CN116187092A - 一种考虑运力系统供需状态的动态配送订单分配优化方法 - Google Patents
一种考虑运力系统供需状态的动态配送订单分配优化方法 Download PDFInfo
- Publication number
- CN116187092A CN116187092A CN202310405633.XA CN202310405633A CN116187092A CN 116187092 A CN116187092 A CN 116187092A CN 202310405633 A CN202310405633 A CN 202310405633A CN 116187092 A CN116187092 A CN 116187092A
- Authority
- CN
- China
- Prior art keywords
- delivery
- order
- dynamic
- demand
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 131
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000032683 aging Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000005096 rolling process Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012856 packing Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及订单分配技术领域,尤其涉及一种考虑运力系统供需状态的动态配送订单分配优化方法。S1、构建动态取送问题模型,通过明确动态取送货问题系统状态、动作集合、构建动态取送货问题模型;S2、采用滚动时序机制刻画城市动态取送货问题的动态性;S3、采用混合分配策略对动态配送订单进行分配。本发明提供的一种考虑运力系统供需状态的动态配送订单分配优化方法,通过对订单分配的优化设计高效配送方案和求解算法,实现高效的动态时效需求与配送资源的匹配,降低配送成本提高配送准时率;同时设计基于运力供需的高效的订单分配策略和配送优化搜索算子,提高配送系统对动态时效动态需求的响应速度,能够提高配送企业对市场及顾客需求的配送服务质量,优化配送成本。
Description
技术领域
本发明涉及订单分配技术领域,尤其涉及一种考虑运力系统供需状态的动态配送订单分配优化方法。
背景技术
随着城市配送平台的发展和配送企业线上APP等软件开发应用,城市配送动态取送货业务的配送量逐年增加,配送企业越来越重视即时动态配送的服务及管理策略。动态配送成本和配送时效有着密切的相关性,动态配送响应时效越快,平均配送成本越高,顾客满意度越高;反之,配送时效越低,平均配送成本越低,顾客满意度越低。有关数据显示,配送服务准时率直接影响顾客对配送服务的满意度和顾客忠诚度,89%的顾客非常重视能否被准时送达。当快递被准时送达时,顾客再次进行购物的概率为85%;若配送不及时,顾客再次购物的概率为33%。即时配送需求呈现较强的随机性,主要表现为点对点、强时效、不连续和不均衡等特点,配送服务企业需要在承诺的较短时间内完成配送服务。上述特征增加了即时配送服务的难度。同时,顾客对快递配送服务时效性需求的差异较大,如:不同顾客对快递配送服务时效性和价格敏感性具有较大的个性化差异;同一顾客在购买不同商品时,对快递配送服务的时效性需求也存在较大的差异化。具体而言,对于弱时效需求,顾客对配送时效要求较低,接受企业普通快递配送服务质量;对于强时效需求,顾客对价格敏感性较低,要求配送服务快速响应和准时送达。顾客选择的送货服务的时效性越强,所需支付的价格就越高。其次,即时配送运力构成较为复杂,包括:商家运力,平台运力和众包运力等。因此,即时配送服务给配送企业带来新的挑战。设计合理高效的即时配送动态需求订单分配策略是当前配送行业的重点和难点。
即时配送问题具有较强的动态性和求解时间紧迫性,是典型的动态优化问题。动态优化问题一直是运筹优化研究领域的难点,即时配送具有多取送货点的Dynamic Pickupand Delivery Problem(DPDP)问题。
在解决城市动态配送订单分配问题方面,当前技术主要有等待策略,贪心策略或将动态问题拆分成若干独立的静态子问题。
等待策略:当新订单生成时,对其进行订单需求量测算并进行累计,直至累计需求量达到配送阈值则开始配送。
贪心策略:当新订单生成时,则将订单分配至备选运力中当前距离最近的运力进行配送。
静态子问题策略:将动态配送问题拆分成若干独立静态配送问题,依次对静态子问题进行求解,最后将子问题结果合并得到配送方案;
在使用时存在以下缺点:
1.现有技术方法缺少对需求时效特征的分析,缺少对配送运力供需系统状态的分析,分配策略单一。
2.现有技术方法(订单分配方法)适应性较差,无法适应订单在需求量、取送点和时间方面的波动。不同场景下求解稳定性较差。
