CN113159588A - 一种基于物联网技术的物流车辆智能调度算法 - Google Patents

Abstract

本发明公开了一种基于物联网技术的物流车辆智能调度算法。涉及物联网技术与智能运算领域，该方法采用了基于多目标优化的智能算法设计。不同于传统调度算法中只对车辆货物装配方案或车辆运输路线方案进行规划的情况，本发明将物流车辆货物装配与物流车辆运输路线的规划方案作为一个整体进行考虑。根据对物流市场的实际调研情况，对物流调度方案进行数学建模，将物流调度中的常用元素抽象为数据集合，并参考实际物流运输过程中，提出将物流车辆运输消耗、平均装卸成本、物流仓库仓储所需成本、仓储平衡度、所装载货物需要送达剩余时间作为智能调度算法的优化目标。利用物联网技术获取物流车辆以及物流仓库、货物信息，设计了基于遗传算法的物流车辆智能调度算法，通过对初始种群进行交叉、变异、按目标择优选择的流程，对调度方案进行算法迭代优化，从而得出最适合当前物流运输情况的调度方案。经对算法进行实例测试与分析，本发明能有效降低物流运输成本，提高物流运输效率。

Description

一种基于物联网技术的物流车辆智能调度算法

技术领域

本发明涉及物联网技术与智能运算领域，具体涉及到一种基于物联网技术的物流车辆智能调度算法。

背景技术

近些年来，我国经济快速发展，国内物流行业面临着际遇的同时也伴随着压力，日益膨胀的用户需求促使着物流运输行业积极寻求技术革新。智慧物流要求以物流车辆个体为基础信息单元，拓展信息交互形式、改善道路交通通行状况、提高公共交通资源利用率，进一步实现物流公司对物流车辆更有效率的管理，将物联网技术切实的应用到物流产业之中。同时，随着车联网技术不断融入物流行业，如何以合理的方式给出最适合物流运输实际情况的调度方案，已成为物流公司迫切期待解决的问题。

近年来，物联网以及云端计算技术的不断进步，使得物流管理更加信息化和系统化。信息数据化的物流站点、仓库、货物以及物流车辆信息，令智能调度的实现成为可能。但是以往的调度算法因为缺少完整体系的数据进行支持，大多采用物流车辆装配和物流车辆行驶路线分别考虑的思路进行设计，所给出的调度方案往往缺乏整体性考虑。随着物联网技术以及物流公司数据库的不断完善，为满足物流公司对合理调度方案的需求，建立一种将物流车辆货物装配及物流车辆路线规划作为整体考虑的物流调度数学模型，并根据所建立模型，提出一种基于物联网技术的物流车辆智能调度算法，以达到降低物流运输成本、提高物流运输效率的目的。

发明内容

为了实现上述发明目的，本发明采用了一种基于物联网技术的物流车辆智能调度算法，技术方案如下：

1、物流车辆智能调度模型。

(1)物流车辆智能调度模型的建立。

目前，国内大部分城市的物流配送中心通常采用辐射式选址的方式，即以地区配送中心为中点，向外围地区发散，并设有集散式配送点。因而大部分物流调度算法通常将问题归纳为一个核心和多个发散点的模型。但随着智慧物流产业的发展，辐射式模型效率较低的弊端也逐渐显现，派出的车辆每次只为一个集散站点进行货物运输的效率十分低下，在车辆未满载的情况下物流车辆可以前往多个集散站点进行装载作业后再返回配送中心。因此，本文所设计的调度算法基于传统辐射模型加以优化，抽象出网状结构模型。其中，各集散中心节点间的道路也是连通的，物流车辆可为多个集散中心进行货物运输后再到达配送中心。

根据所设计模型，将物流运输中的对象抽象为以下集合：物流物品为G；配送点以及运输目的地为W；物流车辆为V；道路为L；调度方案的集合为S，调度方案分为每辆车辆的计划运输的货物以及路线规划。

