获得目标规划方案。其中,该变邻域搜索算法可以采用改进的VNS框架,增加至少一次局部搜索计算过程,避免算法陷入局部最优。
在一种可能的设计中,获取所述物流节点配置信息和所述邻域配置信息,包括:获取目标区域的备选信息;采用设定聚类算法对所述目标区域的备选信息进行聚类,得到至少一个聚类簇,任一个聚类簇对应一个备选物流节点;根据所述至少一个聚类簇,获取所述物流节点配置信息和所述邻域配置信息。
通过该方案,可以预先采用聚类算法获得多个备选物流节点的配置数据,以便从多个备选物流节点中确定部分或全部备选物流节点来建立所需的物流网络。示例的,该备选信息可以为目标区域的站点信息。
在一种可能的设计中,根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次变邻域局部搜索计算,得到目标规划方案,包括:获取指定规划方案;根据所述领域配置信息,采用变邻域搜索算法,针对多个邻域中的目标邻域执行以下步骤,其中,所述目标邻域遍历所述多个邻域中的每个邻域:根据所述指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案;基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案;其中,在任一次局部搜索计算得到的当前规划方案满足设定的接受条件时,基于本次局部搜索计算得到的当前规划方案作为所述第一备选规划方案针对所述目标邻域迭代进行下一次局部搜索计算,直至获得所述第二备选规划方案;在达到设定的计算终止条件时,输出目标规划方案,其中,所述目标规划方案为多个邻域的第二备选规划方案中特征值最小的备选规划方案。
通过该方案,该变邻域搜索算法可以采用改进的VNS框架,增加至少一次局部搜索计算过程,避免算法陷入局部最优。
在一种可能的设计中,所述目标邻域的配置数据包括邻域长度;在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;根据所述指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案,包括:根据所述目标邻域的邻域长度Km,在所述多个备选物流节点中随机选择Km个第一备选物流节点,其中,m表示邻域的个数,m、Km为大于等于1的整数;根据所述指定规划方案,利用所述Km个第一备选物流节点中每个第一备选物流节点的扰动算子对相应第一备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,获得所述目标邻域对应的第一备选规划方案;其中,任一个第一备选物流节点的扰动算子为在第一算子或第二算子中随机选择的,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值。
在一种可能的设计中,在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案,包括:针对所述至少一次局部搜索计算中的目标局部搜索计算执行以下步骤,其中,所述目标局部搜索计算遍历所述至少一次局部搜索计算中的任一个:在所述多个备选物流节点中确定多个第二备选物流节点;根据所述第一备选规划方案,利用所述多个第二备选物流节点中每个第二备选物流节点的扰动算子对相应第二备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,得到所述目标局部搜索计算的当前规划方案;其中,每个第二备选物流节点的扰动算子为第一算子、第二算子、第三算子中的至少一个,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值,所述第三算子用于交换两个备选物流节点的属性值;其中,若所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案作为第一备选规划方案,直至结束所述目标局部搜索计算流程;在所述第一备选规划方案满足设定的接受条件时,以所述至少一次局部搜索计算中最后一次局部搜索计算得到的当前规划方案作为所述目标邻域对应的第二备选规划方案。
第二方面,本申请实施例提供了一种物流网络规划装置,包括:信息获取单元,用于获取物流节点配置信息和邻域配置信息;其中,所述物流节点配置信息包含待规划的物流网络的多个备选物流节点的配置数据,所述领域配置信息包含多个邻域的配置数据;建模单元,用于根据所述物流节点配置信息和设定约束条件,建立目标模型;其中,所述目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含所述多个备选物流节点中的部分或全部备选物流节点,所述规划特征包括:投资成本和/或配送时延;计算单元,用于根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次变邻域局部搜索计算,得到目标规划方案;其中,所述目标规划方案中包括所述多个备选物流节点中的目标物流节点,所述目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。
在一种可能的设计中,所述信息获取单元用于:获取目标区域的选址信息;采用设定聚类算法对所述目标区域的选址信息进行聚类,得到至少一个聚类簇,任一个聚类簇对应一个备选物流节点;根据所述至少一个聚类簇,获取所述物流节点配置信息和所述邻域配置信息。
在一种可能的设计中,所述计算单元用于:获取指定规划方案;根据所述领域配置信息,采用变邻域搜索算法,针对多个邻域中的目标邻域执行以下步骤,其中,所述目标邻域遍历所述多个邻域中的每个邻域:根据所述指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案;基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案;其中,在任一次局部搜索计算得到的当前规划方案满足设定的接受条件时,基于本次局部搜索计算得到的当前规划方案作为所述第一备选规划方案针对所述目标邻域迭代进行下一次局部搜索计算,直至获得所述第二备选规划方案;在达到设定的计算终止条件时,输出目标规划方案,其中,所述目标规划方案为多个邻域的第二备选规划方案中特征值最小的备选规划方案。
在一种可能的设计中,所述目标邻域的配置数据包括邻域长度;在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;所述计算单元用于:根据所述目标邻域的邻域长度Km,在所述多个备选物流节点中随机选择Km个第一备选物流节点,其中,m表示邻域的个数,m、Km为大于等于1的整数;根据所述指定规划方案,利用所述Km个第一备选物流节点中每个第一备选物流节点的扰动算子对相应第一备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,获得所述目标邻域对应的第一备选规划方案;其中,任一个第一备选物流节点的扰动算子为在第一算子或第二算子中随机选择的,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值。
