CN114611830B - 一种基于多维度分区的医药配送车辆路径规划方法及装置 - Google Patents
一种基于多维度分区的医药配送车辆路径规划方法及装置 Download PDFInfo
- Publication number
- CN114611830B CN114611830B CN202210314782.0A CN202210314782A CN114611830B CN 114611830 B CN114611830 B CN 114611830B CN 202210314782 A CN202210314782 A CN 202210314782A CN 114611830 B CN114611830 B CN 114611830B
- Authority
- CN
- China
- Prior art keywords
- area
- point
- data
- medical
- distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 35
- 238000013439 planning Methods 0.000 title claims abstract description 13
- 238000005192 partition Methods 0.000 title claims description 4
- 239000003814 drug Substances 0.000 claims abstract description 12
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 238000004873 anchoring Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract description 4
- 229940126671 regional medicine Drugs 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 12
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多维度分区的医药配送车辆路径规划方法及装置,属于医药车辆领域。该方法包括以下步骤:构建一个以资源点为M原点,半径为r的圆形配送区域;其中半径r覆盖该资源点的最大服务范围;OpenStreetMap开源地图数据库中包含大量城市道路交通数据,利用GIS得到某个区域某个资源点的该区域的道路交通情况;计算区域医药客户点密度,重新得到一个优化后的配送区域D;对优化后的配送区域D进一步划分成若干个子区域,形成固定线路;考虑医药配送车辆在运行中的实时情况,构建目标函数;利用TSP临近插入算法求解,得到最优里程。本发明的方法时间快、优化效果好、当日送达。
Description
技术领域
本发明属于医药车辆领域,涉及一种基于多维度分区的医药配送车辆路径规划方法及装置。
背景技术
目前针对医药车辆路径研究问题大多采用启发式算法进行求解,常用的由遗传算法、蚁群算法、禁忌搜索算法等,启发式算法具有迭代时间较长或者优化效果不稳定的特点,被广泛应用于“当日下单,次日送到”的配送模式下,然而针对“当日购买,当日送达”的模式下医药车辆路径研究较少,因此故对于此问题需要进行深入研究。
专利号为CN201810597853.6的文件中公开了一种分区域多阶段生鲜农产品动态车辆路径优化方法,该方法包括获取数据;区域划分;时间段划分;新鲜度衰减函数设计,最小配送总成本数学模型;最小配送总成本数学模型算法设计;最小配送总成本数学模型求解。该技术的缺陷就是没有考虑算法的时效性,T+0“当日下单,当日送达”下,对算法速度要求极高,且系统算法健壮性较高。
现需要一种成本低、耗时短、准确高且稳定的当日送达医药车辆路径方法及装置。
发明内容
有鉴于此,本发明的目的在于提供一种基于多维度分区的医药配送车辆路径规划方法及装置。
为达到上述目的,本发明提供如下技术方案:
一种基于多维度分区的医药配送车辆路径规划方法,该方法包括以下步骤:
S1:选定某个城市某个区域内的某一资源点M;
S2:构建一个以资源点为M原点,半径为r的圆形配送区域;其中半径r覆盖该资源点的最大服务范围;
S3:Open StreetMap开源地图数据库中包含大量城市道路交通数据,利用GIS得到某个区域某个资源点的该区域的道路交通情况;
S4:调用地图API,将医药客户点在地图中可视化,得到该区域医药客户点的分布情况;
S5:利用由S4和S5得到的道路交通情况和客户点分布情况,计算该区域医药客户点密度,重新得到一个优化后的配送区域D;
