CN113112107A - 中转场规划方法、装置、服务器及存储介质 - Google Patents

中转场规划方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN113112107A
CN113112107A CN202010032820.4A CN202010032820A CN113112107A CN 113112107 A CN113112107 A CN 113112107A CN 202010032820 A CN202010032820 A CN 202010032820A CN 113112107 A CN113112107 A CN 113112107A
Authority
CN
China
Prior art keywords
sorting
planning
loading
unloading
express
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
Application number
CN202010032820.4A
Other languages
English (en)
Inventor
朱杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen SF Taisen Holding Group Co Ltd
Original Assignee
Shenzhen SF Taisen Holding Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen SF Taisen Holding Group Co Ltd filed Critical Shenzhen SF Taisen Holding Group Co Ltd
Priority to CN202010032820.4A priority Critical patent/CN113112107A/zh
Publication of CN113112107A publication Critical patent/CN113112107A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种中转场规划方法、装置、服务器及存储介质。该中转场规划方法包括：获取目标中转场的物流中转数据；根据物流中转数据，确定目标中转场的订单快件；根据订单快件，利用预先构建的多智能体模型对订单快件分别进行规划，得到装卸货计划和分拣计划；对装卸货计划和分拣计划进行协同管理，输出目标中转场的全局规划数据。在现有中转场的建模分析基于静态数据和确定性假设的基础上，本申请采用多智能体建模法，利用多智能体模型得到目标中转场的全局规划数据，能够综合分析中转场体系效能，不需要实装试验，或是占用大量人力和时间对相关数据进行处理和维护，提高了中转场规划的效率和精准度，中转场的规划方案更加贴近实际应用场景。

Description

中转场规划方法、装置、服务器及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种中转场规划方法、装置、服务器及存储介质。
背景技术
中转场也称中转站或中转点，是网络中的集散节点，基本功能是对快件进行集散和转运。从网络角度看，中转场也是一个网络节点。中转点是进行快件分拣集散的重要节点，其运作模式的主要特点在于它不是从事具体商品生产的组织单位，主要是将从其他网点汇集来的快件进行集中、交换和转运，实现快件在全网中从分散到集中再到分散的流动。实际运作中是将与中转点相连的其他网点的快件在某一时段统一集中到中转点，然后进行交换。
中转场一般都具有不同程度的机械化、自动化处理能力，以提高效率，降低成本。散布在快递网络中的最小的中转点也称为分部、点部或者营业所等，负责的是当地快件的集散，进行快件的分拣并分发到相对应的上级中转点，对进口的快件进行分拣并分发到取送点，再通过派件员派送到客户手里。大型的中转点也称为中转中心(或分拨场)，主要负责一个片区或全网快件集散处理。中转中心将下属各中转点的快件集中后再统一处理，通过汽车或飞机等运输方式发往其他中转中心，或者发送至下属相应的中转点。而其他的中转点则介于最大型中转场和最小中转点之间，各自覆盖相应的区域，构成整个快递网络中的节点。相对于取送点，中转点的数量要少得多。
中转场作为物流系统中一个大规模复杂性节点,其组成要素多,交互关系复杂，管理者要面对多种要素共同影响下的复杂情况，采用基于静态数据的分析方法难以对实际情况进行客观分析，无法有效规划场地设备及人员等资源。
例如，当前顺丰中转场的能力评估与规划主要采用静态数据作为分析基础(如平均件量、平均设备能力)，以确定性的假设方式简化和抽象系统各环节的行为活动。然而中转系统中的每一个环节都是动态变化的(如快件类型、到件节拍、人员配给、排队长度)，且具有随机性。现有技术无法真实准确地反映中转场的体系效能，需要占用大量人力和大量时间对相关数据进行处理、分析和维护，效率低下。
发明内容
本发明实施例提供一种中转场规划方法、装置、服务器及存储介质，能够综合分析中转场体系效能，发现真实生产环境中的问题和改善空间，不需要占用大量人力和大量时间对相关数据进行处理和维护，提高了中转场规划的效率，中转场的规划方案更加贴近实际应用场景。
一方面，本申请提供一种中转场规划，所述中转场规划方法包括：
获取目标中转场的物流中转数据；
根据所述物流中转数据，确定所述目标中转场的订单快件；
根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
在本申请一些实施例中，所述多智能体模型中包括多个物流智能体，所述多个物流智能体包括装卸作业智能体和分拣区作业智能体，所述根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划，包括：
将所述订单快件的信息分别输入到所述分拣区作业智能体和所述装卸作业智能体；
利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划和分拣效能；
利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划和装卸效能。
在本申请一些实施例中，所述分拣区作业智能体包括大件分拣区管理智能体和小件分拣区管理智能体，所述利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划及分拣效能，包括：
确定所述订单快件中大件快件和小件快件；
利用所述大件分拣区管理智能体，对所述大件快件进行大件分拣规划，得到大件分拣计划及大件分拣效能；
利用所述小件分拣区管理智能体，对所述小件快件进行小件分拣规划，得到小件分拣计划及小件分拣效能；
其中，所述分拣计划包括所述大件分拣计划和所述小件分拣计划，所述分拣效能包括大件分拣效能及小件分拣效能。
在本申请一些实施例中，所述确定所述订单快件中大件快件和小件快件，包括：
将所述订单快件中超过预设体积，或者超过预设重量的快件，确定为大件快件；
将所述订单快件中非大件快件的快件，作为小件快件。
在本申请一些实施例中，所述装卸作业智能体包括卸货区管理智能体和发运区管理智能体，所述利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划及装卸货效能，包括：
获取所述订单快件中的装车快件和卸货快件；
利用所述卸货区管理智能体，对所述卸货快件进行卸货规划，得到卸货计划及卸货效能；