(2)物流车辆智能调度模型的优化目标。

在建立调度模型的基础上，需要对本模型的约束条件和求解目标进行确定。首先，算法的优化目标为对于给定的物流车辆装配以及行驶路径调度方案，可以使整个物流过程具有最低的物流运输成本和最快的物流运输速度，同时也要保证物流货物的准时送达。其中，物流运输成本方面主要分为道路成本、储存成本、装卸成本三个方面。根据实际情况，将物流车辆运输消耗、平均装卸成本、物流仓库仓储所需成本、仓储平衡度、所装载货物需要送达剩余时间进行数据化处理，并将它们设置为优化目标。

2、物流车辆智能调度算法。

随着物联网技术的不断发展，各物流公司的站点仓库、货物信息、物流车辆数据库已趋于完善，本调度模型所使用的运算参数从物联网技术和物流公司信息数据库获得，包括物流车辆载重、位置信息，货物体积、剩余配送时间等，采用多目标优化算法，根据上文中所建立的调度模型和提出的优化目标进行求解，从而给出每辆物流车辆最佳的运输路线方案。算法基于多目标优化遗传算法进行设计，通过建立初始种群，经过交叉、变异，并按照上文所设计的优化目标进行择优选择，经过多次算法迭代后，得到更适合物流运输情况的调度方案。

附图说明

图1是本发明的物流调度系统模型图。

图2是本发明的物流节点抽象模型。

图3是本发明的物流车辆智能调度算法总体架构。

图4是本发明的基于遍历的最短路径算法。

图5是本发明的智能调度算法实现步骤。

具体实施方式

如图1所示，本发明是一种基于物联网技术的物流车辆智能调度算法，具体包括：

1、物流车辆智能调度模型。

(1)物流车辆智能调度模型的建立。

目前，国内大部分城市的物流配送中心通常采用辐射式选址的方式，即以地区配送中心为中点，向外围地区发散，并设有集散式配送点。因而大部分物流调度算法通常将问题归纳为一个核心和多个发散点的模型，如图2中的辐射中心结构所示。但随着智慧物流产业的发展，辐射式模型效率较低的弊端也逐渐显现，派出的车辆每次只为一个集散站点进行货物运输的效率十分低下，在车辆未满载的情况下物流车辆可以前往多个集散站点进行装载作业后再返回配送中心。因此，本文所设计的调度算法基于传统辐射模型加以优化，抽象出如图2中的网状结构模型。其中，各集散中心节点间的道路也是连通的，物流车辆可为多个集散中心进行货物运输后再到达配送中心。

根据所设计模型，将物流运输中的对象抽象为以下集合：物流物品为G；配送点以及运输目的地为W；物流车辆为V；道路为L；调度方案的集合为S，调度方案分为每辆车辆的计划运输的货物以及路线规划。各个集合的说明如下：

定义G表示物流货物，包括ID，Wt，Ds，Tm四个元素。其中，ID表示物流货物的编号，通过ij进行表示，i表示货物仓库编号，j表示货物发往目的地仓库编号，Wt表示货物的重量，Ds表示货物所发往的目的地，Tm表示货物达到所剩余的时间。

定义W表示配送中心和集散站点。设模型中只有一个配送中心W，包括ID、Cp两个元素。其中，ID表示配送中心的编号，使用自然数1来表示，Cp表示仓库容量，单位为t。设模型中有n-1个集散站点W₂，W₃，…W_n，每一个W_i包括ID、Cp两个元素。其中，ID表示集散中心的编号，使用自然数2，3，…n来表示，Cp表示仓库容量，单位为t。进一步来说，因为配送中心和集散站点属性相同，也可使用W_i表示W。需要注意的是，当配送中心将物流货物发往各集散站点，通过集散站点将货物派送至用户手中；同时集散站点从用户手中收取到物流货物，统一运送到配送中心进行分拣，本地货物发送至指定集散站点，外地货物通过城际物流发送至其他配送中心。因此，模型中配送中心货物的目的地可以是集散站点中的任意一个，集散站点货物的目的地只能是配送中心W₁。

