CN116228053A - 货物配送优化方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请提供一种货物配送优化方法、装置、计算机设备及存储介质，方法包括：获取待配送货物的货物信息和配送车辆的车辆信息；根据货物信息和车辆信息，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息；根据初始装载信息，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息；根据目标装载信息，获取待配送货物的配送策略信息。采用本方法，可有效提升物流配送效率。

Description

货物配送优化方法、装置、计算机设备及存储介质

技术领域

本申请涉及物流技术领域，具体涉及一种货物配送优化方法、装置、计算机设备及存储介质。

背景技术

近年来，随着电子商务的快速兴起，物流行业已得到充足发展，确保物流配送的时效性也已成为了行业竞争的关键要素之一。

然而，当前的物流配送环节开始逐步显现出除时效性之外的其他问题，且主要针对一系列配送中心和多个接收站点，例如，无法在满足货物需求量、交发货时间、车辆容量限制、行驶里程限制以及时间限制等多个约束条件的情况下，同时达到路程最短、费用最小、时间尽量少以及使用车辆数尽量少等目标。

因此，现有的物流配送技术存在着因配送策略设置不合理，而导致配送效率不高的技术问题。

发明内容

本申请的目的在于提供一种货物配送优化方法、装置、计算机设备及存储介质，用以改善物流配送策略，进而提高配送效率。

第一方面，本申请提供一种货物配送优化方法，包括：

获取待配送货物的货物信息和配送车辆的车辆信息；

根据货物信息和车辆信息，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息；

根据初始装载信息，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息；

根据目标装载信息，获取待配送货物的配送策略信息。

在本申请一些实施例中，根据货物信息和车辆信息，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息，包括：提取货物信息中的货物尺寸、体积权重以及重量权重；以及提取车辆信息中的起步成本、最大装载体积以及最大装载重量；根据货物尺寸、体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

在本申请一些实施例中，根据货物尺寸、体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息，包括：根据体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，获取配送车辆的单位起步成本；根据单位起步成本对各个配送车辆进行降序排列，得到配送车辆序列；选取配送车辆序列中的top-N个配送车辆，作为候选配送车辆；N≥1；根据货物尺寸，调整候选配送车辆，得到初始配送车辆；根据初始配送车辆，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

在本申请一些实施例中，根据初始装载信息，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息，包括：根据初始装载信息，分别获取同属于一个车队的各个初始配送车辆的剩余可用体积，并获取待配送货物的货物尺寸；根据剩余可用体积和货物尺寸，基于背包算法对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

在本申请一些实施例中，根据剩余可用体积和货物尺寸，基于背包算法对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息，包括：根据剩余可用体积，对同属于一个车队的各个初始配送车辆进行降序排列，得到初始配送车辆序列；响应于初始配送车辆序列中的top-N个初始配送车辆满足于货物尺寸，获取待配送货物的货物体积和货物重量；N≥1；响应于top-N个初始配送车辆满足于货物体积和货物重量，确定top-N个初始配送车辆，作为目标配送车辆；根据目标配送车辆，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

在本申请一些实施例中，根据目标装载信息，获取待配送货物的配送策略信息，包括：获取初始车辆组合中的各个初始配送车辆计划趋向的车辆站点；根据目标装载信息，结合迪杰斯特拉算法和地图优化策略，获取各个目标配送车辆趋向于车辆站点的站点用时和站点距离；响应于目标配送车辆不满足于站点用时的时间要求，且目标配送车辆的相邻配送车辆不满足于目标配送车辆的货物装载要求，更新初始配送车辆；以及响应于更新后的目标配送车辆满足于时间要求，根据更新后的目标配送车辆，获取配送策略信息；其中，相邻配送车辆为与目标配送车辆同属于一个车队，且计划趋向于时间要求未满足的车辆站点的车辆。

在本申请一些实施例中，货物配送优化还包括：响应于目标配送车辆满足于站点用时的时间要求，或者目标配送车辆的相邻配送车辆满足于目标配送车辆的货物装载要求，循环遍历车辆站点；以及响应于车辆站点中包括目标车辆站点，更新目标配送车辆，直至更新后的目标配送车辆满足于站点用时的时间要求，且车辆站点中不包括目标车辆站点；其中，目标车辆站点为至少两个目标配送车辆计划趋向的车辆站点。

