CN115081788A - 一种物流调度方法 - Google Patents

一种物流调度方法 Download PDF

Info

Publication number
CN115081788A
CN115081788A CN202210280197.3A CN202210280197A CN115081788A CN 115081788 A CN115081788 A CN 115081788A CN 202210280197 A CN202210280197 A CN 202210280197A CN 115081788 A CN115081788 A CN 115081788A
Authority
CN
China
Prior art keywords
distribution
material transfer
point
points
delivery
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
Application number
CN202210280197.3A
Other languages
English (en)
Inventor
叶昊
易超
葛程捷
南江龙
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.)
Hangzhou Yuanlai Technology Co.,Ltd.
Original Assignee
Shanghai Yuanlai Technology 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 Shanghai Yuanlai Technology Co ltd filed Critical Shanghai Yuanlai Technology Co ltd
Priority to CN202210280197.3A priority Critical patent/CN115081788A/zh
Publication of CN115081788A publication Critical patent/CN115081788A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (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)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物流调度方法，通过物资中转能力量化方法量化比较候选物资中转点的物资中转能力，从而确定物资中转点地址，然后通过群体迭代智能优化算法获取最佳的待配送区域内配送点的配送序列。本发明可以应用到突发公共卫生事件地区，在配送过程中，引入配送质量指标来不断调整配送序列，进而优化配送路径，提高配送速度，节约物流资源。

