CN113848936A - 路径规划方法、装置、电子设备和计算机可读存储介质 - Google Patents
路径规划方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113848936A CN113848936A CN202111192602.8A CN202111192602A CN113848936A CN 113848936 A CN113848936 A CN 113848936A CN 202111192602 A CN202111192602 A CN 202111192602A CN 113848936 A CN113848936 A CN 113848936A
- Authority
- CN
- China
- Prior art keywords
- path
- delivery
- point
- receiving
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出一种路径规划方法、装置、电子设备和计算机可读存储介质，其中，方法包括：获取多个收货点的位置，以及多个发货点的位置，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇，分别对各发货点规划经过对应聚簇中各收货点的目标路径，通过对多个收货点进行聚类，确定各个发货点对应的聚簇，对各发货点规划经过对应聚簇中各收货点的目标路径，实现了将多中心路径规划拆分为多个单中心路径规划，提高了路径规划的效率和准确度。
Description
技术领域
本公开涉及人工智能和路径规划技术领域，尤其涉及一种路径规划方法、装置、电子设备和计算机可读存储介质。
背景技术
随着电子商务的发展，配送网络中包含的发货点和收货点数量越来越多，在配送过程中，通过车辆路径规划(VRP,Vehicle Routing Problem)，提高配送效率，满足配送需求，则较为重要。
发明内容
本公开提供了一种路径规划方法、装置、电子设备和计算机可读存储介质。
根据本公开的一方面，提供了一种路径规划方法，包括以下步骤：
获取多个收货点的位置，以及多个发货点的位置；
根据所述多个收货点的位置，对所述多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇；
根据各聚簇的中心位置与各所述发货点的位置之间的距离，确定各所述发货点对应的聚簇；
分别对各所述发货点规划经过对应聚簇中各收货点的目标路径。
根据本公开的另一方面，提供了一种一种路径规划装置，包括：
获取模块，用于获取多个收货点的位置，以及多个发货点的位置；
聚类模块，用于根据所述多个收货点的位置，对所述多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇；
确定模块，用于根据各聚簇的中心位置与各所述发货点的位置之间的距离，确定各所述发货点对应的聚簇；
规划模块，用于分别对各所述发货点规划经过对应聚簇中各收货点的目标路径。
根据本公开的另一方面，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前述一方面所述的方法。
根据本公开的另一方面，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前述一方面所述的方法。
根据本公开的另一方面，提供了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前述一方面所述的方法。
本公开实施例所提供的技术方案包含如下的有益效果：
获取多个收货点的位置，以及多个发货点的位置，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇，分别对各发货点规划经过对应聚簇中各收货点的目标路径，通过聚簇实现了将多中心路径规划拆分为多个单中心路径规划，提高了路径规划的效率和准确度。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例所提供的一种路径规划方法的流程示意图；
图2为本公开实施例提供的另一种路径规划方法的流程示意图；
图3为本公开实施例提供的另一种路径规划方法的流程示意图；
图4为本公开实施例提供的一种路径规划方法的测试结果对比图；
图5为本公开实施例提供的一种路径规划装置的结构示意图；
图6为本公开实施例提供的一种示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的路径规划方法、装置、电子设备和计算机可读存储介质。
图1为本公开实施例所提供的一种路径规划方法的流程示意图。
如图1所示，该方法包括以下步骤：
步骤101，获取多个收货点的位置，以及多个发货点的位置。
其中，收货点是指有收货需求的点，例如，各用户、各门店或者是各驿站等。发货点是指配送网络中的配送中心，即仓库，用于存储待配送至收货点的货品。