定义V表示物流车辆，设模型中有m辆物流车辆V₁，V₂，…V_m，每一个V_i包括ID、Tl、Rl、St、Lc、Pt六个元素。其中，ID表示物流车辆的编号，使用自然数1，2，…m表示，Tl表示物流车辆总载重量，Rl表示物流车辆剩余载重量，St表示车辆当前状态，分为运输和等待两种状态，Lc表示车辆当前位置，Pt表示车辆调度路径。

定义L表示路网集合，设l_ij表示从仓库i到仓库j所需的运输成本，在实际应用中可以为此段路径的运输时间、运输距离，是否包含过桥过路费用等。

(2)物流车辆智能调度模型的优化目标。

在建立调度模型的基础上，需要对本模型的约束条件和求解目标进行确定。首先，算法的优化目标为对于给定的物流车辆装配以及行驶路径调度方案，可以使整个物流过程具有最低的物流运输成本和最快的物流运输速度，同时也要保证物流货物的准时送达。其中，物流运输成本方面主要分为道路成本、储存成本、装卸成本三个方面。定义S表示调度方案，使用形式化语言进行描述可表示为：

get：S(Sh₁，Sh₂，…Sh_k) (1)

其中，k≤m(物流车辆总数)，Sh_i表示物流车辆的调度状态，包括ID、LD、lc、pt四个元素，可表示为：

Sh_i(ID，LD，lc，pt) (2)

ID表示物流车辆的编号，LD表示物流车辆运输货物的集合，设物流车辆装载有ld₁，ld₂，…ld_n的货物，ld_i表示目的地为J_i的货物，lc表示物流车辆定位信息，pt表示物流车辆所行驶路径的集合，使用pt1，pt2，…ptn表示路径节点。

设调度方案S有如下公式：

min F(x)＝[tr(S)，lu(S)，cc(S)，cb(S)，lt(S)]^T (3)

公式(3)中tr(S)表示物流车辆运输消耗，本文采取车辆运输耗时作为考虑，实际使用中还需根据情况进行选择。

其中，Price(Sh_i)表示在调度方案Sh_i和lc确定时，通过最短路径法将物流车辆完成运送所产生的成本，tv表示方案中Sh_i的运输货物总数。

公式(3)中lu(S)表示物流车辆的平均装卸成本。在实际的物流业务过程中，车辆是否满载对物流车辆的装卸成本影响较小，因此本文设计根据调度方案S中装卸行为的总次数进行计算。

其中，k表示装载行为次数，lp表示物流车辆单次装载所需成本，ul(Sh_i)表示方案Sh_i中卸货次数，lu表示物流车辆单次卸货成本。

公式(3)中cc(S)表示物流仓库存储所需成本。cc(S)约束的目的在于在调度中使物流车辆装载尽可能多的货物，以降低货物存储成本。

其中，cp表示每吨货物仓库的存储成本，VC表示集散站点W_i在调度方案S中所剩余的存储量，VC可用如下公式表示：

公式(3)中cb(S)表示物流仓库的仓储平衡度。cb(S)约束的目的在于保证各个集散站点仓库存储率的相对一致性。缺少此约束将导致算法为追求更低的运输成本，导致部分仓库仓库存储率过高，从而影响整体物流运送效率。

cb(S)＝D(CP(W(VC))) (8)

其中，VC表示集散站点W_i在方案S中所余下的库存，CP表示库存占仓库容积的比例，D表示各集散站点的均方差。

公式(3)中lt(S)表示所装载货物需要送达的剩余时间。lt(S)约束的目的在于保证物流货物准时送达，当货物剩余配送时间不充足时，该货物将被率先配送，从而保证货物的准时送达。

其中，Time表示在Sh_i方案中物流车辆所装载货物剩余的配送时间，Load表示在Sh_i方案中物流车辆所装载的货物总量。

物流车辆调度算法的目标中，tr(S)，lu(S)，cc(S)三项目标的权重较高，它们直接影响着算法所追求的最低物流运输成本和最快物流运输速度。而cb(S)目标确保了各集散站点仓库储存率的相对平衡，lt(S)目标确保紧急货物的优先配送。同时，调度算法也必须满足以下约束：

