CN115860613A - 一种考虑预约机制的零担车货匹配及车辆调度方法 - Google Patents

一种考虑预约机制的零担车货匹配及车辆调度方法 Download PDF

Info

Publication number
CN115860613A
CN115860613A CN202310176109.XA CN202310176109A CN115860613A CN 115860613 A CN115860613 A CN 115860613A CN 202310176109 A CN202310176109 A CN 202310176109A CN 115860613 A CN115860613 A CN 115860613A
Authority
CN
China
Prior art keywords
goods
time
cargo
vehicle
distribution center
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
CN202310176109.XA
Other languages
English (en)
Other versions
CN115860613B (zh
Inventor
孙知信
刘毅
赵学健
孙哲
曹亚东
宫婧
汪胡青
胡冰
徐玉华
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310176109.XA priority Critical patent/CN115860613B/zh
Publication of CN115860613A publication Critical patent/CN115860613A/zh
Application granted granted Critical
Publication of CN115860613B publication Critical patent/CN115860613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑预约机制的零担车货匹配及车辆调度方法包括：配送中心首先收集车辆与货物信息，放入待匹配队列，同时对预约单信息进行筛选，将满足条件的预约单加入匹配队列；根据目前的专线情况，选择一部分货物由专线班车进行配送；建立车货匹配模型并通过改进人工蜂鸟算法求解；根据结果对车辆进行调度，最后对班车专线进行分析与调整。本发明结合预约机制，综合考虑货物的到达时间与装货时间，建立基于预约机制的动态车货匹配模型，充分考虑了预约机制下订单取消、订单时间变更等情况，在保证货物运输的基础上，降低配送中心的运输成本，同时规划出零担物流专线，满足货主的运输需求，提升了配送中心的配送效率。

Description

一种考虑预约机制的零担车货匹配及车辆调度方法
技术领域
本发明涉及物流技术领域，具体为一种考虑预约机制的零担车货匹配及车辆调度方法。
背景技术
车货匹配，是指在互联网+的背景下，充分利用在线平台，借助互联网与计算机的匹配效率、高速信息检索能力，对货物与货车进行匹配，同时进行货车调度，从而减少信息不对称、信息更新不及时等问题，提高车辆与货物的匹配效率，节约配送成本。
零担货物是指一个货物订单所托运的货物体积或重量不够装满一车的货物，该类货物往往与其他订单的货物共用一辆货车，一起进行配送。以分布在城市中的营业网点作为零担货物收货点及零担货物配送点，承运部门会将不同货主的订单凑整一车后再进行运输。随着移动网络的发展，货主会在手机上提前下单，生成货物配送预约单，货物在一定时间后到达配送中心进行配送。
现有的车货匹配模型主要有以下问题：首先大部分模型只考虑当前货物与当前车辆的匹配，虽然能够求解出当前时间点的最优解，但并不一定是整个配送周期内的最优解，其次部分模型没有加入对突发状况的处理，无法应对实际车货匹配中复杂的情况，最后对于历史车货匹配数据，没有进行分析处理。若是将未来到达货物纳入当前车货匹配的决策中，加入对突发状况的处理，保存历史数据并进行分析规划，能够进一步提升匹配效率，节约配送成本。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的车货匹配模型更关注当前可配送货物与车辆的匹配，存在匹配不准确、配送效率低的问题，以及如何将未来到达的货物纳入当前车货匹配决策中的优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种考虑预约机制的零担车货匹配及车辆调度方法，包括：
配送中心收集车辆与货物信息，放入待匹配队列，同时对预约单信息进行筛选，将满足条件的预约单加入匹配队列；
根据零担物流班车专线规划情况，选择部分货物由专线班车进行配送；
建立车货匹配模型并通过改进人工蜂鸟算法求解得到配送成本最小的车货匹配结果，规划出车辆调度表；
根据车辆调度表对车辆进行调度，对班车专线进行分析与调整。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述车辆与货物信息包括目前在配送中心的可调度车辆信息和已到达配送中心的货物信息，其中车辆信息包括车辆载重，可容纳货物体积，发车基础费用，油耗，行驶速度；货物信息包括物体积，重量，超时罚款，目的地，允许的最大配送时间，到达配送中心时间；
所述预约单用于描述预约货物信息，所述预约单信息包括货物的体积、载重、超时罚款、目的地、到达配送中心时间、允许的最大配送时间；
所述配送中心为周边区域的零担货物收货点及零担货物配送点，需要配送的货物必须先到达配送中心进行装车，货物分为已到达配送中心货物与预订单货物两种，配送中心有若干车辆，配送中心需要安排车辆配送的货物与车辆发车时间；货物有允许的最大配送时间，若从货物送达配送中心到货物配送至目的地所耗费的时间超过货物允许的最大配送时间，则会产生超时罚款。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述对预约单信息进行筛选，将满足条件的预约单加入匹配队列的步骤还包括：
根据所述配送中心的开始配送时间和结束配送时间对预约单的货物到达配送中心时间进行筛选；
将早于所述结束配送时间到达的货物划分到当前配送周期并纳入匹配；
进行所述匹配时，允许将还未到达配送中心的货物与已到达配送中心的货物分配到同一辆车上，货车需要等待所有分配的货物均到达配送中心且装载完成才能够发车。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述零担物流班车专线为：每天固定时间固定路线的配送，班车由配送中心出发，将负责的货物配送完成后再回到配送中心；所述零担物流专线根据配送量较大的路径与时间点规划得出，若货物的配送点在专线班车的配送路线中，且根据班车发车的时间点计算，货物的配送不会超时，则该货物符合专线班车的配送条件。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述建立车货匹配模型包括：
目标函数，表示为：
Figure SMS_1
，
其中，
Figure SMS_2
为车辆发车的基础费用， />
Figure SMS_3
为根据车辆行驶路径计算的油耗费用，/>
Figure SMS_4
为货物的包装与装卸费用，
Figure SMS_5
为超时货物的罚款；
式中，V表示车辆集合{1,2,3……v}；P表示配送中心以及配送点，P={0,1,2……p}，其中0表示配送中心，其余编号表示需要配送的地点；
Figure SMS_7
表示车辆v是否从点i行驶到点j；/>
Figure SMS_13
表示车辆v发车的基础费用；/>
Figure SMS_16
表示点i到点j的距离；/>
Figure SMS_8
表示车辆v的油耗；C表示所有货物集合{1,2,3……c}；/>
Figure SMS_12