例如，零售商X，包含多个用于存储零售商品的仓库，即发货点，零售商品需要从发货点通过车辆配送至各个零售门店，即收货点。如，在蔬菜配送场景中，需要从用于存储蔬菜的仓库中，分别配送至各个菜场摊位或销售门店。
本公开实施例中，各个收货点的位置和发货点的位置，可以是路径规划系统中的位置，或者是预先采用定位装置定位确定的位置，对于获取各个收货点的位置和发货点的位置的方式不进行限定。
步骤102，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇。
本公开实施例中，根据发货点的个数，确定相应的聚簇个数，也就是说每一个发货点均具有对应的一个或多个聚簇。其中，聚簇可根据多个收货点的位置利用聚类算法，例如kmeans聚类算法获取得到，以将位置相近的收货点归为一类，即聚类到同一个聚簇中。
步骤103，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇。
本公开实施例中，根据各聚簇的中心位置与各发货点的位置之间的距离，确定满足设定距离要求的聚簇和发货点，以确定各发货点对应的聚簇，其中，一个发货点对应的聚簇可以为一个或多个。通过确定各发货点对应的聚簇，实现了将多个发货点对应多个收货点，转变为单个发货点对应多个收货点，降低了后续进行路径规划时的复杂度，提高路径规划的精度和效率。
步骤104，分别对各发货点规划经过对应聚簇中各收货点的目标路径。
本公开实施例中，每一个发货点具有对应的聚簇，每一个聚簇中包含多个位置相近的收货点，针对各个发货点，规划经过对应聚簇中各收货点的目标路径，实现了将多中心路径规划转化为单中心路径规划，提高了路径规划的效率和准确度。进而，根据规划得到的目标路径实现将相应的商品从该发货点配送至各收货点，提高了配送的效率。
本公开实施例的路径规划方法中，获取多个收货点的位置，以及多个发货点的位置，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇，分别对各发货点规划经过对应聚簇中各收货点的目标路径，通过聚类算法对多个收货点进行聚类，确定各个发货点对应的聚簇，对各发货点规划经过对应聚簇中各收货点的目标路径，实现了将多中心路径规划拆分为多个单中心路径规划，提高了路径规划的效率和准确度。
基于上一实施例，本实施例提供了另一种路径规划方法方法，图2为本公开实施例提供的另一种路径规划方法的流程示意图。
如图2所示，该方法可以包括以下步骤：
步骤201，获取多个收货点的位置，以及多个发货点的位置。
步骤202，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇。
步骤203，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇。
具体地，步骤201-步骤203可参照前述实施例中的解释说明，原理相同，本实施例中不再赘述。
步骤204，对任意的一发货点，将一发货点和对应聚簇中的各收货点分别作为节点，根据各节点的位置，确定各节点之间的距离成本。
其中，距离成本包含各节点之间的运输距离，人工成本、燃油成本等。
例如，对于发货点A，发货点A对应的聚簇为C，C中包含5个收货点，分别记为C1、C2、C3、C4和C5，根据A节点和C1-C5节点的位置，确定6个节点中各节点之间的距离成本。
步骤205，根据各节点之间的距离成本和车辆数量生成单中心路径规划任务的目标函数，以及根据设定的车辆负载量、车辆数量和各收货点的货品需求量，生成单中心路径规划任务的约束条件。
其中，单中心路径规划，其中的单中心是指一个发货点，也就是说是以各个发货点为中心，得到对相应发货点规划经过对应聚簇中各收货点的目标路径。
作为一种实现方式，根据各节点之间的距离成本和车辆数量生成单中心路径规划任务的目标函数，目标函数通过以下公式(1)表示：
其中，K表示车辆数量，i和j代表单中心路径规划任务中的节点，n代表节点的数量，di代表各收货点的需求量，cij代表从i点到j点的距离成本，xijk为决策变量，表示车辆k是否从i点到j点，如果是，则取值为1，否则取值为0。
本公开实施例中，约束条件用于确定路径规划过程中规划得到的各个候选路径对约束条件的适应度。约束条件，包括同一路径上的各收货点的货品需求量之和不大于车辆负载量，即同一路径上的货品需求总量不能超出车辆的最大载重量，可用如下公式(2)表示：
其中，P为同一路径上的车辆负载量；di为各收货点的货品需求量。
约束条件，还包括下列1)-3)的3个条件中的一个或多个组合：
1)对于任一收货点，驶入的次数和驶出的次数相等，即对于任一收货点，不可以作为车辆行驶的终点，即车辆驶入该收货点后，还需要驶出。可通过以下的公式(3)表示：
2)对于任一收货点，驶入的次数为1，即对各车辆进行统计，以确定经过任一收货点的车辆数为1。可通过以下的公式(4)表示：
3)各车辆的路径中不包含闭合的子回路，例如，1号车辆的路径中，从收货点2到收货点3后，再到收货点2是不允许的。可通过以下的公式(5)表示：
