CN116402309B - 港口集疏运车辆调度匹配方法及系统 - Google Patents

港口集疏运车辆调度匹配方法及系统 Download PDF

Info

Publication number
CN116402309B
CN116402309B CN202310517486.5A CN202310517486A CN116402309B CN 116402309 B CN116402309 B CN 116402309B CN 202310517486 A CN202310517486 A CN 202310517486A CN 116402309 B CN116402309 B CN 116402309B
Authority
CN
China
Prior art keywords
vehicle
matching
task
model
scheduling
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.)
Active
Application number
CN202310517486.5A
Other languages
English (en)
Other versions
CN116402309A (zh
Inventor
吴俊峰
何存福
汤毅
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.)
Shanghai Wenjing Information Technology Co ltd
Original Assignee
Shanghai Wenjing Information 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 Shanghai Wenjing Information Technology Co ltd filed Critical Shanghai Wenjing Information Technology Co ltd
Priority to CN202310517486.5A priority Critical patent/CN116402309B/zh
Publication of CN116402309A publication Critical patent/CN116402309A/zh
Application granted granted Critical
Publication of CN116402309B publication Critical patent/CN116402309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种港口集疏运车辆调度匹配方法，针对现有的港口集疏运业务车辆的调度方法无法对任务资源池进行自动化分配调整，通过人工操作，耗时耗力的问题，通过智能匹配平台获取物流任务池及运力资源池的信息，通过训练的物流调度模型，结合遗传算法，可依据历史数据对现有作业流程、运输路径和作业规划进行不断优化和提升，智能计算重构物流运作流程，使得港口集疏运各环节的信息流与实体物流同步，提升口岸产业链效能。

