CN116911711A - 一种物流运输规划方法 - Google Patents
一种物流运输规划方法 Download PDFInfo
- Publication number
- CN116911711A CN116911711A CN202310917635.7A CN202310917635A CN116911711A CN 116911711 A CN116911711 A CN 116911711A CN 202310917635 A CN202310917635 A CN 202310917635A CN 116911711 A CN116911711 A CN 116911711A
- Authority
- CN
- China
- Prior art keywords
- transportation
- vehicle
- cost
- planning
- starting point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000000446 fuel Substances 0.000 claims description 11
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 claims description 6
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 3
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种物流运输规划方法,该方法包括:获取所有需要运输的货物重量、起始点及终止点,获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗,基于起始点及终止点进行区域规划,搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本,搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本,比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输。本发明提供的物流运输规划方法,能够实现单次运输成本最低的物流运输规划,降低了物流成本,便于使用。
Description
技术领域
本发明涉及物流运输技术领域,特别是涉及一种物流运输规划方法。
背景技术
现有技术中物流运输规划经常采用人工调度,但是,由于人工无法对复杂的路线进行穷举规划,因此,人工调度规划往往会导致物流成本的浪费。因此,设计一种物流运输规划方法是十分有必要的。
发明内容
本发明的目的是提供一种物流运输规划方法,能够实现单次运输成本最低的物流运输规划,降低了物流成本,便于使用。
为实现上述目的,本发明提供了如下方案:
一种物流运输规划方法,包括如下步骤:
步骤1:获取所有需要运输的货物重量、起始点及终止点;
步骤2:获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗;
步骤3:基于起始点及终止点进行区域规划;
步骤4:搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本;
步骤5:搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本;
步骤6:比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输。
可选的,步骤1中,获取所有需要运输的货物重量、起始点及终止点,具体为:
获取运输需求订单,根据运输需求订单获取需求订单所有的起始点,根据需求订单获取与每个起始点相对应的所有终止点,根据需求订单获取每个起始点与相对应的终止点之间需要运输的货物重量。
可选的,步骤2中,获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗,具体为:
获取每个起始点对应的车辆车型,其中车辆车型有r种,获取每种车型的数量为{n1,n2,n3,...,nr},每种车型对应的额定装载量{m1,m2,m3,...,mr}及最高装载率为{q1,q2,q3,...,qr},获取每种车型对应的车公里油耗{c1,c2,c3,...,cr}。
可选的,步骤3中,基于起始点及终止点进行区域规划,具体为:
获取所有的起始点以及与起始点相对应的所有终止点,以每个起始点为中心,通过K-menas聚类算法对起始点对应的终止点进行区域划分,得到多个区域,其中,每个区域的内部均包括一个或多个终止点。
可选的,步骤4中,搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本,具体为:
对于每个起始点到与其对应的每个区域,以最优装载率为目标函数的第一车辆规划模型,目标函数为:
约束条件为:
xi∈N(4)
式中,W为起始点到每个区域的配送货物总量,fmax为最优装载率,ceiling(W/mi)为起始点到每个区域的配送货物总量中采用单一车型配送时所需的最少车辆数;
通过整数规划方法对目标函数进行求解,得到最优车辆组合方案{x1,x2,x3,...,xr},最优装载率fmax;
获取起始点到对应的区域的边界距离L1以及从区域的边界到区域内部各个终止点的距离L2,计算第一运输成本为:
式中,为区域外部运输油耗成本,/>为区域内部运输油耗成本,L′为区域内部总行驶距离,k为区域内部终止点的数量。
可选的,步骤5中,搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本,具体为:
以物流成本为目标函数的第二车辆规划模型,计算区域外部运输油耗成本为:
计算区域内部运输油耗成本为:
建立目标函数为:
约束条件为:
xi≤min[ni,ceiling(W/mi)] (12)
xi∈N(13)
进行求解,得到第二次运输成本。
可选的,步骤6中,比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输,具体为:
比较第一运输成本及第二运输成本,若第一运输成本及第二运输成本相同,则选择第一车辆规划模型的规划方案,否则选取第二车辆规划模型的规划方案。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的物流运输规划方法,该方法包括获取所有需要运输的货物重量、起始点及终止点,获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗,基于起始点及终止点进行区域规划,搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本,搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本,比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输,能够降低单次运行的物流成本,降低运输成本,便于使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供给的物流运输规划方法流程示意图。
具体实施方式
本发明的目的是提供一种物流运输规划方法,能够实现单次运输成本最低的物流运输规划,降低了物流成本,便于使用。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供的物流运输规划方法,包括如下步骤:
步骤1:获取所有需要运输的货物重量、起始点及终止点;
步骤2:获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗;
步骤3:基于起始点及终止点进行区域规划;
步骤4:搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本;
步骤5:搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本;
步骤6:比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输。
步骤1中,获取所有需要运输的货物重量、起始点及终止点,具体为:
获取运输需求订单,根据运输需求订单获取需求订单所有的起始点,根据需求订单获取与每个起始点相对应的所有终止点,根据需求订单获取每个起始点与相对应的终止点之间需要运输的货物重量。
步骤2中,获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗,具体为:
获取每个起始点对应的车辆车型,其中车辆车型有r种,获取每种车型的数量为{n1,n2,n3,...,nr},每种车型对应的额定装载量{m1,m2,m3,...,mr}及最高装载率为{q1,q2,q3,...,qr},获取每种车型对应的车公里油耗{c1,c2,c3,...,cr}。
步骤3中,基于起始点及终止点进行区域规划,具体为:
获取所有的起始点以及与起始点相对应的所有终止点,以每个起始点为中心,通过K-menas聚类算法对起始点对应的终止点进行区域划分,得到多个区域,其中,每个区域的内部均包括一个或多个终止点,此处对K-menas聚类算法进行介绍,K-means算法是无监督的一种聚类算法,其目的是对大量未标注数据根据内在的相似性将其划分为多个类别,又使类别内的数据的相似度较大,但是类别间的数据相似度较小,使用K-means算法时,内在的相似性常用距离或者相似度来衡量,比如最简单的余弦相似度、杰卡德相似系数、皮尔逊相关系数、K-L距离、Hellnger距离等。
步骤4中,搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本,具体为:
对于每个起始点到与其对应的每个区域,以最优装载率为目标函数的第一车辆规划模型,目标函数为:
约束条件为:
xi∈N(4)
式中,W为起始点到每个区域的配送货物总量,fmax为最优装载率,ceiling(W/mi)为起始点到每个区域的配送货物总量中采用单一车型配送时所需的最少车辆数,公式(2)代表所选车型的组合结果的装载总重量减去配送货物总量W的差值不大于仓库中心可供最小车型的最高装载量mminqmin,且大于0,此时,目标函数存在实际意义;
通过整数规划方法对目标函数进行求解,得到最优车辆组合方案{x1,x2,x3,...,xr},最优装载率fmax;
获取起始点到对应的区域的边界距离L1以及从区域的边界到区域内部各个终止点的距离L2,计算第一运输成本为:
式中,为区域外部运输油耗成本,/>为区域内部运输油耗成本,L′为区域内部总行驶距离,k为区域内部终止点的数量,n表示需要配送的终止点的数量。
步骤5中,搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本,具体为:
以物流成本为目标函数的第二车辆规划模型,计算区域外部运输油耗成本为:
计算区域内部运输油耗成本为:
建立目标函数为:
约束条件为:
xi≤min[ni,ceiling(W/mi)] (12)
xi∈N(13)
进行求解,得到第二次运输成本,f根据经验设定取值范围,大约在0.82-0.85之间,mmaxqmax表示车型最高装载量,公式(11)表示此次装载总量减去配送货物总量W的差值不大于最高装载量,并且大于0,这样目标函数才有实际意义,公式(12)表示约束可选车型的数量可用上限。
其中,起始点到对应的区域的边界距离L1可通过常见的地图APP进行获取;而从区域的边界到区域内部各个终止点的距离L2则需要首先计算区域内部总行驶距离L′以及区域内部终止点的数量k,进而计算区域内平均配送距离d,最终计算从区域的边界到区域内部各个终止点的距离L2,通过TSP距离估算方法对每个区域进行计算;
步骤6中,比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输,具体为:
比较第一运输成本及第二运输成本,若第一运输成本及第二运输成本相同,则选择第一车辆规划模型的规划方案,否则选取第二车辆规划模型的规划方案。