在一种可能的设计中,在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;所述计算单元基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案,包括:针对所述至少一次局部搜索计算中的目标局部搜索计算执行以下步骤,其中,所述目标局部搜索计算遍历所述至少一次局部搜索计算中的任一个:在所述多个备选物流节点中确定多个第二备选物流节点;根据所述第一备选规划方案,利用所述多个第二备选物流节点中每个第二备选物流节点的扰动算子对相应第二备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,得到所述目标局部搜索计算的当前规划方案;其中,每个第二备选物流节点的扰动算子为第一算子、第二算子、第三算子中的至少一个,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值,所述第三算子用于交换两个备选物流节点的属性值;其中,若所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案作为第一备选规划方案,直至结束所述目标局部搜索计算流程;在所述第一备选规划方案满足设定的接受条件时,以所述至少一次局部搜索计算中最后一次局部搜索计算得到的当前规划方案作为所述目标邻域对应的第二备选规划方案。
第三方面,本申请实施例提供了一种计算机可读介质,用于存储计算机程序,该计算机程序包括用于执行第一方面的任意可选的实现中的方法的指令。
本申请在上述各方面提供的实现的基础上,还可以进行进一步组合以提供更多实现。
附图说明
图1为本申请实施例的物流网络规划方法的流程示意图;
图2为本申请实施例的聚类算法示意;
图3为本申请实施例的变邻域局部搜索原理的示意图;
图4为本申请实施例的物流网络规划方法的流程示意图;
图5为本申请实施例的编码规则的示意图;
图6为本申请实施例的物流网络规划装置的示意图。
具体实施方式
本申请实施例提供一种物流网络规划方法及装置,有助于合理地规划物流网络。其中,方法和装置是基于同一技术构思的,由于方法及装置解决问题的原理相似,因此设备与方法的实施可以相互参见,重复之处不再赘述。
本申请实施例中,可以以物流网络的投资成本和/或配送时延等为优化条件,采用变邻域搜索算法(variable neighborhood search,VNS)设计目标模型,该目标模型可以为数学模型也可以为物理模型,可以用于表征规划方案和规划特征的对应关系,进而,通过根据待规划的物流网络的物流节点配置信息以及邻域配置信息对目标模型进行计算,直至获得目标规划方案。该目标规划方案中则可以包括目标规划信息,包括但不限于物流节点地址、物流节点类型、物流节点数量、物流节点服务范围等,以便基于该目标规划方案建立相对最优的物流网络。其中,该变邻域搜索算法可以采用改进的VNS框架,增加至少一次局部搜索计算过程,并结合物流网络规划的相关规划特征设计生成邻域的扰动算子,避免算法陷入局部最优。
可以理解的是,本申请实施例仅是以物流网络为例,对基于目标模型获得相应网络的规划结果的方法进行说明而非任何限定,本申请实施例可以应用于任何与物流网络具有相似特征的网络规划场景中,本申请对此不做限定。
为了便于理解,下面,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
物流网络规划,是以物流系统和社会的经济效益为目标,用系统的理论和系统工程方法,综合考虑物资的供需状况、运输条件、自然环境等因素,对物流节点的数量、位置、规模、供货范围、直达供货和中转供货的比例等进行研究和设计,建立一个有效率的物流网络,达到费用低、服务好、效益高等目的。
1)、计算装置,是一种提供业务服务、具有数据连通功能的装置。
本申请实施例中,该计算装置可以为终端装置。终端装置又可以称为终端设备,还可以称为用户设备(user equipment,UE)、移动台(mobile station,MS)、移动终端(mobileterminal,MT)等,终端装置也可以为一种芯片或者安装在终端设备上的应用程序(application,APP)。终端设备可以为具有无线连接功能的手持式设备、车载设备等。目前,一些终端设备的举例为:手机(mobile phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、智能销售终端(point of sale,POS)、可穿戴设备,虚拟现实(virtual reality,VR)设备、增强现实(augmented reality,AR)设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、各类智能仪表(智能水表、智能电表、智能燃气表)等。
该计算装置也可以为服务器。服务器是提供数据连通服务的设备。由于服务器可以响应终端设备的服务请求,并进行处理,因此一般来说服务器应具备承担服务并且保障服务的能力。在本申请中,所述服务器可以为位于数据网络(data network,DN)中的服务器,例如普通服务器,云平台中的服务器;或者为位于核心网内的多接入边缘计算(multi-access edge computing,MEC)服务器等,本申请对此具体实现不做限定。
2)、变邻域搜索算法(variable neighborhood search,VNS):一种改进型的局部搜索算法,是一种启发式近似算法(approximate algorithms),其通过在不同的邻域结构内跳转搜索,能够避免陷入局部最优解。该算法主要分为两部分:一是局部搜索,在相同邻域结构内寻找局部最优解;二是改变邻域,在局部最优解的基础上改变邻域结构。上述两步交替迭代从而达到全局最优。
本申请实施例中,所采用的变邻域搜索算法基于改进的VNS框架实现,采用该变邻域搜索算法所设计的目标模型可以用于表征规划方案和规划特征的对应关系。其中,一个规划方案对应于目标模型的一个解,规划特征对应于该目标模型中用于判断解的优劣的目标函数值,目标规划方案则为目标模型最终获得的全局最优解。可以理解的是,由于该算法为近似算法,因此所获得的目标规划方案仅是多个可行的规划方案中的一个相对最佳的方案。
3)、邻域:一般定义为由给定转化规则对给定的问题域上每结点进行转化所得到的问题域上结点的集合。通俗一点:邻域就是指对当前解进行一个操作(可以称之为邻域动作)得到的所有解的集合。不同邻域的本质区别就在于邻域动作的不同。邻域动作是一个函数,通过这个函数,对当前解,产生其相应的邻居解集合。
4)、多个,是指两个或两个以上。
5)、至少一个,是指一个或多个。
6)、“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