Description

一种物流调度方法
技术领域
本发明涉及物流配送技术领域，具体涉及一种物流调度方法。
背景技术
近年来，虽然随着我国的物联网技术与通讯技术不断革新，许多自然灾害逐步可以预防和控制，但一些公共卫生灾害仍然不可避免且发生的频率较高。由于社会经济体量的巨大与电子商务的成熟，物流的重要性与日俱增。更是明显，不论是医用物资还是生活生产物资都需要依靠物流完成，保障待配送地区居民正常生活，保障医生生命安全，保障抗疫速度，为治病抗疫提供可靠的后勤保障。针对不同行业的到仓服务、仓配服务、逆向服务等一站式全链条提供解决方案，在应对突发物流需求时，预测、采购、生产、物流、交付全链条都能快速提出供应链解决方案。
应急物流具有突发性、弱经济性、时效性等特点，大多数情况下通过物流效率实现其物流效益，这就要求应急物流系统必须在有限的时间、空间和资源约束下尽量满足受灾点的需求。已有研究表明：假设受灾点的需求量较小，只需要一个应急物流中心负责配送，且多以巡回配送的方式进行，但是，在实际援助过程中，受灾点的需求量可能很大，且不同物资的供应量的时空分布通常不均匀。
现有的应急物流系统对于物流中心的选址、规划等方面明显考虑不足，物流中心通常固定设立，无法考虑供需和路网动态变化，在进行物资配送时，常常因距离、路况等因素增加了配送时间，对于灾区的需求信息考虑不到位，无法及时按需进行物资配送，造成救援人员和灾民的双重困难。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
发明要解决的技术问题：
本发明的目的在于解决上述问题，提供了一种物流调度方法，根据待配送地区信息指标量化比较各候选物资中转点的物资中转能力，基于群体迭代智能优化算法快速确定配送点序列，提高了配送效率，避免了物资匮乏的的紧急情况。
本发明提供一种物流调度方法，包括以下步骤：
获取待配送地区信息指标；
基于所述待配送地区信息指标建立物资中转点；
基于群体迭代智能优化算法，确定配送点配送序列；
根据配送质量指标，优化配送路径。
根据本发明的物流调度方法的一实施例，所述待配送地区信息指标包括区位条件指标和物流运营指标，通过物资中转能力量化方法确定所述物资中转点，包括以下步骤：
基于待配送地区信息指标，选取候选物资中转点；
计算各候选物资中转点的物资中转能力系数Ptc；
比较各候选物资中转点的物资中转能力系数Ptc，确定物资中转点。根据本发明的物流调度方法的一实施例，所述物资中转能力量化方法引入动态权重系数量化比较所述候选物资中转点，包括以下步骤：
使用加权平衡公式计算动态权重系数；其中，所述动态权重系数表示所述区位条件指标在所述物资中转能力所占权重；
将所述动态权重系数引入物资中转能力系数计算公式，通过所述物资中转能力系数计算公式计算各候选物资中转点的物资中转能力系数Ptc；
比较各候选物资中转点的物资中转能力系数Ptc，确定物资中转点。
根据本发明的物流调度方法的一实施例，所述区位条件指标包括待配送地区物流中心个数ρ1、公路路网密度ρ2、人口密度ρ3，通过下列加权平衡公式，分别计算物流中心个数ρ1、公路路网密度ρ2、人口密度ρ3对应的动态权重系数μ1、μ2、μ3：
Figure BDA0003556541290000031
Figure BDA0003556541290000032
Figure BDA0003556541290000033
；其中，动态权重系数μ1为物流中心个数ρ1在所述物资中转能力所占权重，动态权重系数μ2为公路路网密度ρ2在所述物资中转能力所占权重，动态权重系数μ3为人口密度ρ3在所述物资中转能力所占权重。根据本发明的物流调度方法的一实施例，所述物流运营指标包括候选物资中转点仓储容量QS、配送点物资需求量QIm和不同风险级别的防疫成本系数CS1、CS2、CS3；其中，S表示候选物资中转点集合，R表示外界物资聚集点集合，I表示待配送地区内部配送点集合，m表示需求物资种类，通过下列物资中转能力系数计算公式，分别计算各候选物资中转点L的物资中转能力系数Ptc：
Figure BDA0003556541290000034
；其中，dSR表示各个候选物资中转点到各个外界物资聚集点的距离；
Figure BDA0003556541290000035
分别表示各个候选物资中转点到不同风险级别的待配送地区内部配送点的距离；
M表示物资种类集合。
根据本发明的物流调度方法的一实施例，将选取的物资中转点作为初始的搜索代理，并将距离物资中转能力系数Ptc最高的搜索代理最近的配给点作为初始的配给点，基于群体迭代智能优化算法迭代配送点，确定所述待配送地区的配送点配送序列。
根据本发明的物流调度方法的一实施例，所述群体迭代智能优化算法为 Hunter算法，通过Hunter算法确定配送点配送序列，包括以下步骤：
步骤T1：比较候选物资中转点的物资中转能力系数Ptc的大小，选择物资中转能力系数Ptc最高的三个最优解
Figure BDA0003556541290000041
和
Figure BDA0003556541290000042
作为本轮迭代的搜索代理，并将距离搜索代理
Figure BDA0003556541290000043
最近的配送点作为本轮迭代配送点
Figure BDA0003556541290000044
步骤T2：基于本轮迭代配送点
Figure BDA0003556541290000045
计算下一轮迭代配送点
Figure BDA0003556541290000046
计算公式如下：
Figure BDA0003556541290000047
；其中，μ1、μ2和μ3作为影响因素，分别为
Figure BDA0003556541290000048
和
Figure BDA0003556541290000049
提供加权；
步骤T3：计算搜索代理
Figure BDA00035565412900000410
