CN113283834A - 运输路径规划方法和系统 - Google Patents

Abstract

本申请涉及运输路径规划方法和系统，其中方法包括：S100、获取出发点与多个目标点；S200、计算每两个目标点之间的运输距离；S300、基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；S400、获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。本方案在货物路径规划上摆脱人工调线限制，且在减少运算成本的同时实现了高效，均匀，高满载率的配送方案。以较少的时间资源和配送资源实现了更优秀的配送时间。

Description

运输路径规划方法和系统

技术领域

本申请涉及物流运输管理领域，特别是涉及运输路径规划方法和系统。

背景技术

目前货物路径规划采用的做法一般是由专门的配线调度人员根据经验和地图上大概的地较理位置远近去调配规划线路与司机。这种做法虽然逻辑上较为简便，而且比好变通调控。但只适用于较少配送点的情况，一旦货物点大幅增加，货物量大幅上升。该方法会导致人工调配规划配送线路的时间大大增加，而且极有可能使得货物准点率下降和货车满载率下降。该方法也很依赖于配线人员的个人经验，若配线人员不稳定，容易导致整个线路规划和配送系统的失调。

而在求解路径规划这类问题上，很多团队都经历过这样的阶段：起初，采用类似遗传算法的迭代搜索算法，但是随着业务的单量变大，发现算法耗时太慢，根本不可接受。然后，改为大规模邻域搜索算法，但算法依然有很强的随机性，因为没有随机性在就没办法得到比较好的解。而这种基于随机迭代的搜索策略，带来很强的不确定性，在问题规模大的场景会出现非常多的Bad Case。

综上，针对现有技术中对于较大规模的货物路径规划存在的上述问题，目前急需一种运输路径规划方法和系统，能够快速高效地求解出配送总时间短，每条线路配送站点、时间、数量、重量、体积较为均衡的配送方案。

发明内容

本申请实施例提供了运输路径规划方法和系统，摆脱人工调线限制，在短时间内实现了高效，均匀，高满载率的配送方案。同时以较少的时间资源和配送资源实现了更优秀的配送时间。

第一方面，本申请实施例提供了运输路径规划方法，所述方法包括：S100、获取出发点与多个目标点；S200、计算每两个目标点之间的运输距离；S300、基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；S400、获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

第二方面，本申请实施例提供了一种运输路径规划系统，包括：第一获取模块，用于获取出发点与多个目标点；计算模块，用于计算每两个目标点之间的运输距离；聚类模块，用于基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；第二获取模块，用于获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；等量调整模块，用于基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的运输路径规划方法。

第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的运输路径规划方法。

相比于相关技术，本申请实施例提供的运输路径规划方法，通过第一聚类分组对目标线路的配送时间最优化进行了聚类，且通过对第一聚类分组进行调整使得调整后每一每组的规模在基本相同的大小，保证了每条运输线所配送的物体重量近似，可以减少配送资源。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的运输路径规划方法的流程图；

图2是本申请实施例的运输路径规划系统的结构框图；

图3是根据本申请实施例的电子装置的硬件结构示意图；

图4是本申请实施例一中等量聚类算法的示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

实施例一

请参阅图1，所示为本发明实施例一中的运输路径规划方法，该方法包括步骤S100至步骤S500：

步骤S100、获取出发点与多个目标点。

在本步骤中，出发点是指货物运输起点，目标点指货物运输终点，而路径规划方法是指在出发点与多个目标点之间计算出一或多条配送线使得货物的配送时间达到最优。

在货物配送场景中，中心仓有许多不同类型规格的货物，要在一定时间内通过若干不同类型规格的货车配送到不同位置的前置仓中，因此该场景中，出发点为中心仓，目标点为前置仓。需要说明的是，在本方案中以中心仓、前置仓进行举例，仅起到示例作用，例如，在中心仓进货场景中，出发点是向中心仓运输货物的多个货物运输起点，目标点是货物运输终点的中心仓。因此，在以下示例性实施例中所提及的前置仓和中心仓，并不为限制本发明中出发点、目标点的使用场景。

