CN117252509A - 基于商品库存压力的水运排船方法及装置 - Google Patents
基于商品库存压力的水运排船方法及装置 Download PDFInfo
- Publication number
- CN117252509A CN117252509A CN202311107827.8A CN202311107827A CN117252509A CN 117252509 A CN117252509 A CN 117252509A CN 202311107827 A CN202311107827 A CN 202311107827A CN 117252509 A CN117252509 A CN 117252509A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- target
- shipping
- ship
- downstream
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 138
- 238000002922 simulated annealing Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims description 48
- 238000003860 storage Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 4
- 230000032258 transport Effects 0.000 abstract description 38
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于商品库存压力的水运排船方法及装置，涉及计算机技术领域，方法包括：获取目标数据，目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、上游仓库与下游仓库之间船舶的运输成本；基于目标数据，构建运输目标模型；基于运输目标模型，采用模拟退火算法确定水运排船计划；水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品，实现水运排船计划的确定，提升了水路运输商品的效率。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于商品库存压力的水运排船方法及装置。
背景技术
水路运输是商品运输的重要途径之一，主要解决商品供应问题，相比传统铁路运输和公路运输，水路运输具有运费低和覆盖面广的优势。如何使用最少的航次完成整个周期的运输任务，是提高利润的重要途径。海运公司作为承运商会受委托方货源限制，首先商品的生产需要经过一系列工序，船舶空闲时上游仓库并不一定会有充足的货源提供；其次下游仓库是否有足够的空间存放，如果商品装船发往下游仓库卸不下时，重船的使用成本是很高的；最后船舶与上下游港口是否匹配，即船在上下游港口需要都能停靠，这里主要考虑，船舶与港口泊位的运输量与最大吨位、船舶与泊位的吃水深度、船舶长度与泊位长度等。
相关技术中，只考虑了船舶属性与泊位属性、以及船舶的作业能力，即只考虑到船与泊位的匹配关系，而缺乏对上下游可发量和空容的考虑，缺乏对发运节奏的思考，导致水路运输商品的效率较低。
发明内容
本发明提供一种基于商品库存压力的水运排船方法及装置，用以解决现有技术中水路运输商品的效率较低的问题。
本发明提供一种基于商品库存压力的水运排船方法，包括：
获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；
基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；
基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
根据本发明提供的一种基于商品库存压力的水运排船方法，所述基于所述运输目标模型，采用模拟退火算法确定水运排船计划，包括：
步骤A：初始化所述模拟退火算法的参数；所述参数包括初始温度、降温系数、终止温度和最大迭代次数；
步骤B：基于所述运输目标模型，初始化所述运输目标模型的初始发运量；所述初始发运量是基于所述优化周期内商品的计划量、各所述港口、各所述泊位和各所述船舶确定的；
步骤C：基于所述初始发运量，确定所述运输目标模型对应的目标发运量；
步骤D：在当前迭代次数不满足所述最大迭代次数的情况下，基于所述目标发运量，更新所述初始发运量得到新的初始发运量，并迭代执行步骤A-步骤D，直至当前迭代次数满足所述最大迭代次数，基于最终得到的目标发运量，确定所述水运排船计划。
根据本发明提供的一种基于商品库存压力的水运排船方法，所述基于所述初始发运量，确定所述运输目标模型对应的目标发运量，包括：
设置马尔科夫链的长度，对所述初始发运量增加符合正态分布的随机扰动，得到第一发运量；
将所述第一发运量输入所述运输目标模型，得到所述运输目标模型对应的目标发运量。