本发明提供的物流运输规划方法,该方法包括获取所有需要运输的货物重量、起始点及终止点,获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗,基于起始点及终止点进行区域规划,搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本,搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本,比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输,能够降低单次运行的物流成本,降低运输成本,便于使用。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,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。
Claims (7)
1.一种物流运输规划方法,其特征在于,包括如下步骤:
步骤1:获取所有需要运输的货物重量、起始点及终止点;
步骤2:获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗;
步骤3:基于起始点及终止点进行区域规划;
步骤4:搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本;
步骤5:搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本;
步骤6:比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输。
2.根据权利要求1所述的物流运输规划方法,其特征在于,步骤1中,获取所有需要运输的货物重量、起始点及终止点,具体为:
获取运输需求订单,根据运输需求订单获取需求订单所有的起始点,根据需求订单获取与每个起始点相对应的所有终止点,根据需求订单获取每个起始点与相对应的终止点之间需要运输的货物重量。
3.根据权利要求2所述的物流运输规划方法,其特征在于,步骤2中,获取每个起始点对应的车辆车型、每个车型的最高装载率及每个车型对应的车公里油耗,具体为:
获取每个起始点对应的车辆车型,其中车辆车型有r种,获取每种车型的数量为{n1,n2,n3,...,nr},每种车型对应的额定装载量{m1,m2,m3,...,mr}及最高装载率为{q1,q2,q3,...,qr},获取每种车型对应的车公里油耗{c1,c2,c3,...,cr}。
4.根据权利要求3所述的物流运输规划方法,其特征在于,步骤3中,基于起始点及终止点进行区域规划,具体为:
获取所有的起始点以及与起始点相对应的所有终止点,以每个起始点为中心,通过K-menas聚类算法对起始点对应的终止点进行区域划分,得到多个区域,其中,每个区域的内部均包括一个或多个终止点。
5.根据权利要求4所述的物流运输规划方法,其特征在于,步骤4中,搭建以最优装载率为目标函数的第一车辆规划模型,计算第一运输成本,具体为:
对于每个起始点到与其对应的每个区域,以最优装载率为目标函数的第一车辆规划模型,目标函数为:
约束条件为:
xi∈N(4)式中,W为起始点到每个区域的配送货物总量,fmax为最优装载率,ceiling(W/mi)为起始点到每个区域的配送货物总量中采用单一车型配送时所需的最少车辆数;
通过整数规划方法对目标函数进行求解,得到最优车辆组合方案{x1,x2,x3,...,xr},最优装载率fmax;
获取起始点到对应的区域的边界距离L1以及从区域的边界到区域内部各个终止点的距离L2,计算第一运输成本为:
式中,为区域外部运输油耗成本,/>为区域内部运输油耗成本,L′为区域内部总行驶距离,k为区域内部终止点的数量。
6.根据权利要求5所述的物流运输规划方法,其特征在于,步骤5中,搭建以物流成本为目标函数的第二车辆规划模型,计算第二运输成本,具体为:
以物流成本为目标函数的第二车辆规划模型,计算区域外部运输油耗成本为:
计算区域内部运输油耗成本为:
建立目标函数为:
约束条件为:
xi≤min[ni,ceiling(W/mi)] (12)
xi∈N (13)
进行求解,得到第二次运输成本。
7.根据权利要求6所述的物流运输规划方法,其特征在于,步骤6中,比较第一运输成本及第二运输成本,选择运输成本小的车辆规划进行物流运输,具体为:
比较第一运输成本及第二运输成本,若第一运输成本及第二运输成本相同,则选择第一车辆规划模型的规划方案,否则选取第二车辆规划模型的规划方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917635.7A CN116911711B (zh) | 2023-07-25 | 2023-07-25 | 一种物流运输规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917635.7A CN116911711B (zh) | 2023-07-25 | 2023-07-25 | 一种物流运输规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911711A true CN116911711A (zh) | 2023-10-20 |
CN116911711B CN116911711B (zh) | 2024-04-05 |
Family
ID=88362733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310917635.7A Active CN116911711B (zh) | 2023-07-25 | 2023-07-25 | 一种物流运输规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911711B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2000242890A1 (en) * | 2000-03-15 | 2001-12-06 | Infosim Informationstechnik Gmbh | Method and system for communication of data via an optimum data path in a network |