表示货物c是否由车辆v负责运输；/>
Figure SMS_17
表示货物c的包装、装卸费用；/>
Figure SMS_19
表示货车v的发车时间；/>
Figure SMS_6
表示当前配送方案下货物c距离目的地的距离；/>
Figure SMS_10
表示货车v的行驶速度；/>
Figure SMS_14
表示当前匹配方案中，车辆v负责且计划在货物c之前配送的货物集合{1,2,3……e}；/>
Figure SMS_18
表示货物c的装/卸货时间；/>
Figure SMS_9
表示货物c到达配送中心的时间点；/>
Figure SMS_11
表示货物c允许的最大配送时间；/>
Figure SMS_15
表示货物c的超时罚款。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述通过改进人工蜂鸟算法求解的步骤包括：
初始化参数，包括：最大迭代次数，维度，解空间下限，解空间上限，种群数量，迁徙系数；
引入sobol序列初始化种群，在解空间中生成初始食物源的位置，使食物源在解空间的分布更均匀，保证解的多样性；
初始化适应度表格，对种群中的个体计算适应度，并初始化食物源访问表；
蜂鸟飞行方式包括：全向飞行、轴向飞行和对角飞行，引入飞行方式奖励机制，使每只蜂鸟更趋向于选择获取花蜜多的飞行方式，初始化每只蜂鸟的飞行习惯表，初始时蜂鸟选择三种飞行的概率相等；
根据蜂鸟的飞行习惯表，选择蜂鸟本次觅食的飞行方式；
随机选择蜂鸟的觅食方式：引导觅食或区域觅食；
判断蜂鸟的觅食方式是否为引导觅食；
若是，查询食物源访问表与适应度表，选择长时间未访问且花蜜补充率高的食物源作为目标食物源，引入优秀食物源记忆机制，大部分蜂鸟根据目标食物源与飞行方式生成下一次迭代的候选食物源，同时蜂鸟有一定概率会结合上一次迭代的优秀食物源与本次目标食物源进行飞行，并生成下一次迭代的候选食物源，避免蜂鸟总是在自己的目标食物源处飞行，陷入局部最优；
否则，蜂鸟不访问其他现有的食物源，移动到自己领地外的邻近地区寻找新食物源作为候选食物源；
比较候选食物源与蜂鸟的原食物源，选择适应度高的食物源作为蜂鸟的新食物源，并根据食物源的选择更新访问表与适应度表，若蜂鸟本次飞行后在候选食物源处获得了更多花蜜，则调整蜂鸟的飞行习惯表，增加该蜂鸟下次飞行时选择该飞行方式的概率；
如果当前迭代次数满足迁徙条件时，则进行迁徙觅食，选择花蜜补充率最差的食物源处的蜂鸟，在解空间中随机生成新的食物源，蜂鸟迁徙至新食物源处，并更新访问表与适应度表；
遍历本次迭代的适应度表，找出当前最优适应度的个体，与全局最优个体的适应度进行对比，如果当前最优适应度比全局最优适应度优秀，则将当前最优个体与当前最优适应度作为新的全局最优个体与全局最优适应度；
判断迭代次数是否达到初始化参数中的最大迭代次数；
若达到则算法结束，输出全局最优值与最优个体，若未到达则继续迭代。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述根据车辆调度表对车辆进行调度，对班车专线进行分析与调整，还包括：
判断所述车辆调度表中是否还有货车需要调度；
若是，则根据车辆调度表依次调度货车：
若货车负责的货物均到达配送中心且装载完成，则货车开始配送，货车配送完成后，将本次配送记录作为历史数据保存，从车辆调度表中删除该货车；
若货车负责的预定单货物中存在订单取消、预定时间变更、货物在预约时间仍未到达配送中心的情况，则动态调整车辆调度表；
其中，货车负责的预订单货物出现取消订单的情况时，依次遍历待配送货物，若待配送货物的体积、质量均不大于取消货物，待配送货物的到达配送中心时间早于取消货物，预计发货时间晚于取消货物且货物的目的地在该货车的计划配送路径中，则将其标记为替补货物；遍历完成后，从所有的替补货物中选择剩余配送时间最短的货物替代被取消的货物；
所述替补货物必须满足的条件，包括：
所述替补货物的体积与质量均不大于取消货物，表示为：
Figure SMS_20
，
式中，
Figure SMS_21
为取消货物的体积，/>
Figure SMS_22
为候选替补货物体积，/>
Figure SMS_23
为取消货物的重量，/>
Figure SMS_24
为候选替补货物重量；
所述替补货物的到达配送中心时间不晚于取消货物，表示为：
Figure SMS_25
，
式中，
Figure SMS_26
为取消货物的到达配送中心时间，/>
Figure SMS_27
为候选替补货物的到达配送中心时间；
所述替补货物的预计发货时间不早于取消货物，表示为：
Figure SMS_28
，
式中，
Figure SMS_29
表示取消货物的预计发货时间，/>
Figure SMS_30
表示候选待匹配货物的预计发货时间；当/>
Figure SMS_31
时，/>
Figure SMS_32
，即当货物被分配到某一货车时，货物的预计发货时间为货车的发车时间；若货物还没有被分配给货车，则该货物的预计发货时间记为正无穷；
所述替补货物的目的地在货车的配送路径中，表示为：
Figure SMS_33
，
式中，
Figure SMS_34
表示候选货物c的目的地，/>
Figure SMS_35
表示货车v需要经过的配送点集合，车货匹配完成后，当/>
Figure SMS_36
时，/>
Figure SMS_37
会被加入到集合/>
Figure SMS_38
中；
当货车负责的预订单货物出现预定时间变更的情况时，若货主将货物到达时间提前，则将该货物更新后的到达配送中心时间加上装货时间作为筛选时间，将发车时间晚于筛选时间且配送路径中包含货物目的地的货车标记为待选择货车，从待选择货车中找出能装下该货物的货车进行配送；若货主将货物到达时间推迟或者货物在预约时间仍未到达配送中心，则在货车负责的货物列表中删除该货物，重新计算货车的发车时间，并为货物重新匹配合适的车辆；
所述待选择货车需要满足的条件，包括：
货车的发车时间不早于货物的到达配送中心时间加装货时间，表示为：
Figure SMS_39
；
货车的剩余容积大于货物体积且剩余载重大于货物重量，表示为：
Figure SMS_40
，
式中，
Figure SMS_41
表示货车的剩余容积，/>
Figure SMS_42
为货车的剩余载重；
货物的目的地在货车的配送路径中，表示为：
Figure SMS_43
；
若判断无货车需要调度，则判断历史数据规模是否满足专线规划条件，满足所述专线规划条件则对历史数据进行分析，规划调整零担物流专线，删除分析后的历史数据；否则结束流程。
作为本发明所述的考虑预约机制的零担车货匹配及车辆调度方法的一种优选方案，其中：所述判断历史数据规模是否满足专线规划条件包括：由配送中心设置历史数据规模及专线变动时间，当存储的历史数据规模大于配送中心设置的规模且与上一次专线变动的时间间隔大于专线变动时间时，视为满足所述专线规划条件，否则视为不满足所述专线规划条件；
所述专线规划的方法为：由配送中心设置专线规划数量lineNum，遍历历史数据，统计各时间点每条路径的货运量并排序，找出配送量最多的前lineNum条线路与时间点，规划为零担班车专线；其中，配送中心设置最大差异值maxDif，将配送中心作为起点依次比较两条线路对应的每个节点，若两条线路的每个配送点之间的最大差异值均小于maxDif，则两条线路视为近似线路，第二条线路的配送量可归入第一条线路进行统计比较；
其中，线路中两个节点的差异性计算公式为：
其中，线路中两个节点的差异性计算公式为：
Figure SMS_44
，
式中，
Figure SMS_46
表示节点n；/>
Figure SMS_49
表示节点n与节点m的差异值；
Figure SMS_52
表示节点距离在差异性度量中的权重；/>
Figure SMS_47
表示节点n在坐标轴的横坐标；/>
Figure SMS_50
表示节点n在坐标轴的纵坐标；/>