3.现有技术方法(动态路径规划)未解决动态取送货装车约束,当配送物品为较大或较重物品时,求解结果可行性较差。
发明内容
基于此,有必要针对上述技术问题,提供一种考虑运力系统供需状态的动态配送订单分配优化方法,用于解决上述背景技术中提出的技术问题。
为了解决上述的技术问题,本发明采用了如下技术方案:
一种考虑运力系统供需状态的动态配送订单分配优化方法,步骤如下:
S1、构建动态取送问题模型;
通过明确动态取送货问题系统状态、动作集合、构建动态取送货问题模型;
S2、采用滚动时序机制刻画城市动态取送货问题的动态性,以时间序列为基准,应用时间切片解构动态配送问题,构建取送货子问题模型形成动态取送问题模型;
S3、采用混合分配策略对动态配送订单进行分配。
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的一种优化建模方式,所述S1步骤中,明确动态取送货问题模型,步骤如下:
通过元组数据(th,Oh,Kh)表示决策点h的系统状态;
其中,其中th表示决策点h的时间,Oh表示决策点h时的需求集合,Kh表示决策点h的车辆状态信息,Kh被表示为其中/>和/>分别表示车辆k的当前位置和目的地,/>表示车辆预计到达目的地的时间,/>表示当前车辆所载需求列表;通过/>可以计算当车辆k离开物流点i时的载量Qik;/>表示车辆k的配送路线;
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的一种优化建模方式,所述S1步骤中,动作集合步骤如下:
配送优化决策是由基于时间序列的每个决策点h的动作集合Ah构成,即A=∑h∈ HAh;
其中,h为决策点,Ah为决策点h的动作集合;
决策点h的动作集合Ah是由一系列可选择动作a组成。
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的一种优化建模方式,所述S1步骤中,构建动态取送货问题模型目标函数,步骤如下:
通过设定不同目标的权重参数值体现不同场景下配送优化目标的差异化,公式如下:
minF(O)=λ1f1+λ2f2
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的一种优化求解方式,所述S2步骤中,解构动态配送问题,步骤如下:
根据配送要求设置时间间隔Δt,即每间隔Δt则触发基于时间序列的决策点h(h∈H),公式如下
th=th-1+Δt
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的一种优化求解方式,所述S2步骤中,构建取送货子问题模型,步骤如下:
通过对订单集合的计算得到每个决策点h时的子问题模型目标函数,计算公式如下:
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的混合订单分配方式,所述S3步骤中,即时配送订单分配步骤如下:
步骤1:动态时效需求取送货问题模拟环境参数初始化设置;
步骤2:根据时间间隔Δt和决策点时间th更新顾客需求信息;
步骤5:需求取送点识别,获取热点取送点;
步骤6:对需求池中的紧急需求采用紧急单策略;
步骤7:对需求池中的非紧急需求采用顺风单策略和订单聚类策略;
步骤8:使用局域搜索算子对车辆规划配送路线进行优化;
步骤9:将车辆配送路线反馈给模拟环境;
步骤10:判断模拟环境是否有新订单产生;是,转步骤2;否,转步骤11;
步骤11:判断是否完成所有需求的配送;是,转步骤12;否,转步骤3;
步骤12:输出所有车辆路线和目标函数值。
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的混合订单分配方式,所述步骤6中紧急单策略,步骤如下:
步骤①:读取紧急订单信息和车辆信息;
步骤②:根据最晚出发时间序列读取紧急订单;
步骤③:核算车辆载重,获得可用车辆集合;
步骤④:读取车辆位置/目的地,选择距离成本最小车辆;
步骤⑤:计算插入紧急订单的最小边际成本,并记录结果;
步骤⑥:是否遍历所有可用车辆;否,转步骤④,是,转转步骤⑦;
步骤⑦:输出边际成本最小车辆,并插入紧急订单;
步骤⑧:是否遍历所有紧急订单;否,转步骤②,是,程序结束。
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的混合订单分配方式,所述步骤7中顺风单策略,步骤如下:
通过双点匹配算子、单点匹配算子和近似匹配算子对顺风单策略中的订单车辆进行计算;
双点匹配算子:选择取货点和送货点与车辆计划路线中两个相邻点均匹配的需求,并将需求插入两点之间;
单点匹配算子:选择取货点与车辆的目的地相同,且送货点与配送路线下一个节点的距离是可以接受的需求,然后将需求插入两点之间;
近似匹配算子:选择取货点和送货点与车辆目的地及目的地紧邻后续点均相近的订单。
作为本发明提供的所述的一种考虑运力系统供需状态的动态配送订单分配优化方法的混合订单分配方式,所述步骤7中订单聚类策略,步骤如下:
根据订单的时间和空间的相似性和相关约束条件,将未分配的需求聚类分配到同一订单包同时处理。