利用所述发运区管理智能体，对所述装车快件进行装货规划，得到装货计划及装货效能；
其中，所述装卸货计划包括所述卸货计划和所述装货计划，所述装卸货效能包括卸货效能和装货效能。
在本申请一些实施例中，所述多个物流智能体还包括全局规划智能体和排队管理智能体；所述对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据，包括：
通过所述分拣区作业智能体将所述分拣计划和分拣效能输出到所述排队管理智能体；
通过所述装卸作业智能体，将所述装卸货计划和装卸效能输出到所述排队管理智能体；
利用所述排队管理智能体，根据所述分拣计划、分拣效能、装卸货计划和装卸效能，对所述目标中转场各个作业区域的快件积压和排队情况进行统计，得到快件中转时效统计结果；
利用所述全局规划智能体，对所述装卸作业智能体、分拣区作业智能体和排队管理智能体进行协同管理，输出所述目标中转场的全局规划数据；
其中，所述全局规划数据中包括装卸货计划及装卸货效能，分拣计划及分拣效能，快件中转时效统计结果。
在本申请一些实施例中，所述获取目标中转场的物流中转数据，包括：
从外部数据源获取所述目标中转场的预设时间段内的历史物流数据，得到所述物流中转数据。
在本申请一些实施例中，所述多个物流智能体包括需求管理智能体，所述获取目标中转场的物流中转数据，包括：
根据所述物流中转数据，利用所述需求管理智能体制定所述目标中转场的需求计划，生成物流中转数据，所述物流中转数据中包括所述目标中转场的订单快件信息。
另一方面，本申请提供一种中转场规划装置，所述中转场规划装置包括：
获取单元，用于获取目标中转场的物流中转数据；
确定单元，用于根据所述物流中转数据，确定所述目标中转场的订单快件；
规划单元，用于根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
管理单元，用于对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
在本申请一些实施例中，所述多智能体模型中包括多个物流智能体，所述多个物流智能体包括装卸作业智能体和分拣区作业智能体，所述规划单元具体用于：
将所述订单快件的信息分别输入到所述分拣区作业智能体和所述装卸作业智能体；
利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划和分拣效能；
利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划和装卸效能。
在本申请一些实施例中，所述分拣区作业智能体包括大件分拣区管理智能体和小件分拣区管理智能体，所述规划单元具体用于：
确定所述订单快件中大件快件和小件快件；
利用所述大件分拣区管理智能体，对所述大件快件进行大件分拣规划，得到大件分拣计划及大件分拣效能；
利用所述小件分拣区管理智能体，对所述小件快件进行小件分拣规划，得到小件分拣计划及小件分拣效能；
其中，所述分拣计划包括所述大件分拣计划和所述小件分拣计划，所述分拣效能包括大件分拣效能及小件分拣效能。
在本申请一些实施例中，所述规划单元具体用于：
将所述订单快件中超过预设体积，或者超过预设重量的快件，确定为大件快件；
将所述订单快件中非大件快件的快件，作为小件快件。
在本申请一些实施例中，所述装卸作业智能体包括卸货区管理智能体和发运区管理智能体，所述规划单元具体用于：
获取所述订单快件中的装车快件和卸货快件；
利用所述卸货区管理智能体，对所述卸货快件进行卸货规划，得到卸货计划及卸货效能；
利用所述发运区管理智能体，对所述装车快件进行装货规划，得到装货计划及装货效能；
其中，所述装卸货计划包括所述卸货计划和所述装货计划，所述装卸货效能包括卸货效能和装货效能。
在本申请一些实施例中，所述多个物流智能体还包括全局规划智能体和排队管理智能体；所述管理单元具体用于：
通过所述分拣区作业智能体将所述分拣计划和分拣效能输出到所述排队管理智能体；
通过所述装卸作业智能体，将所述装卸货计划和装卸效能输出到所述排队管理智能体；
利用所述排队管理智能体，根据所述分拣计划、分拣效能、装卸货计划和装卸效能，所述管理单元具体用于：
利用所述全局规划智能体，对所述装卸作业智能体、分拣区作业智能体和排队管理智能体进行协同管理，输出所述目标中转场的全局规划数据；
其中，所述全局规划数据中包括装卸货计划及装卸货效能，分拣计划及分拣效能，快件中转时效统计结果。
在本申请一些实施例中，所述获取单元具体用于：
从外部数据源获取所述目标中转场的预设时间段内的历史物流数据，得到所述物流中转数据。
在本申请一些实施例中，所述获取单元具体用于：
根据所述物流中转数据，利用所述需求管理智能体制定所述目标中转场的需求计划，生成物流中转数据，所述物流中转数据中包括所述目标中转场的订单快件信息。
另一方面，本申请还提供一种服务器，所述服务器包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的中转场规划方法。
另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的中转场规划方法中的步骤。
本申请实施例通过获取目标中转场的物流中转数据；根据所述物流中转数据，确定所述目标中转场的订单快件；根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。在现有技术中中转场的建模分析大都基于静态数据、静态参数模型和确定性假设，无法有效捕捉系统的动态演化，无法实现真实且准确地中转系统的体系效能评估与规划的基础上，本申请采用多智能体建模法，利用多智能体模型对所述目标中转场进行精确描述与全局规划，得到目标中转场的全局规划数据，能够综合分析中转场体系效能，发现真实生产环境中的问题和改善空间，不需要透过高耗时、高成本、高风险的实装试验，或是占用大量人力和时间对相关数据进行处理和维护，提高了中转场规划的效率和精准度，中转场的规划方案更加贴近实际应用场景。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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是本发明实施例中提供的中转场规划系统的场景示意图；
图2是本发明实施例中提供的中转场规划方法的一个实施例流程示意图；
图3是本发明实施例中中转场多智能体模型创建的一个实施例示意图；
图4是本发明实施例中步骤203的一个实施例流程示意图；
图5是本发明实施例中步骤204的一个实施例流程示意图；
图6是本发明实施例中中转场规划系统的一个具体实施例结构示意图；
图7是本发明实施例中整个中转场规划系统的应用架构示意图；
图8是本发明实施例中中转场规划装置的一个实施例结构示意图；
图9是本发明实施例中服务器的一个是实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
针对现有中转场规划建模的问题，由于中转场组成要素规模鸿大、结构复杂,要素之间的行为及交互繁多,存在大量的智能决策需求,体系效能难以通过传统数学规划模型完全用数学公式计算得出。其次，中转场体系内各个要素间在微观层次的复杂行为与交互关系特别复杂，对于系统层面的行为影响涌现性比较明显。对于这类复杂系统的建模,通过传统自顶而下的建模方式(如基于离散事件的仿真方法)很难对目标系统进行准确模拟。因此,根据中转场体系的这些特点,本发明实施例中将引入一种新型的仿真建模技术：多智能体(Agent)技术，运用在中转场的建模与仿真，为此类中转场复杂系统的分析和仿真提供全新、高效的技术解决方案，下面将对多智能体建模法的技术特点与优势进行说明。
