CN115907161A - 一种物料分配运输优化的方法、装置、设备及介质 - Google Patents

一种物料分配运输优化的方法、装置、设备及介质 Download PDF

Info

Publication number
CN115907161A
CN115907161A CN202211471887.3A CN202211471887A CN115907161A CN 115907161 A CN115907161 A CN 115907161A CN 202211471887 A CN202211471887 A CN 202211471887A CN 115907161 A CN115907161 A CN 115907161A
Authority
CN
China
Prior art keywords
transportation
function
amount
terminal
gap
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
CN202211471887.3A
Other languages
English (en)
Inventor
孙自强
顾伟
郑毅
蒋俊峰
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.)
China Resources Digital Technology Co Ltd
Original Assignee
China Resources Digital 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 China Resources Digital Technology Co Ltd filed Critical China Resources Digital Technology Co Ltd
Priority to CN202211471887.3A priority Critical patent/CN115907161A/zh
Publication of CN115907161A publication Critical patent/CN115907161A/zh
Pending legal-status Critical Current

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

本申请涉及计算机技术领域，尤其涉及一种物料分配运输优化的方法、装置、设备及介质。该方法包括：获取物料运输的基础信息和运输决策参数；根据运输车辆承载重量、运输单价作为函数参数，车辆数和缺口量作为函数变量进行函数构建，得到目标成本函数；根据要求运输量和最大供应量作为函数参数，运输量和缺口量作为函数变量进行函数构建，得到约束条件函数；将目标成本函数和约束条件函数进行合并，得到物料分配运输优化模型；对物料分配运输优化模型进行模型求解，得到物料运输优化策略。本申请实施例求解后得到的物料运输优化策略包括：各供应商终端到各工厂终端的运输量、车辆数和缺口量，且满足了最小化成本原则。

Description

一种物料分配运输优化的方法、装置、设备及介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种物料分配运输优化的方法、装置、设备及介质。
背景技术
相关技术中，对于原材料等的采购常常以固定一家或多家供应商进行提供，并对各家供应商采购的数量相差不同。由于工厂未向各家供应商进行采购的采购量精确计算，常常会出现采购量不合理现象，存在资源浪费、运输成本过高等问题。因此，工厂如何更加合理的采购原材料(加工瓶子用的PET原料，可拓展液体原料、粉末原料，块状原料等)，使运输到各工厂的总运费最低。因此，如何提供一种物料分配运输优化的方法，能够减少运输货物到工厂的总运费，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种物料分配运输优化的方法、装置、设备及介质，能够减少运输货物到工厂的总运费。
为实现上述目的，本申请实施例的第一方面提出了一种物料分配运输优化的方法，所述方法包括：
获取物料运输的基础信息和运输决策参数；所述基础信息包括：工厂终端的要求运输量、供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量；所述运输决策参数包括：运输量、车辆数和缺口量；
根据所述运输车辆承载重量、所述运输单价作为函数参数，所述车辆数和所述缺口量作为函数变量进行函数构建，得到目标成本函数；
根据所述要求运输量和所述最大供应量作为函数参数，所述运输量和所述缺口量作为函数变量进行函数构建，得到约束条件函数；
