CN113240175A - 配送路线的生成方法、设备、存储介质和程序产品 - Google Patents
配送路线的生成方法、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN113240175A CN113240175A CN202110512923.5A CN202110512923A CN113240175A CN 113240175 A CN113240175 A CN 113240175A CN 202110512923 A CN202110512923 A CN 202110512923A CN 113240175 A CN113240175 A CN 113240175A
- Authority
- CN
- China
- Prior art keywords
- distribution
- point
- delivery
- points
- route
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 751
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000002776 aggregation Effects 0.000 claims abstract description 55
- 238000004220 aggregation Methods 0.000 claims abstract description 55
- 238000012384 transportation and delivery Methods 0.000 claims description 351
- 238000005192 partition Methods 0.000 claims description 58
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 21
- 238000012546 transfer Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了配送路线的生成方法、设备、存储介质和程序产品,涉及计算机技术中的物联网、智能交通、电子地图、仓储物流等领域。具体实现方案为:通过根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程;根据各配送点之间的配送里程对配送点进行聚类,得到多个点簇;并根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,得到的每个配送点集合中的配送点间的配送里程小,配送点的聚集性好;生成的每一配送点集合对应的配送路线中配送点的聚集性好,能够有效避免不同配送路线之间的交叉,提高配送路线的聚集性,从而能够提高基于配送路线的配送效率。
Description
技术领域
本公开涉及计算机技术中的物联网、智能交通、电子地图、仓储物流等领域,尤其涉及一种配送路线的生成方法、设备、存储介质和程序产品。
背景技术
近年来,物流业中配送规模在成倍增长、配送网络也日益复杂,另外,交通设施飞速发展,道路通行情况更加复杂(例如限行、限宽、限轴、限重、限时等),配送物资愈加多样化(例如恒温存储的物资、冷藏存储的物资、生鲜等),客户的配送体验要求(例如对配送时间的要求等)也越来越严格,配送难度成倍增加。基于人工经验的调度车辆以及配送路线生成的方式,在效率与效果上均有很大的不足,无法满足需求。
目前,基于传统的聚类算法生成的配送路线,每条配送路线上的配送点比较分散,多条配送路线之间有交叉,基于配送路线的配送效率低。
发明内容
本公开提供了一种配送路线的生成方法、设备、存储介质和程序产品。
根据本公开的第一方面,提供了一种配送路线的生成方法,包括:
响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成所述配送点的路网信息,所述路网信息包括任意两个配送点之间的配送里程;
根据各所述配送里程对配送点进行聚类,得到多个点簇,每个所述点簇包括至少一个所述配送点;并根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合,每个所述配送点集合包含一个或者多个所述点簇;
根据所述多个配送点集合,生成每一所述配送点集合对应的配送路线,所述配送路线包含对应的配送点集合中的所有配送点。
根据本公开的第二方面,提供了一种配送路线的生成设备,包括:
路网信息生成模块,用于响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成所述配送点的路网信息,所述路网信息包括任意两个配送点之间的配送里程;
聚簇模块,用于根据各所述配送里程对配送点进行聚类,得到多个点簇,每个所述点簇包括至少一个所述配送点;
合并模块,用于根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合,每个所述配送点集合包含一个或者多个所述点簇;
配送路线生成模块,用于根据所述多个配送点集合,生成每一所述配送点集合对应的配送路线,所述配送路线包含对应的配送点集合中的所有配送点。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术提高了生成的配送路线的聚集性,提高了配送效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是可以实现本公开实施例的配送路线的生成的场景图;
图2是本公开第一实施例提供的配送路线的生成方法流程图;
图3是本公开第二实施例提供的生成路网信息的方法流程图;
图4是本公开第三实施例提供的配送路线的生成方法流程图;
图5是本公开第四实施例提供的配送路线的生成设备示意图;
图6是本公开第五实施例提供的配送路线的生成设备示意图;
图7是用来实现本公开实施例的配送路线的生成的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开提供一种配送路线的生成方法、设备、存储介质和程序产品,应用于计算机技术中的物联网、智能交通、电子地图、仓储物流等领域,以提高基于生成的配送路线进行配送时的配送效率低。
本公开提供的配送路线的生成方法,至少可以应用于如下的物流配送场景:
第一种应用场景为:根据各个物流订单的收货地址,将收货地址在某一地理区域内的订单的货物运送至该地理区域内的仓库之后,需要按照每一订单的收货地址调度车辆将获取有仓库配送至收货地址对应的配送点,以使收件人在配送点处接收货物。每一订单对应一个配送任务,针对配送任务生成配送路线。
第二种应用场景为:根据各个物流订单的收货地址,将货物从某一仓库运送到各个地理区域内的中转站,将每一中转站作为配送点,收货地址对应的配送点是指收货地址对应的中转站。每一订单对应一个配送任务,针对配送任务生成配送路线。例如,由某一城市内总仓库向各个城区的中转站配送货物,或者,由某一城区的中转站向该城区内各个街道的中转站配送货物,等。
本公开提供的配送路线的生成方法,应用于物流配送场景的物流配送系统,如图1所示,物流配送系统可以包括:电子设备11、配送点12、仓库13和车辆14。其中,配送点12和仓库13具有对应的地址信息,地址信息可以存储在地址库中。车辆14是指用于沿配送路线执行配送任务的车辆,具有车辆标识、车型、能够承载的最大容量等信息。基于配送系统中配送点、仓库、车辆等信息可以生成路网信息,电子设备11能够获取路网信息,并根据路网信息,对配送点进行分簇、合并处理,得到多个配送点集合,基于多个配送点集合生成配送路线,所生成的配送路线满足配送约束条件、并且聚集性强,能提高配送效率。
另外,生成的配送路线需满足一定的配送约束条件。该配送约束条件可以包括对配送路线的最长配送时间,最大配送里程,配送点配送的时间窗(如必须某一时间段内配送),配送地理位置特殊要求(如只允许某一车型的车辆出入),车辆可以承载的体积、重量等进行约束。配送约束条件可以根据具体应用场景的业务需求进行设置和调整。
本公开中,如图1所示,电子设备11可以基于货运物流地图15、配送点和仓库的地址信息、车辆的信息等,通过地址解析聚合、区域划分、路网计算来生成路网信息,进行路网计算时,可以采用模糊路网的方式计算配送点间的配送里程,可以提高路网信息的精准度。其中,货运物流地图中包含对于配送车辆的限行规则用于根据配送车辆的行驶规则进行路线导航。
