CN113570169A - 货物运送规划方法、设备及可读存储介质 - Google Patents
货物运送规划方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113570169A CN113570169A CN202111110244.1A CN202111110244A CN113570169A CN 113570169 A CN113570169 A CN 113570169A CN 202111110244 A CN202111110244 A CN 202111110244A CN 113570169 A CN113570169 A CN 113570169A
- Authority
- CN
- China
- Prior art keywords
- planning
- transportation
- cargo
- target
- model
- 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
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种货物运送规划方法、设备及可读存储介质,该方法包括步骤:获取影响运送规划的数据因子,确定至少一个优化目标;根据所述至少一个优化目标,建立货物运送规划模型;获取所述优化目标对应的约束条件;基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划;通过上述方式,建立货物运送规划模型,根据优化目标和对应的约束条件通过遗传算法求解模型,实现对多目标化问题的求解,得到最佳运送规划的建议,便于应对运送过程中的突发情况,及时作出运送规划的调整。
Description
技术领域
本申请涉及交通系统技术领域,尤其涉及一种货物运送规划方法、设备及可读存储介质。
背景技术
随着国际贸易的稳步发展,进出口货物的业务越来越多,但由于货物运输过程中受到影响因素较多,使得货物出口路径上容易出现重大改变,例如集装箱缺少、海运运费涨价、空运时许多中转国家停摆、又或者铁路运输政策利好公布等,众多的改变已将货物出口变成一个复杂的策略选择问题。
发明内容
本申请的主要目的在于提供一种货物运送规划方法、设备及可读存储介质,旨在能够应对突发情况下的货物出口。
为实现上述目的,本申请提供一种货物运送规划方法,所述货物运送规划方法包括步骤:
获取影响运送规划的数据因子,确定至少一个优化目标;
根据所述至少一个优化目标,建立货物运送规划模型;
获取所述优化目标对应的约束条件;
基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划。
可选地,所述至少一个优化目标包括运输成本和运输风险,所述根据所述至少一个优化目标,建立货物运送规划模型的步骤,包括:
获取计算所述运输成本的成本模型;
获取计算所述运输风险的风险模型;
基于所述成本模型和风险模型,建立货物运送规划模型。
可选地,所述获取计算所述运输风险的风险模型的步骤,包括:
对运送规划中的所述数据因子进行权重分析,确定用于计算所述运输风险的关键特征,其中,所述关键特征包括合同违约特征、破损特征、延期特征和海关扣押特征;
根据所述关键特征建立所述风险模型。
可选地,所述获取计算所述运输成本的成本模型的步骤,包括:
获取所述最佳运送规划中的至少一组规划目标,其中,所述规划目标包括生产计划、运输方式和运输路径;
根据所述规划目标建立所述成本模型。
可选地,所述获取所述优化目标对应的约束条件的步骤,包括:
确定影响所述优化目标的约束因子;
根据所述优化目标和货物运送规划模型,对所述约束因子进行限制,构建约束条件。
可选地,所述基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划的步骤,包括:
对所述货物运送规划模型中的所述规划目标进行染色体编码;
获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值;
根据所述适应度函数值对所述规划目标进行选择操作;
对选择后的所述规划目标进行部分匹配交叉操作和互换变异操作,得到新一代规划目标;
判断所述新一代规划目标是否满足预设结束条件;
若满足,则所述新一代规划目标作为最佳运送规划输出。
可选地,所述判断所述新一代规划目标是否满足预设结束条件的步骤之后,所述方法包括:
若不满足,则将所述新一代规划目标设定为规划目标,并返回获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值的步骤,以对所述规划目标进行迭代操作,直至达到所述预设结束条件,所述新一代规划目标中所述适应度函数值最大的规划目标作为最佳运送规划输出。
可选地,所述基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划的步骤之后,所述方法包括:
获取目标订单信息;
比对所述最佳运送规划的信息与所述目标订单信息,确定所述最佳运送规划对应的所述运输成本和所述运输风险。