和
Figure BDA00035565412900000411
的迭代控制参数；其中，搜索代理
Figure BDA00035565412900000412
的迭代控制参数为
Figure BDA00035565412900000413
和
Figure BDA00035565412900000414
搜索代理
Figure BDA00035565412900000415
的迭代控制参数为
Figure BDA00035565412900000416
和
Figure BDA00035565412900000417
搜索代理
Figure BDA00035565412900000418
的迭代控制参数为
Figure BDA00035565412900000419
和
Figure BDA00035565412900000420
计算公式如下：
Figure BDA00035565412900000421
Figure BDA00035565412900000422
Figure BDA00035565412900000423
；其中，
Figure BDA00035565412900000424
和
Figure BDA00035565412900000425
为预设控制范围内的随机向量，
Figure BDA00035565412900000426
为基于迭代次数的随机参数；
步骤T4：基于随机向量
Figure BDA00035565412900000427
随机参数
Figure BDA00035565412900000428
和迭代控制参数，通过下列公式计算搜索代理
Figure BDA00035565412900000429
和
Figure BDA00035565412900000430
的更新最佳位置代理
Figure BDA00035565412900000431
和
Figure BDA00035565412900000432
Figure BDA00035565412900000433
；其中，D1、D2、D3分别表示搜索代理
Figure BDA00035565412900000434
和
Figure BDA00035565412900000435
到下一轮配送点
Figure BDA00035565412900000436
的距离；
步骤T5：将更新最佳位置代理
Figure BDA00035565412900000437
和
Figure BDA00035565412900000438
作为新的搜索代理
Figure BDA00035565412900000439
和
Figure BDA00035565412900000440
执行步骤1进入下一轮迭代，直到遍历所有配送点，确定配送点配送序列。
根据本发明的物流调度方法的一实施例，所述基于迭代次数的随机参数
Figure BDA00035565412900000441
通过随机参数优化公式进行优化，计算公式如下：
Figure BDA00035565412900000442
；其中，past_inte表示本轮迭代次数，Max_inte表示最大迭代次数。
根据本发明的物流调度方法的一实施例，所述配送质量指标包括配送质量自变指标和配送质量因变指标；其中，所述配送质量自变指标包括各配送路径服务时间TSr和对应的路线长度rij，所述配送质量因变指标包括物资满足度Q 和路线直达性F。
根据本发明的物流调度方法的一实施例，定义配送路径路线总服务时间为 TS，所述配送路径总服务时间TS用于评价配送路径的运输时间成本，包括以下步骤：
步骤C1：计算待配送区域内各配送点之间的配送路径服务时间TSr，计算公式如下：
TSr＝ΔT(Ii，Ij)+hI
；其中，I表示待配送地区内部配送点集合，i，j分别为配送路径起点和终点，ΔT(Ii，Ij)则为配送点i与j之间的预估运输时间，hI则表示配送点停靠时间，r为本路线涉及配送点个数；
步骤C2：整合各配送路径服务时间TSr，获取配送路径总服务时间TS，计算公式如下：
Figure BDA0003556541290000051
；其中，CpE为运输车辆当前实际负载量，CpK为运输车辆最大容量，r表示各运输路径，R表示运输路径集合。
根据本发明的物流调度方法的一实施例，通过计算配送点之间运输路径的预估平均速度V′ij预估所述待配送地区的运输路线速度和运输时间；其中，
配送点i和j之间的预估平均速度V′ij计算公式如下：
Figure BDA0003556541290000052
配送点i和j之间的预估运输时间ΔT(Ii，Ij)计算公式如下：
Figure BDA0003556541290000053
其中，Vij表示配送点i和j之间车辆正常行驶速度，k表示配送车辆数量，n 表示配送点数量，dij表示配送点i和j之间的距离。
根据本发明的物流调度方法的一实施例，根据所述物资满足度Q和所述路线直达性F计算各运输路径的因变运输质量，所述因变运输质量用于在运输过程中评估运输路线质量，包括以下步骤：
步骤D1：分别通过物资矩阵和直达矩阵计算各运输路线的物资满足度Q 和路线直达性F，计算公式如下：
Figure BDA0003556541290000061
Figure BDA0003556541290000062
Figure BDA0003556541290000063
，i，j∈I；其中，QLm表示各个配给点的物资需求量，L∈I；m表示需求物资种类集合；Fij表示配给点i与配给点j之间直达路径距离，n为配给点个数；PerLm指的是每一趟物流配送到达任一配给点以后，任一种物资到位率组成的列向量；
步骤D2：根据物资满足度Q和路线直达性F，计算各运输路经的因变运输质量Quality，计算公式如下：
Figure BDA0003556541290000064
；其中，R表示外界物资采集点集合，T为转置符号。