Description

港口集疏运车辆调度匹配方法及系统
技术领域
本发明属于物流管理的技术领域，尤其涉及一种港口集疏运车辆调度匹配方法及系统。
背景技术
随着现代港口竞争的不断加剧，如何提高码头作业设备利用率，降低作业成本已经成为码头提高服务水平，提升自身竞争力的重要研究课题。
其中，港口集疏运业务车辆的调度是一项重要的内容，目前车辆调度的通常做法是：车队根据港口派发的任务选择车辆进行任务调度，调度派车时需人工判断港口、门点、箱型、尺寸、箱主、要求做箱时间、送达时间、出勤车辆、进出口箱量均衡、车辆评分等确定因素以及天气、路况、车速、距离等不确定因素，无法对任务资源池进行自动化分配调整，通过人工操作，耗时耗力。
因此，急需一种智能匹配机制，为港口物流任务匹配高质量的车辆运输方案，充分利用运输资源，合理规划运输路线，降低物料成本，提高客户满意度。
发明内容
本发明的目的是提供一种港口集疏运车辆调度匹配方法及系统，通过智能匹配机制，为港口物流任务匹配高质量的车辆运输方案，充分利用运输资源，合理规划运输路线，降低物料成本，提高客户满意度。
为解决上述问题，本发明的技术方案为：
本发明一方面提供了一种港口集疏运车辆调度匹配方法，用于智慧港口信息化服务平台，该匹配方法包括：
根据当前物流任务池及运力资源池的信息，通过训练的物流调度模型，为当前物流任务池中的物流订单匹配对应的优选运输方案；
其中，所述物流调度模型包括将车辆作业时间、作业模式及码头作业均衡作为优选运输方案的约束参数，并将物流运输成本、物流车辆重载率、物流车辆使用率、物流订单实现率、物流运输时间中的一项或多项作为优选运输方案的评价参数；
所述物流调度模型包括整车调度子模型；所述整车调度子模型包括基于遗传算法，从若干运输方案中通过变异机制和互换更新机制，生成并选择所述优选运输方案。
根据本发明一实施例，所述为当前物流任务池中的物流订单匹配对应的优选运输方案进一步包括：
选取运力资源池中符合作业时间条件的车辆，所述作业时间条件为判断当前实时与任务预约结束时间的差值是否大于0且大于预置的预约剩余时间；
根据不同的作业模式，设置不同的车辆调度约束条件；
配置同一时段内入港作业车辆的最大数量、规划车辆进提箱的作业时间，规避拥堵风险。
根据本发明一实施例，建立车辆调度规划模型进一步包括：
定义以下符号：
A={1，2…… n}：表示任务的集合，有 n 个任务；
B={1，2，3…k}：表示集疏运车队可利用的车辆集合；
：表示从车辆到箱提货点i的单程行驶距离，i∈A；
；表示车辆到任务i所在的箱提货点的单程行驶时间；
：表示任务i所在的箱提货点的装/卸货的时间；
：二程任务点最大距离；
:表示车辆平均行驶时速；
[,/>]：表示车辆经纬度坐标，M≥0，N≥0；
[,/>]：表示箱提货点经纬度坐标，M≥0，N≥0；
J：表示出动车辆的固定成本；
L：表示车辆每公里的行驶成本；
[a，b]表示集卡的时间窗口，即集卡每天开始执行运输任务的出发时间最早为 a点，卡车每天完成任务后最晚回到基地的时间为 b 点，a、b 均为常数；
[，/>]：表示第 i 个任务预约服务时间段，i∈A；
；为车辆到达任务 i 所在提货点的最早时间，i∈A；
；为车辆到达任务 i 所在提货点的最晚时间，i∈A；
：表示在实际服务中车辆在[/>，/>]内到达客户提货点时的惩罚系数；
：表示当实际服务中车辆在[/>，/>]内到达客户提货点时的惩罚系数；
定义决策变量：
；
表示车辆到达任务i的时间；
设置惩罚函数：所述惩罚函数为：
根据当前情况设置适配的约束条件，以精准地实现车辆的动态调度。
根据本发明一实施例，所述物流调度模型包括车辆调度规划子模型，所述车辆调度规划子模型的目标函数为：
其中，C表示车辆调度成本，n表示物流任务池中的任务数，L表示车辆每公里的行驶成本，/>表示从车辆到箱提货点i的单程行驶距离，/>表示车辆到达任务i所在提货点早于预设的最早时间或晚于预设的最晚时间时的惩罚，J表示出动车辆的固定成本，k表示运力资源池中的车辆数，/>表示车辆j是否提供服务；
根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件，以为物流任务池提高动态地车辆调度服务。
根据本发明一实施例，所述根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件进一步包括：
当车辆提货时，所述车辆调度规划子模型配置以下约束条件：
车辆到达提货点的时间须在预约作业时间窗[，/>]内；/>表示车辆到达任务i所在提货点的最早时间，/>表示车辆到达任务i所在提货点的最晚时间；
所述车辆调度规划子模型获取接收任务i的车辆到达提货点的时间，输出准予提货或不予提货的指令。
根据本发明一实施例，所述根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件进一步包括：
当调度派车时，所述车辆调度规划子模型配置以下约束条件：
车辆与箱子提货地坐标距离需小于二程任务点最大距离，且在预约时间内，才派车；
所述车辆调度规划子模型获取系统配置的二程任务点最大距离、车辆时速、预约剩余时间，获取车辆坐标，输出准予派车或不予派车的指令。
根据本发明一实施例，所述物流调度模型包括车辆配载规划子模型；
所述车辆配载子模型通过如下步骤加以实现：
获取车货数据，所述车货数据包括车源方运输能力数据、货源方的运输需求数据、车辆与货物的距离以及货物运送的路程；
基于待匹配的车辆数和待匹配的货物数，设置对应的车货匹配率；
基于车辆与货物的距离和货物运送的路程，设置对应的车辆空驶率；
基于车源方运输能力数据和货源方的运输需求数据，设置对应的车辆装载率；
基于所述车辆空驶率和所述车辆装载率，设置对应的车货匹配收益；
基于所述车货匹配率和所述车货匹配收益设置对应的车货匹配目标，使所述匹配率和所述匹配收益的加权和最大化；
基于预设的车货匹配约束条件和所述车货匹配目标，构建车货供需匹配模型以用于获取车辆配载方案；
基于蚁群优化方法获取所述车辆配载方案的最优解。
根据本发明一实施例，将遗传算法应用于所述物流调度模型，其进一步包括：
编码设计：
对染色体的编码采用的是自然数编码的形式，对所有提供服务的车辆做出任务的安排，每一辆车服务客户的顺序就作为一条路径，所有的路径一起则被看作一个完整的染色体编码；
初始群体的生成：
使每一个任务都被加入路径中，直到生成规定的初始种群规模为止；
适应度函数设计：
将目标函数转化为评价函数，计算出每一条染色体群体中最优部分的染色体的成本 C'，以及各自那条染色体的最优总成本 C，则个体 i 的评价函数为：
最后计算出各个个体的适应度：
算子设计和终止规则设计：
所使用的计算终止规则是当迭代次数达到N次，计算终止，并最终输出最优解，以提高所述优选运输方案的求解效率。
根据本发明一实施例，所述整车调度子模型包括基于遗传算法，从若干运输方案中通过变异机制和互换更新机制，生成并选择所述优选运输方案进一步包括：