第二方面，本申请提供一种货物配送优化装置，包括：

信息获取模块，用于获取待配送货物的货物信息和配送车辆的车辆信息；

组合生成模块，用于根据货物信息和车辆信息，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息；

组合优化模块，用于根据初始装载信息，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息；

策略获取模块，用于根据目标装载信息，获取待配送货物的配送策略信息。

第三方面，本申请还提供一种计算机设备，包括：

一个或多个处理器；

存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现上述第一方面的货物配送优化方法。

第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行货物配送优化方法中的步骤。

第五方面，本申请实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。

上述货物配送优化方法、装置、计算机设备及存储介质，服务器通过获取待配送货物的货物信息和配送车辆的车辆信息，以便根据货物信息和车辆信息生成初始车辆组合中的各个初始配送车辆的初始装载信息，进而根据初始装载信息对初始车辆组合进行多目标优化，以获取目标车辆组合中的各个目标配送车辆的目标装载信息，最终实现对配送策略信息的最优获取。如此，通过多目标分析获取相对合理化的配送策略，即可有效提升物流配送效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例中提供的货物配送优化方法的场景示意图；

图2为本申请实施例中提供的货物配送优化方法的流程示意图；

图3为本申请实施例中提供的信息获取步骤的界面示意图；

图4为本申请实施例中提供的装载率优化步骤的效果示意图；

图5是本申请实施例中提供的站点数优化步骤的效果示意图；

图6是本申请实施例中提供的货物配送优化装置的结构示意图；

图7是本申请实施例中提供的计算机设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术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，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请的描述中，“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

在本申请实施例中，需要说明的是，本申请提供的货物配送优化方法由于是在计算机设备中执行，各计算机设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便计算机设备进行处理，具体此处不作赘述。

本申请实施例提供一种货物配送优化方法、装置、计算机设备及存储介质，以下分别进行详细说明。

参阅图1，图1为本申请提供的货物配送优化方法的场景示意图，该货物配送优化方法可应用于货物配送优化系统中。其中，货物配送优化系统包括终端102和服务器104。终端102可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端102具体可以是台式终端或移动终端，终端102具体还可以是手机、平板电脑、笔记本电脑等中的一种。服务器104可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。

本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本申请方案的一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器104，可以理解的是，该货物配送优化系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该货物配送优化系统还可以包括存储器，用于存储数据，如存储物流数据，例如物流平台的各种数据，如中转场等物流网点的物流运输信息，具体的，如快件信息，配送车辆信息和物流网点信息等。

需要说明的是，图1所示的货物配送优化系统的场景示意图仅仅是一个示例，本发明实施例描述的货物配送优化系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着货物配送优化系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

参阅图2，本申请实施例提供了一种货物配送优化方法，本实施例主要以该方法应用于上述图1中的服务器104来举例说明，该方法包括步骤S201至S204，具体如下：

S201，获取待配送货物的货物信息和配送车辆的车辆信息。

其中，待配送货物可以为任何品类待配送的货物，包括但不局限于各类商品、医用物体、公益生物等；配送车辆可以为预配置用于配运该待配送货物的车辆，包括但不局限于大型货车、中型面包车以及小型拖车等不同类型、不同载重量的车辆。

其中，货物信息可以包括待配送货物配运所需的附属信息，用于供服务器分析以为其配置高效的配送策略，货物信息包括但不局限于：货物标识、货物尺寸(如长、宽、高)、货物重量、预计送达时间、送达站点、体积权重、重量权重等，例如，今天需要向10个站点派送货物，则需要获取待派送到该10个站点的所有货物的货物信息。

其中，车辆信息可以包括配送车辆的设备信息和装载信息，设备信息包括但不局限于车辆类型、车辆标牌(车辆标识)、起步成本等，装置该信息包括但不局限于最大装载体积、最大装载重量等。

具体实现中，服务器104确定待配送货物和配送车辆的方式，可以是通过获取货物信息和车辆信息，并识别出货物信息和车辆信息中所包含的货物标识、车辆标识来确定。其中，货物标识若无法直接识别出，则服务器104可通过分析订单信息、配送任务信息等来识别货物标识，可以理解的是，货物标识应该是货物的唯一性标识，但不仅可以是最小单位货物的唯一性标识，还可是最大单位货物的唯一性标识，而最大单位货物极有可能包括不止一个最小单位货物。例如，一箱货物包括有十个单品，这十个单品即为是个最小单位货物。