图2是本公开第一实施例提供的配送路线的生成方法流程图。如图2所示,该方法具体步骤如下:
步骤S201、响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程。
本实施例中,可以每间隔一段时间,通过步骤S201-S204,针对当前还未处理的多个配送任务生成配送路线,然后调度车辆执行基于生成的配送路线执行配送任务。
示例性地,可以在每天的若干固定时间点(如早上一个时间点和中午一个时间点),进行配送任务的配送路线的生成。
示例性地,可以每间隔3个小时,进行一次配送任务的配送路线的生成。
其中,每个配送任务具有收货地址,待配送的货物信息等。其中收货地址通常为具体到门牌号的详细地址。
在应用于不同的应用场景时,收货地址对应的配送点所指代的地方不同。
针对上述第一种应用场景,根据各个物流订单的收货地址,将收货地址在某一地理区域内的订单的货物运送至该地理区域内的仓库之后,需要按照每一订单的收货地址调度车辆将获取有仓库配送至收货地址对应的配送点,以使收件人在配送点处接收货物。这一场景下,配送车辆无法行驶至收货地址,只能行驶至收货地址附近的配送点,然后由配送员将货物从配送点送至收货地址,或者通知收件人前往配送点取货。
针对上述第二种应用场景为:根据各个物流订单的收货地址,将货物从某一仓库运送到各个地理区域内的中转站,将每一中转站作为配送点,收货地址对应的配送点是指收货地址对应的中转站。每一订单对应一个配送任务,针对配送任务生成配送路线。这一场景下,收货地址对应的配送点就是收货地址所在位置点。
在进行路径生成时,基于各配送任务对应的配送点的位置信息,来构建配送任务对应的配送点的路网信息,基于该路网信息生成配送路径。
步骤S202、根据各配送里程对配送点进行聚类,得到多个点簇,每个点簇包括至少一个配送点。
在得到配送任务对应的配送点的路网信息之后,根据各配送点之间的配送里程,对配送点进行聚类,可以得到多个点簇。
该步骤中,可以采用现有的任意一种基于密度的聚类算法、或基于距离的聚类算法实现,例如DBSCAN(Density-Based Spatial Clustering of Applications withNoise)、或者k均值聚类算法(k-means clustering algorithm)等,本实施例此处不做具体限定。
步骤S203、根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,每个配送点集合包含一个或者多个点簇。
在对配送点聚类得到多个点簇之后,可以根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合。
其中,两个点簇之间的距离,可以根据分别位于两个点簇中两个配送点之间的配送里程确定。
例如,两个点簇之间的距离可以是:分别位于两个点簇中任意两个配送点之间的配送里程的最小值、或者分别位于两个点簇中两个配送点之间的配送里程的平均值。
该步骤中,将距离较近的点簇合并成为一个配送点集合,配送点集合中的配送点的聚集性很好。
其中,生成的配送点集合的数量也就是生成的配送路线的数量,可以根据实际应用场景中该区域内的配送车辆的数量确定。
步骤S204、根据多个配送点集合,生成每一配送点集合对应的配送路线,每一配送路线包含对应的配送点集合中所有配送点。
在得到多个配送点集合之后,确定每一配送点集合中的各配送点的先后顺序,得到对应的配送路线,这样,每条配送路线包含的配送点间的距离小,配送点聚集在一个较小范围内,尽量减少各个配送路线之间的交叉,配送路线的聚集性好。
本实施例通过根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程;根据各配送点之间的配送里程对配送点进行聚类,得到多个点簇;并根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,得到的每个配送点集合中的配送点间的配送里程小,配送点集中一个较小范围内,配送点的聚集性好;生成的每一配送点集合对应的配送路线中配送点的聚集性好,能够有效避免不同配送路线之间的交叉,提高配送路线的聚集性,从而能够提高基于配送路线的配送效率。
图3是本公开第二实施例提供的生成路网信息的方法流程图。在上述第一实施例基础上,本实施例中,对生成路网信息的具体实现方式进行详细地说明。
在生成配送点的路网信息时,通常以两个配送点间的直线距离、曼哈顿距离、或者球面距离,作为衡量两个配送点之间配送里程的远近,并基于距离信息,生成配送路线。但是实际道路不存在横平竖直的情况,特别是在山区和河流湖泊较多的地方,存在很大的绕路成本,以直线距离、曼哈顿距离、或球面距离来衡量两个配送点之间的配送里程,没有考虑实际车辆的通行情况,与实际配送里程相去甚远,精准度低。
本实施例中,配送点的路网信息包括各个配送点之间的配送里程,更贴近物流配送的实际应用场景,提高路网信息的精准度,从而进一步提高生成的配送路线的聚集性和精准度。
如图3所示,生成路网信息的具体步骤如下:
步骤S301、响应于多个配送任务,根据多个配送任务的收货地址,对收货地址进行聚合处理,得到收货地址对应的配送点,一个配送点与一个或者多个收货地址对应。
其中,每个配送任务具有收货地址,待配送的货物信息等。其中收货地址通常为具体到门牌号的详细地址。
在实际应用中,配送任务的收货地址是用户输入的地址信息,电子设备可以基于地址信息,确定地址信息对应的地理坐标。另外,电子设备也可以基于地理坐标,确定地理坐标对应的地址信息,实现地址信息和地理坐标之间的转换。
示例性地,响应于多个配送任务,可以采用地址解析算法对配送任务的收货地址进行地址解析,确定收货地址对应的地理坐标。
其中,地址解析算法解析某一收货地址时,给出解析结果并给出解析结果的准确度。对于不符合地址规则的地址,解析结果的准确度低,或者解析失败。
例如,地址不符合地址规则的情况可以是:输入的地址信息缺少关键信息、地址不明确(例如某某大厦向西200米等)等。
可选地,在对各配送任务的收货地址进行地址解析之后,可以筛选出解析结果的准确度低于准确度阈值,以及解析失败的收货地址,通过前端页面显示这些收货地址,以进行这些收货地址的人工校验和校正。
进一步地,根据校正后的收货地址,确定对应的地理坐标。
可选地,可以将所有配送任务的配送地址存储至地址库中,以便于电子设备后续使用或者供用户查询。
该步骤中,可以将每一个收货地址作为一个配送点,但是这与实际配送的场景不符,且生成路网信息时需计算每两个配送点之间的距离信息,计算量很大,如果配送点个数是N,需要计算N×(N-1)次距离信息,计算量是O(N2)规模。当N为千或万级别时,路网矩阵的计算成本非常大。
该步骤中,在应用于不同的应用场景时,收货地址对应的配送点所指代的地方不同。
针对上述第一种应用场景,根据各个物流订单的收货地址,将收货地址在某一地理区域内的订单的货物运送至该地理区域内的仓库之后,需要按照每一订单的收货地址调度车辆将获取有仓库配送至收货地址对应的配送点,以使收件人在配送点处接收货物。
这一场景下,配送车辆无法行驶至收货地址,只能行驶至收货地址附近的配送点,然后由配送员将货物从配送点送至收货地址,或者通知收件人前往配送点取货。
该步骤的一种可选的实施方式中,根据各配送任务的收货地址,对收货地址进行聚合处理,得到收货地址对应的配送点。这样,可以将一些物理距离非常近的收货地址聚合为一个配送点,更加贴近实际配送场景,能够在保证路网信息精度的前提下,降低路网信息的计算规模。
例如,将同一个小区内收货地址聚合为一个配送点、将同一栋大楼的收货地址聚合为一个配送点等。
可选地,还可以根据POI信息,将配送任务的各收货地址聚合到与收货地址距离最近的POI点上,每个POI点作为一个配送点。
针对上述第二种应用场景,收货地址对应的配送点是不同地理区域内的中转站,配送点就是收货地址所在位置点。这种场景下,可以省略步骤S301的聚合过程,直接将每收货地址对应位置点作为配送点。
在确定配送任务的配送点之后,通过步骤S302-S303,根据各配送任务对应的配送点的位置信息,生成配送点的路网信息。
步骤S302、根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个配送点所在的分区。
在实际应用场景中,可以将当前所在地理区域划分为多个分区,不同的分区之间的配送是相互独立的,不会进行跨分区的配送,也即不会出现跨分区的配送路线。例如,不同的省市、不同城市、不同城区的配送任务相互独立。
该步骤中,根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个配送点所在的分区。