步骤一：初始化规模为N的运输方案群体，其中染色体每个基因的值采用随机数产生器生成并满足定义的范围，此时当前进化代数Generation=0；
步骤二：采用评估函数对群体中所有路径染色体进行评价，分别计算每个路径染色体的适应值，保存适应值最大的路径染色体Best；其中，染色体主要是将每一辆车服务客户的顺序作为一条路径，称为路径染色体；
步骤三：采用轮盘赌选择算法对群体路径染色体进行选择操作，产生规模同样为N的种群；
步骤四：按照概率p从种群中选择路径染色体进行交配，新子代染色体进入新种群，没有进行交配的染色体直接复制进入新种群；
步骤五：按照概率q对新种群染色体的基因进行变异操作，变异后的染色体取代原有染色体进入新种群，未发生变异的染色体直接进入新群体；
步骤六：变异后的新群体取代原有群体，重新计算群体中各个染色体的适应值；
步骤七：当前进化代数Generation加1，若当前Generation超过规定的最大进化代数或Best达到规定的误差要求，则优选运输产生，获得最优运输涉及的路径染色体中对应的路径信息，算法结束；否则返回步骤三。
本发明的第二方面提供了一种港口集疏运车辆调度匹配系统，应用于上述第一方面提供的港口集疏运车辆调度匹配方法中；
所述港口集疏运车辆调度匹配系统包括：
智能调度模块，根据当前物流任务池及运力资源池的信息，通过训练的物流调度模型，为当前物流任务池中的物流订单匹配对应的优选运输方案；
其中，所述物流调度模型包括将车辆作业时间、作业模式及码头作业均衡作为优选运输方案的约束参数，并将物流运输成本、物流车辆重载率、物流车辆使用率、物流订单实现率、物流运输时间中的一项或多项作为优选运输方案的评价参数；
所述物流调度模型包括整车调度子模型；所述整车调度子模型包括基于遗传算法，从若干运输方案中通过变异机制和互换更新机制，生成并选择所述优选运输方案。
本发明的第三方面提供了一种港口集疏运车辆调度匹配设备，包括：
存储器和处理器，所述存储器中存储有指令，所述存储器和所述处理器通过线路互连；
所述处理器调用所述存储器中的所述指令，实现上述第一方面提供的港口集疏运车辆调度匹配方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质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上述第一方面提供的港口集疏运车辆调度匹配方法。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明提供的港口集疏运车辆调度匹配方法，针对现有的港口集疏运业务车辆的调度方法无法对任务资源池进行自动化分配调整，通过人工操作，耗时耗力的问题，通过智能匹配平台获取物流任务池及运力资源池的信息，通过训练的物流调度模型，结合遗传算法，可依据历史数据对现有作业流程、运输路径和作业规划进行不断优化和提升，智能计算重构物流运作流程，使得港口集疏运各环节的信息流与实体物流同步，提升口岸产业链效能。
附图说明
图1 为本发明一实施例中的智能匹配平台架构示意图；
图2 为本发明一实施例中的惩罚函数示意图；
图3 为本发明一实施例中的遗传算法的流程图；
图4 为本发明一实施例中的港口集疏运车辆调度匹配设备示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种港口集疏运车辆调度匹配方法及系统作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
实施例一
本实施例针对现有的人工分派港口集疏运业务车辆的调度任务，存在车辆载重率低、运输路线规划不合理、不能跨区域调度等不足导致客户不满意的问题，提供了一种港口集疏运车辆调度匹配方法，基于大数据接口构建物流智能匹配机制，为客户和服务商双方匹配高质量的合作伙伴，并以运输路径最短算法、调度车辆配载分析算法、整车物流调度分析算法，分别以订单满足率、车辆重载率、总运输成本为目标，以车辆的装载容量和规格、货品装载要求、时间和路径为基本约束条件，计算出最优的运输匹配方案，从而减轻调度员的工作量、降低运输成本，提高客户满意度。
该港口集疏运车辆调度匹配方法的应用与智能匹配平台，请参看图1，该智能匹配平台包括服务器、业务平台及使用终端。该智能匹配平台具有机器审核、评价体系、企业画像、智能匹配、数据服务、模型管理、权限管理、大盘监控、智能学习等功能，可自动给每一位客户及入驻的物流服务商绘制对应的画像及分值，根据相关接口及平台交易信息实时更新画像信息。当平台接收到客户的物流委托信息时，会根据客户的分值、地区、货物信息、货物价值来推荐一家匹配的物流服务商，以便提高工作效率及准确性。
具体的，该港口集疏运车辆调度匹配方法包括以下步骤：
根据当前物流任务池及运力资源池的信息，通过训练的物流调度模型，为当前物流任务池中的物流订单匹配对应的优选运输方案。
其中，物流调度模型包括将车辆作业时间、作业模式及码头作业均衡作为优选运输方案的约束参数，并将物流运输成本、物流车辆重载率、物流车辆使用率、物流订单实现率、物流运输时间中的一项或多项作为优选运输方案的评价参数；优选运输方案包括每个物流订单对应的待承运商品的运输批次，运输路线，运输时间，运输费用和中转规划。
在物流订单匹配对应的优选运输方案之前，服务器获取提供运输服务的各企业数据，构建企业评价模型。该企业评价模型采用智能学习及企业画像成长价值评估方法，利用机器学习技术，学习专家打分，模仿专家对企业价值评价的决策过程。首先建立企业评价模型，通过自动高效地对上传数据的企业进行多维度、全方位解析，反映企业成长性与成长趋势。其评价过程是一种对企业的持续分析和动态分析，最终形成一套企业成长性评价报告，是基于大数据与机器学习技术建立起企业成长评价模型的结果体现。
该企业评价模型可以从五个维度出发，包括企业基本信息、竞争力、财务状况、信用记录、违规行为，并运用大数据可视化等现代数字技术，生成可视化模型,在企业的成长性评价报告的基础上，着重对其服务稳定能力做更深层次的模型解析，为客户和运输服务商匹配高质量的合作伙伴，提高双方合作质量。
进一步的，采用企业评价模型对每个企业进行评估，根据物流订单信息，输出推荐的企业，执行运输任务。
通常提供运输服务的企业，其业务数据主要为物流数据，可获取物流数据，构建企业画像。通常，物流数据包括发件地信息、寄件人及收件人的联系电话信息、联系电话信息对应的联系人信息、寄送物品信息、运单价格信息和保价参与信息。在构建企业画像时，可对物流数据进行分类，如按照预设指标将相关数据进行分类，或按照预设指标将相关数据进行分类后进行初始处理。预设指标可以包括：基本信息指标、经营指标、信用指标、风险指标，其中，风险指标就是按照预设指标将相关数据进行分类后进行初始处理的，其指标中的数据可以是发件量增长率，增长率可以为正，也可以为负，当增长率为负时，说明发件量在下降，存在风险，其增长率的计算可以是按照日发件量计算也可以按照月发件量计算，该计算过程就是对发件量的初始处理。
