CN116629738B - 一种物流路径优化方法、相关方法、装置、设备及介质 - Google Patents

一种物流路径优化方法、相关方法、装置、设备及介质 Download PDF

Info

Publication number
CN116629738B
CN116629738B CN202310915751.5A CN202310915751A CN116629738B CN 116629738 B CN116629738 B CN 116629738B CN 202310915751 A CN202310915751 A CN 202310915751A CN 116629738 B CN116629738 B CN 116629738B
Authority
CN
China
Prior art keywords
vehicle
demand
distribution
demand point
cost
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
CN202310915751.5A
Other languages
English (en)
Other versions
CN116629738A (zh
Inventor
纪晨曦
商梅梅
梁喜泰
杨少华
李佳
吴彩玲
史雅琴
田加朋
杨杰穹
李慧
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.)
Kunlun Digital Technology Co ltd
China National Petroleum Corp
Original Assignee
Kunlun Digital Technology Co ltd
China National Petroleum Corp
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 Kunlun Digital Technology Co ltd, China National Petroleum Corp filed Critical Kunlun Digital Technology Co ltd
Priority to CN202310915751.5A priority Critical patent/CN116629738B/zh
Publication of CN116629738A publication Critical patent/CN116629738A/zh
Application granted granted Critical
Publication of CN116629738B publication Critical patent/CN116629738B/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物流路径优化方法、相关方法、装置、设备及介质，该方法包括获取区域仓储库的各需求点的配送信息；根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；基于遗传算法求解所述最优路径优化模型，确定最优配送路径。该方法可以显著降低物流成本支出，减少物资损耗，提升配送效率，能够最大程度地整合运力资源，实现对物流配送链条的全程管控，提高物资配送的响应速度和应急保障能力，让物流配送体系更加主动和高效。

Description

一种物流路径优化方法、相关方法、装置、设备及介质
技术领域
本发明涉及物流资源分配技术领域，特别一种物流路径优化方法、相关方法、装置、设备及介质。
背景技术
石油工程技术服务企业主营石油钻井工程、地质研究、录井、固井和试修井等业务，具有生产作业条件复杂、技术服务战线长、作业地点（以下称为需求点）分散、施工现场移动性强和所需生产物资种类繁杂等特点，这就对企业物资供应链管理尤其是仓储和物流管理提出了更高的要求。因此，为提高物资供应效率，降低物流及仓储成本，保障企业生产运行，石油企业通过整合管理资源，采用区域联合仓储模式，按区域设置区域仓储库，由区域仓储库根据各需求点的物资需求进行物资配送。通过联合仓储模式，减少物资转运次数，降低需求点的存货数量和管理成本，实现区域内资源共享。目前，由区域仓储库向周边需求点进行物资配送时，配送需求计划大多由需求人员依据经验提报，经管理人员审核后组织运力进行配送。并且，在配送过程中，主要由配送计划管理人员根据需求点物资需求时间和需求数量，结合每个需求点所在地理位置和车辆装载量等，依据个人经验统筹安排配送路线。
发明内容
为了更好的实现区域仓储库向周边需求点进行物资配送，本申请实施例提供了一种物流路径优化方法、相关方法、装置、设备及介质。
第一方面，本申请实施例提供一种物流路径优化方法，该方法包括：
获取区域仓储库的各需求点的配送信息；
根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；
以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；
基于遗传算法求解所述最优路径优化模型，确定最优配送路径。
本申请实施例的一个或一些可选的实施方式中，以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型，包括；
根据每辆车所配送的需求量之和小于车辆的单车最大载重量，确定第一约束条件： 公式1；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i的物资需求量；Q为车辆的单车最大载重量；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车进入一次，确定第二约束条件：
公式2；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车离开一次，确定第三约束条件：
公式3；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每辆车必须离开区域仓储库一次，确定第四约束条件：
公式4；
式中，k=1,2,…，m；n为需求点总数；n0为区域仓储库；为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；
根据每个需求点中每一车辆进入和离开的次数相等，确定第五约束条件：
公式5；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆k从需求点j行驶到需求点i的次数；n为需求点总数；
根据按照预设位势顺序进行路径循环，确定第六约束条件：
公式6；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i在配送中的位势级；/>为需求点j在配送中的位势级；/>为需求点i和j之间的实际距离；M为预设常数值；
以第一约束条件至第六约束条件作为所述总配送成本目标函数的约束条件，构建最优路径优化模型。
本申请实施例的一个或一些可选的实施方式中，所述各需求点的配送信息包括需求点的物资需求量、需求点的位置、单车最大载重量、单位公里的油耗成本和单车使用成本；
所述根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数，包括：
根据所述区域仓储库的各需求点的位置和车辆单位公里的油耗成本，确定车辆从离开区域仓储库至配送完成后进入区域仓储库行驶的总路程，构建车辆行驶成本函数；
根据所述区域仓储库的各需求点的物资需求量、单车最大载重量和单车使用成本，确定配送车辆的数量，构建车辆使用成本函数；
根据所述车辆行驶成本函数和车辆使用成本函数，构建所述总配送成本目标函数。