根据本发明提供的一种基于商品库存压力的水运排船方法，所述基于所述目标发运量，更新所述初始发运量得到新的初始发运量，包括：
将所述目标发运量和所述初始发运量进行比较；
在所述目标发运量大于所述初始发运量的情况下，基于预设概率将所述目标发运量作为新的初始发运量；
在所述目标发运量不大于所述初始发运量的情况下，将所述目标发运量替换当前迭代次数对应的初始发运量，得到新的初始发运量。
根据本发明提供的一种基于商品库存压力的水运排船方法，所述基于所述目标数据，构建运输目标模型，包括：
基于所述目标数据，采用公式(1)构建所述运输目标模型；
其中，λ表示运费系数，us表示上游仓库集合，ds表示下游仓库集合，goods表示商品集合，ship表示船舶集合，port表示港口集合，berth表示泊位集合，days表示优化周期的总天数，i表示第i个上游仓库，j表示第j个下游仓库，k表示第k个类别的商品，cij表示第i个上游仓库与第j个下游仓库之间任一船舶的运输成本，upik表示第i个上游仓库生产第k个类别的商品的计划量，dpjk表示第j个下游仓库消耗第k个类别的商品的亏损量，rdijkspbd表示第s个船舶在第d天从第i个上游仓库的第p个港口往第j个下游仓库的第b个泊位运输第k个类别的商品的发运量，rdij表示从第i个上游仓库往第j个下游仓库运输商品的发运量。
根据本发明提供的一种基于商品库存压力的水运排船方法，所述运输目标模型的约束条件包括以下至少一项：
所述上游仓库的发运量小于发运当天任一类别的商品的商品库存与所述上游仓库的商品库存下限之间的差值；
所述下游仓库的发运量小于所述下游仓库的商品库存上限与发运当天商品库存任一类别的商品的商品库存之间的差值；
所述船舶的长度小于或等于所述泊位的长度；
所述船舶的吃水深度小于所述泊位的深度；
所述船舶的发运量小于或等于所述船舶的载重上限，且所述船舶的发运量大于或等于所述船舶的满载量；
所述上游仓库在所述优化周期内的总发运量小于所述上游仓库在所述优化周期内的计划量；
所述下游仓库在所述优化周期内的总发运量小于所述下游仓库在所述优化周期内的亏损量。
根据本发明提供的一种基于商品库存压力的水运排船方法，所述上游仓库与所述上游港口、所述上游港口和泊位之间存在对应关系，所述下游仓库与所述下游港口、所述下游港口和泊位之间存在对应关系。
本发明还提供一种基于商品库存压力的水运排船装置，包括：
获取模块，用于获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；
构建模块，用于基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；
确定模块，用于基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
本发明还提供一种电子设备，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程序时实现如上述任一种所述基于商品库存压力的水运排船方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于商品库存压力的水运排船方法。
本发明提供的基于商品库存压力的水运排船方法及装置，通过获取目标数据，目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、上游仓库与下游仓库之间船舶的运输成本；基于目标数据，构建运输目标模型；运输目标模型用于表示优化周期内商品的计划完成率最大、商品库存压力数据最小及船舶的运输成本最低；基于运输目标模型，采用模拟退火算法确定水运排船计划；水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。通过目标数据构建运输目标模型，进而采用模拟退火算法实现水运排船计划的确定，提升了水路运输商品的效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于商品库存压力的水运排船方法的流程示意图之一；
图2是本发明提供的上游仓库的商品库存压力数据示意图；
图3是本发明提供的下游仓库的商品库存亏损数据示意图；
图4是本发明提供的仓库、港口和泊位之间的对应关系示意图；
图5是本发明提供的基于商品库存压力的水运排船方法的流程示意图之二；
图6是本发明提供的基于商品库存压力的水运排船装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图5描述本发明的基于商品库存压力的水运排船方法。
图1是本发明提供的基于商品库存压力的水运排船方法的流程示意图之一，如图1所示，方法包括步骤101-步骤103；其中，
步骤101，获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本。
需要说明的是，本发明提供的基于商品库存压力的水运排船方法适用于船舶动态调度的场景中，该方法的执行主体可以为基于商品库存压力的水运排船装置，例如电子设备、或者该基于商品库存压力的水运排船装置中的用于执行基于商品库存压力的水运排船方法的控制模块。例如，电子设备可以为智能手机、智能手表、台式电脑、手提电脑等任何一种。
