CN114565195A - 本地局部反馈与云端全局优化结合的调配系统与方法 - Google Patents

本地局部反馈与云端全局优化结合的调配系统与方法 Download PDF

Info

Publication number
CN114565195A
CN114565195A CN202210449383.5A CN202210449383A CN114565195A CN 114565195 A CN114565195 A CN 114565195A CN 202210449383 A CN202210449383 A CN 202210449383A CN 114565195 A CN114565195 A CN 114565195A
Authority
CN
China
Prior art keywords
path
mounted terminal
vehicle
local vehicle
global optimization
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.)
Granted
Application number
CN202210449383.5A
Other languages
English (en)
Other versions
CN114565195B (zh
Inventor
魏忠
王伟锋
王正
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.)
Suzhou Meiji Supply Chain Management Co ltd
Original Assignee
Suzhou Meiji Supply Chain Management Co ltd
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 Suzhou Meiji Supply Chain Management Co ltd filed Critical Suzhou Meiji Supply Chain Management Co ltd
Priority to CN202210449383.5A priority Critical patent/CN114565195B/zh
Publication of CN114565195A publication Critical patent/CN114565195A/zh
Application granted granted Critical
Publication of CN114565195B publication Critical patent/CN114565195B/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"
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提出本地局部反馈与云端全局优化结合的调配系统与方法，属于资源优化调度技术领域。方法包括：每个本地车载终端
Figure DEST_PATH_IMAGE001
基于接收的供应链数据变化信息，调整当前运行路径
Figure DEST_PATH_IMAGE002
，获取本地车载终端
Figure 758787DEST_PATH_IMAGE001
调整后的运行路径
Figure DEST_PATH_IMAGE003
；每个本地车载终端
Figure 812456DEST_PATH_IMAGE001
将调整后的运行路径
Figure 60904DEST_PATH_IMAGE003
以及当前运行路径
Figure 610834DEST_PATH_IMAGE002
发送至云端平台；云端平台基于调整后的运行路径
Figure 640670DEST_PATH_IMAGE003
以及当前运行路径
Figure 606352DEST_PATH_IMAGE002
的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配。调配系统包括云端全局优化子系统与本地局部反馈子系统。本发明能够同时满足局部反馈需求与全局优化目标，从而实现最大的资源利用率的同时，实现自动化的资源调度与分配。