S6:使用行政划分法或K-mean聚类对优化后的配送区域D进一步划分成若干个子区域,形成固定线路;
S7:考虑医药配送车辆在运行中的实时情况,包括车辆抛锚和交通拥堵等因素,构建目标函数;
S8:算法设计以及模型求解;利用TSP临近插入算法求解,得到最优里程。
可选的,所述S1中,资源点为仓库,利用层次分析法确定最终的仓库,在现有的仓库中选定一个最佳医药仓库;所述层次分析法为:将经济因素和非经济因素结合起来,确定各种因素的重要性因子和各个因素的权重比率,按重要程度计算各方案的场址重要性指标,以仓库重要性指标最高的方案作为最佳方案,具体包含以下几个步骤:
S11:建立层次结构模型
将决策的目标、决策准则和决策对象,按它们之间的相互关系分为最高层、中间层和最低层,绘出层次结构图;最高层是指决策的目的和要解决的问题;最低层是指决策时的备选方案;中间层是指考虑的因素和决策的准则;对于相邻的两层,称高层为目标层,低层为因素层;
S12:构建判断矩阵
在确定各层次各因素之间的权重时,不把所有因素放在一起比较,而是两两相互比较,对此时采用相对尺度,以减少性质不同的诸因素相互比较的困难;对于某一准则,对其下的各方案进行两两对比,并按其重要性程度评定等级;按两两比较结果构成的矩阵称作判断矩阵;
S13:权重计算
计算出权重值,如果需要计算权重,则首先计算特征向量值,SPSSAU提供特征向量指标;得到最大特征根值CI,用于一致性检验使用;
S14:一致性检验
使用一致性检验是否出现问题,一致性检验使用CR值进行分析,CR值小于0.1则说明通过一致性检验,反之则说明没有通过一致性检验。
可选的,所述S2中,从现成的医药仓库中选择一个医药仓库M,以其为坐标原点,半径为r的圆形配送区域;其中半径r值为设定的标准密度值,且覆盖该资源点的最大服务范围。
可选的,所述S3中,Open Street Map开源地图数据库中包含大量城市道路交通数据,结合ArcGIS Pro软件,得到某个区域某个资源点M的该区域的道路交通情况。
可选的,所述S4中,调用地图API,通过python程序将所有医药客户点在地图中可视化,即在地图中看到客户点的分布情况。
可选的,所述S5具体为:
S51:计算该区域某一街道医药客户点密度;
设该区域某街道一天的订单总量为Pa,该街道的辐射面积为Sa,计算该区域某一街道医药客户点密度:
S52:重复S51,计算该区域内街道医药客户点密度,当Ka>K时,定义该区域为高密度区域,K值为设定的标准密度值,选择配送;反之,则该街道选择不予配送;
S53:考虑S4和S5得到的道路交通情况和客户点分布密度情况,重复S52重新得到一个优化后的配送区域D。
可选的,所述S6具体为:
S61:配送区域划分;
方案1:在优化后的配送区域D内,若此区域内存在不同的行政区域且其刚好满D内扇形分布,则根据行政区划分直接将此区域进一步划分,分成若干个固定的扇形子区域;
方案2:在优化后的配送区域D内,若不存在若干个完整的扇形行政区,则利用K-means聚类算法对配送区域的进行划分;
所述K-means算法中,K表示类簇个数,means表示类簇内数据对象的均值,将各个聚类子集内的所有数据样本的均值作为该聚类的代表点,通过迭代过程把数据划分为不同的类别,使得评价聚类性能的准则函数达到最优;
K-means算法具体为:
(1)首先选取K个对象作为初始的聚类中心,得到使用的类的数量;
(2)然后计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心;距离的度量手段包括欧氏距离和曼哈顿距离;
设数据集X包含n个数据点,需要划分到K个类;类中心为用集合U表示;聚类后所有数据点到各自聚类中心的差的平方和为聚类平方和用J表示,聚类目标是使得J值最小化;J值为:
S62:构建配送线路
按照方案1或方案2划分得出的几个子区域,构建对应的线路,然后计算各个子区域内各个仓库和客户点之间的距离矩阵;
(3)聚类中心以及分配给它们的对象就代表一个聚类;全部对象都被分配时,每个聚类的聚类中心根据聚类中现有的对象被重新计算;对一组迭代重复这些步骤,然后选择最好结果的运行。
可选的,所述S7具体为:
S71:构建目标模型
式中仓库与所有接受服务的客户点集合N={0,1,……,n},i,j代表仓库或客户点,i,j∈N,i≠j;dij表示车辆由点i到点j的距离;xij为决策0-1变量,从点i到点j时为1,否则为0;
式(1)表示每个客户点都被服务且只被服务一次;
式(2)表示车辆从仓库出发,最后要回到仓库;
式(3)表示车容量约束;
式(4)表示消除子回路。
可选的,所述S8中,TSP最邻近插入算法为:
医药配送车辆从仓库开始,然后访问离起始点仓库最近的医药客户点;访问最近尚未访问的医药客户点,直到访问所有医药客户点,然后医药配送车辆返回到起点;在车辆开始配送前,利用TSP快速插入算法对所有某一时间节点前下单的客户点的行车路经进行算法优化,得出最优里程路径,在装车配送;