目前，对中转场建模规划通常主要采用两种主要的仿真技术：系统动力学模拟法与离散事件模拟法。
(1)系统动力学模拟法的技术特点
将中转场系统抽象为流量与库存的组合进行模拟；不对中转场中的单一个体(快件、机器、人)进行具体建模。相反，它们在中转场中统一表示为一个集合数量；中转场系统的演变行为由多个库存间的变化关系决定，库存间的流动由流量来控制，一系列的因素影响流量的速度
(2)离散事件模拟法的技术特点：
将中转场模拟为一系列活动和排队组成的网络；中转场中的单个物体或人被称作实体(entity)，并赋予属性；模型的运行按照时间顺序排列的事件列表；所有描述系统结构的元素(如事件，活动和流程)由建模者事先定义。
系统动力学是一种非常抽象的建模方法，无法对中转场系统中的个体进行差异化建模，个体间属性差异无法体现(如分拣系统中各分拣设备的工作时间和任务分配差异)。系统动力学建模，必然包含如下基于静态参数的强假设：我们有120名研发人员，每年可以设计约20种新产品，每月的发货量是额定的，每年有5％的车辆需要更换。真实场景中以上参数都会随时间而变化。
离散事件只适合强调过程驱动的系统(如工厂、火车站、商店购物等具有排队性质的系统)，且是一种自上而下的建模方式，建模者需要事先定义和描述系统中的各项活动和流程，模型只能按照定好的有限规则进行模拟，而现实世界中有很多事件和行为是在经过大量微观交互后自主演化出来的，是建模者无法事先定义，导致模型无法真实反映现实情况。
上述传统仿真技术都比基于表格的建模方法更加强大，它们能够捕捉到系统的动态和非线性，但是却忽视了中转场中个体存在的独特性及其相互间的交互情况。例如，客户在进行购买决策前会咨询家庭成员，单个飞机的可用性取决于机组的刚性维护计划。
基于此，本发明实施例中一种中转场规划方法、装置、服务器及存储介质，利用多个智能体实现中转场规划，由于多智能体建模法则没有上述现有技术各方面的限制，它关注个体的行为及其之间的相互关系。因此，基于多个智能体的模型实际上是一组自然反映现实世界中各种关系的交互对象。这使得基于多个智能体的建模方式在理解及管理当今商业和社会系统的复杂性方面更具优越性。
智能体，顾名思义:就是具有智能的实体，英文名是Agent。智能体是人工智能领域中一个很重要的概念。任何独立的能够思想并可以同环境交互的实体都可以抽象为智能体。Agent是一个英文单词，Agent指能自主活动的软件或者硬件实体。在人工智能领域，中国科学界把其译为中文"智能体"。曾被译为"代理"、"代理者"、"智能主体"等，中国科学界已经趋向于把之翻译为智能体。
智能体具有下列基本特性:
(1)自治性(Autonomy):智能体能根据外界环境的变化，而自动地对自己的行为和状态进行调整，而不是仅仅被动地接受外界的刺激，具有自我管理自我调节的能力。
(2)反应性(Reactive):能对外界的刺激作出反应的能力。
(3)主动性(Proactive):对于外界环境的改变，智能体能主动采取活动的能力。
(4)社会性(Social):智能体具有与其它智能体或人进行合作的能力，不同的智能体可根据各自的意图与其它智能体进行交互，以达到解决问题的目的。
(5)进化性:智能体能积累或学习经验和知识，并修改自己的行为以适应新环境。
多智能体系统是多个智能体组成的集合，它的目标是将大而复杂的系统建设成小的、彼此互相通信和协调的，易于管理的系统。它的研究涉及智能体的知识、目标、技能、规划以及如何使智能体采取协调行动解决问题等。研究者主要研究智能体之间的交互通信、协调合作、冲突消解等方面，强调多个智能体之间的紧密群体合作，而非个体能力的自治和发挥，主要说明如何分析、设计和集成多个智能体构成相互协作的系统。
智能体(Agent)是属于人工智能领域的技术,是指驻留在动态环境下能持续、自主的发挥作用,具备主动性、反应性、自治性、社会性四大特征的计算实体。基于多智能体的建模仿真技术在模拟中转场系统时相较上述传统技术,智能体(Agent)应用在本发明实施例中转场规划方法主要有以下几种优势：
Agent的自主决策与协作能力:中转场是一个动态的、复杂的环境,对仿真模型搭建的要求也越来越高,由于Agent具有自主学习、智能决策、信息交互能力等特点,Agent可以作为对系统核心要素的建模对象(如快件、设备、、工人)，可以和中转场发生直接的交互以及捕捉和学习环境的变化,从而可以在运行仿真时获取更多有关反映中转场微观变化的信息,以便更精确更高效地模拟出中转场作业体系；并且Agent之间可以互相协调,相互合作,在建模过程中能有效地对复杂中转场进行分解和分布式建模与控制，降低整体建模难度。
Agent的主动性与运行时主动完成目标的能力:在瞬息万变的中转场作业环境中,Agent自身具有的主动求解能力可以为中转场运作提供适时的决策,从而可在瞬息万变的中转场环境中为管理者提供及时可靠的运营决策方案
Agent的反应力:传统的仿真技术一般只对建模要素或对象建立对环境的被动反应能力，而要大规模使系统中的每一个个体要素都能针对环境反馈采取主动的行为和策略(如叉车动态规划路径)则比较困难或无法实现(如系统动力学将所有员工、设施设备抽象为统一的集合)。多Agent的建模方式则能突破这一约束，能够让大规模群体(如每一台设备)都具有独立且差异化的反应标准和反应能力，能够更加准确的模拟出中转场中个体在反应应对能力上的微观差异性。
Agent灵活的组织框架与演化机制:基于Agent的建模技术具有灵活的形成、维护、演化和拆散建模系统的潜在计算机制,尤其适用于解决中转场作业系统中的作业人员、资源随工作任务不同的灵活组织与调度问题。
综上，多智能体建模法是一种具有灵活分布式建模的技术，在建模系统内部能够实现个体要素的自主控制与运行，以及更加智能的决策。通过多个智能体自底向上、协作自治的方式来揭示微观行为与决策对宏观现象和规律的影响。采用此种建模技术能够为构建中转场规划系统提供一种全新的技术方案。
下面具体介绍本发明实施例中提供的一种中转场规划方法、装置、服务器及存储介质。
请参阅图1，图1为本发明实施例所提供的中转场规划系统的场景示意图，该中转场规划系统可以包括服务器100，服务器100中集成有中转场规划装置，如图1中的服务器。
本发明实施例中服务器100主要用于获取目标中转场的物流中转数据；根据所述物流中转数据，利用多个物流智能体对所述目标中转场进行全局规划，得到所述目标中转场的全局规划数据。
本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的服务器，例如图1中仅示出1个服务器，可以理解的，该中转场规划系统还可以包括一个或多个其他服务，具体此处不作限定。
另外，如图1所示，该中转场规划系统还可以包括存储器200，用于存储数据，如存储物流数据，例如物流平台的各种数据，如中转场的历史物流运输信息，具体的，如快件信息，配送车辆信息和物流网点信息等。
需要说明的是，图1所示的中转场规划系统的场景示意图仅仅是一个示例，本发明实施例描述的中转场规划系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着中转场规划系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
首先，本发明实施例中提供一种中转场规划方法，该中转场规划方法执行主体为中转场规划装置，该中转场规划装置应用于服务器，该中转场规划方法包括：获取目标中转场的物流中转数据；根据所述物流中转数据，利用多个物流智能体对所述目标中转场进行全局规划，得到所述目标中转场的全局规划数据。