另外,需要理解的是,在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
下面将结合附图对本申请实施例提供的物流网络规划方法作详细介绍。
图1为本申请实施例的物流网络规划方法的流程示意图。其中,该方法可以由计算装置实现,该计算装置可以为终端装置或服务器,本申请对此不做限定。参阅图1,该方法包括以下步骤:
S1:计算装置获取物流节点配置信息和邻域配置信息。
本申请实施例中,所述物流节点配置信息可以包含待规划的物流网络的多个备选物流节点的配置数据。
在一种实现方式中,计算装置可以首先确定待规划的物流网络的物流节点所在的目标区域,然后基于该目标区域的相关信息获取该物流节点配置信息。其中,该目标区域可以是根据至少一种粒度划分得到的区域。示例的,该目标区域可以是全球区域;也可以是以洲划分的区域,例如亚洲、美洲、亚太地区等;可以是国家区域;也可以一个国家中的一个或若干个省/市,例如中国北京市、中国东北三省等,本申请对此不做限定。
针对该目标区域,则计算装置可以在该目标区域中进行备选物流节点的选址,以便获得物流节点配置信息。示例的,计算装置可以获取目标区域的备选信息,然后,采用设定的聚类算法,对该目标区域的备选信息进行聚类,得到至少一个聚类簇(简称为簇)。任一个簇可以对应一个备选物流节点,例如以每个簇的中心作为一个备选物流节点,即得到多个备选物流节点。进而,根据所述至少一个聚类簇,获取所述物流节点配置数据和所述邻域配置信息。
需要说明的是,本申请实施例中,目标区域的备选信息可以包括通过对目标区域的调查分析,根据地质、市场、交通、环境等因素确定一些可能设置为物流节点的备选地址信息。在实际应用中,由于目标区域中可以包含港口、仓库(包括已有仓库/候选仓库)、站点(也可以称为收货点)等,而大量的物流活动的发生与站点息息相关,因此考虑到投资成本、配送时延等规划特征,计算装置例如可以以目标区域的站点信息作为该备选信息,通过对目标区域的站点信息进行聚类,以确定多个备选物流节点。应理解,对目标区域的站点信息进行聚类确定备选物流节点仅是本申请技术方案的一种实现方案而非限定,根据实际应用场景以及业务需求等,计算装置也可以选择以其它信息作为目标区域的选址信息来进行聚类以便获得物流节点配置信息,本申请对此不做限定。
如图2所示,以矩形10示意性表示目标区域,通过对目标区域10的站点信息进行聚类,可以得到M个簇20,M为大于1的整数,即可以M个簇20的中心作为相应得到M个备选物流节点。之后,则可以根据该M个备选物流节点,获得物流节点配置信息和所述邻域配置信息。该物流节点配置信息可以包括用于获得物流网络规划方案所需的任何信息。示例的,该物流节点配置信息可以包括多个备选物流节点的配置数据,例如任一个备选物流节点的地理位置信息、备选节点类型、是否为已部署物流节点、是否为保留物流节点等,本申请对此不做限定。由此,计算装置通过对目标区域的站点信息的聚类,可以知悉该目标区域内的哪些站点及其周围区域中适于设立物流节点,获得多个备选物流节点的配置数据。
本申请实施例中,所述领域配置信息可以包含多个邻域的配置数据。其中,邻域是指对目标模型的当前解进行一个操作(可以称之为邻域动作)得到的所有解的集合。计算装置根据所要采用的变邻域搜索算法,可以根据该物流节点配置信息和/或经验进行配置,得到该领域配置信息。该领域配置信息可以用于在后续采用相应的变邻域搜索算法对目标模型进行计算,获得多个邻域分别对应的可行的备选规划方案,直至获得目标规划方案。
示例的,该邻域配置信息可以包括初始邻域长度以及邻域长度变化规则,其中,邻域长度也可以称为邻域的搜索步长,邻域长度变化规则也可以称为邻域结构变化规则。计算装置可以定义M个邻域,第m个邻域的邻域结构记为Nm,m=1,2,3......M,N、M为整数;以Km表示邻域Nm的邻域长度,Km为大于等于1的整数,N1的邻域长度(即初始邻域长度)K1可以默认配置为1。邻域长度变化规则可以表示为如下表达式(1):
Km+1=Km%Kmax+K1 (1)
其中,Km表示邻域Nm的邻域长度;Km+1表示邻域Nm+1(即邻域Nm的下一邻域)的邻域长度;Kmax表示最大邻域长度;K1表示初始邻域长度。
通过上述表达式(1),计算装置在后续采用变邻域搜索算法对目标模型进行迭代计算获得目标规划方案的过程中,可以基于任一个邻域的邻域长度Km,在该邻域内进行搜索,获得该邻域对应的局部最优解,也即该邻域对应的最优的备选规划方案。在对本邻域搜索完毕后,根据上述表达式(1)改变邻域结构,获得下一邻域的邻域长度,并跳转至下一邻域进行搜索,由此,则可通过结合邻域长度变化规则进行不同邻域的迭代,直至获得目标规划方案。
需要说明的是,本申请实施例中,计算装置在相同邻域结构内寻找局部最优解时,可以通过多种操作对当前解进行扰动处理,相应地可以存在不同的邻域解,对应于不同的规划方案。本申请的目的是基于改进的VNS框架,通过迭代,在不同的备选规划方案中进行寻找,从而获得目标规划方案。下文中将结合实施例详细描述,在此暂不赘述。
S2:计算装置根据所述物流节点配置信息和设定约束条件,建立目标模型。其中,所述目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含所述多个备选物流节点中的部分或全部备选物流节点,所述规划特征包括:投资成本和/或配送时延。
本申请实施例中,计算装置例如可以以物流网络的投资成本和/或配送时延为优化条件,设计至少一个约束条件,任一个约束条件可以用于表征物流节点和相应的规划特征的对应关系。计算装置根据物流节点配置信息和设定约束条件,则可以建立目标模型,该目标模型则可以基于改进的变邻域搜索算法进行计算,输出目标规划方案,从而可以知悉多个备选物流节点中哪些备选物流节点可以作为目标物流节点用来建立所期望的最优物流网络,以及各目标物流节点在所要建立的物流网络中的节点类型或是其他规划结果信息。
在应用中,约束条件可以包括各种层面设计的约束条件,可以包括但不限于各类成本约束、时效约束、变量关系约束、以及物流节点的节点类型约束、数量约束、服务对象的约束等,以便根据各种约束条件获得较佳的规划方案,以达到所建立的物流网络的投资成本和/或配送时延等优化目标。本申请对这些约束条件的具体实现不做限定。
在一种实现方式中,所有的约束条件可以实现为一个或若干个目标函数。在不同的应用场景中,则可以根据实际的物流节点配置信息以及该目标函数建立目标模型。或者,也可以根据实际的物流节点配置信息对该目标函数的相关参数进行适应性调整后,获得所需的目标模型。
以基于投资成本来设计目标函数为例,该投资成本例如可以包括运输成本、仓储成本以及固定成本等,相应地,所设计的目标函数中则可以包括与各类成本分别对应的子函数,如下表达式(2)所示:
min f=f运输+f仓储+f固定 (2)