进一步地，货物信息或车辆信息可以从终端102处获取得到，也可以从其他设备处获取得到，本申请实施例提供如下几种适用于本申请的信息获取方式，但在实际应用中，信息获取包括但不局限于采用如下方式之一：1、在普通网络结构中，服务器104从终端102或其他建立有网络连接的设备处接收信息；2、在预建立的区块链网络中，服务器104可从其他终端节点或服务器节点处同步获取信息，该区块链网络可以是公有链、私有链等；3、在预置的树状结构中，服务器104可从上级服务器请求得到信息，或是从下级服务器轮询得到信息。可以理解的是，上文简述的信息可以是货物信息也可以是车辆信息，车辆信息可在获取货物信息之前预设存储在本地，也可和货物信息一起获取得到。

更进一步地，可参阅图3，在一个实施例中，终端102可通过指定软件接口向服务器104上传货物信息和车辆信息，服务器104在获取到货物信息和车辆信息之后，即可整合终端102上传的零散数据并生成配送排线任务ID，得到以配送排线任务ID为唯一编码的整合数据，此时的整合数据并非配送策略信息，需在依据预置的测算程序完成测算之后，方可得到货物的配送策略信息。其中，本实施例中提及的数据测算步骤将在下文详细说明，事实上，本实施例中提及的数据测算步骤包括下文所述的初始车辆组合生成步骤、初始车辆组合优化步骤以及配送策略信息获取步骤，具体可参阅下述实施例的说明。

S202，根据货物信息和车辆信息，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

其中，初始车辆组合可以为包括各个初始配送车辆的货物装载信息、货物体积、货物重量、运输路线、途径站点(车辆站点)、运输距离、运输成本等信息的派车组合。可以理解的是，由于本申请实施例提出可通过优化货物装载信息来获取高效合理的配送策略，因此初始车辆组合中包含的货物装载信息，此时应为初始装载信息，装载信息包括但不局限于货物标识、货物布局等。

具体实现中，服务器104可以派送日获取其他信息为核心，对零散的货物信息进行整合，得到以配送排线任务ID为唯一编码的整合数据。由于本申请实施例提出以配送排线任务ID为唯一编码，对前序步骤获得的货物信息和车辆信息进行分析测算，而一个配送排线任务ID包括至少一个订单ID(订单ID一般来源于实际业务中的配送订单唯一编码)，各个订单可以用一辆车完成配送，也可以用多辆车完成配送，因此服务器104可根据终端102提交的目标配送排线任务ID(工作人员可通过终端界面勾选配送排线任务ID来提交，被提交的配送排线任务ID即可作为目标配送排线任务ID)，对该目标配送排线任务ID对应的货物信息和车辆信息进行测算，分析当前所得的货物信息需要几辆车、哪些类型的车才能完成配送任务，而车辆分配结果即表现为初始车辆组合。

在一个实施例中，本步骤包括：提取货物信息中的货物尺寸、体积权重以及重量权重；以及提取车辆信息中的起步成本、最大装载体积以及最大装载重量；根据货物尺寸、体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

其中，货物尺寸包括待配送货物的长宽高三类尺寸，例如，货物A的长宽高分别为80cm、50cm、30cm；体积权重可以为待配送货物在体积方面的影响因子，例如，货物A的体积权重为0.3、货物B的体积权重为0.5；重量权重可以为待配送货物在重量方面的影响因子，例如，货物A的重量权重为0.2、货物B的重量权重为0.7；起步成本可以为配送车辆的配送最低单价，例如，车辆A的起步成本为10元(其他币种也可)；最大装载体积可以为配送车辆的满载体积，例如，车辆A的最大装载体积为60立方；最大装载重量可以为配送车辆的满载重量，例如，车辆A的最大装载重量为15吨。

具体实现中，服务器104可计算体积和体重的权重比，把体积和重量这两个参量放到一个维度上，计算比较各个配送车辆的体积重量的单位起步成本。需要说明的是，本实施例中的“体积重量”为一个单位名词，具体是运输行业内的一种计算轻泡货物重量的方法，“体积重量”是将货物体积利用折算公式就可以获得的货物重量，重量单位通常为公斤(千克)。

例如，当货物体积折算的重量大于货物实际重量，按“体积重量”来计算，当货物体积折算的重量小于货物实际重量，按“实际重量”来计算。

进一步地，本申请实施例提出服务器104可结合货物尺寸、体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，首先测算出配送车辆的单位起步成本，进而比较单位起步成本从多个配送车辆中筛选出初始配送车辆，进而分析初始配送车辆和货物信息，即可得到初始车辆组合中的各个初始配送车辆的初始装载信息。

在一个实施例中，上述的根据货物尺寸、体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息，包括：根据体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，获取配送车辆的单位起步成本；根据单位起步成本对各个配送车辆进行降序排列，得到配送车辆序列；选取配送车辆序列中的top-N个配送车辆，作为候选配送车辆；N≥1；根据货物尺寸，调整候选配送车辆，得到初始配送车辆；根据初始配送车辆，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