具体地，商品是可以使用船舶运输的任一类别的货物，商品包括但不限于以下任一项：食品、服饰、工具、电子产品。上游仓库为商品生产厂地对应的仓库，上游仓库的商品库存压力数据是基于上游仓库生产的各类别的商品的商品库存上限、下限、期初商品库存以及生产计划确定的。如果商品生产厂地只生产而不输出，则在优化周期内的某一天一定会超出商品库存上限。图2是本发明提供的上游仓库的商品库存压力数据示意图，如图2所示，上游仓库的商品库存压力数据即为上游仓库的商品库存变化趋势。下游仓库为地区仓库，例如省市仓库。下游仓库从上游仓库收取商品并付给需求方，下游仓库起到一个中转的作用；其中，需求方可以为销售方，也可以为其他需要商品的一方，下游仓库的商品库存亏损数据是基于下游仓库生产的各类别的商品的商品库存上限、下限、期初商品库存以及需求方的需求计划确定的。图3是本发明提供的下游仓库的商品库存亏损数据示意图，如图3所示，下游仓库的商品库存亏损数据即为下游仓库的商品库存变化趋势。
船舶的属性信息包括基础数据、动态数据和航行时间，其中，基础数据包括载重吨、船舶的长度、吃水深度；动态数据包括船舶当前的位置，分为锚地、作业、下行和上行中的位置；其中，锚地表示为停靠在某个港口的锚地，可以理解为港口“停车场”，处于空闲状态；作业表示为船舶在泊位上装载商品或者卸掉商品；下行表示为装满商品正在往下游运输的途中，下行也称重船。上游仓库与下游仓库之间船舶的运输成本表示费率，运输每吨商品按照多少元计费，简称单位运费(元/吨)。上游港口的泊位信息表示上游港口对应的泊位数量和具体的泊位；下游港口的泊位信息表示下游港口对应的泊位数量和具体的泊位。
可选地，所述上游仓库与所述上游港口、所述上游港口和泊位之间存在对应关系，所述下游仓库与所述下游港口、所述下游港口和泊位之间存在对应关系。
具体地，上游仓库与上游港口之间存在多对一或者一对一的对应关系，上游港口和泊位之间存在一对多或者一对一的对应关系，下游仓库与下游港口之间存在多对一或者一对一的对应关系，下游港口和泊位之间存在一对多或者一对一的对应关系。图4是本发明提供的仓库、港口和泊位之间的对应关系示意图，如图4所示，仓库与港口之间存在多对一或者一对一的对应关系，港口和泊位之间存在一对多的对应关系。
步骤102，基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低。
具体地，优化周期为根据实际情况预先阈值的周期，例如，优化周期为30天。计划完成率表示上游仓库计划向下游仓库运输商品的实际完成量与计划完成量之间的比值。根据目标数据，可以构建运输目标模型，运输目标模型用于表示优化周期内商品的计划完成率最大、商品库存压力数据最小及船舶的运输成本最低。
步骤103，基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
具体地，基于运输目标模型，采用模拟退火算法迭代优化运输目标模型的参数，从而确定水运排船计划，水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品，达到商品的计划完成率最大、商品库存压力数据最小及船舶的运输成本最低的目标。
本发明提供的基于商品库存压力的水运排船方法，通过获取目标数据，目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、上游仓库与下游仓库之间船舶的运输成本；基于目标数据，构建运输目标模型；运输目标模型用于表示优化周期内商品的计划完成率最大、商品库存压力数据最小及船舶的运输成本最低；基于运输目标模型，采用模拟退火算法确定水运排船计划；水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。通过目标数据构建运输目标模型，进而采用模拟退火算法实现水运排船计划的确定，提升了水路运输商品的效率。
可选地，上述步骤102的具体实现方式包括：
基于所述目标数据，采用公式(1)构建所述运输目标模型；
其中，λ表示运费系数，us表示上游仓库集合，ds表示下游仓库集合，goods表示商品集合，ship表示船舶集合，port表示港口集合，berth表示泊位集合，days表示优化周期的总天数，i表示第i个上游仓库，j表示第j个下游仓库，k表示第k个类别的商品，cij表示第i个上游仓库与第j个下游仓库之间任一船舶的运输成本，upik表示第i个上游仓库生产第k个类别的商品的计划量，dpjk表示第j个下游仓库消耗第k个类别的商品的亏损量，rdijkspbd表示第s个船舶在第d天从第i个上游仓库的第p个港口往第j个下游仓库的第b个泊位运输第k个类别的商品的发运量，rdij表示从第i个上游仓库往第j个下游仓库运输商品的发运量。
可选地，所述运输目标模型的约束条件包括以下至少一项：
(1)所述上游仓库的发运量小于发运当天任一类别的商品的商品库存与所述上游仓库的商品库存下限之间的差值。
