CN116911711A - 一种物流运输规划方法 - Google Patents

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

一种物流运输规划方法

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,...,n_r}，每种车型对应的额定装载量{m₁,m₂,m₃,...,m_r}及最高装载率为{q₁,q₂,q₃,...,q_r}，获取每种车型对应的车公里油耗{c₁,c₂,c₃,...,c_r}。

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：

x_i∈N(4)

式中，W为起始点到每个区域的配送货物总量，f_max为最优装载率，ceiling(W/m_i)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,...,x_r}，最优装载率f_max；

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：

x_i≤min[n_i,ceiling(W/m_i)] (12)

x_i∈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,...,n_r}，每种车型对应的额定装载量{m₁,m₂,m₃,...,m_r}及最高装载率为{q₁,q₂,q₃,...,q_r}，获取每种车型对应的车公里油耗{c₁,c₂,c₃,...,c_r}。

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：

x_i∈N(4)

式中，W为起始点到每个区域的配送货物总量，f_max为最优装载率，ceiling(W/m_i)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m_minq_min，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,...,x_r}，最优装载率f_max；

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：

x_i≤min[n_i,ceiling(W/m_i)] (12)

x_i∈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，m_maxq_max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,...,n_r}，每种车型对应的额定装载量{m₁,m₂,m₃,...,m_r}及最高装载率为{q₁,q₂,q₃,...,q_r}，获取每种车型对应的车公里油耗{c₁,c₂,c₃,...,c_r}。

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：

x_i∈N(4)式中，W为起始点到每个区域的配送货物总量，f_max为最优装载率，ceiling(W/m_i)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,...,x_r}，最优装载率f_max；

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：

x_i≤min[n_i,ceiling(W/m_i)] (12)

x_i∈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。