将所述目标成本函数和所述约束条件函数进行合并，得到物料分配运输优化模型；
对所述物料分配运输优化模型进行模型求解，得到物料运输优化策略。
在一些实施例，所述物料运输优化策略包括所述缺口量的数值，在所述对所述物料分配运输优化模型进行模型求解，得到物料运输优化策略之后，所述方法还包括：
对供应商终端进行筛选，具体包括：
将所述缺口量的数值与预设补货量阈值进行比较，得到比较结果；
若所述比较结果为所述缺口量的数值大于所述预设补货量阈值，则删除所述供应商终端。
在一些实施例，所述对供应商终端进行筛选，还包括：
若所述比较结果所述缺口量的数值小于或等于所述预设补货量阈值，则获取所述供应商终端的补货时长；
若所述补货时长大于或等于预设的等待补货时长阈值，则删除所述供应商终端；
若所述补货时长小于所述等待补货时长阈值，则向所述供应商终端发送提醒信息；其中，所述提醒信息用于表示所述供应商终端在所述等待补货时长阈值之内需要补货的数量。
在一些实施例，所述根据所述运输车辆承载重量、所述运输单价作为函数参数，所述车辆数和所述缺口量作为函数变量进行函数构建，得到目标成本函数，包括：
根据所述运输车辆承载重量、所述运输单价进行乘积计算，得到原始成本函数；
根据预设的运输成本系数对所述原始成本函数进行指数计算，得到初步成本函数；其中，所述运输成本系数通过所述供应商终端的运输天数计算得到；
对所述初步成本函数和所述车辆数进行乘积计算，得到运输成本函数；
根据所述缺口量作为函数变量进行函数构建，得到运输缺口量函数；
将所述运输成本函数和所述运输缺口量函数进行合并，得到目标成本函数。
在一些实施例，所述将所述运输成本函数和所述运输缺口量函数进行合并，得到目标成本函数，包括：
根据预设的缺口量影响系数对所述运输缺口量函数进行更新，得到目标运输缺口量函数；
对所述运输成本函数和所述目标运输缺口量函数进行求和计算，得到所述目标成本函数。
在一些实施例，所述目标成本函数通过以下公式表示：
Figure BDA0003958816420000021
其中，d：供应商终端i到工厂终端j的运输天数，a1：天数影响系数，t：运输车辆承载重量，p：运输单价，Y：车辆数，a2：缺口量影响系数，Z：缺口量，i：供应商终端，m：供应商终端的数量，j：工厂终端，n：工厂终端的数量。
在一些实施例，所述约束条件函数，包括：
Figure BDA0003958816420000022
Figure BDA0003958816420000031
L×Y＝＝X；
其中，u：工厂终端的要求运输量，X：运输量，Z：缺口量，L：供应商终端的最大供应量，j：终端，n：工厂终端的数量；i：供应商终端，m：供应商终端的数量；Y：车辆数。
本申请实施例的第二方面提出了一种物料分配运输优化的装置，所述装置包括：
信息获取模块，用于获取物料运输的基础信息和运输决策参数；所述基础信息包括：工厂终端的要求运输量、供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量；所述运输决策参数包括：运输量、车辆数和缺口量；
成本函数构建模块，用于根据所述运输车辆承载重量、所述运输单价作为函数参数，所述车辆数和所述缺口量作为函数变量进行函数构建，得到目标成本函数；
约束条件构建模块，用于根据所述要求运输量和所述最大供应量作为函数参数，所述运输量和所述缺口量作为函数变量进行函数构建，得到约束条件函数；
优化模型构建模块，用于将所述目标成本函数和所述约束条件函数进行合并，得到物料分配运输优化模型；
策略求解模块，用于对所述物料分配运输优化模型进行模型求解，得到物料运输优化策略。
本申请实施例的第三方面提出了一种计算机设备，所述一种计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的一种物料分配运输优化的方法。
本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如本申请第一方面实施例任一项所述的一种物料分配运输优化的方法。
本申请实施例提出的一种物料分配运输优化的方法、装置、设备及介质，通过将运输量、车辆数和缺口量作为函数变量并进行模型的构建，可求解出满足最低运费条件下的运输量和供应商终端的缺口量，而求解后得到的物料运输优化策略给出的对应各供应商终端到各工厂终端的缺口量为满足最小化成本原则下需要给各供应商补货的量，即可指导出哪家供应商及时补货的最佳方案。
附图说明
图1是本申请一个实施例提供的用于执行物料分配运输优化的方法的系统架构示意图；
图2是本申请一个实施例提供的物料分配运输优化的方法的步骤流程图；
图3是图1中步骤S102的步骤流程图；
图4是本申请另一个实施例提供的物料分配运输优化的方法的步骤流程图；