具体地，上游仓库的发运量在可运发的范围内，即上游仓库的发运量小于发运当天任一类别的商品的商品库存与上游仓库的商品库存下限之间的差值，usti,d-usdi,d＞rdi,d，其中，usti,d表示第i个上游仓库在第d天的任一类别的商品的商品库存，与上游仓库、类别和日期相关；usdi,d表示第i个上游仓库在第d天的商品库存下限，与上游仓库和类别有关；rdi,d表示第i个上游仓库在第d天的发运量，与上游仓库、下游仓库、类别、船舶、发港、到港、发港泊位和到港泊位有关。
(2)所述下游仓库的发运量小于所述下游仓库的商品库存上限与发运当天商品库存任一类别的商品的商品库存之间的差值。
具体地，下游仓库的发运量在可运发的范围内(下游仓库的接收量在可接收的范围内)，即下游仓库的发运量小于下游仓库的商品库存上限与发运当天商品库存任一类别的商品的商品库存之间的差值，dsuj,d-dstj,d＞rdj,d，其中，dsuj,d表示第j个下游仓库在第d天的商品库存上限，与下游仓库和类别有关；dstj,d表示第j个下游仓库在第d天商品库存任一类别的商品的商品库存，与下游仓库、类别和日期有关；rdj,d表示第j个下游仓库在第d天的发运量，与上游仓库、下游仓库、类别、船舶、发港、到港、发港泊位和到港泊位有关。
(3)所述船舶的长度小于或等于所述泊位的长度。具体地，lb≥ls，其中，lb表示泊位b的长度，ls表示船舶s的长度。
(4)所述船舶的吃水深度小于所述泊位的深度。具体地，drab≥dras，其中，drab表示泊位b的深度，dras表示船舶s的吃水深度。
(5)所述船舶的发运量小于或等于所述船舶的载重上限，且所述船舶的发运量大于或等于所述船舶的满载量。
具体地，mls≥rds≥lr*mls，其中，rds表示船舶s的发运量，mls表示船舶s的载重上限，lr*mls表示船舶s的满载量，lr表示船舶s的满载率。
(6)所述上游仓库在所述优化周期内的总发运量小于所述上游仓库在所述优化周期内的计划量。
具体地，其中，upi,k表示第i个上游仓库在优化周期内对k个类别的商品的计划量，与上游仓库和类别相关；/>表示第i个上游仓库在优化周期内的总发运量，rddik表示第i个上游仓库在第d天对第k个类别的商品的发运量，与上游仓库、下游仓库、类别、船舶、发港、到港、发港泊位和到港泊位有关。
(7)所述下游仓库在所述优化周期内的总发运量小于所述下游仓库在所述优化周期内的亏损量。
具体地，其中，dpj,k表示第j个下游仓库在优化周期内的亏损量，与下游仓库和类别相关；/>表示第j个下游仓库在优化周期内的总发运量，rddjk表示第j个下游仓库在第d天对第k个类别的商品的发运量，与上游仓库、下游仓库、类别、船舶、发港、到港、发港泊位和到港泊位有关。
可选地，上述步骤103的具体实现方式包括：
步骤A：初始化所述模拟退火算法的参数；所述参数包括初始温度、降温系数、终止温度和最大迭代次数。
具体地，初始化模拟退火算法的参数，参数包括初始温度T0、降温系数∝、终止温度Tn和最大迭代次数，最大迭代次数可以根据初始温度、降温系数和终止温度计算得到，也可以根据实际情况进行设置，例如，设置最大迭代次数为100。
步骤B：基于所述运输目标模型，初始化所述运输目标模型的初始发运量；所述初始发运量是基于所述优化周期内商品的计划量、各所述港口、各所述泊位和各所述船舶确定的。
具体地，运输目标模型的变量是发运量，因此，在第一降温时，给运输目标模型初始化一个初始发运量；其中，初始发运量是基于优化周期内商品的计划量、各港口、各泊位和各船舶确定的，例如，将优化周期内商品的计划量平均分配至各港口、各泊位和各船舶，得到初始发运量。
步骤C：基于所述初始发运量，确定所述运输目标模型对应的目标发运量。
具体地，根据初始发运量，可以进一步确定运输目标模型对应的目标发运量。
步骤D：在当前迭代次数不满足所述最大迭代次数的情况下，基于所述目标发运量，更新所述初始发运量得到新的初始发运量，并迭代执行步骤A-步骤D，直至当前迭代次数满足所述最大迭代次数，基于最终得到的目标发运量，确定所述水运排船计划。
具体地，判断当前迭代次数是否小于最大迭代次数，在当前迭代次数小于最大迭代次数的情况下，根据得到的目标发运量更新初始发运量，得到新的初始发运量，并迭代执行步骤A-步骤D，直至当前迭代次数不小于最大迭代次数，此时迭代优化过程结束，当前迭代次数得到的目标发运量即为商品的计划完成率最大、商品库存压力数据最小及船舶的运输成本最低，进而将目标发运量对应的排船计划确定为最终的水运排船计划。
可选地，所述基于所述初始发运量，确定所述运输目标模型对应的目标发运量，包括：
设置马尔科夫链的长度，对所述初始发运量增加符合正态分布的随机扰动，得到第一发运量；将所述第一发运量输入所述运输目标模型，得到所述运输目标模型对应的目标发运量。
具体地，预先设置马尔科夫链的长度，在得到初始发运量之后，对马尔科夫链上的初始发运量增加符合正态分布的随机扰动，得到第一发运量；再将第一发运量输入运输目标模型，可以得到运输目标模型对应的目标发运量。
可选地，所述基于所述目标发运量，更新所述初始发运量得到新的初始发运量，包括：
将所述目标发运量和所述初始发运量进行比较；在所述目标发运量大于所述初始发运量的情况下，基于预设概率将所述目标发运量作为新的初始发运量；在所述目标发运量不大于所述初始发运量的情况下，将所述目标发运量替换当前迭代次数对应的初始发运量，得到新的初始发运量。