如图2所示，为本发明实施例中中转场规划方法的一个实施例流程示意图，该中转场规划方法包括：
201、获取目标中转场的物流中转数据。
中转场也称中转站或中转点，是网络中的集散节点，基本功能是对快件进行集散和转运。从网络角度看，中转场也是一个网络节点。中转点是进行快件分拣集散的重要节点，其运作模式的主要特点在于它不是从事具体商品生产的组织单位，主要是将从其他网点汇集来的快件进行集中、交换和转运，实现快件在全网中从分散到集中再到分散的流动。实际运作中是将与中转点相连的其他网点的快件在某一时段统一集中到中转点，然后进行交换。
目标中转场可以包括一个或多个中转场。其中，在中转场的运行过程中，会产生很多的历史物流中转数据，例如历史装货数据，历史卸货数据，历史快件数据等。
本发明实施例中，目标中转场的物流中转数据可以是目标中转场的某个时间段的历史物流中转数据，也可以是自生成的物流中转数据。
具体的，即获取目标中转场的物流中转数据的步骤有多种实现方式，具体如下：
(1)从外部数据源获取所述目标中转场的预设时间段内的历史物流数据，得到所述物流中转数据。
其中，外部数据源可以是如图1中所述的存储器200，存储器200中可以存储目标中转场的历史物流中转数据。此时服务器即可从存储器200获取所述目标中转场的预设时间段内的历史物流数据，得到所述物流中转数据。具体的，预设时间段可以是当前时间的最近一个月，3个月，6个月或者1年，当然也可以是曾经的某个时间区间，例如当前时间为2019年，该预设时间段可以是2018年的某个时间段。所述物流中转数据中包括所述目标中转场的订单快件信息，例如，快件数量，每个快件的尺寸，每个快件的重量等。
(2)根据所述物流中转数据，制定所述目标中转场的需求计划，生成物流中转数据。
具体的，服务器可以根据预定规则，生成物流中转数据，所述物流中转数据中包括所述目标中转场的订单快件信息，例如，快件数量，每个快件的尺寸，每个快件的重量等。具体的，当本发明实施例中描述的多个物流智能体包括需求管理智能体(即后续实施例中描述的需求Agent)时，可以根据所述物流中转数据，利用所述需求管理智能体制定所述目标中转场的需求计划，生成物流中转数据，所述物流中转数据中包括所述目标中转场的订单快件信息。
202、根据所述物流中转数据，确定所述目标中转场的订单快件。
由于所述物流中转数据中包括所述目标中转场的订单快件信息，例如，快件数量，每个快件的尺寸，每个快件的重量等，因此，可以根据所述物流中转数据，确定所述目标中转场的订单快件。
203、根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划。
在构建中转场多智能体系统之前，首先会建立中转场多智能体模型，下面介绍中转场多智能体模型的建立过程，包括建立中转场规划系统中的多个智能体、行为算法策略和仿真系统模块。
应用多智能体建模法构建中转场多智能体模型主要分为三个阶段(如图3所示)。
(1)创建Agent。
多智能体建模法的特点是从目标建模系统的个体微观层面切入，无论多大多复杂的系统，都能将其分解为由各类型个体组成的体系。而系统中的不同类型个体可以通过智能体(Agent)这一计算实体来表示。因此，多智能体建模法的核心是精细化建模现实世界中存在的各类型个体，具体在中转场可以是人，叉车，设备，或车辆。本发明实施例中，中转场多智能体模型中创建的Agent可以包括包括全局规划Agent、装卸作业Agent、分拣区作业Agent和排队管理Agent等。
在建立上述多个物流Agent种类以后，则需要对它们的各自相关特性进行建模，确定实现的功能。在后续过程中描述括全局规划Agent、装卸作业Agent、分拣区作业Agent和排队管理Agent等相关功能和属性。
(2)对各Agent的行为和决策规则进行描述和建模。
在建立上述多个物流Agent种类以后，第二阶段则需要进一步对各Agent的行为和决策规则进行描述和建模，如分拣区作业Agent如何在中转场中进行分拣作业。这部分的决策行为建模可以设计为以两种方式实现：一种是直接内建在Agent计算实体内，通常的标准化或较为简单的行为；另一种是建立独立模块的规则库或算法库，Agent可以通过接口调用加载相关算法实现更为复杂的行为(如本中转场多智能体模型中，分拣区作业Agent分拣作业时，可以调用预先设定分拣算法对大件和小件分别进行分拣)。这种方式的好处是可以对较为复杂的行为和算法进行单独建模，不用担心Agent的内部结构差异，也便于对大规模规则进行修改和管理。
(3)建模过程。
第三步建模过程，即仿真系统模块集成，需要将中转场多智能体模型底层创建的各类Agent(即上述步骤创建的各类Agent)与其行为规则集成到中转场多智能体模型外层不同的业务模块，构建中转场规划系统。
在完成建立中转场多智能体模型之后，多智能体模型中的多个智能体可以交互数据，即可利用多个物流智能体对所述目标中转场进行全局规划，得到所述目标中转场的全局规划数据。
本发明实施例中可以根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划，具体的，即利用多智能体建模法对所述订单快件分别进行规划，得到装卸货计划和分拣计划。
具体的，所述多智能体模型中包括多个物流智能体，所述多个物流智能体包括装卸作业智能体和分拣区作业智能体，如图4所示，所述根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划，包括：
401、将所述订单快件的信息分别输入到所述分拣区作业智能体和所述装卸作业智能体。
402、利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划和分拣效能。
效能是指有效的、集体的效应，即人们在有目的、有组织的活动中所表现出来的效率和效果，它反映了所开展活动目标选择的正确性及其实现的程度。效能是衡量工作成果的尺度，效率、效果、效益是衡量效能的依据。例如，在本申请中，效能通过效率和具体参数来体现，如分拣效能包括分拣效率和分拣货量，装卸货效能包括装卸货效率和装卸货量，具体的，装货效能包括装货效率和装货量，卸货效能包括卸货效率和卸货量。
具体的，所述分拣区作业智能体包括大件分拣区管理智能体和小件分拣区管理智能体，所述利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划及分拣效能，可以进一步包括：确定所述订单快件中大件快件和小件快件；利用所述大件分拣区管理智能体，对所述大件快件进行大件分拣规划，得到大件分拣计划及大件分拣效能；利用所述小件分拣区管理智能体，对所述小件快件进行小件分拣规划，得到小件分拣计划及小件分拣效能；其中，所述分拣计划包括所述大件分拣计划和所述小件分拣计划，所述分拣效能包括大件分拣效能及小件分拣效能。
具体的，其中，大件分拣效能包括大件分拣效率和大件分拣件量，小件分拣效能包括小件分拣效率和小件分拣件量。
在本发明一些实施例中，所述确定所述订单快件中大件快件和小件快件，包括：将所述订单快件中超过预设体积，或者超过预设重量的快件，确定为大件快件；将所述订单快件中非大件快件的快件，作为小件快件。其中，预设体积和预设重量可以根据实际情况进行设定，具体此处不作限定。
403、利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划和装卸效能。