图5是本申请另一个实施例提供的物料分配运输优化的方法的步骤流程图；
图6为本申请一个实施例提供的物料分配运输优化的装置的模块结构框图；
图7是本申请一个实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
本申请实施例提供的一种物料分配运输优化的方法可以应用于人工智能之中，人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
目前，一些工厂加工的成品也越来越复杂和繁多，而工厂对应的原材料的采购也越来越频繁和庞大。现有技术中，对于原材料等的采购常常以固定一家或多家供应商进行提供，并对各家供应商采购的数量相差不同。由于工厂未向各家供应商进行采购的采购量精确计算，从而常常会出现采购量不合理现象，存在资源浪费、运输成本过高等问题。
因此，工厂如何更加合理的采购原材料(加工瓶子用的PET原料，可拓展液体原料、粉末原料，块状原料等)，使运输到各工厂的总运费最低，成为了亟待解决的技术问题。
基于此，本申请实施例提出了一种物料分配运输优化的方法，通过获取物料运输的基础信息和运输决策参数，运输决策参数包括：运输量、车辆数和缺口量，从而构建目标成本函数和约束条件函数，进而得到物料分配运输优化模型，最终得到物料运输优化策略。本申请实施例根据物料运输优化策略得到供应商的运输量、车辆数，使得运输到各个工厂的总运费最低。另外，本申请实施例在解决了运费低的技术问题的基础上，还可以从物料运输优化策略中得到缺口量，可以对于不满足需求量的供应商给出需补货的缺口量，以便供应商能够及时补充对应货量，得到运费更加低，且更加合理的物料运输优化策略。此外，本申请实施例还提供了一种物料分配运输优化的装置、计算机设备、以及计算机存储介质，用于执行一种物料分配运输优化的方法。
本申请实施例提供的一种物料分配运输优化的方法应用于服务器端中，还可以是运行于服务器端中的软件。在一些实施例中，服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现上述方法的应用等，但并不局限于以上形式。
本申请实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请提供了一种物料分配运输优化的方法，可以应用于如图1所示的系统架构100中，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
工厂终端或供应商终端可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供物料分配运输优化的方法一般由服务器执行，相应地，物料分配运输优化的装置一般设置于服务器中。例如，工厂终端通过终端设备101向服务器105发送要求运输量。供应商终端通过终端设备102向服务器105发送运输车辆承载重量、运输单价和最大供应量。服务器105在接收到要求运输量、运输车辆承载重量、运输单价和最大供应量之后，继续执行物料分配运输优化的方法的其他步骤，以便得到物料运输优化策略。服务器105将物料运输优化策略发送给供应商终端，以使供应商终端根据物料运输优化策略向工厂终端运输货物。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
本申请实施例提供的一种物料分配运输优化的方法，具体通过如下实施例进行说明。
参照图2，根据本申请实施例的一种物料分配运输优化的方法，该方法包括但不限于步骤S101至步骤S105。
步骤S101，获取物料运输的基础信息和运输决策参数；基础信息包括：工厂终端的要求运输量、供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量；运输决策参数包括：运输量、车辆数和缺口量；
步骤S102，根据运输车辆承载重量、运输单价作为函数参数，车辆数和缺口量作为函数变量进行函数构建，得到目标成本函数；
步骤S103，根据要求运输量和最大供应量作为函数参数，运输量和缺口量作为函数变量进行函数构建，得到约束条件函数；
步骤S104，将目标成本函数和约束条件函数进行合并，得到物料分配运输优化模型；
步骤S105，对物料分配运输优化模型进行模型求解，得到物料运输优化策略。
本申请实施例所示意的步骤S101至步骤S105，一般情况下，工厂终端无法准确预估供应商终端的供应能力，在工厂终端给出要求运输量时，很多时候工厂终端供应不上来。但工厂终端却不知分配给哪个供应商终端进行补货，且同时又能满足运费成本最低。因此，通过本实施例的方法，将运输量、车辆数和缺口量作为函数变量并进行模型的构建，可求解出满足最低运费条件下的运输量和供应商终端的缺口量，而求解后结果(物料运输优化策略)给出的对应各供应商终端到各工厂终端的缺口量为满足最小化成本原则下需要给各供应商补货的量，即可指导出哪家供应商及时补货的最佳方案。本申请实施例通过运输量与缺口量两个变量的结合，即规避了出现无解的情况，又同步能排查出在满足运费最低前提下，供需关系紧张程度，及时提前预警，降本增效。