其中,min f表示目标函数值,对应目标模型的解;f运输表示运输成本对应的子函数;f仓储表示仓储成本对应的子函数;f固定表示固定成本对应的子函数。其中,计算装置在采用变邻域搜索算法对目标模型进行计算时,min f即表示规划特征的规划特征值,用于获得该min f的相应解则为相应规划方案,对于在计算过程中可能出现的不同的规划方案以及min f,可以通过将获得不同的min f进行比较来确定规划方案是否更优。例如,若minf更小,则获得该min f的相应规划方案更优,相应地,更优的规划方案也更适于被选中作为目标规划方案来建立所期望的物流网络。
可以理解的是,该固定成本例如可以是目标区域中的若干个已部署且待保留的物流节点对应的成本,由于该已部署且待保留的物流节点对应的成本为确定项,故称为固定成本。而尚未部署的备选物流节点对应的成本为非确定项,则不划分至该固定成本中。
S3:根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次局部搜索计算,得到目标规划方案。其中,所述目标规划方案中包括所述多个备选物流节点中的目标物流节点,所述目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。
本申请实施例中的所采用的变邻域搜索算法基于改进的VNS框架,增加了至少一次局部搜索计算过程,并结合物流网络规划的相关规划特征设计扰动算子,避免算法陷入局部最优。
本申请实施例中,计算装置可以对所述目标模型进行初始化计算,获得初始规划方案。计算装置基于该初始规划方案,可以使用不同的邻域结构进行搜索,直至确定目标规划方案。其中,计算装置在针对任一个邻域Nm进行搜索计算的过程中,使用Nm的邻域长度Km在本邻域内进行至少一次局部搜索,如果本邻域内的任一次局部搜索得到的当前解相比于前次局部搜索得到的解得到改善且可接受,则基于最新得到的当前解进行下一次局部搜索以进一步改善解,直至本邻域内的最后一次局部搜索得到本领域内的局部最优解。若解不可接受,再进行下一邻域Nm+1的搜索,直至获得目标解,即目标规划方案。如图3所示,依次使用邻域N1到领域N2,一直到邻域Nm进行搜索,以寻找更优的规划方案。其中,虚线箭头表示邻域解未得到改善而跳转至下一邻域进行搜索,实线箭头表示邻域解得到改善而继续在本领域内进行搜索。
本申请实施例中,计算装置可以设计多种用于实现各种扰动操作的扰动(shaking)算子,同时可以设计各个扰动算子的使用规则。计算装置在采用变邻域搜索算法对目标模型进行计算的过程中,在相同邻域结构内,可以利用至少一种扰动算子实现对目标模型的扰动处理,从而对目标模型计算得到的相应邻域解进行调整与更新,获得更多的邻域解,便于在本邻域内迭代计算,直至寻找到本邻域的局部最优解。在改变邻域结构后,采用相同或相似的方法对目标模型进行扰动处理,获得不同邻域的局部最优解,直至获得全局最优解,即目标规划方案。
示例的,计算装置为备选物流节点设计决策参数,该决策参数为变量,可以用于判断规划方案的优劣。示例的,计算装置可以以属性值作为决策变量,该属性值可以表征备选物流节点的节点类型,该扰动算子例如可以包括第一算子、第二算子和第三算子。其中,第一算子可以用于实现第一扰动操作,该第一扰动操作可以用于减小备选物流节点的属性值。第二算子用于实现第二扰动操作,所述第二扰动操作用于增大备选物流节点的属性值。第三算子可以用于实现第三扰动操作,第三扰动操作可以用于交换两个备选物流节点的属性值。计算装置在采用变邻域搜索算法对目标模型进行计算的过程中,可以依据该算法配置,采用相应的扰动算子(例如随机选择)对目标模型进行扰动处理,实现对基于该目标模型计算得到的相关规划方案的调整与更新,以便获得更多的规划方案,以便从该更多的规划方案中确定目标规划方案,提高该目标模型的精度。
为了便于理解,下面以相同邻域结构内的两次局部搜索为例,结合图4所示的流程图对S3的具体实现步骤进行介绍。
参阅图4所示,计算装置实现的S3具体可以包括以下步骤:
S31:对所述目标模型进行初始化计算,获得初始解以及算法的初始化参数,即初始规划方案。
S32:判断当前解是否达到计算终止条件。若是,则结束计算流程;若否则进入S331。
本申请实施例中,该计算终止条件可以是预先设置的,可以是时间条件,也可以迭代次数条件等,本申请对此不做限定。其中,在相同邻域结构内进行不同次的局部搜索时,或者在跳转至下一邻域时,均需要先返回到S32,以判断当前解是否达到计算终止条件,以避免对目标模型的无穷尽迭代计算。
S33:根据所述领域配置信息,采用变邻域搜索算法,针对多个邻域中的目标邻域执行以下步骤,其中,所述目标邻域遍历所述多个邻域中的每个邻域:
参阅图4所示,S331:根据指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案。其中,指定规划方案可以为计算过程中每次搜索得到的有所改善的解对应的规划方案。示例的,若所述目标邻域为邻域N1,则S331中的指定规划方案为S31获得的初始规划方案,若所述目标邻域为邻域Ni,1<i≤m,则S331中的指定规划方案即为在邻域Ni-1内搜索寻找到的最优解对应的规划方案。
具体的,以领域Nm为目标邻域,该目标邻域Nm的配置数据可以包括邻域长度Km。在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型。S331可以包括以下步骤:
S3311:根据所述目标邻域Nm的邻域长度Km,在所述多个备选物流节点中随机选择Km个第一备选物流节点,Km为大于等于1的整数。
S3312:根据所述初始规划方案,利用所述Km个第一备选物流节点中每个第一备选物流节点的扰动算子对相应第一备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,获得所述目标邻域对应的第一备选规划方案。其中,任一个第一备选物流节点的扰动算子为在第一算子或第二算子中随机选择的,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值。
由此,计算装置通过在目标邻域Nm内随机选择指定数量的备选物流节点,并对其当前属性值随机进行增大或减小,实现对所述目标模型的扰动处理,更新邻域解,以便获得尽可能多的解,从而便于寻找目标邻域的局部最优解。应理解,上述仅是对扰动算子的示例说明而非任何限定,在实际应用中,也可以根据应用场景或业务需求等设计其他功能的扰动算子,来实现对目标模型的扰动处理,本申请对此不做限定。
S332:基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案。其中,在任一次局部搜索计算得到的当前规划方案满足设定的接受条件时,基于本次局部搜索计算得到的当前规划方案作为所述第一备选规划方案针对所述目标邻域迭代进行下一次局部搜索计算,直至获得所述第二备选规划方案;
具体的,S332可以包括以下步骤:
S3321:针对所述至少一次局部搜索计算中的目标局部搜索计算执行以下步骤,其中,所述目标局部搜索计算遍历所述至少一次局部搜索计算中的任一个:
在所述多个备选物流节点中确定多个第二备选物流节点;