本申请实施例的一个或一些可选的实施方式中，所述根据所述区域仓储库的各需求点的位置和车辆单位公里的油耗成本，确定车辆从离开区域仓储库至配送完成后进入区域仓储库行驶的总路程，构建车辆行驶成本函数，包括：
根据所述总路程与车辆单位公里的油耗成本，构建车辆行驶成本函数：
公式7；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆行驶成本；/>为车辆单位公里的油耗成本；/>为需求点i和j之间的实际距离；m为配送车辆的数量；n为需求点总数。
本申请实施例的一个或一些可选的实施方式中，所述根据所述区域仓储库的各需求点的物资需求量、单车最大载重量和单车使用成本，确定配送车辆的数量，构建车辆使用成本函数，包括：
根据所述区域仓储库的各需求点的物资需求量和单车最大载重量，确定配送车辆的数量；
根据单车使用成本以及配送车辆的数量，构建车辆使用成本函数：
公式8；
式中，为车辆使用成本；/>为单车使用成本；k=1,2,…，m；/>为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；m为配送车辆的数量；n为需求点总数。
本申请实施例的一个或一些可选的实施方式中，所述根据所述车辆行驶成本函数和车辆使用成本函数，构建所述总配送成本目标函数，包括：
根据所述车辆行驶成本函数与所述车辆使用成本函数，构建总配送成本函数：
公式9；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为总配送成本；/>为车辆单位公里的油耗成本；为单车使用成本；/>为需求点i和j之间的实际距离；/>区域仓储库出发至配送完成回到区域仓储库的次数；m为配送车辆的数量；n为需求点总数。
本申请实施例的一个或一些可选的实施方式中，通过下述方式获取区域仓储库的各需求点的物资需求量，包括：
将预测时间段内的计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量输入预先构建的最优BP神经网络模型，预测得到所述各需求点的物资需求量；
其中，所述最优BP神经网络模型通过下述方式得到：
获取预先构建的BP神经网络模型；
将预处理后的历史配送数据输入所述BP神经网络模型中进行训练，得到所述最优BP神经网络模型。
本申请实施例的一个或一些可选的实施方式中，通过下述方式对所述历史配送数据进行预处理：
对所述历史配送数据进行属性映射和归一化处理，得到预处理后的历史配送数据。
第二方面，本申请实施例提供一种物流监控方法，包括：
使用上述第一方面所提供的物流路径优化方法确定的最优配送路径进行物流配送：
监控配送的车辆的定位信息，当车辆预计达到时间小于预设配送提醒阈值时，发出第一预警；和/或，
监控配送的车辆的配送路径信息，当车辆偏移所述最优配送路径超过预设偏移阈值时，发出第二预警；和/或，
监控配送的车辆的配送状态信息，当车辆实际到达时间大于预设超时阈值时，发出第三预警；和/或，
监控配送的车辆的费用结算信息，当费用结算时间大于预设结算时间阈值时，发出第四预警。
本申请实施例的一个或一些可选的实施方式中，还包括：
将监控的车辆的配送定位、路径和/或状态信息显示在地图上。
第三方面，本申请实施例提供一种物流路径优化装置，该装置包括：
获取模块，用于获取区域仓储库的各需求点的配送信息；
函数构建模块，用于根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；
模型构建模块，用于以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；
求解模块，用于基于遗传算法求解所述最优路径优化模型，确定最优配送路径。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的物流路径优化方法，和/或，上述的物流监控方法。
第五方面，本申请实施例提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的物流路径优化方法，和/或，上述的物流监控方法。
第六方面，本申请实施例提供一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如上述的物流路径优化方法，和/或，上述的物流监控方法。
第七方面，本申请实施例提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如上述的物流路径优化方法，和/或，上述的物流监控方法。
本申请实施例提供的上述技术方案的有益效果至少包括：
本申请实施例提供的物流路径优化方法，通过获取的区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，从而构建总配送成本目标函数，然后，以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型，最后，基于遗传算法求解所述最优路径优化模型，确定最优配送路径。该方法基于各需求点的配送信息确定车辆行驶成本和车辆使用成本，构建目标函数，以影响物流成本的配送车辆的数量、配送路径和单车最大载重量构建约束条件，求解优路径优化模型，确定最优配送路径，可以显著降低物流成本支出，减少物资损耗，提升配送效率，能够最大程度地整合运力资源，实现对物流配送链条的全程管控，提高物资配送的响应速度和应急保障能力，让物流配送体系更加主动和高效。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。在附图中：
图1为本申请实施例提供的物流路径优化方法的流程示意图；
图2为本申请实施例提供的BP神经网络的结构示意图；
图3为本申请实施例提供的BP神经网络模型的基本结构的示意图；
图4为本申请实施例提供的BP神经网络模型训练过程的示意图；
图5为本申请实施例提供的遗传算法求解的流程示意图；
图6为本申请实施例提供的智能物流优化辅助决策平台的结构示意图；
图7为本申请实施例提供的物流监控方法的流程示意图；
图8为本申请实施例提供的物流路径优化装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
发明人发现，在现有技术中，石油工程技术服务企业由区域仓储库向周边作业地点进行物资配送时，在配送过程中，配送路线规划比较随意，主要由配送计划管理人员根据作业地点物资需求时间和需求数量，结合每个作业地点所在地理位置和车辆装载量等，依据个人经验统筹安排配送路线。
然而，上述安排配送路线的方法，严重依赖于个人经验，缺乏科学合理的方法，容易造成作业地点现场库存积压增加仓储费用，或因库存不足延误生产或运维检修，同时，配送中可能会出现迂回运输和长距离运输等配送路径不合理的问题，导致车辆空载率高，配送成本增高，且配送效率低。为了解决当前配送需求和配送路线安排中单纯依赖个人经验存在的缺点和不足，发明人经过进一步研发，做出本申请，提供一种物流路径优化方法、相关方法、装置、设备及介质。
实施例一
本申请实施例提供一种物流路径优化方法，参照图1所示，该方法包括：
S101：获取区域仓储库的各需求点的配送信息。
上述步骤S101中，所述获取区域仓储库的各需求点的配送信息，具体包括：
将预测时间段内的计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量输入预先构建的最优BP神经网络模型，预测得到所述各需求点的物资需求量；
其中，所述最优BP神经网络模型通过下述方式得到：
获取预先构建的BP神经网络模型；
将预处理后的历史配送数据输入所述BP神经网络模型中进行训练，得到所述最优BP神经网络模型。
本申请实施例中，需要获取的区域仓储库的各需求点的配送信息包括需求点的物资需求量、需求点的位置、单车最大载重量、单位公里的油耗成本和单车使用成本。其中，需求点的位置、单车最大载重量、单位公里的油耗成本和单车使用成本根据实际情况可以直接获取。