根据本发明的物流调度方法的一实施例，所述配送质量因变指标还包括疫情传播风险概率fr，计算公式如下：
Figure BDA0003556541290000065
Figure BDA0003556541290000066
；其中hj是配送点j停靠时间，CSj表示配给点j所处地区风险级别；当fr＞1时，则抛弃对应的配送点之间的配送路径，重新确定配送点配送序列。
本发明对比现有技术有如下的有益效果：本发明根据待配送地区的区位信息和物流信息确认候选物资中转点，然后通过物资中转能力量化方法量化比较候选物资中转点的物资中转能力，从而确定合理高效的物资中转点地址，节约了配送资源，提高了配送时间。此外，本发明通过群体迭代智能优化算法获取最佳的待配送区域内配送点的配送序列，在配送过程中，还引入配送质量指标来不断调整配送序列，优化配送路径，按需进行物资配送，大大提高了配送效率。在进行调度优化和路径规划时，设置了多种合理直观的计算公式来计算物资中转能力和各配送路径运输质量等抽象概念的数值。同时，本发明还设置了多个控制参数和平衡参数，控制了计算过程中误差与取值，使得计算效率更高，可以应对待配送地区的需求动态变化。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1是示出本发明的物流调度方法一实施例的流程图。
图2是示出本发明的基于群体迭代智能优化算法确定配送点配送序列一实施例的流程图。
图3是示出本发明的调度优化与路径规划方法一实施例的流程图。
图4是示出本发明的预估运输路线速度一实施例的预估速度损失函数趋势图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
在此公开一种物流调度方法的一实施例，图1示出了该物流调度方法的流程图。如图1所示，本实施例中的物流调度方法可以包括：
S1：获取待配送地区信息指标。
S2：基于所述待配送地区信息指标建立物资中转点。
具体的，本实施形态中，待配送地区信息指标包括区位条件指标和物流运营指标。根据区位条件指标和物流运营指标，先选取一些候选物资中转点，然后分别计算各候选物资中转点的物资中转能力系数Ptc，通过比较各候选物资中转点的物资中转能力系数Ptc，根据需求选取中转能力系数Ptc最高的几个候选物资中转点作为最终的物资中转点。
进一步地，本实施形态中，物资中转能力量化方法还引入动态权重系数来比较各候选物资中转点，包括以下步骤：
S21：使用加权平衡公式计算动态权重系数；其中，动态权重系数用于表示不同的区位条件指标在物资中转能力所占权重。
具体地，区位条件指标包括待配送地区周边的物流中心个数ρ1、公路路网密度ρ2(单位：km/km2)、人口密度ρ3(单位：千人/km2)，通过下列加权平衡公式，分别计算物流中心个数ρ1、公路路网密度ρ2、人口密度ρ3对应的动态权重系数μ1、μ2、μ3：
Figure BDA0003556541290000081
Figure BDA0003556541290000082
Figure BDA0003556541290000083
。其中，动态权重系数μ1表示物流中心个数ρ1在物资中转能力所占权重，动态权重系数μ2表示公路路网密度ρ2在物资中转能力所占权重，动态权重系数μ3表示人口密度ρ3在所述物资中转能力所占权重。
在实际应用中，国内主要城市的物流中心个数ρ1个数在1-5个，公路路网密度ρ2大多在4-6km/km2之间，例如南京和背景为5.6，广州为7.1。这些区位条件指标可以充分反映待配送地区的区位条件和物流运营特点，且数量级相近，便于计算出可以客观反映各区位条件指标在整体考量物资中转能力所占的权重，从而更直观、更客观且更全面地反映出各候选物资中转点的物资中转能力。
S22：将计算得到动态权重系数引入到物资中转能力系数计算公式，结合物流运营指标来计算各候选物资中转点的物资中转能力系数Ptc。
具体地，物流运营指标包括候选物资中转点仓储容量QS、配送点物资需求量QIm和不同风险级别的防疫成本系数CS1、CS2、CS3。其中，CS1表示低风险， CS2表示中风险，CS3表示高风险，通过下列公式计算各候选物资中转点L的物资中转能力系数Ptc：
Figure BDA0003556541290000091
其中，S表示候选物资中转点集合，R表示外界物资聚集点集合，I表示待配送地区内部配送点集合，m表示需求物资种类，dSR表示各个候选物资中转点到各个外界物资聚集点的距离；
Figure BDA0003556541290000097
分别表示各个候选物资中转点到不同风险级别的待配送地区内部配送点的距离；，M表示物资候选点集合。配送点物资需求量QIm指的是各个配送点各种物资的需求量，防疫成本系数CS1、 CS2、CS3则是指运往不同风险级别的地区单位距离的防疫成本系数。根据近期公路运输行情，可以设CS1＝1.3、CS2＝1.4、CS3＝1.5，将其带入到上述的物资中转能力系数计算公式来计算各候选物资中转点的物资中转能力系数Ptc。
S23：比较各候选物资中抓点的物资中转能力系数Ptc，根据物流需求选取几个Ptc最高的最优解作为物资中转点。
本实施例中，选取物资中转能力系数Ptc最高的三个最优解
Figure BDA0003556541290000092
和
Figure BDA0003556541290000093
作为物资中转点，利用群体迭代智能优化算法将待配送区域内的配送点进行分级处理，从而获得最佳的配送点配送序列。
S3：基于群体迭代智能优化算法，确定配送点配送序列。
本实施例中，使用Hunter算法作为群体迭代智能优化算法，通过Hunter 算法来确定配送点配送序列。具体地，将最优解
Figure BDA0003556541290000094
和
Figure BDA0003556541290000095
作为初始的搜索代理或狩猎者，根据这三个物资中转点的中转能力系数Ptc的排名分为不同级别的狩猎者，并以距离中转能力系数Ptc最高的搜索代理
