CN114186727B - 一种多周期物流网络规划方法及系统 - Google Patents
一种多周期物流网络规划方法及系统 Download PDFInfo
- Publication number
- CN114186727B CN114186727B CN202111459710.7A CN202111459710A CN114186727B CN 114186727 B CN114186727 B CN 114186727B CN 202111459710 A CN202111459710 A CN 202111459710A CN 114186727 B CN114186727 B CN 114186727B
- Authority
- CN
- China
- Prior art keywords
- arc
- planning
- logistics
- node
- information
- 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
Links
- 238000013439 planning Methods 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 46
- 230000032683 aging Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 12
- 238000004088 simulation Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 101150082690 Pou3f1 gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多周期物流网络规划方法及系统,方法包括:获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息;对所述业务信息进行预处理,得到模型输入数据;根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划;根据所述物流规划方案确定最终物流实施规划方案。本发明能够在得到网络路径规划全局最优解的情况下提高规划效率。
Description
技术领域
本发明涉及物流路径规划领域,特别是涉及一种多周期物流网络规划方法及系统。
背景技术
为解决复杂网络结构下的网络规划问题,现有的网络规划方法要么无法取得全局最优解,要么会消耗大量的计算资源。例如基于最短路径算法,找到每个流向的路由,然后每次优化只针对单个流向的分拣次数和运输距离进行优化,由于不同流向的路由和线路优化是独立的,没有考虑不同流向路由共用资源的问题,会导致优化出的结果在实际执行落地过程中,存在不同运输需求流向之间的线路或车辆计划无法满足实际车辆载量或者线路最小开通标准的问题。基于各流向路径的解决方案,该方案基于候选基础网络结构,采用基于业务约束的枚举法,穷举出所有流向的可行路由,在小规模网络下,该方案可在允许时间内获取到需要的候选可行路由。但随着网络规模增加,穷举所有流向的备选路由会消耗大量的计算资源,甚至出现无法获得实际场景中所有备选路由的问题,且备选路由的增加让后续数学模型求解的难度,呈现指数级增加,无法在有限时间内快速找到可行解等限制。即使可以通过一些业务规则限制路由穷举的规模,但也会导致在工程应用上无法获取全局最优解,减少优化空间。因此,需要一种可以在不消耗大量计算资源的情况下找到网络规划的全局最优解的方法。
发明内容
本发明的目的是提供一种多周期物流网络规划方法及系统,以在得到网络路径规划全局最优解的情况下提高规划效率。
为实现上述目的,本发明提供了如下方案:
一种多周期物流网络规划方法,包括:
获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息;
对所述业务信息进行预处理,得到模型输入数据;
根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划;
根据所述物流规划方案确定最终物流实施规划方案。
可选地,在所述获取物流规划数据库中的业务信息之前,还包括:
获取运营数据库中的业务信息;所述业务信息包括线路信息、节点信息和车辆信息以及预测系统的需求流向和时效要求信息;
将所述线路信息、所述节点信息、所述车辆信息、所述需求流向和所述时效要求信息同步至所述物流规划数据库。
可选地,所述对所述业务信息进行预处理,得到模型输入数据,具体包括:
对所述业务信息按照时空节点进行预处理,得到时空节点集合;
对所述业务信息按照时间弧进行预处理,得到时间弧集合;
对所述业务信息按照运输弧进行预处理,得到运输弧集合;
对所述业务信息按照需求流向进行预处理,得到需求流向集合;
根据所述时空节点集合、所述时间弧集合、所述运输弧集合和所述需求流向集合确定模型输入数据。
可选地,所述规划模型包括目标函数和约束条件;
所述目标函数的表达式为:
其中,od为需求流向集合,transport_arc为运输弧集合,为需求流向i流向货量经过j段弧的百分比,costj为单位运输成本,sort_costj为单位分拣成本,m为需求流向i的上限,n为运输弧j的上限;
所述约束条件的表达式为:
其中,为需求流向i流向货量经过j段弧的百分比,demandi为需求流向i需要配送的货量,j为从节点d发出的运输弧,i为经过运输弧j的需求流向,node为时空节点集合,s为需求流向始发节点,t为需求流向目的节点,o为运输弧始发节点,d为运输弧目的节点,arc为运输弧和时间弧构成的网络弧集合,capacityj为运输弧j的装载容量,xj为运输弧j的频次,即为执行运输弧j所代表的运输计划使用车的辆数。
可选地,根据所述物流规划方案确定最终物流实施规划方案,具体包括:
判断所述物流规划方案是否满足运营指标;若是,则确定所述物流规划方案为最终物流实施规划方案;若否,则利用所述物流规划方案对所述物流规划数据库和所述规划模型进行更新,并返回步骤“获取物流规划数据库中的业务信息”。
一种多周期物流网络规划系统,包括:
第一获取模块,用于获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息;
预处理模块,用于对所述业务信息进行预处理,得到模型输入数据;
规划模块,用于根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划;
最终物流实施规划方案确定模块,用于根据所述物流规划方案确定最终物流实施规划方案。
可选地,还包括:
第二获取模块,用于获取运营数据库中的业务信息;所述业务信息包括线路信息、节点信息和车辆信息以及预测系统的需求流向和时效要求信息;
同步模块,用于将所述线路信息、所述节点信息、所述车辆信息、所述需求流向和所述时效要求信息同步至所述物流规划数据库。
可选地,所述预处理模块,具体包括:
时空节点集合确定单元,用于对所述业务信息按照时空节点进行预处理,得到时空节点集合;
时间弧集合确定单元,用于对所述业务信息按照时间弧进行预处理,得到时间弧集合;
运输弧集合确定单元,用于对所述业务信息按照运输弧进行预处理,得到运输弧集合;
需求流向集合确定单元,用于对所述业务信息按照需求流向进行预处理,得到需求流向集合;
模型输入数据确定单元,用于根据所述时空节点集合、所述时间弧集合、所述运输弧集合和所述需求流向集合确定模型输入数据。
可选地,所述规划模型包括目标函数和约束条件;
所述目标函数的表达式为:
其中,od为需求流向集合,transport_arc为运输弧集合,为需求流向i流向货量经过j段弧的百分比,costj为单位运输成本,sort_costj为单位分拣成本,m为需求流向i的上限,n为运输弧j的上限;
所述约束条件的表达式为:
其中,为需求流向i流向货量经过j段弧的百分比,demandi为需求流向i需要配送的货量,j为从节点d发出的运输弧,i为经过运输弧j的需求流向,node为时空节点集合,s为需求流向始发节点,t为需求流向目的节点,o为运输弧始发节点,d为运输弧目的节点,arc为运输弧和时间弧构成的网络弧集合,capacityj为运输弧j的装载容量,xj为运输弧j的频次,即为执行运输弧j所代表的运输计划使用车的辆数。
可选地,根据所述物流规划方案确定最终物流实施规划方案,具体包括:
判断所述物流规划方案是否满足运营指标;若是,则确定所述物流规划方案为最终物流实施规划方案;若否,则利用所述物流规划方案对所述物流规划数据库和所述规划模型进行更新,并返回步骤“获取物流规划数据库中的业务信息”。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息;对所述业务信息进行预处理,得到模型输入数据;根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;根据所述物流规划方案确定最终物流实施规划方案。相比基于路径的全局网络规划,省略了穷举路由的过程,简化了数据处理过程,提升了规划模型的计算效率。且不需要基于业务规则进行路由删减,使得最终物流实施规划方案即为规划约束下的全局最优解。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的多周期物流网络规划方法流程图;
图2为网络规划方案示意图;
图3为本发明提供的多周期物流网络规划方法示意图;
图4为本发明提供的多周期物流网络规划系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多周期物流网络规划方法及系统,以在得到网络路径规划全局最优解的情况下提高规划效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
网络规划作为保障物流网络高效运行的一种重要手段,其目标是通过合理的安排线路、运力和路由计划,完成特定流向的运输任务。在网络规划问题中有两个基础概念,分别是基础网络结构和运输需求流向。其中,图2(a)为网络规划问题,图2(b)为可行的网络规划方案,如图2(a)虚线左侧所示,北京、西安、武汉和深圳可以构成一个简单的网络,任意两点之间均可以开通候选线路,所有可开通的候选线路和节点构成基础网络结构。如图2(a)中虚线右侧所示,<北京-深圳,50吨>、<北京-武汉,20吨>、<武汉-深圳,30吨>和<西安-深圳,10吨>为4个运输需求流向。如何以最小化成本为为目标,选出合适的线路组合,在满足实际约束的前提下,将4个需求流向的配送任务完成,属于网络规划中的经典场景。如图2(b)中所示,可以找出很多可行的线路组合方案。在图2(b)中,解决方案1和解决方案2均为可行的网络结构,但是解决方案2的线路组合因为线路更少,总运输里程更短,而实际中的网络的可行方案数以亿级,从海量的可行方案中选出最优的网络结构,是一个有挑战性的事情。