Description

本地局部反馈与云端全局优化结合的调配系统与方法
技术领域
本发明属于资源调度技术领域，尤其涉及一种本地局部反馈与云端全局优化结合的调配系统与方法、实现所述方法的计算机终端设备以及存储介质。
背景技术
供应链（Supply chain）是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构，概括来说，一条完整供应链存在一个始发节点、一个目的节点以及至少一个中间节点。以运输车辆为例，可表征为运行路径，该运行路径包括的目的地、途径地。
供应链管理，指使供应链运作达到最优化，以最少的成本，令供应链从采购开始，到满足最终客户的所有过程。以物流供应链为例，运输资源（运输车辆）的供应链管理包括确定始发地、目的地、途径地、每个途径点的要装载的运输标的数量和/或重量、途径不同途径地的顺序、不同途径点的要卸载的运输标的数量和/或重量等。
以深度学习为例，供应链有关的优化调度模型可参见如下现有技术：
[1]李震,崔骁松,孙晨旭,苗虹,王东升,王召斌,魏海峰.基于时间和任务重要度的系统弹性恢复研究[J].计算机与数字工程,2021,49(11):2213-2217.
现有技术中，一般都是事先根据供应链数据制定好运输资源（运输车辆）调度策略，并在整个过程中保持不变。然而，实际应用中，供应链数据并不是一成不变的，单个的运输资源（运输车辆）也并不是仅为一个或者一类供应链数据服务，而是同时为多个客户、多个对象（涉及多个或者多类供应链数据）服务。同时，提供供应链服务的服务商也不是仅有单个的运输资源（运输车辆），而是同时在调度多种运输资源（运输车辆），这些多种运输资源（运输车辆）既可以是各自完整不同的供应链任务，也可能存在交集。当其存在交集时，每一个运输资源（运输车辆）的调度计划的概念，也会同时影响其他运输资源（运输车辆）的调度。
当某个客户或者某个对象临时改变运输要求时，这些要求有时候合理（基于现有条件能够满足）、有时候也不合理（无法基于现有条件满足），导致先前的运输资源（运输车辆）调度策略需要进行对应的调整。现有技术并未针对这种调整方式给出有效的调度策略。
发明内容
为解决上述技术问题，本发明提出一种本地局部反馈与云端全局优化结合的调配系统与方法、实现所述方法的计算机终端设备以及存储介质。
在本发明的第一个方面，提出一种本地局部反馈与云端全局优化结合的调配方 法，所述方法应用于多个本地车载终端
Figure 270397DEST_PATH_IMAGE001
，每个本地车载终端
Figure 249855DEST_PATH_IMAGE001
具有 当前运行路径
Figure 826330DEST_PATH_IMAGE002
，其中本地车载终端
Figure 18276DEST_PATH_IMAGE003
当前运行路径为
Figure 629386DEST_PATH_IMAGE004
；每个本地车载终端
Figure 6842DEST_PATH_IMAGE001
均与云端平台双向通信；
具体实现时，所述方法包括如下步骤：
每个本地车载终端
Figure 805033DEST_PATH_IMAGE003
基于接收的供应链数据变化信息，调整该本地车载终端
Figure 800671DEST_PATH_IMAGE003
当 前运行路径
Figure 531867DEST_PATH_IMAGE004
，获取本地车载终端
Figure 321968DEST_PATH_IMAGE003
调整后的运行路径
Figure 171238DEST_PATH_IMAGE005
；i=1、2、……，n；
每个本地车载终端
Figure 704987DEST_PATH_IMAGE003
将调整后的运行路径
Figure 25110DEST_PATH_IMAGE005
以及当前运行路径
Figure 251692DEST_PATH_IMAGE004
发送至所述云 端平台；
所述云端平台基于所述调整后的运行路径
Figure 788590DEST_PATH_IMAGE005
以及当前运行路径
Figure 860452DEST_PATH_IMAGE004
的集合进行全 局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行 再次调配。
再次调配，对本地车载终端利用模型进行多目标线路优化，表达式为：
Figure 97398DEST_PATH_IMAGE006
其中，
Figure 494881DEST_PATH_IMAGE007
表示第n次迭代时运行路径的位置向量，n表示迭代次数，
Figure 522005DEST_PATH_IMAGE008
为 第n次迭代时，运行路径获得的最优解q的位置向量，r表示第r次迭代，
Figure 194295DEST_PATH_IMAGE009
和
Figure 489010DEST_PATH_IMAGE010
为均表示系数 向量，
Figure 57395DEST_PATH_IMAGE011
为元素运算方式符号，当存在最优解时，
Figure 574745DEST_PATH_IMAGE012
为需要不断更新，D为运行路径和解之间 的距离，
Figure 253988DEST_PATH_IMAGE013
表示车载终端迭代到第r次时的位置，
Figure 403209DEST_PATH_IMAGE014
表示车载终端的位置均值，而系 数向量的计算公式为:
Figure 142495DEST_PATH_IMAGE015
其中，
Figure 377168DEST_PATH_IMAGE016
和
Figure 95987DEST_PATH_IMAGE010
为均表示系数向量，u为控制参数，通常在迭代过程中，由2线性降低到 0线性，
Figure 365294DEST_PATH_IMAGE017
为集合
Figure 275482DEST_PATH_IMAGE018
中的一个随机向量，其取值为
Figure 997450DEST_PATH_IMAGE018
∈［0，1］，利用减小控制参数u的值，减小 随机变量
Figure 18496DEST_PATH_IMAGE019
，即将随机变量
Figure 876730DEST_PATH_IMAGE020
的范围从［-u，u］，降低至［-1，1］，这样算法就可将新的位置， 定义在原始位置和当前最优位置之间的任何位置，实现对最优调配线路的收缩包围，计算 运行路径和当前最优解之间的距离，然后建立一个对数螺旋方程，形成螺旋更新位置的机 制，该方程为:
Figure 721933DEST_PATH_IMAGE021
其中，
Figure 931197DEST_PATH_IMAGE022
表示第n次迭代时运行路径的位置向量，n表示迭代次数，D*为运行 路径和当前最优解之间的距离，e表示自然常数，π表示圆周率，h为螺线形状的控制参数，c 为一个范围在［－1，1］的随机参数，
Figure 755934DEST_PATH_IMAGE023
表示第一次车载终端原始位置，
Figure 734254DEST_PATH_IMAGE024