其中，单位起步成本可以为用于优化配送策略成本的参量。

具体实现中，配送车辆的单位起步成本可通过如下公式计算得出：获取起步成本与最大装载体积之比，得到第一比值；获取起步成本与最大装载重量之比，得到第二比值；获取体积权重与第一比值之积，得到第一积值；获取重量权重与第二比值之积，得到第二积值。获取第一积值与第二积值之和，得到各配送车辆的单位起步成本。

例如，体积权重表示为“E”、起步成本表示为“c”、最大装载体积表示为“t”、重量权重表示为“(1-E)”、最大装载重量表示为“z”，则配送车辆的单位起步成本＝E*(c/t)+(1-E)*(c/z)。

进一步地，服务器104分析得到各个配送车辆的单位起步成本之后，可根据单位起步成本的大小，对各个配送车辆进行降序排列，即可得到配送车辆序列。通过筛选配送车辆序列中的top-N个配送车辆，再结合货物尺寸，按照预设规则：配送车辆的可装载长度、重量以及体积>单件货物的长度、重量以及体积，即可确定当前所需的初始配送车辆，随之确定各个初始配送车辆装载哪些货物，方可满足货物的长度、重量以及体积，最终得到初始车辆组合中的各个初始配送车辆的初始装载信息。

S203，根据初始装载信息，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

其中，目标车辆组合为优化后的初始车辆组合，目标配送车辆为目标车辆组合中的配送车辆，目标装载信息为优化后的初始装载信息，多目标优化包括但不局限于成本优化、装载率优化、车辆数(车次)优化、站点数优化。

具体实现中，服务器104分析获得初始车辆组合和各个初始配送车辆的初始装载信息之后，即可对初始车辆组合进行多目标优化，优化目的包括但不局限于货物配送成本、货物配送装载率、配送车次数量、站点数量等。具体的，上述部分优化步骤需用到预置算法，例如，背包算法、迪杰斯特拉算法以及最佳优先搜索算法(本申请实施例中也称为地图优化策略)，各个算法在优化步骤中的具体运用将在下文详细说明。

其中，背包算法(Knapsack problem)是一种组合优化的NP完全问题，其问题可以描述为：给定一组物品，每种物品都有自己的重量和价格，在限定的总重量内，我们如何选择，才能使得物品的总价格最高，这个问题涉及到了两个条件：一是物品总的大小小于或等于背包的大小，二是物品总的价值要尽量大。迪杰斯特拉算法(Dijkstra)是典型的单源最短路径算法，用于计算一个节点到其他所有节点的最短路径，主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止，Dijkstra算法是很有代表性的最短路径算法。最佳优先搜索算法在广度优先搜索的基础上，用启发估价函数对将要被遍历到的点进行估价，然后选择代价小的进行遍历，直到找到目标节点或者遍历完所有点，算法结束。

在一个实施例中，本步骤包括：根据初始装载信息，分别获取同属于一个车队的各个初始配送车辆的剩余可用体积，并获取待配送货物的货物尺寸；根据剩余可用体积和货物尺寸，基于背包算法对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

其中，剩余可用体积可以为配送车辆的空闲还可装货的空间，例如，配送车辆A的最大装载体积为40立方，当前已计划装货或已有装货为36立方，则配送车辆A的剩余可用体积为4立方。

具体实现中，本申请实施例在此提出，不同的车辆因为有重量和体积的限制，例如存在最大装载体积和最大装载重量，并不一定重量和体积两个维度的数值在利用率方面都达到100％，此时需要重新遍历整个车队进行货物调整，也即是说，服务器104可在上一步所得结果上，分析各个初始配送车辆的剩余可用体积和货物尺寸以便重新分配货物，争取最终所用配送车辆的装载率最大。

例如，在一个实施例中，上述的根据剩余可用体积和货物尺寸，基于背包算法对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息，包括：根据剩余可用体积，对同属于一个车队的各个初始配送车辆进行降序排列，得到初始配送车辆序列；响应于初始配送车辆序列中的top-N个初始配送车辆满足于货物尺寸，获取待配送货物的货物体积和货物重量；N≥1；响应于top-N个初始配送车辆满足于货物体积和货物重量，确定top-N个初始配送车辆，作为目标配送车辆；根据目标配送车辆，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