具体地，在每一次迭代的过程中，根据得到运输目标模型对应的目标发运量，将目标发运量和初始发运量进行比较，在目标发运量大于初始发运量的情况下，根据Metropolis准则基于预设概率将目标发运量作为新的初始发运量，预设概率表示为exp(-ΔT/T)，其中，ΔT表示目标发运量与初始发运量之间的差值，T表示当前迭代次数的温度；在目标发运量不大于初始发运量的情况下，说明目标发运量对应的运输目标模型最优，此时将目标发运量替换当前迭代次数对应的初始发运量，得到新的初始发运量。
图5是本发明提供的基于商品库存压力的水运排船方法的流程示意图之二，如图5所示，方法步骤501-步骤511；其中，
步骤501，获取目标数据，目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本。
步骤502，基于目标数据，构建运输目标模型。
步骤503，初始化模拟退火算法的参数；参数包括初始温度、降温系数、终止温度和最大迭代次数。
步骤504，初始化运输目标模型的初始发运量，初始发运量是基于优化周期内商品的计划量、各港口、各泊位和各船舶确定的。
步骤505，设置马尔科夫链的长度，对初始发运量增加符合正态分布的随机扰动，得到第一发运量。
步骤506，将第一发运量输入运输目标模型，得到运输目标模型对应的目标发运量。
步骤507，判断当前迭代次数是否小于最大迭代次数。在当前迭代次数不小于最大迭代次数的情况下，转至步骤508；在当前迭代次数小于最大迭代次数的情况下，转至步骤511。
步骤508，判断目标发运量是否大于初始发运量。在目标发运量大于初始发运量的情况下，转至步骤509；在目标发运量不大于初始发运量的情况下，转至步骤510；
步骤509，基于预设概率将目标发运量作为新的初始发运量。
步骤510，将目标发运量替换当前迭代次数对应的初始发运量，得到新的初始发运量。
步骤511，基于最终得到的目标发运量，确定水运排船计划。
本发明提供的基于商品库存压力的水运排船方法，采用模拟退火算法对运输目标模型的变量进行迭代优化，最终得到水运排船计划，能够输出发运节奏，给出完整的水运计划，而且能够得到水运排船计划中的时间节点，在排船过程中极大降低了人为因素，考虑了商品库存成本、计划完成率和运输成本等综合因素，提升了水路运输商品的效率。
下面对本发明提供的基于商品库存压力的水运排船装置进行描述，下文描述的基于商品库存压力的水运排船装置与上文描述的基于商品库存压力的水运排船方法可相互对应参照。
图6是本发明提供的基于商品库存压力的水运排船装置的结构示意图，如图6所示，基于商品库存压力的水运排船装置600包括：获取模块601、构建模块602和确定模块603；其中，
获取模块601，用于获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；
构建模块602，用于基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；
确定模块603，用于基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
本发明提供的基于商品库存压力的水运排船装置，通过获取目标数据，目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、上游仓库与下游仓库之间船舶的运输成本；基于目标数据，构建运输目标模型；运输目标模型用于表示优化周期内商品的计划完成率最大、商品库存压力数据最小及船舶的运输成本最低；基于运输目标模型，采用模拟退火算法确定水运排船计划；水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。通过目标数据构建运输目标模型，进而采用模拟退火算法实现水运排船计划的确定，提升了水路运输商品的效率。
可选地，所述确定模块603，具体用于：
步骤A：初始化所述模拟退火算法的参数；所述参数包括初始温度、降温系数、终止温度和最大迭代次数；
步骤B：基于所述运输目标模型，初始化所述运输目标模型的初始发运量；所述初始发运量是基于所述优化周期内商品的计划量、各所述港口、各所述泊位和各所述船舶确定的；
步骤C：基于所述初始发运量，确定所述运输目标模型对应的目标发运量；
步骤D：在迭代次数不满足所述最大迭代次数的情况下，基于所述目标发运量，更新所述初始发运量得到新的初始发运量，并迭代执行步骤A-步骤D，直至迭代次数满足所述最大迭代次数，基于最终得到的目标发运量，确定所述水运排船计划。
可选地，所述确定模块603，还用于：
设置马尔科夫链的长度，对所述初始发运量增加符合正态分布的随机扰动，得到第一发运量；
将所述第一发运量输入所述运输目标模型，得到所述运输目标模型对应的目标发运量。
可选地，所述确定模块603，还用于：
将所述目标发运量和所述初始发运量进行比较；
在所述目标发运量大于所述初始发运量的情况下，基于预设概率将所述目标发运量作为新的初始发运量；
在所述目标发运量不大于所述初始发运量的情况下，将所述目标发运量替换当前迭代次数对应的初始发运量，得到新的初始发运量。