具体的，所述装卸作业智能体包括卸货区管理智能体和发运区管理智能体，所述利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划，可以包括：获取所述订单快件中的装车快件和卸货快件；利用所述卸货区管理智能体，对所述卸货快件进行卸货规划，得到卸货计划及装卸货效能；利用所述发运区管理智能体，对所述装车快件进行装货规划，得到装货计划及装货效能；其中，所述装卸货计划包括所述卸货计划和所述装货计划，所述装卸货效能包括卸货效能和装货效能。
204、对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
本申请实施例通过获取目标中转场的物流中转数据；根据所述物流中转数据，确定所述目标中转场的订单快件；根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。在现有技术中中转场的建模分析大都基于静态数据、静态参数模型和确定性假设，无法有效捕捉系统的动态演化，无法实现真实且准确地中转系统的体系效能评估与规划的基础上，本申请采用多智能体建模法，利用多智能体模型对所述目标中转场进行精确描述与全局规划，得到目标中转场的全局规划数据，能够综合分析中转场体系效能，发现真实生产环境中的问题和改善空间，不需要透过高耗时、高成本、高风险的实装试验，或是占用大量人力和时间对相关数据进行处理和维护，提高了中转场规划的效率和精准度，中转场的规划方案更加贴近实际应用场景。
本发明实施例中，所述多个物流智能体还可以包括全局规划智能体和排队管理智能体。如图5所示，所述对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据，可以包括：
501、通过所述分拣区作业智能体将所述分拣计划和分拣效能输出到所述排队管理智能体。
502、通过所述装卸作业智能体，将所述装卸货计划和装卸效能输出到所述排队管理智能体。
503、利用所述排队管理智能体，根据所述分拣计划、分拣效能、装卸货计划和装卸效能，对所述目标中转场各个作业区域的快件积压和排队情况进行统计，得到快件中转时效统计结果。
504、利用所述全局规划智能体，对所述装卸作业智能体、分拣区作业智能体和排队管理智能体进行协同管理，输出所述目标中转场的全局规划数据。
其中，所述全局规划数据中包括装卸货计划及装卸货效能，分拣计划及分拣效能，快件中转时效统计结果。
如图6所示，为本发明实施例中中转场规划系统的一个具体实施例结构示意图，本发明实施例中将现有的中转场规划的复杂系统分解为由多个智能体组成的多智能体系统，整个多智能体系统构成一个中转场多智能体规划模型，通过各个智能体自底向上、协作自治的方式来揭示中转场的体系效能。根据中转场的共性规律，可以将中转场规划系统抽象描述为几个关键智能体(Agent)：装卸作业Agent(包括卸货区管理Agent和发运区管理Agent)、分拣作业Agent(包括大件分拣区管理Agent和小件分拣区管理Agent)，以及需求管理Agent和排队管理Agent,。由全局规划Agent进行统一协调，整个多智能体规划模型间的交互如图6所示。每种Agent的具体行为与功能如下：
需求管理Agent：是中转场规划系统的虚拟对象，也是驱动中转场生产的主体，担负着制定需求计划，生成订单快件的主要功能。其中，需求计划的生成可以有多种方式，具体如下：
从外部数据源导入历史快件运单数据作为多智能体规划模型的输入，此种模拟方式是对历史或现状需求环境的还原，可以用来验证多智能体规划模型的准确性或评估不同规划方案在历史需求场景中的表现情况；多智能体规划模型模型自主生成虚拟需求数据(如基于预测、概率分布或人工规划)。这种模拟方式具有实验性质，如应对物流高峰期需求，通过虚拟生成比平常更高的需求量和件量分布来分析未来的规划方案；
分拣作业Agent：是多智能体规划模型中的实体对象，负责管理中转场的核心生产环节。此类型Agent进一步拆分为大件区分拣管理Agent和小件区分拣管理Agent，负责统筹规划各类型分拣作业的计划、生产、及设备与产能管理。
大件可以分为两种不同类型的货物。第一种是指单个快件体积或重量大于特定指标的快件。第二种是小件包，即在前一个分拣场地建包的小件包裹集合，在重量和体积上等同于大件货品，统一已大件件数作为计量单位。小件即小件包裹，按票数为计量单位。
大件分拣区是指对大件货物的活动作业区，主线负责连接卸货区各个卸货口传送过来的货物进入相应的矩阵作业区域，矩阵区则对货物按流向进行分拣，并识别需要进入细分环节的货物。细分作业区包括不同的作业环节和区域，如初分和细分，某些场地还配置有自动化分拣设备区可以将初分和细分进行同步操作。以上所有的作业区都有不同设备类型，设备数量，设备作业任务，人力计划以及班次计划(如哪台设备在哪个时段做什么快件类型和哪个流向的分拣)，这些要素决定了每个作业区域的整体能力值。
装卸作业Agent：是多智能体规划模型中的实体对象，负责分别管理卸车区、装车区的各项作业任务及资源调度。进一步的，装卸作业Agent可以包括卸货区管理Agent和发运区管理Agent。其中，卸货区管理Agent可以对所述卸货快件进行卸货规划，得到卸货计划；发运区管理Agent可以对所述装车快件进行装货规划，得到装货计划。
排队管理Agent：是多智能体规划模型的虚拟对象，负责对各个作业区域的快件积压和排队情况进行统计并进行状态同步，准确实现上下游排队因果关系及瓶颈环节监控记录。
排队是指中转场内各作业环节产生的排队拥堵现象进行模拟和记录。排队的现象不是事先人为制定的，而是通过仿真中转场各环节得出的一个自然产生的结果。例如，如果初分区负责某个流向的分拣设备能力存在不足，在高峰期会变成瓶颈，从而使快件产生排队积压等候的状态。
全局规划Agent：是多智能体规划模型的虚拟对象，从全局角度对多智能体规划模型中的各种Agent决策与活动进行协调，并控制多智能体规划模型的运行，场景设置，数据读写和中转场规划结果统计等重要功能。
全局规划是指对多智能体规划模型的生成、初始化、和运行过程进行管理。如多智能体规划模型中每个设备在每个时间步要做什么工作。这些都基于特定场景设置(包括特定场地的设备、人力数据、分拣计划等)。
图7描述了整个中转场规划系统的应用架构示意图，中转场规划系统主要由四层结构自下而上组成：基础层、数据层、运行层和操控层，具体实现方式如下：
基础层主要进行中转场规划前的模型搭建以及中转场规划任务准备,以及中转场规划之后的数据库管理和查询分析工作。
数据层主要存储中转场规划前和中转场规划运行过程中产生的各种模型配置、任务、规则和中转场规划数据。
运行层主要进行中多智能体规划模型的生成、初始化、各Agent模型在中转场规划运行过程中的管理,以及中转场规划的控制,中转场规划数据输入等工作。
操控层基于中转场规划数据进行实时态势显示、提供用户调整模型参数和配置，模拟推演和体系评估。
基于以上建模架构，开发出一个具有高度通用性的多智能体规划模型，能够实现轻松变换中转场场景设置(如场地配置、使用设备类型、数量、属性、路由、班次规划、需求分布等)，快速对全国任一中转场进行模拟分析，识别问题、风险和潜在的改进空间。
为了更好实施本发明实施例中中转场规划方法，在中转场规划方法基础之上，本发明实施例中还提供一种中转场规划装置，该中转场规划装置应用于服务器，如图8，该中转场规划装置800包括：
获取单元801，用于获取目标中转场的物流中转数据；
确定单元802，用于根据所述物流中转数据，确定所述目标中转场的订单快件；
规划单元803，用于根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
管理单元804，用于对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
