CN116402320A - 一种冷链运单的配送运力匹配方法 - Google Patents

一种冷链运单的配送运力匹配方法 Download PDF

Info

Publication number
CN116402320A
CN116402320A CN202310673888.4A CN202310673888A CN116402320A CN 116402320 A CN116402320 A CN 116402320A CN 202310673888 A CN202310673888 A CN 202310673888A CN 116402320 A CN116402320 A CN 116402320A
Authority
CN
China
Prior art keywords
cold chain
candidate
vehicle
dispatch
vehicles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310673888.4A
Other languages
English (en)
Other versions
CN116402320B (zh
Inventor
孙晓宇
黄博
刘方琦
刘昌盛
杜洋
李小莉
黄江
郭浩
贾雯丽
颜志颖
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.)
Chengdu Yunlitchi Technology Co ltd
Original Assignee
Chengdu Yunlitchi 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 Chengdu Yunlitchi Technology Co ltd filed Critical Chengdu Yunlitchi Technology Co ltd
Priority to CN202310673888.4A priority Critical patent/CN116402320B/zh
Publication of CN116402320A publication Critical patent/CN116402320A/zh
Application granted granted Critical
Publication of CN116402320B publication Critical patent/CN116402320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种冷链运单的配送运力匹配方法，涉及数据处理规划领域，包括：从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速，建立冷链车速度统计学概率分布模型；提取各冷链运单中的供货点和需求点的位置，并获取所有候选冷链车的位置；设置全局时空动态匹配目标函数；设定随机搜索寻优算法，根据冷链车速度统计学概率分布模型、各供货点位置、各需求点位置和各候选冷链车的位置，寻找使全局时空动态匹配目标函数获得最优解的运单匹配方案。本发明考虑了各候选冷链车匹配冷链运单后的动态状况，在全局时空下通过随机搜索寻优算法求取最佳的匹配方案，使配送运力得到良好的匹配，避免静态决策带来的运力空耗的问题。

Description

一种冷链运单的配送运力匹配方法
技术领域
本发明涉及数据处理规划领域，具体涉及一种冷链运单的配送运力匹配方法。
背景技术
冷链运输是以保持低温环境为核心要求的货运过程。随着社会经济的发展，冷链商品种类和需求量大量增加，同时客户群体对冷链运输的时效性有着越来越高的要求，因此冷链末端的城市配送环节尤为重要。
城市配送环节依赖于运单匹配技术。在现有的运单匹配系统中，当产生待指派运单时，首先预估该待指派运单对应的候选配送车辆派送该待指派运单的路程时间成本，并将上述待指派运单指派给路程时间成本最小的候选配送车辆。由于上述匹配流程只考虑静态决策，而当前的决策影响了未来一段时间内的运力分布，若运力分布与运单结构不匹配，则会导致配送效率受损。因此，必须对现有的运单调度技术进行改进，才能适用于城市配送环节的冷链运单分派。
发明内容
针对现有技术中的上述不足，本发明提供的一种冷链运单的配送运力匹配方法解决了现有运单匹配技术因无法考虑运单和运力时间空间动态匹配而造成运单超时及运力空耗的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种冷链运单的配送运力匹配方法，包括以下步骤：
S1、从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速，建立冷链车速度统计学概率分布模型；
S2、提取各冷链运单中的供货点和需求点的位置，并获取所有候选冷链车的位置；
S3、设置全局时空动态匹配目标函数；
S4、设定随机搜索寻优算法，根据冷链车速度统计学概率分布模型、各供货点位置、各需求点位置和各候选冷链车的位置，寻找使全局时空动态匹配目标函数获得最优解的运单匹配方案。
本发明的有益效果为：本发明基于各供货点、各需求点的位置，考虑了各候选冷链车匹配冷链运单后的动态状况，在全局时空下通过随机搜索寻优算法求取最佳的匹配方案，使配送运力得到良好的匹配，避免静态决策带来的运力空耗的问题。
进一步地，所述S1包括以下分步骤：
S11、从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速；
S12、计算S11所述的车速的均值和方差；
S13、根据S12所述的均值和方差，建立如下冷链车速度统计学概率分布模型：
Figure SMS_1
其中，
Figure SMS_2
为冷链车的车速，/>
Figure SMS_5
为冷链车的车速大于等于车速数值
Figure SMS_9
且小于等于车速值/>
Figure SMS_4
的概率，/>
Figure SMS_7
为S12所述的方差，/>
Figure SMS_10
为S12所述的均值，/>
Figure SMS_11
为冷链车速度统计学概率分布模型比例系数，/>
Figure SMS_3
为自然常数，/>
Figure SMS_6
为/>
Figure SMS_8
的微元。