具体实现中，初始车辆组合包括但不局限于一个车队的初始配送车辆，本实施例中提及的优化步骤建立在车队条件之上，主要原因在于同属于一个车队的初始配送车辆用于执行同样的任务，同样的任务可能存在运输路线，和/或目的地等信息类似，在车队中进行货物调整不影响任务的顺序完成，反而会提升配送效率、节省配送成本。

进一步地，本实施例提出首先根据剩余可用体积，对同属于一个车队的各个初始配送车辆进行降序排列，即可得到初始配送车辆序列。此时，可从初始配送车辆中把所有待配送货物拿出来按长度从大到小排序，即对当前优化的初始配送车辆所装载货物按货物尺寸降序排列，得到待配送货物序列后，计算每辆车的还可用体积和重量，比较可用空间最大的车能否把其他车辆的货物装下，若是能装就装，不能装就保持原有车次不动，如此可确定初始配送车辆序列中的top-N个初始配送车辆能够装下所有货物，且满足货物的体积和重量，而这top-N个初始配送车辆即可作为目标配送车辆，实现了对初始车辆组合的优化。

例如，可参阅图4，当前待优化且同属于一个车队的初始配送车辆包括三辆小车和三辆大车，三辆小车的车型可以为“依维柯”，三辆大车的车型可以为“货箱”，由于按重量体积权重比进行发车成本分析后，小车的成本低于大车的，所以当前应用场景中优先考虑用小车进行装车派送。但是，这六辆车在装完货物之后发现最后一辆大车的体积或重量的利用率很低(可见，本申请实施例提出该基于背包算法优化的步骤，实际可基于车辆体积或重量的利用率检测达到阈值时被触发)，则需要重新分配货物进行计算，即遍历所有装有货物的小车，将货物从小车中拿出装入最后的大车里，即可实现车次减少的目标。最终，优化后的目标配送车辆不再是三辆小车和三辆大车，而是一辆小车和三辆大车。

S204，根据目标装载信息，获取待配送货物的配送策略信息。

其中，配送策略信息可以为用于高效配送待配送货物的策略信息，该策略信息包括实际待用的车辆、待趋向的站点、货物装箱方式等信息，且这些信息均为优化后的信息，即可实现配送成本相对低、配送效率相对高的效果。

具体实现中，服务器104分析获取到目标装载信息之后，由此目标配送车辆以确定，则各个目标配送车辆计划趋向的站点也顺序确定了，因此本申请实施例提出还可从车次缩减、站点缩减这两个方面考虑优化，直至获取到能够促使待配送货物高效且低成本配送成功的配送策略信息。

在一个实施例中，本步骤包括：获取初始车辆组合中的各个初始配送车辆计划趋向的车辆站点；根据目标装载信息，结合迪杰斯特拉算法和地图优化策略，获取各个目标配送车辆趋向于车辆站点的站点用时和站点距离；响应于目标配送车辆不满足于站点用时的时间要求，且目标配送车辆的相邻配送车辆不满足于目标配送车辆的货物装载要求，更新初始配送车辆；以及响应于更新后的目标配送车辆满足于时间要求，根据更新后的目标配送车辆，获取配送策略信息；其中，相邻配送车辆为与目标配送车辆同属于一个车队，且计划趋向于时间要求未满足的车辆站点的车辆。

其中，车辆站点可以为配送车辆可按规定停靠，供货物达到指定场地的地理位置，例如，深圳大学、深圳宝安国际机场等均可设为车辆站点；站点用时可以为配送车辆从当前起点到站点所需的时间，例如，2小时、30分钟等；站点距离可以为配送车辆从当前起点到站点所需的路程，例如，2公里、4公里等。

其中，货物装载要求可以包括时间要求、体积要求以及重量要求。

具体实现中，由于在上一步骤的实现装载率最大的优化步骤中，并未针对初始配送车辆计划趋向的车辆站点进行调整优化，因此原始生成的车辆站点在此时仍保持不变，而本实施例中为了缩减发车车次，便是要将车辆站点进行调整，因此服务器104可首先获取初始配送车辆计划趋向的车辆站点，进而调用预置地图接口，将车辆站点和目标装载信息通过该地图接口发送至第三方平台解析，以获取第三方平台反馈的车辆到达每个站点的用时、距离、费用等信息。

进一步地，服务器104获取到上述信息之后，可先用最远站点的用时进行计算，判断车辆能否在规定时间内到达该站点，如果能到达，就保持原站点不缩减，如果不能就把该站点移除，再次调配货物放到相近的车中。其中，相近的车即可以是不能到达的目标配送车辆的相邻配送车辆，如果相邻配送车辆也不能装下该站点货物，则需返回前序的初始配送车辆获取步骤和初始配送车辆的优化步骤，等同于当前，选择一个成本最低的车进行装货，以使得该车辆能够直接运输该站点的货物。