ui-uj+M*xijk≤M-1(i,j＝1,2,..,n、i≠j、k＝0,..,K)(5)其中，ui和uj是辅助变量，其值不具有任何物理意义，为大于零的数。M其实是ui-uj+1的一个上界，若设定设定ui和uj为收货点的id号，M则为收货点的总数。其中，如果xijk＝1，则公式(5)可以化简成：ui+1≤uj，即ui<uj，也就是说经过收货点的U值时持续增长的。例如，以收货点为门店为例进行说明，如果一辆车(1号车)从门店1到门店2，再从门店2到门店1，则x121＝1，x211＝1，则有ui<uj<ui，产生了矛盾。因此，该约束可有效避免同一路径中出现子回路。
步骤206，采用遗传算法求解符合约束条件，且使得目标函数取值最小化的目标路径。
其中，遗传算法(Genetic Algorithm，GA)是一种通过模拟生物进化过程来求解最优化问题的启发式算法。
本公开实施例的一种实现方式中，随机获取从一发货点出发经过对应聚簇中各收货点的多个候选路径，执行多轮迭代，其中，在每一轮迭代中，采用约束条件对多个候选路径进行筛选，以得到符合约束条件的参考路径，采用目标函数对符合约束条件的各参考路径计算各参考路径的总距离成本，根据各参考路径的总距离成本，从多个参考路径中选定部分参考路径进行随机调整，以作为下一轮迭代的候选路径，将最后一轮迭代随机调整后的候选路径之中，总距离成本最小的候选路径作为目标路径，实现了通过遗传算法求解得到符合约束条件，同时总距离成本最小的目标路径，提高了目标路径确定的准确性。
本公开实施例的路径规划方法中，获取多个收货点的位置，以及多个发货点的位置，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇，分别对各发货点规划经过对应聚簇中各收货点的目标路径，通过对多个收货点进行聚类，确定各个发货点对应的聚簇，对各发货点规划经过对应聚簇中各收货点的目标路径，实现了将多中心路径规划拆分为多个单中心路径规划，提高了路径规划的效率和准确度，而在路径规划的过程中，采用遗传算法求解符合约束条件，且使得目标函数取值最小化的目标路径，提高了目标路径确定的准确性。
基于上一实施例，本实施例提供了另一种路径规划方法方法，图3为本公开实施例提供的另一种路径规划方法的流程示意图。
如图3所示，该方法可以包括以下步骤：
步骤301，获取多个收货点的位置，以及多个发货点的位置。
步骤302，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇。
步骤303，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇。
步骤304，对任意的一发货点，将一发货点和对应聚簇中的各收货点分别作为节点，根据各节点的位置，确定各节点之间的距离成本。
步骤305，根据各节点之间的距离成本生成单中心路径规划任务的目标函数。
其中，步骤301-步骤305可参照前述方法实施例中的解释说明，本实施例中不再赘述。
步骤306，针对任意的一收货点，根据配送日之前一收货点的历史需求量，和配送日的属性信息，采用一收货点对应的预测模型，预测得到一收货点的货品需求量。
其中，历史需求量，可以是一收货点过去三天的需求量、过去一周的需求量或者是过去一个月的需求量，本实施例中不一一列举，也不进行限定。
本公开实施例中，每一个收货点都具有对应的预测模型，该预测模型已经预先训练完成，训练得到的相应收货点的预测模型已经学习到了相应收货点的历史需求量和配送日的属性信息，与配送日的货品需求量的对应关系。其中，配送日的属性信息包括星期信息和促销信息。若配送日是周末，则通常周末的人流量大，销量会增加，从而货品需求量会增加；而促销信息，也会使得货品需求量增加，因此，在预测模型训练的过程中，考虑配送日的属性信息，可以提高预测模型训练的效果，提高预测模型预测的准确度。
本公开实施例中，在采用预测模型进行货品需求预测之前，需要先对预测模型进行训练，下面对预测模型的训练过程进行说明。
作为一种实现方式，针对一收货点，根据历史需求记录，确定各采样时刻的实际需求量和各采样时刻之前的历史需求量，将每个采样时刻之前的历史需求量和对应采样时刻的属性信息作为一个训练样本，并采用对应采样时刻的实际需求量进行标注，采用各训练样本，对一收货点对应的预测模型进行训练，以使预测模型预测的货品需求量与标注的实际需求量之间差异最小化。
例如，针对货品i，确定的训练样本包含各采样时刻之前的历史需求量和对应采样时刻的属性信息，其对应的采样时刻的实际需求量是yi，通过预测模型，例如，学习树模型，使得其输出的货品i的预测需求ri拟合实际需求yi，构建平方损失函数：L＝(yi-ri)2，进而，基于该损失函数进行预测模型训练，得到训练后的预测模型，可以用于对各收货点进行货品i的未来需求预测。需求说明的是，对每个货品进行模型训练的方法相同，本实施例中不一一说明。通过训练预测模型，实现了利用机器学习模型取代人工经验对需求量进行科学合理的预测，提高了各收货点需求量计算的准确性。