此外,为实现上述目的,本申请还提供一种货物运送规划设备,所述货物运送规划设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的货物运送规划程序,所述货物运送规划程序被所述处理器执行时实现如上所述的货物运送规划方法的步骤。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有货物运送规划程序,所述货物运送规划程序被处理器执行时实现如上所述的货物运送规划方法的步骤。
与现有技术中,无法应对运输中突发情况及时调整运输路线相比,本申请通过获取影响运送规划的数据因子,确定至少一个优化目标;根据所述至少一个优化目标,建立货物运送规划模型;获取所述优化目标对应的约束条件;基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划;通过上述方式,建立货物运送规划模型,根据优化目标和对应的约束条件通过遗传算法求解模型,实现对多目标化问题的求解,得到最佳运送规划的建议,便于应对运送过程中的突发情况,及时作出运送规划的调整。
附图说明
图1是本申请货物运送规划方法第一实施例的流程示意图;
图2是本申请货物运送规划方法的过程流程图;
图3是本申请货物运送规划装置较佳实施例的功能模块示意图;
图4是本申请实施例方案涉及的硬件运行环境的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供一种货物运送规划方法,参照图1和图2,图1为本申请货物运送规划方法第一实施例的流程示意图,图2为本申请货物运送规划方法的过程流程图。
本申请实施例提供了货物运送规划方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。货物运送规划方法可应用于应用服务器的用于收费的程序模块中。为了便于描述,以下省略执行主体描述货物运送规划方法的各个步骤。货物运送规划方法包括:
步骤S10,获取影响运送规划的数据因子,确定至少一个优化目标;
步骤S20,根据所述至少一个优化目标,建立货物运送规划模型;
步骤S30,获取所述优化目标对应的约束条件;
步骤S40,基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划。
具体步骤如下:
步骤S10,获取影响运送规划的数据因子,确定至少一个优化目标;
在本实施例中,需要说明的是,货物运送规划方法可以应用于货物运送规划装置,该货物运送规划装置属于自动收费系统,该自动收费系统从属于货物运送规划设备。
在本实施例中,具体的应用场景可以是:影响货物出口路径的因素众多,例如集装箱缺少、海运运费涨价、空运时许多中转国家停摆、又或者铁路运输政策利好公布等,众多的因子已将货物出口的这件事变成了一个复杂的策略选择问题。而目前没有相关的技术能够在货物出口的因素发生变化时,及时的调整运输策略,从而增加了货物出口的众多损失。
在本实施例中,运送规划的选择会因为货物/产品的特性数据因子、货物目的地或中转站的因子、我方与客户之间的订单数据因子、各个路线(海/陆/空)的数据因子、各个货代与我方合同之间的条件数据因子、以及进出口政策因子等的因子影响,这些因子为影响运送规划的数据因子。每个数据因子拥有不同影响整体运送规划选择的权重与限制区间,其中,权重是指数据因子的变化对运送规划选择的影响程度。
在确定最佳运送规划策略时,无法在改进任何数据因子的同时不削弱至少一个其他的数据因子,因此,需要根据数据因子的影响权重确定优化目标,优化目标是指需要优化的数据因子对应设定的目标,需要说明的是,优化目标可以为多个,因此,通过众多的数据因子确定至少一个优化目标,就属于多目标优化问题。但是多目标优化问题不存在唯一的全局最优解,过多的非劣解是无法直接运用的,因此,在解决货物运送规划中是要寻找一个最佳运送规划,从而在数据因子发生变化时,根据优化目标及时做出运送调整,获得最佳的运送规划。
需要说明的是,影响货物运送的数据因子的信息和后续的目标订单(客户订单信息)主要是从相关系统获取的,相关系统如下:
法务系统:客户合同、货物代理商合同等;
订单系统:数量、要求时间、金额、付款条件、运输条件等;
生产系统:产品种类、数量、尺寸、容积数、包装方式、重量、运输条件等;
消息系统:出口国政策、中转国政策、目的地国政策等;
海关系统:报关方式、报关条件等;
物流系统: 提货时间、提货方式、运输方式、货损概率等;
步骤S20,根据所述至少一个优化目标,建立货物运送规划模型;
在本实施例中,在确定优化目标后,以优化目标建立货物运送规划模型,以货物运送的成本为优化目标来获取最佳运送规划,其他的优化目标可根据需求者自行设定,具体实施方式与以货物运送成本为优化目标相同,在此不再赘述。以货物运送的成本为优化目标时,设定至少一个的优化目标包括运输成本和运输风险。
进一步地,所述根据所述至少一个优化目标,建立货物运送规划模型的步骤,包括:
步骤a,获取计算所述运输成本的成本模型;
在本实施例中,运输成本是指货物运输途中的所产生的费用,在以货物运送的成本为优化目标时,需要考虑运输过程中产生的成本,达到在受限制的时间区间内的运输成本最小化的目标。
进一步地,所述获取计算所述运输成本的成本模型的步骤,包括:
步骤a1,获取所述最佳运送规划中的至少一组规划目标,其中,所述规划目标包括生产计划、运输方式和运输路径;