如图1所示,本发明提供的一种多周期物流网络规划方法,包括:
步骤101:获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息。
步骤102:对所述业务信息进行预处理,得到模型输入数据。步骤102,具体包括:对所述业务信息按照时空节点进行预处理,得到时空节点集合;对所述业务信息按照时间弧进行预处理,得到时间弧集合;对所述业务信息按照运输弧进行预处理,得到运输弧集合;对所述业务信息按照需求流向进行预处理,得到需求流向集合;根据所述时空节点集合、所述时间弧集合、所述运输弧集合和所述需求流向集合确定模型输入数据。时间弧代表连接同一个空间节点上,两个不同的时间节点的弧,弧长代表空间节点上的一段时长,弧的容量代表该时间段内的分拣能力。运输弧代表连接不同空间节点上,两个时间节点的弧,弧长从一个空间节点转移到另外一个空间节点上的时长,弧的容量代表该运输弧所代表的的载具(如一辆车或者一架飞机等)的装载容量。
步骤103:根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划。本发明中的规划模型为基于边流的网络流模型(arc-flow based network flow model,arc-flow模型)。
其中,所述规划模型包括目标函数和约束条件;
所述目标函数的表达式为: 其中,od为需求流向集合,transport_arc为运输弧集合,为需求流向i流向货量经过j段弧的百分比,costj为单位运输成本,sort_costj为单位分拣成本,m为需求流向i的上限,n为运输弧j的上限;
所述约束条件的表达式为:
其中,为需求流向i流向货量经过j段弧的百分比,demandi为需求流向i需要配送的货量,j为从节点d发出的运输弧,i为经过运输弧j的需求流向,node为时空节点集合,s为需求流向始发节点,t为需求流向目的节点,o为运输弧始发节点,d为运输弧目的节点,arc为运输弧和时间弧构成的网络弧集合,capacityj为运输弧j的装载容量,xj为运输弧j的频次,即为执行运输弧j所代表的运输计划使用车的辆数。
步骤104:根据所述物流规划方案确定最终物流实施规划方案。
步骤104,具体包括:
判断所述物流规划方案是否满足运营指标;若是,则确定所述物流规划方案为最终物流实施规划方案;若否,则利用所述物流规划方案对所述物流规划数据库和所述规划模型进行更新,并返回步骤101。利用物流规划方案对规划模型进行更新即为利用物流规划方案增加规划模型中的约束条件,以使规划模型更符合实际。其中,运营指标指的是通过仿真模型输出的关键运营指标,比如中转场在新方案下的分拣量是否超过设计峰值,各月台的装卸车任务是否因为新方案导致过多卸车卡位出现排队现场等等更加接近现实且细致的指标。
在实际应用中,在步骤101之前,还包括:获取运营数据库中的业务信息;所述业务信息包括线路信息、节点信息和车辆信息以及预测系统的需求流向和时效要求信息;将所述线路信息、所述节点信息、所述车辆信息、所述需求流向和所述时效要求信息同步至所述物流规划数据库。
如图3所示,本发明提供的方法具体分为规划数据库、数据预处理、arc-flow模型、方案核查、运营数据库和规划需求更新六大模块。其中运营系统作用是支持企业物流网络正常运行的信息管理系统,如运单管理、路由管理、分拣场院管理系统等,这类信息管理系统管理着线路、货物配送需求、场地信息等与物流基础网络和客户需求相关的数据,这些数据定期沉淀形成运营数据库,它记录了方案在实际中的运行情况。而规划数据库用于为arc-flow模型的数据预处理提供基础业务数据,它的数据记录了运营系统中关于网络的当前最新状态和预测配送需求相关的信息。主要为数据预处理模块提供输入数据。而数据预处理模块则把规划数据库中的业务处理数据,处理成arc-flow模型可识别的标准数据集。Arc-flow模型负责输出满足所有配送需求的网络解决方案。方案核查模块则对该方案在不同件量水平下的成本、场地、线路等以更加贴合业务实际状态的方式进行模拟评估,验证方案在不同场景下的鲁棒性。并根据评估结果,对规划需求的约束进行更新后,不断按照图3的流程进行迭代优化,直到满足一定条件。
步骤1:由规划数据库的抽数模块从运营数据库中同步各种备选线路、节点和车辆网络基础信息,并且从运单或者预测系统中获取需求流向、客户时效要求等业务需求信息。该数据集沉淀至规划数据库中,作为需要解决网络规划问题的基础数据源。
步骤2:由数据预处理模块将规划数据库的业务信息转换成arc-flow模型所需要的标准模型输入数据格式。
步骤3:由arc-flow模型基于规划所需网络结构和业务配送需求,输出优化后的线路组合、流向路由和线路计划等解决方案。
步骤4:由于arc-flow模型为提升方案输出效率,需要对实际问题进行抽象,剔除了一些次要的运营规则,比如发车规则、货物在分拣系统中的流动等更加细节的信息。因此在解决方案同步至运营系统进行落地前,需要由方案核查模块基于仿真或者人工经验对解决方案的可落地性和合理性进行评估。比如可以基于离散事件仿真技术建立包含更多运营细节(如发车规则、中转场内分拣流程等)的网络仿真模型。仿真模型接收来自arc-flow模型优化输出的网络解决方案(一般包含线路、车辆和路由计划等),对arc-flow模型输出的方案在更加贴近现实的数字孪生世界中进行评估。观察是否会出现其他运营问题,比如是否在某些中转场出现过长的车辆装卸排队,出现分拣能力不够导致的过饱和等,如果方案可行,可以将arc-flow模型输出的分拣、线路和车辆计划同步至运营数据库,运营系统将基于优化后的线路产生各需求流向的配送路由以及相应节点的分拣计划,根据arc-flow模型规划好的车辆计划,提前准备车辆、飞机和铁路等运力资源。如果方案不合理,则基于评估结果,对某些重要约束进行更新,比如对过饱和分拣评估是否能进行产能改造,扩大原有分拣能力。从而产生新的规划需求,该评估产生的规划需求数据通过规划需求更新模块,对规划数据库中的信息进行更新后,重新经过数据预处理模块产生新的模型输入数据,迭代输出最终的可落地方案。