在一些实施例的步骤S101中，如表1所示，基础信息包括供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量。如表2所示，基础信息还包括工厂终端的要求运输量。需要说明的是，运输车辆承载重量、最大供应量和要求运输量均是重量单位。表1由供应商提供，表2由工厂提供。
运输决策参数即为本申请的物料分配运输优化模型所要得到物料运输优化策略的具体数值。本申请实施例的运输决策参数包括：运输量(X)，车辆数(Y)，和缺口量(Z)。其中，运输量为具体哪家供应商运输多少量到哪家工厂(比如供应商A运输100吨到工厂1)，车辆数为具体哪家供应商运输到哪家工厂需要多少辆车(比如供应商A运输到工厂1需要10辆车)，缺口量为具体哪家供应商运输到哪家工厂还差多少量才能满足工厂的要求(比如运输100吨到工厂1需要160吨，但供应商A只有100吨运输量，故此供应商A到工厂1的缺口量为60吨)。
Figure BDA0003958816420000071
表1
工厂 要求运输量
工厂1 3000
工厂2 2000
表2
在一些实施例中，参阅图3，步骤S102具体包括但不限于步骤S201至步骤S205：
步骤S201，根据运输车辆承载重量、运输单价进行乘积计算，得到原始成本函数；
步骤S202，根据预设的运输成本系数对原始成本函数进行指数计算，得到初步成本函数；其中，运输成本系数通过供应商终端的运输天数计算得到；
步骤S203，对初步成本函数和车辆数进行乘积计算，得到运输成本函数；
步骤S204，根据缺口量作为函数变量进行函数构建，得到运输缺口量函数；
步骤S205，将运输成本函数和运输缺口量函数进行合并，得到目标成本函数。
具体地，通过步骤S201至步骤S205得到的目标成本函数如公式(1)所示。
Figure BDA0003958816420000081
其中，d：供应商终端i到工厂终端j的运输天数，a1：天数影响系数，t：运输车辆承载重量，p：运输单价，Y：车辆数，Z：缺口量，i：供应商终端，m：供应商终端的数量，j：工厂终端，n：工厂终端的数量。
需要说明的是，a1越小，则说明运输天数对运输成本的影响越大，a1越大，则说明运输天数对运输成本的影响越小。
在一些实施例中，步骤S205具体包括但不限于：
根据预设的缺口量影响系数对运输缺口量函数进行更新，得到目标运输缺口量函数；
对运输成本函数和目标运输缺口量函数进行求和计算，得到目标成本函数。
具体地，在缺口量影响系数更新下，新的目标成本函数如公式(2)所示。
Figure BDA0003958816420000082
其中，a2：缺口量影响系数。
需要说明的是，若a2越大，说明缺口量对运输成本的影响越大，若a2越小，说明缺口量对运输成本的影响越小。a2的取值范围在105至1020之间。
在一些实施例的步骤S103中，根据要求运输量和最大供应量作为函数参数，运输量和缺口量作为函数变量进行函数构建，得到约束条件函数。约束条件函数如公式(3)至(5)所示。
Figure BDA0003958816420000083
Figure BDA0003958816420000084
L×Y＝＝X (5)
其中，u：工厂终端的要求运输量，X：运输量，Z：缺口量，L：供应商终端的最大供应量，j：终端，n：工厂终端的数量；i：供应商终端，m：供应商终端的数量；Y：车辆数。
在一些实施例的步骤S104中，通过公式(2)至公式(5)构成物料分配运输优化模型。
在一些实施例的步骤S105中，对物料分配运输优化模型进行模型求解，得到物料运输优化策略。如表3所示，物料运输优化策略包括运输量的数值、车辆数的数值和缺口量的数值。
供应商 工厂 运输量(吨) 车辆数(辆) 缺口量(吨)
供应商A 工厂1 23 2 21
供应商A 工厂2 34 3 10
供应商B 工厂1 25 1 20
供应商B 工厂2 40 2 3
表3
在一些实施例中，参阅图4，在步骤S105之后，一种物料分配运输优化的方法还包括对供应商终端进行筛选，具体包括但不限于步骤S301至步骤S302：
步骤S301，将缺口量的数值与预设补货量阈值进行比较，得到比较结果；
步骤S302，若比较结果为缺口量的数值大于预设补货量阈值，则删除供应商终端。
本申请实施例所示意的步骤S301至步骤S302，若缺口量的数值大于预设补货量阈值，则说明供应商终端无法正常进行补货。若继续选择由该供应商进行运输货物，可能导致工厂无法正常收到货物，因此删除该供应商。