上述进一步方案的有益效果为：基于数理统计原理和概率论，根据冷链车的车速均值和方差，建立带有比例系数的含参车速的概率分布模型，使模型具有可拟合性，灵活可调，更有利于在已知候选冷链车数量的情况下，预估各种车速冷链车的数量，便于后续随机搜索寻优算法中给不同数量的用于模拟候选冷链车的粒子设定车速。
进一步地，所述全局时空动态匹配目标函数为：
Figure SMS_12
其中，
Figure SMS_13
为全局时空动态匹配目标函数，/>
Figure SMS_14
为求取最小值的函数，/>
Figure SMS_15
为所有候选冷链车第一次派单取货时间总和，/>
Figure SMS_16
为所有候选冷链车第一次派单送货时间总和，
Figure SMS_17
为所有候选冷链车第二次派单取货时间总和。
上述进一步方案的有益效果为：该目标函数，考虑了候选冷链车完成在先订单送货任务后所处的位置对在后订单取货时间的影响，具有全局动态时空观。
进一步地，所述S4包括以下分步骤：
S41、设置
Figure SMS_18
组随机粒子，每组随机粒子各包括/>
Figure SMS_19
个随机粒子，每个随机粒子均为一个矩阵，每个矩阵包括/>
Figure SMS_20
个向量，每个向量代表一辆候选冷链车；
Figure SMS_21
和/>
Figure SMS_22
设置为正整数，/>
Figure SMS_23
设置为候选冷链车的总数；
第
Figure SMS_32
个随机粒子矩阵的第/>
Figure SMS_25
个向量为/>
Figure SMS_29
，其中，/>
Figure SMS_31
为第/>
Figure SMS_33
个随机粒子内第/>
Figure SMS_37
辆候选冷链车的位置，/>
Figure SMS_41
为第/>
Figure SMS_34
个随机粒子内第/>
Figure SMS_36
辆候选冷链车的车速，/>
Figure SMS_26
为第/>
Figure SMS_30
个随机粒子内第/>
Figure SMS_35
辆候选冷链车第一次派单指定的供货点位置，
Figure SMS_39
为第/>
Figure SMS_38
个随机粒子内第/>
Figure SMS_40
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_24
为第/>
Figure SMS_28
个随机粒子内第/>
Figure SMS_27
辆候选冷链车第二次派单指定的供货点位置；
S42、设定
Figure SMS_42
个随机粒子代表/>
Figure SMS_43
辆候选冷链车不同的运单匹配行为，并将/>
Figure SMS_44
辆候选冷链车的位置拷贝赋值给各随机粒子矩阵中对应的/>
Figure SMS_45
变量；
S43、将S11获取到的车速均分为
Figure SMS_46
个车速区间，将每个车速区间的上下界代入冷链车速度统计学概率分布模型，得到冷链车的车速落入每个车速区间的概率，其中，/>
Figure SMS_47
为正整数；
S44、根据冷链车的车速落入每个车速区间的概率，计算
Figure SMS_48
辆候选冷链车落入各个车速区间的数量，并以每个车速区间的中值作为落入该车速区间的候选冷链车的车速；
S45、将S44得到的
Figure SMS_49
辆候选冷链车的车速进行/>
Figure SMS_50
的乱序复制，赋值到各个随机粒子中；
S46、根据全局时空动态匹配目标函数，通过寻优迭代式，变更各随机粒子中各向量的第一次派单指定的供货点位置、第一次派单指定的需求点位置和第二次派单指定的供货点位置，迭代至全部随机粒子范围的最优解收敛，得到运单匹配方案。
进一步地，所述全局时空动态匹配目标函数中所有候选冷链车第一次派单取货时间总和的计算表达式为：
Figure SMS_51
其中，
Figure SMS_54
为绝对值运算符，/>
Figure SMS_57
为所有候选冷链车第一次派单取货时间总和，
Figure SMS_61
为第/>
Figure SMS_55
个随机粒子内第/>
Figure SMS_58
辆候选冷链车第一次派单指定的供货点位置，/>
Figure SMS_59
为第/>
Figure SMS_62
个随机粒子内第/>
Figure SMS_52
辆候选冷链车的位置，/>
Figure SMS_56
为第/>
Figure SMS_60
个随机粒子内第/>
Figure SMS_63
辆候选冷链车的车速，/>
Figure SMS_53
设置为候选冷链车的总数。
进一步地，所述全局时空动态匹配目标函数中所有候选冷链车第一次派单送货时间总和为：
Figure SMS_64
其中，
Figure SMS_65
为所有候选冷链车第一次派单送货时间总和，/>
Figure SMS_68
为第/>
Figure SMS_72
个随机粒子内第/>
Figure SMS_67
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_70
为第/>
Figure SMS_71
个随机粒子内第/>
Figure SMS_74
辆候选冷链车第一次派单指定的供货点位置，/>
Figure SMS_66
为第/>
Figure SMS_69
个随机粒子内第/>
Figure SMS_73
辆候选冷链车的车速，
Figure SMS_75
设置为候选冷链车的总数。
进一步地，所述全局时空动态匹配目标函数中所有候选冷链车第二次派单取货时间总和：
Figure SMS_76
其中，
Figure SMS_79
为所有候选冷链车第二次派单取货时间总和，/>
Figure SMS_81
为第/>
Figure SMS_83
个随机粒子内第/>
Figure SMS_78
辆候选冷链车第二次派单指定的供货点位置，/>
Figure SMS_84
为第/>
Figure SMS_86
个随机粒子内第/>
Figure SMS_87
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_77
为第/>
Figure SMS_80
个随机粒子内第/>
Figure SMS_82
辆候选冷链车的车速，
Figure SMS_85
设置为候选冷链车的总数。