在其中一个实施例中，“S100、获取出发点与多个目标点”包括：

S110、获取待规划点；

S120、将待规划点的负载重量与预设重量进行比对，剔除负载重量大于等于预设重量的待规划点，得到多个目标点；

S130、获取出发点。

在实施例中，负载重量是指待规划点需要接收的货物的重量，也可称为负载需求、需求重量等。在一条规划线路中由一辆车进行运输，车内的货物总量不超过车辆的载重容量。因此在本例中预设重量定义为不超过载重容量的预设值。其可以是小于等于载重容量的任意值，但在本方案中为考虑路径规划方法的最优路线，将预设重量设为车载容量。

步骤S110所述的待规划点，指的是需要由中心仓中收取货物的部分或全部前置仓。这些前置仓的负载重量可能超过车载容量，也可能不超过车载容量。而超过车载容量的货物，需要用至少两辆车辆进行运输，因此在一辆车运输货物至多个前置仓的实施场景下，在步骤S120中剔除超过车载容量的待规划点，得到多个目标点与出发点进行物流路线的规划计算。

步骤S200、计算每两个目标点之间的运输距离。

步骤S300、基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组。

在步骤S200至步骤S300中，采用最大最小距离聚类的方法进行所述第一聚类分组。

具体地，最大最小距离聚类法是模式识别中一种基于试探的类聚算法，取尽可能远的对象作为聚类中心，可以避免初值选取时可能出现的聚类种子过于临近的情况，它不仅能智能确定初试聚类种子的个数，而且提高了划分初试数据集的效率。该算法以欧氏距离为基础，首先初始一个点对象作为第1个聚类中心，再选择一个与第1个聚类中心最远的点作为第2个聚类中心，然后确定其他的聚类中心，直到无新的聚类中心产生，最后将样本按最小距离原则归入最近的类。

示例性的，最大最小距离聚类的执行过程如下：

Step1：令车场为x₁作为第1聚类中心z₁；

Step2：计算各点i(i＝1,2,…,n)到z₁的距离D_i1；

Step3：当D_k1＝max{D_i1}，选取x_k作为第2聚类中心z₂；

Step4：计算各点i(i＝1,2,…,n)到z₁和z₂的距离D_i1和D_i2；

Step5：计算D_l＝max{min(D_i1,D_i2)}(i＝1,2,…,n)以及D_l>θ*D₁₂，选取x_l作为第3聚类中心z₃；其中D₁₂是z₁和z₂的距离，θ是[0,1]中的一个可选的参数，以满足分组原则

Step6：假如z₃存在，计算D_l＝max{min(D_i1,D_i2,D_i3)}(i＝1,2,…,n)，以及D_j>θ*D₁₂，选取x_j作为第4聚类中心z₄；以此类推，直至D_j≤θ*D₁₂；

Step7：按照最小距离原则，划分所有的点构成组；终止运行。

步骤S200-S300是本方案提出的路径规划方法中的第一步聚类，目的是根据最小距离原则初步划分出每辆车进行物流派送的聚类组，在聚类组中规划行驶路线。通过最大最小距离聚类能保证距离近的点就近划分在一个聚类组，按照该聚类组进行路径规划在时间成本上达到最优。

而本方案与现有技术的区别之处在于，不只是通过最大最小距离聚类通过时间最优对路线进行优化，而且对聚类组进行优化：通过调整各聚类组中的负载总重，保证每一线路都能正好被一辆车运输且每一线路配送重量、数量较为均衡，以此实现时间自由和配送资源都较少的情况下达到配送时间最优。

在本方案中引入了等量聚类算法，即步骤S400至步骤S500所示，采用“推出”和“拉入”操作，根据每个聚类组的负载需求与车辆的载重容量的重量差值调整各聚类组的重量，确定每个组的前置仓。其中，“推出”是将一个组的额外重量推给那些重量小于载重容量的邻组；“拉入”是从重量超过载重容量的邻组中提取重量到重量小于载重容量的组中。