将物流数据分类完成后，可根据预设规则对分入各预设指标中的数据进行评分，得到待构建画像企业的各预设指标的得分，然后根据各预设指标的得分得到待构建画像企业的总分，根据总分及预设等级标准得到待构建画像企业的综合等级，最后输出该待构建画像企业的各预设指标、各预设指标对应的得分以及综合等级。
企业评价模型通过上述过程最后输出的各预设指标、各预设指标对应的得分以及综合等级构建企业画像，服务器根据企业画像信息，对客户作出具有针对性的推荐，被推荐的企业可执行物流运输任务。
可以理解的是，本发明提供的技术方案包括两个匹配流程：一是用户的物流订单和物流承运商的匹配过程，实际的匹配过程为“用户画像+物流订单”与物流承运商的匹配，也就是说在整个匹配的过程中，用户根据订单与物流承运商的匹配关系是最先确定的；二是具体的运输方案匹配，也就是说确定了物流承运商这边有多少确定的订单后在同个物流承运商的维度中对全体物流订单进行运输方案的匹配。
根据物流订单信息，运行预设的物流调度算法，智能输出推荐的运输方案，降低运输成本，提高客户满意度。
为提高港口集疏运业务调度派车的准确度及效率，需要解决的主要问题有：
1、作业时间：车辆作业时间是车辆调度过程中需要考虑的最重要的因素，派车前需要计算当前时间与预约结束时间的差值判断，差值大于0且大于系统配置预约剩余时间（码头作业缓冲时间+车辆行驶时间）的车辆才具备进行作业任务的条件；
2、作业模式：不同作业模式下（出口集港、进口提箱、进口直提、进口分拨分流、集团中转、海铁联运、退关提箱）车辆调度约束条件不同，如出口箱需要考虑码头作业均衡与截港时间；进口箱需考虑预约提箱时间、货代规定送达时间及指定送箱点距离；直提箱需考虑船舶卸船作业时间；海铁联运箱需考虑船舶卸船时间及铁路场站进场时间等。
3、码头作业均衡：需要考虑码头作业均衡，均衡各时段内港区堆场箱区间作业量；可能会出现同一时段内多辆外集卡进入码头作业，需结合智能算法设置同一时段内入港作业车辆最大数量、规划车辆进提箱作业时间，规避拥堵风险。
为解决上述问题，本实施例提供了一种物流调度算法，该物流调度算法以车辆调度规划算法、调度车辆配载分析算法、整车物流调度分析算法，分别以订单满足率、车辆重载率、总运输成本为目标，以车辆的装载容量和规格、货品装载要求、时间和路径为基本约束条件，实时计算出最优的运输匹配方案，从而减轻调度员的工作量、降低运输成本，提高客户满意度。
其中，车辆调度规划算法：在派车时判断港口、门点、箱型、尺寸、箱主、要求做箱时间、送达时间、出勤车辆、进出口箱量均衡、车辆评分等因素；希望结合确定因素及天气、路况、车速、距离等不确定因素估计出每辆车预计到达港区的时间。如通过处理大规模任务池与运力池最优匹配的车辆调度的优化模型及算法：如大规模线性规划、大规模整数规划等，并可根据规划问题结构的稀疏性，设计高效的内点法(Interior point algorithm)等优化算法，基于列生成(Column Generation)算法或者分支定界算法等。根据问题或模型特点，设计高效的启发式算法，本次集疏运调度优化建议通过遗传算法解决车辆调度问题。
具体的，建立车辆调度规划模型：
（1）定义以下符号：
A={1，2…… n}：表示任务的集合，有 n 个任务；
B={1，2，3…k}：表示集疏运车队可利用的车辆集合；
：表示从车辆到箱提货点i的单程行驶距离，i∈A
；表示车辆到任务i所在的箱提货点的单程行驶时间；
：表示任务i所在的箱提货点的装/卸货的时间；
：二程任务点最大距离
:表示车辆平均行驶时速
[,/>]：表示车辆经纬度坐标，M≥0，N≥0
[,/>]：表示箱提货点经纬度坐标，M≥0，N≥0
J：表示出动车辆的固定成本；（广义的调度成本）
L：表示车辆每公里的行驶成本；（广义的调度成本）
[a，b]表示集卡的时间窗口，即集卡每天开始执行运输任务的出发时间最早为 a点，卡车每天完成任务后最晚回到基地的时间为 b 点，a、b 均为常数；
[，/>]：表示第 i 个任务预约服务时间段，i∈A
；为车辆到达任务 i 所在提货点的最早时间，i∈A
；为车辆到达任务 i 所在提货点的最晚时间，i∈A；
：表示在实际服务中车辆在[/>，/>]内到达客户提货点时的惩罚系数；
：表示当实际服务中车辆在[/>，/>]内到达客户提货点时的惩罚系数。
（2）定义决策变量
；
:表示车辆到达任务i的时间
（3）设置惩罚函数：
在混合时间窗的限制中，如果车辆早于或者晚于/>到达任务i 所在的箱提货点，则任务 i 拒绝服务，如图2所示，在构建的模型中，对这部分的处理通常是将惩罚值设置为一个数值很大的正数用于排除不可行解，将这部分约束放在约束函数中进行约束，可以大大减少模型的计算量。
因此惩罚函数为：
；
设置等待时间函数：
；
设置距离函数：；
则规划模型的目标函数为：
；
约束方程为：
；
；
；
；
；
；
；
；
；
；
；
上述从上到下对各约束方程进行标号（1）、（2）…（11），得到以下约束条件：
约束条件（1）表示所有任务都必须服务到，每个任务只由一辆车提供服务；
约束条件（2）表示每辆车每天总服务时间不超过规定的车辆最长工作时间；
约束条件（3）表示每个任务最早的出发时间要晚于车辆最早的开工时间；
约束条件（4）表示每个任务的最晚收工时间要早于车辆最晚的收工时间；
约束条件（5）表示车辆到达提货点的时间须在预约作业时间窗[，/>]内；
约束条件（6）表示车辆 k 为客户 i 服务因早到或迟到引起的惩罚成本；
约束条件（7）表示车辆在提货点处等待可以开始装卸作业的时间；
约束条件（8）获取同一个车队下的箱子和运力，不是同一个车队下的不派车；
约束条件（9）判断当前车辆司机是否有未完成的任务，有则不派车，没有继续派车逻辑；
约束条件（10）一程派车，没有预约时间的直接派车，有预约时间的需要计算当前时间与预约结束时间的差值判断，如差值大于0且大于系统配置预约剩余时间则派车，反之不派车；
约束条件（11）需获取系统双重配置（二程任务点最大距离、车辆时速、预约剩余时间），获取车辆坐标（经纬度），根据车辆与箱子提货地坐标计算距离<二程任务点最大距离，且满足时间要求的可派车，否则不派车。
通过上述车辆调度规划模型及约束条件，可根据具体情况，有针对性地，设置适配的约束条件，精准地实现车辆的动态调度。
如，对于是否准予提货问题，可选取约束条件（5）输入车辆调度规划模型，当车辆早于或者晚于/>到达任务i 所在的箱提货点，则输出任务 i 拒绝服务，不予提货；当车辆在[/>，/>]的时间段内到达任务i 所在的箱提货点，则输出任务 i 提供服务，可以提货。
又如，对于是否派车问题，可选取约束条件（11）输入车辆调度规划模型，当车辆与箱子提货地坐标计算距离<二程任务点最大距离，且满足时间要求的，则输出准予派车；当车辆与箱子提货地坐标计算距离>二程任务点最大距离，或不满足时间要求的，则输出不予派车。