步骤S303、确定位于同一分区内的任意两个配送点间的配送里程,并将位于不同分区内的两个配送点间的配送里程设置为预设值,得到路网信息,其中,预设值大于位于同一分区内的任意两个配送点的最大配送里程。
该步骤中,将位于不同分区内的两个配送点间的配送里程设置为一个较大的预设值,使得后续生成配送路线时,同一配送路线不会包含多个不同分区内的配送点,同时可以减少不同分区间配送点的距离信息的计算,减低了路网信息的计算量。
其中,预设值可以是无穷大,或者远大于位于同一分区内的任意两个配送点的最大配送里程,预设值可以根据实际应用场景的需要进行设置和调整,此处不做具体限定。
该步骤中,确定位于同一分区内的两个配送点间的配送里程,可以是两个配送点间的导航距离,从而能够精准地衡量两个配送点之间的配送里程,提高路网信息的精准度。
示例性地,为了进一步减少路网信息的计算量,该步骤中,对于位于同一分区内的任意两个配送点,若两个配送点间的距离大于距离阈值,则将两个配送点间的距离与对应扩张系数的乘积,作为两个配送点间的配送里程。
其中,两个配送点间的距离可以是两个配送点间的直线距离、曼哈顿距离或者球面距离,或者还可以是其他基于两个配送点的地理坐标计算得到两个配送点间的距离信息。扩张系数可以根据两个配送点间的距离的大小进行动态调整。
由于在实际应用场景中,两个配送点间隔较远时,两个配送点间的直线距离与配送里程的差值相对于配送里程来说很小,因此对于同一个分区内距离较远的两个配送点,可以用两个配送点间的距离乘以扩张系数替代配送里程,可以进一步减少路网信息的计算量,同时不会影响基于路网信息生成的配送路线的聚集性、均衡性和精准度。
进一步地,对于位于同一分区内的任意两个配送点,若两个配送点间的距离小于或等于距离阈值,将两个配送点间的导航距离作为两个配送点间的配送里程。
目前,常规的地图导航方案都是基于家用小轿车等非货运车辆的行驶规则进行路线导航,不会考虑货运车辆的限行规则等,因此导航路径不完全适用于货运车辆,确定的导航距离应用于货运车辆的配送路线时不准确。
本实施例中,可以根据货运物流地图,确定两个配送点间的导航距离。其中,货运物流地图用于根据配送车辆的行驶规则进行路线导航。货运物理地图包含各个道路的货运车辆的行驶规则(例如限行时间、限速信息等),在进行路线导航时,基于货运车辆的行驶规则进行配送路线的导航,确定的导航时间更加精准。
本实施例的另一实施方式中,还可以不进行分区,在确定任意两个配送点之间的配送里程时,若两个配送点间的距离大于距离阈值,则将两个配送点间的距离与对应扩张系数的乘积,作为两个配送点间的配送里程;若两个配送点间的距离小于或等于距离阈值,将两个配送点间的导航距离作为两个配送点间的配送里程,从而减少网络信息的计算量。
本实施例通过根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个配送点所在的分区,将位于不同分区内的两个配送点间的配送里程设置为一个较大的预设值,使得后续生成配送路线时,同一配送路线不会包含多个不同分区内的配送点,同时可以减少不同分区间配送点的距离信息的计算,减低了路网信息的计算量;进一步地,对于位于同一分区内的两个配送点间的配送里程,可以是两个配送点间的导航距离,从而能够精准地衡量两个配送点之间的配送里程,提高路网信息的精准度,对于同一个分区内距离较远的两个配送点,可以用两个配送点间的距离乘以扩张系数替代配送里程,可以进一步减少路网信息的计算量,同时不会影响基于路网信息生成的配送路线的聚集性、均衡性和精准度。
图4是本公开第三实施例提供的配送路线的生成方法流程图。在上述第一实施例或者第二实施例的基础上,本实施例中,根据多个配送点集合,生成每一配送点集合的配送路线之后,还可以基于遗传算法,对配送路线进行迭代优化,以提高配送路线的聚集性和均衡性。
如图4所示,该方法具体步骤如下:
步骤S401、响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程。
该步骤中,根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,可以采用第二实施例中的方法实现,本实施例此处步骤赘述。
在生成路网信息之后,通过步骤S402-S410,生成配送路线。
步骤S402、根据各配送里程对配送点进行聚类,得到多个点簇,每个点簇包括至少一个配送点。
该步骤的一种可选的实施方式,可以利用DBSCAN算法,根据各配送里程对配送点进行聚类,得到多个点簇。DBSCAN算法中有一个重要参数为步长(eps),使用迭代算法,每一次迭代调用一次DBSCAN算法,并查找包含的配送点个数大于配送点数量阈值的点簇,降低步长的值,进行下一次迭代,直至满足第一迭代停止条件。
其中,配送点数量阈值是指每条配送路线中允许包含的配送点的最大数量。配送点数量阈值可以根据实际应用场景的需要进行设置和调整,此处不做具体限定。
配送点数量阈值越大,最终生成的点簇的个数越少,计算规模降低越多;但另外一方面,配送点数量阈值越大,每个点簇中的配送点的个数越多,点簇之间进行合并的灵活性越低,得到的配送路线结果越不好,因此需要根据实际情况对配送点数量阈值进行灵活调整。
具体地,将所有配送点构成的点簇作为初始的点簇,重复执行以下步骤1-3,直至满足第一迭代停止条件:
步骤1、确定满足预设数量要求的目标点簇,其中,预设数量要求为点簇所包含的配送点的数量大于配送点数量阈值。
步骤2、根据步长,依据每一目标点簇中的各配送点之间的配送里程,对每一目标点簇进行聚类,得到每一目标点簇所对应的点簇,其中每一目标点簇所对应的点簇为多个。
对于步骤1中确定包含的配送点数太多的目标点簇,在该目标点簇内部进行聚类,将该目标点簇内所包含的配送点聚类成多个新的点簇,这些新的点簇中的配送点的数量小于目标点簇中的配送点的数量,实现目标点簇的拆分。
步骤3、减小步长的值。
在步骤3之后,如果满足第一迭代停止条件,则停止迭代,得到多个点簇。如果还不满足第一迭代停止条件,则迭代执行步骤1-3,直至满足第一迭代停止条件。
其中,第一迭代停止条件为:每个点簇所包含的配送点的数量均小于配送点数量阈值,或者,步长小于步长阈值。
另外,步长阈值可以根据实际应用场景的需要进行设置和调整,当配送点过于集中时,将会在步长小于步长阈值时停止迭代。
通过多次迭代,依次将包含的配送点数量超出配送点数量阈值的点簇进行拆分,减少各个点簇中包含的配送点的数量,同时保证每个点簇中配送点的聚集性,能够将临近的点聚类成一个点簇,降低生成配送路线时的计算规模,提高配送路线的生成效率。
另外,该步骤还可以采用其他基于距离的聚类算法、或基于密度的聚类算法实现,本实施例此处不做具体限定。
步骤S403、根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,每个配送点集合包含一个或者多个点簇。
该步骤中,具体可以采用如下方式实现:
从多个点簇中选择核心点簇,核心点簇的数量等于预设的配送路线数量;根据各非核心点簇与核心点簇之间的距离,确定非核心点簇中与核心点簇距离最短的第一点簇,其中非核心点簇是指未包含在核心点簇中的点簇;将第一点簇和第一点簇的临近点簇合并入核心点簇中,得到新的点簇作为一个配送点集合。这样,能够将距离近的点簇合并,最终得到的配送点集合中的配送点的聚集性好,从而可以提高生成的配送路线中配送点的聚集性。
其中,两个点簇之间的距离,可以根据分别位于两个点簇中两个配送点之间的配送里程确定。
可选地,两个点簇之间的距离可以是:分别位于两个点簇中任意两个配送点之间的配送里程的最小值、或者分别位于两个点簇中两个配送点之间的配送里程的平均值。
预设的配送路线数量可以根据实际应用场景的需要进行设置和调整,例如,预设的配送路线数量可以根据当前所在地理区域内配送车辆的数量确定,本实施例此处不做具体限定。
本实施例中,在根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合之前,根据配送约束条件和各点簇之间的距离,确定每个点簇的临近点簇,以便于将临近的点簇进行合并。
可选地,可以在步骤S402中根据各配送里程对配送点进行聚类,得到多个点簇之后,分别计算得到各个点簇的临近点簇。
具体地,根据配送约束条件和各点簇之间的距离,确定每个点簇的临近点簇,可以采用如下方式实现:
将任一点簇作为第二点簇,根据第三点簇与第二点簇的距离,按照与第二点簇的距离由小到大的顺序,对第三点簇排序,第三点簇为除第二点簇之外的任意点簇;根据配送约束条件和第三点簇的排列顺序,将前N个第三点簇作为第二点簇的临近点簇。