可以毫无疑义的看出,通过本申请的上述的技术方案,必然可以解决本申请要解决的技术问题。
同时,通过以上技术方案,本发明至少具备以下有益效果:
本发明提供的一种考虑运力系统供需状态的动态配送订单分配优化方法,通过对订单分配的优化设计高效配送方案和求解算法,实现高效的动态时效需求与配送资源的匹配,降低配送成本提高配送准时率;同时设计基于运力供需的高效的订单分配策略和配送优化搜索算子,提高配送系统对强时效动态需求的响应速度,能够提高配送企业对市场及顾客需求的配送服务质量,优化配送成本。
附图说明
为了更清楚地说明本发明实施例技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的动态取送货问题示意图;
图2为本发明的动态取送优化方法流程图;
图3为本发明的订单时间线示意图;
图4为本发明的订单池示意图;
图5为本发明的构建订单池伪代码示意图;
图6为本发明的紧急订单策略伪代码示意图;
图7为本发明的顺风单策略示意图;
图8为本发明的未分配订单示意图;
图9为本发明的订单聚类打包示意图;
图10为本发明的Block-path示意图;
图11为本发明的单点插入算子示意图;
图12为本发明的Block插入算子示意图;
图13为本发明的交叉操作因子示意图;
图14为本发明的DPDP-50-5算例组求解结果对比示意图;
图15为本发明的DPDP-300-20算例组求解结果对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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仅用以解释本发明,并不用于限定本发明。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征和技术方案可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
参照图1-图15,一种考虑运力系统供需状态的动态配送订单分配优化方法,步骤如下:
S1、构建动态取送问题模型;
一、动态取送货问题状态
动态需求取送货优化问题中,在每一个决策点h(h∈H),系统当前状态是需求和配送路径规划的必要信息,如图1所示。首先,通过元组数据(th,Oh,Kh)表示决策点h的系统状态,其中th表示决策点h的时间,Oh表示决策点h时的需求集合,Kh表示决策点h的车辆状态信息。
其中,车辆属性Kh被表示为其中/>和/>分别表示车辆k的当前位置和目的地,若车辆在行驶过程中,则设置其位置与目的地相同。表示车辆预计到达目的地的时间,/>表示当前车辆所载需求列表;通过/>可以计算当车辆k离开物流点i时的载量Qik。/>表示车辆k的配送路线。
其次,应用元组数据(qi,pi,di,)表示顾客动态需求/>的信息,具体而言,每个需求都有一组取货点pi和送货点di,取货点pi可以是中心仓库、店铺或临时指定地点,送货点di可以是商店或顾客指定点。每个需求i的相关属性还包括订单重量qi,订单创建时间/>订单承诺到达时间/>订单取货时间/>和订单的送达时间/>最后,动态取送系统在决策点h时的状态可以表示为:/>
二、动作集合
配送优化决策是由每个决策点h的基于时间序列的动作集合Ah构成,即A=∑h∈ HAh。决策点h的动作集合Ah是由一系列可选择动作a组成,每个动作a的含义是在未分配订单集合中根据订单时效特征选择合适的订单o(o∈OU)分配给合适的车辆k。例如,动作表示在决策点h将未分配订单o分配送车辆k。每一个决策点h的动作集合Ah都必须满足需求分配约束、车辆载重约束和订单后进先出约束。
三、构建动态取送货问题模型
动态取送货问题模型包括两个部分,一是最小化订单配送超时时间,二是最小化配送距离。可通过设定不同目标的权重参数值体现不同场景下配送优化目标的差异化,建立动态需求取送货配送优化模型目标公式。如下式所示:
minF(O)=λ1f1+λ2f2
在模型应用中可以根据不同因素的重要性调节权重值的大小。
S2、采用滚动时序机制刻画城市动态取送货问题的动态性,以时间序列为基准,应用时间切片解构动态配送问题,设置时间间隔Δt,即每间隔Δt则触发基于时间序列的决策点h(h∈H),如图2所示。
在每个决策点h时的子问题模型目标函数与动态取送问题总目标函数的求解方法是相同的,求解的订单集合是不同的,如下式:
时间间隔:动态取送货优化模拟环境中,订单的产生和更新是动态的,订单每次更新时间间隙为Δt,即“时间间隔”。根据问题的特点,“时间间隔”可以根据配送要求设置,其取值会直接影响动态决策的响应速度和再优化频率。
订单分布:订单在地点和生成时间的分布规律。
每车平均配送量(Average Order per Vehicle,AO.PV):指订单量和车辆数的比值,表示取送货系统供需关系。
Dock时间:指每辆车驶入物流点时,驶入节点垛口的时间。
最晚结束时间:可以根据车辆装载需求列表单和计划路径,实时计算每个车辆配送完所有车载需求的最早时间。
需求包坐标:是指需求聚类打包策略下,需求聚类所形成的需求列表中的起始点坐标。