表示车载终 端迭代到第r次时的位置，
Figure 720665DEST_PATH_IMAGE025
表示车载终端的位置均值。
通过建立模型进对车载终端多目标线路进行优化，该模型方法理解简单可以快速的对车载终端的位置进行计算同时匹配出相应的运行路径，该模型具有良好的适配性，为该调配系统提供了可靠的理论支撑，操作简单，可进行大规模的推广与应用。
所述运行路径包括运行起点、运行终点以及至少一个运行途径点。
对所述运行路径进行调配，包括调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
所述云端平台基于所述调整后的运行路径
Figure 918690DEST_PATH_IMAGE005
以及当前运行路径
Figure 547118DEST_PATH_IMAGE004
的集合进行全 局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行 再次调配，具体包括：
若本地车载终端
Figure 645524DEST_PATH_IMAGE003
调整后的运行路径
Figure 537256DEST_PATH_IMAGE005
与本地车载终端
Figure 721113DEST_PATH_IMAGE026
调整前的运行路径存
Figure 669345DEST_PATH_IMAGE027
在交集，并且i<j，则对本地车载终端
Figure 356678DEST_PATH_IMAGE026
调整后的运行路径
Figure 950470DEST_PATH_IMAGE028
进行调配，j=2、……，n。
所述供应链数据包括与所述运行路径包括的目的地、途径地关联的运输标的数量、运输标的重量、运输标的价格之一或者其任意组合。
所述供应链数据包括客户的时效要求、客户的预算要求之一或者其组合。
具体的，若本地车载终端
Figure 356044DEST_PATH_IMAGE003
调整后的运行路径
Figure 326274DEST_PATH_IMAGE005
与本地车载终端
Figure 635158DEST_PATH_IMAGE026
调整前的运 行路径
Figure 399851DEST_PATH_IMAGE027
存在交集，并且i<j，则对本地车载终端
Figure 558300DEST_PATH_IMAGE026
调整后的运行路径
Figure 801063DEST_PATH_IMAGE028
进行调配。
若本地车载终端
Figure 462988DEST_PATH_IMAGE003
调整后的运行路径
Figure 897118DEST_PATH_IMAGE005
与本地车载终端
Figure 277284DEST_PATH_IMAGE026
调整前的运行路径
Figure 323738DEST_PATH_IMAGE027
存在交集，并且i<j，则对至少一个本地车载终端的调整后的运行路径进行再次调配，使得 在所述交集中的每一个运行途径点要装载的运输标的数量和/或重量总和、在每一个运行 途径点要卸载的运输标的数量和/或重量总和保持不变。
在本发明的第二个方面，提供一种本地局部反馈与云端全局优化结合的调配系统，所述调配系统包括云端全局优化子系统与本地局部反馈子系统；
所述本地局部反馈子系统包括多个本地车载终端
Figure 840170DEST_PATH_IMAGE001
，每个本地车载终 端
Figure 212245DEST_PATH_IMAGE003
当前运行路径为
Figure 79707DEST_PATH_IMAGE004
；每个本地车载终端
Figure 431316DEST_PATH_IMAGE001
均与云端全局优化子系统双向通 信；i=1、2、……，n；
所述云端全局优化子系统用于接收针对本地车载终端Vk的供应链数据变化信息Ck，将所述供应链数据变化信息Ck发送至所述本地车载终端Vk；k=1，2，…，n；
所述本地车载终端Vk基于接收的供应链数据变化信息Ck，调整该本地车载终端Vk当前运行路径Pk，获取本地车载终端Vk调整后的运行路径Pk ’；
所述本地车载终端Vk将调整后的运行路径Pk ’以及当前运行路径Pk发送至所述云端全局优化子系统；
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配。
所述运行路径包括运行起点、运行终点以及至少一个运行途径点；
对运行路径进行调整或者调配，具体包括：
调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，具体包括：
若本地车载终端
Figure 802255DEST_PATH_IMAGE003
调整后的运行路径
Figure 345231DEST_PATH_IMAGE005
与本地车载终端
Figure 168831DEST_PATH_IMAGE026
调整前的运行路径
Figure 822666DEST_PATH_IMAGE027
存在交集，并且i<j，则对本地车载终端
Figure 145981DEST_PATH_IMAGE026
调整后的运行路径
Figure 594280DEST_PATH_IMAGE028
进行调配。
所述运行路径包括运行起点、运行终点以及至少一个运行途径点；
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，具体包括：
若本地车载终端
Figure 436334DEST_PATH_IMAGE003
调整后的运行路径
Figure 628281DEST_PATH_IMAGE005
与本地车载终端
Figure 475276DEST_PATH_IMAGE026
调整前的运行路径
Figure 360056DEST_PATH_IMAGE027
存在交集，并且i<j，则对至少一个本地车载终端的调整后的运行路径进行再次调配，使得 在所述交集中的每一个运行途径点要装载的运输标的数量和/或重量总和、在每一个运行 途径点要卸载的运输标的数量和/或重量总和保持不变。
在本发明的第三个方面，提供一种终端设备，例如可以是数据交互设备，其包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序可以是数据交互程序，所述处理器执行所述计算机程序时，实现上述第一个方面所述方法的全部或者部分步骤。
在本发明第四个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述第一个方面所述方法的全部或者部分步骤。
本发明的技术方案能够同时满足局部反馈需求与全局优化目标，从而实现最大的资源利用率的同时，实现自动化的资源调度与分配。
具体的，本发明通过云端全局优化子系统接收针对本地车载终端Vk的供应链数据变化信息Ck，将所述供应链数据变化信息Ck发送至所述本地车载终端Vk；k=1，2，…，n；本地车载终端Vk基于接收的供应链数据变化信息Ck，调整该本地车载终端Vk当前运行路径Pk，获取本地车载终端Vk调整后的运行路径Pk ’；所述本地车载终端Vk将调整后的运行路径Pk ’以及当前运行路径Pk发送至所述云端全局优化子系统；云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，从而实现全局与局部的动态反馈与优化。