上述不同的约束条件应用到该本实施例中的车辆调度规划模型中，输出不同的车辆调度指令，当集疏运业务调度派车时需根据不同作业模式（出口集港、进口提箱、进口直提、进口分拨分流、集团中转、海铁联运、退关提箱）设置算法约束优先级，如出口箱需要考虑码头作业均衡与截港时间；进口箱需考虑预约提箱时间、货代规定送达时间及指定送箱点距离；直提箱需考虑船舶卸船作业时间；海铁联运箱需考虑船舶卸船时间及铁路场站进场时间等，在此不一一举例了。
本实施例通过上述车辆调度规划模型，可根据具体情况，适应性地调整约束条件，根据约束条件具体参量，输出相应的车辆调度指令，有针对性地，精准地实现车辆调度，有纪律、有条理地执行港口集疏运车辆调度，避免港口交通混乱，提高港口作业效率，提升客户满意度。这种方式可以适应港口的具体情况来动态调整各项设计，提升动态性和兼容性，同时也有精准性。
调度车辆配载分析算法：在整车混载调度中，需要考虑多方面因数，如：货源方信息、车源方信息，对需要调度的资源、信息进行排序，使复杂的调度问题能逐步简化，提高混载运作的效率。具体的，可通过以下步骤实现车辆载配的调度：
获取车货数据，该车货数据包括：车源方运输能力数据、货源方的运输需求数据、车辆与货物的距离、货物运送的路程；
基于待匹配的车辆数和待匹配的货物数预设车货匹配率；
基于车辆与货物的距离和货物运送的路程预设车辆运输货物的空驶率；
基于车源方运输能力数据和货源方的运输需求数据预设车辆运输货物的装载率；
基于空驶率和装载率预设车辆的匹配收益；
基于匹配率和匹配收益预设车货匹配目标，使匹配率和匹配收益的加权和最大化；
预设车货供需匹配模型的约束条件，基于车货匹配目标和约束条件构建车货供需匹配模型，用于获取车货匹配方案；
基于蚁群优化方法获取车货供需匹配模型的最优解，提高车辆混载运作的效率。
本实施例通过上述调度车辆配载分析算法，可充分利用车辆空间，实现车辆运输的最佳载荷，进而减少车辆出车率，降低车辆调度成本，提高港口作业效率。
整车物流调度分析算法：该算法采用遗传算法的变异思想和互换更新机制来增加种群的多样性，以避免过早收敛，改进优化求解效果。在此基础上，将GQPSO（遗传量子粒子群优化）算法用于整车物流运输分析。
GQPSO算法中粒子的位置由概率密度函数以一定概率分散在搜索空间内，处于约束状态，因此可以增加种群多样性以达到全局搜索，从而提高GQPSO算法在车辆调度问题上的收敛能力。
具体的，可以理解的是，在遗传算法中，问题的每个有效解被视为一个“染色体”。染色体的具体形式是一个使用特定编码方式生成的编码串，其中的每个编码单元成为“基因”。遗传算法通过比较适应值区分染色体的优劣，评估函数用来计算确定染色体对应的适应值，通过选择算子按照一定规则对群体的染色体进行选择。一般的，越优秀的染色体被选中的次数越多。
而在实际的匹配过程中，请参看图3，包括以下步骤：
（1）编码设计
对染色体的编码采用的是自然数编码的形式，对所有提供服务的车辆做出任务的安排，每一辆车服务客户的顺序就作为一条路径，所有的路径一起则被看作一个完整的染色体编码。例如有 K 辆车需完成 n 个任务，0 表示提货点，而 1，2，3，......n 为任务代码，增加 k-1 个虚拟的提货点，组成 k 个运输路线。 例如有 9 个任务，3 辆车，随机生成一个任务代码的排序 136294857，在 3 辆车的限制下，插入虚拟的提货点013062940857，构成 3 条运输路线 0-1-3-0、0-6-2-9-4-0、0-8-5-7-0。每条线路表示的是一辆车的服务顺序，比如车辆一依次为任务 1 和任务 3 提供服务；车辆二依次为任务 6、任务 2、任务9 和任务 4 提供服务；车辆三依次为任务 8、任务 5 和任务 7 提供服务。
（2）初始群体的生成
一般为了达到算法收敛得到全局最优的效果，都需要预先设置一定规模的遗传群体。在对染色体进行编码时，需要在两个 0 之间加入代表任务的序列号，接着判断是否符合约束条件的限制，模型的主要限制条件是对时间窗的限制；如果符合，则可以继续加入；如果不符合，就将当前的路径看作一辆车所需完成的任务。对车辆任务安排都需要从 0 开始，以 0 结束。再通过对空路径的加入，最终使每一个任务都被加入路径中。
重复上述步骤，直到生成规定的初始种群规模为止。
（3）适应度函数设计
根据本次天津集疏运业务研究的带混合时间窗的目标，将目标函数转化为评价函数，计算出每一条染色体群体中最优部分的染色体的成本 C'，以及各自那条染色体的最优总成本 C，则个体 i 的评价函数为：；
最后计算出各个个体的适应度：；
（4）算子设计
1）选择算子设计：将每代种群中的染色体的适应度值 进行从大到小的排序，通过轮盘赌选择法将适应度高的个体优先保留到下一代，使得计算过程中每次出现的适应度最高的个体都能保存在最优解中。
2）交叉算子设计：在此遗传算法中，交叉算子的设计采用的是部分匹配交叉方法（PMX：Partially Matched Crossover）。如有两个父代：
父代 1 3 9 | 6 4 1 8 | 5 2 7
父代 2 8 6 | 4 5 9 2 | 7 1 3
在两个父代中随机产生两个交叉点，如文中竖线的位置。交换父代 1 和父代 2中的交叉线中间的基因序列，先把父代 1 中的 6 4 1 8 放在新生的父代 1'的前四个位置，然后与父代 2 中的基因相比，略去相同的基因，从而得到新生的父代 1'的基因序列为6 4 1 8 5 9 2 7 3。同样的方法，将父代 2 的 4 5 9 2 放在新生的父代 2'的前四个位置，与父代 1的基因相比，略去相同的基因，从而得到新生的父代 2'的基因序列为 4 5 92 3 6 1 8 7。
在这个过程中用来进行交叉的父代个体均产生于前一步选择后的染色体，然后通过此交叉法产生的两个新的个体作为进一步操作时的父体。
3）变异算子设计：本次算法设计中变异算子的设计选择的是逆转变异法，以 pm的变异概率对所选染色体中的个体进行变异。在选定的个体中随机产生两个逆转点，将逆转点之间的基因序列进行逆转，得到新的个体，如：
变异前：4 9 2 3 1 8 5 6 7
变异后：4 9 8 1 3 25 6 7
（5）终止规则设计
所使用的计算终止规则是当迭代次数达到N次，计算终止，并最终输出最优解。
在遗传算法运行过程中，算法的计算量在群体规模较大时急剧增加，尤其是染色体适应值的计算将占据CPU大量的计算时间，从而降低了算法的运行速度。另一方面，遗传算法具有潜在的并行性，虽然算法从整体流程上看仍然是串行的，但是算法运行过程中对每个染色体的处理却是具有一定的相互独立性的。
具体的算法流程可以包括：
步骤一：初始化规模为N的运输方案群体，其中染色体每个基因的值采用随机数产生器生成并满足定义的范围，此时当前进化代数Generation=0；
步骤二：采用评估函数对群体中所有路径染色体进行评价，分别计算每个路径染色体的适应值，保存适应值最大的路径染色体Best；
步骤三：采用轮盘赌选择算法对群体路径染色体进行选择操作，产生规模同样为N的种群；
步骤四：按照概率p从种群中选择路径染色体进行交配，新子代染色体进入新种群，没有进行交配的染色体直接复制进入新种群；