其中,前N个第三点簇与第二点簇合并后,得到的第四点簇对应的配送路线满足配送约束条件,并且前N+1个第三点簇与第二点簇合并后,得到的第五点簇对应的配送路线不满足配送约束条件,N为正整数。
这样,确定一个点簇的临近点簇时,考虑合并时,将一个点簇的所有临近簇都合并入该点簇时,该点簇对应的配送路线能够满足配送约束条件,从而为生成满足配送约束条件的配送路线提供数据基础。
其中,配送约束条件包括以下至少一项:
包含的配送点的数量小于配送点数量阈值、最长配送时间小于配送时间阈值、最长配送里程小于配送里程阈值、各配送点的配送时间窗满足要求。
其中,某一配送路线的最长配送时间是指从配送起点出发,完成该配送路线上所有配送点的配送所需的配送时间,配送时间阈值可以根据实际应用场景的需要进行设置和调整,此处不做具体限定。
某一配送路线的最长配送里程是指从配送起点出发,完成该配送路线上所有配送点的配送所需的配送里程,由于各配送点依次配送,最长配送里程也就是从配送起点行驶至最后一个配送点的里程。配送里程阈值可以根据实际应用场景的需要进行设置和调整,此处不做具体限定。
示例性地,各配送点的配送时间窗满足要求可以是按照各配送点的配送时间窗的要求,配送时间窗更早的配送点排在配送时间窗更晚的配送点之前。
步骤S404、根据多个配送点集合,生成每一配送点集合的配送路线。
本实施例中,该步骤具体可以采用如下方式实现:
确定每一配送点集合中各配送点的配送顺序,将每一配送点集合中各配送点按照配送顺序依次排列,形成每一配送点集合的配送路线。这样得到的每条配送路线包含的配送点的聚集性好,能够尽量减少或避免各个配送路线之间的交叉,提高生成的配送路线的聚集性。
可选地,可以基于贪心算法确定每一配送点集合中各配送点的配送顺序,以提高每一配送路线的配送效率。
进一步地,生成每一配送点集合的配送路线之后,还可以检查各个配送路线是否配送约束条件,若确定存在不满足配送约束条件的配送路线,则对不满足配送约束条件的配送路线进行修正,以提高配送路线的可用性。
示例性地,对于不满足配送约束条件的配送路线,可以进行拆分和重组,以使重组后的配送路线满足配送约束条件。
对不满足配送约束条件的配送路线进行修正,可以采用现有技术中能实现类似功能的方法实现,此处不再赘述。
在根据多个配送点集合,生成每一配送点集合的配送路线之后,可以通过步骤S405-S409,基于遗传算法,对所生成的配送路线进行多轮迭代优化,以提高最终生成的配送路线的聚集性和均衡性。
其中,遗传算法可以采用NSGA-II遗传算法或者其他遗传算法,此处不做具体限定。
步骤S405、确定配送路线的聚集性信息和/或均衡性信息;
其中,配送路线的聚集性信息包括:配送路线中合并入的点簇的个数。在步骤S403的合并过程中,点簇内的配送点可以认为是绝对聚集的,临近簇的加入是破坏聚集性的主要因素,通过计算合并入的点簇的个数,合并入的点簇的个数越大,代表结果跨越的点簇个数越多,其聚集性越差,且不均衡的概率越大,能够很好地衡量配送路线的聚集性,能在一定程度上衡量均衡性。
配送路线的均衡性信息包括以下至少一项:
配送时间与均值配送时间偏离的差值、配送里程与均值配送里程偏离的差值、所包含的配送点的数量与均值配送点数量的差值。
其中,均值配送时间是指多个配送路线的配送时间的均值,均值配送里程是指多个配送路线的配送里程的均值,均值配送点数量是指多个配送路线数包含的配送点数量的均值。
为了提高配送路线的聚集性,需要使得不同配送路线之间的配送时间、配送里程、包含的配送点的数量等差别尽可能小,使得各配送路线尽可能成块状,少交叉。
上述任意一项均衡性信息,均可以衡量配送路线间的均衡性,配送时间与均值配送时间偏离的差值越小,配送路线在配送时间方面的均衡性越好;配送里程与均值配送里程偏离的差值越小,配送路线在配送里程方面的均衡性越好;所包含的配送点的数量与均值配送点数量的差值越小,配送路线在配送点数量方面的均衡性越好。通过上述一种或多种均衡性信息能够很好地衡量配送路线的均衡性。
在进行配送路线的迭代优化时,可以仅基于聚集性信息进行迭代优化,以提高配送路线的聚集性;或者,还可以基于至少一项均衡性信息进行迭代优化,以提高配送路线的均衡性;或者,还可以基于聚集性信息和至少一项均衡性信息进行迭代优化,以同时提高配送路线的聚集性和均衡性。
本实施例中,利用遗传算法进行配送路线的优化时,优化目标可以灵活设置,还可以基于出聚集性信息和均衡性信息之外的其他信息进行配送路线的优化。
步骤S406、利用遗传算法,根据配送路线的聚集性信息和/或均衡性信息,对配送路线进行优化,得到新的配送路线。
示例性地,可以基于遗传算法,根据配送路线的聚集性信息和/或均衡性信息,选择聚集性信息和/或均衡性信息差的配送路线,对聚集性信息和/或均衡性信息差的配送路线进行修正后,得到新的配送路线,其中新的配送路线包括修正后的配送路线和无需修正的配送路线。
示例性地,对于不满足配送约束条件的配送路线,可以进行拆分和重组,得到修正后的配送路线。
另外,对聚集性信息和/或均衡性信息差的配送路线进行修正,可以采用遗传算法应用于路径规划中路径迭代优化时的路径的修正方法实现,此处不再赘述。
可选地,在得到新的配送路线之后,若新的配送路线中存在不满足配送约束条件的路线,则对不满足配送约束条件的路线进行修正,以提高配送路线的可用性。
示例性地,对不满足配送约束条件的路线,可以进行拆分和重组,使得重组后的满足配送约束条件的配送路线。
另外,对不满足配送约束条件的配送路线进行修正,可以采用现有技术中能实现类似功能的方法实现,此处不再赘述。
在每次迭代优化结束时,本次迭代优化得到的新的配送路线构成一个路线集合。
步骤S407、判断是否满足第二迭代停止条件。
在进行一次迭代优化,得到新的配送路线之后,判断是否满足第二迭代停止条件。
示例性地,第二迭代停止条件可以包括:
本次迭代得到的新的配送路线的均衡性信息小于信息阈值。
其中,第二迭代停止条件中均衡性信息可以包括上述步骤S405中的一项或者多项均衡性信息,每项均衡性信息具有对应的信息阈值,各项均衡性信息对应的信息阈值不同,各项均衡性信息对应的信息阈值可以根据实际应用场景进行设置和调整,此处不做具体限定。
可选地,第二迭代停止条件还可以包括:迭代次数大于次数阈值、迭代优化的时长大于优化时长阈值等。其中,次数阈值、优化时长阈值可以根据实际应用场景进行设置和调整,此处不做具体限定。
该步骤中,若确定不满足第二迭代停止条件,则继续执行步骤S405-S406,进行下一次迭代优化。
若确定满足第二迭代停止条件,则执行步骤S408-S409。
步骤S408、若满足第二迭代停止条件时,得到多个路线集合,多个路线集合包括第一次迭代前的配送路线的集合,以及任一次迭代得到的新的配送路线的集合。
步骤S409、根据每个路线集合中的配送路线的聚集性信息和/或均衡性信息,确定最终的路线集合。
可选地,在迭代优化停止后,可以根据每个路线集合中的配送路线的聚集性信息,选择聚集性最好,也即是聚集性信息最小的路线集合,作为最终的路线集合。
可选地,在迭代优化停止后,可以根据每个路线集合中的配送路线的均衡性信息,选择均衡性最好,也即是均衡性信息最小的路线集合,作为最终的路线集合。如果均衡性信息包括多项,则综合多项均衡性信息,确定最终的路线集合。
可选地,在迭代优化停止后,可以综合根据每个路线集合中的配送路线的聚集性信息和均衡性信息,确定最终的路线集合。
示例性地,可以对计算每一路线集合中的配送路线的聚集性信息和均衡性信息的和,将聚集性信息和均衡性信息的和最小的路线集合,作为最终的路线集合。
示例性地,可以对对每一路线集合中的配送路线的聚集性信息和均衡性信息加权求和,将加权求和结果最小的路线集合,作为最终的路线集合。
本实施例中,根据点簇的空间关系进行点簇的合并处理,这样可以在合并过程中能够保证聚集性。同时,利用遗传算法的较好的多目标求解能力,基于聚集性信息和均衡性信息进行迭代优化,使得配送路线同时满足聚集性和均衡性效果。
本实施例通过根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程;根据各配送点之间的配送里程对配送点进行聚类,得到多个点簇;并基于邻域搜索的思想,根据各点簇之间的距离对多个点簇进行合并处理,生成多个配送点集合,得到的每个配送点集合中的配送点间的配送里程小,配送点集中一个较小范围内,配送点的聚集性好;生成的每一配送点集合对应的配送路线中配送点的聚集性好,能够有效避免不同配送路线之间的交叉,提高了配送路线的聚集性;在得到配送路线之后,通过基于遗传算法,对配送路线进行迭代优化,进一步地提高了配送路线的聚集性和均衡性,从而提高了大规模配送任务的配送效率。