在本申请一些实施例中，所述多智能体模型中包括多个物流智能体，所述多个物流智能体包括装卸作业智能体和分拣区作业智能体，所述规划单元803具体用于：
将所述订单快件的信息分别输入到所述分拣区作业智能体和所述装卸作业智能体；
利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划和分拣效能；
利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划和装卸效能。
在本申请一些实施例中，所述分拣区作业智能体包括大件分拣区管理智能体和小件分拣区管理智能体，所述规划单元803具体用于：
确定所述订单快件中大件快件和小件快件；
利用所述大件分拣区管理智能体，对所述大件快件进行大件分拣规划，得到大件分拣计划及大件分拣效能；
利用所述小件分拣区管理智能体，对所述小件快件进行小件分拣规划，得到小件分拣计划及小件分拣效能；
其中，所述分拣计划包括所述大件分拣计划和所述小件分拣计划，所述分拣效能包括大件分拣效能及小件分拣效能。
在本申请一些实施例中，所述规划单元803具体用于：
将所述订单快件中超过预设体积，或者超过预设重量的快件，确定为大件快件；
将所述订单快件中非大件快件的快件，作为小件快件。
在本申请一些实施例中，所述装卸作业智能体包括卸货区管理智能体和发运区管理智能体，所述规划单元803具体用于：
获取所述订单快件中的装车快件和卸货快件；
利用所述卸货区管理智能体，对所述卸货快件进行卸货规划，得到卸货计划及卸货效能；
利用所述发运区管理智能体，对所述装车快件进行装货规划，得到装货计划及装货效能；
其中，所述装卸货计划包括所述卸货计划和所述装货计划，所述装卸货效能包括卸货效能和装货效能。
在本申请一些实施例中，所述多个物流智能体还包括全局规划智能体和排队管理智能体；所述管理单元804具体用于：
通过所述分拣区作业智能体将所述分拣计划和分拣效能输出到所述排队管理智能体；
通过所述装卸作业智能体，将所述装卸货计划和装卸效能输出到所述排队管理智能体；
利用所述排队管理智能体，根据所述分拣计划、分拣效能、装卸货计划和装卸效能，所述管理单元804具体用于：
利用所述全局规划智能体，对所述装卸作业智能体、分拣区作业智能体和排队管理智能体进行协同管理，输出所述目标中转场的全局规划数据；
其中，所述全局规划数据中包括装卸货计划及装卸货效能，分拣计划及分拣效能，快件中转时效统计结果。
在本申请一些实施例中，所述获取单元801具体用于：
从外部数据源获取所述目标中转场的预设时间段内的历史物流数据，得到所述物流中转数据。
在本申请一些实施例中，所述获取单元801具体用于：
根据所述物流中转数据，利用所述需求管理智能体制定所述目标中转场的需求计划，生成物流中转数据，所述物流中转数据中包括所述目标中转场的订单快件信息。
本申请实施例通过获取单元801获取目标中转场的物流中转数据；确定单元802根据所述物流中转数据，确定所述目标中转场的订单快件；规划单元803根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；管理单元804对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。在现有技术中中转场的建模分析大都基于静态数据、静态参数模型和确定性假设，无法有效捕捉系统的动态演化，无法实现真实且准确地中转系统的体系效能评估与规划的基础上，本申请采用多智能体建模法，利用多智能体模型对所述目标中转场进行精确描述与全局规划，得到目标中转场的全局规划数据，能够综合分析中转场体系效能，发现真实生产环境中的问题和改善空间，不需要透过高耗时、高成本、高风险的实装试验，或是占用大量人力和时间对相关数据进行处理和维护，提高了中转场规划的效率和精准度，中转场的规划方案更加贴近实际应用场景。
本发明实施例还提供一种服务器，其集成了本发明实施例所提供的任一种中转场规划装置，所述服务器包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述中转场规划方法实施例中任一实施例中所述的中转场规划方法中的步骤。
本发明实施例还提供一种服务器，其集成了本发明实施例所提供的任一种中转场规划装置。如图9所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包括一个或者一个以上处理核心的处理器901、一个或一个以上计算机可读存储介质的存储器902、电源903和输入单元904等部件。本领域技术人员可以理解，图9中示出的服务器结构并不构成对服务器的限定，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。
其中：
处理器901是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器902内的软件程序和/或模块，以及调用存储在存储器902内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器901可包括一个或多个处理核心；优选的，处理器901可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器901中。
存储器902可用于存储软件程序以及模块，处理器901通过运行存储在存储器902的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器902可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器902还可以包括存储器控制器，以提供处理器901对存储器902的访问。
服务器还包括给各个部件供电的电源903，优选的，电源903可以通过电源管理系统与处理器901逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源903还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元904，该输入单元904可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器901会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器902中，并由处理器901来运行存储在存储器902中的应用程序，从而实现各种功能，如下：
获取目标中转场的物流中转数据；
根据所述物流中转数据，确定所述目标中转场的订单快件；
根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种中转场规划方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
获取目标中转场的物流中转数据；
根据所述物流中转数据，确定所述目标中转场的订单快件；
根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种中转场规划方法、装置、服务器及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (11)

1.一种中转场规划方法，其特征在于，所述中转场规划方法包括：
获取目标中转场的物流中转数据；
根据所述物流中转数据，确定所述目标中转场的订单快件；
根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