一般来说，若缺口量的数值小于或等于预设补货量阈值，则说明供应商终端虽然存在缺货情况，但可进行货物补充。因此，在一实施例中，若缺口量的数值小于或等于预设补货量阈值，则向供应商终端发送提醒信息；其中，提醒信息用于表示供应商终端需要补货的数量。
但在实际应用过程中发现，虽然供应商终端能够正常进行补货，但不同的供应商补货时长不同。而对于工厂而言，也不可能一直等待供应商补货，否则将影响工厂的加工效率。因此，在一实施例中，参照图5，对供应商终端进行筛选，还包括但不限于步骤S401至步骤S403：
步骤S401，若比较结果为缺口量的数值小于或等于预设补货量阈值，则获取供应商终端的补货时长；
步骤S402，若补货时长大于或等于预设的等待补货时长阈值，则删除供应商终端；
步骤S403，若补货时长小于等待补货时长阈值，则向供应商终端发送提醒信息；其中，提醒信息用于表示供应商终端在等待补货时长阈值之内需要补货的数量。
本申请实施例所示意的步骤S401至步骤S403，通过供应商的补货时长与等待补货时长阈值之间的比较，进一步确定供应商的补货能力，在保证运输费用最低的前提下，提高了供应商对工厂运输货物的及时性。
在一实施例中，对供应商终端进行筛选，还包括：
若比较结果为缺口量的数值大于预设补货量阈值，则向供应商终端发送补货信息；补货信息至少包括缺口量的数值；
接收供应商终端根据补货信息发送的反馈信息；反馈信息包括第一消息或第二信息，第一消息用于表示供应商终端能够进行补货，第二消息用于表示供应商终端不能进行补货；
若反馈信息为第一信息，则向供应商终端发送提醒信息；其中，提醒信息用于表示供应商终端在等待补货时长阈值之内需要补货的数量；
若反馈信息为第二信息，则删除供应商终端。
在一实际应用示例中，a1具体取值为5，a2具体取值为1010，则目标成本函数如公式(6)所示。
Figure BDA0003958816420000101
如上述公式(6)，左边(t*P)d/5为时间与费用加权出的成本，t*p为运输费用，d/5为时间折算费用成本。(t*p)d/5*Y为单独一个供应商与工厂之间的运输成本，基于m家供应商和n家工厂求和即为总运输成本。需要说明的是，供应商和工厂的运输时间是指一辆车一次从供应商到工厂的运输天数，是一个固定值，它是由供应商和工厂及运输工具决定的，并不会随运输量变更而变化，即无法作为变量，同样无法约束其变化，但可以考虑其影响。右边缺口量为具体哪家供应商运输到哪家工厂还差多少量才能满足工厂需求，此为一松弛变量，旨在出现需求量大于供应商的供应量时通过弹性控制运输量，同时也能提醒供应商及时补充原料。缺口量基于m家供应商和n家工厂求和即为总缺口量，乘以1010为凸显缺口量的影响，因为本示例的目标成本函数是成本，需要将成本最小化，就必须让高影响的缺口量尽可能小。除非需求量大于供应商的供应量时，则会出现缺口量，这也是本申请实施例分配运输优化的核心思想之一。通过公式(3)-(6)共同构成本示例的物料分配运输优化模型。这样在求解过程即能满足运费最优，又能找出无法满足需求量的供应商，使其及时补货。而求解后结果(物料运输优化策略)给出的对应各供应商到各工厂的缺口量为满足最小化成本原则下需要给各供应商补货的量，即可指导出在哪家供应商处及时补货的最佳方案。
请参阅图6，本申请实施例还提供一种物料分配运输优化的装置，可以实现上述一种物料分配运输优化的方法，图6为本申请实施例提供的一种物料分配运输优化的装置的模块结构框图，该装置包括：信息获取模块501、成本函数构建模块502、约束条件构建模块503、优化模型构建模块504和策略求解模块505。其中，信息获取模块501用于获取物料运输的基础信息和运输决策参数；基础信息包括：工厂终端的要求运输量、供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量；运输决策参数包括：运输量、车辆数和缺口量；成本函数构建模块502用于根据运输车辆承载重量、运输单价作为函数参数，车辆数和缺口量作为函数变量进行函数构建，得到目标成本函数；约束条件构建模块503用于根据要求运输量和最大供应量作为函数参数，运输量和缺口量作为函数变量进行函数构建，得到约束条件函数；优化模型构建模块504用于将目标成本函数和约束条件函数进行合并，得到物料分配运输优化模型；策略求解模块505用于对物料分配运输优化模型进行模型求解，得到物料运输优化策略。
通过本实施例的装置，将运输量、车辆数和缺口量作为函数变量并进行模型的构建，可求解出满足最低运费条件下的运输量和供应商终端的缺口量，而求解后结果(物料运输优化策略)给出的对应各供应商终端到各工厂终端的缺口量为满足最小化成本原则下需要给各供应商补货的量，即可指导出哪家供应商及时补货的最佳方案。本申请实施例通过运输量与缺口量两个变量的结合，即规避了出现无解的情况，又同步能排查出在满足运费最低前提下，供需关系紧张程度，及时提前预警，降本增效。