本发明通过建立模型进对车载终端多目标线路进行优化，该模型方法理解简单可以快速的对车载终端的位置进行计算同时匹配出相应的运行路径，该模型具有良好的适配性，为该调配系统提供了可靠的理论支撑，操作简单，可进行大规模的推广与应用。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种本地局部反馈与云端全局优化结合的调配方法的应用场景示意图；
图2是图1所述本地局部反馈与云端全局优化结合的调配方法的部分实现原理示意图；
图3是实现图1所述方法的本地局部反馈与云端全局优化结合的调配系统的主体子系统示意图；
图4是图3所述本地局部反馈与云端全局优化结合的调配系统的模块结构图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
参见图1，图1是本发明一个实施例的一种本地局部反馈与云端全局优化结合的调配方法的应用场景示意图。
在图1中，示出本发明所述的本地局部反馈与云端全局优化结合的调配方法应用 于多个本地车载终端
Figure 423827DEST_PATH_IMAGE001
，本地车载终端
Figure 419465DEST_PATH_IMAGE001
具有当前运行路径
Figure 353923DEST_PATH_IMAGE002
，其中本地车载终端
Figure 409603DEST_PATH_IMAGE003
当前运行路径为
Figure 459205DEST_PATH_IMAGE004
；本地车载终端
Figure 258534DEST_PATH_IMAGE001
均与云 端平台双向通信。
在图1中，每个本地车载终端均为具备移动边缘计算能力的移动终端，配置于运输车辆上，基于5G通信网络执行数据处理和通信。
图1中，所述运行路径
Figure 313078DEST_PATH_IMAGE002
的每一个均包括运行起点、运行终点以及至少 一个运行途径点。
所述对运行路径进行调配，包括调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
更具体的，参见图2。
每个本地车载终端
Figure 539660DEST_PATH_IMAGE003
基于接收的供应链数据变化信息，调整该本地车载终端
Figure 312444DEST_PATH_IMAGE003
当 前运行路径
Figure 151349DEST_PATH_IMAGE004
，获取本地车载终端
Figure 591558DEST_PATH_IMAGE003
调整后的运行路径
Figure 723462DEST_PATH_IMAGE005
；i=1、2、……，n；
每个本地车载终端
Figure 249121DEST_PATH_IMAGE003
将调整后的运行路径
Figure 859094DEST_PATH_IMAGE005
以及当前运行路径
Figure 153809DEST_PATH_IMAGE004
发送至所述云 端平台；
所述云端平台基于所述调整后的运行路径
Figure 949290DEST_PATH_IMAGE005
以及当前运行路径
Figure 962246DEST_PATH_IMAGE004
的集合进行全 局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行 再次调配。
再次调配，对本地车载终端利用模型进行多目标线路优化，表达式为：
Figure 641489DEST_PATH_IMAGE029
其中，
Figure 790710DEST_PATH_IMAGE022
表示第n次迭代时运行路径的位置向量，n表示迭代次数，
Figure 529996DEST_PATH_IMAGE030
为 第n次迭代时，运行路径获得的最优解q的位置向量，r表示第r次迭代，
Figure 266133DEST_PATH_IMAGE009
和
Figure 749067DEST_PATH_IMAGE010
为均表示系数 向量，
Figure 18374DEST_PATH_IMAGE011
为元素运算方式符号，当存在最优解时，
Figure 662982DEST_PATH_IMAGE012
为需要不断更新，D为运行路径和解之间 的距离，
Figure 384951DEST_PATH_IMAGE013
表示车载终端迭代到第r次时的位置，
Figure 904531DEST_PATH_IMAGE014
表示车载终端的位置均值，而系 数向量的计算公式为:
Figure 28345DEST_PATH_IMAGE031
其中，
Figure 109434DEST_PATH_IMAGE016
和
Figure 584277DEST_PATH_IMAGE010
为均表示系数向量，u为控制参数，通常在迭代过程中，由2线性降低到 0线性，
Figure 143435DEST_PATH_IMAGE032
为集合
Figure 419958DEST_PATH_IMAGE033
中的一个随机向量，其取值为
Figure 203106DEST_PATH_IMAGE018
∈［0，1］，利用减小控制参数u的值，减小 随机变量
Figure 899666DEST_PATH_IMAGE019
，即将随机变量
Figure 262515DEST_PATH_IMAGE020
的范围从［-u，u］，降低至［-1，1］，这样算法就可将新的位置， 定义在原始位置和当前最优位置之间的任何位置，实现对最优调配线路的收缩包围，计算 运行路径和当前最优解之间的距离，然后建立一个对数螺旋方程，形成螺旋更新位置的机 制，该方程为:
Figure 865315DEST_PATH_IMAGE021
其中，
Figure 288206DEST_PATH_IMAGE022
表示第n次迭代时运行路径的位置向量，n表示迭代次数，D*为运行 路径和当前最优解之间的距离，e表示自然常数，π表示圆周率，h为螺线形状的控制参数，c 为一个范围在［－1，1］的随机参数，
Figure 472063DEST_PATH_IMAGE023
表示第一次车载终端原始位置，
Figure 638602DEST_PATH_IMAGE034
表示车载终 端迭代到第r次时的位置，
Figure 92979DEST_PATH_IMAGE035
表示车载终端的位置均值。
通过建立模型进对车载终端多目标线路进行优化，该模型方法理解简单可以快速的对车载终端的位置进行计算同时匹配出相应的运行路径，该模型具有良好的适配性，为该调配系统提供了可靠的理论支撑，操作简单，可进行大规模的推广与应用。
作为示例，所述供应链数据包括与所述运行路径包括的目的地、途径地关联的运输标的数量、运输标的重量、运输标的价格之一或者其任意组合。
作为另一个示例， 所述供应链数据包括客户的时效要求、客户的预算要求之一或者其组合。