在本实施例中,规划目标包括生产计划、运输方式和运输路径,最佳规划目标是指在至少一组的规划目标中运输成本最低的规划目标,因此,在确定规划目标后,可以建立成本模型,通过成本模型计算最佳运送规划对应的运输成本。
步骤a2,根据所述规划目标建立所述成本模型;
在本实施例中,规划目标是一种表现型的数据,可以直观得到货物的生产计划、运输方式和运输路径,但是,在计算运输成本时,需要将规划目标转化为成本计算相关的数据,如在确定了规划目标中的运输方式(运输工具)后,需要考虑租赁费用和租赁时间,从而计算出运输工具对应的成本,由此,获取的成本模型为:
其中,Coil为燃油成本,Crental为交通工具租赁价格,daytravel为运输时间。通过上述公式(1)能够计算得到最佳运送规划对应的总的运输成本。
步骤b,获取计算所述运输风险的风险模型;
在本实施例中,影响货物运送规划的数据因子较多,在其中一个数据因子发生突变时(如各个贷方与我方合同之间的条件发生变化等),此时会对运送规划造成一定的损失,因此,在建立货物运送规划模型时,还需要将运输途中的运输风险考虑在内,以适应在不同场景时及时给出最佳运送规划。
进一步地,所述获取计算所述运输风险的风险模型的步骤,包括:
步骤b1,对运送规划中的所述数据因子进行权重分析,确定用于计算所述运输风险的关键特征,其中,所述关键特征包括合同违约特征、破损特征、延期特征和海关扣押特征;
在本实施例中,运送规划中会受到不同的数据因子的影响,不同的数据因子由于其影响权重的不同,在发生突变时,对运送规划会产生不同程度的影响或损失,因此需要在选择运送规划策略时,需要将不同的数据因子可能发生变化而引起的损失考虑在成本范围内。但是,由于影响货物运送规划的数据因子众多,需要从中选择对货物运送规划影响权重较大的数据因子,确定运输风险特征,从而建立风险模型。需要说明的是,也可以是按照决策者的意图直接确定运输风险的关键特征。例如,结合货物出口的运输规划确定运输风险的关键特征有四种,分别为合同违约情况特征、破损情况特征、延期情况特征和海关扣押情况特征,各关键特征中包括特征风险和特征损失,其中,特征风险是指特征损失出现的概率,根据特征风险和特征损失,共同构成了运送规划中的运输风险。
步骤b2,根据所述关键特征建立所述风险模型。
在本实施例中,根据关键特征中的特征风险和特征损失,建立风险模型,从而通过风险模型对运送规划进行风险预判。例如,关键特征分别为合同违约情况特征、破损情况特征、延期情况特征和海关扣押情况特征时,合同违约情况特征对应的特征风险和特征损失分别是,合同违约风险和合同违约损失,其中,合同违约风险是指出现合同违约情况的概率,当出现合同违约情况时,则会对货物运送规划造成合同违约损失;
破损情况特征对应的特征风险和特征损失分别是,破损风险和破损损失,其中,破损风险是指出现破损情况的概率,当出现破损情况时,则会对货物运送规划造成破损损失;
延期情况特征对应的特征风险和特征损失分别是,延期风险和延期损失,其中,延期风险是指出现延期情况的概率,当出现延期情况时,则会对货物运送规划造成延期损失;
海关扣押情况特征对应的特征风险和特征损失分别是,海关扣押风险和海关扣押损失,其中,海关扣押风险是指出现海关扣押情况的概率,当出现海关扣押情况时,则会对货物运送规划造成海关扣押损失。
以上损失会计入货物运送规划模型中,用以获得最佳运送规划对应的风险,做出风险预判。由此,获取的风险模型为:
其中,η1为合同违约风险,Crisk1为合同违约损失;
η2为破损风险,Crisk2为破损损失;
η3为延期风险,Crisk3为延期损失;
η4为海关扣押风险,Crisk4为海关扣押损失。
步骤c,基于所述成本模型和风险模型,建立货物运送规划模型;
在本实施例中,确定的优化目标包括运输成本和运输风险,建立在受限的时间区间内的最小化运输成本与运输风险损失期望之和的货物运送规划模型,也即结合成本模型与所述风险模型,建立货物运送规划模型,模型如下:
步骤S30,获取所述优化目标对应的约束条件;
在本实施例中,约束条件是指在最优化问题,求货物运送规划模型的极值时,变量必须满足的限制条件。
进一步地,所述获取所述优化目标对应的约束条件的步骤,包括:
步骤d,确定影响所述优化目标的约束因子;
在本实施例中,约束因子是指在确定最佳运送规划中,各数据因子必须满足的限制因素,如在求得最佳运送规划中的生产时间/生产计划时,生产计划需要满足生产系统的基本原料要素、设备要素、尺寸要素等要求,由此,基本原料、设备、尺寸等即为约束因子。
步骤e,根据所述优化目标和货物运送规划模型,对所述约束因子进行限制,构建约束条件。
在本实施例中,在得到约束因子后,需要根据货物运送规划模型和优化目标对约束因子进行限定,使其符合一定的限定范围,如约束因子为运输路线,则相应的约束条件为单一交通队在某一时刻只能执行单一运输路线,由此,在对货物运送规划模型求解时,在某一时刻内,交通团队和运输路线是单一对应关系,避免出现运送规划冲突。需要说明的是,除了上述列举的约束条件外,根据货物运送规划模型和优化目标,还可以在生产计划(生产时间)、运输路径(路径选择)、运输方式(何种交通工具)方面确定更多的约束,以使得最终获得的最佳运送规划满足需求,更多的约束例如运输行为需要在生产结束之后才能进行;同一批订单/子订单只能被单一交通队运输;同一订单只能被报关一次等。
步骤S40,基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划;