上述进一步方案的有益效果为：在随机搜索寻优算法的模型设计上，充分与冷链运单特征和候选冷链车特征相结合，并契合全局时空动态匹配目标函数内的物理量，为迭代寻优奠定了可行性和可收敛性。
进一步地，所述S46的寻优迭代式为：
Figure SMS_88
Figure SMS_89
Figure SMS_90
Figure SMS_91
Figure SMS_92
Figure SMS_93
其中，
Figure SMS_129
为所有供货点位置的集合，/>
Figure SMS_131
为所有需求点位置的集合，/>
Figure SMS_133
为第/>
Figure SMS_138
次迭代时第/>
Figure SMS_143
个随机粒子内第/>
Figure SMS_145
辆候选冷链车第一次派单指定的供货点位置，
Figure SMS_149
为第/>
Figure SMS_96
次迭代时第/>
Figure SMS_100
个随机粒子内第/>
Figure SMS_102
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_106
为第/>
Figure SMS_112
次迭代时第/>
Figure SMS_115
个随机粒子内第/>
Figure SMS_118
辆候选冷链车第二次派单指定的供货点位置，/>
Figure SMS_124
为第/>
Figure SMS_99
次迭代时第/>
Figure SMS_104
个随机粒子内第/>
Figure SMS_108
辆候选冷链车第一次派单指定的供货点位置，/>
Figure SMS_110
为第/>
Figure SMS_114
次迭代时第/>
Figure SMS_119
个随机粒子内第/>
Figure SMS_123
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_125
为第/>
Figure SMS_135
次迭代时第/>
Figure SMS_139
个随机粒子内第/>
Figure SMS_141
辆候选冷链车第二次派单指定的供货点位置，/>
Figure SMS_146
为第/>
Figure SMS_148
次迭代时第一次派单指定的供货点位置迭代增量，/>
Figure SMS_152
为第/>
Figure SMS_156
次迭代时第二次派单指定的供货点位置迭代增量，
Figure SMS_157
为第/>
Figure SMS_126
次迭代时第一次派单指定的供货点位置迭代增量，/>
Figure SMS_128
为第
Figure SMS_132
次迭代时第二次派单指定的供货点位置迭代增量，/>
Figure SMS_137
为第/>
Figure SMS_140
次迭代时第一次派单指定的需求点位置迭代增量，/>
Figure SMS_147
为第/>
Figure SMS_151
次迭代时第一次派单指定的需求点位置迭代增量，/>
Figure SMS_154
为第1-1加权系数，/>
Figure SMS_95
为第1-2加权系数，/>
Figure SMS_101
为第1-3加权系数，/>
Figure SMS_103
为第2-1加权系数，/>
Figure SMS_107
为第2-2加权系数，/>
Figure SMS_111
为第2-3加权系数，/>
Figure SMS_113
为第3-1加权系数，/>
Figure SMS_117
为第3-2加权系数，/>
Figure SMS_122
为第3-3加权系数，/>
Figure SMS_97
为遍历集合中最接近的元素的运算符，/>
Figure SMS_98
为生成0至1之间随机数的函数，/>
Figure SMS_105
为第/>
Figure SMS_109
次迭代的第/>
Figure SMS_116
组随机粒子的候选冷链车第一次派单指定的供货点位置最优解，/>
Figure SMS_120
为第/>
Figure SMS_121
次迭代的全部随机粒子范围的候选冷链车第一次派单指定的供货点位置最优解，/>
Figure SMS_127
为第/>
Figure SMS_130
次迭代的第/>
Figure SMS_134
组随机粒子的候选冷链车第一次派单指定的需求点位置最优解，/>
Figure SMS_136
为第/>
Figure SMS_142
次迭代的全部随机粒子范围的候选冷链车第一次派单指定的需求点位置最优解，
Figure SMS_144
为第/>
Figure SMS_150
次迭代的第/>
Figure SMS_153
组随机粒子的候选冷链车第二次派单指定的供货点位置最优解，/>
Figure SMS_155
为第/>
Figure SMS_94
次迭代的全部随机粒子范围的候选冷链车第二次派单指定的供货点位置最优解。
上述进一步方案的有益效果为：随机粒子第一次派单指定的供货点位置、第一次派单指定的需求点位置和第二次派单指定的供货点位置只能在对应的集合中遍历寻找最接近于增量式的结果，使算法具有约束性和实用性；而迭代增量同时考虑了各组随机粒子内的当前最优解和全部随机粒子范围的当前最优解，使随机搜索寻优过程具有群体智能，模拟了社群形式进化演变的过程，更有效地获得最佳运单匹配方案。
附图说明
图1为本发明实施例提供的一种冷链运单的配送运力匹配方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种冷链运单的配送运力匹配方法，包括以下步骤：
S1、从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速，建立冷链车速度统计学概率分布模型。
S1包括以下分步骤：
S11、从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速；
S12、计算S11所述的车速的均值和方差；
S13、根据S12所述的均值和方差，建立如下冷链车速度统计学概率分布模型：
Figure SMS_158
其中，
Figure SMS_161
为冷链车的车速，/>
Figure SMS_163
为冷链车的车速大于等于车速数值
Figure SMS_167
且小于等于车速值/>
Figure SMS_159
的概率，/>
Figure SMS_164
为S12所述的方差，/>