需求栈:“栈”是一种运算受限的线性表。“需求栈”是用于存储动态时效需求的线性表,即第一个需求插入堆栈的底部,最后一个需求在堆栈的顶部,当对需求栈操作时,需求从堆栈的顶部弹出。“订单栈”使用后进先出的标准来存储需求数据。
S3、对即时配送订单进行分配
由于顾客需求具有动态性和随机性,取送货系统的车辆与需求的供需比随时间动态变化,单一的需求分配策略无法应对多变的城市动态时效需求取送货问题。因此,基于顾客需求不同的时效特征,设计多种需求分配策略,如图2所示。步骤如下:
步骤1:动态时效需求取送货问题模拟环境参数初始化设置;
步骤2:根据时间间隔Δt和决策点时间th更新顾客需求信息;
步骤5:需求取送点识别,获取热点取送点;
步骤6:对需求池中的紧急需求采用紧急单策略;
步骤7:对需求池中的非紧急需求采用顺风单策略和订单聚类策略;
步骤8:使用局域搜索算子对车辆规划配送路线进行优化;
步骤9:将车辆配送路线反馈给模拟环境;
步骤10:判断模拟环境是否有新订单产生;是,转步骤2;否,转步骤11;
步骤11:判断是否完成所有需求的配送;是,转步骤12;否,转步骤3;
步骤12:输出所有车辆路线和目标函数值。
订单识别与订单池构建
根据每个订单的最晚出发时间将未配送需求进行分类并存储在订单池。若未分配需求i的最晚出发时间/>需求被分到紧急需求;若需求最晚出发时间/>需求则为次紧急需求;若/>需求则为非紧急需求,如图4;构建订单池算法步骤代码如图5所示。
紧急单配送
为降低动态时效需求配送优化中的需求超时成本,应优先处理订单池中的紧急需求,否则随着时间的推移,紧急需求将必然产生超时成本。因此,“紧急单策略”首先识别订单池中的紧急需求;其次,核算车辆载重获得可用车辆集合;然后,选择插入紧急需求边际成本最小车辆,分配紧急需求并重新规划配送路线。紧急订单策略执行代码如图6所示,步骤如下:
步骤①:读取紧急订单信息和车辆信息;
步骤②:根据最晚出发时间序列读取紧急订单;
步骤③:核算车辆载重,获得可用车辆集合;
步骤④:读取车辆位置/目的地,选择距离成本最小车辆;
步骤⑤:计算插入紧急订单的最小边际成本,并记录结果;
步骤⑥:是否遍历所有可用车辆;否,转步骤④,是,转转步骤⑦;
步骤⑦:输出边际成本最小车辆,并插入紧急订单;
步骤⑧:是否遍历所有紧急订单;否,转步骤②,是,程序结束。
顺风单配送策略
如图7所示,在动态取送货优化问题中,考虑非紧急需求是否可以插入到车辆已规划路线是降低配送总成本的有效途径。“顺风车”和“拼车”服务能够有效降低乘车成本。本发明借用“顺风车”思想设计服务于城市配送的“顺风单策略”,该策略基于车辆已规划路线寻找边际成本较优的需求,通过顺风单策略操作算子将非紧急需求插入到车辆配送路线,并对配送路线进行局域搜索优化。为了适应DPDP不同系统状态,设计不同约束强度的顺风单策略操作算子,且满足L IFO约束,主要包括双点匹配算子、单点匹配算子和近似匹配算子。
双点匹配算子:选择取货点和送货点与车辆计划路线中两个相邻点均匹配的需求,并将需求插入两点之间。
单点匹配算子:选择取货点与车辆的目的地相同,且送货点与配送路线下一个节点的距离是可以接受的需求,然后将需求插入两点之间。
近似匹配算子:选择取货点和送货点与车辆目的地及目的地紧邻后续点均相近的订单。
订单聚类配送策略
订单聚类策略是根据订单的时间和空间的相似性和相关约束条件,将未分配的需求聚类分配到同一订单包同时处理。该策略的优势:一是将相似度高的订单统一处理,提高求解效率;二有助于将热点物流点较多的需求聚类,减少车辆频繁进出产生的dock时间。
首先,该策略根据最晚出发时间在订单池选择一个临近出发的需求,然后加载所选需求的信息,并将其设置为订单包的基本信息。最后,计算并比较其他订单与订单包的相似度和匹配度,判断是否将其插入订单。订单包中的需求将以堆栈的形式储存订单栈中,以服从后进先出的约束。为提高该策略的适用性和对动态取送货系统变化的响应,设计不同约束水平的打包操作算子,包括相同取送货点打包(Same Pickup-Delivery,SPD),相同取货点打包(Same Pickup,SP),相同送货点打包(Same Delivery,SD)。
图8以5个未分配需求为例,展示了各需求的取货点、送货点、最晚出发时间以及决策点时间。图9中图(A)、(B)和(C)分别是采取不同的订单聚类打包操作算子下,对未分配的需求聚类打包及规划的配送路线。采用SPD操作算子,只有需求1和3打包成功,因为它们有相同的取货点和送货点。采用SP操作算子,需求1、2和3打包成功,订单配送顺序为1、3、2。采用SD操作算子子,需求1、3和5打包成功。打包策略可以根据不同的地址属性和车辆需求供需比对不同操作算子进行选择和执行。
邻域搜索
Block-path是指一个连续路径节点序列,其开始节点和结束节点分别为同一需求的取货点和送货点,且同时包含每个订单的取货点和送货点。本发明使用表示车辆路径所包含的Block-path数量且。本申请主要有3种Block-path,如图10所示。如果局域搜索操作算子基于符合LIFO约束的Block-path对配送路径进行优化,新产生的路径也符合LIFO约束。