例如，某个目标配送车辆的起始车辆站点为“物流园”，中间车辆站点包括“中酿小镇”、“望京”以及“朝阳大悦城”，终止车辆站点为“东三环”，如果“东三环”要求的下午三点到达时间无法被满足，即目标配送车辆无法在下午三点将货物送至“东三环”，则需要将“东三环”的货物从车上移除，重新触发初始车辆组合生成步骤和初始车辆组合优化步骤，确定一个低成本的配送车辆，实现目标配送车辆的更新，以便利用满足于时间要求的更新后的目标配送车辆获取配送策略信息。

在一个实施例中，货物配送优化还包括：响应于目标配送车辆满足于站点用时的时间要求，或者目标配送车辆的相邻配送车辆满足于目标配送车辆的货物装载要求，循环遍历车辆站点；以及响应于车辆站点中包括目标车辆站点，更新目标配送车辆，直至更新后的目标配送车辆满足于站点用时的时间要求，且车辆站点中不包括目标车辆站点；其中，目标车辆站点为至少两个目标配送车辆计划趋向的车辆站点。

具体实现中，在上一实施例的基础上，若目标配送车辆满足于站点用时的时间要求，又或是虽然目标配送车辆不满足于站点用时的时间要求，但目标配送车辆的相邻配送车辆满足于目标配送车辆的货物装载要求，则可以保持当前分析的车辆站点不被缩减，进而循环遍历所有的车辆站点，进一步降低发车后的车行过程，减少发车成本。

进一步地，本实施例中提出可调配站点，判断相邻站点的货物是否能够放到一个车辆上，依次降低配送的站点数量，进而降低运输成本，具体实现方式是检测所有的车辆站点中是否包括目标车辆站点，即是否存在同一个站点有多个车辆待到达的情况，若是，即包括目标车辆站点。此时，在判断出包括目标车辆站点的情况下，可重新触发初始车辆组合优化步骤，确定一个能够在时间窗内到达站点并缩减车次的配送车辆，实现目标配送车辆的更新。

例如，可参阅图5，目标配送车辆A的配送路线呈现为实线状态，目标配送车辆B的配送路线呈现为虚线状态，其中的车辆站点“望京”和“朝阳大悦城”均为目标车辆站点，即目标配送车辆A和目标配送车辆B均会前往，故而可重启初始车辆组合优化步骤，调整目标配送车辆的目标装载信息，以降低发车后的车行过程，减少发车成本。

上述实施例中的货物配送优化方法，服务器通过获取待配送货物的货物信息和配送车辆的车辆信息，以便根据货物信息和车辆信息生成初始车辆组合中的各个初始配送车辆的初始装载信息，进而根据初始装载信息对初始车辆组合进行多目标优化，以获取目标车辆组合中的各个目标配送车辆的目标装载信息，最终实现对配送策略信息的最优获取。如此，不仅考虑了物流配送过程中的传统运输成本，还深入分析了车辆空载的机会成本，以及车辆是否准时送达的时间成本，使得最终所得策略更贴近物流运作实际，进而有效地提高了配送效率。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为了更好实施本申请实施例提供的货物配送优化方法，在本申请实施例所提出的货物配送优化方法的基础之上，本申请实施例中还提供了一种货物配送优化装置，如图6所示，该货物配送优化装置600包括：

信息获取模块610，用于获取待配送货物的货物信息和配送车辆的车辆信息；

组合生成模块620，用于根据货物信息和车辆信息，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息；

组合优化模块630，用于根据初始装载信息，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息；

策略获取模块640，用于根据目标装载信息，获取待配送货物的配送策略信息。

在一个实施例中，组合生成模块620还用于提取货物信息中的货物尺寸、体积权重以及重量权重；以及提取车辆信息中的起步成本、最大装载体积以及最大装载重量；根据货物尺寸、体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

在一个实施例中，组合生成模块620还用于根据体积权重、重量权重、起步成本、最大装载体积以及最大装载重量，获取配送车辆的单位起步成本；根据单位起步成本对各个配送车辆进行降序排列，得到配送车辆序列；选取配送车辆序列中的top-N个配送车辆，作为候选配送车辆；N≥1；根据货物尺寸，调整候选配送车辆，得到初始配送车辆；根据初始配送车辆，生成初始车辆组合，得到初始车辆组合中的各个初始配送车辆的初始装载信息。