其中，历史需求记录，可以是对收货点的原始销售数据进行数据清洗，并通过缺失数据补全，数据特征变换等操作得到的，具体来说，去除无建模意义的一些属性特征维度，例如，货品编号、货品体积等信息，去除缺失特征过多的历史需求记录；对特征少量缺失的历史需求记录采用矩阵补全的方法进行缺失值恢复，在缺失值补全之后，再对历史需求记录中的各特征进行特征变换，对数值型特征直接采用其特征值编码，对类别型特征采用一位有效编码one-hot编码，以得到可用于进行模型训练的历史需求记录，以提高预测模型的样本数据生成的多样性和准确性，以提高后续模型训练的效果。
步骤307，根据设定的车辆负载量和/或各收货点的货品需求量，生成单中心路径规划任务的约束条件。
步骤308，采用遗传算法求解符合约束条件，且使得目标函数取值最小化的目标路径。
其中，步骤307-步骤308，可参照前述实施例中的解释说明，原理相同，本实施例中不再赘述。
本公开实施例的路径规划方法中，获取多个收货点的位置，以及多个发货点的位置，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇，分别对各发货点规划经过对应聚簇中各收货点的目标路径，通过对多个收货点进行聚类，确定各个发货点对应的聚簇，对各发货点规划经过对应聚簇中各收货点的目标路径，实现了将多中心路径规划拆分为多个单中心路径规划，提高了路径规划的效率和准确度。而在路径规划的过程中，利用训练得到的预测模型预测各个收货点的货品需求量，提高了货品需求确定的准确度和效率。基于货品需求量确定约束条件，进而，采用遗传算法求解符合约束条件，且使得目标函数取值最小化的目标路径，提高了目标路径确定的准确性。
基于上述实施例中的路径规划方法，本公开实施例生成了一组测试数据进行仿真测试，以发货点为中心仓库，收货点为门店为例进行说明。例如，测试数据中包含3个中心仓库，编号为0，1和2。以及29个门店，分别编号为3-31，若门店的货品需求量已知，车辆的数量和最大载重量也确定。图4为本公开实施例提供的一种路径规划方法的测试结果对比图，图4中展示了多中心多节点的路径规划方法和本公开的单中心路径规划方法的运输费用的对比图，图4中(a)是直接使用启发式算法计算得到的结果，图(b)是按照本公开的基于遗传算法的路径规划方法计算得到的结果，其中，图(a)和图(b)中，每一个门店编号旁边的数字，指示了该门店的需求量，例如，图(b)中，门店8编号旁边的数字表示的是门店的需求量为4。从输出的结果分析计算得到，传统的多中心多节点的路径规划方法的距离成本花费是4063，求解耗时为2.3秒；本公开的路径规划方法的距离成本花费是3701，求解耗时为1.1秒。由此可知，本公开的路径规划方法提升计算速度52％，降低经济成本8.9％，综合实现降本增效。需求说明的是距离成本指的是两个门店之间的距离，在图中是根据门店间的相对位置计算得到。
为了实现上述实施例，本公开还提出一种路径规划装置。
图5为本公开实施例提供的一种路径规划装置的结构示意图。
如图5所示，该装置包括：获取模块51、聚类模块52、确定模块53和规划模块54。
获取模块51，用于获取多个收货点的位置，以及多个发货点的位置。
聚类模块52，用于根据所述多个收货点的位置，对所述多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇。
确定模块53，用于根据各聚簇的中心位置与各所述发货点的位置之间的距离，确定各所述发货点对应的聚簇。
规划模块54，用于分别对各所述发货点规划经过对应聚簇中各收货点的目标路径。
进一步，作为一种实现方式，规划模块54，包括：
确定单元，用于对任意的一发货点，将所述一发货点和对应聚簇中的各收货点分别作为节点，根据各所述节点的位置，确定各所述节点之间的距离成本。
生成单元，用于根据各所述节点之间的距离成本和车辆数量生成单中心路径规划任务的目标函数，以及根据设定的车辆负载量、车辆数量和各所述收货点的货品需求量，生成所述单中心路径规划任务的约束条件。
求解单元，用于采用遗传算法求解符合所述约束条件，且使得所述目标函数取值最小化的所述目标路径。
作为一种实现方式，求解单元，用于：
随机获取从所述一发货点出发经过对应聚簇中各收货点的多个候选路径；执行多轮迭代，其中，在每一轮迭代中，采用所述约束条件对所述多个候选路径进行筛选，以得到符合所述约束条件的参考路径，采用所述目标函数对符合所述约束条件的各所述参考路径计算各所述参考路径的总距离成本，根据各所述参考路径的总距离成本，从所述多个参考路径中选定部分所述参考路径进行随机调整，以作为下一轮迭代的候选路径；将最后一轮迭代随机调整后的候选路径之中，总距离成本最小的候选路径作为所述目标路径。
作为一种实现方式，约束条件，包括各车辆的路径上，各所述收货点的货品需求量之和不大于所述车辆负载量；
以及还包括下列中的一个或多个组合：
对于任一所述收货点，驶入的次数和驶出的次数相等；
对于任一所述收货点，驶入的次数为1；
各车辆的路径中不包含闭合的子回路。
作为一种实现方式，规划模块54，还包括：
预测单元，用于针对任意的一收货点，根据配送日之前所述一收货点的历史需求量，和所述配送日的属性信息，采用所述一收货点对应的预测模型，预测得到所述一收货点的货品需求量；其中，所述属性信息包括星期信息和促销信息。