需要说明的是，在本方案中要适应大规模配送点的场景，不适合直接使用等量聚类算法对前置仓进行分配，因此在步骤S200至步骤S300中先将所有配送点进行区域划分，再对区域内的配送点进行路径规划，减少了等量聚类算法的搜索空间。

具体地，本方案中的等量聚类算法表示为：

步骤S400、获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和。

步骤S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

在步骤S400至步骤S500中，基于负载总量对聚类组进行调整，使得调整后的每一组内的前置仓所需货物都正好被一辆车运输，并且改货车运输路线基于最大最小距离聚类执行后达到了距离(时间)最优。

在其中一个实施例中，“S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围”包括：

S510、若聚类组的负载总重大于预设重量，对聚类组中的至少一目标点进行第二聚类分组；

S520、若聚类组的负载总量小于预设重量，将与聚类组的中心点距离最近的第二聚类分组后的目标点加至聚类组直至调整后每一聚类组的负载总重与预设重量的重量差值在预设范围内。

在步骤S510、步骤S520中，对聚类组中的目标点进行调整可以分别看作是进行“推出”、“拉入”操作。

具体地，对大于预设重量的聚类组中的部分目标点推出后进行聚类，并基于聚类结果将部分目标点拉入小于预设重量的聚类组中，最终形成新的调整后的多个聚类组。

在其中一个实施例中，在“S510、若聚类组的负载总重大于预设重量，对聚类组中的至少一目标点进行第二聚类分组”之中：

S511、对聚类组的负载总重、预设重量进行取模运算得到聚类组对应的负载余重；

S512、剔除聚类组中的至少一目标点以使被剔除的目标点的负载重量之和与负载余重的差值在预设范围内；

S513、对被剔除的目标点进行第二聚类分组。

在本例中，步骤S500执行的推出操作具体如下：

Step1：假如一个组的负载总重wg在[α*Q,Q]之间，其中α大于负载率(负载率＝负载总重/车载容量)小于1；说明该组的负载重量小于货车车载容量，无需对该组进行推出。

Step2：假如一个组的负载重量wg在[Q,2*Q]之间；说明该组的负载重量超过货车车载容量，则将剩余的负载wg-Q转入步骤4；剩余负载小于货车车载容量。

Step3：假如一个组的负载重量wg>η*Q(η>2)，说明该组保留一个货车车载容量后会剩余超过一个货车车载容量的负载重量，为了减少步骤4的计算，在该步骤中，将剩余重量wg-(η-1)*Q转入步骤4；剩余负载小于货车车载容量，在该组中生成η-1路径。

Step4：所有剩余的前置仓点重新聚类。

其中，w_g表示为负载总重，指的是每一聚类组中前置仓的负载重量之和。

α表示为常数，负载率＜α＜1；其中负载率指的是负载总重与车载容量的比值。

Q表示为车载容量；指的是货车(车辆)能够装在的货物重量。

η表示为常数，η>2。

在Step1至Step4中，实质是对负载重量进行取模运算，将不足以除数的负载余重转出进行分配，在组中保留整数倍的车载容量的重量，从而便于后续的路线规划。

在“S520若聚类组的负载总量小于预设重量，将与聚类组的中心点距离最近的第二聚类分组后的目标点加至聚类组直至调整后每一聚类组的负载总重与预设重量的重量差值在预设范围内”之中，所述方法包括：

S521、获取第二聚类分组得到的至少一待分配组；

S522、为每一负载重量小于预设重量的聚类组寻找距离该聚类组中心点距离最近的待分配组；

S523、若待分配组内目标点的负载重量之和大于该聚类组的重量差值，将与聚类组的中心点距离最近的待分配组内目标点加至聚类组直至调整后每一聚类组的负载总重与预设重量的重量差值在预设范围内；