发明人发现，现有技术中，石油工程技术服务企业配送需求计划大多由需求人员依据经验提报，经管理人员审核后组织运力进行配送，这种方式严重依赖于个人经验，缺乏科学合理的方法，同样容易造成作业地点现场库存积压增加仓储费用，或因库存不足延误生产或运维检修。基于此，发明人通过对大量历史配送数据分类整理和统计，分析物资配送需求数据中的影响因素，综合利用预测时间段内的计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量，利用BP神经网络来预测区域仓储库的各需求点的物资需求量。
本申请实施例中，需要先获取历史配送数据加入预先构建的BP神经网络模型中进行训练，来构建最优BP神经网络模型，从而利用最优BP神经网络模型对于各需求点的物资需求量进行预测。通过相对准确的配送需求预测，根据预测结果直接进行仓储网点物资分配，提前准备配送车辆和司机等运力资源，可以改善过多分配的现象，既能降低物流企业的仓储费用和物流成本，又能降低物资的浪费和损耗率，同时也可以满足需求点的物资配送需求。
本申请实施例中，预测各需求点的物资需求量主要依据BP神经网络模型来实现。其中，BP（Back Propagation）神经网络是一种机器训练的算法，目前应用较为广泛，可以用以进行预测评价、自适用控制和语言识别等。BP神经网络预测模型是由输入层、隐含层和输出层构成的网状结构，通过不断的网络迭代来求解。如图2所示，为一个典型的三层 BP 神经网络模型，输入层的神经元节点为n个，隐含层的神经元节点为k个，输出层的神经元节点为m个，其中n、k和m的值根据实际需求确定。输入层与输出层是BP神经网络的数据输入层和结果输出层，这两层都是由神经元节点构成的。在针对预测目标构建相应的BP神经网络时，首先要对所预测的数据进行特征分析，根据特征分析的结果来确定输入层和输出层的神经元节点数。而就隐含层来说，隐含层的层数的多少便决定了BP神经网络的复杂程度，层数越多越复杂，对于问题的处理能力也越强，但是复杂的BP神经网络在训练时会延长训练时间；与之相反，简单的BP神经网络会降低自身收敛能力，进而导致训练效果不佳，影响最终的预测结果。因此，如何确定BP神经网络层数是至关重要的一步。
本申请实施例中，可以通过以下公式来计算所选样本中的隐含层及输出层各个神经元节点的输入值和输出值，来确定BP神经网络层数：
隐含层各个神经元节点的输入值为：
公式10；
式中，Irh为r样本的第h个隐含层的输入值；pnh为输入层第n个神经元节点与隐含层第h个节点之间的连接值；xrn为r样本输入层第n个神经元节点的输入值；ah为隐含层神经元节点的阈值；N为输出层的神经元节点数；
隐含层各个神经元节点的输出值为：
公式11；
式中，Orh为r样本的第h个隐含层的输出值；F1为隐含层之间的传递函数；Irh为r样本的第h个隐含层的输入值；
输出层各个神经元节点的输入值为：
公式12；
式中，Vrm为r样本的输出层第m个神经元节点的输入值；phm为隐含层第h个节点与输出层第m个神经元节点之间的连接值；xrn为r样本输入层第n个神经元节点的输入值；am输出层神经元节点的阈值；
输出层各个神经元节点的输入值为：
公式13；
式中，Zrm为r样本的输出层第m个神经元节点的输出值；F2为输出层之间的传递函数；Vrm为r样本的输出层第m个神经元节点的输入值。
在一个具体实施例中，针对配送需求预测问题，通过分析配送需求影响因素和配送历史数据，根据上述公式10~13来计算所选样本中的隐含层及输出层各个神经元节点的输入值和输出值，可以选用3层的BP神经网络作为模型基本结构，将预测时间段内的计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量作为网络的输入层，即预测时间段、计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量共5个影响因素，用于接收数据输入，选取预测时间段的物资需求量作为网络的输出结点。网络模型包含一个隐含层，隐含层节点数的选择可依据下述经验公式：
公式14；
式中，H为输入层的神经元节点数；M为隐含层的神经元节点数；N为输出层的神经元节点数；c是在[0，10]之内的整数。
一个具体实施例中，上述公式中输入层的神经元节点数H的值为5，输出层的神经元节点数N的值为1，取c的值为2，得到隐含层的神经元节点数M的值为8。由此建立的BP神经网络模型的基本结构如图3所示，输入层含5个神经元节点包括预测时间段、计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量，隐含层含8个神经元节点，输出层含1个神经元节点为预测物资需求量。
本申请实施例中，构建BP神经网络模型后，需要将获取的历史配送数据加入BP神经网络模型中进行训练。
在一个具体实施例中，在获取历史配送数据时，可以建立数据采集模块更加全面的收集和整合数据信息。建立的数据采集模块可以用于采集配送点信息，例如区域仓储库和作业地点；采集运力资源信息，例如配送车辆和司机；采集配送过程信息，例如定位信息和温湿加速度信息；采集配送方案订单信息。数据采集模块的建立为后续展示、分析及预警提供全面的数据支撑，其中包括主数据维护子模块、物资库存数据采集子模块和配送订单数据采集子模块。各个子模块用以采集对应的数据，采集的方式可以是互动式地输入方式，也可以是通过与既有的登记系统进行数据连通后，直接调取数据。数据采集模块的工作流程如下：
（1）在主数据维护子模块维护主数据信息，主数据信息包括区域仓储库主数据、供应商主数据、承运商主数据、物资主数据、车辆主数据和司机主数据；
（2）配送订单采集子模块从己方、供应商方和承运商方的配送管理系统中实时获取当前供应商配送订单信息。供应商配送订单信息包括：供应商编码、承运商编码、订单编号、物资编码、配送数量、预计到货时间、实际到货时间、配送车牌号、司机信息、实时位置信息、配送状态、配送起始点和配送目标地点；
（3）物资库存数据采集子模块从己方仓储管理系统实时获取当前库存信息，主要信息包括：区域仓储库编码、区域仓储库定位信息、物资编码、物资数量和物资状态；
（4）数据采集模块对采集和维护的数据进行存储，并按照预设周期，将数据进行归档整理。
本申请实施例中，获取到历史配送数据后，并不能直接输入BP神经网络模型中，需要对历史配送数据进行预处理后再加入BP神经网络模型中进行训练，如图4所示，为BP神经网络模型训练的具体过程，图中原始数据即历史配送数据，标准数据即预处理后的历史配送数据，BP网络分类模型即BP神经网络模型，预测结果即各需求点的物资需求量。
本申请实施例中，在BP神经网络模型中进行训练时，具体通过下述方式对所述历史配送数据进行预处理：
对所述历史配送数据进行属性映射和归一化处理，得到预处理后的历史配送数据。
本申请实施例中，对历史配送数据预处理时，需要先通过属性映射将历史配送数据的数据类型进行转换和梳理，此处需要将字符型的历史配送数据转换为数值型的，然后再对数值型的历史配送数据进行归一化处理，得到标准化数据，即预处理后的历史配送数据。
需要将预处理后的历史配送数据输入构建的BP神经网络模型中进行训练。预处理后的历史配送数据分为训练数据和测试数据，分别加入BP神经网络模型中进行训练和测试，其中，训练的过程如下：
（1）将训练数据加入BP神经网络模型进行训练；
（2）观察BP神经网络模型的训练效果，待BP神经网络模型训练完成，根据训练结果调整BP神经网络模型的参数，直到BP神经网络模型达到最优；
（3）得到一个最优BP神经网络模型。
训练完成后，将预测时间段内的计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量输入得到的最优BP神经网络模型中进行预测，可以得到预测的各需求点的物资需求量。