TSP最邻近插入算法的步骤如下:
S81:判断未被访问节点的集合是否为空,若为空则进入步骤S82,否则转至步骤S85;
S82:在现有的待指派的车辆中,选择容载量最大的一辆建立一条新配送路径,并以车辆的编号作为此路径的编号,路径的最大容量为车辆的容载量,找出距离仓库最近且未被访问的节点作为路径L的第一个节点,设为现节点,同时标记为已访问,并更新路径的容量;
S83:在未被访问的节点集合中搜寻线路L上距现节点二阶距离最小的节点,如果不会超出路径的容量和最大工作量限制,则将其加入当前路径并设为现节点,重复步骤S83,否则,转至步骤S84;
S84:若未访问节点中任意一个节点加入当前路径都会超出路径容量和工作量的限制,则保存当前路径,转步骤S81;
S85:对每条配送路径的加权工作量判断其是否满足|Wi-W0|≤ε;若不满足,则令W0=W0-Δ,所有节点设为未访问,转步骤S81,若满足,则结束;
最后模型求解:利用TSP快速插入算法跑出距离矩阵的结果,得出最佳路径。
基于所述方法的基于多维度分区的医药配送车辆路径规划装置,所述装置包括T+0当日送达数据库模块、数据处理模块、数据生成模块和数据储存更新模块;
数据处理模块包括接口对接,数据格式统一和线路划分指令;
该数据处理模块与T+0当日送达数据库模块连接;T+0代表当日下单,当日送达;
数据处理模块与数据生成模块对接;
数据生成模块与数据储存更新模块对接;
T+0当日送达数据库模块记录每一条线路的数据类别、车辆、客户点对应的线路归属和线路编号数据。
本发明的有益效果在于:本发明综合考虑影响医药车辆配送中的影响车辆路径的众多因素且结合OSM开源地图数据库,提供了一种时间快、优化效果好、当日送达,并符合实际情况的医药车辆路径优化方法。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明方法流程图;
图2为本发明固定线路流程图;
图3为本发明装置结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1:
如图1所示,为一种基于当日送达的多维度分区域医药配送车辆路径方法,包括以下步骤:
步骤1:选定某个城市某个区域内的某一资源点M;
步骤2:构建一个以资源点为M原点,半径为r的圆形配送区域。其中半径r要充分考虑该资源点的最大服务范围;
步骤3:Open Street Map开源地图数据库中包含大量城市道路交通数据,利用GIS可以得到某个区域某个资源点的该区域的道路交通情况;
步骤4:调用地图API,将医药客户点在地图中可视化,得到该区域医药客户点的分布情况。
步骤5:利用由S4、S5得到的道路交通情况和客户点分布情况,计算该区域医药客户点密度,重新得到一个优化后的配送区域D。
步骤6:使用行政划分法或K-mean聚类对优化后的配送区域D进一步划分成若干个子区域,形成固定线路。
步骤7:考虑医药配送车辆在运行中的实时情况,如车辆抛锚、交通拥堵等因素,构建目标函数;
步骤8:算法设计以及模型求解。利用TSP临近插入算法求解,得到一个最优里程。
例1步骤1~8全过程描述如下:
Step1;根据所述步骤1中描述,选取某医药公司仓库,由于该公司仓库只有2个,即利用运用层次分析法进行筛选。
(1)确定评价指标
用于仓库选址:
包括自然因素、社会因素、政策因素、基础设施和经济因素;
自然因素包括地质地形条件、气象条件和水文条件;
社会因素包括相关产业发展、服务水平和环境保护要求;
政策因素包括城市规划和产业扶持;
基础设施包括交通网络、公共设施和经管条件;
经济因素包括土地价格、物流费用和劳动力成本。
(2)确当权重
(2)结果分析
在进行单层次排序之后,可再对各项指标的总权重进行计算。在进行单层次排序之后,可再对各项指标的总权重进行计算,结果得到重庆普健医药有限公司仓库1、2的情况,最终确定仓库1为最后的选择结果。
Step2;根据所述步骤2描述,具体为:
选取某医药公司仓库1地址,以其为坐标原点,划定一个半径为50公里的圆形配送区域。
Step2;根据所述步骤3中描述,具体为:
Open Street Map开源地图数据库中包含大量城市道路交通数据,结合ArcGISPro软件,就可以得到某医药公司仓库该区域的道路交通情况。
Step3;根据权利要求1所述的一种多维度下的当日送达医药配送车辆路径方法,其特征在于:所述步骤4中,具体为:
调用高德地图API,通过python程序将所有医药客户点在地图中可视化,即在高德地图中可以清晰的看到客户点的分布情况。
Step4;根据步骤5中描述,具体为:
通过该公司历史订单数据,计算该区域所有街道医药客户点密度,充分考虑步骤4、5得到的道路交通情况和客户点分布密度情况,重新得到一个优化后的配送区域D。