根据所述第一备选规划方案,利用所述多个第二备选物流节点中每个第二备选物流节点的扰动算子对相应第二备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,得到所述目标局部搜索计算的当前规划方案。其中,每个第二备选物流节点的扰动算子为第一算子、第二算子、第三算子中的至少一个,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值,所述第三算子用于交换两个备选物流节点的属性值。
若所述目标局部搜索计算的当前规划方案得到改善,即,所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案进行更新,以所述目标局部搜索计算的当前规划方案作为第一备选规划方案。
S3322:判断所述目标局部搜索计算得到的当前规划方案是否满足设定的接受条件。若是,则以基于第一备选规划方案对所述目标模型迭代进行下一次局部搜索计算,否则结束针对所述目标邻域的局部搜索计算流程,并进入S34:根据邻域长度变化规则更新邻域长度,并根据更新后的邻域长度对下一邻域进行搜索,其中,当该更新后的邻域长度超过最大邻域长度时,则返回初始邻域进行搜索。
S3323:在所述第一备选规划方案满足设定的接受条件时,以所述至少一次局部搜索计算中最后一次局部搜索计算得到的当前规划方案作为所述目标邻域对应的第二备选规划方案。
S3324:返回初始邻域N1进行搜索,邻域长度为K1=1。
需要说明的是,本申请实施例中,至少一次局部搜索计算中每次局部搜索计算的具体实现可以有所不同,本申请对此不做限定。参阅图4所示,以包含两次局部搜索的变邻域搜索计算为例,为了便于区分,以S3321-1表示第一次局部搜索计算,以S3322-1表示对第一次局部搜索计算的结果的判断过程,以S3321-2表示第二次局部搜索计算,以S3322-2表示对第二次局部搜索计算的结果的判断过程。在应用中,也可以根据应用场景或业务需求等,设计三次或更多次局部搜索计算为局部搜索计算次数上限,以避免算法陷入局部最优,本申请对此不做限定。相应地,任一次局部搜索算法的具体实现可以包括上述至少一个步骤的任意组合,本申请对此也不做限定。
S32:在达到设定的计算终止条件时,输出目标规划方案,其中,所述目标规划方案为多个邻域的第二备选规划方案中特征值最小的备选规划方案。
由此,通过图4所示的流程图,采用变邻域搜索算法通过对目标模型进行计算,通过至少一次局部搜索计算,可以避免陷入局部最优,最终获得相对较佳的目标规划方案。
为了便于理解,下面以建立二级物流网络为例,对本申请的物流网络规划方法的实现进行解释说明。
具体的,物流节点配置信息可以包括多个备选物流节点的编码规则。如图5所示,例如,针对待建立的二级物流网络,可以使用属性值0、1、2表征物流节点的节点类型,分别表示不建仓、建立一级物流节点、建立二级物流节点。该属性值作为一决策变量,可以用于输入目标模型,从而对目标模型进行计算获得相应的规划方案。其中,可以通过对目标模型进行初始化,获得多个备选物流节点的初始化的属性值,之后在计算过程中,在不同的解对应的规划方案中,备选物流节点的属性值可能发生改变。
应理解,在此仅是示例说明而非任何限定。在实际应用中,若期望建立三级或更多级物流网络,可以采用相同或相似的方法,对多级物流网络中的备选物流节点的编码规则以及决策变量的取值等进行调整,以适配本申请的目标模型,获得多级物流网络的目标规划方案,本申请对此不做限定。或者,当规划其他类型的网络时,或者使用其他的规划特征时,则可以适应性修改决策变量等参数,本申请对此不做限定。
在采用变邻域搜索算法对目标模型进行计算的过程中,具体可以包括以下步骤:
(1)生成目标模型的初始解,也即初始规划方案;
(2)基于初始解寻找目标解,即目标规划方案;
(3)基于目标邻域的邻域长度Km(例如Km=1),对该目标模型进行目标邻域的扰动产生新的邻域解S;
(4)判断是否达到设定的计算终止条件,若不满足计算终止条件,则进行一下步骤(5):
(5)根据邻域解S,利用至少一种扰动算子对所述目标模型进行扰动处理,获得邻域解S’,即目标邻域对应的第一备选规划方案;
例如,该至少一种扰动算子可以包括第一算子或第二算子。
在待建立的二级物流网络中,第一算子又可以称为ToMin算子,用于随机选择一个备选物流节点,将其当前属性值调整为可变换的两种情况中的最小值。例如,当前选中的备选物流节点为一级物流节点,即属性值为1,那么ToMin算子会将其属性值调整为0,也就是不在该处建立一级物流节点。第二算子又可以称为ToMax算子,用于随机选择一个备选物流节点,将其当前属性值调整为可变换的两种情况中的最大值。例如:当前选中的备选物流节点为一级物流节点,即属性值为1,那么ToMax算子会将其属性值调整为2,也就是在该处建立二级物流节点。
在步骤(5)中利用至少一种扰动算子对所述目标模型进行扰动处理时,例如可以包括以下步骤:
(5-1)根据目标邻域的邻域长度Km,随机选择Km个备选物流节点,即第一备选物流节点;
(5-2)对选中的每个第一备选物流节点,随机选择ToMin算子和ToMax算子中的一个对其进行操作;
(5-3)更新当前解S’,即获得第一备选规划方案。
(6)基于S’进行第一次局部搜索得到S”,S”为第一次局部搜索计算结束后获得的当前解。
第一次局部搜索中具体可以包括以下内容:
(6-1)在多个备选物流节点中选择多个第二备选物流节点,按照各个备选物流节点的属性值的字典顺序,利用第三算子(也可称为交换(Exchange)算子)两两交换属性值进行搜索。任一交换操作对应一轮计算流程,会得到相应的当前解,若该当前解有所改善,则更新当前解并进行下一轮迭代;
(6-2)对每个第二备选物流节点进行ToMin操作,任一ToMin操作对应一轮计算流程,会得到相应的当前解,若该当前解有所改善,则更新当前解并进行下一轮迭代;
(6-3)对每个第二备选物流节点进行ToMax操作,任一ToMax操作对应一轮计算流程,会得到相应的当前解,若该当前解有所改善,则更新当前解并进行下一轮迭代;
由此,在第一次局部搜索中通过上述步骤(6-1)、(6-2)、(6-3)进行多轮迭代,以寻找到当前解S”。
(7)如果f(S”)≤f(S),其中S为目标模型的相对全局最优解,且S”满足接受条件,则进行一下步骤(8),否则基于邻域长度变化规则Km+1=Km%Kmax+K1更新邻域长度,并返回(3)。
(8)基于S”进行第二次局部搜索得到S”’;
第二次局部搜索中具体可以包括以下内容:
在多个备选物流节点中选择多个第二备选物流节点,按照各个备选物流节点的当前属性值,利用第三算子,对所有备选物流节点,两两交换属性值进行搜索,其中,任一交换操作对应一轮计算流程,会得到相应的当前解,若该当前解有所改善,则更新当前解并进行下一轮迭代。
由此,在第二次局部搜索中通过多轮迭代寻找到当前解S”’。
(9)如果f(S”’)≤f(S),其中S为目标模型的相对全局最优解,则以S”’作为S,并返回(3)。