其中,基于评估结果对某些重要约束进行更新,具体为先对约束更新,然后更新至arc-flow模型进行下一步迭代,并输出新的优化方案。比如对上一步输出的网络解决方案进行评估后,后发现某些中转场月台和分拣能力不足,在下一步优化时,会增加对该中转场发车和到车进行限制的约束条件。然后输出下一版新的网络解决方案。
对规划数据库中的信息进行更新具体为比如在规划数据库的线路信息方面。优化前根据运营数据库同步过来的网络结构显示,需要1000条线路,才能保证所有的运输需求能够被配送。经过我们这套方法优化后,需要从原线路中删除50条,并新增10条线路,只需要960条线路就可以满足配送需求,且成本更便宜。我们会将优化后的线路信息先同步至规划数据库,然后进行人工或者仿真验证评估,通过迭代直到方案可执行,然后从规划数据库同步至运营数据库,形成新的线路、分拣和车辆排布方案。
迭代输出最终的可落地方案具体为Arc-flow模型输出解决方案,方案核查模型验证方案可行性,产生新的业务约束,然后将新的约束加入arc-flow模型,输出新的网络解决方案,重新进行方案可行性验证。如不断迭代,直到最后输出可落地执行的优化方案。
在图3中由于数据预处理模块和arc-flow模型模块是流程中的两个关键模块,也是本专利需要保护的内容,下面将对两个模块的细节进行详细描述。在数据预处理模块部分,包含时间节点、时间弧、运输弧和需求流向处理四个部分。
表1-表4为经过数据预处理模块,对规划数据库中业务数据进行处理出后,所呈现的模型标准输入数据明细。该数据将作为arc-flow模型可识别的模型入参。表1为时空网络图中的时间节点,表2为时空网络图中的时间弧,表3为时空网络图中的运输弧,表4为时空网络图中的需求流向。众所周知网络一般由节点和弧构成。表1-表3构成arc-flow模型所需要的时空网络图。其中表1为时空网络图中的网络节点。表2和表3表示图中的网络弧,其作用是连接表1中的网络节点,使表1的节点连接成一个全连通的时空网络。其中表2表示表1中同一空间节点上,任意相邻的两个时间节点之间的连接弧,表3表示连接表1中不同空间节点上,不同网络节点的网络弧。该时空网络图是实际网络中中转班次、线路数据和运输配送需求数据的映射。由此我们可以将现实二维时空网络降维成一个一维网络。下面将对各表的实例数据进行详细解释。
表1时空网络图中的时间节点
键值 | 时间节点 | 日期 | 时间 | 空间节点 |
TN001 | 1-0700-北京 | 1 | 07:00 | 北京 |
TN002 | 1-0830-北京 | 1 | 08:30 | 北京 |
TN003 | 1-1100-北京 | 1 | 11:00 | 北京 |
TN004 | 1-0700-深圳 | 1 | 07:00 | 深圳 |
TN005 | 2-1500-武汉 | 2 | 15:00 | 武汉 |
TN006 | 3-2000-深圳 | 3 | 20:00 | 深圳 |
表1为时间节点的标准数据格式,键值代表唯一标识符,时间节点表示表示各个空间节点的时间信息,以表中空间节点为北京的3行数据举例。TN001、TN002和TN003分别代表北京节点上存在07:00、08:30和11:00三个时间节点。该节点表示线路发车、线路到车、班次开始和班次结束等运营中的关键时间节点。
表2时空网络图中的时间弧
表2代表连接同一空间节点上的两个相邻时间节点的虚拟时间弧,TA001和TA002代表连接北京节点上07:00、08:00和11:00等三个时间节点的2条虚拟时间弧。比如表2中TA001表示表中TN001和TN002两个时间节点的弧。需要注意的是时间弧连接的是两个同一空间节点的不同时间节点。比如表1中TN003和TN004因为是北京和深圳,两个不同空间节点上的时间节点,所以并不能形成时间弧。需要说明的是该时间弧的处理能力代表指定时间内的分拣能力或者卸装车能力。
表3时空网络图中的运输弧
表3代表连接不同空间节点上的时间节点的时间弧,我们称之为运输弧。其代表候选网络结构中存在的线路。如表3中所示,TP001和TP002分别代表连接北京-武汉和武汉-深圳的两条线路,以TP001为例,该运输弧连接了表2中TN001和TN005两个网络节点。表示实际物流网络中存在一条从北京发往武汉的线路,该线路在北京的发车时间为第1天的07:00,到达武汉的时间为第2天的15:00。该装载能力代表指定线路的车辆装载能力,表这条线路上存在150吨的可用载位。运输弧的成本为线路单位成本。
表4时空网络图中的需求流向
表4为网络中运输需求流向标准数据结构,DO001和DO002代表北京-深圳,以及武汉-深圳的两个配送需求。其中DO001表示为时空网络图中TN001节点存在10吨的供给,TN006节点存在20吨的需求。代表实际网络中第1天的07:00北京有一批发往深圳的货物,需要在第3天的20:00前到达深圳。