作为一种实现方式，规划模块54，还包括：
训练单元，用于针对所述一收货点，根据历史需求记录，确定各采样时刻的实际需求量和各所述采样时刻之前的历史需求量；将每个所述采样时刻之前的历史需求量和对应采样时刻的属性信息作为一个训练样本，并采用对应采样时刻的实际需求量进行标注；采用各所述训练样本，对所述一收货点对应的预测模型进行训练，以使所述预测模型预测的货品需求量与标注的实际需求量之间差异最小化。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本公开实施例的路径规划装置中，获取多个收货点的位置，以及多个发货点的位置，根据多个收货点的位置，对多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇，根据各聚簇的中心位置与各发货点的位置之间的距离，确定各发货点对应的聚簇，分别对各发货点规划经过对应聚簇中各收货点的目标路径，通过对多个收货点进行聚类，确定各个发货点对应的聚簇，对各发货点规划经过对应聚簇中各收货点的目标路径，实现了将多中心路径规划拆分为多个单中心路径规划，提高了路径规划的效率和准确度。
为了实现上述实施例，本公开实施例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前述方法实施例所述的方法。
为了实现上述实施例，本公开实施例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前述方法实施例所述的方法。
为了实现上述实施例，本公开实施例提供了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前述方法实施例所述的方法。
图6为本公开实施例提供的一种示例性电子设备的框图。图6显示的电子设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同系统组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种路径规划方法，其特征在于，包括以下步骤：
获取多个收货点的位置，以及多个发货点的位置；
根据所述多个收货点的位置，对所述多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇；
根据各聚簇的中心位置与各所述发货点的位置之间的距离，确定各所述发货点对应的聚簇；
分别对各所述发货点规划经过对应聚簇中各收货点的目标路径。
2.根据权利要求1所述的方法，其特征在于，所述分别对各所述发货点规划经过对应聚簇中各收货点的目标路径，包括：
对任意的一发货点，将所述一发货点和对应聚簇中的各收货点分别作为节点，根据各所述节点的位置，确定各所述节点之间的距离成本；
根据各所述节点之间的距离成本和车辆数量生成单中心路径规划任务的目标函数，以及根据设定的车辆负载量、车辆数量和各所述收货点的货品需求量，生成所述单中心路径规划任务的约束条件；
采用遗传算法求解符合所述约束条件，且使得所述目标函数取值最小化的所述目标路径。
3.根据权利要求2所述的方法，其特征在于，所述采用遗传算法求解符合所述约束条件，且使得所述目标函数取值最小化的所述目标路径，包括：
随机获取从所述一发货点出发经过对应聚簇中各收货点的多个候选路径；
执行多轮迭代，其中，在每一轮迭代中，采用所述约束条件对所述多个候选路径进行筛选，以得到符合所述约束条件的参考路径，采用所述目标函数对符合所述约束条件的各所述参考路径计算各所述参考路径的总距离成本，根据各所述参考路径的总距离成本，从所述多个参考路径中选定部分所述参考路径进行随机调整，以作为下一轮迭代的候选路径；
将最后一轮迭代随机调整后的候选路径之中，总距离成本最小的候选路径作为所述目标路径。
4.根据权利要求2所述的方法，其特征在于，所述约束条件，包括各车辆的路径上，各所述收货点的货品需求量之和不大于所述车辆负载量；
以及还包括下列中的一个或多个组合：
对于任一所述收货点，驶入的次数和驶出的次数相等；
对于任一所述收货点，驶入的次数为1；
各车辆的路径中不包含闭合的子回路。
5.根据权利要求2所述的方法，其特征在于，所述根据设定的车辆负载量、车辆数量和各所述收货点的货品需求量，生成所述单中心路径规划任务的约束条件之前，还包括：
针对任意的一收货点，根据配送日之前所述一收货点的历史需求量，和所述配送日的属性信息，采用所述一收货点对应的预测模型，预测得到所述一收货点的货品需求量；其中，所述属性信息包括星期信息和促销信息。
6.根据权利要求5所述的方法，其特征在于，所述针对任意的一收货点，根据配送日之前所述一收货点的历史需求数据，和所述配送日的属性信息，采用所述一收货点对应的预测模型，预测得到所述一收货点的货品需求量之前，还包括：
针对所述一收货点，根据历史需求记录，确定各采样时刻的实际需求量和各所述采样时刻之前的历史需求量；