Figure BDA0003556541290000096
最近的配送点作为初始的配送点，在优先考虑高级别狩猎者的影响力的情况下，通过每一轮迭代得出一个配送需求最紧急且能更快满足其需求的猎物，即待配送区域内的配送点，最后获得一个最佳的配送点配送序列。
图2示出了本发明的基于Hunter算法确定配送点配送序列一实施例的流程图，请参见图2，下面是对基于Hunter算法确定配送点配送序列各个步骤的详细描述。
步骤T1：比较候选物资中转点的物资中转能力系数Ptc的大小，选择物资中转能力系数Ptc最高的三个最优解
Figure BDA0003556541290000101
和
Figure BDA0003556541290000102
作为本轮迭代的搜索代理，并将距离搜索代理
Figure BDA0003556541290000103
最近的配送点作为本轮迭代配送点
Figure BDA0003556541290000104
步骤T2：基于本轮迭代配送点
Figure BDA0003556541290000105
计算下一轮迭代配送点
Figure BDA0003556541290000106
计算公式如下：
Figure BDA0003556541290000107
；其中，μ1、μ2和μ3在此处作为影响因素，分别为
Figure BDA0003556541290000108
和
Figure BDA0003556541290000109
提供加权。
步骤T3：计算搜索代理
Figure BDA00035565412900001010
和
Figure BDA00035565412900001011
的迭代控制参数；其中，搜索代理
Figure BDA00035565412900001012
的迭代控制参数为
Figure BDA00035565412900001016
和
Figure BDA00035565412900001017
搜索代理
Figure BDA00035565412900001018
的迭代控制参数为
Figure BDA00035565412900001019
和
Figure BDA00035565412900001020
搜索代理
Figure BDA00035565412900001021
的迭代控制参数为
Figure BDA00035565412900001022
和
Figure BDA00035565412900001023
计算公式如下：
Figure BDA00035565412900001013
Figure BDA00035565412900001014
Figure BDA00035565412900001015
；其中，
Figure BDA00035565412900001024
和
Figure BDA00035565412900001025
为预设控制范围内的随机向量，
Figure BDA00035565412900001026
为基于迭代次数的随机参数。 eiwt应用欧拉公式有eiwt＝coswt+isinwt，其物理意义就是对振动的形态的描述。
具体地，控制参数
Figure BDA00035565412900001027
和
Figure BDA00035565412900001041
用于为抽象搜索空间的探索和开发提供平衡。
Figure BDA00035565412900001043
的值在
Figure BDA00035565412900001028
之间，
Figure BDA00035565412900001042
的值在
Figure BDA00035565412900001029
之间，
Figure BDA00035565412900001030
和
Figure BDA00035565412900001031
的取值范围则是[0，1]。
Figure BDA00035565412900001032
则是一个与迭代次数有关的随机参数，随着不断迭代，也就是不断有配给点被遍历而更新，通关该参数可以削弱控制参数
Figure BDA00035565412900001033
和
Figure BDA00035565412900001034
对搜索代理更新的影响。
步骤T4：基于随机向量
Figure BDA00035565412900001035
随机参数
Figure BDA00035565412900001036
和迭代控制参数，通过下列公式计算搜索代理
Figure BDA00035565412900001038
和
Figure BDA00035565412900001037
的更新最佳位置代理
Figure BDA00035565412900001039
和
Figure BDA00035565412900001040
Figure BDA0003556541290000111
；其中，D1、D2、D3分别表示搜索代理
Figure BDA0003556541290000113
和
Figure BDA0003556541290000114
到下一轮配送点
Figure BDA0003556541290000115
的距离。
步骤T5：将更新最佳位置代理
Figure BDA0003556541290000116
和
Figure BDA0003556541290000117
作为新的搜索代理
Figure BDA0003556541290000118
和
Figure BDA0003556541290000119
并执行步骤1进入下一轮迭代，直到遍历所有配送点，确定配送点配送序列。
本实施形态中，述群体迭代智能优化算法还引入随机参数优化公式来优化基于迭代次数的随机参数
Figure BDA00035565412900001110
计算公式如下：