Figure SMS_53
表示货物数据在差异性度量中的权重；/>
Figure SMS_54
表示节点n卸下货物的总体积；/>
Figure SMS_45
表示节点n卸下货物的总重量；/>
Figure SMS_48
表示时间在差异性度量中的权重；/>
Figure SMS_51
表示节点n配送量最大的时间点。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果：本发明结合预约机制，将还未到达配送中心的货物加入当前车辆与货物的匹配中，综合考虑货物的到达时间与装货时间，建立基于预约机制的动态车货匹配模型，通过改进人工蜂鸟算法进行求解，匹配完成后对车辆进行调度，充分考虑了预约机制下订单取消、订单时间变更等情况，在保证货物运输的基础上，降低配送中心的运输成本，同时规划出零担物流专线，满足货主的运输需求，提升了配送中心的配送效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的一种考虑预约机制的零担车货匹配及车辆调度方法的整体流程图；
图2为本发明第一个实施例提供的一种考虑预约机制的零担车货匹配及车辆调度方法中车货匹配及车辆调度方法的流程图；
图3为本发明第一个实施例提供的一种考虑预约机制的零担车货匹配及车辆调度方法中改进人工蜂鸟算法的流程图；
图4为本发明第二个实施例提供的一种考虑预约机制的零担车货匹配及车辆调度方法中仿真实验改进人工蜂鸟算法的目标函数变化趋势图；
图5为本发明第二个实施例提供的一种考虑预约机制的零担车货匹配及车辆调度方法中传统方法生成的初始解与改进人工蜂鸟算法生成初始解的对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-3，为本发明的一个实施例，提供了一种考虑预约机制的零担车货匹配及车辆调度方法，包括：
S1：获取目前在配送中心的可调度车辆信息和已到达配送中心的货物信息；
更进一步的，车辆信息包括车辆载重，可容纳货物体积，发车基础费用，油耗，行驶速度。
应说明的是，车辆的总成本包括基础费用和油耗成本两部分，基础费用是一个不变的值，车辆发车就会产生基础费用，与车辆行驶路程无关；油耗成本则与车辆行驶距离相关，车辆行驶距离越长，油耗成本就越高。
货物信息包括货物体积，重量，超时罚款，目的地，允许的最大配送时间，到达配送中心时间。
应说明的是，判断货物是否超时的方式为计算货物从到达配送中心到送达目的地花费的时间，若该时间超过货物允许的最大配送时间，则视为超时。超时货物的总罚款为货物超时时间与超时罚款的乘积。
S2：获取货主的预约单信息，包括货物信息以及货物预计到达配送中心的时间；
其中，预约单用于描述预约货物信息，所述预约单信息包括货物信息以及货物预计到达配送中心的时间；
配送中心为周边区域的零担货物收货点及零担货物配送点，需要配送的货物必须先到达配送中心进行装车，货物分为已到达配送中心货物与预订单货物两种，配送中心有若干车辆，配送中心需要安排车辆配送的货物与车辆发车时间；货物有允许的最大配送时间，若从货物送达配送中心到货物配送至目的地所耗费的时间超过货物允许的最大配送时间，则会产生超时罚款。
更进一步的，预约单的货物信息与已到达配送中心的货物信息一致，主要区别为预约单货物还未到达配送中心，若车辆被分配了预约单货物的配送任务，则车辆需要等待预约货物到达配送中心并且装车完成后才能发车。
S3：对预约单信息进行筛选，将能够在当前配送周期内到达配送中心的预约货物订单纳入匹配。
更进一步的，将一天作为一个配送周期，该周期内车辆允许的发车时间为配送中心的开始营业时间到配送中心的结束营业时间，将早于结束配送时间到达的货物划分到当前配送周期并纳入匹配。
需要说明的是，进行所述匹配时，可将还未到达配送中心的货物与已到达配送中心的货物分配到同一辆车上，此时货车需要等待所有分配的货物均到达配送中心且装载完成才能够发车。
S4：判断配送中心是否已规划零担物流班车专线，若是则执行S5，否则执行S6；
其中，零担物流班车专线指每天固定时间固定路线的配送，班车由配送中心出发，将负责的货物配送完成后再回到配送中心；零担物流专线根据配送量较大的路径与时间点规划得出，若货物的配送点在专线班车的配送路线中，且根据班车发车的时间点计算，货物的配送不会超时，则该货物符合专线班车的配送条件。
S5：遍历需要匹配的货物，筛选出符合条件的货物由零担专线班车进行配送，并将该类货物从待匹配列表中删除，执行S6；
其中，零担专线包含的字段为发车时间、货车类型、路径。路径以配送点序列的形式表示，如某专线的路径{c,d,e,w,a}，则货车会在发车时间从配送中心出发，依次访问c，d，e，w，a五个配送点，最后返回配送中心。
S6：构建考虑预约机制的零担车货匹配模型，以配送成本最低建立目标函数；
更进一步的，零担车货匹配模型，目标函数，表示为：
Figure SMS_55
，
其中，
Figure SMS_56
为车辆发车的基础费用， />
Figure SMS_57
为根据车辆行驶路径计算的油耗费用，/>
Figure SMS_58
为货物的包装与装卸费用，
Figure SMS_59
为超时货物的罚款；
式中，V表示车辆集合{1,2,3……v}；P表示配送中心以及配送点，P={0,1,2……p}，其中0表示配送中心，其余编号表示需要配送的地点；
Figure SMS_61
表示车辆v是否从点i行驶到点j；/>
Figure SMS_65
表示车辆v发车的基础费用；/>
Figure SMS_69
表示点i到点j的距离；/>
Figure SMS_63
表示车辆v的油耗；C表示所有货物集合{1,2,3……c}；/>
Figure SMS_67
表示货物c是否由车辆v负责运输；/>
Figure SMS_71
表示货物c的包装、装卸费用；/>
Figure SMS_73
表示货车v的发车时间；/>
Figure SMS_60
表示当前配送方案下货物c距离目的地的距离；/>
Figure SMS_64
表示货车v的行驶速度；/>
Figure SMS_68
表示当前匹配方案中，车辆v负责且计划在货物c之前配送的货物集合{1,2,3……e}；/>
Figure SMS_72
表示货物c的装/卸货时间；/>
Figure SMS_62
表示货物c到达配送中心的时间点；/>
Figure SMS_66
表示货物c允许的最大配送时间；/>
Figure SMS_70
表示货物c的超时罚款。
其中决策变量，包括：车辆v的发车时间：
Figure SMS_74
；
车辆v是否从点i行驶到点j：
Figure SMS_75
；
货物c是否由车辆v负责运输：
Figure SMS_76
；
目标函数的约束条件，包括：
条件1：车辆装载的货物重量不能超过车辆载重，表示为：
Figure SMS_77
；
条件2：车辆装载的货物体积不能超过车辆容量，表示为：
Figure SMS_78
；
条件3：每件货物都有且只有一辆车配送，表示为：
Figure SMS_79
；
条件4：车辆从一个点出发时，下一目的地最多只有一个，表示为：
Figure SMS_80
；
条件5：有配送任务的车辆必须从配送中心出发，表示为：
Figure SMS_81
；
条件6：车辆负责的所有预约单货物都到达配送中心并且已经装上货车时，车辆才能出发，表示为：
Figure SMS_82
；
条件7：车辆出发时间必须晚于配送中心的开始配送时间，表示为：
Figure SMS_83
；
条件8：车辆出发时间必须早于配送中心的结束配送时间，表示为：
Figure SMS_84
，
式中，
Figure SMS_85
表示两个点之间的边；/>
Figure SMS_86
表示车辆v的装载容量；/>
Figure SMS_87
表示货物c的体积；/>
Figure SMS_88
表示车辆v的载重；/>
Figure SMS_89
表示货物c的重量；/>