2.根据权利要求1所述的中转场规划方法，其特征在于，所述多智能体模型中包括多个物流智能体，所述多个物流智能体包括装卸作业智能体和分拣区作业智能体，所述根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划，包括：
将所述订单快件的信息分别输入到所述分拣区作业智能体和所述装卸作业智能体；
利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划和分拣效能；
利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划和装卸效能。
3.根据权利要求2所述的中转场规划方法，其特征在于，所述分拣区作业智能体包括大件分拣区管理智能体和小件分拣区管理智能体，所述利用所述分拣区作业智能体对所述订单快件进行分拣规划，得到分拣计划及分拣效能，包括：
确定所述订单快件中大件快件和小件快件；
利用所述大件分拣区管理智能体，对所述大件快件进行大件分拣规划，得到大件分拣计划及大件分拣效能；
利用所述小件分拣区管理智能体，对所述小件快件进行小件分拣规划，得到小件分拣计划及小件分拣效能；
其中，所述分拣计划包括所述大件分拣计划和所述小件分拣计划，所述分拣效能包括大件分拣效能及小件分拣效能。
4.根据权利要求3所述的中转场规划方法，其特征在于，所述确定所述订单快件中大件快件和小件快件，包括：
将所述订单快件中超过预设体积，或者超过预设重量的快件，确定为大件快件；
将所述订单快件中非大件快件的快件，作为小件快件。
5.根据权利要求2至4中任一所述的中转场规划方法，其特征在于，所述装卸作业智能体包括卸货区管理智能体和发运区管理智能体，所述利用所述装卸作业智能体，对所述订单快件进行装卸货规划，得到装卸货计划及装卸货效能，包括：
获取所述订单快件中的装车快件和卸货快件；
利用所述卸货区管理智能体，对所述卸货快件进行卸货规划，得到卸货计划及卸货效能；
利用所述发运区管理智能体，对所述装车快件进行装货规划，得到装货计划及装货效能；
其中，所述装卸货计划包括所述卸货计划和所述装货计划，所述装卸货效能包括卸货效能和装货效能。
6.根据权利要求2至4中任一所述的中转场规划方法，其特征在于，所述多个物流智能体还包括全局规划智能体和排队管理智能体；所述对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据，包括：
通过所述分拣区作业智能体将所述分拣计划和分拣效能输出到所述排队管理智能体；
通过所述装卸作业智能体，将所述装卸货计划和装卸效能输出到所述排队管理智能体；
利用所述排队管理智能体，根据所述分拣计划、分拣效能、装卸货计划和装卸效能，对所述目标中转场各个作业区域的快件积压和排队情况进行统计，得到快件中转时效统计结果；
利用所述全局规划智能体，对所述装卸作业智能体、分拣区作业智能体和排队管理智能体进行协同管理，输出所述目标中转场的全局规划数据；
其中，所述全局规划数据中包括装卸货计划及装卸货效能，分拣计划及分拣效能，快件中转时效统计结果。
7.根据权利要求1所述的中转场规划方法，其特征在于，所述获取目标中转场的物流中转数据，包括：
从外部数据源获取所述目标中转场的预设时间段内的历史物流数据或预测需求数据，得到所述物流中转数据。
8.根据权利要求1所述的中转场规划方法，其特征在于，所述多个物流智能体包括需求管理智能体，所述获取目标中转场的物流中转数据，包括：
根据所述物流中转数据，利用所述需求管理智能体制定所述目标中转场的需求计划，生成物流中转数据，所述物流中转数据中包括所述目标中转场的订单快件信息。
9.一种中转场规划装置，其特征在于，所述中转场规划装置包括：
获取单元，用于获取目标中转场的物流中转数据；
确定单元，用于根据所述物流中转数据，确定所述目标中转场的订单快件；
规划单元，用于根据所述订单快件，利用预先构建的多智能体模型对所述订单快件分别进行规划，得到装卸货计划和分拣计划；
管理单元，用于对所述装卸货计划和所述分拣计划进行协同管理，输出所述目标中转场的全局规划数据。
10.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的中转场规划方法。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的中转场规划方法中的步骤。
CN202010032820.4A 2020-01-13 2020-01-13 中转场规划方法、装置、服务器及存储介质 Pending CN113112107A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010032820.4A CN113112107A (zh) 2020-01-13 2020-01-13 中转场规划方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010032820.4A CN113112107A (zh) 2020-01-13 2020-01-13 中转场规划方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN113112107A true CN113112107A (zh) 2021-07-13

Family

ID=76710010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010032820.4A Pending CN113112107A (zh) 2020-01-13 2020-01-13 中转场规划方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN113112107A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113968445A (zh) * 2021-11-18 2022-01-25 宝开(上海)智能物流科技有限公司 一种轻小件高速分拣控制方法、系统及装置
CN114186654A (zh) * 2022-02-17 2022-03-15 节时科技(深圳)有限公司 自动分拣和回收的驿站系统、方法、设备及存储介质
WO2024061164A1 (zh) * 2022-09-20 2024-03-28 顺丰科技有限公司 确定快件分拣策略的方法、装置、计算机设备及存储介质
WO2024174612A1 (zh) * 2023-02-22 2024-08-29 顺丰科技有限公司 数据处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7376632B1 (en) * 1998-12-23 2008-05-20 France Telecom Model and method for using an interactive rational agent, multiagent server and system implementing same
CN104408268A (zh) * 2014-12-17 2015-03-11 上海邮政科学研究院 一种快递处理中心内部场地工艺设计方法
CN105701273A (zh) * 2015-12-31 2016-06-22 北京华如科技股份有限公司 一种基于主体的组件化物流系统仿真计算方法
