CN116402320B - 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
CN116402320B
CN116402320B CN202310673888.4A CN202310673888A CN116402320B CN 116402320 B CN116402320 B CN 116402320B CN 202310673888 A CN202310673888 A CN 202310673888A CN 116402320 B CN116402320 B CN 116402320B
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.)
Active
Application number
CN202310673888.4A
Other languages
English (en)
Other versions
CN116402320A (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

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：
其中，为冷链车的车速，/>为冷链车的车速大于等于车速数值且小于等于车速值/>的概率，/>为S12所述的方差，/>为S12所述的均值，/>为冷链车速度统计学概率分布模型比例系数，/>为自然常数，/>为/>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：
其中，为全局时空动态匹配目标函数，/>为求取最小值的函数，/>为所有候选冷链车第一次派单取货时间总和，/>为所有候选冷链车第一次派单送货时间总和，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、设置组随机粒子，每组随机粒子各包括/>个随机粒子，每个随机粒子均为一个矩阵，每个矩阵包括/>个向量，每个向量代表一辆候选冷链车；
和/>设置为正整数，/>设置为候选冷链车的总数；
第个随机粒子矩阵的第/>个向量为/>，其中，/>为第/>个随机粒子内第/>辆候选冷链车的位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置；
S42、设定个随机粒子代表/>辆候选冷链车不同的运单匹配行为，并将/>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/>变量；
S43、将S11获取到的车速均分为个车速区间，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，/>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得到的辆候选冷链车的车速进行/>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：
其中，为绝对值运算符，/>为所有候选冷链车第一次派单取货时间总和，为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车的位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>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：
其中，为所有候选冷链车第一次派单送货时间总和，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，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：
其中，为所有候选冷链车第二次派单取货时间总和，/>为第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，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：
其中，为所有供货点位置的集合，/>为所有需求点位置的集合，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>次迭代时第一次派单指定的供货点位置迭代增量，/>为第/>次迭代时第二次派单指定的供货点位置迭代增量，为第/>次迭代时第一次派单指定的供货点位置迭代增量，/>为第次迭代时第二次派单指定的供货点位置迭代增量，/>为第/>次迭代时第一次派单指定的需求点位置迭代增量，/>为第/>次迭代时第一次派单指定的需求点位置迭代增量，/>为第1-1加权系数，/>为第1-2加权系数，/>为第1-3加权系数，/>为第2-1加权系数，/>为第2-2加权系数，/>为第2-3加权系数，/>为第3-1加权系数，/>为第3-2加权系数，/>为第3-3加权系数，/>为遍历集合中最接近的元素的运算符，/>为生成0至1之间随机数的函数，/>为第/>次迭代的第/>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，/>为第/>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，/>为第/>次迭代的第/>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，/>为第/>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，为第/>次迭代的第/>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，/>为第/>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：
其中，为冷链车的车速，/>为冷链车的车速大于等于车速数值且小于等于车速值/>的概率，/>为S12所述的方差，/>为S12所述的均值，/>为冷链车速度统计学概率分布模型比例系数，/>为自然常数，/>为/>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：
其中，为全局时空动态匹配目标函数，/>为求取最小值的函数，/>为所有候选冷链车第一次派单取货时间总和，/>为所有候选冷链车第一次派单送货时间总和，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、设置组随机粒子，每组随机粒子各包括/>个随机粒子，每个随机粒子均为一个矩阵，每个矩阵包括/>个向量，每个向量代表一辆候选冷链车；
和/>设置为正整数，/>设置为候选冷链车的总数；
第个随机粒子矩阵的第/>个向量为/>，其中，/>为第/>个随机粒子内第/>辆候选冷链车的位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置；
S42、设定个随机粒子代表/>辆候选冷链车不同的运单匹配行为，并将/>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/>变量；
S43、将S11获取到的车速均分为个车速区间，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，/>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得到的辆候选冷链车的车速进行/>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：
其中，为绝对值运算符，/>为所有候选冷链车第一次派单取货时间总和，为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车的位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>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：
其中，为所有候选冷链车第一次派单送货时间总和，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，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：
其中，为所有候选冷链车第二次派单取货时间总和，/>为第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，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：
其中，为所有供货点位置的集合，/>为所有需求点位置的集合，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>次迭代时第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>次迭代时第一次派单指定的供货点位置迭代增量，/>为第/>次迭代时第二次派单指定的供货点位置迭代增量，为第/>次迭代时第一次派单指定的供货点位置迭代增量，/>为第次迭代时第二次派单指定的供货点位置迭代增量，/>为第/>次迭代时第一次派单指定的需求点位置迭代增量，/>为第/>次迭代时第一次派单指定的需求点位置迭代增量，/>为第1-1加权系数，/>为第1-2加权系数，/>为第1-3加权系数，/>为第2-1加权系数，/>为第2-2加权系数，/>为第2-3加权系数，/>为第3-1加权系数，/>为第3-2加权系数，/>为第3-3加权系数，/>为遍历集合中最接近的元素的运算符，/>为生成0至1之间随机数的函数，/>为第/>次迭代的第/>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，/>为第/>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，/>为第/>次迭代的第/>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，/>为第/>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，为第/>次迭代的第/>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，/>为第/>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 (4)