所述对运行路径进行调配，包括调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
所述云端平台基于所述调整后的运行路径
Figure 686772DEST_PATH_IMAGE005
以及当前运行路径
Figure 92345DEST_PATH_IMAGE004
的集合进行全 局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行 再次调配，具体包括：
若本地车载终端
Figure 62575DEST_PATH_IMAGE003
调整后的运行路径
Figure 869994DEST_PATH_IMAGE005
与本地车载终端
Figure 369109DEST_PATH_IMAGE026
调整前的运行路径
Figure 26093DEST_PATH_IMAGE027
存在交集，并且i<j，则对本地车载终端
Figure 268855DEST_PATH_IMAGE026
调整后的运行路径
Figure 196360DEST_PATH_IMAGE028
进行调配，j=2、……，n。
具体的，若本地车载终端
Figure 131955DEST_PATH_IMAGE003
调整后的运行路径
Figure 512121DEST_PATH_IMAGE005
与本地车载终端
Figure 60039DEST_PATH_IMAGE026
调整前的运 行路径
Figure 842050DEST_PATH_IMAGE027
存在交集，并且i<j，则对本地车载终端
Figure 948547DEST_PATH_IMAGE026
调整后的运行路径
Figure 816008DEST_PATH_IMAGE028
进行调配。
若本地车载终端
Figure 400573DEST_PATH_IMAGE003
调整后的运行路径
Figure 37091DEST_PATH_IMAGE005
与本地车载终端
Figure 830602DEST_PATH_IMAGE026
调整前的运行路径
Figure 185360DEST_PATH_IMAGE027
存在交集，并且i<j，则对至少一个本地车载终端的调整后的运行路径进行再次调配，使得 在所述交集中的每一个运行途径点要装载的运输标的数量和/或重量总和、在每一个运行 途径点要卸载的运输标的数量和/或重量总和保持不变。
在图1-图2基础上，参见图3。图3示出实现图1或图2所述方法的本地局部反馈与云端全局优化结合的调配系统的主体子系统示意图。
在图3中，示出所述本地局部反馈与云端全局优化结合的调配系统包括云端全局优化子系统与本地局部反馈子系统。
更具体的，参见图4。
所述本地局部反馈子系统包括多个本地车载终端
Figure 573616DEST_PATH_IMAGE001
，每个本地车载终 端
Figure 64640DEST_PATH_IMAGE003
当前运行路径为
Figure 512939DEST_PATH_IMAGE004
；每个本地车载终端
Figure 856458DEST_PATH_IMAGE001
均与云端全局优化子系统双向通 信；i=1、2、……，n；
所述云端全局优化子系统用于接收针对本地车载终端Vk的供应链数据变化信息Ck，将所述供应链数据变化信息Ck发送至所述本地车载终端Vk；k=1，2，…，n；
所述本地车载终端Vk基于接收的供应链数据变化信息Ck，调整该本地车载终端Vk当前运行路径Pk，获取本地车载终端Vk调整后的运行路径Pk ’；
所述本地车载终端Vk将调整后的运行路径Pk ’以及当前运行路径Pk发送至所述云端全局优化子系统；
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配。
作为具体的实施例， 所述运行路径包括运行起点、运行终点以及至少一个运行途径点；
对运行路径进行调整或者调配，具体包括：
调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，具体包括：
若本地车载终端
Figure 48405DEST_PATH_IMAGE003
调整后的运行路径
Figure 393936DEST_PATH_IMAGE005
与本地车载终端
Figure 278715DEST_PATH_IMAGE026
调整前的运行路径
Figure 76907DEST_PATH_IMAGE027
存在交集，并且i<j，则对本地车载终端
Figure 806965DEST_PATH_IMAGE026
调整后的运行路径
Figure 36696DEST_PATH_IMAGE028
进行调配。
作为更具体的例子，所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，具体包括：
若本地车载终端
Figure 826798DEST_PATH_IMAGE003
调整后的运行路径
Figure 112285DEST_PATH_IMAGE005
与本地车载终端
Figure 177193DEST_PATH_IMAGE026
调整前的运行路径
Figure 497316DEST_PATH_IMAGE027
存在交集，并且i<j，则对至少一个本地车载终端的调整后的运行路径进行再次调配，使得 在所述交集中的每一个运行途径点要装载的运输标的数量和/或重量总和、在每一个运行 途径点要卸载的运输标的数量和/或重量总和保持不变。
在具体实现时，可以通过预先建立的供应链深度学习调度模型、轨迹预测模型以及多节点目标最优化模型等实现上述调整目标。
当采用深度学习模型时，还可以基于确定的可调整目标的准确性执行结果反馈，基于结果反馈进一步训练所述深度学习模型。
需要指出的是，图1-图2所述方法、流程的全部或者部分，均可以通过计算机程序指令自动化的实现。
因此，更多的实施例提供一种终端设备，例如可以是数据交互设备，其包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序可以是数据交互程序，所述处理器执行所述计算机程序时，实现图1或图2所述方法的全部或者部分步骤。
通过实践证明，本发明的技术方案能够同时满足局部反馈需求与全局优化目标，从而实现最大的资源利用率的同时，实现自动化的资源调度与分配。
具体的，本发明通过云端全局优化子系统接收针对本地车载终端Vk的供应链数据变化信息Ck，将所述供应链数据变化信息Ck发送至所述本地车载终端Vk；k=1，2，…，n；本地车载终端Vk基于接收的供应链数据变化信息Ck，调整该本地车载终端Vk当前运行路径Pk，获取本地车载终端Vk调整后的运行路径Pk ’；所述本地车载终端Vk将调整后的运行路径Pk ’以及当前运行路径Pk发送至所述云端全局优化子系统；云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，从而实现全局与局部的动态反馈与优化。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。