Step5;根据步骤6中描述,具体为:
由于某医药公司仓库形成的优化后的配送区域D内,若此区域内存在不同的行政区域且其刚好满D内扇形分布,则根据行政区划分直接将此区域进一步划分,分成若干个固定的扇形子区域。
以某医药公司仓库地址为原点,50公里为半径构成的区域内,根据行政划分法分成区域一、区域二、区域三和区域四等线路。
Step6;根据步骤7中,具体为:
(1)求解构建的目标模型
式中仓库与所有接受服务的客户点集合N={0,1,……,n},i,j代表仓库或客户点,i,j∈N,i≠j;dij表示车辆由点i到点j的距离;xij为决策0-1变量,从点i到点j时为1,否则为0;
式(1)表示每个客户点都被服务且只被服务一次;
式(2)表示车辆从仓库出发,最后要回到仓库;
式(3)表示车容量约束;
式(4)表示消除子回路;
Step7;根据步骤8中,具体为:
医药配送车辆从仓库开始,然后访问离起始点仓库最近的医药客户点。从那里他再访问最近尚未访问的医药客户点等,直到访问了所有医药客户点,然后医药配送车辆返回到起点。在车辆开始配送前,利用TSP快速插入算法对所有某一时间节点前下单的客户点的行车路经进行算法优化,得出最优里程路径,在装车配送。
(1)算法实现代码(python)如下:
(2)得到每一条线路的最优里程结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于多维度分区的医药配送车辆路径规划方法,其特征在于:该方法包括以下步骤:
S1:选定某个城市某个区域内的某一资源点M;
S2:构建一个以资源点为M原点,半径为r的圆形配送区域;其中半径r覆盖该资源点的最大服务范围;
S3:Open Street Map开源地图数据库中包含大量城市道路交通数据,利用GIS得到某个区域某个资源点的该区域的道路交通情况;
S4:调用地图API,将医药客户点在地图中可视化,得到该区域医药客户点的分布情况;
S5:利用由S4和S5得到的道路交通情况和客户点分布情况,计算该区域医药客户点密度,重新得到一个优化后的配送区域D;
S6:使用行政划分法或K-mean聚类对优化后的配送区域D进一步划分成若干个子区域,形成固定线路;
S7:考虑医药配送车辆在运行中的实时情况,包括车辆抛锚和交通拥堵因素,构建目标函数;
S8:算法设计以及模型求解;利用TSP临近插入算法求解,得到最优里程;
所述S2中,从现成的医药仓库中选择一个医药仓库M,以其为坐标原点,半径为r的圆形配送区域;其中半径r值为设定的标准密度值,且覆盖该资源点的最大服务范围;
所述S5具体为:
S51:计算该区域某一街道医药客户点密度;
设该区域某街道一天的订单总量为Pa,该街道的辐射面积为Sa,计算该区域某一街道医药客户点密度:
S52:重复S51,计算该区域内街道医药客户点密度,当Ka>K时,定义该区域为高密度区域,K值为设定的标准密度值,选择配送;反之,则该街道选择不予配送;
S53:考虑S4和S5得到的道路交通情况和客户点分布密度情况,重复S52重新得到一个优化后的配送区域D;
所述S6具体为:
S61:配送区域划分;
方案1:在优化后的配送区域D内,若此区域内存在不同的行政区域且其刚好满D内扇形分布,则根据行政区划分直接将此区域进一步划分,分成若干个固定的扇形子区域;
方案2:在优化后的配送区域D内,若不存在若干个完整的扇形行政区,则利用K-means聚类算法对配送区域的进行划分;
所述K-means算法中,K表示类簇个数,means表示类簇内数据对象的均值,将各个聚类子集内的所有数据样本的均值作为该聚类的代表点,通过迭代过程把数据划分为不同的类别,使得评价聚类性能的准则函数达到最优;
K-means算法具体为:
(1)首先选取K个对象作为初始的聚类中心,得到使用的类的数量;
(2)然后计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心;距离的度量手段包括欧氏距离和曼哈顿距离;
设数据集X包含n个数据点,需要划分到K个类;类中心为用集合U表示;聚类后所有数据点到各自聚类中心的差的平方和为聚类平方和用J表示,聚类目标是使得J值最小化;J值为:
S62:构建配送线路
按照方案1或方案2划分得出的几个子区域,构建对应的线路,然后计算各个子区域内各个仓库和客户点之间的距离矩阵;
(3)聚类中心以及分配给它们的对象就代表一个聚类;全部对象都被分配时,每个聚类的聚类中心根据聚类中现有的对象被重新计算;对一组迭代重复这些步骤,然后选择最好结果的运行;
所述S7具体为:
S71:构建目标模型
式中仓库与所有接受服务的客户点集合N={0,1,……,n},i,j代表仓库或客户点,i,j∈N,i≠j;dij表示车辆由点i到点j的距离;xij为决策0-1变量,从点i到点j时为1,否则为0;