步骤五：按照概率q对新种群染色体的基因进行变异操作，变异后的染色体取代原有染色体进入新种群，未发生变异的染色体直接进入新群体；
步骤六：变异后的新群体取代原有群体，重新计算群体中各个染色体的适应值；
步骤七：当前进化代数Generation加1，若当前Generation超过规定的最大进化代数或Best达到规定的误差要求，则优选运输产生，获得最优运输涉及的路径染色体中对应的路径信息，算法结束；否则返回步骤三。
染色体主要是指每一辆车服务客户的顺序作为一条路径，即称为路径染色体。
本实施例将上述遗传算法用于物流调度模型中，可缩短为当前物流任务池中的物流订单匹配对应的优选运输方案的求解时间，大大提高物流调度模型的求解效率，加快车辆调度指令的输出，从而提高港口集疏运车辆的调度效率。
在服务商执行运输任务时，智能匹配平台可对货物进行跟踪，将重要的单证票样、单证等归纳管理。在完成物流运输任务后，客户、服务商可进行互相评价，上传相关图片、文字、视频等。
智能匹配平台还可通过驾驶证查询、驾照查分、身份验证、不良、借款行为等相关大数据接口全面的对入驻司机进行检测，全面保障货运安全。
驾驶证信息查询：用于司机注册后驾驶证信息提交环节，核实入驻司机驾驶证的真伪，确认司机的驾驶证适用于哪种车型，以及是否处于正常状态。
人证照片比对：用于核实入驻司机的真实身份，并且是本人注册。
不良记录查询：用于检测司机有无社会不良风险，若司机存在不良风险，则货物的安全不能得到保障，同时会间接的对自身平台的服务品质和品牌造成不良影响。
法院失信被执行人：用于核实司机是否为失信人员，若为失信人员则表明此人信用较差，则货物的安全不能得到保障，可能会出现司机私自将货物卖了情况。
借款人风险报告：用于检测司机的借贷信用状况，是否存在骗贷行为、是否有大量的负债、大量的逾期情况，若有这些情况，则说明司机信用差，同时容易铤而走险私自将货物进行变卖，供自己挥霍。
驾驶证查分：可用于区别司机的等级，给优质客户推荐好司机，一般驾驶证保持满分的司机驾驶技术会较好，同时遵守交通规则，此类司机不容易在运输过程中出现事故，可以较大概率保证货物能够安全、准时的运达。
智能匹配平台还可通过入驻车辆基于车辆数据、行驶证数据、违章数据等相关接口对入驻车辆进行管控：
行驶证信息查询(小车)：通过行驶证信息了解车辆的报废日期、载重、校验有效期等信息来判断小型货运车辆的状况，避免三无车辆、高危车辆等不合格的车辆进入平台，同时可根据载重为车辆安排合理的货物，避免超重。
行驶证信息查询(大车12吨以上重大)：通过行驶证信息了解大型车辆的载重、外廓尺寸、内廓尺寸、车轴数等信息，平台可利用这些信息为大型物件合理安排货车。
违章查询：用于核实入驻车辆之前的违章是否全部处理，以及后期运营中司机可以核实在自己使用期间是否有产生违章行为，同时平台对特殊违章订单进行核实对司机进行补贴，如因车身广告被罚。
本实施例中的智能匹配平台不仅对运输服务企业绘制企业画像，还对提出物流需求的客户进行管理。具体的，根据客户需求的特性，采用适合较大聚类样本项目的K-means技术，对客户位置进行初步聚类，形成初始的客户地理位置静态聚类群；基于上一步形成的基础客户聚类群，采用模糊聚类的方法，设定需求聚类的指标，以便推荐合适的企业执行运输任务，提升客户与企业的黏性。
综上，该港口集疏运车辆调度匹配方法，融合先进的人工智能技术，通过遗传算法、深度学习、强化学习等先进算法技术，可依据历史数据对现有作业流程、运输路径和作业规划进行不断优化和提升，智能计算重构物流运作流程，使得港口集疏运各环节的信息流与实体物流同步，提升口岸产业链效能。
同时，可依托公路网络、水运网络及港口作业数据，结合智能感知技术、信息传输技术对港口集疏运作业全程可追踪、过程可控和结果可预测，智能匹配企业用车需求与空闲车辆，实现运输流程全透明化与资源利用最大化。利用人工智能算法将港口集疏运作业中许多不可控因素排除在外，重组物流生产要素，确保港口物流运输的质量。
实施例二
本实施例提供了一种港口集疏运车辆调度匹配系统，该港口集疏运车辆调度匹配系统包括：
智能调度模块，根据当前物流任务池及运力资源池的信息，通过训练的物流调度模型，为当前物流任务池中的物流订单匹配对应的优选运输方案；
其中，物流调度模型包括将车辆作业时间、作业模式及码头作业均衡作为优选运输方案的约束参数，并将物流运输成本、物流车辆重载率、物流车辆使用率、物流订单实现率、物流运输时间中的一项或多项作为优选运输方案的评价参数；
该物流调度模型包括整车调度子模型，整车调度子模型包括基于遗传算法，从若干运输方案中通过变异机制和互换更新机制，生成并选择所述优选运输方案。
上述港口集疏运车辆调度匹配系统用于实现上述实施例一中的港口集疏运车辆调度匹配方法，其具体实施方式如实施例一所述，在此不再赘述。
实施例三
本实施例提供了一种港口集疏运车辆调度匹配设备。请参看图4，该港口集疏运车辆调度匹配设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对港口集疏运车辆调度匹配设备500中的一系列指令操作。
进一步，处理器510可以设置为与存储介质530通信，在港口集疏运车辆调度匹配设备500上执行存储介质530中的一系列指令操作。
港口集疏运车辆调度匹配设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线的网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。
本领域技术人员可以理解，图4示出的港口集疏运车辆调度匹配设备结构并不构成对港口集疏运车辆调度匹配设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明的另一实施例还提供了一种计算机可读存储介质。
该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的港口集疏运车辆调度匹配方法的步骤。
港口集疏运车辆调度匹配方法如果以程序指令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，本实施例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的形式体现出来，该计算机软件存储在一个存储介质中，包括若干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）执行本公开各个实施例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，ROM）、随机存取存储器（Random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述得方便和简洁，上述描述的系统及设备的具体执行的识别内容，可以参考前述方法实施例中的对应过程。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims (9)