Figure BDA0003556541290000112
；其中，past_inte表示本轮迭代次数，Max_inte表示最大迭代次数。
具体地，在数学模型中，随机参数
Figure BDA00035565412900001111
的模在迭代过程中为从“sin1”到“1”，再到“0”呈指数级先增后减的趋势。该向量的初始70％值缓慢下降，可以对寻址空间中相对有效的部分进行更细致搜索。
S4：根据配送质量指标，优化配送路径。
本实施例中，在根据确定好的配送点配送序列进行物流配送过程中，还引入各配送路径的配送质量指标来判断该配送路径的风险概率是否过高。图3是本发明的调度优化与路径规划方法一实施例的流程图，请参见图3，下面是对调度优化与路径规划方法各个步骤的详细描述。
如图3所示，在进行调度优化与路径规划时，首先通过量化比较各候选物资中转点的物资中转能力系数Ptc，确定作为物资中转点的三个最优解
Figure BDA00035565412900001112
和
Figure BDA00035565412900001113
将这三个最优解作为初始的搜索代理，通过hunter算法得到最佳的配送点配送序列，具体过程不再赘述。配送点配送序列确定好以后，开始进行物资配送。在配送的过程中，综合考虑配送质量指标来判断各配送路径的风险概率是否过高。若该配送路径风险过高，则配送质量过低，需要重新评估和重新寻址。
具体地，配送质量指标包括配送质量自变指标和配送质量因变指标。其中，配送质量自变指标包括各配送路径服务时间TSr和对应的路线长度rij，配送质量因变指标包括物资满足度Q和路线直达性F。
本实施形态中，定义配送路径路线总服务时间为TS，通过配送路径总服务时间TS用于评价配送路径的运输时间成本，包括以下步骤：
步骤C1：计算待配送区域内各配送点之间的配送路径服务时间TSr，计算公式如下：
TSr＝ΔT(Ii，Ij)+hI
；其中，I表示待配送地区内部配送点集合，配送点i，i分别为配送路径起点和终点；ΔT(Ii，Ij)为配给点i与j之间预估运输时间，hI则是站点停靠时间；r为本路线涉及配送点个数。
具体地，本实施例中，通过计算配送点之间运输路径的预估平均速度V′ij预估所述待配送地区的运输路线速度和路程时间。其中，配送点i和j之间的预估平均速度V′ij计算公式如下：
Figure BDA0003556541290000121
计算得到配送点i和j之间的预估平均速度后，将其应用到下列公式中来计算配送点i和j之间的预估运输时间：
Figure BDA0003556541290000122
其中，vij表示配送点i和j之间车辆正常行驶速度，k表示配送车辆数量，n 表示配送点应急服务，i和j分别表示各配送路径的起点和终点。图4是预估速度损失函数趋势图，如图4所示，将配送车辆数量k作为X轴，lnk作为Y轴，在图像中起初随着配送点的增多而不断损失运输速度近
Figure BDA0003556541290000123
从图像中可
以有效体现信息查验、消杀等防疫工作对运输工作的阻碍，后面随着工作人员对防疫工作的熟悉，速度损失稳定在20％左右(一般新冠疫情高风险状态会维持 14-28天，本函数值会下降至20％左右)。
步骤C2：整合各配送路径服务时间TSr，获取配送路径总服务时间TS，计算公式如下：
Figure BDA0003556541290000131
；其中，CpE为运输车辆当前实际负载量，CpK为运输车辆最大容量，r表示各运输路径，R表示运输路径集合。
此外，本实施形态中，物资满足度Q和路线直达性F计算各运输路径的因变运输质量。其中，因变运输质量用于在运输过程中评估运输路线质量，以便在运输过程中效率不理想的时候，及时做出调整，通过因变运输质量来判定是否需要放弃该路径，包括以下步骤：
步骤D1：分别通过物资矩阵和直达矩阵计算各运输路径的物资满足度Q 和路线直达性F，计算公式如下：
Figure BDA0003556541290000132
Figure BDA0003556541290000133
Figure BDA0003556541290000134
，i，j∈I。其中，QLm表示各个配给点的物资需求量，L∈I；m表示需求物资种类集合；Fij表示配给点i与配给点j之间直达路径距离；n为配给点个数； PerLm指的是每一趟物流配送到达任一配给点以后，任一种物资到位率组成的列向量。
步骤D2：根据物资满足度Q和路线直达性F，计算各运输路经的因变运输质量Quality，以便后期选取最高质量的路线，计算公式如下：
Figure BDA0003556541290000135
；其中，R表示外界物流采集点集合，T为转置符号。本实施例中，通过不断舍弃Quality矩阵中后25％的非零元素，以提高放弃低效运输路段。
本实施形态中，配送质量因变指标还包括疫情传播风险概率fr。在进行物流配送过程中到疫情传播的风险，不断计算各运输路径的疫情传播风险概率fr。当疫情传播风险概率fr时，立即抛弃对应的起止点为i，j的配送路径，重新通过Hunter算法确定配送点配送序列。计算公式如下：
Figure BDA0003556541290000141
Figure BDA0003556541290000142
其中，hj是配送点j停靠时间，CSj表示配给点j所处地区风险级别。当fr＞1 时，则抛弃对应的起止点分别为i，j的配送路径，重新确定配送点配送序列。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP 与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM 存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM 或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (13)