单点插入算子:选定需求o,车辆k和车辆配送路线单点插入可以选择路径/>中的任意一个点,然后插入所选需求的取货点和送货点,以获得新的可行路线。如图11所示。在Block(P1,D1)中,新需求的取送货点(P,D)有三个点可执行单点插入算子,获得三个不同的新路径。
基于Block的插入算子:选定需求o,车辆k和车辆配送路线基于Block的插入算子可以选择路径/>中的一个Block,然后将所选需求的取货点和送货点插入到Block两端,获得新的路径。如图12所示。新需求的取送货点(P,D)可跨越(P2,D2)或(P3,D3)插入路径中,获得两个新路径。
重复上述操作算子得到多个新路径,最后,比较新路线成本的变化,以确定最佳优化方案。
交叉操作算子通过交换两个Block的位置生成符合LIFO约束的新的路径。如图13所示,交换Block P2-D2和P4-D4获得新路线1,或者交换Block P4-D4和P1-D1获得新路线2。
技术效果
算例命名规则:DPDP-i-k-n表示算例类型为DPDP问题,其中有i个订单,k辆车,同类型算例编号为n。
1)小规模算例
第一组小规模算例组中包含8个算例,每个算例有50个需求订单和5辆车,被命名为DPDP-50-5-n。第二组小规模算例组包含8个算例,每个算例有100个需求订单和5辆车,被命名为DPDP-100-5-n。本发明用三种方法分别对8个DPDP-50-5算例和8个DPDP-100-5算例进行了计算,即经典贪心策略、等待策略和本发明设计的混合分配策略。结果如图14所示。
图14分别展示了三种方法求解两组小规模算例的结果。其中点填充柱状图表示贪心策略,竖线填充柱状图表示等待策略,斜线柱状图表示本发明提出的混合优化方法。在图14中,纵坐标使用对数刻度线,以便更全面更准确的展示不同方法的优势和劣势。结果显示,对于DPDP-50-5算例组和DPDP-100-5算例组,混合优化方法都获得了最好的结果,贪心策略结果次之。由于等待策略的阈值约束效应,等待策略无法有效解决小规模算例问题。同时发现在图14中,相同规模的算例求解结果也具有较大的差异;订单分布规律会直接影响配送成本。
2)中规模算例
第一组中规模算例组中,每个算例有300个订单和20辆车,被命名为DPDP-300-20-n。第二组中规模算例组中的每个算例有500个订单和20辆车,被命名为DPDP-500-20-n。应用三种方法分别对8个DPDP-300-20算例和8个DPDP-500-20算例进行求解。图15分别展示了三种方法求解中等算例的结果。
如图15所示,对于DPDP-300-20算例组,混合优化方法在6个算例中获得了最佳结果,等待策略在4个算例中获得了最佳结果,其中两个实例与多重策略基本相同。贪心策略在第7个算例中得到的结果与混合优化方法相同。但是贪心策略的适应性较差,其在算例6中的求解结果极大。在图15中,对于500个订单规模的8个算例,混合优化方法在5个算例中获得了最佳结果。等待策略在3个算例中获得了最佳结果。综上所述,混合优化方法在中等规模算例中表现最佳。
3)大规模算例
本发明选择9个需求量大于或等于1000的算例作为大规模算例进行测试,包括1000个需求订单(50辆车),2000个需求订单(50辆车)和3000个需求订单(100辆车)的算例,其中每个规模有三个不同的算例。
表1大规模算例求解结果
表1展示了三种方法求解大规模算例的结果。混合分配策略在6个大规模算例中得到了最好的结果,其性能优于贪心策略和等待策略。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该本发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,步骤如下:
S1、构建动态取送问题模型;
通过明确动态取送货问题系统状态、动作集合、构建动态取送货问题模型;
S2、采用滚动时序机制刻画城市动态取送货问题的动态性,以时间序列为基准,应用时间切片解构动态配送问题,构建取送货子问题模型形成动态取送问题模型;
S3、采用混合分配策略对动态配送订单进行分配。
2.根据权利要求1所述的一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,所述S1步骤中,明确动态取送货问题状态,步骤如下:
通过元组数据(th,Oh,Kh)表示决策点h的系统状态;
其中,其中th表示决策点h的时间,Oh表示决策点h时的需求集合,Kh表示决策点h的车辆状态信息,Kh被表示为其中/>和/>分别表示车辆k的当前位置和目的地,/>表示车辆预计到达目的地的时间,/>表示当前车辆所载需求列表;通过/>可以计算当车辆k离开物流点i时的载量Qik;/>表示车辆k的配送路线;
3.根据权利要求1所述的一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,所述S1步骤中,动作集合步骤如下:
配送优化决策是由基于时间序列的每个决策点h的动作集合Ah构成,即A=∑h∈HAh;
其中,h为决策点,Ah为决策点h的动作集合;
决策点h的动作集合Ah是由一系列可选择动作a组成。