在本实施例中,通过遗传算法对货物运送规划模型和约束条件求解,得到最佳运送规划,最佳运送规划即为在最小化运输成本与运输风险损失期望之和为优化目标的基础上,得到的规划目标,当前的规划目标包括最佳生产时间、最佳运输路径和最佳运输方式。
进一步地,所述基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划的步骤,包括:
对所述货物运送规划模型中的所述规划目标进行染色体编码;
具体的,规划目标包括生产时间、运输路径和运输方式,由于约束条件中单一交通队在某一时刻只能执行单一运输路线,由此,在得到最佳的运输团队时,便可获取运输路径,为了便于根据遗传算法进行最佳运送规划的计算,可以用运输团队代替运输路线进行编码。因此,对货物订单的生产时间、运输团队和运输工具进行染色体编码。
例如,若某货物订单包含P类商品,则问题的解需要包含以下三个序列:每个订单内的商品的开始生产时间,每个订单内商品对应的运输工具,以及每个运输任务对应的运输团队,假设可用的交通工具有M种,可用的运输团队有N个,显然有,。考虑到这是一个混合整体求解问题,优化模型本身的复杂度较大,同时考虑到现在生产制造行业本身的订单内产品及商品的多样性与灵活性,需要考虑更为高效的模型求解思路。基于此,本文提出一种推理式的编码及初始化方法,首先对任务的发生次序进行自然数编码,然后利用损失期望的思路,基于全局成本最小的原则,实现了对多目标优化问题的转化,依次确定每个生产任务的最佳时间、运输工具与运输团队组合,形成一个可行解。具体过程如下:
对P个生产任务的执行次序进行自然数编码,得到g1g2……gp,其中基因gi表示第gi个生产任务的执行次序是第i个,将约束条件转化为算法模型可识别的语言,也即,满足
可以理解,gi=5,则意味着生产任务5会第一个被执行。
获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值;
具体的,第M任务开始被执行时,对应的开始时间开始时间tgM,对应的运输工具BgM以及运输团队WgM,满足
由于多目标问题已经成功的转换为成本最小化,因此这里直接将成本函数视为适应度函数,直接实现基于多目标的适应度函数设计与计算。其中,成本函数即为上述公式(6)中对应的costgM,即公式(6)中计算的具体的适应度函数值。在第M个任务执行时,得到的costgM适应度函数值与预设结束条件比对,若适应度函数值满足预设结束条件,则输出第M个任务中适应度函数值最小时对应的规划目标。需要说明的是,预设结束条件是预先设定的,可以根据适应度函数值的大小设定,也可以根据循环迭代的代数设定,若根据适应度函数值的大小设定时,那么预设结束时间可以是一个具体数值。
根据所述适应度函数值对所述规划目标进行选择操作;
具体的,采用轮盘赌的方式,各个规划目标被选中的概率与其适应度函数值大小成正比,同时采用精英主义,保证当前最优解个体可以遗传到新一代种群中,这样大幅提高了运算速度,因为它可以防止错过找到的最优解。
对选择后的所述规划目标进行部分匹配交叉操作和互换变异操作,得到新一代规划目标;
具体的,这里部分匹配交叉(PMX)法进行交叉操作,采用互换变异,对于需要变异的个体,从染色体序列中随机选择两个位置的基因进行互换。通过选择、交叉、变异后的规划目标得到新一代规划目标。
判断所述新一代规划目标是否满足预设结束条件,若满足,则所述新一代规划目标作为最佳运送规划输出。
具体的,新一代规划目标依旧使用适应度函数进行判断是否满足预设条件,若不满足,则将所述新一代规划目标设定为规划目标,并返回获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值的步骤,以对所述规划目标进行迭代操作,直至达到所述预设结束条件,所述新一代规划目标中所述适应度函数值最大的规划目标作为最佳运送规划输出。
一旦前个任务中有任一个开始执行,立即开始考虑第gM+1个任务对应的开始时间tgM+1,对应的运输工具BgM+1以及运输团队WgM+1,满足上述公式(6),需要说明的是,在之前的任务执行时,已经确定的规划目标对应的生产时间、运输路径和运输方式不会被重复选择。一旦有新的生产任务开始被执行,重复上述第M个任务得到对应的规划目标的执行过程,为任务序列中的下一个任务对应的开始时间tgM+1,对应的运输工具BgM+1以及运输团队WgM+1,直到订单序列里面的所有任务都选择执行完毕。
因此,通过上述的过程得到了P类商品对应的P个生产任务的规划目标,将规划目标中的生产时间串起来构成了生产计划,将规划目标中的运输工具和运输团队串起来构成了运输方案,运输方案中包括了运输路径和运输方式(运输工具),由此,得到最佳运送规划。
进一步地,所述基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划的步骤之后,所述方法包括:
步骤f,获取目标订单信息;
在本实施例中,通过遗传算法对货物运送规划模型求解后,得到了最佳运送规划,也即每个订单任务的生产计划、运输路径、运输方式的信息,通过这三种信息可以相应的从法务系统、订单系统、生产系统、消息系统、海关系统和物流系统等获取到报关相关信息、出口政策等,结合最佳运送规划可以计算运输的成本和运输风险的预测。首先要获取到目标订单信息,目标订单信息是指需要生产完成及运输的订单相关的信息。