本申请实施例的一种物料分配运输优化的装置用于执行上述实施例中的一种物料分配运输优化的方法，其具体处理过程与上述实施例中的一种物料分配运输优化的方法相同，此处不再一一赘述。
本申请实施例还提供了一种计算机设备，包括存储器和处理器，其中，存储器中存储有计算机程序，该计算机程序被处理器执行时处理器用于执行如本申请实施例中任一项的一种物料分配运输优化的方法。
下面结合图7对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器601、存储器602、输入/输出接口603、通信接口604和总线605。
处理器601，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器602，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器602可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器602中，并由处理器601来调用执行本申请实施例的一种物料分配运输优化的方法；
输入/输出接口603，用于实现信息输入及输出；
通信接口604，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和总线605，在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息；
其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，在计算机程序被计算机执行时，计算机用于执行如本申请实施例中任一项的一种物料分配运输优化的方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图2至图5中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种物料分配运输优化的方法，其特征在于，所述方法包括：
获取物料运输的基础信息和运输决策参数；所述基础信息包括：工厂终端的要求运输量、供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量；所述运输决策参数包括：运输量、车辆数和缺口量；
根据所述运输车辆承载重量、所述运输单价作为函数参数，所述车辆数和所述缺口量作为函数变量进行函数构建，得到目标成本函数；
根据所述要求运输量和所述最大供应量作为函数参数，所述运输量和所述缺口量作为函数变量进行函数构建，得到约束条件函数；
将所述目标成本函数和所述约束条件函数进行合并，得到物料分配运输优化模型；
对所述物料分配运输优化模型进行模型求解，得到物料运输优化策略。
2.根据权利要求1所述的方法，其特征在于，所述物料运输优化策略包括所述缺口量的数值，在所述对所述物料分配运输优化模型进行模型求解，得到物料运输优化策略之后，所述方法还包括：
对供应商终端进行筛选，具体包括：
将所述缺口量的数值与预设补货量阈值进行比较，得到比较结果；
若所述比较结果为所述缺口量的数值大于所述预设补货量阈值，则删除所述供应商终端。
3.根据权利要求2所述的方法，其特征在于，所述对供应商终端进行筛选，还包括：
若所述比较结果为所述缺口量的数值小于或等于所述预设补货量阈值，则获取所述供应商终端的补货时长；
若所述补货时长大于或等于预设的等待补货时长阈值，则删除所述供应商终端；
若所述补货时长小于所述等待补货时长阈值，则向所述供应商终端发送提醒信息；其中，所述提醒信息用于表示所述供应商终端在所述等待补货时长阈值之内需要补货的数量。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述运输车辆承载重量、所述运输单价作为函数参数，所述车辆数和所述缺口量作为函数变量进行函数构建，得到目标成本函数，包括：
根据所述运输车辆承载重量、所述运输单价进行乘积计算，得到原始成本函数；
根据预设的运输成本系数对所述原始成本函数进行指数计算，得到初步成本函数；其中，所述运输成本系数通过所述供应商终端的运输天数计算得到；
对所述初步成本函数和所述车辆数进行乘积计算，得到运输成本函数；
根据所述缺口量作为函数变量进行函数构建，得到运输缺口量函数；
将所述运输成本函数和所述运输缺口量函数进行合并，得到目标成本函数。
5.根据权利要求4所述的方法，其特征在于，所述将所述运输成本函数和所述运输缺口量函数进行合并，得到目标成本函数，包括：
根据预设的缺口量影响系数对所述运输缺口量函数进行更新，得到目标运输缺口量函数；
对所述运输成本函数和所述目标运输缺口量函数进行求和计算，得到所述目标成本函数。