Claims (10)

1.一种本地局部反馈与云端全局优化结合的调配方法，所述方法应用于多个本地车载 终端
Figure 675372DEST_PATH_IMAGE001
，每个本地车载终端
Figure 702365DEST_PATH_IMAGE001
具有当前运行路径
Figure 935900DEST_PATH_IMAGE002
，其中 本地车载终端
Figure 563191DEST_PATH_IMAGE003
当前运行路径为
Figure 540374DEST_PATH_IMAGE004
；每个本地车载终端
Figure 202300DEST_PATH_IMAGE001
均与云端平台双向通 信；
其特征在于，所述方法包括：
每个本地车载终
Figure 606736DEST_PATH_IMAGE003
端基于接收的供应链数据变化信息，调整该本地车载终端
Figure 439432DEST_PATH_IMAGE003
当前运 行路径
Figure 485885DEST_PATH_IMAGE004
，获取本地车载终端
Figure 736738DEST_PATH_IMAGE003
调整后的运行路径
Figure 312076DEST_PATH_IMAGE005
；i=1、2、……，n；
每个本地车载终端
Figure 648379DEST_PATH_IMAGE003
将调整后的运行路径
Figure 967365DEST_PATH_IMAGE005
以及当前运行路径
Figure 823457DEST_PATH_IMAGE004
发送至所述云端平 台；
所述云端平台基于所述调整后的运行路径
Figure 835275DEST_PATH_IMAGE005
以及当前运行路径
Figure 658875DEST_PATH_IMAGE004
的集合进行全局优 化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次 调配；
所述再次调配，对本地车载终端利用模型进行多目标线路优化，表达式为：
Figure 781551DEST_PATH_IMAGE006
其中，
Figure 6996DEST_PATH_IMAGE007
表示第n次迭代时所述运行路径的位置向量，n表示迭代次数，
Figure 924137DEST_PATH_IMAGE008
为 第n次迭代时，运行路径获得的最优解q的位置向量，r表示第r次迭代，
Figure 484300DEST_PATH_IMAGE009
和
Figure 145088DEST_PATH_IMAGE010
为均表示系数 向量，
Figure 490619DEST_PATH_IMAGE011
为元素运算方式符号，当存在最优解时，
Figure 578661DEST_PATH_IMAGE012
为需要不断更新，D为运行路径和解之间 的距离，
Figure 111273DEST_PATH_IMAGE013
表示车载终端迭代到第r次时的位置，
Figure 592064DEST_PATH_IMAGE014
表示车载终端的位置均值，而系 数向量的计算公式为:
Figure 526522DEST_PATH_IMAGE015
其中，
Figure 785465DEST_PATH_IMAGE016
和
Figure 70953DEST_PATH_IMAGE017
为均表示系数向量，u为控制参数，通常在迭代过程中，由2线性降低到0线 性，
Figure 339123DEST_PATH_IMAGE018
为集合
Figure 128088DEST_PATH_IMAGE019
中的一个随机向量，其取值为
Figure 557932DEST_PATH_IMAGE019
∈［0，1］，利用减小控制参数u的值，减小随机 变量
Figure 579984DEST_PATH_IMAGE020
，即将随机变量
Figure 386266DEST_PATH_IMAGE021
的范围从［-u，u］，降低至［-1，1］，这样算法就可将新的位置，定义 在原始位置和当前最优位置之间的任何位置，实现对最优调配线路的收缩包围，计算运行 路径
Figure 29737DEST_PATH_IMAGE005
和当前最优解之间的距离，然后建立一个对数螺旋方程，形成螺旋更新位置的机制， 该方程为:
Figure 896062DEST_PATH_IMAGE022
其中，
Figure 890562DEST_PATH_IMAGE007
表示第n次迭代时所述运行路径的位置向量，n表示迭代次数，D*为运行 路径和当前最优解之间的距离，e表示自然常数，π表示圆周率，h为螺线形状的控制参数，c 为一个范围在［－1，1］的随机参数，
Figure 500535DEST_PATH_IMAGE023
表示第一次车载终端原始位置，
Figure 749245DEST_PATH_IMAGE024
表示车载终 端迭代到第r次时的位置，
Figure 52050DEST_PATH_IMAGE025
表示车载终端的位置均值。
2.如权利要求1所述的一种本地局部反馈与云端全局优化结合的调配方法，其特征在于：
运行路径包括运行起点、运行终点以及至少一个运行途径点。
3.如权利要求2所述的一种本地局部反馈与云端全局优化结合的调配方法，其特征在于：
对所述运行路径进行调配，包括调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
4.如权利要求2所述的一种本地局部反馈与云端全局优化结合的调配方法，其特征在于：
所述云端平台基于所述调整后的运行路径
Figure 268268DEST_PATH_IMAGE005
以及当前运行路径
Figure 681932DEST_PATH_IMAGE004
的集合进行全局优 化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次 调配，具体包括：
若本地车载终端
Figure 299995DEST_PATH_IMAGE003
调整后的运行路径
Figure 508123DEST_PATH_IMAGE005
与本地车载终端
Figure 460904DEST_PATH_IMAGE026
调整前的运行路径存
Figure 678259DEST_PATH_IMAGE027
在 交集，并且i<j，则对本地车载终端
Figure 150828DEST_PATH_IMAGE026
调整后的运行路径
Figure 529857DEST_PATH_IMAGE028
进行调配，j=2、……，n。
5.如权利要求1所述的一种本地局部反馈与云端全局优化结合的调配方法，其特征在于：
所述供应链数据包括与所述运行路径包括的目的地、途径地关联的运输标的数量、运输标的重量、运输标的价格之一或者其任意组合。
6.如权利要求1所述的一种本地局部反馈与云端全局优化结合的调配方法，其特征在于：
所述供应链数据包括客户的时效要求、客户的预算要求之一或者其组合。
7.一种基于权利要求1-6任一项所述的一种本地局部反馈与云端全局优化结合的调配方法的调配系统，所述调配系统包括云端全局优化子系统与本地局部反馈子系统；