式(1)表示每个客户点都被服务且只被服务一次;
式(2)表示车辆从仓库出发,最后要回到仓库;
式(3)表示车容量约束;
式(4)表示消除子回路;
所述S8中,TSP最邻近插入算法为:
医药配送车辆从仓库开始,然后访问离起始点仓库最近的医药客户点;访问最近尚未访问的医药客户点,直到访问所有医药客户点,然后医药配送车辆返回到起点;在车辆开始配送前,利用TSP快速插入算法对所有某一时间节点前下单的客户点的行车路经进行算法优化,得出最优里程路径,在装车配送;
TSP最邻近插入算法的步骤如下:
S81:判断未被访问节点的集合是否为空,若为空则进入步骤S82,否则转至步骤S85;
S82:在现有的待指派的车辆中,选择容载量最大的一辆建立一条新配送路径,并以车辆的编号作为此路径的编号,路径的最大容量为车辆的容载量,找出距离仓库最近且未被访问的节点作为路径L的第一个节点,设为现节点,同时标记为已访问,并更新路径的容量;
S83:在未被访问的节点集合中搜寻线路L上距现节点二阶距离最小的节点,如果不会超出路径的容量和最大工作量限制,则将其加入当前路径并设为现节点,重复步骤S83,否则,转至步骤S84;
S84:若未访问节点中任意一个节点加入当前路径都会超出路径容量和工作量的限制,则保存当前路径,转步骤S81;
S85:对每条配送路径的加权工作量判断其是否满足|Wi-W0|≤ε;若不满足,则令W0=W0-Δ,所有节点设为未访问,转步骤S81,若满足,则结束;
最后模型求解:利用TSP快速插入算法跑出距离矩阵的结果,得出最佳路径。
2.根据权利要求1所述的一种基于多维度分区的医药配送车辆路径规划方法,其特征在于:所述S1中,资源点为仓库,利用层次分析法确定最终的仓库,在现有的仓库中选定一个最佳医药仓库;所述层次分析法为:将经济因素和非经济因素结合起来,确定各种因素的重要性因子和各个因素的权重比率,按重要程度计算各方案的场址重要性指标,以仓库重要性指标最高的方案作为最佳方案,具体包含以下几个步骤:
S11:建立层次结构模型
将决策的目标、决策准则和决策对象,按它们之间的相互关系分为最高层、中间层和最低层,绘出层次结构图;最高层是指决策的目的和要解决的问题;最低层是指决策时的备选方案;中间层是指考虑的因素和决策的准则;对于相邻的两层,称高层为目标层,低层为因素层;
S12:构建判断矩阵
在确定各层次各因素之间的权重时,不把所有因素放在一起比较,而是两两相互比较,对此时采用相对尺度,以减少性质不同的诸因素相互比较的困难;对于某一准则,对其下的各方案进行两两对比,并按其重要性程度评定等级;按两两比较结果构成的矩阵称作判断矩阵;
S13:权重计算
计算出权重值,如果需要计算权重,则首先计算特征向量值,SPSSAU提供特征向量指标;得到最大特征根值CI,用于一致性检验使用;
S14:一致性检验
使用一致性检验是否出现问题,一致性检验使用CR值进行分析,CR值小于0.1则说明通过一致性检验,反之则说明没有通过一致性检验。
3.根据权利要求1所述的一种基于多维度分区的医药配送车辆路径规划方法,其特征在于:所述S3中,Open Street Map开源地图数据库中包含大量城市道路交通数据,结合ArcGIS Pro软件,得到某个区域某个资源点M的该区域的道路交通情况。
4.根据权利要求3所述的一种基于多维度分区的医药配送车辆路径规划方法,其特征在于:所述S4中,调用地图API,通过python程序将所有医药客户点在地图中可视化,即在地图中看到客户点的分布情况。
5.基于权利要求1~4中任一项所述方法的基于多维度分区的医药配送车辆路径规划装置,其特征在于:所述装置包括T+0当日送达数据库模块、数据处理模块、数据生成模块和数据储存更新模块;
数据处理模块包括接口对接,数据格式统一和线路划分指令;
该数据处理模块与T+0当日送达数据库模块连接;T+0代表当日下单,当日送达;
数据处理模块与数据生成模块对接;
数据生成模块与数据储存更新模块对接;
T+0当日送达数据库模块记录每一条线路的数据类别、车辆、客户点对应的线路归属和线路编号数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314782.0A CN114611830B (zh) | 2022-03-28 | 2022-03-28 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314782.0A CN114611830B (zh) | 2022-03-28 | 2022-03-28 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611830A CN114611830A (zh) | 2022-06-10 |
