CN113469416B - 一种派件任务规划方法及设备 - Google Patents

一种派件任务规划方法及设备 Download PDF

Info

Publication number
CN113469416B
CN113469416B CN202110639399.8A CN202110639399A CN113469416B CN 113469416 B CN113469416 B CN 113469416B CN 202110639399 A CN202110639399 A CN 202110639399A CN 113469416 B CN113469416 B CN 113469416B
Authority
CN
China
Prior art keywords
task
express
delivery
vehicle
distribution
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.)
Active
Application number
CN202110639399.8A
Other languages
English (en)
Other versions
CN113469416A (zh
Inventor
孟凡超
王蕾
初佃辉
周学权
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110639399.8A priority Critical patent/CN113469416B/zh
Publication of CN113469416A publication Critical patent/CN113469416A/zh
Application granted granted Critical
Publication of CN113469416B publication Critical patent/CN113469416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出的一种派件任务规划方法及设备，包括：获取共配区域内配送点集合，构建末端派件网络图；根据获取快递公司的业务信息，建立参与共享的快递公司集合、可用快递员集合和派件任务集合；建立共享网点末端派件任务规划模型，并确定优化目标及约束条件；配置用于求解共享网点末端派件任务规划模型的混合遗传模拟退火算法，并使用混合遗传模拟退火算法进行路径规划。本发明能够在末端共享网点派件时，对网点的快件包裹和快递车运力提前进行智能匹配规划，以提高配送效率，加强配送时效。