Figure SMS_165
为S12所述的均值，/>
Figure SMS_168
为冷链车速度统计学概率分布模型比例系数，/>
Figure SMS_160
为自然常数，/>
Figure SMS_162
为/>
Figure SMS_166
的微元。
上述步骤基于数理统计原理和概率论，根据冷链车的车速均值和方差，建立带有比例系数的含参车速的概率分布模型，使模型具有可拟合性，灵活可调，更有利于在已知候选冷链车数量的情况下，预估各种车速冷链车的数量，便于后续随机搜索寻优算法中给不同数量的用于模拟候选冷链车的粒子设定车速。
S2、提取各冷链运单中的供货点和需求点的位置，并获取所有候选冷链车的位置。
S3、设置全局时空动态匹配目标函数为：
Figure SMS_169
其中，
Figure SMS_170
为全局时空动态匹配目标函数，/>
Figure SMS_171
为求取最小值的函数，/>
Figure SMS_172
为所有候选冷链车第一次派单取货时间总和，/>
Figure SMS_173
为所有候选冷链车第一次派单送货时间总和，
Figure SMS_174
为所有候选冷链车第二次派单取货时间总和。
该目标函数，考虑了候选冷链车完成在先订单送货任务后所处的位置对在后订单取货时间的影响，具有全局动态时空观。
S4、设定随机搜索寻优算法，根据冷链车速度统计学概率分布模型、各供货点位置、各需求点位置和各候选冷链车的位置，寻找使全局时空动态匹配目标函数获得最优解的运单匹配方案。
S4包括以下分步骤：
S41、设置
Figure SMS_175
组随机粒子，每组随机粒子各包括/>
Figure SMS_176
个随机粒子，每个随机粒子均为一个矩阵，每个矩阵包括/>
Figure SMS_177
个向量，每个向量代表一辆候选冷链车；
Figure SMS_178
和/>
Figure SMS_179
设置为正整数，/>
Figure SMS_180
设置为候选冷链车的总数；
第
Figure SMS_192
个随机粒子矩阵的第/>
Figure SMS_184
个向量为/>
Figure SMS_188
，其中，/>
Figure SMS_182
为第/>
Figure SMS_185
个随机粒子内第/>
Figure SMS_191
辆候选冷链车的位置，/>
Figure SMS_195
为第/>
Figure SMS_189
个随机粒子内第/>
Figure SMS_194
辆候选冷链车的车速，/>
Figure SMS_181
为第/>
Figure SMS_187
个随机粒子内第/>
Figure SMS_193
辆候选冷链车第一次派单指定的供货点位置，
Figure SMS_196
为第/>
Figure SMS_197
个随机粒子内第/>
Figure SMS_198
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_183
为第/>
Figure SMS_186
个随机粒子内第/>
Figure SMS_190
辆候选冷链车第二次派单指定的供货点位置；
S42、设定
Figure SMS_199
个随机粒子代表/>
Figure SMS_200
辆候选冷链车不同的运单匹配行为，并将/>
Figure SMS_201
辆候选冷链车的位置拷贝赋值给各随机粒子矩阵中对应的/>
Figure SMS_202
变量；
S43、将S11获取到的车速均分为
Figure SMS_203
个车速区间，将每个车速区间的上下界代入冷链车速度统计学概率分布模型，得到冷链车的车速落入每个车速区间的概率，其中，/>
Figure SMS_204
为正整数；
S44、根据冷链车的车速落入每个车速区间的概率，计算
Figure SMS_205
辆候选冷链车落入各个车速区间的数量，并以每个车速区间的中值作为落入该车速区间的候选冷链车的车速；
S45、将S44得到的
Figure SMS_206
辆候选冷链车的车速进行/>
Figure SMS_207
的乱序复制，赋值到各个随机粒子中；
S46、根据全局时空动态匹配目标函数，通过寻优迭代式，变更各随机粒子中各向量的第一次派单指定的供货点位置、第一次派单指定的需求点位置和第二次派单指定的供货点位置，迭代至全部随机粒子范围的最优解收敛，得到运单匹配方案。
基于S41至S46的随机搜索寻优算法的设置，全局时空动态匹配目标函数中所有候选冷链车第一次派单取货时间总和的计算表达式为：
Figure SMS_208
其中，
Figure SMS_209
为绝对值运算符，/>
Figure SMS_213
为所有候选冷链车第一次派单取货时间总和，
Figure SMS_218
为第/>
Figure SMS_211
个随机粒子内第/>
Figure SMS_215
辆候选冷链车第一次派单指定的供货点位置，/>
Figure SMS_217
为第/>
Figure SMS_220
个随机粒子内第/>
Figure SMS_210
辆候选冷链车的位置，/>
Figure SMS_214
为第/>
Figure SMS_216
个随机粒子内第/>
Figure SMS_219
辆候选冷链车的车速，/>
Figure SMS_212
设置为候选冷链车的总数。
全局时空动态匹配目标函数中所有候选冷链车第一次派单送货时间总和为：
Figure SMS_221
其中，
Figure SMS_223
为所有候选冷链车第一次派单送货时间总和，/>
Figure SMS_227
为第/>
Figure SMS_230
个随机粒子内第/>
Figure SMS_224
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_225
为第/>
Figure SMS_228
个随机粒子内第/>
Figure SMS_231
辆候选冷链车第一次派单指定的供货点位置，/>
Figure SMS_222
为第/>
Figure SMS_226
个随机粒子内第/>
Figure SMS_229
辆候选冷链车的车速，
Figure SMS_232
设置为候选冷链车的总数。
全局时空动态匹配目标函数中所有候选冷链车第二次派单取货时间总和：
Figure SMS_233
其中，
Figure SMS_236
为所有候选冷链车第二次派单取货时间总和，/>