Figure SMS_90
表示配送中心的开始配送时间；/>
Figure SMS_91
表示配送中心的结束配送时间。
S7：使用改进人工蜂鸟算法求解目标函数，得到配送成本最小的车货匹配结果，车辆发车时间表，车辆配送路径；
参阅图3，是本发明实施例的改进人工蜂鸟算法流程示意图，本实施例的人工蜂鸟算法方法采用以下步骤：
S701：初始化参数，包括：最大迭代次数，维度，解空间下限，解空间上限，种群数量，迁徙系数。设置最大迭代次数为1000，每100次迭代进行一次迁徙。解空间下限为0，解空间上限为可调度货车数量v。
S702：引入sobol序列初始化种群，在解空间中生成初始食物源的位置，使食物源在解空间的分布更均匀，保证解的多样性；通过sobol序列产生随机数
Figure SMS_92
。
生成初始种群的公式为：
Figure SMS_93
，
其中，X i 表示第i个个体位置，Max表示解空间上界，即货车数量，Min表示解空间下限，为0；根据此方法可以生成若干个体X i ，表示货物i被分配到的车辆。取X i 最近的整数即可得到货车编号。
需要说明的是，Sobol序列是一种具有良好均匀分布性质的低差异数列，第i个点的每一维都由前i-1个点的各维组成，通过特定的生成算法得出，代替伪随机数，使随机数生成更加均匀，且能够保证生成的序列具有一定的低差异性质。
S703：初始化适应度表格，对种群中的个体计算适应度，并初始化食物源访问表；其中，种群的适应度通过计算该匹配方式的总成本得到，总成本越低，则适应性越优秀。食物源访问表记录蜂鸟刚刚访问过的花蜜以及其他花蜜的未访问时间，将适应度看作花蜜补充率，则蜂鸟在下一次会选择有较高花蜜补充率且较长时间未访问的食物源。
S704：蜂鸟飞行方式包括：全向飞行、轴向飞行和对角飞行，引入飞行方式奖励机制，使每只蜂鸟更趋向于选择获取花蜜多的飞行方式，初始化每只蜂鸟的飞行习惯表，初始时蜂鸟选择三种飞行的概率相等，生成随机数
Figure SMS_94
，蜂鸟初始选择飞行方式的公式如下：
Figure SMS_95
S705：根据蜂鸟的飞行习惯表，选择蜂鸟本次觅食的飞行方式；其中，每只蜂鸟均有自己的飞行习惯，初始时，蜂鸟选择每种飞行方式的概率均为三分之一，随着蜂鸟通过某种飞行方式找到花蜜增多，该飞行方式被选择的概率相应增加；
其中，每只蜂鸟的飞行习惯表中保存两个参数a，b，满足条件：0＜a＜b＜1；
根据蜂鸟飞行获取花蜜的结果调整a，b的值，使找到花蜜多的飞行方式被选择的概率增加。蜂鸟选择飞行方式的公式为：
Figure SMS_96
S706：选择蜂鸟的觅食方式：引导觅食或区域觅食；蜂鸟选择两种飞行方式的概率均为50%。
S707：若蜂鸟的觅食方式是否为引导觅食，若是，则执行S78；否则，执行S79。
S708：查询食物源访问表与适应度表，选择长时间未访问且花蜜补充率高的食物源作为目标食物源，引入优秀食物源记忆机制，大部分蜂鸟根据目标食物源与飞行方式，生成下一次迭代的候选食物源，同时蜂鸟有一定概率会结合上一次迭代的优秀食物源与本次目标食物源进行飞行，并生成下一次迭代的候选食物源，避免蜂鸟总是在自己的目标食物源处飞行，陷入局部最优，其中，设置蜂鸟选择正常进行引导觅食的概率为90%，蜂鸟执行优秀食物源记忆机制的概率为10%；
触发优秀食物源记忆机制时，候选食物源的生成公式为：
Figure SMS_97
，
其中n表示当前迭代次数，
Figure SMS_98
表示i只蜂鸟在第n+1次迭代中的候选食物源，/>
Figure SMS_99
表示蜂鸟在第n-1次迭代中记忆的优秀食物源，c为服从正态分布的引导因子，D根据蜂鸟的飞行方式生成。/>
Figure SMS_100
表示蜂鸟在第n次迭代的食物源，/>
Figure SMS_101
表示第i只蜂鸟在第n次迭代的目标食物源。
S709：蜂鸟不访问其他现有的食物源，移动到自己领地外的邻近地区寻找新食物源作为候选食物源；
其中食物源的生成公式为：
Figure SMS_102
，
其中d为服从正态分布的引导因子，D根据蜂鸟的飞行方式生成，
Figure SMS_103
表示蜂鸟i在第n次迭代中的位置。
S710：比较候选食物源与蜂鸟的原食物源，选择适应度高的食物源作为蜂鸟的新食物源，并根据食物源的选择更新访问表与适应度表，若蜂鸟本次飞行后在候选食物源处获得了更多花蜜，则调整蜂鸟的飞行习惯表中a与b的值，增加该蜂鸟下次飞行时选择该飞行方式的概率。
S711：如果当前迭代次数满足迁徙条件时，则进行迁徙觅食，选择花蜜补充率最差的食物源处的蜂鸟，在解空间中随机生成新的食物源，蜂鸟迁徙至新食物源处，并更新访问表与适应度表，蜂鸟迁徙生成新食物源的公式如下：
Figure SMS_104
，
其中，
Figure SMS_105
表示花蜜补充率最差的食物来源，Min与Max分别表示解空间的上下限，r为随机数，/>
Figure SMS_106
S712：遍历本次迭代的适应度表，找出当前最优适应度的个体，与全局最优个体的适应度进行对比，如果当前最优适应度比全局最优适应度优秀，则将当前最优个体与当前最优适应度作为新的全局最优个体与全局最优适应度。
S713：判断迭代次数是否达到S71中的最大迭代次数，若达到则跳转S714，若未到达则跳转S705。
S714：算法结束，输出全局最优值与最优个体。
其中，全局最优值为优化后的最小成本，对应的解为算法给出的最优车货匹配方案。车辆的发车时间及路径根据车辆所负责的货物生成，车辆所负责的货物均到达配送中心且装车完成的时间点即为车辆的发车时间。
S8：根据车辆调度表依次调度货车，若货车负责的货物均到达配送中心且装载完成，则货车开始配送，货车配送完成后，将本次配送记录作为历史数据保存，从车辆调度表中删除该货车。若货车负责的预定单货物中存在订单取消、预定时间变更、货物在预约时间仍未到达配送中心的情况，则动态调整车辆调度表。
其中，货车负责的预订单货物出现取消订单的情况时，依次遍历待配送货物，若待配送货物的体积、质量均不大于取消货物；待配送货物的到达配送中心时间早于取消货物，预计发货时间晚于取消货物且货物的目的地在该货车的计划配送路径中，则将其标记为替补货物。遍历完成后，从所有的替补货物中选择剩余配送时间最短的货物替代被取消的货物。
替补货物必须满足以下条件：
条件1：替补货物的体积与质量均不大于取消货物，表示为：
Figure SMS_107
，
式中，
Figure SMS_108
为取消货物的体积，/>
Figure SMS_109
为候选替补货物体积，/>
Figure SMS_110
为取消货物的重量，/>
Figure SMS_111
为候选替补货物重量；
条件2：替补货物的到达配送中心时间不晚于取消货物：
Figure SMS_112
，
式中，
Figure SMS_113
为取消货物的到达配送中心时间，/>
Figure SMS_114
为候选替补货物的到达配送中心时间；
条件3：替补货物的预计发货时间不早于取消货物：
Figure SMS_115
，
式中，
Figure SMS_116
表示取消货物的预计发货时间，/>
Figure SMS_117
表示候选待匹配货物的预计发货时间；当/>
Figure SMS_118
时，/>
Figure SMS_119
，即当货物被分配到某一货车时，货物的预计发货时间为货车的发车时间；若货物还没有被分配给货车，则该货物的预计发货时间记为正无穷；
条件4：替补货物的目的地在货车的配送路径中，表示为：
Figure SMS_120
，
式中，
Figure SMS_121
表示候选货物c的目的地，/>
Figure SMS_122
表示货车v需要经过的配送点集合，车货匹配完成后，当/>
Figure SMS_123
时，/>
Figure SMS_124
会被加入到集合/>
Figure SMS_125
中。