7.根据权利要求1所述的一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,所述S3步骤中,即时配送订单分配步骤如下:
步骤1:动态时效需求取送货问题模拟环境参数初始化设置;
步骤2:根据时间间隔Δt和决策点时间th更新顾客需求信息;
步骤5:需求取送点识别,获取热点取送点;
步骤6:对需求池中的紧急需求采用紧急单策略;
步骤7:对需求池中的非紧急需求采用顺风单策略和订单聚类策略;
步骤8:使用局域搜索算子对车辆规划配送路线进行优化;
步骤9:将车辆配送路线反馈给模拟环境;
步骤10:判断模拟环境是否有新订单产生;是,转步骤2;否,转步骤11;
步骤11:判断是否完成所有需求的配送;是,转步骤12;否,转步骤3;
步骤12:输出所有车辆路线和目标函数值。
8.根据权利要求7所述的一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,所述步骤6中紧急单策略,步骤如下:
步骤①:读取紧急订单信息和车辆信息;
步骤②:根据最晚出发时间序列对紧急订单进行排序;
步骤③:核算车辆载重,获得可用车辆集合;
步骤④:读取车辆位置/目的地,根据距离成本依次选择车辆;
步骤⑤:计算插入紧急订单的最小边际成本,并记录结果;
步骤⑥:是否遍历所有可用车辆;否,转步骤④,是,转转步骤⑦;
步骤⑦:输出边际成本最小车辆,并插入紧急订单;
步骤⑧:是否遍历所有紧急订单;否,转步骤②,是,程序结束。
9.根据权利要求7所述的一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,所述步骤7中顺风单策略,步骤如下:
通过双点匹配算子、单点匹配算子和近似匹配算子对顺风单策略中的订单车辆进行计算;
双点匹配算子:选择取货点和送货点与车辆计划路线中两个相邻点均匹配的需求,并将需求插入两点之间;
单点匹配算子:选择取货点与车辆的目的地相同,且送货点与配送路线下一个节点的距离是可以接受的需求,然后将需求插入两点之间;
近似匹配算子:选择取货点和送货点与车辆目的地及目的地紧邻后续点均相近的订单。
10.根据权利要求7所述的一种考虑运力系统供需状态的动态配送订单分配优化方法,其特征在于,所述步骤7中订单聚类策略,步骤如下:
根据热点取送点订单量、订单的时间和空间的相似性以及相关约束条件,将未分配的需求聚类分配到同一订单包同时处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310405633.XA CN116187092A (zh) | 2023-04-17 | 2023-04-17 | 一种考虑运力系统供需状态的动态配送订单分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310405633.XA CN116187092A (zh) | 2023-04-17 | 2023-04-17 | 一种考虑运力系统供需状态的动态配送订单分配优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187092A true CN116187092A (zh) | 2023-05-30 |
Family
ID=86444556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310405633.XA Pending CN116187092A (zh) | 2023-04-17 | 2023-04-17 | 一种考虑运力系统供需状态的动态配送订单分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187092A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522247A (zh) * | 2024-01-05 | 2024-02-06 | 四川宽窄智慧物流有限责任公司 | 一种跨区域订单的车型分配方法及系统 |
CN118095992A (zh) * | 2024-04-23 | 2024-05-28 | 厦门佳语源电子商务有限公司 | 一种众包模式下同日配送的插单方法及装置 |
-
2023
- 2023-04-17 CN CN202310405633.XA patent/CN116187092A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522247A (zh) * | 2024-01-05 | 2024-02-06 | 四川宽窄智慧物流有限责任公司 | 一种跨区域订单的车型分配方法及系统 |
CN118095992A (zh) * | 2024-04-23 | 2024-05-28 | 厦门佳语源电子商务有限公司 | 一种众包模式下同日配送的插单方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345161B (zh) | 一种面向价值流的配送派单方法 | |