其特征在于：
所述本地局部反馈子系统包括多个本地车载终端
Figure 986246DEST_PATH_IMAGE001
，每个本地车载终端
Figure 476133DEST_PATH_IMAGE003
当前运行路径为
Figure 819521DEST_PATH_IMAGE004
；每个本地车载终端
Figure 369451DEST_PATH_IMAGE001
均与云端全局优化子系统双向通信；i= 1、2、……，n；
所述云端全局优化子系统用于接收针对本地车载终端Vk的供应链数据变化信息Ck，将所述供应链数据变化信息Ck发送至所述本地车载终端Vk；k=1，2，…，n；
所述本地车载终端Vk基于接收的供应链数据变化信息Ck，调整该本地车载终端Vk当前运行路径Pk，获取本地车载终端Vk调整后的运行路径Pk ’；
所述本地车载终端Vk将调整后的运行路径Pk ’以及当前运行路径Pk发送至所述云端全局优化子系统；
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配；
所述再次调配，对本地车载终端利用模型进行多目标线路优化，表达式为：
Figure 47557DEST_PATH_IMAGE029
其中，
Figure 341135DEST_PATH_IMAGE007
表示第n次迭代时所述运行路径的位置向量，n表示迭代次数，
Figure 788297DEST_PATH_IMAGE008
为 第n次迭代时，运行路径获得的最优解q的位置向量，r表示第r次迭代，
Figure 774708DEST_PATH_IMAGE009
和
Figure 935517DEST_PATH_IMAGE010
为均表示系数 向量，
Figure 767207DEST_PATH_IMAGE011
为元素运算方式符号，当存在最优解时，
Figure 600033DEST_PATH_IMAGE030
为需要不断更新，D为运行路径和解之间 的距离，
Figure 491766DEST_PATH_IMAGE013
表示车载终端迭代到第r次时的位置，
Figure 878885DEST_PATH_IMAGE031
表示车载终端的位置均值，而系 数向量的计算公式为:
Figure 779845DEST_PATH_IMAGE015
其中，
Figure 952331DEST_PATH_IMAGE016
和
Figure 14965DEST_PATH_IMAGE017
为均表示系数向量，u为控制参数，通常在迭代过程中，由2线性降低到0线 性，
Figure 154960DEST_PATH_IMAGE018
为集合
Figure 328452DEST_PATH_IMAGE032
中的一个随机向量，其取值为
Figure 604713DEST_PATH_IMAGE019
∈［0，1］，利用减小控制参数u的值，减小随机 变量
Figure 838248DEST_PATH_IMAGE020
，即将随机变量
Figure 714806DEST_PATH_IMAGE021
的范围从［-u，u］，降低至［-1，1］，这样算法就可将新的位置，定义 在原始位置和当前最优位置之间的任何位置，实现对最优调配线路的收缩包围，计算运行 路径
Figure 691989DEST_PATH_IMAGE005
和当前最优解之间的距离，然后建立一个对数螺旋方程，形成螺旋更新位置的机制， 该方程为:
Figure 88335DEST_PATH_IMAGE022
其中，
Figure 492772DEST_PATH_IMAGE007
表示第n次迭代时所述运行路径的位置向量，n表示迭代次数，D*为运行 路径和当前最优解之间的距离，e表示自然常数，π表示圆周率，h为螺线形状的控制参数，c 为一个范围在［－1，1］的随机参数，
Figure 341779DEST_PATH_IMAGE033
表示第一次车载终端原始位置，
Figure 122653DEST_PATH_IMAGE024
表示车载终 端迭代到第r次时的位置，
Figure 124239DEST_PATH_IMAGE034
表示车载终端的位置均值。
8.如权利要求7所述的调配系统，其特征在于：
运行路径包括运行起点、运行终点以及至少一个运行途径点；
对运行路径进行调整或者调配，具体包括：
调节每个本地车载终端所在的运输车辆途径每一个运行途径点的顺序、在每一个运行途径点的停留时间、在每一个运行途径点要装载的运输标的数量和/或重量、在每一个运行途径点要卸载的运输标的数量和/或重量。
9.如权利要求7所述的调配系统，其特征在于：
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，具体包括：
若本地车载终端
Figure 699576DEST_PATH_IMAGE003
调整后的运行路径
Figure 35880DEST_PATH_IMAGE005
与本地车载终端
Figure 620445DEST_PATH_IMAGE026
调整前的运行路径
Figure 725804DEST_PATH_IMAGE027
存在 交集，并且i<j，则对本地车载终端
Figure 472043DEST_PATH_IMAGE026
调整后的运行路径
Figure 810490DEST_PATH_IMAGE028
进行调配。
10.如权利要求7所述的调配系统，其特征在于：
运行路径包括运行起点、运行终点以及至少一个运行途径点；
所述云端全局优化子系统基于汇总的调整后的运行路径以及当前运行路径的集合进行全局优化分析，并基于全局优化分析结果对至少一个本地车载终端的调整后的运行路径进行再次调配，具体包括：
若本地车载终端
Figure 667587DEST_PATH_IMAGE003
调整后的运行路径
Figure 893032DEST_PATH_IMAGE004
与本地车载终端
Figure 75752DEST_PATH_IMAGE026
调整前的运行路径
Figure 386648DEST_PATH_IMAGE027
存在 交集，并且i<j，则对至少一个本地车载终端的调整后的运行路径进行再次调配，使得在所 述交集中的每一个运行途径点要装载的运输标的数量和/或重量总和、在每一个运行途径 点要卸载的运输标的数量和/或重量总和保持不变。
CN202210449383.5A 2022-04-27 2022-04-27 本地局部反馈与云端全局优化结合的调配系统与方法 Active CN114565195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210449383.5A CN114565195B (zh) 2022-04-27 2022-04-27 本地局部反馈与云端全局优化结合的调配系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210449383.5A CN114565195B (zh) 2022-04-27 2022-04-27 本地局部反馈与云端全局优化结合的调配系统与方法