其中，公式(10)确保在调度方案Shi中物流车辆不能装载超出车辆总载重量的货物，公式(11)确保在调度方案Shi中物流车辆从配送中心i运输至集散站点c的货物不会超过从在i点所有目的地为c点的所有货物的总和。

2、物流车辆智能调度算法。

(1)物流车辆智能调度算法总体框架。

各物流公司的站点仓库、货物信息、物流车辆数据库已趋于完善，本调度模型所使用的运算参数从物联网技术和物流公司信息数据库获得，包括物流车辆载重、位置信息，货物体积、剩余配送时间等，采用多目标优化算法，根据上文中所建立的调度模型和提出的优化目标进行求解，从而给出每辆物流车辆最佳的运输路线方案。物流车辆智能调度算法总体框架如图3所示。

算法中的G₁指从配送中心W₁发往各个集散站点W_i的物流货物，同时因为集散站点不负责货物目的地整理，各个集散站点的货物需运输至配送中心进行整理。算法在前几步中优先接近超时货物的装载，第9步则是利用所建立的智能调度模型，根据库存情况、车辆状态、实时路况等综合因素，采用多目标优化算法以提高物流公司的运输能力并控制运输过程中的耗时。

(2)物流车辆智能调度算法编码。

设智能调度算法的解集为φ，解集中任意一个解p_i，解的个数为k·n，其中k表示可投入运输工作的物流车辆总数，n表示物流仓库的总数。设解的元素为x_ij，当j＜n时，x_ij＝1表示物流车辆i负责目的地为j货物的运输，x_ij＝0表示物流车辆未装载到达该集散站点的货物。因为在现实运输过程中可能会出现车辆无负载进行运输工作的情况，因此通过x_in表示是否安排空载前去配送中心。因此，算法的解空间为φ＝{P_i}，种群空间为P＝{p_i，i＝1，2，...Cot}，其中，Cot表示种群的总数。

对于任意一个解p_i，当x_ij＝0，其中j≤n-1，并且x_in＝1时，可得到如下公式：

Sh_i(Ld)＝0 (12)

Sh_i(pt)＝max_id(13)

其中，max_id表示仓储剩余量最大的集散站点编号。

否则，设

可得到如下公式：

其中，Sh_i(pt)表示在给定调度方案Sh_i中，在给定的路网条件下，采用最短路径算法计算出成本最低的路线。这里采用遍历的思路，算法流程如图4所示

(3)物流车辆智能调度算法步骤。

智能调度算法基于遗传算法进行设计，其流程如图5所示。遗传的初始种群如上文所示，算法的优化方向由上文设计的tr(S)，lu(S)，cc(S)，lt(S)，cb(S)决定，采用交叉、变异、按目标择优选择的流程对调度方案换代优化。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等流程变换，或直接或间接运用在相关技术领域，均同理包括在本发明的专利保护范围。

Claims (6)

1.一种基于物联网技术的物流车辆智能调度算法，其内容包括以下部分：

物流车辆智能调度模型设计。所述模型设计过程包括物流车辆智能调度模型的建立和物流车辆智能调度模型优化目标的设计。从实际物流生产出发，根据物流行业的生产特性，优化传统调度模型，并根据模型将物流运输过程中的对象进行抽象化，确定算法优化方向。

物流车辆智能调度算法设计。所述算法设计过程包括物流车辆智能调度算法总体框架的设计、物流车辆智能调度算法编码的设计和物流车辆智能调度算法步骤的设计。基于多目标优化算法和遗传算法进行设计，根据优化目标择优选取的方式，经过算法多次迭代得出更适合物流运输情况的调度方案。