步骤g,比对所述最佳运送规划的信息与所述目标订单信息,确定所述最佳运送规划对应的所述运输成本和所述运输风险。
在本实施例中,通过比对每个最佳运送规划和目标订单信息,确定推荐的运送规划是否与目标订单信息符合,若不符合,则通过推荐的运送规划是否与目标订单信息的差距,计算这些差距带来的运输成本和运输风险损失情况。例如,目标订单信息中包括客户交期,结合得到的最佳运送规划中的生产计划和运输安排(运输路径和运输方式),比对最佳运送规划和目标订单信息中的客户交期,可以得到延迟天数,那么,根据延期损失的计算方法,直接算出延期损失,具体如下:
其中,Cdalay为单日违约成本,Nday为延迟天数;
根据合同违约损失的计算方法,直接算出合同违约损失:
其中,Cpeanlty为约定违约金,如果发生违约,α=1,否则=0;
根据破损损失的计算方法,直接算出破损损失:
其中,Cdamage为破损的单件成本,Nprod为破损数量;
根据海关扣押损失的计算方法,直接算出海关扣押损失:
其中,Ccustoms为海关滞纳金,Nday为延迟天数;
将上述计算得到的损失数值带入公式(2)中计算出风险损失期望,同时将最佳运送规划的信息中的相关信息,带入公式(1)中,直接计算出运输成本。由此,通过运输成本和运输风险损失,方便对货物运送作出风险预判。
在本实施例中,获取影响运送规划的数据因子,确定至少一个优化目标;根据所述至少一个优化目标,建立货物运送规划模型;获取所述优化目标对应的约束条件;基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划;通过上述方式,建立货物运送规划模型,根据优化目标和对应的约束条件通过遗传算法求解模型,实现对多目标化问题的求解,得到最佳运送规划的建议,便于应对运送过程中的突发情况,及时作出运送规划的调整。
本申请还提供一种货物运送规划装置,参照图3,所述货物运送规划装置包括:
第一获取模块10,获取影响运送规划的数据因子,确定至少一个优化目标;
建模模块20,根据所述至少一个优化目标,建立货物运送规划模型;
第二获取模块30,获取所述优化目标对应的约束条件;
求解模块40,基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划,。
可选地,所述建模模块20包括:
第一获取子模块,获取计算所述运输成本的成本模型;
第二获取子模块,获取计算所述运输风险的风险模型;
建模子模块,基于所述成本模型和风险模型,建立货物运送规划模型。
可选地,所述第二获取子模块包括:
确定子单元,对运送规划中的所述数据因子进行权重分析,确定用于计算所述运输风险的关键特征,其中,所述关键特征包括合同违约特征、破损特征、延期特征和海关扣押特征;
第一建模子单元,根据所述关键特征建立所述风险模型。
可选地,所述第二获取模块20包括:
获取子单元,获取所述最佳运送规划中的至少一组规划目标,其中,所述规划目标包括生产计划、运输方式和运输路径;
第二建模子单元,根据所述规划目标建立所述成本模型。
可选地,所述第二获取模块30包括:
确定子模块,确定影响所述优化目标的约束因子;
构建子模块,根据所述优化目标和货物运送规划模型,对所述约束因子进行限制,构建约束条件。
可选地,所述求解模块40包括:
编码子模块,对所述货物运送规划模型中的所述规划目标进行染色体编码;
计算子模块,获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值;
选择子模块,根据所述适应度函数值对所述规划目标进行选择操作;
更新子模块,对选择后的所述规划目标进行部分匹配交叉操作和互换变异操作,得到新一代规划目标;
判断子模块,判断所述新一代规划目标是否满足预设结束条件;
输出子模块,若满足,则所述新一代规划目标作为最佳运送规划输出;
迭代子模块,若不满足,则将所述新一代规划目标设定为规划目标,并返回获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值的步骤,以对所述规划目标进行迭代操作,直至达到所述预设结束条件,所述新一代规划目标中所述适应度函数值最大的规划目标作为最佳运送规划输出。
可选地,所述货物运送规划装置还包括:
第三获取模块,获取目标订单信息;
比对模块,比对所述最佳运送规划的信息与所述目标订单信息,确定所述最佳运送规划对应的所述运输成本和所述运输风险。
此外,本申请还提供一种货物运送规划设备。如图4所示,图4是本申请实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图4即可为货物运送规划设备的硬件运行环境的结构示意图。
如图4所示,该货物运送规划设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,货物运送规划设备还可以包括RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解,图4中示出的货物运送规划设备结构并不构成对货物运送规划设备的限定,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。