Description

一种派件任务规划方法及设备
技术领域
本发明涉及智能物流技术领域，更具体的说是涉及一种派件任务规划方法及设备。
背景技术
随着电商行业的蓬勃发展，快递市场的规模取得了进一步扩张。在快件数量日益剧增的同时，快递企业持续激烈的价格竞争推动着快件平均单价不断下滑，平均单价屡创新低。诸多网点因为派费下调出现停摆风波，增量不增收问题凸显，快递网点是直面快递行业难题的排头兵。各企业下属的网点采用加盟制，快递总部对网点时效、揽收量、服务质量以及价格提出了严格的要求，为了保证达到企业标准，网点加盟需要持续不断的投入车辆、场地、人员资金乃至客户的垫款和各项意料外开支，并且快件单价持续走低，网点赖以生存的派费越来越低。目前的包裹派件流程严重依赖人工经验，快递配送运输存在大量空驶、迂回等问题。帮助网点走出困局，快递业在末端配送模式等方面的创新和降本增效迫切而重要。针对末端配送存在的问题，将共享经济引入到快递的配送中，即实施共享网点进行快递共同运输配送，共享网点是不同网点企业组合成的多快递企业加盟网点，在末端共享网点派件时，对同一小车进行多次任务组规划，每个任务组中可以同时装载多家快递公司的快件共同配送，对同一客户群点的大量任务允许由多次调度满足，对网点的快件包裹和快递车运力提前进行智能匹配调度，以提高配送效率，加强配送时效。
虽然目前针对路径规划问题的研究已经相当成熟，但在实现网点共配时，传统的问题模型不能完全满足共享网点派件任务规划。在定义时通常假设客户需求单一且需求量不大于车辆容量，可用车辆数量不受限制、配送次数限一次，但在实际配送服务中，客户点任务种类数量较多，车辆资源非常有限、进行多次往返配送，现有研究无法解决此类多约束的复杂车辆路径问题。并且传统的车辆路径规划问题是以节点需求为驱动进行路径规划，没有考虑到如果以任务为驱动将如何进行路径安排。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种派件任务规划方法及设备，基于快件共同配送多主体服务约束下，通过收集业务员常用末端派件点的位置信息，建立以派件利润最大为目标函数的任务规划模型，考虑共配后大批件量的业务员多次派件和配送路径规划，实现末端共配增效。
本发明为实现上述目的，通过以下技术方案实现：
一种派件任务规划方法，所述方法基于快件共同配送多主体服务约束下，包括如下步骤：
S1：获取共配区域内配送点集合，构建末端派件网络图；
S2：根据获取快递公司的业务信息，建立参与共享的快递公司集合、可用快递员集合和派件任务集合；
S3：建立共享网点末端派件任务规划模型，并确定优化目标及约束条件；
S4:配置用于求解共享网点末端派件任务规划模型的混合遗传模拟退火算法，并使用混合遗传模拟退火算法进行路径规划。
进一步，所述步骤S1包括：
使用图G＝(V,E)定义末端配送网络，其中，V＝{0,1,2...,n}＝V0∪V1为节点集合，V0＝{0}为共享网点，V1＝{1,…,n}为配送点集合，n为配送点数量；E＝{(s,e)|(s, e)∈V}为节点之间的边集，每条边(s,e)∈E代表节点s到节点e的最优路线，dse表示边(s,e)的距离，距离满足对称性，即dse＝des，同一节点之间的距离为0，即dss＝0，s∈N。
进一步，所述步骤S2包括如下步骤：
S2.1：设C＝{c1,c2,…,ce}为参与共享的快递公司集合，其中，e为公司数量；将不同公司的快件任务最晚派件时间设为tc，将按照软时间窗规则的单位时间惩罚成本设为ac，将单个快件任务的派件费设为pc；
S2.2：设K＝{k1,k2,…,kv}为可用快递员集合，其中，v为快递员数量；由于快递员配车型号不同，设：ck为快递员k配车的最大载重量，ek为快递员k配车的单位运输成本；
S2.3：设T＝{1,2,…,m}为某一时段内所有派件任务集合，其中，m为任务数量；对于每个取件任务i∈T，wi为任务i的货物重量，wi≤max{lk|k∈K}，vi∈V1为派件任务i的配送点，ci∈C为派件任务的所属快递公司，
Figure BDA0003106581210000031
为任务i的派件费，
Figure BDA0003106581210000032
为派件任务i最晚派件时间，
Figure BDA0003106581210000033
为按照软时间窗规则的单位时间惩罚成本，车辆的派件时间必须在
Figure BDA0003106581210000034
时间前，若迟到，相应的时间差受到时间惩罚
Figure BDA0003106581210000035
进一步，所述步骤S3包括：
由于每台快递员的配备车辆可以进行多轮循环配送，设k为快递员k的配备车辆，k∈K；设车辆k的循环配送次数为nk，nk∈{0,1,...,M}，nk为一个非负整数决策变量，如果nk＝0，表示车辆k没有被分配到配送任务；设快递员车辆k的循环配送次数的集合为Nk，Nk＝{1,2,…,nk}；设已分配任务的快递员集合为K1、未分配任务的快递员集合为K0，其中，K1＝{k∈K|nk≥1}，K0＝{k∈K|nk＝0}，K＝K0∪K1；