在一个具体实施例中，建立BP神经网络模型之后，要对模型进行训练，首先需要获取历史配送数据，以历史配送数据为某地区域仓储库在2022年第二季度的配送数据为例，先对配送数据进行预处理，再将2022年第二季度前8周的配送数据作为训练样本，后4周的配送数据作为测试样本，用于对训练结果的检验。设置BP神经网络模型训练的相关参数如下表所示：
BP神经网络模型参数取值
参数 取值
训练函数 Trainlm
最大迭代数 60000
训练精度
学习效率 0.5
学习动量 0.5
对BP神经网络模型训练结果进行分析，通过下表可以看出，使用BP神经网络模型进行预测的结果比较接近实际值，误差值较小。此结果能够有力说明利用BP神经网络建立的需求预测模型能够精准预测需求。
BP神经网络模型部分预测结果
预测值 目标值 误差
0.481 862 100 0.5 0.018 137 899 693 328
0.999 975 627 1 0.000 024 373 004 329
0.000 060 200 0 0.000 060 226 092 425
0.494 872 803 0.5 0.005 127 197 337 227
根据多次训练调优得到的BP神经网络模型参数取值，构建最优BP神经网络模型，根据最优BP神经网络模型预测结果得到各需求点的物资需求量，业务人员据此提前协调和准备运力资源。
S102：根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数。
上述步骤S102中，所述各需求点的配送信息包括需求点的物资需求量、需求点的位置、单车最大载重量、单位公里的油耗成本和单车使用成本；
所述根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数，包括：
根据所述区域仓储库的各需求点的位置和车辆单位公里的油耗成本，确定车辆从离开区域仓储库至配送完成后回到区域仓储库行驶的总路程，构建车辆行驶成本函数；
根据所述区域仓储库的各需求点的物资需求量、单车最大载重量和单车使用成本，确定配送车辆的数量，构建车辆使用成本函数；
根据所述车辆行驶成本函数和车辆使用成本函数，构建所述总配送成本目标函数。
在一个具体实施例中，石油企业在某地区设置区域仓储库J，该区域仓储库物资储备充足，且配备一定载重量的配送车辆，根据需求向周边需求点配送物资，每个需求点的需求物资种类和数量明确，对每一辆配送车辆来说，配送路径上的需求点的物资需求量之和不能超过该车辆的单车最大载重量。根据企业业务的实际情况，可以进行以下业务假设：
（1）区域仓储库J自配的物资配送车辆充足，且为同一类型车，即所有车辆的单车最大载重量、单位公里的油耗成本和单车使用成本均相同；
（2）配送车辆的起点和终点均为J区域仓储库；
（3）各需求点的所有信息例如物资需求的重量及位置等信息已知；
（4）每条配送路径上物资装载量不得超过车辆的单车最大载重量。
根据以上业务假设为前提，构建总配送成本目标函数。
本申请实施例中，物流路径优化的目的在于降低物流配送成本，故构建总配送成本目标函数时就是要求总配送成本最小。在配送过程中，需要考虑车辆行驶时会产生油费消耗，即车辆行驶成本；调用临时车辆的需要额外支付人员工资和管理费用等，即车辆使用成本。总配送成本目标函数即车辆行驶成本和车辆使用成本之和，目标为总配送成本最小。
本申请实施例中，在执行步骤S102时，所述根据所述区域仓储库的各需求点的位置和车辆单位公里的油耗成本，确定车辆从离开区域仓储库至配送完成后进入区域仓储库行驶的总路程，构建车辆行驶成本函数，包括：
根据所述总路程与车辆单位公里的油耗成本，构建车辆行驶成本函数：
公式7；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆行驶成本；/>为车辆单位公里的油耗成本；/>为需求点i和j之间的实际距离；m为配送车辆的数量；n为需求点总数。
本申请实施例中，车辆行驶成本主要是车辆在配送过程中产生的燃油费用。用表示单位公里的油耗成本，/>表示两需求点之间的距离，根据车辆在配送中行驶路径得到物资配送完成后车辆行驶的总距离，将车辆行驶的总距离乘以单位公里的油耗成本便是总的行驶成本，上述公式7即为车辆行驶成本的表达式。
本申请实施例中，在执行步骤S102时，所述根据所述区域仓储库的各需求点的物资需求量、单车最大载重量和单车使用成本，确定配送车辆的数量，构建车辆使用成本函数，包括：
根据所述区域仓储库的各需求点的物资需求量和单车最大载重量，确定配送车辆的数量；
根据单车使用成本以及配送车辆的数量，构建车辆使用成本函数：
公式8；
式中，为车辆使用成本；/>为单车使用成本；k=1,2,…，m；/>为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；m为配送车辆的数量；n为需求点总数。
本申请实施例中，车辆使用成本是在调用闲置车辆时支付给配送司机的人员工资与管理费用，车辆使用成本的大小只和所需调用的配送车辆的数量有关，车辆数是由各需求点的物资需求量和单车最大载重量确定的，单车使用成本是调用一辆车时所需要支付的费用即调用一辆车需要给配送司机支付约定的人员工资与管理费用等，用表示调用一辆车时所需要支付的费用，车辆使用成本即单车使用费用乘以配送车辆的数量，上述公式8即为车辆使用成本的表达式。
本申请实施例中，在执行步骤S102时，所述根据所述车辆行驶成本函数和车辆使用成本函数，构建所述总配送成本目标函数，包括：
根据所述车辆行驶成本函数与所述车辆使用成本函数，构建总配送成本函数：
公式9；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为总配送成本；/>为车辆单位公里的油耗成本；为单车使用成本；/>为需求点i和j之间的实际距离；/>为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；m为配送车辆的数量；n为需求点总数。
S103：以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型。
本申请实施例中，当配送车辆从区域仓储库出发，对各个需求点进行物资配送时，不同的选择会产生不同的路径配送方案，该企业的车辆配送路径问题在构建模型时应考虑多种约束条件，比方说配送车辆的数量、配送车辆的单车最大载重量和各需求点之间的路径等。
上述步骤S103中，以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型，具体包括;
根据每辆车所配送的需求量之和小于车辆的单车最大载重量，确定第一约束条件： 公式1；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i的物资需求量；Q为车辆的单车最大载重量；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车进入一次，确定第二约束条件：
公式2；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车离开一次，确定第三约束条件：
公式3；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每辆车必须离开区域仓储库一次，确定第四约束条件：
公式4；
式中，k=1,2,…，m；n为需求点总数；n0为区域仓储库；为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；
根据每个需求点中每一车辆进入和离开的次数相等，确定第五约束条件：
公式5；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆k从需求点j行驶到需求点i的次数；n为需求点总数；
根据按照预设位势顺序进行路径循环，确定第六约束条件：