如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及货物运送规划程序。其中,操作系统是管理和控制货物运送规划设备硬件和软件资源的程序,支持货物运送规划程序以及其它软件或程序的运行。
在图4所示的货物运送规划设备中,用户接口1003主要用于连接终端,与终端进行数据通信,如接收终端发送的用户信令数据;网络接口1004主要用于后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的货物运送规划程序,并执行如上所述的货物运送规划方法的步骤。
本申请货物运送规划设备具体实施方式与上述货物运送规划方法各实施例基本相同,在此不再赘述。
此外,本申请实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有货物运送规划程序,所述货物运送规划程序被处理器执行时实现如上所述的货物运送规划方法的步骤。
本申请计算机可读存储介质具体实施方式与上述货物运送规划方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,设备,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种货物运送规划方法,其特征在于,所述货物运送规划方法包括以下步骤:
获取影响运送规划的数据因子,确定至少一个优化目标;
根据所述至少一个优化目标,建立货物运送规划模型;
获取所述优化目标对应的约束条件;
基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划。
2.如权利要求1所述的货物运送规划方法,其特征在于,所述至少一个优化目标包括运输成本和运输风险,所述根据所述至少一个优化目标,建立货物运送规划模型的步骤,包括:
获取计算所述运输成本的成本模型;
获取计算所述运输风险的风险模型;
基于所述成本模型和风险模型,建立货物运送规划模型。
3.如权利要求2所述的货物运送规划方法,其特征在于,所述获取计算所述运输风险的风险模型的步骤,包括:
对运送规划中的所述数据因子进行权重分析,确定用于计算所述运输风险的关键特征,其中,所述关键特征包括合同违约特征、破损特征、延期特征和海关扣押特征;
根据所述关键特征建立所述风险模型。
4.如权利要求2所述的货物运送规划方法,其特征在于,所述获取计算所述运输成本的成本模型的步骤,包括:
获取所述最佳运送规划中的至少一组规划目标,其中,所述规划目标包括生产计划、运输方式和运输路径;
根据所述规划目标建立所述成本模型。
5.如权利要求1所述的货物运送规划方法,其特征在于,所述获取所述优化目标对应的约束条件的步骤,包括:
确定影响所述优化目标的约束因子;
根据所述优化目标和货物运送规划模型,对所述约束因子进行限制,构建约束条件。
6.如权利要求1所述的货物运送规划方法,其特征在于,所述基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划的步骤,包括:
对所述货物运送规划模型中的所述规划目标进行染色体编码;
获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值;
根据所述适应度函数值对所述规划目标进行选择操作;
对选择后的所述规划目标进行部分匹配交叉操作和互换变异操作,得到新一代规划目标;
判断所述新一代规划目标是否满足预设结束条件;
若满足,则所述新一代规划目标作为最佳运送规划输出。
7.如权利要求6所述的货物运送规划方法,其特征在于,所述判断所述新一代规划目标是否满足预设结束条件的步骤之后,所述方法包括:
若不满足,则将所述新一代规划目标设定为规划目标,并返回获取适应度函数,计算染色体编码后的所述规划目标的适应度函数值的步骤,以对所述规划目标进行迭代操作,直至达到所述预设结束条件,所述新一代规划目标中所述适应度函数值最大的规划目标作为最佳运送规划输出。
8.如权利要求2所述的货物运送规划方法,其特征在于,所述基于所述约束条件,利用遗传算法对所述货物运送规划模型求解,得到最佳运送规划的步骤之后,所述方法包括:
获取目标订单信息;
比对所述最佳运送规划的信息与所述目标订单信息,确定所述最佳运送规划对应的所述运输成本和所述运输风险。
9.一种货物运送规划设备,其特征在于,所述货物运送规划设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的货物运送规划程序,所述货物运送规划程序被所述处理器执行时实现如权利要求1至8中任一项所述的货物运送规划方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有货物运送规划程序,所述货物运送规划程序被处理器执行时实现如权利要求1至8中任一项所述的货物运送规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110244.1A CN113570169A (zh) | 2021-09-23 | 2021-09-23 | 货物运送规划方法、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110244.1A CN113570169A (zh) | 2021-09-23 | 2021-09-23 | 货物运送规划方法、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570169A true CN113570169A (zh) | 2021-10-29 |