CN114611830B true CN114611830B (zh) | 2024-05-28 |
Family
ID=81867463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210314782.0A Active CN114611830B (zh) | 2022-03-28 | 2022-03-28 | 一种基于多维度分区的医药配送车辆路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611830B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495859B (zh) * | 2022-09-19 | 2023-11-03 | 上海交通大学 | 一种基于遗传算法的仓网规划方法 |
CN117933870B (zh) * | 2024-03-22 | 2024-05-24 | 南开大学 | 基于时变拥堵和停车等待的城市配送车辆路径优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110052054A (ko) * | 2009-11-12 | 2011-05-18 | 부산대학교 산학협력단 | 운송 물류 네트워크 관리 시스템 및 그 방법 |
CN102136104A (zh) * | 2011-03-22 | 2011-07-27 | 西安电子科技大学 | 基于负载均衡和lk算法的车辆路径规划方法 |
CN110472792A (zh) * | 2019-08-16 | 2019-11-19 | 河南大学 | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 |
CN112417604A (zh) * | 2020-12-04 | 2021-02-26 | 安徽大学 | 一种基于多目标优化的电动汽车配送任务自适应分配方法 |
CN112766614A (zh) * | 2021-03-05 | 2021-05-07 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
KR102353584B1 (ko) * | 2021-04-25 | 2022-01-21 | 주식회사 큐링크 | 입시 컨설팅 자동 관리 시스템 |
-
2022
- 2022-03-28 CN CN202210314782.0A patent/CN114611830B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110052054A (ko) * | 2009-11-12 | 2011-05-18 | 부산대학교 산학협력단 | 운송 물류 네트워크 관리 시스템 및 그 방법 |
CN102136104A (zh) * | 2011-03-22 | 2011-07-27 | 西安电子科技大学 | 基于负载均衡和lk算法的车辆路径规划方法 |
CN110472792A (zh) * | 2019-08-16 | 2019-11-19 | 河南大学 | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 |
CN112417604A (zh) * | 2020-12-04 | 2021-02-26 | 安徽大学 | 一种基于多目标优化的电动汽车配送任务自适应分配方法 |
CN112766614A (zh) * | 2021-03-05 | 2021-05-07 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
KR102353584B1 (ko) * | 2021-04-25 | 2022-01-21 | 주식회사 큐링크 | 입시 컨설팅 자동 관리 시스템 |
Non-Patent Citations (2)
Title |
---|
A Constrained K-Means and Nearest Neighbor Approach for Route Optimization in the Bale Collection Problem;David S. Zamar;《IFAC-Papers OnLine》;20171018;第50卷(第1期);12125-12130 * |
自适应遗传灰狼优化算法求解带容量约束的车辆路径问题;黄戈文;电子学报;20191215;第47卷(第12期);2602-2610 * |
Also Published As