经过上述数据预处理得到了建立arc-flow模型所需要的所有模型标准输入数据,arc-flow模型的目标函数为,
该目标函数表示最小化网络运输成本。
约束条件为
在第一个约束中,d≠s&d≠t表示对于任意的非需求始发和目的节点,流量平衡。
在第二个约束中,d=s,表示对于任意的需求始发节点,供给必须全部配送。
在第三个约束中,d=t,表示对于任意的需求目的节点,需求必须全部满足。
第四个约束表示对于任意的线路,必须满足线路满载量约束。
其中,node为由时空节点构成的节点集合,node集合的值为表1中键值字段所示集合。包含TN001、TN002、TN003等等。
time_arc<i,j>为由时间弧构成的弧集合,其中,i,j∈node,time_arc<i,j>集合的值为表2中键值字段所示集合,如表2数据示例所示,表2中的TA001、TA002构成time_arc<i,j>的集合。其中i,j分别表示time_arc<i,j>的始发节点和目的节点。
transport_arc<i,j>为由运输弧构成的弧集合,其中i,j∈node。transport_arc<i,j>集合的值为表3中键值字段所示集合,如表3数据示例所示,表2中的TP001、TP002构成transport_arc的集合。其中i,j分别表示transport_arc<i,j>的始发节点和目的节点。
arc<i,j>为由运输弧、时间弧构成的网络弧集合,其中,arc<i,j>=transport_arc<i,j>∪time_arc<i,j>运输弧。
od<i,j>为由时空节点组成的需求流向集合,od<i,j>集合的值为表4中键值字段所示集合,包含DO001和DO002。其中i为始发节点,j为目的节点。且i,j∈node。
costi为单位运输成本,i∈transport_arc。该参数的值如表3中成本字段所示,如costTP001=1920,表示运输弧TP001的的成本为1920元/趟。
capacityi:如果i∈transport_arc,则为线路满载量,该参数的值如表3中装载能力字段所示,如capacityTP001=150,表示TP001的最大装载能力为150方。如果i∈time_arc,则为该时间段的分拣能力,该参数的值如表3中处理能力字段所示,如capacityTA001=1500,,表示TA001代表07:00-08:30至这段时间的最大分拣能力为1500方。
demandi为需求流向i需要配送的货量,i∈od,该参数的值如表4中需求量所示,如demandDO001=20,表示流向DO001需要配送的货量为20方。
arc-flow模型使用scip、cpelx等求解器对上述表达式践行数学建模和求解。
本发明首先设计了一种新的用于网络规划的arc-flow模型,将多周期的二维时空网络转换成一维时空网络,减少实际应用中由于穷举路由导致的计算资源浪费,并且其最优解为全局最优解。其次,提出了一种用于解决实际网络规划问题的新方法,结合优化、仿真和实际业务系统,可为复杂网络提供具备实时优化的规划中枢的功能。
如图4所示,本发明提供的一种多周期物流网络规划系统,其特征在于,包括:
第一获取模块201,用于获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息。
预处理模块202,用于对所述业务信息进行预处理,得到模型输入数据。
规划模块203,用于根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划。
最终物流实施规划方案确定模块204,用于根据所述物流规划方案确定最终物流实施规划方案。
在实际应用中,还包括:
第二获取模块,用于获取运营数据库中的业务信息;所述业务信息包括线路信息、节点信息和车辆信息以及预测系统的需求流向和时效要求信息。
同步模块,用于将所述线路信息、所述节点信息、所述车辆信息、所述需求流向和所述时效要求信息同步至所述物流规划数据库。
在实际应用中,所述预处理模块202,具体包括:时空节点集合确定单元,用于对所述业务信息按照时空节点进行预处理,得到时空节点集合;时间弧集合确定单元,用于对所述业务信息按照时间弧进行预处理,得到时间弧集合;运输弧集合确定单元,用于对所述业务信息按照运输弧进行预处理,得到运输弧集合;
需求流向集合确定单元,用于对所述业务信息按照需求流向进行预处理,得到需求流向集合;模型输入数据确定单元,用于根据所述时空节点集合、所述时间弧集合、所述运输弧集合和所述需求流向集合确定模型输入数据。
在实际应用中,所述规划模型包括目标函数和约束条件;
所述目标函数的表达式为:
其中,od为需求流向集合,transport_arc为运输弧集合,demandi为需求流向i需要配送的货量,为需求流向i流向货量经过j段弧的百分比,costj为单位运输成本,sort_costj为单位分拣成本,m为需求流向i的上限,n为运输弧j的上限;
所述约束条件的表达式为:
其中,为需求流向i流向货量经过j段弧的百分比,j为从节点d发出的运输弧,i为经过运输弧j的需求流向,node为时空节点集合,s为需求流向始发节点,t为需求流向目的节点,o为运输弧始发节点,d为运输弧目的节点,arc为运输弧和时间弧构成的网络弧集合,capacityj为运输弧j的装载容量,xj为运输弧j的频次,为执行运输弧j所代表的运输计划使用车的辆数。
在实际应用中,所述最终物流实施规划方案确定模块204,具体包括:
判断单元,用于判断所述物流规划方案是否满足运营指标;若是,则确定所述物流规划方案为最终物流实施规划方案;若否,则利用所述物流规划方案对所述物流规划数据库和所述规划模型进行更新,并返回步骤“获取物流规划数据库中的业务信息”。
本发明将二维时空网络抽象成包含周期、空间节点和时间节点的一维时空网络。将时长、处理能力、车位、分拣成本和运输成本等属性抽象成弧的各类属性,并基于scip、cplex或gurobi等求解器,获取该复杂网络的线路、路径、分拣和车辆计划等网络规划解决方案。然后采用仿真验证评估的方式对基于arc-flow模型获取的网络解决方案进行验证评估,获取解决方案中不合理的线路、分拣和车辆计划,然后将该类不合理的解决方案加入arc-flow模型约束,并基于更新后的arc-flow模型输出迭代后的网络解决方案,直到该解决方案能满足实际应用需求。该方案相比基于路径的全局网络规划,省略了穷举路由的过程,简化了数据处理过程,提升了其他方案的模型的计算效率。且不需要基于业务规则进行路由删减,使得求出的解决方案即为规划约束下的全局最优解。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种多周期物流网络规划方法,其特征在于,包括:
获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息;
对所述业务信息进行预处理,得到模型输入数据;
根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划;
根据所述物流规划方案确定最终物流实施规划方案;
所述规划模型包括目标函数和约束条件;
所述目标函数的表达式为:
其中,od为需求流向集合,transport_arc为运输弧集合,为需求流向i流向货量经过j段弧的百分比,costj为单位运输成本,sort_costj为单位分拣成本,m为需求流向i的上限,n为运输弧j的上限;
所述约束条件的表达式为:
2.根据权利要求1所述的多周期物流网络规划方法,其特征在于,在所述获取物流规划数据库中的业务信息之前,还包括:
获取运营数据库中的业务信息;所述业务信息包括线路信息、节点信息和车辆信息以及预测系统的需求流向和时效要求信息;
将所述线路信息、所述节点信息、所述车辆信息、所述需求流向和所述时效要求信息同步至所述物流规划数据库。
3.根据权利要求1所述的多周期物流网络规划方法,其特征在于,所述对所述业务信息进行预处理,得到模型输入数据,具体包括:
对所述业务信息按照时空节点进行预处理,得到时空节点集合;
对所述业务信息按照时间弧进行预处理,得到时间弧集合;
对所述业务信息按照运输弧进行预处理,得到运输弧集合;
对所述业务信息按照需求流向进行预处理,得到需求流向集合;
根据所述时空节点集合、所述时间弧集合、所述运输弧集合和所述需求流向集合确定模型输入数据。
4.根据权利要求1所述的多周期物流网络规划方法,其特征在于,所述根据所述物流规划方案确定最终物流实施规划方案,具体包括:
判断所述物流规划方案是否满足运营指标;若是,则确定所述物流规划方案为最终物流实施规划方案;若否,则利用所述物流规划方案对所述物流规划数据库和所述规划模型进行更新,并返回步骤“获取物流规划数据库中的业务信息”。
5.一种多周期物流网络规划系统,其特征在于,包括:
第一获取模块,用于获取物流规划数据库中的业务信息;所述业务信息包括需求流向、节点信息、线路信息、时效要求信息和车辆信息;
预处理模块,用于对所述业务信息进行预处理,得到模型输入数据;
规划模块,用于根据所述模型输入数据利用规划模型进行规划,得到物流规划方案;所述物流规划方案包括时效计划、分拣计划、线路计划和车辆计划;
最终物流实施规划方案确定模块,用于根据所述物流规划方案确定最终物流实施规划方案;
所述规划模型包括目标函数和约束条件;
所述目标函数的表达式为:
其中,od为需求流向集合,transport_arc为运输弧集合,为需求流向i流向货量经过j段弧的百分比,costj为单位运输成本,sort_costj为单位分拣成本,m为需求流向i的上限,n为运输弧j的上限;
所述约束条件的表达式为:
6.根据权利要求5所述的多周期物流网络规划系统,其特征在于,还包括:
第二获取模块,用于获取运营数据库中的业务信息;所述业务信息包括线路信息、节点信息和车辆信息以及预测系统的需求流向和时效要求信息;
同步模块,用于将所述线路信息、所述节点信息、所述车辆信息、所述需求流向和所述时效要求信息同步至所述物流规划数据库。
7.根据权利要求5所述的多周期物流网络规划系统,其特征在于,所述预处理模块,具体包括:
时空节点集合确定单元,用于对所述业务信息按照时空节点进行预处理,得到时空节点集合;
时间弧集合确定单元,用于对所述业务信息按照时间弧进行预处理,得到时间弧集合;
运输弧集合确定单元,用于对所述业务信息按照运输弧进行预处理,得到运输弧集合;
需求流向集合确定单元,用于对所述业务信息按照需求流向进行预处理,得到需求流向集合;
模型输入数据确定单元,用于根据所述时空节点集合、所述时间弧集合、所述运输弧集合和所述需求流向集合确定模型输入数据。
8.根据权利要求5所述的多周期物流网络规划系统,其特征在于,所述最终物流实施规划方案确定模块,具体包括:
判断单元,用于判断所述物流规划方案是否满足运营指标;若是,则确定所述物流规划方案为最终物流实施规划方案;若否,则利用所述物流规划方案对所述物流规划数据库和所述规划模型进行更新,并返回步骤“获取物流规划数据库中的业务信息”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111459710.7A CN114186727B (zh) | 2021-12-02 | 2021-12-02 | 一种多周期物流网络规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111459710.7A CN114186727B (zh) | 2021-12-02 | 2021-12-02 | 一种多周期物流网络规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114186727A CN114186727A (zh) | 2022-03-15 |
CN114186727B true CN114186727B (zh) | 2022-08-05 |
Family
ID=80542003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111459710.7A Active CN114186727B (zh) | 2021-12-02 | 2021-12-02 | 一种多周期物流网络规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186727B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114524B (zh) * | 2023-10-23 | 2024-01-26 | 香港中文大学(深圳) | 一种基于强化学习和数字孪生体的物流分拣方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
CN109272267A (zh) * | 2018-08-14 | 2019-01-25 | 顺丰科技有限公司 | 一种配送路径规划方法、装置及设备、存储介质 |
CN112418584A (zh) * | 2019-08-23 | 2021-02-26 | 深圳顺丰泰森控股(集团)有限公司 | 任务规划方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030014288A1 (en) * | 2001-07-12 | 2003-01-16 | Lloyd Clarke | System and method for managing transportation demand and capacity |
KR20120100601A (ko) * | 2011-03-04 | 2012-09-12 | 주식회사 한국무역정보통신 | 스마트 물류네트워크의 최적화시스템 |
CN109165886B (zh) * | 2018-07-16 | 2022-06-03 | 顺丰科技有限公司 | 一种物流车辆路径规划方法及装置、设备、存储介质 |
CN111652503B (zh) * | 2020-06-01 | 2023-12-12 | 中南大学 | 基于网络流模型的多梯级多线船闸联合调度方法及结构 |
CN113408775A (zh) * | 2020-07-31 | 2021-09-17 | 上海中通吉网络技术有限公司 | 基于物流网络的路由规划方法、装置、设备和存储介质 |
CN113450049B (zh) * | 2021-06-02 | 2024-05-24 | 北京迈格威科技有限公司 | 一种出库站点确定方法、装置及存储介质 |
-
2021
- 2021-12-02 CN CN202111459710.7A patent/CN114186727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
CN109272267A (zh) * | 2018-08-14 | 2019-01-25 | 顺丰科技有限公司 | 一种配送路径规划方法、装置及设备、存储介质 |
CN112418584A (zh) * | 2019-08-23 | 2021-02-26 | 深圳顺丰泰森控股(集团)有限公司 | 任务规划方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114186727A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Static green repositioning in bike sharing systems with broken bikes | |
Lium et al. | A study of demand stochasticity in service network design | |
Ghilas et al. | A scenario-based planning for the pickup and delivery problem with time windows, scheduled lines and stochastic demands | |
Mahmoudi et al. | Finding optimal solutions for vehicle routing problem with pickup and delivery services with time windows: A dynamic programming approach based on state–space–time network representations | |