在一个实施例中，组合优化模块630还用于根据初始装载信息，分别获取同属于一个车队的各个初始配送车辆的剩余可用体积，并获取待配送货物的货物尺寸；根据剩余可用体积和货物尺寸，基于背包算法对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

在一个实施例中，组合优化模块630还用于根据剩余可用体积，对同属于一个车队的各个初始配送车辆进行降序排列，得到初始配送车辆序列；响应于初始配送车辆序列中的top-N个初始配送车辆满足于货物尺寸，获取待配送货物的货物体积和货物重量；N≥1；响应于top-N个初始配送车辆满足于货物体积和货物重量，确定top-N个初始配送车辆，作为目标配送车辆；根据目标配送车辆，对初始车辆组合进行多目标优化，得到目标车辆组合，以及目标车辆组合中的各个目标配送车辆的目标装载信息。

在一个实施例中，策略获取模块640还用于获取初始车辆组合中的各个初始配送车辆计划趋向的车辆站点；根据目标装载信息，结合迪杰斯特拉算法和地图优化策略，获取各个目标配送车辆趋向于车辆站点的站点用时和站点距离；响应于目标配送车辆不满足于站点用时的时间要求，且目标配送车辆的相邻配送车辆不满足于目标配送车辆的货物装载要求，更新初始配送车辆；以及响应于更新后的目标配送车辆满足于时间要求，根据更新后的目标配送车辆，获取配送策略信息；其中，相邻配送车辆为与目标配送车辆同属于一个车队，且计划趋向于时间要求未满足的车辆站点的车辆。

在一个实施例中，策略获取模块640还用于响应于目标配送车辆满足于站点用时的时间要求，或者目标配送车辆的相邻配送车辆满足于目标配送车辆的货物装载要求，循环遍历车辆站点；以及响应于车辆站点中包括目标车辆站点，更新目标配送车辆，直至更新后的目标配送车辆满足于站点用时的时间要求，且车辆站点中不包括目标车辆站点；其中，目标车辆站点为至少两个目标配送车辆计划趋向的车辆站点。

上述实施例中，不仅考虑了物流配送过程中的传统运输成本，还深入分析了车辆空载的机会成本，以及车辆是否准时送达的时间成本，使得最终所得策略更贴近物流运作实际，进而有效地提高了配送效率。

需要说明的是，关于货物配送优化装置的具体限定可以参见上文中对于货物配送优化方法的限定，在此不再赘述。上述货物配送优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在本申请一些实施例中，货物配送优化装置600可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该货物配送优化装置600的各个程序模块，比如，图6所示的信息获取模块610、组合生成模块620、组合优化模块630以及策略获取模块640；各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的货物配送优化方法中的步骤。例如，图7所示的计算机设备可以通过如图6所示的货物配送优化装置600中的信息获取模块610执行步骤S201。计算机设备可通过组合生成模块620执行步骤S202。计算机设备可通过组合优化模块630执行步骤S203。计算机设备可通过策略获取模块640执行步骤S204。其中，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和计算机程序。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。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种货物配送优化方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在本申请一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行上述货物配送优化方法的步骤。此处货物配送优化方法的步骤可以是上述各个实施例的货物配送优化方法中的步骤。

在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述货物配送优化方法的步骤。此处货物配送优化方法的步骤可以是上述各个实施例的货物配送优化方法中的步骤。

本邻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。本申请所提供的各实施例中所使用的对存储器、存储、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、闪存或光存储器等。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。作为说明而非局限，RAM可以是多种形式，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 Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上对本申请实施例提供的一种货物配送优化方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种货物配送优化方法，其特征在于，包括：

获取待配送货物的货物信息和配送车辆的车辆信息；

根据所述货物信息和所述车辆信息，生成初始车辆组合，得到所述初始车辆组合中的各个初始配送车辆的初始装载信息；

根据所述初始装载信息，对所述初始车辆组合进行多目标优化，得到目标车辆组合，以及所述目标车辆组合中的各个目标配送车辆的目标装载信息；

根据所述目标装载信息，获取所述待配送货物的配送策略信息。

2.如权利要求1所述的方法，其特征在于，所述根据所述货物信息和所述车辆信息，生成初始车辆组合，得到所述初始车辆组合中的各个初始配送车辆的初始装载信息，包括：

提取所述货物信息中的货物尺寸、体积权重以及重量权重；以及

提取所述车辆信息中的起步成本、最大装载体积以及最大装载重量；

根据所述货物尺寸、所述体积权重、所述重量权重、所述起步成本、所述最大装载体积以及所述最大装载重量，生成初始车辆组合，得到所述初始车辆组合中的各个初始配送车辆的初始装载信息。