1.一种物流调度方法，其特征在于，包括以下步骤：
获取待配送地区信息指标；
基于所述待配送地区信息指标建立物资中转点；
基于群体迭代智能优化算法，确定配送点配送序列；
根据配送质量指标，优化配送路径。
2.根据权利要求1所述的物流调度方法，其特征在于，所述待配送地区信息指标包括区位条件指标和物流运营指标，通过物资中转能力量化方法确定所述物资中转点，包括以下步骤：
基于待配送地区信息指标，选取候选物资中转点；
计算各候选物资中转点的物资中转能力系数Ptc；
比较各候选物资中转点的物资中转能力系数Ptc，确定物资中转点。
3.根据权利要求2所述的物流调度方法，其特征在于，所述物资中转能力量化方法引入动态权重系数量化比较所述候选物资中转点，包括以下步骤：
使用加权平衡公式计算动态权重系数；其中，所述动态权重系数表示所述区位条件指标在所述物资中转能力所占权重；
将所述动态权重系数引入物资中转能力系数计算公式，通过所述物资中转能力系数计算公式计算各候选物资中转点的物资中转能力系数Ptc；
比较各候选物资中转点的物资中转能力系数Ptc，确定物资中转点。
4.根据权利要求3所述的物流调度方法，其特征在于，所述区位条件指标包括待配送地区物流中心个数ρ1、公路路网密度ρ2、人口密度ρ3，通过下列加权平衡公式，分别计算物流中心个数ρ1、公路路网密度ρ2、人口密度ρ3对应的动态权重系数μ1、μ2、μ3：
Figure FDA0003556541280000011
Figure FDA0003556541280000021
Figure FDA0003556541280000022
；其中，动态权重系数μ1为物流中心个数ρ1在所述物资中转能力所占权重，动态权重系数μ2为公路路网密度ρ2在所述物资中转能力所占权重，动态权重系数μ3为人口密度ρ3在所述物资中转能力所占权重。
5.根据权利要求4所述的物流调度方法，所述物流运营指标包括候选物资中转点仓储容量QS、配送点物资需求量QIm和不同风险级别的防疫成本系数CS1、CS2、CS3；其中，S表示候选物资中转点集合，R表示外界物资聚集点集合，I表示待配送地区内部配送点集合，m表示需求物资种类，通过下列物资中转能力系数计算公式，分别计算各候选物资中转点L的物资中转能力系数Ptc：
Figure FDA0003556541280000023
；其中，dSR表示各个候选物资中转点到各个外界物资聚集点的距离；
Figure FDA0003556541280000024
分别表示各个候选物资中转点到不同风险级别的待配送地区内部配送点的距离；
M表示物资种类集合。
6.根据权利要求5所述的物流调度方法，其特征在于，将选取的物资中转点作为初始的搜索代理，并将距离物资中转能力系数Ptc最高的搜索代理最近的配给点作为初始的配给点，基于群体迭代智能优化算法迭代配送点，确定所述待配送地区的配送点配送序列。
7.根据权利要求6所述的物流调度方法，其特征在于，所述群体迭代智能优化算法为Hunter算法，通过Hunter算法确定配送点配送序列，包括以下步骤：
步骤T1：比较候选物资中转点的物资中转能力系数Ptc的大小，选择物资中转能力系数Ptc最高的三个最优解
Figure FDA0003556541280000025
和
Figure FDA0003556541280000026
作为本轮迭代的搜索代理，并将距离搜索代理
Figure FDA0003556541280000027
最近的配送点作为本轮迭代配送点
Figure FDA0003556541280000028
步骤T2：基于本轮迭代配送点
Figure FDA0003556541280000031
计算下一轮迭代配送点
Figure FDA0003556541280000032
计算公式如下：
Figure FDA0003556541280000033
；其中，μ1、μ2和μ3作为影响因素，分别为
Figure FDA0003556541280000034
和
Figure FDA0003556541280000035
提供加权；
步骤T3：计算搜索代理
Figure FDA0003556541280000036
和
Figure FDA0003556541280000037
的迭代控制参数；其中，搜索代理
Figure FDA0003556541280000038
的迭代控制参数为
Figure FDA0003556541280000039
和
Figure FDA00035565412800000310
搜索代理
Figure FDA00035565412800000311
的迭代控制参数为
Figure FDA00035565412800000312
和
Figure FDA00035565412800000313
搜索代理
Figure FDA00035565412800000314
的迭代控制参数为
Figure FDA00035565412800000315
和
Figure FDA00035565412800000316
计算公式如下：
Figure FDA00035565412800000317
Figure FDA00035565412800000318
Figure FDA00035565412800000319
；其中，
Figure FDA00035565412800000320
和
Figure FDA00035565412800000321
为预设控制范围内的随机向量，
Figure FDA00035565412800000322
为基于迭代次数的随机参数；
步骤T4：基于随机向量
Figure FDA00035565412800000323
随机参数
Figure FDA00035565412800000324
和迭代控制参数，通过下列公式计算搜索代理
Figure FDA00035565412800000325
和
Figure FDA00035565412800000326
的更新最佳位置代理
Figure FDA00035565412800000327
和
Figure FDA00035565412800000328
Figure FDA00035565412800000329
；其中，D1、D2、D3分别表示搜索代理
Figure FDA00035565412800000330
和
Figure FDA00035565412800000331
到下一轮配送点
Figure FDA00035565412800000332
的距离；
步骤T5：将更新最佳位置代理
Figure FDA00035565412800000333
和
Figure FDA00035565412800000334
作为新的搜索代理
Figure FDA00035565412800000335
和
Figure FDA00035565412800000336
执行步骤1进入下一轮迭代，直到遍历所有配送点，确定配送点配送序列。
8.根据权利要求6所述的物流调度方法，其特征在于，所述基于迭代次数的随机参数
Figure FDA00035565412800000338
通过随机参数优化公式进行优化，计算公式如下：
Figure FDA00035565412800000337
；其中，past_inte表示本轮迭代次数，Max_inte表示最大迭代次数。
9.根据权利要求1所述的物流调度方法，其特征在于，所述配送质量指标包括配送质量自变指标和配送质量因变指标；其中，所述配送质量自变指标包括各配送路径服务时间TSr和对应的路线长度rij，所述配送质量因变指标包括物资满足度Q和路线直达性F。
10.根据权利要求9所述的物流调度方法，其特征在于，定义配送路径路线总服务时间为TS，所述配送路径总服务时间TS用于评价配送路径的运输时间成本，包括以下步骤：
步骤C1：计算待配送区域内各配送点之间的配送路径服务时间TSr，计算公式如下：
TSr＝ΔT(Ii,Ij)+hI；其中，I表示待配送地区内部配送点集合，i，j分别为配送路径起点和终点，ΔT(Ii,Ij)则为配送点i与j之间的预估运输时间，hI则表示配送点停靠时间，r为本路线涉及配送点个数；
步骤C2：整合各配送路径服务时间TSr，获取配送路径总服务时间TS，计算公式如下：
Figure FDA0003556541280000041
；其中，CpE为运输车辆当前实际负载量，CpK为运输车辆最大容量，r表示各运输路径,R表示运输路径集合。
11.根据权利要求10所述的物流调度方法，其特征在于，通过计算配送点之间运输路径的预估平均速度V′ij预估所述待配送地区的运输路线速度和运输时间；其中，
配送点i和j之间的预估平均速度V′ij计算公式如下：
Figure FDA0003556541280000042
配送点i和j之间的预估运输时间ΔT(Ii,Ij)计算公式如下：
Figure FDA0003556541280000043
其中，Vij表示配送点i和j之间车辆正常行驶速度，k表示配送车辆数量，n表示配送点数量，dij表示配送点i和j之间的距离。
12.根据权利要求10所述的物流调度方法，其特征在于，根据所述物资满足度Q和所述路线直达性F计算各运输路径的因变运输质量，所述因变运输质量用于在运输过程中评估运输路线质量，包括以下步骤：
步骤D1：分别通过物资矩阵和直达矩阵计算各运输路线的物资满足度Q和路线直达性F，计算公式如下：
Figure FDA0003556541280000051
Figure FDA0003556541280000052
Figure FDA0003556541280000053
,i,j∈I；其中，QLm表示各个配给点的物资需求量，L∈I；m表示需求物资种类集合；Fij表示配给点i与配给点j之间直达路径距离，n为配给点个数；PerLm指的是每一趟物流配送到达任一配给点以后，任一种物资到位率组成的列向量；
步骤D2：根据物资满足度Q和路线直达性F，计算各运输路经的因变运输质量Quality，计算公式如下：
Figure FDA0003556541280000054
；其中，R表示外界物资采集点集合，T为转置符号。
13.根据权利要求12所述的物流调度方法，其特征在于，所述配送质量因变指标还包括疫情传播风险概率fr，计算公式如下：
Figure FDA0003556541280000055
Figure FDA0003556541280000056
；其中hj是配送点j停靠时间，CSj表示配给点j所处地区风险级别；当fr＞1时，则抛弃对应的配送点之间的配送路径，重新确定配送点配送序列。
CN202210280197.3A 2022-03-21 2022-03-21 一种物流调度方法 Pending CN115081788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210280197.3A CN115081788A (zh) 2022-03-21 2022-03-21 一种物流调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210280197.3A CN115081788A (zh) 2022-03-21 2022-03-21 一种物流调度方法