S524、若待分配组内目标点的负载重量之和等于该聚类组的重量差值，将待分配组内的所有目标点加至聚类组；

S525、若待分配组内目标点的负载重量之和小于该聚类组的重量差值，将待分配组内的所有目标点加至聚类组，剔除待分配组，继续寻找距离该聚类组中心点距离最近的待分配组；

S526、重复步骤S523-S525直至每一聚类组的负载总重与预设重量的重量差值在预设范围内。

在本例中，步骤S500执行的拉入操作具体如下：

Step1：按顺序访问负载总重w_g<Q的组(例如，A组)；

Step2：寻找距离A组中心点i最近的邻组点t(例如，B组中的点t)；

Step3：如果点t的负载重量d_t>(Q-w_gA)且B组的负载总重w_gB>Q，拆分点t成为t₁和t₂，移动d_t2＝Q-w_gA到A组，保留d_t1＝d_t-(Q-w_gA)；

Step4：如果点t的负载重量d_t＝(Q-w_gA)且B组的负载总重w_gB>Q，移动(合并)点t(d_t)进入A组；

Step5：如果点t的负载重量d_t＝(Q-w_gA)，首先，移动(合并)点t(d_t)进入A组；如果B组的负载总重w_gB>Q，则在B组中搜索最近的点t'，让t<-t'；如果w_gB<Q，则在另一个相邻的B'组中搜索最近的点t”，让t<-t”；最后，进入步骤4；

Step6：如果A组的负载重量w_gA为[α*Q,Q]，则结束对A组的处理；如果w_gA<α*Q，则转到步骤2；

Step7：所有组访问完毕，则终止“拉入”过程；否则，重复“拉入”过程。

其中，w_g表示为负载总重，指的是每一聚类组中前置仓的负载重量之和，其中，w_gA表示为A组的负载总重，w_gB表示为B组的负载总重。

Q表示为车载容量；指的是货车(车辆)能够装在的货物重量。

i表示为中心点；指的是拉出过程中聚类组的中心点，例如，当A组作为聚类组时，i表示A组中心点。

α表示为常数，负载率＜α＜1；其中负载率指的是负载总重与车载容量的比值。

η表示为常数，η>2。

t表示B组中离A组中心点i最近的邻组点，t'表示B组中除t以外的离A组中心点i最近的邻组点；t”表示B'组中离A组中心点i最近的邻组点。

在本例中实质是将推出的“余数”加入至不足货车车载容量的聚类组中以使每一调整后的聚类组中的负载容量达到均衡，再基于每一调整后的聚类组内的目标点生成对应于该调整后的聚类组的运输路径，即可以实现以总时间最优的同时保证每条线路满载率良好，在短时间内实现了高效、均匀、该满载率的效果，通过路径规划方法提高了运输效率。

以下通过附图与具体实施场景对路径规划方法进行示例性地解释：

在货物路径规划问题中，要确定哪些货车配送哪些前置仓，并保证货车不超载且在计划时间内送到前置仓里。也就是要确定输入数据、优化目标、约束条件、决策变量这几个要素。

输入数据：司机车辆集合{R_i|i∈M}，货物订单集合{O_j|j∈N}，前置仓坐标，路网导航数据矩阵。其中，路网导航数据矩阵是仓库到前置仓和不同前置仓之间的道路距离和时间组成的矩阵。用来确定货车配送路径的距离和时间。

决策变量：每个司机R_i需要配送的货物订单集合

目标函数：max∑_iC(R_i,Ω_i)，其中C(R_i,Ω_i)表示R_i与Ω_i匹配的适应度

约束条件：

........