使用
Figure BDA0003106581210000036
表示配送任务i是否分配给车辆k的第p次循环，其中，
Figure BDA0003106581210000037
i∈T、p∈Nk；如果配送任务i分配给车辆k的第p次循环，则有
Figure BDA0003106581210000038
否则，
Figure BDA0003106581210000039
使用
Figure BDA00031065812100000310
表示车辆k的第p个配送任务组中是否到客户群点s送货，其中，
Figure BDA0003106581210000041
k∈K、p∈Nk、s∈N；如果
Figure BDA0003106581210000042
表示车辆k第p次配送经过客户群点s，否则，
Figure BDA0003106581210000043
车辆k第p次配送不经过客户群点s；
使用
Figure BDA0003106581210000044
表示车辆k的第p个配送任务组中是否经过边(s,e)∈E，其中，
Figure BDA0003106581210000045
如果
Figure BDA0003106581210000046
表示车辆k在第p次配送中经过边(s,e)，否则，
Figure BDA0003106581210000047
表示车辆k在第j次配送中不经过边(s,e)；
建立共享网点末端派件任务规划模型为：
Figure BDA0003106581210000048
其中，约束条件包括以下公式：
Figure BDA0003106581210000049
Figure BDA00031065812100000410
Figure BDA00031065812100000411
Figure BDA00031065812100000412
Figure BDA00031065812100000413
Figure BDA00031065812100000414
Figure BDA00031065812100000415
Figure BDA00031065812100000416
nk∈{0,1,...,M}Nk∈{0,1,...,M}k∈K (10)
在上述共享网点末端派件任务规划模型中，公式(1)为优化目标函数，表示最大化总体配送利润，用于考虑运输成本和时间成本；公式(2)为快件分配约束，表示每个快件只能在一次配送中由一位业务员进行装车派件；公式(3)为业务员配车载重约束，表示每个配送任务组中所有快件的包裹总装载量不超过该业务员配车的最大限重；公式(4)为业务员终点约束，每个配送任务组结束后业务员及车辆都必须返回共享网点节点0；公式(5)、(6)为客户点卸载约束，表示配送业务员车辆在每个配送任务组中只经过一次其所配送快件的所属客户配送点，抵达后卸载该配送点全部快件；公式(7)-(10)为决策变量定义。
进一步，所述使用混合遗传模拟退火算法进行路径规划具体包括如下步骤：
S4.1：导入数据，具体包括派件网络、快递公司信息集合C、快递员集合K和快件任务集合T；混合遗传模拟退火算法的相关参数，包括遗传操作的种群数量Q、最大优化代数G、交叉概率Pc、变异概率Pv、模拟退火操作的初始温度t0、终止温度te、降温系数a和迭代次数N；
S4.2：采用启发式生成方法生成半数初始种群，随机排序生成半数初始种群；采用分组编码方案将半数初始种群的每一条染色体生成对应的编码组，每个编码组用运单任务编号排列的整数编码形式代表安排给车辆的该次所有任务及顺序；
S4.3：对染色体进行车辆分配，计算配送利润适应度，记录适应度最大的染色体为全局最优解，保留该最优个体；
S4.4：采用轮盘赌算法对选择概率进行计算，根据轮盘赌结果进行选择操作，选择遗传操作基因；
S4.5：产生一个位于[0,1]的随机数，根据交叉概率进行交叉操作，交叉为编码组的易位操作，操作后进行启发式修复；
S4.6：产生一个位于[0,1]的随机数，根据变异概率进行变异操作，变异为编码组的拆分；
S4.7：对遗传操作后获得的种群进行邻域操作，根据Metropolis准则接受新解；
S4.8：判断是否达到迭代次数G，如果达到迭代次数，执行步骤S4.9，否则，转到步骤S4.3；
S4.9：输出全局最优路径规划方案，算法结束。
进一步，所述步骤S4.2中的启发式生成方法具体包括：
将随机选择任务i作为初始任务点，生成随机数r选择下一步构建任务集合，根据r值决定选择同一网点快件任务或其他网点快件任务。
进一步，所述步骤S4.5中的交叉操作具体包括：
选择两个染色体作为父代，随机选取交叉基因片段，将选中的基因片段易位；易位后会出现快件被重复服务的情况，以启发式算法进行修复；为了消除服务重复，将原父代中的相同快件去除，设为未分配状态；对染色体中每个基因插入未分配任务，选取代价最小的插入方案。
进一步，所述步骤S4.6中的变异操作具体包括：
采用基因的拆分变异，随机选择一个染色体中的几个基因，删除选中基因的分配车辆，将基因内的任务设为未分配状态，将未分配的任务按启发式插入算法重新插入染色体。