Publications (1)

Publication Number Publication Date
CN115081788A true CN115081788A (zh) 2022-09-20

Family

ID=83246802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210280197.3A Pending CN115081788A (zh) 2022-03-21 2022-03-21 一种物流调度方法

Country Status (1)

Country Link
CN (1) CN115081788A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0665009A1 (en) * 1992-10-14 1995-08-02 Nippon Shinyaku Company, Limited Crystalline condition dislocating method
CN110334853A (zh) * 2019-06-10 2019-10-15 福建工程学院 一种物流配送中心仓库选址的仿自然体优化方法
CN112613810A (zh) * 2020-12-17 2021-04-06 北京工商大学 一种考虑需求优先级的应急物流系统动态选址-规划方法
WO2021135208A1 (zh) * 2019-12-31 2021-07-08 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0665009A1 (en) * 1992-10-14 1995-08-02 Nippon Shinyaku Company, Limited Crystalline condition dislocating method
CN110334853A (zh) * 2019-06-10 2019-10-15 福建工程学院 一种物流配送中心仓库选址的仿自然体优化方法
WO2021135208A1 (zh) * 2019-12-31 2021-07-08 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
CN112613810A (zh) * 2020-12-17 2021-04-06 北京工商大学 一种考虑需求优先级的应急物流系统动态选址-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

Similar Documents

Publication Publication Date Title
Cheung et al. Dynamic routing model and solution methods for fleet management with mobile technologies
US10963445B2 (en) System and method for improved data consistency in data systems including dependent algorithms
CN100395750C (zh) 一种缓存管理方法
WO2020168851A1 (zh) 行为识别
CN109788489A (zh) 一种基站规划方法及装置
JPH10240799A (ja) 新規出店評価支援装置
CN113468157B (zh) 一种基于能耗分析的相似建筑挑选方法和装置
CN102279963A (zh) 两级预算合理性检查提醒及自动优化的方法、设备和系统
CN111932106B (zh) 一种有效实用的云制造任务与服务资源匹配方法
CN111260288B (zh) 订单管理方法、装置、介质及电子设备
JP2001357189A (ja) 市場参入意思決定支援装置
CN111565188B (zh) 基于结合消息类型和信任值置信度的vanet信任模型工作方法
CN111080204A (zh) 一种基于客户优先级评价的智能排序派件系统
CN114781717A (zh) 网点设备推荐方法、装置、设备和存储介质
CN111062524A (zh) 基于优化遗传算法的景区短期客流量的预测方法及系统
CN116681197B (zh) 一种基于大数据的物流线路搜索方法及系统
CN113191880A (zh) 银行柜员终端加钞建议确定方法及装置
CN115081788A (zh) 一种物流调度方法
CN111768133A (zh) 物品入库方法和装置
CN116033016A (zh) 一种车载网络中利用路边停放车辆的协作缓存方法
CN113762687B (zh) 一种仓库内的人员排班调度方法和装置
CN110555711A (zh) 数据处理方法、装置、服务器和计算机可读存储介质
US20100114910A1 (en) Blog search apparatus and method using blog authority estimation
CN113837782A (zh) 时间序列模型的周期项参数优化方法、装置、计算机设备
CN113592516B (zh) 基于偏置项的重要度确定方法与确定得分的方法

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
TA01 Transfer of patent application right

Effective date of registration: 20240627

Address after: Room 701-1, Building 1, Yuanlun Building, No. 350 Qifei Road, Changhe Street, Binjiang District, Hangzhou City, Zhejiang Province, 310000

Applicant after: Hangzhou Yuanlai Technology Co.,Ltd.

Country or region after: China

Address before: 201708 Building 1, No. 1288, Huateng Road, Huaxin Town, Qingpu District, Shanghai

Applicant before: Shanghai Yuanlai Technology Co.,Ltd.

Country or region before: China