图5是本公开第四实施例提供的配送路线的生成设备示意图。本公开实施例提供的配送路线的生成设备可以执行配送路线的生成方法实施例提供的处理流程。如图5所示,该配送路线的生成设备50包括:路网信息生成模块501,聚簇模块502,合并模块503和配送路线生成模块504。
具体地,路网信息生成模块501,用于响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程。
聚簇模块502,用于根据各配送里程对配送点进行聚类,得到多个点簇,每个点簇包括至少一个配送点。
合并模块503,用于根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,每个配送点集合包含一个或者多个点簇。
配送路线生成模块504,用于根据多个配送点集合,生成每一配送点集合对应的配送路线,配送路线包含对应的配送点集合中的所有配送点。
本公开实施例提供的设备可以具体用于执行上述第一实施例提供的方法实施例,具体功能此处不再赘述。
本实施例通过根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程;根据各配送点之间的配送里程对配送点进行聚类,得到多个点簇;并根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,得到的每个配送点集合中的配送点间的配送里程小,配送点集中一个较小范围内,配送点的聚集性好;生成的每一配送点集合对应的配送路线中配送点的聚集性好,能够有效避免不同配送路线之间的交叉,提高配送路线的聚集性,从而能够提高基于配送路线的配送效率。
图6是本公开第五实施例提供的配送路线的生成设备示意图。本公开实施例提供的配送路线的生成设备可以执行配送路线的生成方法实施例提供的处理流程。如图6所示,该配送路线的生成设备60包括:路网信息生成模块601,聚簇模块602,合并模块603和配送路线生成模块604。
具体地,路网信息生成模块601,用于响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程。
聚簇模块602,用于根据各配送里程对配送点进行聚类,得到多个点簇,每个点簇包括至少一个配送点。
合并模块603,用于根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合,每个配送点集合包含一个或者多个点簇。
配送路线生成模块604,用于根据多个配送点集合,生成每一配送点集合对应的配送路线,配送路线包含对应的配送点集合中的所有配送点。
可选地,如图6所示,聚簇模块602包括:
聚簇子模块6021,用于重复执行以下各步骤,直至满足第一迭代停止条件,其中,初始的点簇中包括所有配送点:
确定满足预设数量要求的目标点簇,其中,预设数量要求为点簇所包含的配送点的数量大于配送点数量阈值;根据步长,依据每一目标点簇中的各配送点之间的配送里程,对每一目标点簇进行聚类,得到每一目标点簇所对应的点簇,其中,每一目标点簇所对应的点簇为多个;减小步长的值。
可选地,第一迭代停止条件为:每个点簇所包含的配送点的数量均小于配送点数量阈值,或者,步长小于步长阈值。
可选地,如图6所示,合并模块603,包括:
筛选子模块6031,用于从多个点簇中选择核心点簇,核心点簇的数量等于预设的配送路线数量。
合并子模块6032,用于根据各非核心点簇与核心点簇之间的距离,确定非核心点簇中与核心点簇距离最短的第一点簇,其中非核心点簇是指未包含在核心点簇中的点簇;将第一点簇和第一点簇的临近点簇合并入核心点簇中,得到新的点簇作为一个配送点集合。
可选地,如图6所示,聚簇模块602包括:
临近簇确定子模块6022,用于根据各点簇之间的距离,对多个点簇进行合并处理,生成多个配送点集合之前,根据配送约束条件和各点簇之间的距离,确定每个点簇的临近点簇。
可选地,临近簇确定子模块还用于:
将任一点簇作为第二点簇,根据第三点簇与第二点簇的距离,按照与第二点簇的距离由小到大的顺序,对第三点簇排序,第三点簇为除第二点簇之外的任意点簇;根据配送约束条件和第三点簇的排列顺序,将前N个第三点簇作为第二点簇的临近点簇,前N个第三点簇与第二点簇合并后,得到的第四点簇对应的配送路线满足配送约束条件,并且前N+1个第三点簇与第二点簇合并后,得到的第五点簇对应的配送路线不满足配送约束条件,N为正整数。
可选地,如图6所示,配送路线生成模块604,包括:
配送路线生成子模块6041,用于确定每一配送点集合中各配送点的配送顺序,将每一配送点集合中各配送点按照配送顺序依次排列,形成每一配送点集合的配送路线。
可选地,如图6所示,配送路线生成模块604,还包括:
约束检查子模块6042,用于确定每一配送点集合中各配送点的配送顺序,将每一配送点集合中各配送点按照配送顺序依次排列,形成每一配送点集合的配送路线之后,若确定存在不满足配送约束条件的配送路线,则对不满足配送约束条件的配送路线进行修正。
可选地,如图6所示,该配送路线的生成设备60还包括:
配送路线优化模块605,用于根据多个配送点集合,生成每一配送点集合的配送路线之后,对配送路线进行如下迭代处理:
确定配送路线的聚集性信息和/或均衡性信息;利用遗传算法,根据配送路线的聚集性信息和/或均衡性信息,对配送路线进行优化,得到新的配送路线;若不满足第二迭代停止条件,则对新的配送路线进行迭代处理,直至满足第二迭代停止条件时,得到多个路线集合,多个路线集合包括第一次迭代前的配送路线的集合,以及任一次迭代得到的新的配送路线的集合;根据每个路线集合中的配送路线的聚集性信息和/或均衡性信息,确定最终的路线集合。
可选地,第二迭代停止条件为:
本次迭代得到的新的配送路线的均衡性信息小于信息阈值。
可选地,配送路线优化模块还用于:
利用遗传算法,根据配送路线的聚集性信息和/或均衡性信息,对配送路线进行优化,得到新的配送路线之后,若新的配送路线中存在不满足配送约束条件的路线,则对不满足配送约束条件的路线进行修正。
可选地,如图6所示,配送路线的聚集性信息包括:配送路线中合并入的点簇的个数。
配送路线的均衡性信息包括以下至少一项:
配送时间与均值配送时间偏离的差值、配送里程与均值配送里程偏离的差值、所包含的配送点的数量与均值配送点数量的差值。
可选地,如图6所示,路网信息生成模块601,包括:
分区子模块6011,用于根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个配送点所在的分区。
配送里程确定子模块6012,用于确定位于同一分区内的任意两个配送点间的配送里程,并将位于不同分区内的两个配送点间的配送里程设置为预设值,得到路网信息,其中,预设值大于位于同一分区内的任意两个配送点的最大配送里程。
可选地,配送里程确定子模块还用于:
对于位于同一分区内的任意两个配送点,将两个配送点间的导航距离作为两个配送点间的配送里程。
可选地,配送里程确定子模块还用于:
对于位于同一分区内的任意两个配送点,若两个配送点间的距离小于或等于距离阈值,将两个配送点间的导航距离作为两个配送点间的配送里程;若两个配送点间的距离大于距离阈值,则将两个配送点间的距离与对应扩张系数的乘积,作为两个配送点间的配送里程。
可选地,如图6所示,路网信息生成模块601,还包括:
导航距离确定模块6013,用于根据货运物流地图,确定两个配送点间的导航距离,其中,货运物流地图用于根据配送车辆的行驶规则进行路线导航。
可选地,如图6所示,路网信息生成模块601,还包括:
配送点确定子模块6014,用于响应于多个配送任务,根据多个配送任务的收货地址,对收货地址进行聚合处理,得到收货地址对应的配送点,一个配送点与一个或者多个收货地址对应。
本公开实施例提供的设备可以具体用于执行上述第二或第三实施例提供的方法实施例,具体功能此处不再赘述。
本实施例通过根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个配送点所在的分区,将位于不同分区内的两个配送点间的配送里程设置为一个较大的预设值,使得后续生成配送路线时,同一配送路线不会包含多个不同分区内的配送点,同时可以减少不同分区间配送点的距离信息的计算,减低了路网信息的计算量;进一步地,对于位于同一分区内的两个配送点间的配送里程,可以是两个配送点间的导航距离,从而能够精准地衡量两个配送点之间的配送里程,提高路网信息的精准度,对于同一个分区内距离较远的两个配送点,可以用两个配送点间的距离乘以扩张系数替代配送里程,可以进一步减少路网信息的计算量,同时不会影响基于路网信息生成的配送路线的聚集性、均衡性和精准度。