货车负责的预订单货物出现预定时间变更的情况时，若货主将货物到达时间提前，则将该货物更新后的到达配送中心时间加上装货时间作为筛选时间，将发车时间晚于筛选时间，且配送路径中包含货物目的地的货车标记为待选择货车，从待选择货车中找出能装下该货物的货车进行配送；若货主将货物到达时间推迟或者货物在预约时间仍未到达配送中心，则在货车负责的货物列表中删除该货物，重新计算货车的发车时间，并为货物重新匹配合适的车辆。
其中，待选择货车需要满足以下条件：
条件1：货车的发车时间不早于货物的到达配送中心时间加装货时间，表示为：
Figure SMS_126
条件2：货车的剩余容积大于货物体积且剩余载重大于货物重量，表示为：
Figure SMS_127
，
式中，
Figure SMS_128
表示货车的剩余容积，/>
Figure SMS_129
为货车的剩余载重；
条件3：货物的目的地在货车的配送路径中，表示为：
Figure SMS_130
S9：判断车辆调度表中是否还有货车需要调度，若是则执行S8，否则执行S10。
S10：判断历史数据规模是否满足专线规划条件，若是则执行步骤11，否则结束流程；
其中，配送中心设置历史数据规模及专线变动时间，当存储的历史数据规模大于配送中心设置的规模且与上一次专线变动的时间间隔大于专线变动时间时，视为满足专线规划的条件。
S11：对历史数据进行分析，规划调整零担物流专线，删除分析后的历史数据。
更进一步的，专线规划的方法为：
由配送中心设置专线规划数量lineNum，遍历历史数据，统计各时间点每条路径的货运量并排序，找出配送量最多的前lineNum条线路与时间点，规划为零担班车专线。其中，配送中心设置最大差异值maxDif，将配送中心作为起点依次比较两条线路对应的每个节点，若两条线路的每个配送点之间的最大差异值均小于maxDif，则两条线路视为近似线路，第二条线路的配送量可归入第一条线路进行统计比较。线路中两个节点的差异性计算公式为：
Figure SMS_131
，
式中，
Figure SMS_133
表示节点n；/>
Figure SMS_136
表示节点n与节点m的差异值；
Figure SMS_139
表示节点距离在差异性度量中的权重；/>
Figure SMS_134
表示节点n在坐标轴的横坐标；/>
Figure SMS_137
表示节点n在坐标轴的纵坐标；/>
Figure SMS_140
表示货物数据在差异性度量中的权重；/>
Figure SMS_141
表示节点n卸下货物的总体积；/>
Figure SMS_132
表示节点n卸下货物的总重量；/>
Figure SMS_135
表示时间在差异性度量中的权重；/>
Figure SMS_138
表示节点n配送量最大的时间点。
本实施例中的计算机设备可以是服务器。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车货匹配模型的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种考虑预约机制的零担车货匹配及车辆调度方法。
实施例2
参照图4和5，为本发明的一个实施例，提供了一种考虑预约机制的零担车货匹配及车辆调度方法，为了验证本发明的有益效果，通过仿真与对比实验进行科学论证。
运行环境：在WINDOWS 10系统上运行MATLAB R2018b进行仿真。
具体算例：某配送中心在当前配送周期内有货物25件，货车10辆；其中货物信息如表1所示，货车信息如表2所示。
表1 货物信息表
货物序号 体积（m<sup>3</sup>） 重量（t） 包装装卸费用（元） 到达配送中心时间 最大配送时间（h） 装卸时间（h） 目的地坐标 超时罚款（元/h）
1 6.27 1.58 26 16:33:38 5 0.76 960.141,633.3396 41
2 6.21 0.25 18 11:51:24 4 0.50 983.5223,621.2187 23
3 0.66 1.50 16 12:24:17 4 0.10 734.4061,712.5723 46
4 8.72 0.07 24 12:54:56 3 0.35 734.4061,712.5723 40
5 3.01 0.28 30 10:37:33 5 0.32 960.141,633.3396 50
6 7.51 1.99 14 18:35:39 4 0.10 614.3255,295.497 48
7 4.64 1.21 14 11:32:39 3 0.53 557.2459,688.5126 48
8 2.95 0.81 16 13:53:09 3 0.94 983.5223,621.2187 34
9 4.54 0.72 18 10:42:36 5 0.39 166.9487,121.6863 40
10 8.55 0.01 14 8:34:51 4 0.23 308.8963,678.3729 45
11 8.42 0.55 26 13:33:30 5 0.33 423.9712,849.1966 11
12 8.92 1.40 26 18:08:34 5 0.87 656.9507,363.6435 47
13 4.57 1.80 30 15:43:40 6 0.88 960.141,633.3396 18
14 1.27 1.50 12 13:53:03 5 0.69 983.5223,621.2187 44
15 0.07 1.12 28 12:18:14 5 0.90 656.9507,363.6435 34
16 1.27 1.32 24 18:54:00 5 0.76 166.9487,121.6863 33
17 10.66 1.79 18 9:49:42 3 0.13 493.1949,918.2258 11
18 7.30 1.45 26 7:36:12 5 0.82 1.2812,623.1342 23
19 5.53 0.48 12 11:46:27 5 0.22 97.7679,646.3862 31
20 5.84 1.91 12 9:13:15 6 0.34 960.141,633.3396 25
21 7.96 0.73 28 17:01:17 3 0.38 493.1949,918.2258 36
22 8.57 1.76 18 12:59:41 6 0.47 983.5223,621.2187 43
23 11.78 1.88 14 16:55:43 4 0.02 455.4655,291.5421 14
24 8.48 0.76 14 9:30:56 5 0.01 1.2812,623.1342 17
25 10.11 1.01 26 9:47:18 4 0.23 960.141,633.3396 31
表2 货车信息表
货车编号 发车基础费用（元） 油耗费用（元/km） 行驶速度（km/h） 可用载重（t） 可用容量（m<sup>3</sup>）
1 139 0.8 73 11 50
2 108 0.8 65 11 54
3 106 0.8 63 11 48
4 140 0.8 64 14 55
5 147 0.8 72 15 47
6 187 0.8 75 13 53
7 190 0.8 72 14 54
8 175 0.8 74 13 51
9 137 0.8 63 14 48
10 138 0.8 62 14 49
测试过程：将货车从1到10进行编号，解空间下限定为1，解空间上限定为10。在解空间内生成25个随机数，对随机数进行就近取整，可得到一组解，每个整数表示货物对应的货车编号，再通过算法迭代求出结果。在传统的车货匹配求解方法中，改进遗传算法的应用较为广泛，选取一种改进遗传算法与改进人工蜂鸟算法进行对比，迭代次数均设置为500。
为了避免实验结果的偶然性，进行15次计算，取平均值进行对比，结果表3所示：
表3 仿真实验对比结果
算法名称 总成本/元 计算耗时/s
改进遗传算法 8426.93 18.6
改进人工蜂鸟算法 8110.71 14.7
