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 PDFInfo
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013433 optimization analysis Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 28
- 238000002156 mixing Methods 0.000 claims description 7
- 230000007175 bidirectional communication Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006854 communication Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
-
- 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
Description
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,每个本地车载终端具有
当前运行路径,其中本地车载终端当前运行路径为;每个本地车载终端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:
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:
其中,表示第n次迭代时运行路径的位置向量,n表示迭代次数,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,和为均表示系数
向量,为元素运算方式符号,当存在最优解时,为需要不断更新,D为运行路径和解之间
的距离,表示车载终端迭代到第r次时的位置,表示车载终端的位置均值,而系
数向量的计算公式为:
其中,和为均表示系数向量,u为控制参数,通常在迭代过程中,由2线性降低到
0线性,为集合中的一个随机向量,其取值为∈[0,1],利用减小控制参数u的值,减小
随机变量,即将随机变量的范围从[-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:
其中,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,表示第一次车载终端原始位置,表示车载终
端迭代到第r次时的位置,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。
若本地车载终端调整后的运行路径与本地车载终端调整前的运行路径
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:
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:
若本地车载终端调整后的运行路径与本地车载终端调整前的运行路径
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,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。
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。
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:
其中,表示第n次迭代时运行路径的位置向量,n表示迭代次数,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,和为均表示系数
向量,为元素运算方式符号,当存在最优解时,为需要不断更新,D为运行路径和解之间
的距离,表示车载终端迭代到第r次时的位置,表示车载终端的位置均值,而系
数向量的计算公式为:
其中,和为均表示系数向量,u为控制参数,通常在迭代过程中,由2线性降低到
0线性,为集合中的一个随机向量,其取值为∈[0,1],利用减小控制参数u的值,减小
随机变量,即将随机变量的范围从[-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:
其中,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,表示第一次车载终端原始位置,表示车载终
端迭代到第r次时的位置,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。
若本地车载终端调整后的运行路径与本地车载终端调整前的运行路径
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:
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:
若本地车载终端调整后的运行路径与本地车载终端调整前的运行路径
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)
其特征在于,所述方法包括:
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:
其中,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,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,和为均表示系数
向量,为元素运算方式符号,当存在最优解时,为需要不断更新,D为运行路径和解之间
的距离,表示车载终端迭代到第r次时的位置,表示车载终端的位置均值,而系
数向量的计算公式为:
其中,和为均表示系数向量,u为控制参数,通常在迭代过程中,由2线性降低到0线
性,为集合中的一个随机向量,其取值为∈[0,1],利用减小控制参数u的值,减小随机
变量,即将随机变量的范围从[-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:
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。
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:
其中,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,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,和为均表示系数
向量,为元素运算方式符号,当存在最优解时,为需要不断更新,D为运行路径和解之间
的距离,表示车载终端迭代到第r次时的位置,表示车载终端的位置均值,而系
数向量的计算公式为:
其中,和为均表示系数向量,u为控制参数,通常在迭代过程中,由2线性降低到0线
性,为集合中的一个随机向量,其取值为∈[0,1],利用减小控制参数u的值,减小随机
变量,即将随机变量的范围从[-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:
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。
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)
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 |
-
2022
- 2022-04-27 CN CN202210449383.5A patent/CN114565195B/zh active Active
Patent Citations (8)
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 |