Publications (2)

Publication Number Publication Date
CN114565195A true CN114565195A (zh) 2022-05-31
CN114565195B CN114565195B (zh) 2022-08-19

Family

ID=81721385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210449383.5A Active CN114565195B (zh) 2022-04-27 2022-04-27 本地局部反馈与云端全局优化结合的调配系统与方法

Country Status (1)

Country Link
CN (1) CN114565195B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598994A (zh) * 2015-01-23 2015-05-06 广东易富网络科技有限公司 一种带时变时间窗的关联物流运输优化调度方法
CN109902873A (zh) * 2019-02-28 2019-06-18 长安大学 一种基于改进型鲸鱼算法的云制造资源配置的方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
CN113689122A (zh) * 2021-08-25 2021-11-23 重庆大学 一种云边协同环境下考虑运输设备的多目标组合调度方法
CN113743874A (zh) * 2021-09-13 2021-12-03 昆明理工大学 一种应急物资物流配送的优化调度方法
CN113848889A (zh) * 2021-09-09 2021-12-28 武汉工程大学 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法
US20220035374A1 (en) * 2020-07-29 2022-02-03 Zhejiang University Scheduling method and system for fully autonomous waterborne inter terminal transportation
CN114399095A (zh) * 2021-12-29 2022-04-26 湖南科技大学 基于云边端协同的动态车辆配送路径优化方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598994A (zh) * 2015-01-23 2015-05-06 广东易富网络科技有限公司 一种带时变时间窗的关联物流运输优化调度方法
CN109902873A (zh) * 2019-02-28 2019-06-18 长安大学 一种基于改进型鲸鱼算法的云制造资源配置的方法
WO2021189720A1 (zh) * 2020-03-23 2021-09-30 南京理工大学 基于改进蚁群算法的泊车agv路径规划方法
US20220035374A1 (en) * 2020-07-29 2022-02-03 Zhejiang University Scheduling method and system for fully autonomous waterborne inter terminal transportation
CN113689122A (zh) * 2021-08-25 2021-11-23 重庆大学 一种云边协同环境下考虑运输设备的多目标组合调度方法
CN113848889A (zh) * 2021-09-09 2021-12-28 武汉工程大学 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法
CN113743874A (zh) * 2021-09-13 2021-12-03 昆明理工大学 一种应急物资物流配送的优化调度方法
CN114399095A (zh) * 2021-12-29 2022-04-26 湖南科技大学 基于云边端协同的动态车辆配送路径优化方法及装置

Also Published As

Publication number Publication date
CN114565195B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN112689303B (zh) 一种边云协同资源联合分配方法、系统及应用
US20190391540A1 (en) Distributed optimal control of an aircraft propulsion system
US11831708B2 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
CN111401744B (zh) 一种移动边缘计算中不确定性环境下的动态任务卸载方法
EP2476578B1 (en) Dynamic load profiling
CN113034090B (zh) 运输设备调度方法、装置、电子设备和计算机可读介质
CN113259144B (zh) 一种仓储网络规划方法和装置
US20080235160A1 (en) Method and apparatus for joint pricing and resource allocation under service-level agreement
CN111044062B (zh) 路径规划、推荐方法和装置
CN113988720B (zh) 分流路径生成方法、装置、电子设备和计算机可读介质
CN113346938A (zh) 一种面向空天地一体化网络的边缘计算资源融合管理方法
CN112231085A (zh) 一种协同环境下基于时间感知的移动终端任务迁移方法
Nguyen et al. Sharing profit from joint offering of a group of wind power producers in day ahead markets
CN114565195B (zh) 本地局部反馈与云端全局优化结合的调配系统与方法
CN117113608A (zh) 一种冷链物流网络节点布局方法和设备
Choo et al. Reliable vehicle selection algorithm with dynamic mobility of vehicle in vehicular cloud system
CN114827152B (zh) 一种星地协同网络低延时云边端协同计算方法和装置
CN110198543B (zh) 网络资源规划方法、装置、计算机可读介质及电子设备
CN114553614B (zh) 带宽成本估算方法、装置、设备、介质和程序产品
US8797851B2 (en) Locating traffic reduction utilities in communication networks
CN110276539A (zh) 能源运输模型的建立方法及求解方法、装置
CN111897816A (zh) 卫星间计算信息的交互方法及其应用的信息表的生成方法
CN112836965B (zh) 压力调控方案的选取方法和装置
CN118137496B (zh) 一种配电网络负荷获取方法、系统及存储介质
CN114640675B (zh) 一种卸载策略确定方法、装置、电子设备及存储介质

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