图4为改进人工蜂鸟算法的目标函数变化趋势图，由图中当前最优值随迭代次数的变化曲线可知本发明的车货匹配模型结合改进人工蜂鸟算法有良好的优化效果，收敛速度快，寻优能力强；
参照图5为传统方法生成的初始解与改进人工蜂鸟算法生成初始解的对比，传统方法生成的初始解在解空间的分布不均匀，结合车货匹配模型可以理解为大量货物被装载到同一辆货车，而部分货车没有被分配到货物。这会影响算法的收敛速度，改进人工蜂鸟算法的初始解能够在解空间均匀分布，再结合引入的飞行习惯表以及优秀食物源记忆机制，能够提高解的多样性，提升算法性能。
综上，本实施例建立基于预约机制的动态车货匹配模型，通过改进人工蜂鸟算法进行求解，匹配完成后对车辆进行调度，充分考虑了预约机制下订单取消、订单时间变更等情况，在保证货物运输的基础上，降低配送中心的运输成本，提升了配送中心的配送效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
应说明的是，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，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种考虑预约机制的零担车货匹配及车辆调度方法，其特征在于，包括：
配送中心收集车辆与货物信息，放入待匹配队列，同时对预约单信息进行筛选，将满足条件的预约单加入匹配队列；
根据零担物流班车专线规划情况，选择部分货物由专线班车进行配送；
建立车货匹配模型并通过改进人工蜂鸟算法求解得到配送成本最小的车货匹配结果，规划出车辆调度表；
根据车辆调度表对车辆进行调度，对班车专线进行分析与调整。
2.如权利要求1所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述车辆与货物信息包括目前在配送中心的可调度车辆信息和已到达配送中心的货物信息，其中车辆信息包括车辆载重，可容纳货物体积，发车基础费用，油耗，行驶速度；货物信息包括物体积，重量，超时罚款，目的地，允许的最大配送时间，到达配送中心时间；
所述预约单用于描述预约货物信息，所述预约单信息包括货物的体积、载重、超时罚款、目的地、到达配送中心时间、允许的最大配送时间；
所述配送中心为周边区域的零担货物收货点及零担货物配送点，需要配送的货物必须先到达配送中心进行装车，货物分为已到达配送中心货物与预订单货物两种，配送中心有若干车辆，配送中心需要安排车辆配送的货物与车辆发车时间；货物有允许的最大配送时间，若从货物送达配送中心到货物配送至目的地所耗费的时间超过货物允许的最大配送时间，则会产生超时罚款。
3.如权利要求1或2所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述对预约单信息进行筛选，将满足条件的预约单加入匹配队列的步骤还包括：
根据所述配送中心的开始配送时间和结束配送时间对预约单的货物到达配送中心时间进行筛选；
将早于所述结束配送时间到达的货物划分到当前配送周期并纳入匹配；
进行所述匹配时，允许将还未到达配送中心的货物与已到达配送中心的货物分配到同一辆车上，货车需要等待所有分配的货物均到达配送中心且装载完成才能够发车。
4.如权利要求1所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述零担物流班车专线为：每天固定时间固定路线的配送，班车由配送中心出发，将负责的货物配送完成后再回到配送中心；所述零担物流专线根据配送量较大的路径与时间点规划得出，若货物的配送点在专线班车的配送路线中，且根据班车发车的时间点计算，货物的配送不会超时，则该货物符合专线班车的配送条件。
5.如权利要求1所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述建立车货匹配模型包括：
目标函数，表示为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
为车辆发车的基础费用， />
Figure QLYQS_3
为根据车辆行驶路径计算的油耗费用，/>
Figure QLYQS_4
为货物的包装与装卸费用，/>
Figure QLYQS_5
为超时货物的罚款；
式中，V表示车辆集合{1,2,3……v}；P表示配送中心以及配送点，P={0,1,2……p}，其中0表示配送中心，其余编号表示需要配送的地点；
Figure QLYQS_7
表示车辆v是否从点i行驶到点j；
Figure QLYQS_11
表示车辆v发车的基础费用；/>
Figure QLYQS_15
表示点i到点j的距离；/>
Figure QLYQS_8
表示车辆v的油耗；C表示所有货物集合{1,2,3……c}；/>
Figure QLYQS_12
表示货物c是否由车辆v负责运输；/>
Figure QLYQS_16
表示货物c的包装、装卸费用；/>
Figure QLYQS_19
表示货车v的发车时间；/>
Figure QLYQS_6
表示当前配送方案下货物c距离目的地的距离；/>
Figure QLYQS_10
表示货车v的行驶速度；/>
Figure QLYQS_13
表示当前匹配方案中，车辆v负责且计划在货物c之前配送的货物集合{1,2,3……e}；/>
Figure QLYQS_18
表示货物c的装/卸货时间；/>
Figure QLYQS_9
表示货物c到达配送中心的时间点；/>
Figure QLYQS_14
表示货物c允许的最大配送时间；/>
Figure QLYQS_17
表示货物c的超时罚款。
6.如权利要求1或5所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述通过改进人工蜂鸟算法求解的步骤包括：
初始化参数，包括：最大迭代次数，维度，解空间下限，解空间上限，种群数量，迁徙系数；
引入sobol序列初始化种群，在解空间中生成初始食物源的位置，使食物源在解空间的分布更均匀，保证解的多样性；
初始化适应度表格，对种群中的个体计算适应度，并初始化食物源访问表；
蜂鸟飞行方式包括：全向飞行、轴向飞行和对角飞行，引入飞行方式奖励机制，使每只蜂鸟更趋向于选择获取花蜜多的飞行方式，初始化每只蜂鸟的飞行习惯表，初始时蜂鸟选择三种飞行的概率相等；
根据蜂鸟的飞行习惯表，选择蜂鸟本次觅食的飞行方式；
随机选择蜂鸟的觅食方式：引导觅食或区域觅食；
判断蜂鸟的觅食方式是否为引导觅食；
若是，查询食物源访问表与适应度表，选择长时间未访问且花蜜补充率高的食物源作为目标食物源，引入优秀食物源记忆机制，大部分蜂鸟根据目标食物源与飞行方式生成下一次迭代的候选食物源，同时蜂鸟有一定概率会结合上一次迭代的优秀食物源与本次目标食物源进行飞行，并生成下一次迭代的候选食物源，避免蜂鸟总是在自己的目标食物源处飞行，陷入局部最优；
否则，蜂鸟不访问其他现有的食物源，移动到自己领地外的邻近地区寻找新食物源作为候选食物源；
比较候选食物源与蜂鸟的原食物源，选择适应度高的食物源作为蜂鸟的新食物源，并根据食物源的选择更新访问表与适应度表，若蜂鸟本次飞行后在候选食物源处获得了更多花蜜，则调整蜂鸟的飞行习惯表，增加该蜂鸟下次飞行时选择该飞行方式的概率；
如果当前迭代次数满足迁徙条件时，则进行迁徙觅食，选择花蜜补充率最差的食物源处的蜂鸟，在解空间中随机生成新的食物源，蜂鸟迁徙至新食物源处，并更新访问表与适应度表；
遍历本次迭代的适应度表，找出当前最优适应度的个体，与全局最优个体的适应度进行对比，如果当前最优适应度比全局最优适应度优秀，则将当前最优个体与当前最优适应度作为新的全局最优个体与全局最优适应度；
判断迭代次数是否达到初始化参数中的最大迭代次数；
若达到则算法结束，输出全局最优值与最优个体，若未到达则继续迭代。