可选地，所述构建模块602，具体用于：
基于所述目标数据，采用公式(1)构建所述运输目标模型；
其中，λ表示运费系数，us表示上游仓库集合，ds表示下游仓库集合，goods表示商品集合，ship表示船舶集合，port表示港口集合，berth表示泊位集合，days表示优化周期的总天数，i表示第i个上游仓库，j表示第j个下游仓库，k表示第k个类别的商品，cij表示第i个上游仓库与第j个下游仓库之间任一船舶的运输成本，upik表示第i个上游仓库生产第k个类别的商品的计划量，dpjk表示第j个下游仓库消耗第k个类别的商品的亏损量，rdijkspbd表示第s个船舶在第d天从第i个上游仓库的第p个港口往第j个下游仓库的第b个泊位运输第k个类别的商品的发运量，rdij表示从第i个上游仓库往第j个下游仓库运输商品的发运量。
可选地，所述运输目标模型的约束条件包括以下至少一项：
所述上游仓库的发运量小于发运当天任一类别的商品的商品库存与所述上游仓库的商品库存下限之间的差值；
所述下游仓库的发运量小于所述下游仓库的商品库存上限与发运当天商品库存任一类别的商品的商品库存之间的差值；
所述船舶的长度小于或等于所述泊位的长度；
所述船舶的吃水深度小于所述泊位的深度；
所述船舶的发运量小于或等于所述船舶的载重上限，且所述船舶的发运量大于或等于所述船舶的满载量；
所述上游仓库在所述优化周期内的总发运量小于所述上游仓库在所述优化周期内的计划量；
所述下游仓库在所述优化周期内的总发运量小于所述下游仓库在所述优化周期内的亏损量。
可选地，所述上游仓库与所述上游港口、所述上游港口和泊位之间存在对应关系，所述下游仓库与所述下游港口、所述下游港口和泊位之间存在对应关系。
图7是本发明提供的一种电子设备的实体结构示意图，如图7所示，该电子设备700可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于商品库存压力的水运排船方法，该方法包括：获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于商品库存压力的水运排船方法，该方法包括：获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于商品库存压力的水运排船方法，其特征在于，包括：
获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；
基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；
基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
2.根据权利要求1所述的基于商品库存压力的水运排船方法，其特征在于，所述基于所述运输目标模型，采用模拟退火算法确定水运排船计划，包括：
步骤A：初始化所述模拟退火算法的参数；所述参数包括初始温度、降温系数、终止温度和最大迭代次数；
步骤B：基于所述运输目标模型，初始化所述运输目标模型的初始发运量；所述初始发运量是基于所述优化周期内商品的计划量、各所述港口、各所述泊位和各所述船舶确定的；
步骤C：基于所述初始发运量，确定所述运输目标模型对应的目标发运量；
步骤D：在当前迭代次数不满足所述最大迭代次数的情况下，基于所述目标发运量，更新所述初始发运量得到新的初始发运量，并迭代执行步骤A-步骤D，直至当前迭代次数满足所述最大迭代次数，基于最终得到的目标发运量，确定所述水运排船计划。
3.根据权利要求2所述的基于商品库存压力的水运排船方法，其特征在于，所述基于所述初始发运量，确定所述运输目标模型对应的目标发运量，包括：
设置马尔科夫链的长度，对所述初始发运量增加符合正态分布的随机扰动，得到第一发运量；
将所述第一发运量输入所述运输目标模型，得到所述运输目标模型对应的目标发运量。
4.根据权利要求2所述的基于商品库存压力的水运排船方法，其特征在于，所述基于所述目标发运量，更新所述初始发运量得到新的初始发运量，包括：
将所述目标发运量和所述初始发运量进行比较；
在所述目标发运量大于所述初始发运量的情况下，基于预设概率将所述目标发运量作为新的初始发运量；
在所述目标发运量不大于所述初始发运量的情况下，将所述目标发运量替换当前迭代次数对应的初始发运量，得到新的初始发运量。
5.根据权利要求1-4任一项所述的基于商品库存压力的水运排船方法，其特征在于，所述基于所述目标数据，构建运输目标模型，包括：
基于所述目标数据，采用公式(1)构建所述运输目标模型；
其中，λ表示运费系数，us表示上游仓库集合，ds表示下游仓库集合，goods表示商品集合，ship表示船舶集合，port表示港口集合，berth表示泊位集合，days表示优化周期的总天数，i表示第i个上游仓库，j表示第j个下游仓库，k表示第k个类别的商品，cij表示第i个上游仓库与第j个下游仓库之间任一船舶的运输成本，upik表示第i个上游仓库生产第k个类别的商品的计划量，dpjk表示第j个下游仓库消耗第k个类别的商品的亏损量，rdijkspbd表示第s个船舶在第d天从第i个上游仓库的第p个港口往第j个下游仓库的第b个泊位运输第k个类别的商品的发运量，rdij表示从第i个上游仓库往第j个下游仓库运输商品的发运量。