进一步，所述步骤S4.7中的邻域操作具体包括交换操作、逆序操作和插入操作；
交换操作，采用单点交换，随机选择两个节点，交换两个节点的位置；
逆序操作，采用倒位变异，随机选择两个节点位置切点，将节点中间片段的所有基因倒位放置；
插入操作，采用单点插入，随机选择两个节点，将被选中后置节点插入前置节点前位置。
相应的，本发明还公开了一种派件任务规划设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述的派件任务规划方法步骤。
对比现有技术，本发明有益效果在于：本发明提供了一种基于快件共同配送多主体服务约束下的派件任务规划方法及设备，针对共享网点整合后聚合多家快递企业的快件包裹，面向客户的快件派件问题，通过快递员在配送中的实际需求，不同快递企业的时效制度要求，考虑快递员的多次规划调度，提出共享网点末端派件任务规划模型，建立了以快递员派件总利润最高的数学模型，进而设计了混合遗传模拟退火算法进行求解，能够帮助实施快件物流资源共享、加盟商企业合作后的共享网点配送问题，解决现阶段企业竞争价格战、资源利用率等问题，响应快件物流发展的共配趋势，具有良好的应用前景。
本发明提出的共享网点末端派件任务规划模型，能够在末端共享网点派件时，对网点的快件包裹和快递车运力提前进行智能匹配规划，以提高配送效率，加强配送时效。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
附图1是本发明的方法流程图；
附图2是本发明利用混合遗传模拟退火算法求解的方法流程图；
附图3是本发明的混合遗传模拟退火算法的交叉操作的示意图；
附图4是本发明的混合遗传模拟退火算法的变异操作的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做出说明。
如图1所示的一种基于快件共同配送多主体服务约束下的派件任务规划方法，包括如下步骤：
S1：获取共配区域内配送点集合，构建末端派件网络图。
末端配送网络可以用图G＝(V,E)来定义，其中，V＝{0,1,2...,n}＝V0∪V1为节点集合，V0＝{0}为共享网点，V1＝{1,…,n}为配送点集合，n为配送点数量；E＝{(s, e)|(s,e)∈V}为节点之间的边集，每条边(s,e)∈E代表节点s到节点e的最优路线， dse表示边(s,e)的距离，距离满足对称性，即，dse＝des，同一节点之间的距离为0，即dss＝0，s∈N。
S2：根据获取快递公司的业务信息，建立参与共享的快递公司集合、可用快递员集合和派件任务集合。
本步骤具体包括：
S2.1：令C＝{c1,c2,…,ce}表示参与共享的快递公司集合，e为公司数量，不同公司的快件任务最晚派件时间不同为tc，按照软时间窗规则的单位时间惩罚成本为ac，单个快件任务的派件费为pi。
S2.2：令K＝{k1,k2,…,kv}表示可用快递员集合，v为快递员数量，快递员配车型号不同，ck表示快递员k配车的最大载重量，ek表示快递员k配车的单位运输成本，车辆隶属于共享网点，从共享网点出发，最终回到共享网点。
S2.3：令T＝{1,2,…,m}为某一时段内所有派件任务集合，m为任务数量，对于每个取件任务i∈T，wi为任务i的货物重量，wi≤max{lk|k∈K}，vi∈V1为派件任务i的配送点，ci∈C为派件任务的所属快递公司，
Figure BDA0003106581210000091
为任务i的派件费，
Figure BDA0003106581210000092
为派件任务i最晚派件时间，
Figure BDA0003106581210000093
为按照软时间窗规则的单位时间惩罚成本，车辆的派件时间必须在
Figure BDA0003106581210000094
时间前，若迟到，相应的时间差受到时间惩罚
Figure BDA0003106581210000095
S3：建立共享网点末端派件任务规划模型，并确定优化目标及约束条件。
每台快递员车辆k∈K可以进行多轮循环配送，令nk∈{0,1,...,M}表示车辆k 的循环配送次数，nk为一个非负整数决策变量，如果nk＝0，表示车辆k没有被分配到配送任务；令Nk＝{1,2,…,nk}为快递员车辆k的循环配送次数的集合， K1＝{k∈K|nk≥1}为已分配任务的快递员集合，K0＝{k∈K|nk＝0}为未分配任务的快递员集合，K＝K0∪K1。
Figure BDA0003106581210000096
表示配送任务i∈T是否分配给车辆k∈K的第p∈Nk次循环。如果配送任务i分配给车辆k的第p次循环，则有
Figure BDA0003106581210000097
否则，
Figure BDA0003106581210000098
Figure BDA0003106581210000099
表示车辆k∈K的第p∈Nk个配送任务组中是否到客户群点s∈N送货，如果
Figure BDA00031065812100000910
表示车辆k第p次配送经过客户群点s，否则，