CN116187092A (zh) | 一种考虑运力系统供需状态的动态配送订单分配优化方法 | |
CN109034481B (zh) | 一种基于约束规划的带时间窗车辆路径问题建模及优化方法 | |
Gronalt et al. | New savings based algorithms for time constrained pickup and delivery of full truckloads | |
Yuan et al. | A column generation based heuristic for the generalized vehicle routing problem with time windows | |
Petersen et al. | The pickup and delivery problem with cross-docking opportunity | |
Van Heeswijk et al. | Evaluating urban logistics schemes using agent-based simulation | |
Rieck et al. | A new mixed integer linear model for a rich vehicle routing problem with docking constraints | |
US20200327497A1 (en) | System and method for linehaul optimization | |
CN113159588A (zh) | 一种基于物联网技术的物流车辆智能调度算法 | |
CN111563709A (zh) | 智慧物流货物链路集货方法及系统 | |
Akbar et al. | Hybrid genetic–tabu search algorithm to optimize the route for capacitated vehicle routing problem with time window | |
Cui et al. | A two-stage hybrid heuristic solution for the container drayage problem with trailer reposition | |
CN115759917A (zh) | 一种基于改进混合蚁群算法的物流路径规划方法 | |
Gu et al. | Dynamic truck–drone routing problem for scheduled deliveries and on-demand pickups with time-related constraints | |
Hao et al. | Introduction to the dynamic pickup and delivery problem benchmark--ICAPS 2021 competition | |
Alaia et al. | Optimization of the multi-depot & multi-vehicle pickup and delivery problem with time windows using genetic algorithm | |
Colajanni et al. | Centralized supply chain network optimization with UAV-based last mile deliveries | |
Fazi et al. | The multi-trip container drayage problem with synchronization for efficient empty containers re-usage | |
Los et al. | An auction-based multi-agent system for the pickup and delivery problem with autonomous vehicles and alternative locations | |
CN113222308B (zh) | 订单分配方法、装置、电子设备及存储介质 | |
JP2008168966A (ja) | 運搬ルート生成装置、運搬ルート生成方法及び物流ネットワーク最適化装置 | |
CN108550004A (zh) | 一种自动化程度高的仓库管理系统 | |
Ghodsi et al. | A variable neighborhood search algorithm for continuous location routing problem with pickup and delivery | |
CN111652550A (zh) | 一种智能寻找最佳环线集合的方法、系统及设备 |
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 |