Publication number | Publication date |
---|---|
CN114611830A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114611830B (zh) | 一种基于多维度分区的医药配送车辆路径规划方法及装置 | |
US7953548B2 (en) | Location-based information determination | |
Indriasari et al. | Maximal service area problem for optimal siting of emergency facilities | |
CN114372117A (zh) | 一种复杂交通网络的多尺度聚集模式分析方法 | |
Packalen et al. | Combining spatial and economic criteria in tree-level harvest planning | |
CN113240175B (zh) | 配送路线的生成方法、设备、存储介质和程序产品 | |
CN104933474B (zh) | 危险化学品运输的模糊双层优化方法 | |
CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
Yang et al. | A novel urban emergency path planning method based on vector grid map | |
Karimi et al. | Developing a methodology for modelling land use change in space and time | |
CN110503463B (zh) | 一种基于连锁业态的门店选址规划方法 | |
CN112966862A (zh) | 一种基于机器学习算法的短期定量降水预报方法 | |
CN112527935A (zh) | 一种基于Voronoi图的加油站选址分析系统 | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Shao-hong et al. | Location algorithm of transfer stations based on density peak and outlier detection | |
CN115907238A (zh) | 基于改进猎食者优化算法的多目标应急物资中心选址方法 | |
CN116777230A (zh) | 基于gis空间分析技术的变电站选址区域智能划分方法 | |
Jinyu et al. | Locating control stations for mobile monitoring of overloaded trucks on rural highways | |
Wicaksono | Priority Modeling for Public Urban Park Development in Feasible Locations Using GIS, Intuitionistic Fuzzy AHP, and Fuzzy TOPSIS | |
Bijandi et al. | Reallocation model in land consolidation using multi‐objective particle swarm optimization dealing with landowners' rights | |
Fletterman | Designing multimodal public transport networks using metaheuristics | |
Bayram et al. | An application of routing location and allocation model for drinking water distribution | |
CN112380460A (zh) | 一种基于近似算法的最短路径查询方法和系统 | |
Trubint | A GIS application to explore postal retail outlet locations | |
Gao et al. | MOOP: An efficient utility-rich route planning framework over two-fold time-dependent road networks |
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 |