Figure BDA00031065812100000911
车辆k 第p次配送不经过客户群点s。
Figure BDA00031065812100000912
表示车辆k∈K的第p∈Nk个配送任务组中是否经过边(s,e)∈E，如果
Figure BDA00031065812100000913
表示车辆k在第p次配送中经过边(s,e)，否则，
Figure BDA00031065812100000914
表示车辆k在第j 次配送中不经过边(s,e)。
建立共享网点末端派件任务规划模型为：
Figure BDA00031065812100000915
其中，约束条件包括以下公式：
Figure BDA0003106581210000101
Figure BDA0003106581210000102
Figure BDA0003106581210000103
Figure BDA0003106581210000104
Figure BDA0003106581210000105
Figure BDA0003106581210000106
Figure BDA0003106581210000107
Figure BDA0003106581210000108
nk∈{0,1,...,M}Nk∈{0,1,...,M}k∈K (10)
在上述形式化模型中，公式(1)为优化目标函数，表示最大化总体配送利润，考虑运输成本和时间成本；公式(2)为快件分配约束，表示每个快件只能在一次配送中由一位业务员进行装车派件；公式(3)为业务员配车载重约束，表示每个配送任务组中所有快件的包裹总装载量不超过该业务员配车的最大限重；公式(4) 为业务员终点约束，每个配送任务组结束后业务员及车辆都必须返回共享网点节点0；公式(5)、(6)为客户点卸载约束，表示配送业务员车辆在每个配送任务组中只经过一次其所配送快件的所属客户配送点，抵达后卸载该配送点全部快件；公式(7)-(10)为决策变量定义。
S4:配置用于求解共享网点末端派件任务规划模型的混合遗传模拟退火算法，并使用混合遗传模拟退火算法进行路径规划。
其中，如图2所示，使用混合遗传模拟退火算法进行路径规划具体包括如下步骤：
S4.1：导入数据，具体包括派件网络、快递公司信息集合C、快递员集合K 和快件任务集合T；混合遗传模拟退火算法的相关参数，包括遗传操作的种群数量Q、最大优化代数G、交叉概率Pc、变异概率Pv、模拟退火操作的初始温度 t0、终止温度te、降温系数a和迭代次数N。
S4.2：采用启发式生成方法生成半数初始种群，随机排序生成半数初始种群；采用分组编码方案将半数初始种群的每一条染色体生成对应的编码组，每一条染色体包含若干个编码组，该染色体中有几个编码组，就有几次配送任务组。每个编码组用运单任务编号排列的整数编码形式代表安排给车辆的该次所有任务及顺序。
本步骤中，启发式生成方法具体包括：随机选择任务i作为初始任务点，生成随机数r选择下一步构建任务集合，根据r值决定选择同一网点快件任务或其他网点快件任务。
S4.3：对染色体进行车辆分配，计算配送利润适应度，记录适应度最大的染色体为全局最优解，保留该最优个体。
S4.4：采用轮盘赌算法对选择概率进行计算，根据轮盘赌结果进行选择操作，选择遗传操作基因。
S4.5：产生一个位于[0,1]的随机数，根据交叉概率进行交叉操作，交叉为编码组的易位操作，操作后进行启发式修复。
其中，交叉操作包括：选择两个染色体作为父代，随机选取交叉基因片段，将选中的基因片段易位。易位后会出现快件被重复服务的情况，以启发式算法进行修复。为了消除服务重复，将原父代中的相同快件去除，设为未分配状态。对染色体中每个基因插入未分配任务，选取代价最小的插入方案。交叉操作的具体流程如图3所示。
S4.6：产生一个位于[0,1]的随机数，根据变异概率进行变异操作，变异为编码组的拆分。
其中，变异操作包括：采用基因的拆分变异，随机选择一个染色体中的几个基因，删除选中基因的分配车辆，将基因内的任务设为未分配状态，将未分配的任务按启发式插入算法重新插入染色体。变异操作的具体流程如图4所示。
S4.7：对遗传操作后获得的种群进行邻域操作，根据Metropolis准则接受新解。
其中，邻域操作包括：
交换操作：采用单点交换，随机选择两个节点，交换两个节点的位置。
逆序操作：采用倒位变异，随机选择两个节点位置切点，将节点中间片段的所有基因倒位放置。
插入操作：采用单点插入，随机选择两个节点，将被选中后置节点插入前置节点前位置。
S4.8：判断是否达到迭代次数G，如果达到迭代次数，执行步骤S4.9，否则，转到步骤S4.3。
S4.9：输出全局最优路径规划方案，算法结束。
相应的，本发明还公开了一种基于快件共同配送多主体服务约束下的派件任务规划设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任一项所述基于快件共同配送多主体服务约束下的派件任务规划方法步骤。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。