Family
ID=78173993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111110244.1A Pending CN113570169A (zh) | 2021-09-23 | 2021-09-23 | 货物运送规划方法、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570169A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542675A (zh) * | 2023-03-23 | 2023-08-04 | 上海朗晖慧科技术有限公司 | 一种结合地理空间信息的跨品类换货方案生成方法 |
CN117709825A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市嘉宝田网络科技有限公司 | 一种线上货运综合管理方法及平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784260A (zh) * | 2020-07-14 | 2020-10-16 | 国网北京市电力公司 | 运输规划方法、装置、存储介质及处理器 |
CN112434849A (zh) * | 2020-11-19 | 2021-03-02 | 上海交通大学 | 基于改进多目标算法的危险品运输路径动态规划方法 |
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 |
CN112990528A (zh) * | 2020-06-28 | 2021-06-18 | 青岛盈智科技有限公司 | 一种物流运输配载管理方法及装置 |
-
2021
- 2021-09-23 CN CN202111110244.1A patent/CN113570169A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990528A (zh) * | 2020-06-28 | 2021-06-18 | 青岛盈智科技有限公司 | 一种物流运输配载管理方法及装置 |
CN111784260A (zh) * | 2020-07-14 | 2020-10-16 | 国网北京市电力公司 | 运输规划方法、装置、存储介质及处理器 |
CN112434849A (zh) * | 2020-11-19 | 2021-03-02 | 上海交通大学 | 基于改进多目标算法的危险品运输路径动态规划方法 |
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 (1)
Title |
---|
王光焰 等: "《塔里木河流域干流水资源配置原理与实践》", 30 June 2019, 武汉:武汉大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542675A (zh) * | 2023-03-23 | 2023-08-04 | 上海朗晖慧科技术有限公司 | 一种结合地理空间信息的跨品类换货方案生成方法 |
CN116542675B (zh) * | 2023-03-23 | 2023-10-17 | 上海朗晖慧科技术有限公司 | 一种结合地理空间信息的跨品类换货方案生成方法 |
CN117709825A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市嘉宝田网络科技有限公司 | 一种线上货运综合管理方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmadizar et al. | Two-level vehicle routing with cross-docking in a three-echelon supply chain: A genetic algorithm approach | |
Noroozi et al. | Coordinating order acceptance and integrated production-distribution scheduling with batch delivery considering Third Party Logistics distribution | |
Zhang et al. | A reactive tabu search algorithm for the multi-depot container truck transportation problem | |
Liu et al. | Novel multi-objective resource allocation and activity scheduling for fourth party logistics | |