Figure SMS_239
为第/>
Figure SMS_241
个随机粒子内第/>
Figure SMS_235
辆候选冷链车第二次派单指定的供货点位置，/>
Figure SMS_237
为第/>
Figure SMS_240
个随机粒子内第/>
Figure SMS_243
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_234
为第/>
Figure SMS_238
个随机粒子内第/>
Figure SMS_242
辆候选冷链车的车速，
Figure SMS_244
设置为候选冷链车的总数。
在随机搜索寻优算法的模型设计上，充分与冷链运单特征和候选冷链车特征相结合，并契合全局时空动态匹配目标函数内的物理量，为迭代寻优奠定了可行性和可收敛性。
S46的寻优迭代式为：
Figure SMS_245
Figure SMS_246
Figure SMS_247
Figure SMS_248
Figure SMS_249
Figure SMS_250
其中，
Figure SMS_282
为所有供货点位置的集合，/>
Figure SMS_286
为所有需求点位置的集合，/>
Figure SMS_289
为第/>
Figure SMS_296
次迭代时第/>
Figure SMS_299
个随机粒子内第/>
Figure SMS_303
辆候选冷链车第一次派单指定的供货点位置，
Figure SMS_305
为第/>
Figure SMS_251
次迭代时第/>
Figure SMS_258
个随机粒子内第/>
Figure SMS_262
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_263
为第/>
Figure SMS_268
次迭代时第/>
Figure SMS_274
个随机粒子内第/>
Figure SMS_276
辆候选冷链车第二次派单指定的供货点位置，/>
Figure SMS_279
为第/>
Figure SMS_254
次迭代时第/>
Figure SMS_256
个随机粒子内第/>
Figure SMS_259
辆候选冷链车第一次派单指定的供货点位置，/>
Figure SMS_266
为第/>
Figure SMS_270
次迭代时第/>
Figure SMS_271
个随机粒子内第/>
Figure SMS_277
辆候选冷链车第一次派单指定的需求点位置，/>
Figure SMS_281
为第/>
Figure SMS_284
次迭代时第/>
Figure SMS_288
个随机粒子内第/>
Figure SMS_290
辆候选冷链车第二次派单指定的供货点位置，/>
Figure SMS_293
为第/>
Figure SMS_300
次迭代时第一次派单指定的供货点位置迭代增量，/>
Figure SMS_302
为第/>
Figure SMS_307
次迭代时第二次派单指定的供货点位置迭代增量，
Figure SMS_311
为第/>
Figure SMS_287
次迭代时第一次派单指定的供货点位置迭代增量，/>
Figure SMS_292
为第
Figure SMS_295
次迭代时第二次派单指定的供货点位置迭代增量，/>
Figure SMS_297
为第/>
Figure SMS_301
次迭代时第一次派单指定的需求点位置迭代增量，/>
Figure SMS_306
为第/>
Figure SMS_310
次迭代时第一次派单指定的需求点位置迭代增量，/>
Figure SMS_312
为第1-1加权系数，/>
Figure SMS_252
为第1-2加权系数，/>
Figure SMS_255
为第1-3加权系数，/>
Figure SMS_260
为第2-1加权系数，/>
Figure SMS_264
为第2-2加权系数，/>
Figure SMS_269
为第2-3加权系数，/>
Figure SMS_273
为第3-1加权系数，/>
Figure SMS_275
为第3-2加权系数，/>
Figure SMS_283
为第3-3加权系数，/>
Figure SMS_257
为遍历集合中最接近的元素的运算符，/>
Figure SMS_261
为生成0至1之间随机数的函数，/>
Figure SMS_265
为第/>
Figure SMS_267
次迭代的第/>
Figure SMS_272
组随机粒子的候选冷链车第一次派单指定的供货点位置最优解，/>
Figure SMS_278
为第/>
Figure SMS_280
次迭代的全部随机粒子范围的候选冷链车第一次派单指定的供货点位置最优解，/>
Figure SMS_285
为第/>
Figure SMS_291
次迭代的第/>
Figure SMS_294
组随机粒子的候选冷链车第一次派单指定的需求点位置最优解，/>
Figure SMS_298
为第/>
Figure SMS_304
次迭代的全部随机粒子范围的候选冷链车第一次派单指定的需求点位置最优解，
Figure SMS_308
为第/>
Figure SMS_309
次迭代的第/>
Figure SMS_313
组随机粒子的候选冷链车第二次派单指定的供货点位置最优解，/>
Figure SMS_314
为第/>
Figure SMS_253
次迭代的全部随机粒子范围的候选冷链车第二次派单指定的供货点位置最优解。
随机粒子第一次派单指定的供货点位置、第一次派单指定的需求点位置和第二次派单指定的供货点位置只能在对应的集合中遍历寻找最接近于增量式的结果，使算法具有约束性和实用性；而迭代增量同时考虑了各组随机粒子内的当前最优解和全部随机粒子范围的当前最优解，使随机搜索寻优过程具有群体智能，模拟了社群形式进化演变的过程，更有效地获得最佳运单匹配方案。
综上，本发明基于各供货点、各需求点的位置，考虑了各候选冷链车匹配冷链运单后的动态状况，在全局时空下通过随机搜索寻优算法求取最佳的匹配方案，使配送运力得到良好的匹配，避免静态决策带来的运力空耗的问题。
本发明中应用了具体实施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，对于本领域的一般技术人员，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。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种冷链运单的配送运力匹配方法，其特征在于，包括以下步骤：