Claims (2)

1.一种派件任务规划方法，其特征在于，包括如下步骤：
S1：获取共配区域内配送点集合，构建末端派件网络图；
S2：根据获取快递公司的业务信息，建立参与共享的快递公司集合、可用快递员集合和派件任务集合；
S3：建立共享网点末端派件任务规划模型，并确定优化目标及约束条件；
S4:配置用于求解共享网点末端派件任务规划模型的混合遗传模拟退火算法，并使用混合遗传模拟退火算法进行路径规划；
所述步骤S1包括：
使用图G＝(V,E)定义末端配送网络，其中，V＝{0,1,2...,n}＝V0∪V1为节点集合，V0＝{0}为共享网点，V1＝{1,…,n}为配送点集合，n为配送点数量；E＝{(s,e)|s∈V,e∈V}为节点之间的边集，每条边(s,e)∈E代表节点s到节点e的最优路线，dse表示边(s,e)的距离，距离满足对称性，即dse＝des，同一节点之间的距离为0，即dss＝0，s∈V；
所述步骤S2包括如下步骤：
S2.1：设C＝{c1,c2,…,ce}为参与共享的快递公司集合，其中，e为公司数量；将不同公司的快件任务最晚派件时间设为tc，将按照软时间窗规则的单位时间惩罚成本设为ac，将单个快件任务的派件费设为pc；
S2.2：设K＝{k1,k2,…,kv}为可用快递员集合，其中，v为快递员数量；由于快递员配车型号不同，设：ck为快递员k配车的最大载重量，ek为快递员k配车的单位运输成本；
S2.3：设T＝{1,2,…,m}为某一时段内所有派件任务集合，其中，m为任务数量；对于每个取件任务i∈T，wi为任务i的货物重量，wi≤max{lk|k∈K}，vi∈V1为派件任务i的配送点，ci∈C为派件任务的所属快递公司，
Figure FDA0003782827310000011
为任务i的派件费，
Figure FDA0003782827310000012
为派件任务i最晚派件时间，
Figure FDA0003782827310000021
为按照软时间窗规则的单位时间惩罚成本，车辆的派件时间必须在
Figure FDA0003782827310000022
时间前，若迟到，相应的时间差受到时间惩罚
Figure FDA0003782827310000023
所述步骤S3包括：
由于每台快递员的配备车辆可以进行多轮循环配送，设k为快递员k的配备车辆，k∈K；设车辆k的循环配送次数为nk，nk∈{0,1,...,M}，nk为一个非负整数决策变量，如果nk＝0，表示车辆k没有被分配到配送任务；设快递员车辆k的循环配送次数的集合为Nk，Nk＝{1,2,…,nk}；设已分配任务的快递员集合为K1、未分配任务的快递员集合为K0，其中，K1＝{k∈K|nk≥1}，K0＝{k∈K|nk＝0}，K＝K0∪K1；
使用
Figure FDA0003782827310000024
表示配送任务i是否分配给车辆k的第p次循环，其中，
Figure FDA0003782827310000025
i∈T、p∈Nk；如果配送任务i分配给车辆k的第p次循环，则有
Figure FDA0003782827310000026
否则，
Figure FDA0003782827310000027
使用
Figure FDA0003782827310000028
表示车辆k的第p个配送任务组中是否到客户群点s送货，其中，
Figure FDA0003782827310000029
k∈K、p∈Nk、s∈V；如果
Figure FDA00037828273100000210
表示车辆k第p次配送经过客户群点s，否则，
Figure FDA00037828273100000211
车辆k第p次配送不经过客户群点s；
使用
Figure FDA00037828273100000212
表示车辆k的第p个配送任务组中是否经过边(s,e)∈E，其中，
Figure FDA00037828273100000213
如果
Figure FDA00037828273100000214
表示车辆k在第p次配送中经过边(s,e)，否则，
Figure FDA00037828273100000215
表示车辆k在第j次配送中不经过边(s,e)；
建立共享网点末端派件任务规划模型为：
Figure FDA00037828273100000216
其中，约束条件包括以下公式：
Figure FDA00037828273100000217
Figure FDA00037828273100000218
Figure FDA0003782827310000031
Figure FDA0003782827310000032
Figure FDA0003782827310000033
Figure FDA0003782827310000034
Figure FDA0003782827310000035
Figure FDA0003782827310000036
nk∈{0,1,...,M}Nk∈{0,1,...,M}k∈K (10)
在上述共享网点末端派件任务规划模型中，公式(1)为优化目标函数，表示最大化总体配送利润，用于考虑运输成本和时间成本；公式(2)为快件分配约束，表示每个快件只能在一次配送中由一位业务员进行装车派件；公式(3)为业务员配车载重约束，表示每个配送任务组中所有快件的包裹总装载量不超过该业务员配车的最大限重；公式(4)为业务员终点约束，每个配送任务组结束后业务员及车辆都必须返回共享网点节点0；公式(5)、(6)为客户点卸载约束，表示配送业务员车辆在每个配送任务组中只经过一次其所配送快件的所属客户配送点，抵达后卸载该配送点全部快件；公式(7)-(10)为决策变量定义；
所述使用混合遗传模拟退火算法进行路径规划具体包括如下步骤：
S4.1：导入数据，具体包括派件网络、快递公司信息集合C、快递员集合K和快件任务集合T；混合遗传模拟退火算法的相关参数，包括遗传操作的种群数量Q、最大优化代数G、交叉概率Pc、变异概率Pv、模拟退火操作的初始温度t0、终止温度te、降温系数a和迭代次数N；
S4.2：采用启发式生成方法生成半数初始种群，随机排序生成半数初始种群；采用分组编码方案将半数初始种群的每一条染色体生成对应的编码组，每个编码组用运单任务编号排列的整数编码形式代表安排给车辆的该次所有任务及顺序；S4.3：对染色体进行车辆分配，计算配送利润适应度，记录适应度最大的染色体为全局最优解，保留该最优解 ；
S4.4：采用轮盘赌算法对选择概率进行计算，根据轮盘赌结果进行选择操作，选择遗传操作基因；
S4.5：产生一个位于[0,1]的随机数，根据交叉概率进行交叉操作，交叉为编码组的易位操作，操作后进行启发式修复；
S4.6：产生一个位于[0,1]的随机数，根据变异概率进行变异操作，变异为编码组的拆分；
S4.7：对遗传操作后获得的种群进行邻域操作，根据Metropolis准则接受新解；S4.8：判断是否达到迭代次数G，如果达到迭代次数，执行步骤S4.9，否则，转到步骤S4.3；
S4.9：输出全局最优路径规划方案，算法结束；
所述步骤S4.2中的启发式生成方法具体包括：
将随机选择任务i作为初始任务点，生成随机数r选择下一步构建任务集合，根据r值决定选择同一网点快件任务或其他网点快件任务；
所述步骤S4.5中的交叉操作具体包括：
选择两个染色体作为父代，随机选取交叉基因片段，将选中的基因片段易位；易位后会出现快件被重复服务的情况，以启发式算法进行修复；为了消除服务重复，将原父代中的相同快件去除，设为未分配状态；对染色体中每个基因插入未分配任务，选取代价最小的插入方案；
所述步骤S4.6中的变异操作具体包括：
采用基因的拆分变异，随机选择一个染色体中的几个基因，删除选中基因的分配车辆，将基因内的任务设为未分配状态，将未分配的任务按启发式插入算法重新插入染色体；
所述步骤S4.7中的邻域操作具体包括交换操作、逆序操作和插入操作；
交换操作，采用单点交换，随机选择两个节点，交换两个节点的位置；
逆序操作，采用倒位变异，随机选择两个节点位置切点，将节点中间片段的所有基因倒位放置；
插入操作，采用单点插入，随机选择两个节点，将被选中后置节点插入前置节点前位置。
2.一种派件任务规划设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1所述的派件任务规划方法步骤。
CN202110639399.8A 2021-06-08 2021-06-08 一种派件任务规划方法及设备 Active CN113469416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110639399.8A CN113469416B (zh) 2021-06-08 2021-06-08 一种派件任务规划方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110639399.8A CN113469416B (zh) 2021-06-08 2021-06-08 一种派件任务规划方法及设备