2.根据权利要求1所述的一种基于物联网技术的物流车辆智能调度算法，设计物流车辆智能调度模型，其步骤包括：

物流车辆智能调度模型的建立。优化传统调度算法中一个核心和多个发散点的辐射式模型，使用网状结构模型，使得物流车辆由只为一个集散站点服务的调度方案，转换成为多个集散站点服务后再返回配送中心。根据所设计模型，将物流运输中的对象抽象为以下集合：物流物品为G；配送点以及运输目的地为W；物流车辆为V；道路为L；调度方案的集合为S，调度方案分为每辆车辆的计划运输的货物以及路线规划。

物流车辆智能调度模型优化目标的设计。在建立智能调度模型的基础上，确定模型的约束条件和求解目标，以物流运输成本为原型设置优化目标。

3.根据权利要求2所述的物流车辆智能调度模型设计，设计物流车辆智能调度模型优化目标，其内容包括：

算法优化方向包括物流车辆装配以及行驶路径的效率提高，目的在于降低物流运输成本和提高物流运输速度，同时保证物流货物的准时送达。定义S表示调度方案，设调度方案S有如下优化目标公式：min F(x)＝[tr(S)，lu(S)，cc(S)，cb(S)，lt(S)]^T。其中，tr(S)表示物流车辆运输消耗，lu(S)表示物流车辆平均装卸成本，cc(S)表示物流仓库存储所需成本，cb(S)表示物流仓库的仓储平衡度，lt(S)表示所装载货物需要送达的剩余时间。

同时，调度算法也必须满足以下约束：在调度方案S中，物流车辆不能装在超出车辆总载重量的货物；在调度方案S中，物流车辆从配送中心i运输至集散站点c的货物不会超过在i点所有目的地为c点的货物的总和。

4.根据权利要求1所述的一种基于物联网技术的物流车辆智能调度算法，设计物流车辆智能调度算法。其步骤包括：

物流车辆智能调度算法总体框架的设计。利用物联网技术，获取算法所需各项运算参数，包括物流车辆载重、位置信息，货物体积、剩余配送时间等。采用多目标优化算法，根据上文中所建立的调度模型和提出的优化目标进行求解，从而给出每辆物流车辆最佳的运输路线方案。

物流车辆智能调度算法编码的设计。设定算法的解集和初始种群，以遍历思路采取最短路径算法，计算成本最低路线。

物流车辆智能调度算法步骤的设计。基于遗传算法对智能调度算法进行设计，对初始种群采用交叉、变异、按目标择优选择的流程进行算法迭代，从而得到最适合当前物流运输情况的调度方案。

5.根据权利要求4所述的物流车辆智能调度算法设计，设计物流车辆智能调度算法总体架构。其步骤包括：

1)程序初始化。根据物流运输实际情况，设定相应的对象集合，包括物流业务站点，物流车辆，位置信息的集合；

2)依赖于物流公司数据库的建立，获取算法所需的各项运算参数，包括物流货物的各项信息；

3)依赖于物联网技术的应用，获取算法所需的物流车辆状态信息；

4)依赖于物联网技术的应用，获取运输路线的实时道路状况信息；

5)计算各集散站点中两个站点间最长的物流耗时；

6)比对物流货物信息中剩余配送时间数据，为剩余配送时间小于两倍两站点最长物流耗时的货物安排物流车辆；

7)比对物流货物信息中剩余配送时间数据，为剩余配送时间小于两站点最长物流耗时的货物安排物流车辆，知道货物运载量达到物流车辆的额定装载量；

8)更新相应的对象集合信息；

9)保证配送及时性的前提下，若此时仍有物流车辆待命，则根据智能调度算法对物流车辆进行调度；

10)重复执行第二步。

6.根据权利要求4所述的物流车辆智能调度算法设计，设计物流车辆智能调度算法具体步骤。其步骤包括：

1)设定种群，完成初始化，对初始种群进行排序，并计算初始种群中个体相对于优化目标的函数值；

2)基于优化目标对初始种群进行择优选择；

3)对选择后的种群进行与或交叉；

4)对选择后的种群进行编译；

5)对经过交叉、变异后的种群进行排序，并计算遗传种群中个体相对于优化目标的函数值；

6)基于优化目标对遗传种群进行择优选择；

7)重复第3～6步，完成调度方案的迭代优化。

Images