S1、从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速，建立冷链车速度统计学概率分布模型；
S2、提取各冷链运单中的供货点和需求点的位置，并获取所有候选冷链车的位置；
S3、设置全局时空动态匹配目标函数；
S4、设定随机搜索寻优算法，根据冷链车速度统计学概率分布模型、各供货点位置、各需求点位置和各候选冷链车的位置，寻找使全局时空动态匹配目标函数获得最优解的运单匹配方案。
2.根据权利要求1所述的冷链运单的配送运力匹配方法，其特征在于，所述S1包括以下分步骤：
S11、从冷链管理系统中获取过往每日的当前时间段所有冷链车的车速；
S12、计算S11所述的车速的均值和方差；
S13、根据S12所述的均值和方差，建立如下冷链车速度统计学概率分布模型：
Figure QLYQS_1
，其中，/>
Figure QLYQS_4
为冷链车的车速，
Figure QLYQS_8
为冷链车的车速大于等于车速数值/>
Figure QLYQS_3
且小于等于车速值/>
Figure QLYQS_7
的概率，
Figure QLYQS_9
为S12所述的方差，/>
Figure QLYQS_11
为S12所述的均值，/>
Figure QLYQS_2
为冷链车速度统计学概率分布模型比例系数，/>
Figure QLYQS_5
为自然常数，/>
Figure QLYQS_6
为/>
Figure QLYQS_10
的微元。
3.根据权利要求2所述的冷链运单的配送运力匹配方法，其特征在于，所述全局时空动态匹配目标函数为：
Figure QLYQS_12
，其中，/>
Figure QLYQS_13
为全局时空动态匹配目标函数，
Figure QLYQS_14
为求取最小值的函数，/>
Figure QLYQS_15
为所有候选冷链车第一次派单取货时间总和，/>
Figure QLYQS_16
为所有候选冷链车第一次派单送货时间总和，/>
Figure QLYQS_17
为所有候选冷链车第二次派单取货时间总和。
4.根据权利要求3所述的冷链运单的配送运力匹配方法，其特征在于，所述S4包括以下分步骤：
S41、设置
Figure QLYQS_18
组随机粒子，每组随机粒子各包括/>
Figure QLYQS_19
个随机粒子，每个随机粒子均为一个矩阵，每个矩阵包括/>
Figure QLYQS_20
个向量，每个向量代表一辆候选冷链车；
Figure QLYQS_21
和/>
Figure QLYQS_22
设置为正整数，/>
Figure QLYQS_23
设置为候选冷链车的总数；
第
Figure QLYQS_24
个随机粒子矩阵的第/>
Figure QLYQS_25
个向量为
Figure QLYQS_34
，其中，/>
Figure QLYQS_29
为第/>
Figure QLYQS_30
个随机粒子内第/>
Figure QLYQS_27
辆候选冷链车的位置，/>
Figure QLYQS_32
为第/>
Figure QLYQS_31
个随机粒子内第/>
Figure QLYQS_36
辆候选冷链车的车速，/>
Figure QLYQS_37
为第/>
Figure QLYQS_41
个随机粒子内第/>
Figure QLYQS_28
辆候选冷链车第一次派单指定的供货点位置，/>
Figure QLYQS_35
为第/>
Figure QLYQS_33
个随机粒子内第/>
Figure QLYQS_38
辆候选冷链车第一次派单指定的需求点位置，/>
Figure QLYQS_39
为第/>
Figure QLYQS_40
个随机粒子内第/>
Figure QLYQS_26
辆候选冷链车第二次派单指定的供货点位置；
S42、设定
Figure QLYQS_42
个随机粒子代表/>
Figure QLYQS_43
辆候选冷链车不同的运单匹配行为，并将/>
Figure QLYQS_44
辆候选冷链车的位置拷贝赋值给各随机粒子矩阵中对应的/>
Figure QLYQS_45
变量；
S43、将S11获取到的车速均分为
Figure QLYQS_46
个车速区间，将每个车速区间的上下界代入冷链车速度统计学概率分布模型，得到冷链车的车速落入每个车速区间的概率，其中，/>
Figure QLYQS_47
为正整数；
S44、根据冷链车的车速落入每个车速区间的概率，计算
Figure QLYQS_48
辆候选冷链车落入各个车速区间的数量，并以每个车速区间的中值作为落入该车速区间的候选冷链车的车速；
S45、将S44得到的
Figure QLYQS_49
辆候选冷链车的车速进行/>
Figure QLYQS_50
的乱序复制，赋值到各个随机粒子中；
S46、根据全局时空动态匹配目标函数，通过寻优迭代式，变更各随机粒子中各向量的第一次派单指定的供货点位置、第一次派单指定的需求点位置和第二次派单指定的供货点位置，迭代至全部随机粒子范围的最优解收敛，得到运单匹配方案。
5.根据权利要求4所述的冷链运单的配送运力匹配方法，其特征在于，所述全局时空动态匹配目标函数中所有候选冷链车第一次派单取货时间总和的计算表达式为：
Figure QLYQS_52
，其中，/>
Figure QLYQS_54
为绝对值运算符，/>
Figure QLYQS_58
为所有候选冷链车第一次派单取货时间总和，/>
Figure QLYQS_53
为第/>
Figure QLYQS_57
个随机粒子内第/>
Figure QLYQS_60
辆候选冷链车第一次派单指定的供货点位置，/>
Figure QLYQS_62
为第/>
Figure QLYQS_51
个随机粒子内第/>
Figure QLYQS_56
辆候选冷链车的位置，/>
Figure QLYQS_61
为第/>
Figure QLYQS_63
个随机粒子内第/>
Figure QLYQS_55
辆候选冷链车的车速，/>
Figure QLYQS_59
设置为候选冷链车的总数。
6.根据权利要求5所述的冷链运单的配送运力匹配方法，其特征在于，所述全局时空动态匹配目标函数中所有候选冷链车第一次派单送货时间总和为：