Publications (2)

Publication Number Publication Date
CN113469416A CN113469416A (zh) 2021-10-01
CN113469416B true CN113469416B (zh) 2022-09-20

Family

ID=77869485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110639399.8A Active CN113469416B (zh) 2021-06-08 2021-06-08 一种派件任务规划方法及设备

Country Status (1)

Country Link
CN (1) CN113469416B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971011B (zh) * 2022-05-24 2024-04-23 燕山大学 一种基于改进遗传模拟退火算法的多式联运路径优化方法
CN114971044A (zh) * 2022-06-02 2022-08-30 圆通速递有限公司 一种派件配送路径规划方法
CN115063013A (zh) * 2022-07-04 2022-09-16 浙江云启信息技术有限公司 基于再生资源的收运调度方法、系统及介质
CN116228088A (zh) * 2023-03-01 2023-06-06 深圳市中源盛科技有限公司 基于事件与人员联合匹配的车辆调度方法、装置及设备
CN116362409B (zh) * 2023-04-14 2024-04-02 华东师范大学 一种发现和跟踪共享移动服务趋势的方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015011419A (ja) * 2013-06-27 2015-01-19 日本電信電話株式会社 ＩＳＰ（ＩｎｔｅｒｎｅｔＳｅｒｖｉｃｅｓＰｒｏｖｉｄｅｒ）によるコンテンツ課金比率設定装置及び方法
KR101594395B1 (ko) * 2015-05-06 2016-02-16 조희은 네트워크 상에서의 물품 배송자 중개 방법 및 이에 사용되는 중개 서버
CN105825303A (zh) * 2016-03-17 2016-08-03 合肥工业大学 一种甩挂运输的任务分配方法
CN107145971A (zh) * 2017-04-18 2017-09-08 苏州工业职业技术学院 一种动态调整的快递配送优化方法
CN107203831A (zh) * 2016-03-18 2017-09-26 台湾准时达国际物流股份有限公司 运输系统的车辆排程装置与方法
CN107316208A (zh) * 2017-06-20 2017-11-03 国网重庆市电力公司电力科学研究院 一种共享汽车共享网点布局与选址模型
CN110930091A (zh) * 2019-11-05 2020-03-27 哈尔滨工业大学（威海） 基于邻域搜索模拟退火算法的快递末端网点优化整合方法
CN110991665A (zh) * 2019-11-21 2020-04-10 浙江工业大学 一种利润最大化的集配一体化车辆路径规划方法
CN111126682A (zh) * 2019-12-13 2020-05-08 中国民用航空飞行学院 一种基于救援效率的通航救援调度优化方法
CN112036623A (zh) * 2020-08-20 2020-12-04 大连理工大学 一种横向物流联盟的利益协调方法
CN112836892A (zh) * 2021-02-26 2021-05-25 山东科技大学 基于改进遗传算法的多目标车辆配送路径确定方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9928472B2 (en) * 2012-12-12 2018-03-27 International Business Machines Corporation System and method for determining optimal asset configurations while minimizing disruption to existing business operations in a service delivery environment

