CN115081788B - 一种物流调度方法 - Google Patents

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P_tc；

比较各候选物资中转点的物资中转能力系数P_tc，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P_tc；

比较各候选物资中转点的物资中转能力系数P_tc，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：

；

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Q_S、配送点物资需求量Q_Im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P_tc：

；

其中，d_SR表示各个候选物资中转点到各个外界物资聚集点的距离；

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P_tc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P_tc的大小，选择物资中转能力系数P_tc最高的三个最优解和作为本轮迭代的搜索代理，并将距离搜索代理最近的配送点作为本轮迭代配送点

步骤T2：基于本轮迭代配送点计算下一轮迭代配送点计算公式如下：

；其中，μ₁、μ₂和μ₃作为影响因素，分别为和提供加权；

步骤T3：计算搜索代理和的迭代控制参数；其中，搜索代理的迭代控制参数为和搜索代理的迭代控制参数为和搜索代理的迭代控制参数为和计算公式如下：

；

其中，和为预设控制范围内的随机向量，为基于迭代次数的随机参数；

步骤T4：基于随机向量随机参数和迭代控制参数，通过下列公式计算搜索代理和的更新最佳位置代理和

；

其中，D1、D2、D3分别表示搜索代理和到下一轮配送点的距离；

步骤T5：将更新最佳位置代理和作为新的搜索代理和执行步骤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通过随机参数优化公式进行优化，计算公式如下：

；

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T_Sr和对应的路线长度r_ij，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 T_S，所述配送路径总服务时间T_S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T_Sr，计算公式如下：

T_Sr＝ΔT(I_i，I_j)+h_I

；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(I_i，I_j)则为配送点i与j之间的预估运输时间，h_I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T_Sr，获取配送路径总服务时间T_S，计算公式如下：

；

其中，Cp_E为运输车辆当前实际负载量，Cp_K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：

配送点i和j之间的预估运输时间ΔT(I_i，I_j)计算公式如下：

其中，V_ij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，d_ij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：

，

i，j∈I；其中，Q_Lm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；F_ij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；Per_Lm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：

；

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f_r，计算公式如下：

；

其中h_j是配送点j停靠时间，CS_j表示配给点j所处地区风险级别；当f_r＞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P_tc，通过比较各候选物资中转点的物资中转能力系数P_tc，根据需求选取中转能力系数P_tc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：

。

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P_tc。

具体地，物流运营指标包括候选物资中转点仓储容量Q_S、配送点物资需求量Q_Im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P_tc：

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，d_SR表示各个候选物资中转点到各个外界物资聚集点的距离；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Q_Im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P_tc。

S23：比较各候选物资中抓点的物资中转能力系数P_tc，根据物流需求选取几个P_tc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P_tc最高的三个最优解和作为物资中转点，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，将最优解和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Pt_c的排名分为不同级别的狩猎者，并以距离中转能力系数P_tc最高的搜索代理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P_tc的大小，选择物资中转能力系数P_tc最高的三个最优解和作为本轮迭代的搜索代理，并将距离搜索代理最近的配送点作为本轮迭代配送点

步骤T2：基于本轮迭代配送点计算下一轮迭代配送点计算公式如下：

；

其中，μ₁、μ₂和μ₃在此处作为影响因素，分别为和提供加权。

步骤T3：计算搜索代理和的迭代控制参数；其中，搜索代理的迭代控制参数为和搜索代理的迭代控制参数为和搜索代理的迭代控制参数为和计算公式如下：

；

其中，和为预设控制范围内的随机向量，为基于迭代次数的随机参数。 e^iwt应用欧拉公式有e^iwt＝coswt+isinwt，其物理意义就是对振动的形态的描述。

具体地，控制参数和用于为抽象搜索空间的探索和开发提供平衡。的值在之间，的值在之间，和的取值范围则是[0，1]。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和对搜索代理更新的影响。