Figure QLYQS_66
，其中，/>
Figure QLYQS_68
为所有候选冷链车第一次派单送货时间总和，/>
Figure QLYQS_72
为第/>
Figure QLYQS_65
个随机粒子内第/>
Figure QLYQS_69
辆候选冷链车第一次派单指定的需求点位置，
Figure QLYQS_71
为第/>
Figure QLYQS_74
个随机粒子内第/>
Figure QLYQS_64
辆候选冷链车第一次派单指定的供货点位置，/>
Figure QLYQS_70
为第/>
Figure QLYQS_73
个随机粒子内第/>
Figure QLYQS_75
辆候选冷链车的车速，/>
Figure QLYQS_67
设置为候选冷链车的总数。
7.根据权利要求6所述的冷链运单的配送运力匹配方法，其特征在于，所述全局时空动态匹配目标函数中所有候选冷链车第二次派单取货时间总和：
Figure QLYQS_76
，其中，/>
Figure QLYQS_82
为所有候选冷链车第二次派单取货时间总和，/>
Figure QLYQS_83
为第/>
Figure QLYQS_77
个随机粒子内第/>
Figure QLYQS_81
辆候选冷链车第二次派单指定的供货点位置，/>
Figure QLYQS_84
为第/>
Figure QLYQS_86
个随机粒子内第/>
Figure QLYQS_78
辆候选冷链车第一次派单指定的需求点位置，/>
Figure QLYQS_80
为第
Figure QLYQS_85
个随机粒子内第/>
Figure QLYQS_87
辆候选冷链车的车速，/>
Figure QLYQS_79
设置为候选冷链车的总数。
CN202310673888.4A 2023-06-08 2023-06-08 一种冷链运单的配送运力匹配方法 Active CN116402320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310673888.4A CN116402320B (zh) 2023-06-08 2023-06-08 一种冷链运单的配送运力匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310673888.4A CN116402320B (zh) 2023-06-08 2023-06-08 一种冷链运单的配送运力匹配方法

Publications (2)

Publication Number Publication Date
CN116402320A true CN116402320A (zh) 2023-07-07
CN116402320B CN116402320B (zh) 2023-09-19

Family

ID=87010875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310673888.4A Active CN116402320B (zh) 2023-06-08 2023-06-08 一种冷链运单的配送运力匹配方法

Country Status (1)

Country Link
CN (1) CN116402320B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221448A (zh) * 2011-05-20 2011-10-19 大连海事大学 一种确定海上搜救区域的方法、系统及搜救模拟器
CN106023610A (zh) * 2016-06-13 2016-10-12 南通大学 一种考虑车队离散特征的公交车和私家车干线绿波同步协调控制方法
US20180149753A1 (en) * 2016-11-30 2018-05-31 Yujin Robot Co., Ltd. Ridar apparatus based on time of flight and moving object
CN112822825A (zh) * 2021-01-05 2021-05-18 合肥奕聚信息科技有限公司 一种基于预判采集传感的市区快车道路灯控制系统
CN113033866A (zh) * 2020-11-12 2021-06-25 广东财经大学华商学院 一种紧急订单配送调度优化方法
CN114254822A (zh) * 2021-12-19 2022-03-29 浙江工业大学 一种基于物联网技术的无人机配送网络优化模型及其求解算法
CN114662997A (zh) * 2022-05-20 2022-06-24 成都运荔枝科技有限公司 一种冷链运力需求预测方法及冷链运力分配方法
CN114723360A (zh) * 2022-03-24 2022-07-08 红云红河烟草(集团)有限责任公司 一种基于改进粒子群算法的物流车辆调度管理模型
CN115169651A (zh) * 2022-06-20 2022-10-11 成都运荔枝科技有限公司 一种冷链运输路径调配方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221448A (zh) * 2011-05-20 2011-10-19 大连海事大学 一种确定海上搜救区域的方法、系统及搜救模拟器
CN106023610A (zh) * 2016-06-13 2016-10-12 南通大学 一种考虑车队离散特征的公交车和私家车干线绿波同步协调控制方法
US20180149753A1 (en) * 2016-11-30 2018-05-31 Yujin Robot Co., Ltd. Ridar apparatus based on time of flight and moving object
CN113033866A (zh) * 2020-11-12 2021-06-25 广东财经大学华商学院 一种紧急订单配送调度优化方法
CN112822825A (zh) * 2021-01-05 2021-05-18 合肥奕聚信息科技有限公司 一种基于预判采集传感的市区快车道路灯控制系统
CN114254822A (zh) * 2021-12-19 2022-03-29 浙江工业大学 一种基于物联网技术的无人机配送网络优化模型及其求解算法