C(R_i,{O_j,O_k})≠C(R_i,{O_j})+C(R_i,{O_k})

在本方案中要适应大规模配送点的场景，不适合直接适用等量聚类算法对前置仓进行分配，因此如图4所示，本例先将所有配送点进行区域划分，再对区域内的配送点进行路径规划。

等量聚类算法

在这个货物路径规划的场景中，用数学模型表示就是一个无向图G＝(V,E)。

其中，V是顶点集V＝{0，1，…，n}，0代表中心仓，其他的点代表前置仓；E是路网导航数据矩阵，c_ij(c_ij∈E)是边(i,j)的道路距离和道路时间，非负。d_i代表前置仓点i(i∈V-{0})的需求。车队中的每辆货车的载重容量是集合Q。最低的车辆数是。每辆货车载货(不超过Q)从中心仓库出发，完成送货任务。每个前置仓的需求都必须得到满足。目标函数(1)是最小化车辆的行驶道路距离和时间，公式如下：

y_iv≥0i＝1,2..n；v＝1,2,..m(9)

式(2)描述了每个客户点至少被访问一次；式(3)是流守恒约束；式(4)是子路径消除约束；式(5)描述了只有当车辆v访问客户i时，车辆v才服务前置仓i；式(6)保证了满足所有前置仓需求；式(7)保证每辆车不超载；式(8)描述了当车辆v从i直接到j时，

否则，

式(9)描述了y_iv是车辆v为点i送货的重量。

等量聚类的做法主要有两步。第一步——对前置仓进行分组：根据其地理位置，采用最大最小距离聚类方法对前置仓进行分组。第二步——调整每组的重量：采用“推出”和“拉入”操作，根据每个点的负载需求调整各组的重量，确定每个组的前置仓。“推出”是将一个组的额外重量推给那些重量小于Q的邻组；“拉入”是从重量超过Q的邻组中提取重量到重量小于Q的组中。在等量聚类前，剔除超过车载容量的待规划点，得到多个目标点与出发点进行物流路线的规划计算。

具体地等量聚类方法包括的步骤如下：

1、前期处理

对负载需求d_i>Q(i＝1,2,…,n)的客户点单独处理。d_i＝Q的负载需求由一辆车进行送货，该点剩余的重量(d_i＝d_i-Q)(i＝1,2,…,n)以及其他的点d_i<Q进入等量聚类算法。

2、对前置仓分组

1)最大最小距离聚类算法的基本思想

最大最小距离聚类方法是一种模式识别方法。首先，按照最远距离原则，选择相距最远的点作为聚类中心，以提高初始数据集的分割效率。然后，根据最近距离原则，将所有距离最近的点就近归入聚类组。

2)最大最小距离聚类的执行过程

Step1：令车场为x₁作为第1聚类中心z₁；

Step2：计算各点i(i＝1,2,…,n)到z₁的距离D_i1；

Step3：当D_k1＝max{D_i1}，选取x_k作为第2聚类中心z₂；

Step4：计算各点i(i＝1,2,…,n)到z₁和z₂的距离D_i1和D_i2；

Step5：计算D_l＝max{min(D_i1,D_i2)}(i＝1,2,…,n)以及D_l>θ*D₁₂，选取x_l作为第3聚类中心z₃；其中D₁₂是z₁和z₂的距离，θ是[0,1]中的一个可选的参数，以满足分组原则

Step6：假如z₃存在，计算D_l＝max{min(D_i1,D_i2,D_i3)}(i＝1,2,…,n)，以及D_j>θ*D₁₂，选取x_j作为第4聚类中心z₄；以此类推，直至D_j≤θ*D₁₂；

Step7：按照最小距离原则，划分所有的点构成组；终止运行。

3、调整各组的负载重量

客户点聚类分组后，计算并调整各组的负载重量。

1)“推出”操作的执行过程

Step1：假如一个组的负载重量w_g在[α*Q,Q]之间，而且只有两个点，那么这两个点就形成一条路径，其中α大于负载率小于1；假如有μ1个这样的组，那么就有μ1条路径；

Step2：假如一个组的负载重量w_g在[Q,2*Q]之间，而且只有两个点，那么基于Q、这两个点就形成一条路径，剩余的负载w_g-Q转入步骤4；假如有μ2个这样的组，就形成了μ2条路径；