JP2004010252A (ja) * | 2002-06-06 | 2004-01-15 | Cleanup Corp | 配車運行計画管理システムおよび方法 |
JP2004326711A (ja) * | 2003-04-30 | 2004-11-18 | Hitachi Eng Co Ltd | 配車計画立案方法および装置 |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN109361725A (zh) * | 2018-08-14 | 2019-02-19 | 西安电子科技大学 | 基于多目标遗传算法的车联网云系统资源分配方法 |
CN110293851A (zh) * | 2019-07-05 | 2019-10-01 | 大连理工大学 | 构建车辆最优力矩分配算法目标函数的方法 |
CN110490476A (zh) * | 2019-08-23 | 2019-11-22 | 湖南科技大学 | 一种估算行驶路径的物流车辆规划方法 |
CN111768149A (zh) * | 2020-06-23 | 2020-10-13 | 华院数据技术(上海)有限公司 | 一种快递物流网络规划优化方法及系统 |
CN113673764A (zh) * | 2021-08-20 | 2021-11-19 | 国网浙江省电力有限公司信息通信分公司 | 一种订单配送方法、装置、电子设备及存储介质 |
CN114493036A (zh) * | 2022-02-15 | 2022-05-13 | 深圳佳利达供应链管理有限公司 | 一种多车型的物流运输规划方法 |
CN114529241A (zh) * | 2022-02-23 | 2022-05-24 | 上海优巽供应链科技有限公司 | 一种基于运筹学理论的公路零担货运物流路径规划算法 |
CN114580750A (zh) * | 2022-03-07 | 2022-06-03 | 南京邮电大学 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
CN114596029A (zh) * | 2022-03-07 | 2022-06-07 | 广汽丰田汽车有限公司 | 物流规划方法、物流规划系统及计算机可读存储介质 |
CN114781706A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
CN115070774A (zh) * | 2022-07-26 | 2022-09-20 | 重庆工程职业技术学院 | 一种基于中值神经网络的工业机器人故障模式识别方法 |
CN115115300A (zh) * | 2022-05-27 | 2022-09-27 | 浙江西图盟数字科技有限公司 | 一种考虑三维装箱的循环取货路径规划方法 |
CN115545312A (zh) * | 2022-10-11 | 2022-12-30 | 一汽物流有限公司 | 基于不同干线运输类型的汽车零部件物流三维装载方法 |
CN115829451A (zh) * | 2021-09-16 | 2023-03-21 | 顺丰科技有限公司 | 物流路径规划方法、装置、计算机设备和存储介质 |
CN116402782A (zh) * | 2023-03-31 | 2023-07-07 | 重庆工程职业技术学院 | 一种道路安全隐患的检测方法、系统及可存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1264443B1 (en) * | 2000-03-15 | 2004-12-22 | Infosim Informationstechnik GmbH | Method and system for communication of data via an optimum data path in a network |
-
2023
- 2023-07-25 CN CN202310917635.7A patent/CN116911711B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2000242890A1 (en) * | 2000-03-15 | 2001-12-06 | Infosim Informationstechnik Gmbh | Method and system for communication of data via an optimum data path in a network |
JP2004010252A (ja) * | 2002-06-06 | 2004-01-15 | Cleanup Corp | 配車運行計画管理システムおよび方法 |
JP2004326711A (ja) * | 2003-04-30 | 2004-11-18 | Hitachi Eng Co Ltd | 配車計画立案方法および装置 |
CN107145971A (zh) * | 2017-04-18 | 2017-09-08 | 苏州工业职业技术学院 | 一种动态调整的快递配送优化方法 |
CN109361725A (zh) * | 2018-08-14 | 2019-02-19 | 西安电子科技大学 | 基于多目标遗传算法的车联网云系统资源分配方法 |
CN110293851A (zh) * | 2019-07-05 | 2019-10-01 | 大连理工大学 | 构建车辆最优力矩分配算法目标函数的方法 |
CN110490476A (zh) * | 2019-08-23 | 2019-11-22 | 湖南科技大学 | 一种估算行驶路径的物流车辆规划方法 |