1.一种港口集疏运车辆调度匹配方法，用于智慧港口信息化服务平台，其特征在于，包括：
根据当前物流任务池及运力资源池的信息，通过训练的物流调度模型，为当前物流任务池中的物流订单匹配对应的优选运输方案；
其中，所述物流调度模型包括车辆调度规划子模型、车辆配载规划子模型及整车调度子模型，其中，所述车辆调度规划子模型的目标函数为：，
其中，C表示车辆调度成本，n表示物流任务池中的任务数，L表示车辆每公里的行驶成本，Si表示车辆到任务i所在的箱提货点的单程行驶距离，pi表示车辆到达任务i所在箱提货点早于预设的最早时间或晚于预设的最晚时间时的惩罚，J表示出动车辆的固定成本，k表示运力资源池中的车辆数，yi表示车辆j是否提供服务；
根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件，为物流任务池提供动态地车辆调度服务；
所述车辆配载规划子模型基于货源方信息及车源方信息，计算得到车货匹配率、车辆空驶率和车辆装载率，基于所述车辆空驶率和车辆装载率，设置对应的车货匹配收益；基于所述车货匹配率和车货匹配收益，设置对应的车货匹配目标，使匹配率和匹配收益的加权和最大化；基于预设的车货匹配约束条件和所述车货匹配目标，构建车货供需匹配模型以用于获取车辆配载方案，并基于蚁群优化方法获取所述车辆配载方案的最优解；
所述整车调度子模型基于遗传算法，将每一辆车服务客户的顺序作为一条路径的路径染色体，通过变异机制和互换更新机制，从若干运输方案中获得优选运输涉及的路径染色体中对应的路径信息，作为优选运输方案。
2.如权利要求1所述的港口集疏运车辆调度匹配方法，其特征在于，所述为当前物流任务池中的物流订单匹配对应的优选运输方案进一步包括：
选取运力资源池中符合作业时间条件的车辆，所述作业时间条件为判断当前实时与任务预约结束时间的差值是否大于0且大于预置的预约剩余时间；
根据不同的作业模式，设置不同的车辆调度约束条件；
配置同一时段内入港作业车辆的最大数量、规划车辆进提箱的作业时间，规避拥堵风险。
3.如权利要求1所述的港口集疏运车辆调度匹配方法，其特征在于，车辆调度规划子模型确定目标函数之前进一步包括：
定义以下符号：
A={1，2…… n}：表示任务的集合，有 n 个任务；
B={1，2，3…k}：表示集疏运车队可利用的车辆集合；
Si：表示车辆到任务i所在的箱提货点的单程行驶距离，i∈A；
ti：表示车辆到任务i所在的箱提货点的单程行驶时间；
Ti：表示任务i所在的箱提货点的装/卸货的时间；
Di：二程任务点最大距离；
Vj：表示车辆j的平均行驶时速，j∈B；
[M1,N1]：表示车辆经纬度坐标，M1≥0，N1≥0；
[M2,N2]：表示箱提货点经纬度坐标，M2≥0，N2≥0；
J：表示出动车辆的固定成本；
L：表示车辆每公里的行驶成本；
[a，b]表示集卡的时间窗口，即集卡每天开始执行运输任务的出发时间最早为 a 点，卡车每天完成任务后最晚回到基地的时间为 b 点，a、b 均为常数；
[ETi,LTi]：表示第 i 个任务预约服务时间段，i∈A；
Ei：为车辆到达任务 i 所在箱提货点的最早时间，i∈A；
Li：为车辆到达任务 i 所在箱提货点的最晚时间，i∈A；
R1：表示在实际服务中车辆在[Ei,ETi]内到达客户提货点时的惩罚系数；
R2：表示当实际服务中车辆在[LTi,Li]内到达客户提货点时的惩罚系数；
定义决策变量：
，
bi表示车辆到达任务i的时间；
设置pi惩罚函数：所述惩罚函数为：
。
4.如权利要求1所述的港口集疏运车辆调度匹配方法，其特征在于，所述根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件进一步包括：
当车辆提货时，所述车辆调度规划子模型配置以下约束条件：
车辆到达箱提货点的时间须在预约作业时间窗[Ei,Li]内；Ei表示车辆到达任务i所在箱提货点的最早时间，Li表示车辆到达任务i所在箱提货点的最晚时间；
所述车辆调度规划子模型获取接收任务i的车辆到达提货点的时间，输出准予提货或不予提货的指令。
5.如权利要求1所述的港口集疏运车辆调度匹配方法，其特征在于，所述根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件进一步包括：
当调度派车时，所述车辆调度规划子模型配置以下约束条件：
车辆与箱提货点坐标距离需小于二程任务点最大距离，且在预约服务时间段内，才派车；
所述车辆调度规划子模型获取系统配置的二程任务点最大距离、车辆时速、预约服务剩余时间，获取车辆坐标，输出准予派车或不予派车的指令。
6.如权利要求1所述的港口集疏运车辆调度匹配方法，其特征在于，
所述车辆配载规划子模型通过如下步骤加以实现：
获取车货数据，所述车货数据包括车源方运输能力数据、货源方的运输需求数据、车辆与货物的距离以及货物运送的路程；
基于待匹配的车辆数和待匹配的货物数，设置对应的车货匹配率；
基于车辆与货物的距离和货物运送的路程，设置对应的车辆空驶率；
基于车源方运输能力数据和货源方的运输需求数据，设置对应的车辆装载率；
基于所述车辆空驶率和所述车辆装载率，设置对应的车货匹配收益；
基于所述车货匹配率和所述车货匹配收益设置对应的车货匹配目标，使所述匹配率和所述匹配收益的加权和最大化；
基于预设的车货匹配约束条件和所述车货匹配目标，构建车货供需匹配模型以用于获取车辆配载方案；
基于蚁群优化方法获取所述车辆配载方案的最优解。
7.如权利要求1或2所述的港口集疏运车辆调度匹配方法，其特征在于，将遗传算法应用于所述物流调度模型，其进一步包括：
编码设计：
对染色体的编码采用的是自然数编码的形式，对所有提供服务的车辆做出任务的安排，每一辆车服务客户的顺序就作为一条路径，所有的路径一起则被看作一个完整的染色体编码；
初始群体的生成：
使每一个任务都被加入路径中，直到生成规定的初始种群规模为止；
适应度函数设计：
将目标函数转化为评价函数，计算出每一条染色体群体中最优部分的染色体的成本C'，以及各自那条染色体的最优总成本 C，则个体 i 的评价函数为：
，
最后计算出各个个体的适应度：
，
算子设计和终止规则设计：
所使用的计算终止规则是当迭代次数达到N次，计算终止，并最终输出最优解，以提高所述优选运输方案的求解效率。
8.如权利要求1所述的港口集疏运车辆调度匹配方法，其特征在于，所述整车调度子模型基于遗传算法，将每一辆车服务客户的顺序作为一条路径的路径染色体，通过变异机制和互换更新机制，从若干运输方案中获得优选运输涉及的路径染色体中对应的路径信息，作为优选运输方案，进一步包括：
步骤一：初始化规模为N的运输方案群体，其中染色体每个基因的值采用随机数产生器生成并满足定义的范围，此时当前进化代数Generation=0；
步骤二：采用评估函数对群体中所有路径染色体进行评价，分别计算每个路径染色体的适应值，保存适应值最大的路径染色体Best；其中，染色体是将每一辆车服务客户的顺序作为一条路径，称为路径染色体；
步骤三：采用轮盘赌选择算法对群体路径染色体进行选择操作，产生规模同样为N的种群；
步骤四：按照概率p从种群中选择路径染色体进行交配，新子代染色体进入新种群，没有进行交配的染色体直接复制进入新种群；
步骤五：按照概率q对新种群染色体的基因进行变异操作，变异后的染色体取代原有染色体进入新种群，未发生变异的染色体直接进入新群体；
步骤六：变异后的新群体取代原有群体，重新计算群体中各个染色体的适应值；
步骤七：当前进化代数Generation加1，若当前Generation超过规定的最大进化代数或Best达到规定的误差要求，则优选运输产生，获得优选运输涉及的路径染色体中对应的路径信息，算法结束；否则返回步骤三。
9.一种港口集疏运车辆调度匹配系统，其特征在于，应用于如权利要求1至权利要求8中任意一项所述的港口集疏运车辆调度匹配方法中；
所述港口集疏运车辆调度匹配系统包括：
智能调度模块，根据当前物流任务池及运力资源池的信息，通过训练的物流调度模型，为当前物流任务池中的物流订单匹配对应的优选运输方案；
其中，所述物流调度模型包括车辆调度规划子模型、车辆配载规划子模型及整车调度子模型，其中，所述车辆调度规划子模型以车辆调度成本最低为目标函数，根据不同的作业模式及作业阶段，对所述车辆调度规划子模型配置不同的车辆调度约束条件，为物流任务池提供动态地车辆调度服务；
所述车辆配载规划子模型用于获取车辆配载方案，并基于蚁群优化方法获取所述车辆配载方案的最优解；
所述整车调度子模型包括基于遗传算法，从若干运输方案中通过变异机制和互换更新机制，生成并选择所述优选运输方案。
CN202310517486.5A 2023-05-10 2023-05-10 港口集疏运车辆调度匹配方法及系统 Active CN116402309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310517486.5A CN116402309B (zh) 2023-05-10 2023-05-10 港口集疏运车辆调度匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310517486.5A CN116402309B (zh) 2023-05-10 2023-05-10 港口集疏运车辆调度匹配方法及系统