公式6；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i在配送中的位势级；/>为需求点j在配送中的位势级；/>为需求点i和j之间的实际距离；M为预设常数值；
以第一约束条件至第六约束条件作为所述总配送成本目标函数的约束条件，构建最优路径优化模型。
在上述第六约束条件中，按照预设位势顺序进行路径循环，目的是为了避免每条配送路径出现路径子回路，要保证所有配送车辆都必须经过和离开J区域仓储库。此处引入了点位势的概念，必须按照一定的位势顺序进行路径循环，不可以倒退，以保证不会出现需求点内循环。
根据上述约束条件以及得到的总配送成本目标函数，构建的最优路径优化模型如下：
S104：基于遗传算法求解所述最优路径优化模型，确定最优配送路径。
上述步骤S104中，在得到最优路径优化模型后，需要使用遗传算法求解最优值来确定最优配送路径。遗传算法求解的整体流程如图5所示，遗传算法开始时，预先设置变异率和种群规模等参数，随后将由Crtbp方法随机生成的初始种群导入遗传算法运算程序中，通过适应度函数计算每个初始染色体的适应度大小，根据优劣性排列选择染色体，剔除不良染色体；将保留的染色体进行交叉，并按照变异率进行染色体变异；随后重新计算新染色体的适应度，不断重复上述过程；当迭代次数满足预设次数，例如满足200次时，程序结束运转，输出当前最优值。获得最优路径优化模型的最优值后，即可确定最优配送路径。
在一个具体实施例中，以某区域仓储库配送物资至其配送网络中的27个需求点的路径规划为案例，对区域仓储库J相关配送数据进行整理，共计27个需求点需要配送，对所有需求点编号为1到27，区域仓储库J用序号0表示，其地理位置坐标为（110.432934，35.42862)。通过每个需求点的经纬度坐标，调用地图软件距离测量公开接口计算任意两个需求点之间的配送距离，形成距离矩阵导入遗传算法程序中。另外，对某一批次的物资需求预测数据进行整理，作为各需求点的物资需求量。应用遗传算法程序编码，将得到的需求点的信息数据导入程序中，经过多次运行程序验证，模拟求解结果良好，得到最终最优的结果为3条路径。
在进行遗传算法求解时，将27个需求点用1-27分别表示，结果输出后将其转化为对应的需求点，结果如下表所示：
最优配送路径顺序表
序号 路径顺序 装载率
1 0-20-21-22-27-23-25-24-14-12-0 96.87%
2 0-6-5-9-26-17-10-13-8-0 98.84%
3 0-1-2-7-3-4-18-19-15-16-11-0 97.99%
根据上表可以看出，求解的最优路径为3条，每条路径车辆的装载率也基本均衡，3条路径的综合路线距离为259.72km。故该企业对于当前的批次的物资配送需调用的配送车辆的数量为3辆，平均装载率为97.90%，如下表所示：
配送车辆数据表
车辆数（单位：辆） 平均装载率 总距离（单位：公里）
3 97.90% 259.72
经过遗传算法求解，对于当前的批次的物资配送需要调用的配送车辆的数量为3辆，未超出平均闲置车辆数。该车型在平均载重情况下该货运汽车的单公里油耗成本为1.2元/公里，需支付给货车司机的工资为260元/辆。根据3辆车的总行驶距离为259.72km公里，基于公式7计算，得到车辆的行驶成本为311.664元；基于公式8计算，车辆的使用成本为780元，总配送成本费用为1091.664元。而原配送方案中，使用4辆载重4.2吨的配送车辆配送该批物资，配送路线总计323.61公里，车辆的行驶成本为388.332元，车辆的使用成本为1040元，综合配送费用为1428.332元。两个方案所需成本的具体对比如下表所示：
优化前后方案成本对比表（元）
由上表分析可得，优化后配送方案的配送成本为1091.664元，较优化前方案的综合运费节约336.668元，运费降低23.57%，实现配送成本的控制。同时在配送时间上也可以得到保证，可以将需求点所需求的物资集中送达，提升了物资供货速度。
综上所述，优化后的物资配送方案根据物流配送物资的特点、仓储配送网络分布情况、物流配送运输方式、物流配送目的地的情况以及物流配送需求的特点等不同统筹维度，建立数据分析方法，对物流智能路线规划进行分析，优化物流配送方案，不仅极大提高了车辆装载率，降低配送成本，同时又提高了物资配送效率，使需求点的需求可以及时得到满足。因此优化后的物资配送方案较为合理。
在一个具体实施例中，可以建立大数据优化分析模块，结合数据采集模块获取的历史配送数据，对配送需求进行预测，提前协调运力资源，并辅助制定出更加合理的配送路径以及更低配送成本的配送方案。大数据优化分析模块包括配送需求预测子模块和配送路径优化子模块。其中，配送需求预测子模块应用在物资供应计划方面，通过预测方法进行相对准确的配送需求预测，根据预测结果直接进行区域仓储库物资分配，提前准备配送车辆、司机等运力资源，可以改善过多分配的现象，既能降低物流企业的仓储费用和物流成本，又能降低物资的浪费和损耗率，同时也可以满足需求单位的物资配送需求；配送路径优化子模块应用于物流配送环节，在一定条件下通过改进和优化规划最合适的配送路径可以有效减少配送成本，降低物资损耗，提高物流配送效率，配送路径优化子模块通过建立目标函数为总配送成本最小的数学规划模型，设计遗传算法进行模拟求解，安排合理的配送方案，帮助企业降低管理成本和配送成本。
本申请实施例中，按照步骤S101~S104的物流路径优化方法确定最优配送路径后，若按照确定出的最优配送路径进行物流配送，则该方法还可以包括：
监控配送的车辆的定位信息，当车辆预计达到时间小于预设配送提醒阈值时，发出第一预警；和/或，
监控配送的车辆的配送路径信息，当车辆偏移所述最优配送路径超过预设偏移阈值时，发出第二预警；和/或，
监控配送的车辆的配送状态信息，当车辆实际到达时间大于预设超时阈值时，发出第三预警；和/或，
监控配送的车辆的费用结算信息，当费用结算时间大于预设结算时间阈值时，发出第四预警。
在一个具体实施例中，对进行物流配送的车辆，可以建立风险预警提醒模块对其配送过程进行跟踪。风险预警提醒模块中包括配送到货提醒子模块、配送轨迹纠偏报警子模块、运达时间延迟预警子模块和配送结算支付提醒子模块，实时获取物资配送业务信息，通过监控和预警的手段对于配送过程进行跟踪，对于关键节点的运转予以重点关注。其中，配送到货提醒子模块，用于监控配送的车辆的定位信息，可自行设置配送提醒阈值，当车辆预计达到时间小于预设配送提醒阈值时，发出第一预警，提醒区域仓储库或者现场工作人员准备接收配送物资；配送轨迹纠偏报警子模块，用于监控配送的车辆的配送路径信息，可自行设置偏移阈值，当车辆偏移所述最优配送路径超过预设偏移阈值时，发出第二预警，提醒配送人员和决策人员配送车辆已经偏移最优配送路径，可及时发现风险并采取措施；运达时间延迟预警子模块，用于监控配送的车辆的配送状态信息，可自行设置超时阈值，当车辆实际到达时间大于预设超时阈值时，发出第三预警，提醒决策人员关注配送状态，督促物流配送任务准时完成；配送结算支付提醒子模块，用于监控配送的车辆的费用结算信息，可自行设置结算时间阈值，当费用结算时间大于预设结算时间阈值时，发出第四预警，提醒相关人员及时发起费用结算申请，避免出现逾期未付的情况。
本申请实施例中，按照确定出的最优配送路径进行物流配送过程中，该方法还可以包括：
将监控的车辆的配送定位、路径和/或状态信息显示在地图上。
在一个具体实施例中，可以搭建如图6所示的智能物流优化辅助决策平台来实现物流路径优化的方法，包括数据采集模块、可视化展示模块、大数据优化分析模块和风险预警提醒模块。其中，可视化展示模块将监控的车辆的配送定位、路径和/或状态信息显示在地图上。可视化展示模块应用数据采集模块的数据，遵循数据模型设计原则，从贴源层、基础层、通用层和应用层进行数据模型、模型字段设计和逐层加工逻辑梳理。可视化展示模块包括运力资源展示子模块和配送轨迹监控子模块，通过高级报表等展现手段，对运力资源、配送轨迹和配送成本及损耗进行多维度的汇总展现。其中，运力资源展示子模块，用于智能物流优化可视化展示模型，将物流运力资源包括可用车辆、司机和在运配送订单等以图表的方式直观展示；配送轨迹监控子模块，用于根据实时获取的定位信息，将区域仓储库、施工现场以及配送中的车辆轨迹信息，根据其所在位置的经纬度以可视化的方式展示在地图上。