CN111768149A (zh) * | 2020-06-23 | 2020-10-13 | 华院数据技术(上海)有限公司 | 一种快递物流网络规划优化方法及系统 |
CN113673764A (zh) * | 2021-08-20 | 2021-11-19 | 国网浙江省电力有限公司信息通信分公司 | 一种订单配送方法、装置、电子设备及存储介质 |
CN115829451A (zh) * | 2021-09-16 | 2023-03-21 | 顺丰科技有限公司 | 物流路径规划方法、装置、计算机设备和存储介质 |
CN114493036A (zh) * | 2022-02-15 | 2022-05-13 | 深圳佳利达供应链管理有限公司 | 一种多车型的物流运输规划方法 |
CN114529241A (zh) * | 2022-02-23 | 2022-05-24 | 上海优巽供应链科技有限公司 | 一种基于运筹学理论的公路零担货运物流路径规划算法 |
CN114580750A (zh) * | 2022-03-07 | 2022-06-03 | 南京邮电大学 | 一种改进的区域车辆路径规划动态分析模型的分析方法 |
CN114596029A (zh) * | 2022-03-07 | 2022-06-07 | 广汽丰田汽车有限公司 | 物流规划方法、物流规划系统及计算机可读存储介质 |
CN114781706A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 物流车辆配送调度方法、车辆、电子设备及存储介质 |
CN115115300A (zh) * | 2022-05-27 | 2022-09-27 | 浙江西图盟数字科技有限公司 | 一种考虑三维装箱的循环取货路径规划方法 |
CN115070774A (zh) * | 2022-07-26 | 2022-09-20 | 重庆工程职业技术学院 | 一种基于中值神经网络的工业机器人故障模式识别方法 |
CN115545312A (zh) * | 2022-10-11 | 2022-12-30 | 一汽物流有限公司 | 基于不同干线运输类型的汽车零部件物流三维装载方法 |
CN116402782A (zh) * | 2023-03-31 | 2023-07-07 | 重庆工程职业技术学院 | 一种道路安全隐患的检测方法、系统及可存储介质 |
Non-Patent Citations (2)
Title |
---|
吕树红等: "车辆路径问题的一种遗传算法求解方法", 《计算机应用》, vol. 25, no. 12, 30 December 2005 (2005-12-30), pages 314 - 318 * |
王兆锐等: "基于车公里成本的多车型车辆规划方法", 《物流技术》, vol. 38, no. 01, 25 January 2019 (2019-01-25), pages 82 - 87 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911711B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022262469A1 (zh) | 一种基于博弈论的工业园区物流调度方法及系统 | |
Hartl et al. | Special issue on rich vehicle routing problems | |
CN108416559A (zh) | 一种货运平台车主收益最大化智能拼车匹配方法 | |
CN116402309B (zh) | 港口集疏运车辆调度匹配方法及系统 | |
CN116911711B (zh) | 一种物流运输规划方法 | |
CN114493036B (zh) | 一种多车型的物流运输规划方法 | |
CN115186930A (zh) | 一种不确定取货需求下带多时间窗的同时取送货车辆路径问题规划方法及系统 | |
CN117196457A (zh) | 一种基于互联网的物流运输路径规划方法 | |
CN110210666B (zh) | 基于车货匹配的智能推荐方法、系统和存储介质 | |
CN114444809A (zh) | 一种数据驱动下的多目标露天矿卡路径优化方法 | |
CN112801336A (zh) | 一种组合拼载的货运调控方法 | |
CN113610453A (zh) | 一种多运输方式联合的集装箱运输路径选择方法 | |
Kozachenko et al. | Resource-saving technologies of railway transportation of grain freights for export | |
CN108921326A (zh) | 一种基于相似度学习的智能文化基因物流配送方法 | |
CN116308016A (zh) | 一种基于物联网的厢式车物流控制方法 | |
CN116579513A (zh) | 基于改进鲸鱼优化算法的物资配送路径优化方法和系统 | |
JP2008168966A (ja) | 運搬ルート生成装置、運搬ルート生成方法及び物流ネットワーク最適化装置 | |
CN115751169A (zh) | 运氢车辆智能调度方法及装置 | |
CN115526492A (zh) | 一种多车型网络甩挂运输调度的优化方法 | |
EP3861287B1 (en) | A method for operating a vehicle | |
CN115310676A (zh) | 一种时变路网下的路径优化方法、装置及存储介质 | |
CN102314648A (zh) | 货车运输路径的优化方法 | |
CN116957449B (zh) | 一种基于人工智能的生鲜供应链应急调度系统 | |
CN112418552B (zh) | 基于调度要求对货单与承运车辆进行优化调度的工作方法 | |
CN116502975B (zh) | 一种基于冷链运输场景的门店服务时长预估方法 |
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 |