由此,通过上述方案,在建立二级物流网络时,基于所采用的变邻域搜索算法中,增加至少一次局部搜索,从而增强算法的局部寻优能力,有助于避免陷入局部最优。应理解,上述方案同样适用于三级或等多级物流网络,以及具有相同或相似结构的其他网络,本申请对此不做限定。
基于相同的技术构思,本申请实施例还提供了一种物流网络规划装置,如图6所示,该物流网络规划装置600可以包括:信息获取单元610、建模单元620和计算单元630。
其中,信息获取单元610,用于获取物流节点配置信息和邻域配置信息;其中,所述物流节点配置信息包含待规划的物流网络的多个备选物流节点的配置数据,所述领域配置信息包含多个邻域的配置数据;
建模单元620,用于根据所述物流节点配置信息和设定约束条件,建立目标模型;其中,所述目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含所述多个备选物流节点中的部分或全部备选物流节点,所述规划特征包括:投资成本和/或配送时延;
计算单元630,用于根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次局部搜索计算,得到目标规划方案;其中,所述目标规划方案中包括所述多个备选物流节点中的目标物流节点,所述目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。
在一种可能的设计中,所述信息获取单元610用于:获取目标区域的备选信息;采用设定聚类算法对所述目标区域的备选信息进行聚类,得到至少一个聚类簇,任一个聚类簇对应一个备选物流节点;根据所述至少一个聚类簇,获取所述物流节点配置信息和所述邻域配置信息。示例的,该备选信息可以为目标区域的站点信息。
在一种可能的设计中,所述计算单元630用于:根据所述领域配置信息,对所述目标模型进行计算,获得初始规划方案;采用变邻域搜索算法,针对多个邻域中的目标邻域执行以下步骤,其中,所述目标邻域遍历所述多个邻域中的每个邻域:根据所述初始规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案;基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案;其中,在任一次局部搜索计算得到的当前规划方案满足设定的接受条件时,基于本次局部搜索计算得到的当前规划方案作为所述第一备选规划方案针对所述目标邻域迭代进行下一次局部搜索计算,直至获得所述第二备选规划方案;在达到设定的计算终止条件时,输出目标规划方案,其中,所述目标规划方案为多个邻域的第二备选规划方案中特征值最小的备选规划方案。
在一种可能的设计中,所述目标邻域的配置数据包括邻域长度;在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;所述计算单元用于:根据所述目标邻域的邻域长度Km,在所述多个备选物流节点中随机选择Km个第一备选物流节点,其中,m表示邻域的个数,m、Km为大于等于1的整数;根据所述初始规划方案,利用所述Km个第一备选物流节点中每个第一备选物流节点的扰动算子对相应第一备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,获得所述目标邻域对应的第一备选规划方案;其中,任一个第一备选物流节点的扰动算子为在第一算子或第二算子中随机选择的,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值。
在一种可能的设计中,在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;所述计算单元基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案,包括:针对所述至少一次局部搜索计算中的目标局部搜索计算执行以下步骤,其中,所述目标局部搜索计算遍历所述至少一次局部搜索计算中的任一个:在所述多个备选物流节点中确定多个第二备选物流节点;根据所述第一备选规划方案,利用所述多个第二备选物流节点中每个第二备选物流节点的扰动算子对相应第二备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,得到所述目标局部搜索计算的当前规划方案;其中,每个第二备选物流节点的扰动算子为第一算子、第二算子、第三算子中的至少一个,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值,所述第三算子用于交换两个备选物流节点的属性值;其中,若所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案作为第一备选规划方案,直至结束所述目标局部搜索计算流程;在所述第一备选规划方案满足设定的接受条件时,以所述至少一次局部搜索计算中最后一次局部搜索计算得到的当前规划方案作为所述目标邻域对应的第二备选规划方案。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种物流网络规划方法,其特征在于,方法包括:
获取物流节点配置信息和邻域配置信息;其中,所述物流节点配置信息包含待规划的物流网络的多个备选物流节点的配置数据,所述领域配置信息包含多个邻域的配置数据;
根据所述物流节点配置信息和设定约束条件,建立目标模型;其中,所述目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含所述多个备选物流节点中的部分或全部备选物流节点,所述规划特征包括:投资成本和/或配送时延;
根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次局部搜索计算,得到目标规划方案;其中,所述目标规划方案中包括所述多个备选物流节点中的目标物流节点,所述目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。
2.根据权利要求1所述的方法,其特征在于,获取所述物流节点配置信息和所述邻域配置信息,包括:
获取目标区域的备选信息;
采用设定聚类算法对所述目标区域的备选信息进行聚类,得到至少一个聚类簇,任一个聚类簇对应一个备选物流节点;
根据所述至少一个聚类簇,获取所述物流节点配置信息和所述邻域配置信息。
3.根据权利要求1或2所述的方法,其特征在于,根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次变邻域局部搜索计算得到目标规划方案,包括:
获取指定规划方案;
根据所述领域配置信息,采用变邻域搜索算法,针对多个邻域中的目标邻域执行以下步骤:
根据所述指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案;
基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案;其中,在任一次局部搜索计算得到的当前规划方案满足设定的接受条件时,基于本次局部搜索计算得到的当前规划方案作为所述第一备选规划方案针对所述目标邻域迭代进行下一次局部搜索计算,直至获得所述第二备选规划方案;