将每个所述采样时刻之前的历史需求量和对应采样时刻的属性信息作为一个训练样本，并采用对应采样时刻的实际需求量进行标注；
采用各所述训练样本，对所述一收货点对应的预测模型进行训练，以使所述预测模型预测的货品需求量与标注的实际需求量之间差异最小化。
7.一种路径规划装置，其特征在于，包括：
获取模块，用于获取多个收货点的位置，以及多个发货点的位置；
聚类模块，用于根据所述多个收货点的位置，对所述多个收货点进行聚类，以得到与发货点个数匹配的多个聚簇；
确定模块，用于根据各聚簇的中心位置与各所述发货点的位置之间的距离，确定各所述发货点对应的聚簇；
规划模块，用于分别对各所述发货点规划经过对应聚簇中各收货点的目标路径。
8.根据权利要求7所述的装置，其特征在于，所述规划模块，包括：
确定单元，用于对任意的一发货点，将所述一发货点和对应聚簇中的各收货点分别作为节点，根据各所述节点的位置，确定各所述节点之间的距离成本；
生成单元，用于根据各所述节点之间的距离成本和车辆数量生成单中心路径规划任务的目标函数，以及根据设定的车辆负载量、车辆数量和各所述收货点的货品需求量，生成所述单中心路径规划任务的约束条件；
求解单元，用于采用遗传算法求解符合所述约束条件，且使得所述目标函数取值最小化的所述目标路径。
9.根据权利要求8所述的装置，其特征在于，所述求解单元，用于：
随机获取从所述一发货点出发经过对应聚簇中各收货点的多个候选路径；
执行多轮迭代，其中，在每一轮迭代中，采用所述约束条件对所述多个候选路径进行筛选，以得到符合所述约束条件的参考路径，采用所述目标函数对符合所述约束条件的各所述参考路径计算各所述参考路径的总距离成本，根据各所述参考路径的总距离成本，从所述多个参考路径中选定部分所述参考路径进行随机调整，以作为下一轮迭代的候选路径；
将最后一轮迭代随机调整后的候选路径之中，总距离成本最小的候选路径作为所述目标路径。
10.根据权利要求8所述的装置，其特征在于，所述约束条件，包括各车辆的路径上，各所述收货点的货品需求量之和不大于所述车辆负载量；
以及还包括下列中的一个或多个组合：
对于任一所述收货点，驶入的次数和驶出的次数相等；
对于任一所述收货点，驶入的次数为1；
各车辆的路径中不包含闭合的子回路。
11.根据权利要求8所述的装置，其特征在于，所述规划模块，还包括：
预测单元，用于针对任意的一收货点，根据配送日之前所述一收货点的历史需求量，和所述配送日的属性信息，采用所述一收货点对应的预测模型，预测得到所述一收货点的货品需求量；其中，所述属性信息包括星期信息和促销信息。
12.根据权利要求11所述的装置，其特征在于，所述规划模块，还包括：
训练单元，用于针对所述一收货点，根据历史需求记录，确定各采样时刻的实际需求量和各所述采样时刻之前的历史需求量；将每个所述采样时刻之前的历史需求量和对应采样时刻的属性信息作为一个训练样本，并采用对应采样时刻的实际需求量进行标注；采用各所述训练样本，对所述一收货点对应的预测模型进行训练，以使所述预测模型预测的货品需求量与标注的实际需求量之间差异最小化。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111192602.8A CN113848936A (zh) | 2021-10-13 | 2021-10-13 | 路径规划方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111192602.8A CN113848936A (zh) | 2021-10-13 | 2021-10-13 | 路径规划方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113848936A true CN113848936A (zh) | 2021-12-28 |
Family
ID=78978290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111192602.8A Pending CN113848936A (zh) | 2021-10-13 | 2021-10-13 | 路径规划方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113848936A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819860A (zh) * | 2022-06-23 | 2022-07-29 | 武汉理工大学 | 货物交换模式下的物流电动汽车节能优化方法及系统 |
| CN115456537A (zh) * | 2022-09-20 | 2022-12-09 | 江南大学 | 仓库拣货路径规划方法及系统 |
-
2021
- 2021-10-13 CN CN202111192602.8A patent/CN113848936A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114819860A (zh) * | 2022-06-23 | 2022-07-29 | 武汉理工大学 | 货物交换模式下的物流电动汽车节能优化方法及系统 |