7.如权利要求1所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述根据车辆调度表对车辆进行调度，对班车专线进行分析与调整，还包括：
判断所述车辆调度表中是否还有货车需要调度；
若是，则根据车辆调度表依次调度货车：
若货车负责的货物均到达配送中心且装载完成，则货车开始配送，货车配送完成后，将本次配送记录作为历史数据保存，从车辆调度表中删除该货车；
若货车负责的预定单货物中存在订单取消、预定时间变更、货物在预约时间仍未到达配送中心的情况，则动态调整车辆调度表；
其中，货车负责的预订单货物出现取消订单的情况时，依次遍历待配送货物，若待配送货物的体积、质量均不大于取消货物，待配送货物的到达配送中心时间早于取消货物，预计发货时间晚于取消货物且货物的目的地在该货车的计划配送路径中，则将其标记为替补货物；遍历完成后，从所有的替补货物中选择剩余配送时间最短的货物替代被取消的货物；
所述替补货物必须满足的条件，包括：
所述替补货物的体积与质量均不大于取消货物，表示为：
Figure QLYQS_20
，
式中，
Figure QLYQS_21
为取消货物的体积，/>
Figure QLYQS_22
为候选替补货物体积，/>
Figure QLYQS_23
为取消货物的重量，/>
Figure QLYQS_24
为候选替补货物重量；
所述替补货物的到达配送中心时间不晚于取消货物，表示为：
Figure QLYQS_25
，
式中，
Figure QLYQS_26
为取消货物的到达配送中心时间，/>
Figure QLYQS_27
为候选替补货物的到达配送中心时间；
所述替补货物的预计发货时间不早于取消货物，表示为：
Figure QLYQS_28
，
式中，
Figure QLYQS_29
表示取消货物的预计发货时间，/>
Figure QLYQS_30
表示候选待匹配货物的预计发货时间；当/>
Figure QLYQS_31
时，/>
Figure QLYQS_32
，即当货物被分配到某一货车时，货物的预计发货时间为货车的发车时间；若货物还没有被分配给货车，则该货物的预计发货时间记为正无穷；
所述替补货物的目的地在货车的配送路径中，表示为：
Figure QLYQS_33
，
式中，
Figure QLYQS_34
表示候选货物c的目的地，/>
Figure QLYQS_35
表示货车v需要经过的配送点集合，车货匹配完成后，当/>
Figure QLYQS_36
时，/>
Figure QLYQS_37
会被加入到集合/>
Figure QLYQS_38
中；/>
当货车负责的预订单货物出现预定时间变更的情况时，若货主将货物到达时间提前，则将该货物更新后的到达配送中心时间加上装货时间作为筛选时间，将发车时间晚于筛选时间且配送路径中包含货物目的地的货车标记为待选择货车，从待选择货车中找出能装下该货物的货车进行配送；若货主将货物到达时间推迟或者货物在预约时间仍未到达配送中心，则在货车负责的货物列表中删除该货物，重新计算货车的发车时间，并为货物重新匹配合适的车辆；
所述待选择货车需要满足的条件，包括：
货车的发车时间不早于货物的到达配送中心时间加装货时间，表示为：
Figure QLYQS_39
；
货车的剩余容积大于货物体积且剩余载重大于货物重量，表示为：
Figure QLYQS_40
，
式中，
Figure QLYQS_41
表示货车的剩余容积，/>
Figure QLYQS_42
为货车的剩余载重；
货物的目的地在货车的配送路径中，表示为：
Figure QLYQS_43
；
若判断无货车需要调度，则判断历史数据规模是否满足专线规划条件，满足所述专线规划条件则对历史数据进行分析，规划调整零担物流专线，删除分析后的历史数据；否则结束流程。
8.如权利要求7所述的考虑预约机制的零担车货匹配及车辆调度方法，其特征在于：所述判断历史数据规模是否满足专线规划条件包括：由配送中心设置历史数据规模及专线变动时间，当存储的历史数据规模大于配送中心设置的规模且与上一次专线变动的时间间隔大于专线变动时间时，视为满足所述专线规划条件，否则视为不满足所述专线规划条件；
所述专线规划的方法为：由配送中心设置专线规划数量lineNum，遍历历史数据，统计各时间点每条路径的货运量并排序，找出配送量最多的前lineNum条线路与时间点，规划为零担班车专线；其中，配送中心设置最大差异值maxDif，将配送中心作为起点依次比较两条线路对应的每个节点，若两条线路的每个配送点之间的最大差异值均小于maxDif，则两条线路视为近似线路，第二条线路的配送量可归入第一条线路进行统计比较；
其中，线路中两个节点的差异性计算公式为：
Figure QLYQS_44
，
式中，
Figure QLYQS_46
表示节点n；/>
Figure QLYQS_49
表示节点n与节点m的差异值；
Figure QLYQS_52
表示节点距离在差异性度量中的权重；/>
Figure QLYQS_47
表示节点n在坐标轴的横坐标；/>
Figure QLYQS_50
表示节点n在坐标轴的纵坐标；/>
Figure QLYQS_53
表示货物数据在差异性度量中的权重；/>
Figure QLYQS_54
表示节点n卸下货物的总体积；/>
Figure QLYQS_45
表示节点n卸下货物的总重量；/>
Figure QLYQS_48
表示时间在差异性度量中的权重；/>
Figure QLYQS_51
表示节点n配送量最大的时间点。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202310176109.XA 2023-02-28 2023-02-28 一种考虑预约机制的零担车货匹配及车辆调度方法 Active CN115860613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310176109.XA CN115860613B (zh) 2023-02-28 2023-02-28 一种考虑预约机制的零担车货匹配及车辆调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310176109.XA CN115860613B (zh) 2023-02-28 2023-02-28 一种考虑预约机制的零担车货匹配及车辆调度方法

Publications (2)

Publication Number Publication Date
CN115860613A true CN115860613A (zh) 2023-03-28
CN115860613B CN115860613B (zh) 2023-07-25

Family

ID=85659321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310176109.XA Active CN115860613B (zh) 2023-02-28 2023-02-28 一种考虑预约机制的零担车货匹配及车辆调度方法

Country Status (1)

Country Link
CN (1) CN115860613B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342011A (zh) * 2023-05-23 2023-06-27 万联易达物流科技有限公司 一种整车运输的车货智能匹配方法和系统
CN116562481A (zh) * 2023-04-06 2023-08-08 江苏智慧工场技术研究院有限公司 Agv多目标点自主导航方法、系统、终端及存储介质
CN116644940A (zh) * 2023-07-18 2023-08-25 天津鸿飞达科技有限公司 一种车辆调度方法及系统