在达到设定的计算终止条件时,输出目标规划方案,其中,所述目标规划方案为多个邻域的第二备选规划方案中特征值最小的备选规划方案。
4.根据权利要求3所述的方法,其特征在于,所述目标邻域的配置数据包括邻域长度;在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;
根据所述指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案,包括:
根据所述目标邻域的邻域长度Km,在所述多个备选物流节点中随机选择Km个第一备选物流节点,其中,m表示邻域的个数,m、Km为大于等于1的整数;
根据所述指定规划方案,利用所述Km个第一备选物流节点中每个第一备选物流节点的扰动算子对相应第一备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,获得所述目标邻域对应的第一备选规划方案;其中,任一个第一备选物流节点的扰动算子为在第一算子或第二算子中随机选择的,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值。
5.根据权利要求3或4所述的方法,其特征在于,在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案,包括:
针对所述至少一次局部搜索计算中的目标局部搜索计算执行以下步骤,其中,所述目标局部搜索计算遍历所述至少一次局部搜索计算中的任一个:
在所述多个备选物流节点中确定多个第二备选物流节点;
根据所述第一备选规划方案,利用所述多个第二备选物流节点中每个第二备选物流节点的扰动算子对相应第二备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,得到所述目标局部搜索计算的当前规划方案;其中,每个第二备选物流节点的扰动算子为第一算子、第二算子、第三算子中的至少一个,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值,所述第三算子用于交换两个备选物流节点的属性值;
其中,若所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案作为第一备选规划方案,直至结束所述目标局部搜索计算流程;
在所述第一备选规划方案满足设定的接受条件时,以所述至少一次局部搜索计算中最后一次局部搜索计算得到的当前规划方案作为所述目标邻域对应的第二备选规划方案。
6.一种物流网络规划装置,其特征在于,包括:
信息获取单元,用于获取物流节点配置信息和邻域配置信息;其中,所述物流节点配置信息包含待规划的物流网络的多个备选物流节点的配置数据,所述领域配置信息包含多个邻域的配置数据;
建模单元,用于根据所述物流节点配置信息和设定约束条件,建立目标模型;其中,所述目标模型用于表征规划方案和规划特征的对应关系,其中,任一个规划方案中包含所述多个备选物流节点中的部分或全部备选物流节点,所述规划特征包括:投资成本和/或配送时延;
计算单元,用于根据所述领域配置信息,采用变邻域搜索算法对所述目标模型进行至少一次变邻域局部搜索计算,得到目标规划方案;其中,所述目标规划方案中包括所述多个备选物流节点中的目标物流节点,所述目标规划方案对应的目标规划特征中的目标投资成本低于成本阈值,和/或,目标配送时延低于时延阈值。
7.根据权利要求6所述的装置,其特征在于,所述信息获取单元用于:
获取目标区域的备选信息;
采用设定聚类算法对所述目标区域的备选信息进行聚类,得到至少一个聚类簇,任一个聚类簇对应一个备选物流节点;
根据所述至少一个聚类簇,获取所述物流节点配置信息和所述邻域配置信息。
8.根据权利要求6或7所述的装置,其特征在于,所述计算单元用于:
获取指定规划方案;
根据所述领域配置信息,采用变邻域搜索算法,针对多个邻域中的目标邻域执行以下步骤:
根据所述指定规划方案和所述目标邻域的配置数据,利用至少一种扰动算子对所述目标模型进行扰动处理,获得所述目标邻域对应的第一备选规划方案;
基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案;其中,在任一次局部搜索计算得到的当前规划方案满足设定的接受条件时,基于本次局部搜索计算得到的当前规划方案作为所述第一备选规划方案针对所述目标邻域迭代进行下一次局部搜索计算,直至获得所述第二备选规划方案;
在达到设定的计算终止条件时,输出目标规划方案,其中,所述目标规划方案为多个邻域的第二备选规划方案中特征值最小的备选规划方案。
9.根据权利要求8所述的装置,其特征在于,所述目标邻域的配置数据包括邻域长度;在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;所述计算单元用于:
根据所述目标邻域的邻域长度Km,在所述多个备选物流节点中随机选择Km个第一备选物流节点,其中,m表示邻域的个数,m、Km为大于等于1的整数;
根据所述指定规划方案,利用所述Km个第一备选物流节点中每个第一备选物流节点的扰动算子对相应第一备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,获得所述目标邻域对应的第一备选规划方案;其中,任一个第一备选物流节点的扰动算子为在第一算子或第二算子中随机选择的,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值。
10.根据权利要求8或9所述的装置,其特征在于,在对所述目标模型进行计算时,任一备选物流节点具有属性值,所述属性值用于表征所述备选物流节点在相应规划方案中的节点类型;所述计算单元基于所述第一备选规划方案,对所述目标模型迭代进行至少一次局部搜索计算,得到所述目标邻域对应的第二备选规划方案,包括:
针对所述至少一次局部搜索计算中的目标局部搜索计算执行以下步骤,其中,所述目标局部搜索计算遍历所述至少一次局部搜索计算中的任一个:
在所述多个备选物流节点中确定多个第二备选物流节点;
根据所述第一备选规划方案,利用所述多个第二备选物流节点中每个第二备选物流节点的扰动算子对相应第二备选物流节点的属性值进行扰动处理后,对所述目标模型进行计算,得到所述目标局部搜索计算的当前规划方案;其中,每个第二备选物流节点的扰动算子为第一算子、第二算子、第三算子中的至少一个,所述第一算子用于减小备选物流节点的属性值,所述第二算子用于增大备选物流节点的属性值,所述第三算子用于交换两个备选物流节点的属性值;
其中,若所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案作为第一备选规划方案,其中,若所述目标局部搜索计算的当前规划方案对应的规划特征值小于所述第一备选规划方案对应的规划特征值,则以所述目标局部搜索计算的当前规划方案作为第一备选规划方案,直至结束所述目标局部搜索计算流程;