Publications (2)

Publication Number Publication Date
CN116402309A CN116402309A (zh) 2023-07-07
CN116402309B true CN116402309B (zh) 2023-08-29

Family

ID=87010655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310517486.5A Active CN116402309B (zh) 2023-05-10 2023-05-10 港口集疏运车辆调度匹配方法及系统

Country Status (1)

Country Link
CN (1) CN116402309B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957174B (zh) * 2023-09-21 2023-11-28 云南中畅物流有限公司 基于数据融合的货运线路集成规划方法及系统
CN117010670B (zh) * 2023-10-07 2024-06-07 普迪智能装备有限公司 一种智能物流配送系统及方法
CN117973814B (zh) * 2024-03-29 2024-06-11 绵阳职业技术学院 一种车辆预约管理调度系统及方法
CN118037006B (zh) * 2024-04-11 2024-07-02 哪吒港航智慧科技(上海)有限公司 一种场桥作业调度方法及调度系统
CN118691180A (zh) * 2024-08-29 2024-09-24 山东港口日照港集团有限公司 一种港口粮食运输智能调度方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN108038644A (zh) * 2017-12-14 2018-05-15 深圳市易拓互联网科技有限责任公司 一种集装箱运输交易平台
CN110557444A (zh) * 2019-08-20 2019-12-10 合肥维天运通信息科技股份有限公司 一种无人驾驶集装箱短驳车辆调度系统及方法
KR102142221B1 (ko) * 2019-08-27 2020-08-06 심언섭 수출입항만 물류 효율화를 위한 자동스케줄링 및 배정과 배차관리 시스템
KR20200134747A (ko) * 2019-05-23 2020-12-02 (주)토탈소프트뱅크 컨테이너 터미널에서 복수 운송장비의 배차 전략 다원화를 위한 운영 관리 방법
CN112700192A (zh) * 2020-12-29 2021-04-23 江阴华西化工码头有限公司 一种基于spark物联网的码头物流业务对象处理方法
CN113159588A (zh) * 2021-04-26 2021-07-23 南京工业大学 一种基于物联网技术的物流车辆智能调度算法
CN113361804A (zh) * 2021-06-28 2021-09-07 同济大学 缓冲堆场作业与码头间集卡运输协同调度系统及其方法
CN114429322A (zh) * 2021-12-23 2022-05-03 山东临沂港国际物流有限公司 一种港口运输合理调度系统
WO2022116225A1 (zh) * 2020-12-02 2022-06-09 中国科学院深圳先进技术研究院 多车任务分配与路径优化仿真平台及其实现方法
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
KR102435722B1 (ko) * 2021-07-07 2022-08-24 주식회사 카짱 항공 화물 배송을 위한 스마트 화물 차량 배차 시스템 및 이의 실행 방법
CN115456387A (zh) * 2022-09-02 2022-12-09 武汉理工大学 煤炭港口出港作业集成调度方法、装置、电子设备及介质
CN115689247A (zh) * 2022-11-19 2023-02-03 南昌大学 一种基于改进遗传算法的整车物流调度优化方法
CN115689084A (zh) * 2022-11-16 2023-02-03 东风悦享科技有限公司 一种港口无人集卡多车辆动态调度方法
CN116070813A (zh) * 2023-02-22 2023-05-05 句芒网络科技(浙江绍兴)有限公司 一种港口物流管控方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046964A1 (en) * 2016-08-12 2018-02-15 Michael C Leoni Systems, devices, and methods of optimizing trucking supply chain logistics

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578199A (zh) * 2017-08-21 2018-01-12 南京航空航天大学 一种求解二维装载约束物流车辆调度问题的方法
CN108038644A (zh) * 2017-12-14 2018-05-15 深圳市易拓互联网科技有限责任公司 一种集装箱运输交易平台
KR20200134747A (ko) * 2019-05-23 2020-12-02 (주)토탈소프트뱅크 컨테이너 터미널에서 복수 운송장비의 배차 전략 다원화를 위한 운영 관리 방법
CN110557444A (zh) * 2019-08-20 2019-12-10 合肥维天运通信息科技股份有限公司 一种无人驾驶集装箱短驳车辆调度系统及方法
KR102142221B1 (ko) * 2019-08-27 2020-08-06 심언섭 수출입항만 물류 효율화를 위한 자동스케줄링 및 배정과 배차관리 시스템
WO2022116225A1 (zh) * 2020-12-02 2022-06-09 中国科学院深圳先进技术研究院 多车任务分配与路径优化仿真平台及其实现方法
CN112700192A (zh) * 2020-12-29 2021-04-23 江阴华西化工码头有限公司 一种基于spark物联网的码头物流业务对象处理方法
CN113159588A (zh) * 2021-04-26 2021-07-23 南京工业大学 一种基于物联网技术的物流车辆智能调度算法
CN113361804A (zh) * 2021-06-28 2021-09-07 同济大学 缓冲堆场作业与码头间集卡运输协同调度系统及其方法
KR102435722B1 (ko) * 2021-07-07 2022-08-24 주식회사 카짱 항공 화물 배송을 위한 스마트 화물 차량 배차 시스템 및 이의 실행 방법
CN114429322A (zh) * 2021-12-23 2022-05-03 山东临沂港国际物流有限公司 一种港口运输合理调度系统
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
CN115456387A (zh) * 2022-09-02 2022-12-09 武汉理工大学 煤炭港口出港作业集成调度方法、装置、电子设备及介质
CN115689084A (zh) * 2022-11-16 2023-02-03 东风悦享科技有限公司 一种港口无人集卡多车辆动态调度方法
CN115689247A (zh) * 2022-11-19 2023-02-03 南昌大学 一种基于改进遗传算法的整车物流调度优化方法
CN116070813A (zh) * 2023-02-22 2023-05-05 句芒网络科技(浙江绍兴)有限公司 一种港口物流管控方法及系统

Also Published As

Publication number Publication date
CN116402309A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116402309B (zh) 港口集疏运车辆调度匹配方法及系统
Islam et al. Logistics and supply chain management
Billhardt et al. Taxi dispatching strategies with compensations
CN107844935B (zh) 一种基于环保和成本节约的车辆调度和路径规划方法
CN112766614B (zh) 一种基于两阶段启发式算法的动态车辆路径优化方法
CN115965172B (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
Liu et al. A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines
Resat Design and analysis of novel hybrid multi-objective optimization approach for data-driven sustainable delivery systems
CN113610453B (zh) 一种多运输方式联合的集装箱运输路径选择方法
Jafarian et al. The inventory-routing problem subject to vehicle failure
Cheng et al. Integrated people-and-goods transportation systems: from a literature review to a general framework for future research
Vahedi-Nouri et al. Bi-objective collaborative electric vehicle routing problem: Mathematical modeling and matheuristic approach
Bayliss et al. Dynamic pricing for vehicle ferries: using packing and simulation to optimize revenues
WO2022204352A1 (en) Electronic system for monitoring and automatically controlling cargo transportation
CN117709836A (zh) 一种数字化物流供应链的管理系统
CN112613701B (zh) 一种成品卷烟物流调度方法
Zheng Solving vehicle routing problem: A big data analytic approach
Blanquart et al. Towards innovative freight and logistics
CN114819805A (zh) 车辆运输管理系统
Azarkish et al. A fuzzy bi-objective mathematical model for multi-depot electric vehicle location routing problem with time windows and simultaneous delivery and pick-up
Zhao et al. The research on two phase pickup vehicle routing based on the K-means++ and genetic algorithms
Hu et al. Sustainable impact analysis of freight pooling strategies on city crowdsourcing logistics platform
Spasovic et al. Increasing productivity and service quality of the straddle carrier operations at a container port terminal
Мазур et al. Strategic maps as a form of functional strategies of motor transport enterprises in Ukraine implementation
CN115841287B (zh) 一种混合车队动态路径规划方法及设备

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
GR01 Patent grant
GR01 Patent grant