6.根据权利要求5所述的基于商品库存压力的水运排船方法，其特征在于，所述运输目标模型的约束条件包括以下至少一项：
所述上游仓库的发运量小于发运当天任一类别的商品的商品库存与所述上游仓库的商品库存下限之间的差值；
所述下游仓库的发运量小于所述下游仓库的商品库存上限与发运当天商品库存任一类别的商品的商品库存之间的差值；
所述船舶的长度小于或等于所述泊位的长度；
所述船舶的吃水深度小于所述泊位的深度；
所述船舶的发运量小于或等于所述船舶的载重上限，且所述船舶的发运量大于或等于所述船舶的满载量；
所述上游仓库在所述优化周期内的总发运量小于所述上游仓库在所述优化周期内的计划量；
所述下游仓库在所述优化周期内的总发运量小于所述下游仓库在所述优化周期内的亏损量。
7.根据权利要求1所述的基于商品库存压力的水运排船方法，其特征在于，所述上游仓库与所述上游港口、所述上游港口和泊位之间存在对应关系，所述下游仓库与所述下游港口、所述下游港口和泊位之间存在对应关系。
8.一种基于商品库存压力的水运排船装置，其特征在于，包括：
获取模块，用于获取目标数据，所述目标数据包括至少一个上游仓库的商品库存压力数据、至少一个下游仓库的商品库存亏损数据、至少一个船舶的属性信息、至少一个上游港口的泊位信息、至少一个下游港口的泊位信息、所述上游仓库与所述下游仓库之间所述船舶的运输成本；
构建模块，用于基于所述目标数据，构建运输目标模型；所述运输目标模型用于表示优化周期内商品的计划完成率最大、所述商品库存压力数据最小及所述船舶的运输成本最低；
确定模块，用于基于所述运输目标模型，采用模拟退火算法确定水运排船计划；所述水运排船计划用于表示至少一个目标船舶分别在至少一个目标上游仓库对应的目标港口往至少一个目标下游仓库运输商品。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于商品库存压力的水运排船方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于商品库存压力的水运排船方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107827.8A CN117252509A (zh) | 2023-08-30 | 2023-08-30 | 基于商品库存压力的水运排船方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107827.8A CN117252509A (zh) | 2023-08-30 | 2023-08-30 | 基于商品库存压力的水运排船方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117252509A true CN117252509A (zh) | 2023-12-19 |
Family
ID=89125619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311107827.8A Pending CN117252509A (zh) | 2023-08-30 | 2023-08-30 | 基于商品库存压力的水运排船方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252509A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522235A (zh) * | 2024-01-05 | 2024-02-06 | 哪吒港航智慧科技(上海)有限公司 | 码头发运智能调度方法、系统、电子设备及存储介质 |
-
2023
- 2023-08-30 CN CN202311107827.8A patent/CN117252509A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522235A (zh) * | 2024-01-05 | 2024-02-06 | 哪吒港航智慧科技(上海)有限公司 | 码头发运智能调度方法、系统、电子设备及存储介质 |
| CN117522235B (zh) * | 2024-01-05 | 2024-03-26 | 哪吒港航智慧科技(上海)有限公司 | 码头发运智能调度方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding et al. | Stowage planning for container ships: A heuristic algorithm to reduce the number of shifts | |
| CN111861205B (zh) | 一种自动化集装箱码头出口箱空间分配方法 | |