Step3：假如一个组的负载重量w_g>η*Q(η>2)，那么基于Q在组内形成(η-1)条路径，剩余重量w_g-(η-1)*Q转入步骤4；假如有μ3个这样的组，那么就形成

条路径；

Step4：所有剩余的前置仓点重新聚类，形成

条路径。

2)“拉入”操作的执行过程

Step1：按顺序访问负载重量w_g<Q的组(例如，A组)；

Step2：寻找距离A组中心点i最近的邻组点t(例如，组B中的点t)；

Step3：如果点t的负载重量d_t>(Q-w_gA)且B组的负载重量w_gB>Q，拆分点t成为t₁和t₂，移动d_t2＝Q-w_gA到A组，保留d_t1＝d_t-(Q-w_gA)；

Step4：如果点t的负载重量d_t＝(Q-w_gA)且B组的负载重量w_gB>Q，移动(合并)点t(d_t)进入A组；

Step5：如果点t的负载重量d_t＝(Q-w_gA)，首先，移动(合并)点t(d_t)进入A组；如果B组的负载重量w_gB>Q，则在B组中搜索最近的点t'，让t<-t'；如果w_gB<Q，则在另一个相邻的B'组中搜索最近的点t”，让t<-t”；最后，进入步骤4；

Step6：如果A组的负载重量w_gA为[α*Q,Q]，则结束对A组的处理；如果w_gA<α*Q，则转到步骤2；

Step7：所有组访问完毕，则终止“拉入”过程；否则，重复“拉入”过程。

通过上述过程我们就将各个前置仓划分成了不同的配送组。得到了货物路径规划的配送路线。等量聚类算法把每个类别的规模限制大小并保持在基本相同大小。这样就保证了每条线路所配送的时间，货物体积和质量相似。

综上，在实施例一中提出了运输路径规划方法的实现方案，方案以最优总时间为优化目标，最大程度保证货物的准点率，使得货物能够尽快送到客户手中。同时以满载率、线路间时间、距离标准差等作为约束条件。保证每条线路满载率较为良好，时间，距离都较为均匀。而且在自动配线基础上也留出了手动调整的空间，变得更加灵活，从而保证了线路配送的效率。也就是说，本方案在货物路径规划上摆脱人工调线限制，且在减少运算成本的同时实现了高效，均匀，高满载率的配送方案。以较少的时间资源和配送资源实现了更优秀的配送时间。

实施例二

基于相同的技术构思，图2示例性的示出了本发明实施例提供的一种运输路径规划系统，包括：

第一获取模块201，用于获取出发点与多个目标点；

计算模块202，用于计算每两个目标点之间的运输距离；

聚类模块203，用于基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；

第二获取模块204，用于获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；

等量调整模块205，用于基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

本实施例还提供了一种电子装置，参考图3，包括存储器304和处理器302，该存储器304中存储有计算机程序，该处理器302被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

具体地，上述处理器302可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器304可以包括用于数据或指令的大容量存储器304。举例来说而非限制，存储器304可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器304可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器304可在数据处理装置的内部或外部。在特定实施例中，存储器304是非易失性(Non-Volatile)存储器。在特定实施例中，存储器304包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器304(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。

存储器304可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器302所执行的可能的计算机程序指令。

处理器302通过读取并执行存储器304中存储的计算机程序指令，以实现上述实施例中的任意运输路径规划方法。

可选地，上述电子装置还可以包括传输设备306以及输入输出设备308，其中，该传输设备306和上述处理器302连接，该输入输出设备308和上述处理器302连接。

传输设备306可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备306可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

输入输出设备308用于输入或输出信息。例如，上述输入输出设备可以是显示屏、音箱、麦克、鼠标、键盘或其他设备。在本实施例中，输入的信息可以是预设重量、目标点、出发点的数据、图像，输入的信息可以是规划结果的路径展示、文字描述等等。