CN108536972A (zh) * 2018-04-13 2018-09-14 中国人民解放军陆军装甲兵学院 基于自适应智能体的复杂系统可靠性仿真方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7376632B1 (en) * 1998-12-23 2008-05-20 France Telecom Model and method for using an interactive rational agent, multiagent server and system implementing same
CN104408268A (zh) * 2014-12-17 2015-03-11 上海邮政科学研究院 一种快递处理中心内部场地工艺设计方法
CN105701273A (zh) * 2015-12-31 2016-06-22 北京华如科技股份有限公司 一种基于主体的组件化物流系统仿真计算方法
CN108536972A (zh) * 2018-04-13 2018-09-14 中国人民解放军陆军装甲兵学院 基于自适应智能体的复杂系统可靠性仿真方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113968445A (zh) * 2021-11-18 2022-01-25 宝开(上海)智能物流科技有限公司 一种轻小件高速分拣控制方法、系统及装置
CN113968445B (zh) * 2021-11-18 2022-09-09 宝开(上海)智能物流科技有限公司 一种轻小件高速分拣控制方法、系统及装置
CN114186654A (zh) * 2022-02-17 2022-03-15 节时科技(深圳)有限公司 自动分拣和回收的驿站系统、方法、设备及存储介质
WO2024061164A1 (zh) * 2022-09-20 2024-03-28 顺丰科技有限公司 确定快件分拣策略的方法、装置、计算机设备及存储介质
WO2024174612A1 (zh) * 2023-02-22 2024-08-29 顺丰科技有限公司 数据处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN113112107A (zh) 中转场规划方法、装置、服务器及存储介质
Wang et al. Model construction of planning and scheduling system based on digital twin
Son et al. Simulation-based shop floor control: formal model, model generation and control interface
Zheng et al. Emergency transportation planning in disaster relief supply chain management: a cooperative fuzzy optimization approach
Rolón et al. Agent-based modeling and simulation of an autonomic manufacturing execution system
Boschian et al. A metamodeling approach to the management of intermodal transportation networks
Zorrilla et al. A reference framework for the implementation of data governance systems for industry 4.0
CN106651125A (zh) 物资调配系统及其处理方法
CN113111479B (zh) 一种仓库管理系统的仿真方法、装置及存储介质
CN115423289A (zh) 智能板材加工车间数据处理方法及终端
Morozov et al. Investigation of forecasting methods of the state of complex IT-projects with the use of deep learning neural networks
Wang et al. RETRACTED ARTICLE: Efficiency optimization and simulation to manufacturing and service systems based on manufacturing technology Just-In-Time
Wang et al. Cross-region courier displacement for on-demand delivery with multi-agent reinforcement learning
CN114647917A (zh) 分拣设备仿真方法、装置、计算机设备及存储介质
Kulkarni et al. Digital Twin as an Aid for Decision-making in the Face of Uncertainty
Aksyonov et al. Decision support systems application to business processes at enterprises in Russia
Wu et al. An agent-based simulation study for exploring organizational adaptation
US20200204954A1 (en) Computer system for displaying the logistical path of entities over time
Villarraga et al. Agent-based modeling and simulation for an order-to-cash process using netlogo
Watson et al. Generating component release plans with backward simulation
Durán et al. Business processes resource management using rewriting logic and deep-learning-based predictive monitoring
Afaneh et al. Airport enterprise service bus with three levels self-healing architecture (AESB-3LSH)
Olajoyegbe Utilizing Bayesian Inference for Data Driven Optimization in Facilities Configuration and Task Sequencing under Smart Manufacturing
Belyak Simulation methods for transport logistics
Sui et al. Service composition optimisation of virtual resource allocation management in the cloud environment based on green scheduling

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