3.如权利要求2所述的方法，其特征在于，所述根据所述货物尺寸、所述体积权重、所述重量权重、所述起步成本、所述最大装载体积以及所述最大装载重量，生成初始车辆组合，得到所述初始车辆组合中的各个初始配送车辆的初始装载信息，包括：

根据所述体积权重、所述重量权重、所述起步成本、所述最大装载体积以及所述最大装载重量，获取所述配送车辆的单位起步成本；

根据所述单位起步成本对各个配送车辆进行降序排列，得到配送车辆序列；

选取所述配送车辆序列中的top-N个配送车辆，作为候选配送车辆；N≥1；

根据所述货物尺寸，调整所述候选配送车辆，得到初始配送车辆；

根据所述初始配送车辆，生成所述初始车辆组合，得到所述初始车辆组合中的各个初始配送车辆的初始装载信息。

4.如权利要求1所述的方法，其特征在于，所述根据所述初始装载信息，对所述初始车辆组合进行多目标优化，得到目标车辆组合，以及所述目标车辆组合中的各个目标配送车辆的目标装载信息，包括：

根据所述初始装载信息，分别获取同属于一个车队的各个初始配送车辆的剩余可用体积，并获取所述待配送货物的货物尺寸；

根据所述剩余可用体积和所述货物尺寸，基于背包算法对所述初始车辆组合进行多目标优化，得到目标车辆组合，以及所述目标车辆组合中的各个目标配送车辆的目标装载信息。

5.如权利要求4所述的方法，其特征在于，所述根据所述剩余可用体积和所述货物尺寸，基于背包算法对所述初始车辆组合进行多目标优化，得到目标车辆组合，以及所述目标车辆组合中的各个目标配送车辆的目标装载信息，包括：

根据所述剩余可用体积，对同属于一个车队的各个初始配送车辆进行降序排列，得到初始配送车辆序列；

响应于所述初始配送车辆序列中的top-N个初始配送车辆满足于所述货物尺寸，获取所述待配送货物的货物体积和货物重量；N≥1；

响应于所述top-N个初始配送车辆满足于所述货物体积和所述货物重量，确定所述top-N个初始配送车辆，作为目标配送车辆；

根据所述目标配送车辆，对所述初始车辆组合进行多目标优化，得到目标车辆组合，以及所述目标车辆组合中的各个目标配送车辆的目标装载信息。

6.如权利要求1所述的方法，其特征在于，所述根据所述目标装载信息，获取所述待配送货物的配送策略信息，包括：

获取所述初始车辆组合中的各个初始配送车辆计划趋向的车辆站点；

根据所述目标装载信息，结合迪杰斯特拉算法和地图优化策略，获取各个目标配送车辆趋向于所述车辆站点的站点用时和站点距离；

响应于所述目标配送车辆不满足于所述站点用时的时间要求，且所述目标配送车辆的相邻配送车辆不满足于所述目标配送车辆的货物装载要求，更新所述目标配送车辆；以及

响应于更新后的目标配送车辆满足于所述时间要求，根据所述更新后的目标配送车辆，获取所述配送策略信息；

其中，所述相邻配送车辆为与所述目标配送车辆同属于一个车队，且计划趋向于所述时间要求未满足的车辆站点的车辆。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

响应于所述目标配送车辆满足于所述站点用时的时间要求，或者所述目标配送车辆的相邻配送车辆满足于所述目标配送车辆的货物装载要求，循环遍历所述车辆站点；以及

响应于所述车辆站点中包括目标车辆站点，更新所述目标配送车辆，直至更新后的目标配送车辆满足于所述站点用时的时间要求，且所述车辆站点中不包括所述目标车辆站点；

其中，所述目标车辆站点为至少两个目标配送车辆计划趋向的车辆站点。

8.一种货物配送优化装置，其特征在于，包括：

信息获取模块，用于获取待配送货物的货物信息和配送车辆的车辆信息；

组合生成模块，用于根据所述货物信息和所述车辆信息，生成初始车辆组合，得到所述初始车辆组合中的各个初始配送车辆的初始装载信息；

组合优化模块，用于根据所述初始装载信息，对所述初始车辆组合进行多目标优化，得到目标车辆组合，以及所述目标车辆组合中的各个目标配送车辆的目标装载信息；

策略获取模块，用于根据所述目标装载信息，获取所述待配送货物的配送策略信息。

9.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的货物配送优化方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的货物配送优化方法中的步骤。

Images