本申请实施例中，通过整合物流配送信息资源，按照运力资源和运输轨迹等多维度展示物流配送情况，建立预警提醒及指标监控机制，方便决策者实时掌握物流配送进度和风险，决策者利用可视化展示子模块，能够直观看到各备选方案及技术经济评价指标可视化展示，通过选择性地展示或不展示要素，能够推演整个规划过程，从而能够将各要素量化并可视化，供决策者参考。形成物流配送全链条、高价值和可视化的分析应用，提升仓储物流管理水平。
本申请实施例提供的物流路径优化方法，基于各需求点的配送信息确定车辆行驶成本和车辆使用成本，构建目标函数，以影响物流成本的配送车辆的数量、配送路径和单车最大载重量构建约束条件，求解优路径优化模型，确定最优配送路径，可以显著降低物流成本支出，减少物资损耗，提升配送效率，能够最大程度地整合运力资源，实现对物流配送链条的全程管控，提高物资配送的响应速度和应急保障能力，让物流配送体系更加主动和高效。
实施例二
基于同一发明构思，本申请实施例还提供一种物流监控方法，参照图7所示，该方法包括：
S101：获取区域仓储库的各需求点的配送信息；
S102：根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；
S103：以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；
S104：基于遗传算法求解所述最优路径优化模型，确定最优配送路径；
S105：使用所述最优配送路径进行物流配送，执行步骤S106-S109；
S106：监控配送的车辆的定位信息，当车辆预计达到时间小于预设配送提醒阈值时，发出第一预警；和/或，
S107：监控配送的车辆的配送路径信息，当车辆偏移所述最优配送路径超过预设偏移阈值时，发出第二预警；和/或，
S108：监控配送的车辆的配送状态信息，当车辆实际到达时间大于预设超时阈值时，发出第三预警；和/或，
S109：监控配送的车辆的费用结算信息，当费用结算时间大于预设结算时间阈值时，发出第四预警。
在一个具体实施例中，所述的方法还包括：
将监控的车辆的配送定位、路径和/或状态信息显示在地图上。
本发明实施例提供的物流监控方法的具体执行过程，可以参照上述实施例一中关于物流路径优化方法的详细描述，在此不在赘述。
实施例三
基于同一发明构思，本申请实施例还提供一种物流路径优化装置，参照图8所示，该装置包括：
获取模块101，用于获取区域仓储库的各需求点的配送信息；
函数构建模块102，用于根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；
模型构建模块103，用于以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；
求解模块104，用于基于遗传算法求解所述最优路径优化模型，确定最优配送路径。
实施例四
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一中所描述的物流路径优化方法，和/或，上述实施例二中所描述的物流监控方法。
实施例五
基于同一发明构思，本申请实施例还提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例一中所描述的物流路径优化方法，和/或，上述实施例二中所描述的物流监控方法。
实施例六
基于同一发明构思，本申请实施例还提供一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如上述实施例一中所描述的物流路径优化方法，和/或，上述实施例二中所描述的物流监控方法。
实施例七
基于同一发明构思，本申请实施例还提供一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如上述实施例一中所描述的物流路径优化方法，和/或，上述实施例二中所描述的物流监控方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1.一种物流路径优化方法，其特征在于，包括：
获取区域仓储库的各需求点的配送信息；
根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；
以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；
基于遗传算法求解所述最优路径优化模型，确定最优配送路径；
以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型，包括：
根据每辆车所配送的需求量之和小于车辆的单车最大载重量，确定第一约束条件： 公式1；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i的物资需求量；Q为车辆的单车最大载重量；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车进入一次，确定第二约束条件：
公式2；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车离开一次，确定第三约束条件：
公式3；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每辆车必须离开区域仓储库一次，确定第四约束条件：
公式4；
式中，k=1,2,…，m；n为需求点总数；n0为区域仓储库；为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；
根据每个需求点中每一车辆进入和离开的次数相等，确定第五约束条件：
公式5；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆k从需求点j行驶到需求点i的次数；n为需求点总数；
根据按照预设位势顺序进行路径循环，确定第六约束条件：
公式6；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i在配送中的位势级；/>为需求点j在配送中的位势级；/>为需求点i和j之间的实际距离；M为预设常数值；
以第一约束条件至第六约束条件作为所述总配送成本目标函数的约束条件，构建最优路径优化模型。
2.如权利要求1所述的方法，其特征在于，所述各需求点的配送信息包括需求点的物资需求量、需求点的位置、单车最大载重量、单位公里的油耗成本和单车使用成本；
所述根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数，包括：
根据所述区域仓储库的各需求点的位置和车辆单位公里的油耗成本，确定车辆从离开区域仓储库至配送完成后进入区域仓储库行驶的总路程，构建车辆行驶成本函数；
根据所述区域仓储库的各需求点的物资需求量、单车最大载重量和单车使用成本，确定配送车辆的数量，构建车辆使用成本函数；
根据所述车辆行驶成本函数和车辆使用成本函数，构建所述总配送成本目标函数。
3.如权利要求2所述的方法，其特征在于，所述根据所述区域仓储库的各需求点的位置和车辆单位公里的油耗成本，确定车辆从离开区域仓储库至配送完成后进入区域仓储库行驶的总路程，构建车辆行驶成本函数，包括：
根据所述总路程与车辆单位公里的油耗成本，构建车辆行驶成本函数：
公式7；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆行驶成本；/>为车辆单位公里的油耗成本；/>为需求点i和j之间的实际距离；m为配送车辆的数量；n为需求点总数。