| CN115456537A (zh) * | 2022-09-20 | 2022-12-09 | 江南大学 | 仓库拣货路径规划方法及系统 |
| CN115456537B (zh) * | 2022-09-20 | 2023-04-25 | 江南大学 | 仓库拣货路径规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oyola et al. | The stochastic vehicle routing problem, a literature review, part II: solution methods | |
| Wang et al. | Modeling and optimization of a road–rail intermodal transport system under uncertain information | |
| US20110106723A1 (en) | Computer-Implemented Systems And Methods For Scenario Analysis | |
| US10748072B1 (en) | Intermittent demand forecasting for large inventories | |
| US20150120600A1 (en) | Time and location based delivery optimization | |
| Tiemessen et al. | Dynamic demand fulfillment in spare parts networks with multiple customer classes | |
| CN113848936A (zh) | 路径规划方法、装置、电子设备和计算机可读存储介质 | |
| US20130166350A1 (en) | Cluster based processing for forecasting intermittent demand | |
| US20070094162A1 (en) | Performance enhancement of optimization processes | |
| CN112215546B (zh) | 一种对象页面生成方法、装置、设备及存储介质 | |
| CN101950395A (zh) | 市场营销模型确定系统 | |
| US20110125548A1 (en) | Business services risk management | |
| US8311878B2 (en) | Optimized pricing solver with prioritized constraints | |
| Valeva et al. | A matheuristic for workforce planning with employee learning and stochastic demand | |
| CN113449939A (zh) | 库存数据预测的方法、装置、计算设备及介质 | |
| Pinçe et al. | The role of contract expirations in service parts management | |
| US20090276290A1 (en) | System and method of optimizing commercial real estate transactions | |
| Silva et al. | Deep reinforcement learning for stochastic last-mile delivery with crowdshipping | |
| CN113222202A (zh) | 预约用车派单方法及系统、设备和介质 | |
| CN111861757A (zh) | 一种融资匹配方法、系统、设备和存储介质 | |
| US11256748B2 (en) | Complex modeling computational engine optimized to reduce redundant calculations | |
| CN114266414A (zh) | 贷款数额的预测方法、装置、电子设备和介质 | |
| US20210304243A1 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
| EP1933235A2 (en) | Grid modeling tool | |
| JP7373384B2 (ja) | 計算機システム及びスケジューリングシステムの検証方法 |
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 |