Lin et al. | Efficient model and heuristic for the intermodal terminal location problem | |
CN114186727B (zh) | 一种多周期物流网络规划方法及系统 | |
Wang et al. | Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks | |
Li et al. | Optimizing a shared freight and passenger high-speed railway system: A multi-commodity flow formulation with Benders decomposition solution approach | |
Zhang et al. | Optimal location and size of logistics parks in a regional logistics network with economies of scale and CO2 emission taxes | |
Wu et al. | Integrated aviation model and metaheuristic algorithm for hub-and-spoke network design and airline fleet planning | |
Bayram et al. | Hub network design problem with capacity, congestion, and stochastic demand considerations | |
Nie et al. | Modeling and solving the last-shift period train scheduling problem in subway networks | |
Mulumba et al. | Optimization of the drone-assisted pickup and delivery problem | |
Sánchez et al. | On balancing fairness and efficiency in routing of cooperative vehicle fleets | |
Lan et al. | Optimizing train formation problem with car flow routing and train routing by benders-and-price approach | |
Taran et al. | Structural optimization of multimodal routes for cargo delivery | |
Ramírez-Villamil et al. | Reconfiguration of last-mile supply chain for parcel delivery using machine learning and routing optimization | |
CN108197879A (zh) | 一种多模式客货共运方法及系统 | |
RUSS et al. | Optimising the design of multimodal freight transport network in Indonesia | |
Stopka | Modelling distribution routes in city logistics by applying operations research methods | |
Kaboudvand et al. | Enabling Scientific Assessment of Large Scale Hyperconnected Urban Parcel Logistics: Agent-based Simulator Design | |
Lemus-Romani et al. | Limited stop services design considering variable dwell time and operating capacity constraints | |
Xiong et al. | Split demand one-to-one pickup and delivery problems with the shortest-path transport along real-life paths | |
Xu et al. | Optimal capacity allocation for high-speed railway express delivery | |
Ouhader et al. | A two-echelon location-routing model for designing a pooled distribution supply chain |
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 |