4.如权利要求3所述的方法，其特征在于，所述根据所述区域仓储库的各需求点的物资需求量、单车最大载重量和单车使用成本，确定配送车辆的数量，构建车辆使用成本函数，包括：
根据所述区域仓储库的各需求点的物资需求量和单车最大载重量，确定配送车辆的数量；
根据单车使用成本以及配送车辆的数量，构建车辆使用成本函数：
公式8；
式中，为车辆使用成本；/>为单车使用成本；k=1,2,…，m；/>为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；m为配送车辆的数量；n为需求点总数。
5.如权利要求4所述的方法，其特征在于，所述根据所述车辆行驶成本函数和车辆使用成本函数，构建所述总配送成本目标函数，包括：
根据所述车辆行驶成本函数与所述车辆使用成本函数，构建总配送成本函数：
公式9；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为总配送成本；/>为车辆单位公里的油耗成本；/>为单车使用成本；/>为需求点i和j之间的实际距离；/>为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；m为配送车辆的数量；n为需求点总数。
6.如权利要求2所述的方法，其特征在于，通过下述方式获取区域仓储库的各需求点的物资需求量，包括：
将预测时间段内的计划到货的采购订单、历史同时段配送订单量、储备物资存量和运力资源存量输入预先构建的最优BP神经网络模型，预测得到所述各需求点的物资需求量；
其中，所述最优BP神经网络模型通过下述方式得到：
获取预先构建的BP神经网络模型；
将预处理后的历史配送数据输入所述BP神经网络模型中进行训练，得到所述最优BP神经网络模型。
7.如权利要求6所述的方法，其特征在于，通过下述方式对所述历史配送数据进行预处理：
对所述历史配送数据进行属性映射和归一化处理，得到预处理后的历史配送数据。
8.一种物流监控方法，其特征在于，包括：
使用权利要求1-7任一项所述的物流路径优化方法确定的最优配送路径进行物流配送：
监控配送的车辆的定位信息，当车辆预计达到时间小于预设配送提醒阈值时，发出第一预警；和/或，
监控配送的车辆的配送路径信息，当车辆偏移所述最优配送路径超过预设偏移阈值时，发出第二预警；和/或，
监控配送的车辆的配送状态信息，当车辆实际到达时间大于预设超时阈值时，发出第三预警；和/或，
监控配送的车辆的费用结算信息，当费用结算时间大于预设结算时间阈值时，发出第四预警。
9.如权利要求8所述的方法，其特征在于，还包括：
将监控的车辆的配送定位、路径和/或状态信息显示在地图上。
10.一种物流路径优化装置，其特征在于，包括：
获取模块，用于获取区域仓储库的各需求点的配送信息；
函数构建模块，用于根据所述区域仓储库的各需求点的配送信息，确定车辆行驶成本和车辆使用成本，构建总配送成本目标函数；
模型构建模块，用于以配送车辆的数量、配送路径和单车最大载重量作为所述总配送成本目标函数的约束条件，构建最优路径优化模型；
求解模块，用于基于遗传算法求解所述最优路径优化模型，确定最优配送路径；
模型构建模块，还用于根据每辆车所配送的需求量之和小于车辆的单车最大载重量，确定第一约束条件： 公式1；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i的物资需求量；Q为车辆的单车最大载重量；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车进入一次，确定第二约束条件：
公式2；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每个需求点只有一辆车离开一次，确定第三约束条件：
公式3；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；m为配送车辆的数量；n为需求点总数；
根据每辆车必须离开区域仓储库一次，确定第四约束条件：
公式4；
式中，k=1,2,…，m；n为需求点总数；n0为区域仓储库；为车辆k从区域仓储库出发至配送完成回到区域仓储库的次数；
根据每个需求点中每一车辆进入和离开的次数相等，确定第五约束条件：
公式5；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为车辆k从需求点j行驶到需求点i的次数；n为需求点总数；
根据按照预设位势顺序进行路径循环，确定第六约束条件：
公式6；
式中，；k=1,2,…，m；/>为车辆k从需求点i行驶到需求点j的次数；/>为需求点i在配送中的位势级；/>为需求点j在配送中的位势级；/>为需求点i和j之间的实际距离；M为预设常数值；
以第一约束条件至第六约束条件作为所述总配送成本目标函数的约束条件，构建最优路径优化模型。
11.一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行如权利要求1-7任一项所述的物流路径优化方法，和/或，如权利要求8或9所述的物流监控方法。
12.一种计算机设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的物流路径优化方法，和/或，如权利要求8或9所述的物流监控方法。
13.一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如权利要求1-7任一项所述的物流路径优化方法，和/或，如权利要求8或9所述的物流监控方法。
14.一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如权利要求1-7任一项所述的物流路径优化方法，和/或，如权利要求8或9所述的物流监控方法。
CN202310915751.5A 2023-07-25 2023-07-25 一种物流路径优化方法、相关方法、装置、设备及介质 Active CN116629738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310915751.5A CN116629738B (zh) 2023-07-25 2023-07-25 一种物流路径优化方法、相关方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310915751.5A CN116629738B (zh) 2023-07-25 2023-07-25 一种物流路径优化方法、相关方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116629738A CN116629738A (zh) 2023-08-22
CN116629738B true CN116629738B (zh) 2023-10-03

Family

ID=87613845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310915751.5A Active CN116629738B (zh) 2023-07-25 2023-07-25 一种物流路径优化方法、相关方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116629738B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455100B (zh) * 2023-12-26 2024-03-15 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法