CN113570169A (zh) | 货物运送规划方法、设备及可读存储介质 | |
Żak et al. | Multiple objective optimization of the fleet sizing problem for road freight transportation | |
Heidari et al. | Modeling truck scheduling problem at a cross-dock facility through a bi-objective bi-level optimization approach | |
Wang et al. | Dynamic resource allocation for intermodal freight transportation with network effects: Approximations and algorithms | |
Zhang et al. | Range-based truck-state transition modeling method for foldable container drayage services | |
Salam et al. | Simulation based decision support system for optimization: A case of Thai logistics service provider | |
US20080046302A1 (en) | Vehicle transport load optimization | |
AU2016333979B2 (en) | Parallel processing for solution space partitions | |
Qiu et al. | Making the most of fleets: A profit-maximizing multi-vehicle pickup and delivery selection problem | |
Wang et al. | Itinerary provision and pricing in container liner shipping revenue management | |
Hu et al. | Finished-vehicle transporter routing problem solved by loading pattern discovery | |
CN115345549B (zh) | 结合装载方案的车辆路径调整方法及系统 | |
Al Chami et al. | An advanced grasp-hga combination to solve a multi-period pickup and delivery problem | |
Noroozi et al. | Evolutionary computation algorithms to coordinating order acceptance and batch delivery for an integrated supply chain scheduling | |
Gu et al. | Dynamic truck–drone routing problem for scheduled deliveries and on-demand pickups with time-related constraints | |
Zhu et al. | Optimisation of containerised air cargo forwarding plans considering a hub consolidation process with cargo loading | |
Kamsopa et al. | Hybrid genetic algorithm for multi-period vehicle routing problem with mixed pickup and delivery with time window, heterogeneous fleet, duration time and rest area | |
Sedaghat et al. | A sustainable transportation location inventory routing problem | |
Tadumadze et al. | Loading and scheduling outbound trucks at a dispatch warehouse | |
Miao et al. | A hybrid genetic algorithm for the multiple crossdocks problem | |
CN115330051B (zh) | 基于混合遗传算法的车辆路径优化方法及应用 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211029 |
|
RJ01 | Rejection of invention patent application after publication |