| Zeng et al. | A simulation optimization approach for solving the dual-cycling problem in container terminals | |
| CN117252509A (zh) | 基于商品库存压力的水运排船方法及装置 | |
| Zeng et al. | Optimizing berth allocation and storage space in direct transshipment operations at container terminals | |
| Zhen et al. | Capacitated closed-loop supply chain network design under uncertainty | |
| CN116090799A (zh) | 一种针对复杂散粮作业的码头生产调度方法及系统 | |
| CN116957440A (zh) | 一种面向大型发电集团的煤炭运输规划方法及系统 | |
| CN109711790A (zh) | 集装箱航运规划方法及装置 | |
| CN113112059A (zh) | 船舶靠泊时间预测方法及系统 | |
| CN115564144A (zh) | 一种港口船舶调度优化方法、装置及存储介质 | |
| Lassoued et al. | The discrete and dynamic berth allocation problem in bulk port | |
| JP2009223552A (ja) | 貨物物流費用最適化方法 | |
| Yang et al. | Applications of chaotic quantum adaptive satin bower bird optimizer algorithm in berth-tugboat-quay crane allocation optimization | |
| Hwang | Inventory constrained maritime routing and scheduling for multi-commodity liquid bulk | |
| Grubišić et al. | A solution of berth allocation problem in inland waterway ports | |
| Vasileva et al. | Generation of efficient cargo operation schedule at seaport with the use of multiagent technologies and genetic algorithms | |
| CN106516807A (zh) | 一种提高多种钢铁产品混装海运稳定性的配载方法 | |
| Wang et al. | Storage strategy of outbound containers with uncertain weight by data-driven hybrid genetic simulated annealing algorithm | |
| Zheng et al. | A GRASP algorithm for trailer scheduling of crossdock operations in cold-chain logistics | |
| Zhou et al. | A tree search algorithm for uncertainty-considered consecutive discharging and loading operations between ship and offshore platform | |
| Chamsudi et al. | THE EFFECTIVENESS OF TRUCK LOSSING CONTROL ON THE CONTAINER DELIVERY ONTIME PERFORMANCE TO REDUCE THE LEAD TIME OF DELIVERY ACTIVITIES AT NILAM TERMINAL TANJUNG PERAK PORT, SURABAYA | |
| Bogachev et al. | Mathematical methods in studying the territorial oligopolistic market of freight transportation | |
| CN109871571A (zh) | 一种码头资源配置及船舶队长精准计算方法 | |
| Siswanto et al. | New Approach for Evaluating Berth Allocation Procedures Using Discrete Event Simulation to Reduce Total Port Handling Costs |
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 |