6.根据权利要求5所述的方法，其特征在于，所述目标成本函数通过以下公式表示：
Figure FDA0003958816410000021
其中，d：供应商终端i到工厂终端j的运输天数，a1：天数影响系数，t：运输车辆承载重量，p：运输单价，Y：车辆数，a2：缺口量影响系数，Z：缺口量，i：供应商终端，m：供应商终端的数量，j：工厂终端，n：工厂终端的数量。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述约束条件函数，包括：
Figure FDA0003958816410000022
Figure FDA0003958816410000023
L×Y＝＝X；
其中，u：工厂终端的要求运输量，X：运输量，Z：缺口量，L：供应商终端的最大供应量，j：终端，n：工厂终端的数量；i：供应商终端，m：供应商终端的数量；Y：车辆数。
8.一种物料分配运输优化的装置，其特征在于，所述装置包括：
信息获取模块，用于获取物料运输的基础信息和运输决策参数；所述基础信息包括：工厂终端的要求运输量、供应商终端的运输车辆承载重量、供应商终端的运输单价和供应商终端的最大供应量；所述运输决策参数包括：运输量、车辆数和缺口量；
成本函数构建模块，用于根据所述运输车辆承载重量、所述运输单价作为函数参数，所述车辆数和所述缺口量作为函数变量进行函数构建，得到目标成本函数；
约束条件构建模块，用于根据所述要求运输量和所述最大供应量作为函数参数，所述运输量和所述缺口量作为函数变量进行函数构建，得到约束条件函数；
优化模型构建模块，用于将所述目标成本函数和所述约束条件函数进行合并，得到物料分配运输优化模型；
策略求解模块，用于对所述物料分配运输优化模型进行模型求解，得到物料运输优化策略。
9.一种计算机设备，其特征在于，所述一种计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行：
如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行：
如权利要求1至7中任一项所述的方法。
CN202211471887.3A 2022-11-23 2022-11-23 一种物料分配运输优化的方法、装置、设备及介质 Pending CN115907161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211471887.3A CN115907161A (zh) 2022-11-23 2022-11-23 一种物料分配运输优化的方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211471887.3A CN115907161A (zh) 2022-11-23 2022-11-23 一种物料分配运输优化的方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115907161A true CN115907161A (zh) 2023-04-04

Family

ID=86485602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211471887.3A Pending CN115907161A (zh) 2022-11-23 2022-11-23 一种物料分配运输优化的方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115907161A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228079A (zh) * 2023-05-09 2023-06-06 交通运输部水运科学研究所 一种粮食集装箱运输调度方法及系统
CN118052424A (zh) * 2024-04-16 2024-05-17 美云智数科技有限公司 物料分配方法、装置、电子设备及存储介质
CN118095993A (zh) * 2024-04-23 2024-05-28 宁德时代新能源科技股份有限公司 运输方案的确定方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228079A (zh) * 2023-05-09 2023-06-06 交通运输部水运科学研究所 一种粮食集装箱运输调度方法及系统
CN118052424A (zh) * 2024-04-16 2024-05-17 美云智数科技有限公司 物料分配方法、装置、电子设备及存储介质
CN118052424B (zh) * 2024-04-16 2024-07-23 美云智数科技有限公司 物料分配方法、装置、电子设备及存储介质