本实施例通过根据各配送任务对应的配送点的位置信息,生成配送点的路网信息,路网信息包括任意两个配送点之间的配送里程;根据各配送点之间的配送里程对配送点进行聚类,得到多个点簇;并基于邻域搜索的思想,根据各点簇之间的距离对多个点簇进行合并处理,生成多个配送点集合,得到的每个配送点集合中的配送点间的配送里程小,配送点集中一个较小范围内,配送点的聚集性好;生成的每一配送点集合对应的配送路线中配送点的聚集性好,能够有效避免不同配送路线之间的交叉,提高了配送路线的聚集性;在得到配送路线之后,通过基于遗传算法,对配送路线进行迭代优化,进一步地提高了配送路线的聚集性和均衡性,从而提高了大规模配送任务的配送效率。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如配送路线的生成方法。例如,在一些实施例中,配送路线的生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的配送路线的生成方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行配送路线的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (37)
1.一种配送路线的生成方法,包括:
响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成所述配送点的路网信息,所述路网信息包括任意两个配送点之间的配送里程;
根据各所述配送里程对配送点进行聚类,得到多个点簇,每个所述点簇包括至少一个所述配送点;并根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合,每个所述配送点集合包含一个或者多个所述点簇;
根据所述多个配送点集合,生成每一所述配送点集合对应的配送路线,所述配送路线包含对应的配送点集合中的所有配送点。
2.根据权利要求1所述的方法,其中,根据各所述配送里程对配送点进行聚类,得到多个点簇,包括:
重复执行以下各步骤,直至满足第一迭代停止条件,其中,初始的点簇中包括所有配送点:
确定满足预设数量要求的目标点簇,其中,所述预设数量要求为点簇所包含的配送点的数量大于配送点数量阈值;
根据步长,依据每一目标点簇中的各配送点之间的配送里程,对每一目标点簇进行聚类,得到每一目标点簇所对应的点簇,其中,每一目标点簇所对应的点簇为多个;
减小所述步长的值。
3.根据权利要求2所述的方法,其中,所述第一迭代停止条件为:每个点簇所包含的配送点的数量均小于所述配送点数量阈值,或者,所述步长小于步长阈值。
4.根据权利要求1-3中任一项所述的方法,其中,所述根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合,包括:
从所述多个点簇中选择核心点簇,所述核心点簇的数量等于预设的配送路线数量;
根据各非核心点簇与所述核心点簇之间的距离,确定所述非核心点簇中与所述核心点簇距离最短的第一点簇,其中所述非核心点簇是指未包含在所述核心点簇中的点簇;
将所述第一点簇和所述第一点簇的临近点簇合并入所述核心点簇中,得到新的点簇作为一个配送点集合。
5.根据权利要求4所述的方法,其中,所述根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合之前,还包括:
根据配送约束条件和各所述点簇之间的距离,确定每个所述点簇的临近点簇。
6.根据权利要求5所述的方法,其中,所述根据配送约束条件和各所述点簇之间的距离,确定每个所述点簇的临近点簇,包括:
将任一所述点簇作为第二点簇,根据第三点簇与所述第二点簇的距离,按照与所述第二点簇的距离由小到大的顺序,对所述第三点簇排序,所述第三点簇为除所述第二点簇之外的任意点簇;
根据所述配送约束条件和所述第三点簇的排列顺序,将前N个第三点簇作为所述第二点簇的临近点簇,所述前N个第三点簇与所述第二点簇合并后,得到的第四点簇对应的配送路线满足所述配送约束条件,并且前N+1个第三点簇与所述第二点簇合并后,得到的第五点簇对应的配送路线不满足所述配送约束条件,N为正整数。
7.根据权利要求1-6中任一项所述的方法,其中,所述根据所述多个配送点集合,生成每一所述配送点集合的配送路线,包括:
确定每一所述配送点集合中各配送点的配送顺序,将每一所述配送点集合中各配送点按照配送顺序依次排列,形成每一所述配送点集合的配送路线。
8.根据权利要求7所述的方法,其中,所述确定每一所述配送点集合中各配送点的配送顺序,将每一所述配送点集合中各配送点按照配送顺序依次排列,形成每一所述配送点集合的配送路线之后,还包括:
若确定存在不满足配送约束条件的配送路线,则对不满足所述配送约束条件的配送路线进行修正。
9.根据权利要求1-8中任一项所述的方法,其中,所述根据所述多个配送点集合,生成每一所述配送点集合的配送路线之后,还包括:
对所述配送路线进行如下迭代处理:
确定所述配送路线的聚集性信息和/或均衡性信息;
利用遗传算法,根据所述配送路线的聚集性信息和/或均衡性信息,对所述配送路线进行优化,得到新的配送路线;
若不满足第二迭代停止条件,则对所述新的配送路线进行迭代处理,直至满足所述第二迭代停止条件时,得到多个路线集合,所述多个路线集合包括第一次迭代前的配送路线的集合,以及任一次迭代得到的新的配送路线的集合;
根据每个所述路线集合中的配送路线的聚集性信息和/或均衡性信息,确定最终的路线集合。
10.根据权利要求9所述的方法,其中,所述第二迭代停止条件为:
本次迭代得到的新的配送路线的均衡性信息小于信息阈值。
11.根据权利要求9所述的方法,其中,所述利用遗传算法,根据所述配送路线的聚集性信息和/或均衡性信息,对所述配送路线进行优化,得到新的配送路线之后,还包括:
若所述新的配送路线中存在不满足配送约束条件的路线,则对所述不满足所述配送约束条件的路线进行修正。
12.根据权利要求9-11中任一项所述的方法,其中,所述配送路线的聚集性信息包括:所述配送路线中合并入的点簇的个数;
所述配送路线的所述均衡性信息包括以下至少一项:
配送时间与均值配送时间偏离的差值、配送里程与均值配送里程偏离的差值、所包含的配送点的数量与均值配送点数量的差值。
13.根据权利要求1-12中任一项所述的方法,其中,所述响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成所述配送点的路网信息,包括:
根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个所述配送点所在的分区;
确定位于同一分区内的任意两个配送点间的配送里程,并将位于不同分区内的两个配送点间的配送里程设置为预设值,得到所述路网信息,其中,所述预设值大于位于同一分区内的任意两个配送点的最大配送里程。
14.根据权利要求13所述的方法,其中,所述确定位于同一分区内的任意两个配送点间的配送里程,包括:
对于位于同一分区内的任意两个配送点,将所述两个配送点间的导航距离作为所述两个配送点间的配送里程。
15.根据权利要求13所述的方法,其中,所述确定位于同一分区内的任意两个配送点间的配送里程,包括:
对于位于同一分区内的任意两个配送点,若所述两个配送点间的距离小于或等于距离阈值,将所述两个配送点间的导航距离作为所述两个配送点间的配送里程;
若所述两个配送点间的距离大于所述距离阈值,则将所述两个配送点间的距离与对应扩张系数的乘积,作为所述两个配送点间的配送里程。
16.根据权利要求14或15所述的方法,其中,所述将所述两个配送点间的导航距离作为所述两个配送点间的配送里程之前,还包括:
根据货运物流地图,确定所述两个配送点间的导航距离,其中,所述货运物流地图用于根据配送车辆的行驶规则进行路线导航。
17.根据权利要求13-16中任一项所述的方法,其中,响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成所述配送点的路网信息之前,还包括:
响应于多个配送任务,根据所述多个配送任务的收货地址,对所述收货地址进行聚合处理,得到所述收货地址对应的配送点,一个配送点与一个或者多个收货地址对应。
18.一种配送路线的生成设备,包括:
路网信息生成模块,用于响应于多个配送任务,根据各配送任务对应的配送点的位置信息,生成所述配送点的路网信息,所述路网信息包括任意两个配送点之间的配送里程;