在所述第一备选规划方案满足设定的接受条件时,以所述至少一次局部搜索计算中最后一次局部搜索计算得到的当前规划方案作为所述目标邻域对应的第二备选规划方案。
11.一种计算机可读存储介质,其特征在于,包括程序或指令,当所述程序或指令被执行时,如权利要求1至5中任意一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131653.3A CN112966893A (zh) | 2021-01-30 | 2021-01-30 | 一种物流网络规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131653.3A CN112966893A (zh) | 2021-01-30 | 2021-01-30 | 一种物流网络规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966893A true CN112966893A (zh) | 2021-06-15 |
Family
ID=76273513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110131653.3A Pending CN112966893A (zh) | 2021-01-30 | 2021-01-30 | 一种物流网络规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966893A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271354A (zh) * | 2022-06-24 | 2022-11-01 | 湖南湘邮科技股份有限公司 | 一种基于投递单元的业务电子围栏动态规划方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109919369A (zh) * | 2019-02-26 | 2019-06-21 | 浙江财经大学 | 一种电池交换站选址和电动汽车路径规划方法 |
-
2021
- 2021-01-30 CN CN202110131653.3A patent/CN112966893A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109919369A (zh) * | 2019-02-26 | 2019-06-21 | 浙江财经大学 | 一种电池交换站选址和电动汽车路径规划方法 |
Non-Patent Citations (1)
Title |
---|
李引凡: "基于变步长邻域搜索的天线调谐器调谐算法", 《2011年全国天线年会论文集(下册)》, 18 October 2011 (2011-10-18), pages 1389 - 1392 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115271354A (zh) * | 2022-06-24 | 2022-11-01 | 湖南湘邮科技股份有限公司 | 一种基于投递单元的业务电子围栏动态规划方法及系统 |
CN115271354B (zh) * | 2022-06-24 | 2023-08-25 | 湖南湘邮科技股份有限公司 | 一种基于投递单元的业务电子围栏动态规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Cost-effective app data distribution in edge computing | |
Yao et al. | Parallel hyper-heuristic algorithm for multi-objective route planning in a smart city | |
CN104995870A (zh) | 多目标服务器布局确定 | |
CN108737569B (zh) | 一种面向移动边缘计算环境的服务选择方法 | |
CN105550746A (zh) | 机器学习模型的训练方法和训练装置 | |
CN110084865B (zh) | 一种离散点分级加权拟合规则格网的方法 | |
WO2020207197A1 (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN102749084A (zh) | 一种面向海量交通信息的路径选择方法 | |
CN113422801B (zh) | 边缘网络节点内容分配方法、系统、装置及计算机设备 | |
CN115114531B (zh) | 基于电商行为大数据的信息推送方法及人工智能预测系统 | |
Ribeiro et al. | Efficient heuristics for the workover rig routing problem with a heterogeneous fleet and a finite horizon | |
CN103914877A (zh) | 一种基于扩展合并的三维模型多细节层次结构 | |
Blecic et al. | Towards a design support system for urban walkability | |
CN112966893A (zh) | 一种物流网络规划方法及装置 | |
CN112436971A (zh) | 基于蒙特卡洛树搜索的全域指控网络协作拓扑生成方法 | |
CN111861018A (zh) | 一种基于路由信息协议的仓库拣选路径优化方法、存储介质及设备 | |
CN116989819B (zh) | 一种基于模型解的路径确定方法及装置 | |
CN112507047B (zh) | 一种基于兴趣点偏好的最优有序路径查询方法 | |
CN113108806B (zh) | 路径规划方法、装置、设备及介质 | |
CN117516562A (zh) | 一种路网处理方法和相关装置 | |
CN117146796A (zh) | 一种数据处理方法、装置、设备以及计算机可读存储介质 | |
CN116151381B (zh) | 量子电路处理方法、装置及电子设备 | |
CN112559891A (zh) | 路线推荐方法、装置、电子设备和存储介质 | |
CN112232605B (zh) | 派送资源的处理方法、装置、设备及计算机可读存储介质 | |
Despaux et al. | Multi-trip vehicle routing problem with time windows and heterogeneous fleet |
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 |