CN117541022B (zh) * 2024-01-04 2024-04-16 广州拓威天海国际物流有限公司 一种国际运输散货的拣货路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400247A (zh) * 2013-07-11 2013-11-20 南京工业大学 一种物流配送调度优化方法
CN105321056A (zh) * 2014-07-24 2016-02-10 镇江市方舟运输有限公司 一种基于遗传算法的运输企业的车辆运输路径选择方法
CN107977739A (zh) * 2017-11-22 2018-05-01 深圳北斗应用技术研究院有限公司 物流配送路径的优化方法、装置及设备
CN109002902A (zh) * 2018-06-11 2018-12-14 华东理工大学 分区域多阶段生鲜农产品动态车辆路径优化方法
CN116452097A (zh) * 2023-03-09 2023-07-18 东南大学 一种冷链物流下考虑耗材的城市配送路径决策方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10604120B2 (en) * 2016-07-07 2020-03-31 Nio Usa, Inc. Sensor cleaning devices and systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400247A (zh) * 2013-07-11 2013-11-20 南京工业大学 一种物流配送调度优化方法
CN105321056A (zh) * 2014-07-24 2016-02-10 镇江市方舟运输有限公司 一种基于遗传算法的运输企业的车辆运输路径选择方法
CN107977739A (zh) * 2017-11-22 2018-05-01 深圳北斗应用技术研究院有限公司 物流配送路径的优化方法、装置及设备
CN109002902A (zh) * 2018-06-11 2018-12-14 华东理工大学 分区域多阶段生鲜农产品动态车辆路径优化方法
CN116452097A (zh) * 2023-03-09 2023-07-18 东南大学 一种冷链物流下考虑耗材的城市配送路径决策方法

Also Published As

Publication number Publication date
CN116629738A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN116629738B (zh) 一种物流路径优化方法、相关方法、装置、设备及介质
Huang et al. Planning station capacity and fleet size of one-way electric carsharing systems with continuous state of charge functions
Huang et al. Vehicle relocation in one-way station-based electric carsharing systems: A comparative study of operator-based and user-based methods
Spieser et al. Shared-vehicle mobility-on-demand systems: A fleet operator’s guide to rebalancing empty vehicles
Spieser et al. Toward a systematic approach to the design and evaluation of automated mobility-on-demand systems: A case study in Singapore
Cascetta Transportation systems analysis: models and applications
Li et al. The share-a-ride problem with stochastic travel times and stochastic delivery locations
CN110097234B (zh) 工业卷烟运输智能调度方法及系统
CN109886491A (zh) 一种海量运行数据驱动的地面公交两阶段优化调度方法
CN105550789A (zh) 一种公交出行客流的预测方法
Lebeau et al. Implementing electric vehicles in urban distribution: A discrete event simulation
Ataç et al. Vehicle sharing systems: A review and a holistic management framework
CN111507667B (zh) 一种应用于短距离物流的订单分配方法和服务器
Edara et al. Model of an advance-booking system for highway trips
Huang et al. An innovative approach to solve the carsharing demand-supply imbalance problem under demand uncertainty
Canitez et al. Agency costs in public transport systems: Net-cost contracting between the transport authority and private operators-impact on passengers
CN112488400A (zh) 基于区块链技术与出行计划共享的交通出行行为调控方法
Yu et al. Pricing of parcel locker service in urban logistics by a TSP model of last-mile delivery
Li et al. Simulation-optimization for station capacities, fleet size, and trip pricing of one-way electric carsharing systems
Guo et al. Shared autonomous vehicle management considering competition with human-driven private vehicles
Perboli et al. A simulation-optimization approach for the management of the on-demand parcel delivery in sharing economy
Zheng Solving vehicle routing problem: A big data analytic approach
Gu et al. Enhancing market service and enterprise operations through a large-scale GIS-based distribution system
CN109409563A (zh) 一种公交运营车辆实时人数的分析方法、系统和存储介质
Karam et al. A real-time decision support approach for managing disruptions in line-haul freight transport networks

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