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015011419A (ja) * 2013-06-27 2015-01-19 日本電信電話株式会社 ＩＳＰ（ＩｎｔｅｒｎｅｔＳｅｒｖｉｃｅｓＰｒｏｖｉｄｅｒ）によるコンテンツ課金比率設定装置及び方法
KR101594395B1 (ko) * 2015-05-06 2016-02-16 조희은 네트워크 상에서의 물품 배송자 중개 방법 및 이에 사용되는 중개 서버
CN105825303A (zh) * 2016-03-17 2016-08-03 合肥工业大学 一种甩挂运输的任务分配方法
CN107203831A (zh) * 2016-03-18 2017-09-26 台湾准时达国际物流股份有限公司 运输系统的车辆排程装置与方法
CN107145971A (zh) * 2017-04-18 2017-09-08 苏州工业职业技术学院 一种动态调整的快递配送优化方法
CN107316208A (zh) * 2017-06-20 2017-11-03 国网重庆市电力公司电力科学研究院 一种共享汽车共享网点布局与选址模型
CN110930091A (zh) * 2019-11-05 2020-03-27 哈尔滨工业大学（威海） 基于邻域搜索模拟退火算法的快递末端网点优化整合方法
CN110991665A (zh) * 2019-11-21 2020-04-10 浙江工业大学 一种利润最大化的集配一体化车辆路径规划方法
CN111126682A (zh) * 2019-12-13 2020-05-08 中国民用航空飞行学院 一种基于救援效率的通航救援调度优化方法
CN112036623A (zh) * 2020-08-20 2020-12-04 大连理工大学 一种横向物流联盟的利益协调方法
CN112836892A (zh) * 2021-02-26 2021-05-25 山东科技大学 基于改进遗传算法的多目标车辆配送路径确定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A Hybrid Genetic and Simulation Annealing Approach for a Multi-period Bid Generation Problem in Carrier Collaboration";E Mamaghani et al;《8th International Conference on Operations Research and Enterprise Systems》;20190101;第307-314页 *
"兼营快递配送的村镇客运车辆线路规划研究";高燕;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20210315;C034-430 *
"基于B2C的电商家电农村配送研究";张斌;《中国优秀硕士学位论文全文数据 经济与管理科学辑》;20181015;J157-95 *

Also Published As

Publication number Publication date
CN113469416A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN113469416B (zh) 一种派件任务规划方法及设备
Wang et al. Collaborative two-echelon multicenter vehicle routing optimization based on state–space–time network representation
Chabot et al. Service level, cost and environmental optimization of collaborative transportation
Orenstein et al. Flexible parcel delivery to automated parcel lockers: models, solution methods and analysis
Eisenhandler et al. The humanitarian pickup and distribution problem
Gaur et al. A periodic inventory routing problem at a supermarket chain
Engevall et al. The heterogeneous vehicle-routing game
Liu et al. Novel multi-objective resource allocation and activity scheduling for fourth party logistics
Punakivi Comparing alternative home delivery models for e-grocery business
Rieck et al. A new mixed integer linear model for a rich vehicle routing problem with docking constraints
Wang et al. Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks
CN112183812A (zh) 一种计及短时低成本的成品卷烟物流车辆调度方法
CN115965172B (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
Al Chami et al. An advanced grasp-hga combination to solve a multi-period pickup and delivery problem
Chen et al. Same-day delivery with fair customer service
CN110852469A (zh) 医药物流配送路径的优化设计方法、系统及介质
Elmachtoub et al. From cost sharing mechanisms to online selection problems
Bhusiri et al. Application of the just-in-time concept in urban freight transport
Wang et al. Research of oil product secondary distribution optimization based on collaborative distribution
Keskinturk et al. A genetic algorithm metaheuristic for bakery distribution vehicle routing problem with load balancing
Gökçe A revised ant colony system approach to vehicle routing problems
Kopfer et al. Approaches for modelling and solving the integrated transportation and forwarding problem
Yan et al. Transportation service procurement bid construction problem from less than truckload perspective
Paul et al. Simulation and optimization framework for on-demand grocery delivery
Lyu et al. A bid generation problem in truckload transportation service procurement considering multiple periods and uncertainty: Model and benders decomposition approach

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