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；
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：
，
其中，为冷链车的车速，/>为冷链车的车速大于等于车速数值/>且小于等于车速值/>的概率，/>为S12所述的方差，/>为S12所述的均值，/>为冷链车速度统计学概率分布模型比例系数，/>为自然常数，/>为/>的微元；
所述全局时空动态匹配目标函数为：
，
其中，为全局时空动态匹配目标函数，/>为求取最小值的函数，/>为所有候选冷链车第一次派单取货时间总和，/>为所有候选冷链车第一次派单送货时间总和，为所有候选冷链车第二次派单取货时间总和；
所述S4包括以下分步骤：
S41、设置组随机粒子，每组随机粒子各包括/>个随机粒子，每个随机粒子均为一个矩阵，每个矩阵包括/>个向量，每个向量代表一辆候选冷链车；
和/>设置为正整数，/>设置为候选冷链车的总数；
第个随机粒子矩阵的第/>个向量为/>，其中，/>为第/>个随机粒子内第/>辆候选冷链车的位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置；
S42、设定个随机粒子代表/>辆候选冷链车不同的运单匹配行为，并将/>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/>变量；
S43、将S11获取到的车速均分为个车速区间，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，/>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得到的辆候选冷链车的车速进行/>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。
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：
，
其中，为绝对值运算符，/>为所有候选冷链车第一次派单取货时间总和，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车的位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>设置为候选冷链车的总数。
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中所有候选冷链车第一次派单送货时间总和为：
，
其中，为所有候选冷链车第一次派单送货时间总和，/>为第/>个随机粒子内第辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>设置为候选冷链车的总数。
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：
，
其中，为所有候选冷链车第二次派单取货时间总和，/>为第/>个随机粒子内第/>辆候选冷链车第二次派单指定的供货点位置，/>为第/>个随机粒子内第/>辆候选冷链车第一次派单指定的需求点位置，/>为第/>个随机粒子内第/>辆候选冷链车的车速，/>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 CN116402320A (zh) 2023-07-07
CN116402320B true 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 (8)

* 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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10962647B2 (en) * 2016-11-30 2021-03-30 Yujin Robot Co., Ltd. Lidar apparatus based on time of flight and moving object

Patent Citations (8)

* 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
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
An integrated decision making model for supplier and carrier selection with emphasis on the environmental factors;Alireza Eydi 等;《SOFT COMPUTING》;第24卷(第6期);第4243-4258页 *
H市城区蔬菜物流配送网络构建研究;郭浩;《中国优秀硕士学位论文全文数据库经济与管理科学辑》(第3期);第J149-505页 *
多集散点车辆调度模型及算法研究;王建军;《中国优秀硕士学位论文全文数据库信息科技辑》(第4期);第I138-48页 *
配送中心选址模型与算法研究;郜振华;《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》(第4期);第J145-11页 *

Also Published As

Publication number Publication date
CN116402320A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Saputra et al. Energy demand prediction with federated learning for electric vehicle networks
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
Zhao et al. Distribution Route Optimization for Electric Vehicles in Urban Cold Chain Logistics for Fresh Products under Time‐Varying Traffic Conditions
CN111724039B (zh) 一种向电力用户推荐客服人员的推荐方法
CN110675189B (zh) 一种基于Wide＆Deep模型和遗传算法的无人货架选址方法
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
CN115689081A (zh) 基于适应性协同机制的厨余垃圾收运路径动态优化方法
Li et al. Electric vehicle sharing based “energy sponge” service interfacing transportation and power systems
Wang et al. Two‐Echelon Location‐Routing Problem with Time Windows and Transportation Resource Sharing
Ning et al. Logistics distribution de-carbonization pathways and effect in China: a systematic analysis using VRPSDP model
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
CN112613701A (zh) 一种成品卷烟物流调度方法
CN116882673A (zh) 一种煤炭供应链系统及调度方法
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
CN115358455A (zh) 考虑电池更换和混合时间窗约束的电动车路径优化方法
Zhou et al. Research on Path Optimization of Vehicle‐Drone Joint Distribution considering Customer Priority
CN112668810A (zh) 社区团购生鲜仓库按照配送时间窗口规划配置方法
CN113627716B (zh) 一种用于多配送中心抗干扰车辆调度方法
Yan et al. Robust optimization of urban cold chain logistics distribution routing under uncertain demand
CN117455100B (zh) 一种基于全局最优化的智能仓储物流调度方法

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