CN118095993A (zh) * 2024-04-23 2024-05-28 宁德时代新能源科技股份有限公司 运输方案的确定方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN115907161A (zh) 一种物料分配运输优化的方法、装置、设备及介质
Fu et al. Integrated production scheduling and vehicle routing problem with job splitting and delivery time windows
Liu et al. Job shop scheduling with a combination of four buffering constraints
CN113743876B (zh) 一种用于核电装备的数字孪生无人仓库管理系统
Chu et al. A polynomial dynamic programming algorithm for crude oil transportation planning
CN112184100A (zh) 物品库存监控方法、装置、电子设备和计算机可读介质
Zhang et al. Hybrid genetic algorithm for a type-II robust mixed-model assembly line balancing problem with interval task times
Hu et al. Vehicle Routing Problem for Fashion Supply Chains with Cross‐Docking
CN115983604A (zh) 运输分配方法和装置、电子设备及存储介质
CN115220882A (zh) 一种数据处理方法以及装置
Zhou et al. A data-driven business intelligence system for large-scale semi-automated logistics facilities
Boysen et al. Just-in-time vehicle scheduling with capacity constraints
Lu et al. Integrated modelling and algorithm of material delivery and line-side storage for aircraft moving assembly lines
Wang et al. Multi-objective optimisation of automated guided dispatching and vehicle routing system
Liu et al. An integrated model for multi-resource constrained scheduling problem considering multi-product and resource-sharing
Shiri et al. Integrated drayage scheduling problem with stochastic container packing and unpacking times
Mumtaz et al. Solving line balancing and AGV scheduling problems for intelligent decisions using a Genetic-Artificial bee colony algorithm
CN112558574A (zh) 一种工业物联共享托盘管理方法和系统
CN116562772A (zh) 物品补货信息生成方法、装置、设备、介质和程序产品
CN115271582A (zh) 物品调度方法、装置、电子设备和计算机可读介质
CN115345551A (zh) 货量预测方法、装置、设备及存储介质
Liu et al. Mobile robot scheduling with multiple trips and time windows
KR101872070B1 (ko) 생산량 비율을 기초로 하는 상품을 분배하기 위한 장치, 이를 위한 방법 및 이 방법이 기록된 컴퓨터 판독 가능한 기록매체
CN113077072B (zh) 货量预测的方法和装置
Ozaki et al. Design of AVS/RS under group constraint

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