CN117236824A (zh) * 2023-11-15 2023-12-15 新立讯科技股份有限公司 一种用于农产品在线交易平台的物流调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882200A (zh) * 2020-07-23 2020-11-03 长安大学 一种考虑车辆路径与三维装箱的车货匹配方法
CN112686458A (zh) * 2021-01-05 2021-04-20 昆明理工大学 一种多车型车队配送货过程的优化调度方法
CN114529241A (zh) * 2022-02-23 2022-05-24 上海优巽供应链科技有限公司 一种基于运筹学理论的公路零担货运物流路径规划算法
CN114925995A (zh) * 2022-05-07 2022-08-19 河南理工大学 基于单亲遗传算法的公路干线车货匹配和路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882200A (zh) * 2020-07-23 2020-11-03 长安大学 一种考虑车辆路径与三维装箱的车货匹配方法
CN112686458A (zh) * 2021-01-05 2021-04-20 昆明理工大学 一种多车型车队配送货过程的优化调度方法
CN114529241A (zh) * 2022-02-23 2022-05-24 上海优巽供应链科技有限公司 一种基于运筹学理论的公路零担货运物流路径规划算法
CN114925995A (zh) * 2022-05-07 2022-08-19 河南理工大学 基于单亲遗传算法的公路干线车货匹配和路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任经天: "基于多串点的J物流公司干支线零担物流路径优化研究" *
张佳蕊: "货运"O2O"平台车辆路径规划问题研究" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562481A (zh) * 2023-04-06 2023-08-08 江苏智慧工场技术研究院有限公司 Agv多目标点自主导航方法、系统、终端及存储介质
CN116562481B (zh) * 2023-04-06 2023-12-15 江苏智慧工场技术研究院有限公司 Agv多目标点自主导航方法、系统、终端及存储介质
CN116342011A (zh) * 2023-05-23 2023-06-27 万联易达物流科技有限公司 一种整车运输的车货智能匹配方法和系统
CN116342011B (zh) * 2023-05-23 2023-07-21 万联易达物流科技有限公司 一种整车运输的车货智能匹配方法和系统
CN116644940A (zh) * 2023-07-18 2023-08-25 天津鸿飞达科技有限公司 一种车辆调度方法及系统
CN116644940B (zh) * 2023-07-18 2023-10-20 天津鸿飞达科技有限公司 一种车辆调度方法及系统
CN117236824A (zh) * 2023-11-15 2023-12-15 新立讯科技股份有限公司 一种用于农产品在线交易平台的物流调度方法
CN117236824B (zh) * 2023-11-15 2024-02-20 新立讯科技股份有限公司 一种用于农产品在线交易平台的物流调度方法

Also Published As

Publication number Publication date
CN115860613B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN115860613A (zh) 一种考虑预约机制的零担车货匹配及车辆调度方法
CN110189077B (zh) 一种考虑三维装载约束的多阶段车货匹配方法
US10535033B2 (en) System and method of vessel scheduling for product distribution
US20220035374A1 (en) Scheduling method and system for fully autonomous waterborne inter terminal transportation
CN108846623B (zh) 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
CN109214756B (zh) 整车物流调度方法及装置、存储介质、终端
CN112183812B (zh) 一种计及短时低成本的成品卷烟物流车辆调度方法
Vahdani Assignment and scheduling trucks in cross-docking system with energy consumption consideration and trucks queuing
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及系统
CN109345091B (zh) 基于蚁群算法的整车物流调度方法及装置、存储介质、终端
Tirado et al. Heuristics for dynamic and stochastic routing in industrial shipping
US20200327497A1 (en) System and method for linehaul optimization
Stolk et al. Combining vehicle routing and packing for optimal delivery schedules of water tanks
CN116187896B (zh) 绿色车辆路径问题求解方法、装置、计算机设备以及介质
Dong et al. Reoptimization framework and policy analysis for maritime inventory routing under uncertainty
Hossein Nia Shavaki et al. A rule-based heuristic algorithm for joint order batching and delivery planning of online retailers with multiple order pickers
Wang et al. Pickup and delivery of automobiles from warehouses to dealers
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
CN115545608A (zh) 基于不确定需求下的绿色物流车辆路径优化方法及应用
Pal et al. SmartPorter: A combined perishable food and people transport architecture in smart urban areas
JP4025652B2 (ja) 輸送計画作成システム及び方法
JP2004326711A (ja) 配車計画立案方法および装置
CN114706386A (zh) 车机协同取送货路径优化方法和系统
Al Theeb et al. Optimization of the heterogeneous vehicle routing problem with cross docking logistic system
CN115829431A (zh) 基于优化分支限界法的电力物资配送调配方法

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
GR01 Patent grant
GR01 Patent grant