可选地，在本实施例中，上述处理器302可以被设置为通过计算机程序执行以下步骤：

S100、获取出发点与多个目标点；

S200、计算每两个目标点之间的运输距离；

S300、基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；

S400、获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；

S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

另外，结合上述实施例中的运输路径规划方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意运输路径规划方法。

本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种运输路径规划方法，其特征在于，所述方法包括：

S100、获取出发点与多个目标点；

S200、计算每两个目标点之间的运输距离；

S300、基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；

S400、获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；

S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

2.根据权利要求1所述的运输路径规划方法，其特征在于，“S100、获取出发点与多个目标点”包括：

S110、获取待规划点；

S120、将待规划点的负载重量与预设重量进行比对，剔除负载重量大于等于预设重量的待规划点，得到多个目标点；

S130、获取出发点。

3.根据权利要求1所述的运输路径规划方法，其特征在于，在“S300、基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组”中，

采用最大最小距离聚类的方法进行所述第一聚类分组。

4.根据权利要求1所述的运输路径规划方法，其特征在于，“S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围”包括：

S510、若聚类组的负载总重大于预设重量，对聚类组中的至少一目标点进行第二聚类分组；

S520、若聚类组的负载总量小于预设重量，将与聚类组的中心点距离最近的第二聚类分组后的目标点加至聚类组直至调整后每一聚类组的负载总重与预设重量的重量差值在预设范围内。

5.根据权利要求4所述的运输路径规划方法，其特征在于，在“S510、若聚类组的负载总重大于预设重量，对聚类组中的至少一目标点进行第二聚类分组”之中：

S511、对聚类组的负载总重、预设重量进行取模运算得到聚类组对应的负载余重；

S512、剔除聚类组中的至少一目标点以使被剔除的目标点的负载重量之和与负载余重的差值在预设范围内；

S513、对被剔除的目标点进行第二聚类分组。

6.根据权利要求4所述的运输路径规划方法，其特征在于，在“S520若聚类组的负载总量小于预设重量，将与聚类组的中心点距离最近的第二聚类分组后的目标点加至聚类组直至调整后每一聚类组的负载总重与预设重量的重量差值在预设范围内”之中，

S521、获取第二聚类分组得到的至少一待分配组；

S522、为每一负载重量小于预设重量的聚类组寻找距离该聚类组中心点距离最近的待分配组；

S523、若待分配组内目标点的负载重量之和大于该聚类组的重量差值，将与聚类组的中心点距离最近的待分配组内目标点加至聚类组直至调整后每一聚类组的负载总重与预设重量的重量差值在预设范围内；

S524、若待分配组内目标点的负载重量之和等于该聚类组的重量差值，将待分配组内的所有目标点加至聚类组；

S525、若待分配组内目标点的负载重量之和小于该聚类组的重量差值，将待分配组内的所有目标点加至聚类组，剔除待分配组，继续寻找距离该聚类组中心点距离最近的待分配组；

S526、重复步骤S523-S525直至每一聚类组的负载总重与预设重量的重量差值在预设范围内。

7.根据权利要求1所述的运输路径规划方法，其特征在于，在“S500、基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内”之后，所述方法还包括：

S600、基于每一调整后的聚类组内的目标点生成对应于该调整后的聚类组的运输路径。

8.一种运输路径规划系统，其特征在于，包括：

第一获取模块，用于获取出发点与多个目标点；

计算模块，用于计算每两个目标点之间的运输距离；

聚类模块，用于基于运输距离对多个目标点进行第一聚类分组得到至少一聚类组；

第二获取模块，用于获取每一聚类组对应的负载总重，其中，负载重量表示为每一聚类组中的多个目标点的负载重量之和；

等量调整模块，用于基于预设重量对聚类组内的目标点进行调整以使每一调整后的聚类组的负载总量与预设重量的重量差值在预设范围内。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的运输路径规划方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的运输路径规划方法。

Images