聚簇模块,用于根据各所述配送里程对配送点进行聚类,得到多个点簇,每个所述点簇包括至少一个所述配送点;
合并模块,用于根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合,每个所述配送点集合包含一个或者多个所述点簇;
配送路线生成模块,用于根据所述多个配送点集合,生成每一所述配送点集合对应的配送路线,所述配送路线包含对应的配送点集合中的所有配送点。
19.根据权利要求18所述的设备,其中,所述聚簇模块包括:
聚簇子模块,用于重复执行以下各步骤,直至满足第一迭代停止条件,其中,初始的点簇中包括所有配送点:
确定满足预设数量要求的目标点簇,其中,所述预设数量要求为点簇所包含的配送点的数量大于配送点数量阈值;
根据步长,依据每一目标点簇中的各配送点之间的配送里程,对每一目标点簇进行聚类,得到每一目标点簇所对应的点簇,其中,每一目标点簇所对应的点簇为多个;
减小所述步长的值。
20.根据权利要求19所述的设备,其中,所述第一迭代停止条件为:每个点簇所包含的配送点的数量均小于所述配送点数量阈值,或者,所述步长小于步长阈值。
21.根据权利要求18-20中任一项所述的设备,其中,所述合并模块,包括:
筛选子模块,用于从所述多个点簇中选择核心点簇,所述核心点簇的数量等于预设的配送路线数量;
合并子模块,用于根据各非核心点簇与所述核心点簇之间的距离,确定所述非核心点簇中与所述核心点簇距离最短的第一点簇,其中所述非核心点簇是指未包含在所述核心点簇中的点簇;将所述第一点簇和所述第一点簇的临近点簇合并入所述核心点簇中,得到新的点簇作为一个配送点集合。
22.根据权利要求21所述的设备,其中,所述聚簇模块包括:
临近簇确定子模块,用于所述根据各所述点簇之间的距离,对所述多个点簇进行合并处理,生成多个配送点集合之前,根据配送约束条件和各所述点簇之间的距离,确定每个所述点簇的临近点簇。
23.根据权利要求22所述的设备,其中,所述临近簇确定子模块还用于:
将任一所述点簇作为第二点簇,根据第三点簇与所述第二点簇的距离,按照与所述第二点簇的距离由小到大的顺序,对所述第三点簇排序,所述第三点簇为除所述第二点簇之外的任意点簇;
根据所述配送约束条件和所述第三点簇的排列顺序,将前N个第三点簇作为所述第二点簇的临近点簇,所述前N个第三点簇与所述第二点簇合并后,得到的第四点簇对应的配送路线满足所述配送约束条件,并且前N+1个第三点簇与所述第二点簇合并后,得到的第五点簇对应的配送路线不满足所述配送约束条件,N为正整数。
24.根据权利要求18-23中任一项所述的设备,其中,所述配送路线生成模块,包括:
配送路线生成子模块,用于确定每一所述配送点集合中各配送点的配送顺序,将每一所述配送点集合中各配送点按照配送顺序依次排列,形成每一所述配送点集合的配送路线。
25.根据权利要求24所述的设备,其中,所述配送路线生成模块,还包括:
约束检查子模块,用于确定每一所述配送点集合中各配送点的配送顺序,将每一所述配送点集合中各配送点按照配送顺序依次排列,形成每一所述配送点集合的配送路线之后,若确定存在不满足配送约束条件的配送路线,则对不满足所述配送约束条件的配送路线进行修正。
26.根据权利要求18-25中任一项所述的设备,其中,还包括:
配送路线优化模块,用于所述根据所述多个配送点集合,生成每一所述配送点集合的配送路线之后,对所述配送路线进行如下迭代处理:
确定所述配送路线的聚集性信息和/或均衡性信息;
利用遗传算法,根据所述配送路线的聚集性信息和/或均衡性信息,对所述配送路线进行优化,得到新的配送路线;
若不满足第二迭代停止条件,则对所述新的配送路线进行迭代处理,直至满足所述第二迭代停止条件时,得到多个路线集合,所述多个路线集合包括第一次迭代前的配送路线的集合,以及任一次迭代得到的新的配送路线的集合;
根据每个所述路线集合中的配送路线的聚集性信息和/或均衡性信息,确定最终的路线集合。
27.根据权利要求26所述的设备,其中,所述第二迭代停止条件为:
本次迭代得到的新的配送路线的均衡性信息小于信息阈值。
28.根据权利要求26所述的设备,其中,所述配送路线优化模块还用于:
利用遗传算法,根据所述配送路线的聚集性信息和/或均衡性信息,对所述配送路线进行优化,得到新的配送路线之后,若所述新的配送路线中存在不满足配送约束条件的路线,则对所述不满足所述配送约束条件的路线进行修正。
29.根据权利要求26-28中任一项所述的设备,其中,所述配送路线的聚集性信息包括:所述配送路线中合并入的点簇的个数;
所述配送路线的所述均衡性信息包括以下至少一项:
配送时间与均值配送时间偏离的差值、配送里程与均值配送里程偏离的差值、所包含的配送点的数量与均值配送点数量的差值。
30.根据权利要求18-29中任一项所述的设备,其中,所述路网信息生成模块,包括:
分区子模块,用于根据各配送任务对应的配送点的位置信息,以及当前所在地理区域内的多个分区的位置,确定每个所述配送点所在的分区;
配送里程确定子模块,用于确定位于同一分区内的任意两个配送点间的配送里程,并将位于不同分区内的两个配送点间的配送里程设置为预设值,得到所述路网信息,其中,所述预设值大于位于同一分区内的任意两个配送点的最大配送里程。
31.根据权利要求30所述的设备,其中,所述配送里程确定子模块还用于:
对于位于同一分区内的任意两个配送点,将所述两个配送点间的导航距离作为所述两个配送点间的配送里程。
32.根据权利要求30所述的设备,其中,所述配送里程确定子模块还用于:
对于位于同一分区内的任意两个配送点,若所述两个配送点间的距离小于或等于距离阈值,将所述两个配送点间的导航距离作为所述两个配送点间的配送里程;
若所述两个配送点间的距离大于所述距离阈值,则将所述两个配送点间的距离与对应扩张系数的乘积,作为所述两个配送点间的配送里程。
33.根据权利要求31或32所述的设备,其中,所述路网信息生成模块,还包括:
导航距离确定模块,用于根据货运物流地图,确定所述两个配送点间的导航距离,其中,所述货运物流地图用于根据配送车辆的行驶规则进行路线导航。
34.根据权利要求30-33中任一项所述的设备,其中,所述路网信息生成模块,还包括:
配送点确定子模块,用于响应于多个配送任务,根据所述多个配送任务的收货地址,对所述收货地址进行聚合处理,得到所述收货地址对应的配送点,一个配送点与一个或者多个收货地址对应。
35.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-17中任一项所述的方法。
36.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-17中任一项所述的方法。
37.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-17中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512923.5A CN113240175B (zh) | 2021-05-11 | 2021-05-11 | 配送路线的生成方法、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512923.5A CN113240175B (zh) | 2021-05-11 | 2021-05-11 | 配送路线的生成方法、设备、存储介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240175A true CN113240175A (zh) | 2021-08-10 |
CN113240175B CN113240175B (zh) | 2024-02-02 |
Family
ID=77133486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110512923.5A Active CN113240175B (zh) | 2021-05-11 | 2021-05-11 | 配送路线的生成方法、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240175B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113764087A (zh) * | 2021-08-26 | 2021-12-07 | 南京天溯自动化控制系统有限公司 | 医院物资配送方法、装置、服务器及存储介质 |
CN113807608A (zh) * | 2021-10-09 | 2021-12-17 | 哈尔滨学院 | 基于物流优化的冷链供应管理系统、存储介质及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136104A (zh) * | 2011-03-22 | 2011-07-27 | 西安电子科技大学 | 基于负载均衡和lk算法的车辆路径规划方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN110490510A (zh) * | 2019-07-08 | 2019-11-22 | 北京三快在线科技有限公司 | 一种物流配送线路生成方法和装置 |
US20200019815A1 (en) * | 2018-07-16 | 2020-01-16 | Here Global B.V. | Clustering for k-anonymity in location trajectory data |
CN111428991A (zh) * | 2020-03-20 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于确定配送车辆的方法和装置 |
CN111428925A (zh) * | 2020-03-20 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于确定配送路径的方法和装置 |
CN111461430A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 用于生成路线信息的方法及装置 |
US20200364630A1 (en) * | 2019-05-15 | 2020-11-19 | Target Brands, Inc. | System and method for managing transportation vessels |
-
2021
- 2021-05-11 CN CN202110512923.5A patent/CN113240175B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136104A (zh) * | 2011-03-22 | 2011-07-27 | 西安电子科技大学 | 基于负载均衡和lk算法的车辆路径规划方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
US20200019815A1 (en) * | 2018-07-16 | 2020-01-16 | Here Global B.V. | Clustering for k-anonymity in location trajectory data |
US20200364630A1 (en) * | 2019-05-15 | 2020-11-19 | Target Brands, Inc. | System and method for managing transportation vessels |
CN110490510A (zh) * | 2019-07-08 | 2019-11-22 | 北京三快在线科技有限公司 | 一种物流配送线路生成方法和装置 |
CN111428991A (zh) * | 2020-03-20 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于确定配送车辆的方法和装置 |
CN111428925A (zh) * | 2020-03-20 | 2020-07-17 | 北京百度网讯科技有限公司 | 用于确定配送路径的方法和装置 |
CN111461430A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 用于生成路线信息的方法及装置 |
Non-Patent Citations (2)
Title |
---|
梅新;崔伟宏;高飞;刘俊怡;: "基于空间聚类的物流配送决策研究", 武汉大学学报(信息科学版), no. 04 * |
陈婵丽;钟映;: "基于改进K-means聚类方法的新零售物流配送路径优化", 物流技术, no. 05 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113764087A (zh) * | 2021-08-26 | 2021-12-07 | 南京天溯自动化控制系统有限公司 | 医院物资配送方法、装置、服务器及存储介质 |
CN113764087B (zh) * | 2021-08-26 | 2024-03-15 | 南京天溯自动化控制系统有限公司 | 医院物资配送方法、装置、服务器及存储介质 |
CN113807608A (zh) * | 2021-10-09 | 2021-12-17 | 哈尔滨学院 | 基于物流优化的冷链供应管理系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113240175B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107624190B (zh) | 用于加速路线搜索的系统和方法 | |
CN111428931B (zh) | 物流配送线路规划方法、装置、设备及存储介质 | |
CN113240175B (zh) | 配送路线的生成方法、设备、存储介质和程序产品 | |
CN113155141A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN113128744A (zh) | 配送规划方法和装置 | |
US11978072B2 (en) | Systems for management of location-aware market data | |
CN114440916A (zh) | 一种导航方法、装置、设备及存储介质 | |
Guo et al. | Real-time ride-sharing framework with dynamic timeframe and anticipation-based migration | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114254825A (zh) | 一种配送路径的确定方法、装置、电子设备及存储介质 | |
CN112200336A (zh) | 一种车辆行驶路径规划的方法和装置 | |
CN112988933A (zh) | 地址信息管理的方法和装置 | |
CN112539761A (zh) | 数据处理方法、装置、设备、存储介质及计算机程序产品 | |
Xue | Adaptive cultural algorithm-based cuckoo search for time-dependent vehicle routing problem with stochastic customers using adaptive fractional Kalman speed prediction | |
CN115964830A (zh) | 一种复杂巷道网络下无人机应急中心选址方法及装置 | |
Zhou et al. | A domain‐of‐influence based pricing strategy for task assignment in crowdsourcing package delivery | |
CN114357102A (zh) | 一种路网数据生成方法和装置 | |
CN114330807A (zh) | 路线的确定方法、装置和电子设备 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN111339468B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN112905903A (zh) | 一种租房推荐方法、装置、电子设备及存储介质 | |
CN112527673A (zh) | 站点测试方法、装置、电子设备及可读存储介质 | |
CN113822486B (zh) | 基于列生成算法的车辆路径规划方法、装置和系统 |
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 |