步骤T4：基于随机向量随机参数和迭代控制参数，通过下列公式计算搜索代理和的更新最佳位置代理和

；

其中，D1、D2、D3分别表示搜索代理和到下一轮配送点的距离。

步骤T5：将更新最佳位置代理和作为新的搜索代理和并执行步骤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计算公式如下：

；

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P_tc，确定作为物资中转点的三个最优解和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T_Sr和对应的路线长度r_ij，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T_S，通过配送路径总服务时间T_S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T_Sr，计算公式如下：

T_Sr＝ΔT(I_i，I_j)+h_I

；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(I_i，I_j)为配给点i与j之间预估运输时间，h_I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：

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：

其中，v_ij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T_Sr，获取配送路径总服务时间T_S，计算公式如下：

；

其中，Cp_E为运输车辆当前实际负载量，Cp_K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：

，

i，j∈I。其中，Q_Lm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；F_ij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； Per_Lm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：

；

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f_r。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f_r。当疫情传播风险概率f_r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：

其中，h_j是配送点j停靠时间，CS_j表示配给点j所处地区风险级别。当f_r＞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 (7)

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；其中，

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，引入动态权重系数来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；

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P_tc；

比较各候选物资中转点的物资中转能力系数P_tc，确定物资中转点；

其中，针对物资中转能力系数P_tc，则结合物流运营指标包括候选物资中转点仓储容量Q_S、配送点物资需求量Q_Im和不同风险级别的防疫成本系数CS₁、CS₂、CS₃，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P_tc：

；

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，d_SR表示各个候选物资中转点到各个外界物资聚集点的距离，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；

在确定物资中转点，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P_tc最高的搜索代理最近的配给点作为初始的配给点，采用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；其中，

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P_tc的大小，选择物资中转能力系数P_tc最高的三个最优解和作为本轮迭代的搜索代理，并将距离搜索代理最近的配送点作为本轮迭代配送点

步骤T2：基于本轮迭代配送点计算下一轮迭代配送点计算公式如下：

；

其中，μ₁、μ₂和μ₃作为影响因素，分别为和提供加权；

步骤T3：计算搜索代理和的迭代控制参数；其中，搜索代理的迭代控制参数为和搜索代理的迭代控制参数为和搜索代理的迭代控制参数为和计算公式如下：

；

其中，和为预设控制范围内的随机向量，为基于迭代次数的随机参数；

步骤T4：基于随机向量随机参数和迭代控制参数，通过下列公式计算搜索代理和的更新最佳位置代理和

；

其中，D1、D2、D3分别表示搜索代理和到下一轮配送点的距离；

步骤T5：将更新最佳位置代理和作为新的搜索代理和执行步骤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；

所述配送质量指标则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T_Sr和对应的路线长度r_ij，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。

2.根据权利要求1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：

；

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。

3.根据权利要求1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通过随机参数优化公式进行优化，计算公式如下：

；

其中，past_inte表示本轮迭代次数，Max_inte表示最大迭代次数。

4.根据权利要求1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T_s，所述配送路径总服务时间T_s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T_Sr，计算公式如下：

T_Sr＝ΔT(I_i,I_j)+h_I；

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(I_i,I_j)则为配送点i与j之间的预估运输时间，h_I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T_Sr，获取配送路径总服务时间T_S，计算公式如下：

；

其中，Cp_E为运输车辆当前实际负载量，Cp_K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。

5.根据权利要求4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：

配送点i和j之间的预估运输时间ΔT(I_i,I_j)计算公式如下：

其中，V_ij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，d_ij表示配送点i和j之间的距离。

6.根据权利要求4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：

，

i,j∈I；其中，Q_Lm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；F_ij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；Per_Lm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：

；

其中，R表示外界物资采集点集合，T为转置符号。

7.根据权利要求6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f_r，计算公式如下：

；

其中h_j是配送点j停靠时间，CS_j表示配给点j所处地区风险级别；当f_r＞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。