CN114723360A (zh) * 2022-03-24 2022-07-08 红云红河烟草(集团)有限责任公司 一种基于改进粒子群算法的物流车辆调度管理模型
CN114662997A (zh) * 2022-05-20 2022-06-24 成都运荔枝科技有限公司 一种冷链运力需求预测方法及冷链运力分配方法
CN115169651A (zh) * 2022-06-20 2022-10-11 成都运荔枝科技有限公司 一种冷链运输路径调配方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALIREZA EYDI 等: "An integrated decision making model for supplier and carrier selection with emphasis on the environmental factors", 《SOFT COMPUTING》, vol. 24, no. 6, pages 4243 - 4258, XP037017999, DOI: 10.1007/s00500-019-04190-1 *
王建军: "多集散点车辆调度模型及算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 4, pages 138 - 48 *
郜振华: "配送中心选址模型与算法研究", 《中国优秀博硕士学位论文全文数据库 (博士)经济与管理科学辑》, no. 4, pages 145 - 11 *
郭浩: "H市城区蔬菜物流配送网络构建研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 3, pages 149 - 505 *

Also Published As

Publication number Publication date
CN116402320B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
Saputra et al. Energy demand prediction with federated learning for electric vehicle networks
CN107918849B (zh) 一种电动物流货车的智能调度装置及方法
Luo et al. A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN113259144B (zh) 一种仓储网络规划方法和装置
CN107038496A (zh) 一种无人机快递自动投送路径规划方法及系统
Resat Design and analysis of novel hybrid multi-objective optimization approach for data-driven sustainable delivery systems
CN113706081B (zh) 基于城市屋顶自动快递装置的无人机取送货系统和方法
González-Briones et al. A review of the main machine learning methods for predicting residential energy consumption
CN114418213A (zh) 一种基于深度强化学习的城市电动车辆调度方法和系统
Zhang et al. Split-demand multi-trip vehicle routing problem with simultaneous pickup and delivery in airport baggage transit
Yuan et al. An enhanced genetic algorithm for unmanned aerial vehicle logistics scheduling
CN113610453B (zh) 一种多运输方式联合的集装箱运输路径选择方法
Zheng et al. Evolutionary algorithm for vehicle routing for shared e-bicycle battery replacement and recycling
CN117910914A (zh) 一种根据物流追溯信息自动生成补充物流路径的方法
CN116402320B (zh) 一种冷链运单的配送运力匹配方法
Hua et al. Large-scale dockless bike sharing repositioning considering future usage and workload balance
CN112613701A (zh) 一种成品卷烟物流调度方法
Chen et al. The application research of application decision model based on internet of things in enterprise supply chain management
CN116452150A (zh) 一种项目信息协同管理系统
Narayanan et al. A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply
Zhou et al. Research on Path Optimization of Vehicle‐Drone Joint Distribution considering Customer Priority
Phalapanyakoon et al. Route planning of heterogeneous unmanned aerial vehicles under recharging and mission time with carrying payload constraints
CN108197865A (zh) 物流配送任务快速调度控制方法及装置
CN112668810A (zh) 社区团购生鲜仓库按照配送时间窗口规划配置方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant