CN117455087A - 基于物联网的物流节能控制方法及系统 - Google Patents
基于物联网的物流节能控制方法及系统 Download PDFInfo
- Publication number
- CN117455087A CN117455087A CN202311392991.8A CN202311392991A CN117455087A CN 117455087 A CN117455087 A CN 117455087A CN 202311392991 A CN202311392991 A CN 202311392991A CN 117455087 A CN117455087 A CN 117455087A
- Authority
- CN
- China
- Prior art keywords
- logistics
- path
- distribution
- time
- 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 74
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000007726 management method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 239000003016 pheromone Substances 0.000 claims description 65
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 7
- 230000002035 prolonged effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010187 selection method 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于物联网的物流节能控制方法及系统，涉及物流节能管理领域，其技术方案要点包括：数据层包括数据库和调用组，数据库包括用户管理信息和运输管理信息，处理层基于数据层的数据支持进行数据分析和处理，包括路径选择模块和时间选择模块，路径选择模块用于仓储中心到各个配货点中最短路径的选择，基于物流配送路径选择模型和改进蚁群算法对物流输送路径进行筛选，时间选择模块基于路径选择模块对物流车的送货时间进行选择，通过构建配送速度选择模型和时间选择模型对完成配送的最短时间进行选取；输出层包括输出设备，基于处理层的处理结果进行运维数据输出和显示，实现物流运输过程中的节能管理。
Description
技术领域
本发明涉及物流节能管理领域，更具体地说，它涉及基于物联网的物流节能控制方法及系统。
背景技术
当前，我国商贸流通逐渐进入“精细化”时代，经济高质量发展成为我国经济社会发展的长远目标，物流业经历了持续快速的发展，逐步成为国民经济的支柱型产业，目前，随着互联网的飞速发展，各个行业的企业公司和工厂纷纷建立网上售货模式，而货物的运输也使得相关产业应运而生、蓬勃发展，物流市场运营总体平稳，物流需求稳定上升，物流产业高速发展的同时，大多数企业转向绿色低碳的发展路径，随之而来的，物流业也提出了节能需求。
针对物流的节能运输，相比于运输中的其他消耗，运输消耗占据运输成本的重要部分，在对运输成本的节能控制过程中，运输过程中物流车的能源消耗和运输时间占据绝大部分，物流车的能源消耗主要是在物流配送过程中，由于物流车数量有限且需要送货的节点又多，如果不能合理规划行驶路径，使配送路径绕远或者规划不合理，进而导致配送路径变长或者配货点被重复送货，使物流车油耗或者电耗增加，不仅增加时间成本，时间延长也导致运输冷藏货物的保护成本增加，以及工人的工资成本和工作效率也会受到影响，且在物品配送过程中，由于不同时间中配送路径上的道路通行情况也不同，道路较为拥挤或者通行情况较为糟糕的情况下，也会使得配送时间延长，增加冷链维护成本，故而，需要在物流运输过程中的配送路径和配送时间段进行选择和优化。
专利号为CN112417504B的发明公开了一种基于大数据的交通物流用实时监测系统，包括实时监测管理服务器，所述实时监测管理服务器包括管理系统与个人系统，所述监测管理服务器连接有下单模块、货站管理模块、货物运输路线模块、时间预估模块、运输工具安排模块、站点货物记录模块、数据储存模块，所述下单模块用于客户在需要进行物流服务时联系本系统，该设计涉及到物流的跟踪，但对于物流运输过程中的配送路径和配送时间段进行选择和优化方面却未曾涉及，因此，基于上述问题，本发明对配送路径和配送时间段进行优化设计。
发明内容
针对现有技术存在的配送路径和配送时间段不合理的问题，本发明的目的在于提供基于物联网的物流节能控制方法及系统，实现物流运输过程中的节能控制。
为实现上述目的，本发明提供了如下技术方案：
基于物联网的物流节能控制系统，所述物流节能控制系统包括数据层、处理层和输出层：
数据层包括数据库和调用组，数据库包括用户管理信息和运输管理信息，并进行分布式存储和调用管理；
处理层基于数据层的数据支持进行数据分析和处理，包括路径选择模块和时间选择模块，路径选择模块用于仓储中心到各个配货点中最短路径的选择，基于物流配送路径选择模型和改进蚁群算法对物流输送路径进行筛选，时间选择模块基于路径选择模块对物流车的送货时间进行选择，通过构建配送速度选择模型和时间选择模型对完成配送的最短时间进行选取；
输出层包括输出设备，基于处理层的处理结果进行运维数据输出和显示。
优选的，所述运输管理信息包括仓储配送表和物流车基本信息管理表；
用户管理信息中包括用户身份认证和权限管理，用户身份认证应用于用户登录，调用组根据用户登录时输入的身份信息与数据库存储的身份信息进行校对，并判断是否具有登录权限；权限管理通过权限模型来进行设计角色，根据用户的认证身份赋予相应的角色，并根据角色获取相应的权限，服务器将用户信息存储在数据库中，当用户进行权限认证时，调用组从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证。
通过对数据库进行分布式设计，不仅方便数据读取时的快速反应，而且实现存储空间的弹性扩展，为孪生三维模型中各项数据的实时更新和获取到的海量数据提供足够的充足空间，提高整个系统的运转性能，通过建立角色和权限对用户信息进行管理设计，不仅提高用户登录时身份验证的安全性，而且通过赋予用户不同的角色而获取不同的权限，减少了用户权限波动带来的文件泄密，实现了用户在系统管理过程中的严密性和数据信息的管理效率。
优选的，所述处理层包括路径选择模块，路径选择模块用于仓储中心到各个配货点中最短配送路径的优化和选择，路径选择模块构建物流配送路径选择模型，物流车在核定载货量的情况下，将运输效率最高定义为整个输送总距离最短，则配送路径选择模型根据距离公式：
(1)
(2)
获取输送总距离最短的路径上各个物流车途径的配货点；
式(1)用于获取输送总距离的最短路径；
式(2)用于获取待选择配货点不同数量情况下sgn()函数的赋值；
式中，min[]表示最小取值函数，Z表示输送总距离；K表示物流车数量；κ表示物流车的标号，nk表示待选择的配货点，n表示待选择配货点的数量，i表示待选择配货点的标号，表示待选择配货点i在物流车κ的配送路线中所处的位置；/>表示待选择配货点i前一个待选择配货点i-1在物流车κ的配送路线中所处的位置，/>表示物流车κ的配送路线中待选择配货点i和前一个待选择配货点i-1之间的最短路径，0表示仓储中心，/>表示物流车κ的配送路线中待选择配货点与仓储中心的最短路径。
优选的，所述路径选择模块基于配送路径选择模型对物流运输路径中各个配货点进行选择，为满足数据的处理，对蚁群算法进行改进，改进蚁群算法包括对配货点的选择和物流车最大行驶距离约束下的信息素浓度更新方法，设定物流车在配货点之间的选择是通过移动概率选择规则来实现的，优化后的移动概率选择规则如下：
(3)
获取不同情况下，物流车向不同配货点的移动概率；
式(3)用于获取物流车从配货点i移动到配货点j处的移动概率；
式中，表示物流车κ从配货点i移动到配货点j处的移动概率，allowκ表示当物流车κ移动到配货点i时，其余还未访问的配货点集合，s表示allowκ中配货点的标号，α表示信息素重要程度因子，β表示启发函数重要程度因子，ε表示探索概率，p表示迭代过程中产生的选择概率，ηij(t)表示配货点i与配货点j之间最短距离的倒数，τij(t)表示时间t时配货点i到配货点j之间的信息素浓度，ηis(t)表示配货点i与配货点s之间最短距离的倒数，τis(t)表示时间t时配货点i到配货点s之间的信息素浓度。
优选的，所述改进蚁群算法中信息素浓度基于物流车最大行驶距离的约束进行方法更新，并构建信息素更新模型，各个物流车循环一次后，只有在本次循环中找到最短路径的物流车才能在其经过的路径上释放信息素，信息素浓度更新表达式如下所示：
(4)
(5)
(6)τij(t+1)＝(1-ρ)×τij(t)
根据式(4)和式(6)获取最短路径和非最短路径下信息素浓度的更新；
式(4)用于表达最短路径信息素浓度的更新；
式(5)表示在循环过程中，物流车在最短路径上配货点i与配货点j连接路径上释放的信息素浓度
式(6)用于表达非最短路径信息素浓度的更新；
式中，ρ表示为信息素挥发因子，τij(t+1)表示t+1时刻配货点i到配货点j之间的信息素浓度，G表示物流车循环一次所释放的信息素总量，Lbest表示在循环过程中最短路径上物流车所走过路径的总长度。
优选的，所述路径选择模块对物流运输路径中各个配货点进行选择时，基于数字孪生技术构建仓储中心、物流车和各个配货点的三维模型，在孪生的三维模型中通过改进蚁群算法对最短输送路径进行选择，并输出各个物流车配送的最短路径，其具体工作过程包括以下步骤：
步骤S61：导入相关数据，数据包括仓储中心、物流车和各个配货点的位置坐标信息和送货量以及其他相关信息，对相关参数进行初始化，对α、β、ρ、p和G以及其他参数进行设定，将迭代次数重置清零，并设置迭代次数的最大值；
步骤S62：将各个物流车标记在仓储中心，开始进行选择，并对迭代次数值加1；
步骤S63：各个物流车在核定载货量的约束下，根据改进的移动概率选择规则和信息素更新模型从配货点i选择并转移到配货点j中，若物流车在配货点j时的载货量满足所需货物量，物流车则移动至配货点j，并更新路径与物流车中剩余的载货量；若物流车在配货点j时的载货量不满足所需货物量，则返回仓储中心，并在重新装载后重新选择下一个和剩余配货点，直到访问完所有的配货点，最后返回仓储中心；
步骤S64：判断所有物流车是否完成了对所有配货点的访问，如果没有，则执行步骤S63，否则执行步骤S65；
步骤S65：计算目标函数值，记录当前迭代次数中的最优解，根据信息素更新模型更新信息素，若迭代次数小于最大迭代次数，则执行步骤S62，否则执行步骤S66；
步骤S66：算法结束，输出最优解,形成所有物流车在核定载货量的约束下，获取到的最短的路径。
处理层中路径选择模块基于配送路径选择模型对物流运输路径中各个配货点进行选择，通过对蚁群算法进行改进实现最短路径的选择，改进蚁群算法包括对配货点的选择和物流车最大行驶距离约束下的信息素浓度更新方法，优化物流车在配货点之间的移动概率选择规则，并在物流车的核定载货量和最大行驶距离约束下，改进蚁群算法中信息素浓度的更新方法，实现物流配送路径的最短路径选择和优化，降低冷链物流中的碳排放和能源消耗，提高物流运输过程中的节能效率。
优选的，所述处理层包括时间选择模块，时间选择模块基于路径选择模块对物流车的送货时间进行选择，应用于物流车在进行一次配送过程中最短配送时间的优化和选择，时间选择模块构建配送速度选择模型，物流车在确定配送路径的情况下，将运输效率最高定义为整个输送时间最短，根据路径长度确定，速度越大，时间越短的原理，对物流车的最大配送速度进行选定，则根据预设配送时间选取最大配送速度，速度选取公式：
(7)
获取各个物流车在满足配送运输的情况下，在连续时间g内所能获取的最大运输速度；
式(7)用于连续时间段内，物流车在选定的最短路径上获取到的预设最大速度；
式中，max()表示最大取值函数，vg表示连续时间g内获取到的物流车平均速度；f表示单位时间的标号；vmax表示理想状态下物流车所能运行的最大速度，ξ为速度丢失系数，θf表示单位时间f内路径行车流量对速度的影响指数，表示单位时间f内路径损坏度对速度的影响指数，δ货物损坏额定值对速度的影响指数，g表示连续单位时间数量。
优选的，所述时间选择模块还包括时间选择模型，时间选择模型基于速度选择模型对完成配送的最短时间进行选取，则根据时间选取公式：
(8)
获取各个物流车在选定的最短路径上所需的最短时间T；
式中，l表示各个物流车选定的最短路径。
优选的，所述物流节能控制方法具体包括以下工作过程：
步骤S1：获取仓储中心、物流车和配货点以及其他物流信息并存入数据库中；
步骤S2：根据数字孪生技术构建运输配送的三维模型，通过将路径选择模块的路径选择模型和改进蚁群算法应用于三维模型，获取各个物流车将货物从仓储中心运输到各个配货点的最短路径；
步骤S3：根据GPS监测系统，对最短路径中的道路行驶情况进行实时监测，并通过时间选择模块中的速度选取公式和时间选取公式对各个物流车在最短路径上物流配送的最短时间；
步骤S4：将选取的最短路径和最短时间进行输出，并按照输出结果进行实际物流输送。
优选的，所述基于物联网的物流节能控制方法应用于云处理平台，数据层应用于云端，且进行HadoopHDFS分布式存储，处理层和输出层通过服务器进行云端处理，采用集成信息处理体系，输出层通过输出设备的Web页面程序进行信息显示，对处理层的处理结果进行输出，并供管理人员进行决策和信息接受，输出层遵循J2EE规范的技术规范，采用多客户端的信息体系结构，用户通过客户端接入系统，数据信息通过桌面程序进行页面显示，客户端通过无线网络接入服务器。
通过人工智能和物联网将物流配送过程中产生的数据处理和实际反馈进行虚实交互，在云处理平台的基础上，通过服务器接入GPS、客户端和其他运行设备上，进行统一控制和调度，通过孪生三维模型进行数据的预先虚拟处理，并为输出层进行决策支撑，实现物流节能配送过程中的智能化监测和灵活性调控，不仅使系统的路径优化运行更加可靠，而且使调控方案得到更好的反馈和落实，以更加精细、动态和智慧的方式辅助物流的节能管理运维，提高处理效率。
与现有技术相比，本发明具备以下有益效果：
1、本发明中，通过对数据库进行分布式设计，不仅方便数据读取时的快速反应，而且实现存储空间的弹性扩展，为孪生三维模型中各项数据的实时更新和获取到的海量数据提供足够的充足空间，提高整个系统的运转性能，通过建立角色和权限对用户信息进行管理设计，不仅提高用户登录时身份验证的安全性，而且通过赋予用户不同的角色而获取不同的权限，减少了用户权限波动带来的文件泄密，实现了用户在系统管理过程中的严密性和数据信息的管理效率。
2、本发明中，处理层中路径选择模块基于配送路径选择模型对物流运输路径中各个配货点进行选择，通过对蚁群算法进行改进实现最短路径的选择，改进蚁群算法包括对配货点的选择和物流车最大行驶距离约束下的信息素浓度更新方法，优化物流车在配货点之间的移动概率选择规则，并在物流车的核定载货量和最大行驶距离约束下，改进蚁群算法中信息素浓度的更新方法，实现物流配送路径的最短路径选择和优化，降低冷链物流中的碳排放和能源消耗，提高物流运输过程中的节能效率。
3、本发明中，通过人工智能和物联网将物流配送过程中产生的数据处理和实际反馈进行虚实交互，在云处理平台的基础上，通过服务器接入GPS、客户端和其他运行设备上，进行统一控制和调度，通过孪生三维模型进行数据的预先虚拟处理，并为输出层进行决策支撑，实现物流节能配送过程中的智能化监测和灵活性调控，不仅使系统的路径优化运行更加可靠，而且使调控方案得到更好的反馈和落实，以更加精细、动态和智慧的方式辅助物流的节能管理运维，提高处理效率。
附图说明
图1为本发明提出基于物联网的物流节能控制方法及系统的结构示意图；
图2为本发明中的方法步骤示意图；
图3为本发明中的物流配送模型的示意图；
图4为本发明中路径选择模块通过改进蚁群算法对最短路径选择的流程示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对物流的节能运输，相比于运输中的其他消耗，运输消耗占据运输成本的重要部分，在对运输成本的节能控制过程中，运输过程中物流车的能源消耗和运输时间占据绝大部分，物流车的能源消耗主要是在物流配送过程中，由于物流车数量有限且需要送货的节点又多，如果不能合理规划行驶路径，使配送路径绕远或者规划不合理，进而导致配送路径变长或者配货点被重复送货，使物流车油耗或者电耗增加，不仅增加时间成本，时间延长也导致运输冷藏货物的保护成本增加，以及工人的工资成本和工作效率也会受到影响，且在物品配送过程中，由于不同时间中配送路径上的道路通行情况也不同，道路较为拥挤或者通行情况较为糟糕的情况下，也会使得配送时间延长，增加冷链维护成本，故而，需要在物流运输过程中的配送路径和配送时间段进行选择和优化。
实施例一
参照图1，实施例一对本发明提出的基于物联网的物流节能控制方法及系统做进一步说明。
基于物联网的物流节能控制系统，所述物流节能控制系统包括数据层数据层包括数据库和调用组，数据库包括用户管理信息和运输管理信息，并进行分布式存储和调用管理，运输管理信息包括仓储配送表和物流车基本信息管理表，用户管理信息中包括用户身份认证和权限管理，用户身份认证应用于用户登录。
仓储配送表包括仓储中心和配货点的位置以及两者之间的GPS路线图，物流基本信息管理表包括每个录入在库的物流车基本车况信息，包括物流车的核定载货量、油耗量和油箱容积以及其他相关信息。
调用组根据用户登录时输入的身份信息与数据库存储的身份信息进行校对，并判断是否具有登录权限；权限管理通过权限模型来进行设计角色，根据用户的认证身份赋予相应的角色，并根据角色获取相应的权限，服务器将用户信息存储在数据库中，当用户进行权限认证时，调用组从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证。
数据库包括用户管理信息，Sqoop将HBase数据库中的信息进行HadoopHDFS分布式存储，MapReduce对HadoopHDFS中的数据进行处理，数据库还包括公式表，公示表存储有处理层中数据分析使用的公式模型，且基于数字孪生技术生成的三维模型也存储在数据库中。
用户通过交互设备登录系统，用户包括各个物流车的司机和运维或者管理容易，司机通过客户端登入系统，通过输出层的输出设备对优化后的最短路径进行直接观测，由管理人员或者自己选择不同的配送路径，进而使每个物流车根据选定的最短路径进行物流配送，调用组通过提取数据库中用户的身份信息和所对应的角色，判断用户是否登录要求和操作数据库存储资源的权限，根据获取的权限对数据库中存储的信息进行管理。
用户登录的具体步骤如下：
步骤S211：用户通过交互设备登录系统，调用组通过提取数据库中用户的身份信息和所对应的角色，判断用户是否登录要求和操作数据库存储资源的权限，如果验证成功，则登入系统，如果验证不成功，则返回错误信息
步骤S221：用户登入系统后，根据获取的权限对数据库中存储的信息进行管理，权限包括查询、增删和修改
步骤S231：用户登出系统后，数据库对访问记录进行收集和存储
本发明采用角色访问控制权限模型来进行设计，权限模型引入了角色的概念，解释权限与用户的关系，将权限分配给角色，而不是用户，根据用户职责赋予一定的角色，用户根据角色获取相应的权限，通过用户与角色关联，角色与资源或操作相关联，赋予用户角色即赋予用户角色所具有的权限。
当用户登录系统后，服务器会将用户信息存储在数据库中，当需要进行用户权限认证时，就会从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证，权限认证使用中的过滤器来完成，权限过滤器会拦截每一个客户端发来的请求，当请求被拦截时，从域中查找当前登录用户所具有的操作权限，判断该请求能否对资源进行操作，如果不具有该权限，则返回错误信息。
数据库中存有与用户相关的信息，包括：
用户表：该表主要用于存储系统用户的基本信息，包括用户名和相应的密码，用户是系统的具体操作者，它可以拥有自己的权限信息，可以属于多个角色，它的权限包括自身的权限和所属角色的权限；
角色表：主要存储操作系统的角色，不同角色具有不同的权限，用于区分用户所具有的权限，一个角色可被多个用户所拥有，且一个角色可以具多个权限，同用户和权限之间是多对多的关联关系；
权限表：主要描述了系统的所有权限信息，包括对数据的增、删、改、查；关联表：存储用户和角色的多对多关联关系。
本实施例中，通过对数据库进行分布式设计，不仅方便数据读取时的快速反应，而且实现存储空间的弹性扩展，为监测设备中实时更新和获取到的海量数据提供足够的充足空间，提高整个系统的运转性能，通过建立角色和权限对用户信息进行管理设计，不仅提高用户登录时身份验证的安全性，而且通过赋予用户不同的角色而获取不同的权限，减少了用户权限波动带来的文件泄密，实现了用户在系统管理过程中的严密性和数据信息的管理效率。
实施例二
参照图1、图2、图3和图4，实施例二对本发明提出的基于物联网的物流节能控制方法及系统做进一步说明。
基于物联网的物流节能控制系统，所述物流节能控制系统包括处理层，处理层基于数据层的数据支持进行数据分析和处理，包括路径选择模块和时间选择模块，路径选择模块用于仓储中心到各个配货点中最短路径的选择，基于物流配送路径选择模型和改进蚁群算法对物流输送路径进行筛选，时间选择模块基于路径选择模块对物流车的送货时间进行选择，通过构建配送速度选择模型和时间选择模型对完成配送的最短时间进行选取。
处理层包括路径选择模块，路径选择模块用于仓储中心到各个配货点中最短配送路径的优化和选择，路径选择模块构建物流配送路径选择模型，物流车在核定载货量的情况下，将运输效率最高定义为整个输送总距离最短，则配送路径选择模型根据距离公式：
(1)
(2)
获取输送总距离最短的路径上各个物流车途径的配货点；
式(1)用于获取输送总距离的最短路径；
式(2)用于获取待选择配货点不同数量情况下sgn()函数的赋值；
式中，min[]表示最小取值函数，Z表示输送总距离；K表示物流车数量；κ表示物流车的标号，nk表示待选择的配货点，n表示待选择配货点的数量，i表示待选择配货点的标号，表示待选择配货点i在物流车κ的配送路线中所处的位置；/>表示待选择配货点i前一个待选择配货点i-1在物流车κ的配送路线中所处的位置，/>表示物流车κ的配送路线中待选择配货点i和前一个待选择配货点i-1之间的最短路径，0表示仓储中心，/>表示物流车κ的配送路线中待选择配货点与仓储中心的最短路径。
在本发明中，针对多个配送点和少量配送车，从一个仓储中心出发，对多个配货点进行配送，通过公式(1)选取多个物流车在物流配送过程中的整体最短路径，然后根据每辆配货车的核定载货量分配不同的配送路径，且对沿途配送路径上的配货点的整体需求量都在物流车的核定载货量范围内。
路径选择模块对物流运输路径中各个配货点进行选择时，基于数字孪生技术构建仓储中心、物流车和各个配货点的三维模型，在孪生的三维模型中通过改进蚁群算法对最短输送路径进行选择，并输出各个物流车配送的最短路径，其具体工作过程包括以下步骤：
步骤S61：导入相关数据，数据包括仓储中心、物流车和各个配货点的位置坐标信息和送货量以及其他相关信息，对相关参数进行初始化，对α、β、ρ、p和G以及其他参数进行设定，将迭代次数重置清零，并设置迭代次数的最大值；
步骤S62：将各个物流车标记在仓储中心，开始进行选择，并对迭代次数值加1；
步骤S63：各个物流车在核定载货量的约束下，根据改进的移动概率选择规则和信息素更新模型从配货点i选择并转移到配货点j中，若物流车在配货点j时的载货量满足所需货物量，物流车则移动至配货点j，并更新路径与物流车中剩余的载货量；若物流车在配货点j时的载货量不满足所需货物量，则返回仓储中心，并在重新装载后重新选择下一个和剩余配货点，直到访问完所有的配货点，最后返回仓储中心；
步骤S64：判断所有物流车是否完成了对所有配货点的访问，如果没有，则执行步骤S63，否则执行步骤S65；
步骤S65：计算目标函数值，记录当前迭代次数中的最优解，根据信息素更新模型更新信息素，若迭代次数小于最大迭代次数，则执行步骤S62，否则执行步骤S66；
步骤S66：算法结束，输出最优解,形成所有物流车在核定载货量的约束下，获取到的最短的路径。
针对传统蚁群算法容易陷入局部最优的缺陷，设计了改进的蚁群算法求解模型，蚂蚁会直接选择由信息素浓度所决定的、概率值最大的节点来作为下个目标节点，蚁群算法是一种典型的模拟蚂蚁觅食行为的元启发式算法，具有正反馈性、鲁棒性强等优点，被广泛应用于路径优化问题中。为使得蚁群算法具有更好的全局搜索能力，本发明从移动概率选择规则和信息素更新策略两方面对蚁群算法进行改进设计。
路径选择模块基于配送路径选择模型对物流运输路径中各个配货点进行选择，为满足数据的处理，对蚁群算法进行改进，改进蚁群算法包括对配货点的选择和物流车最大行驶距离约束下的信息素浓度更新方法，设定物流车在配货点之间的选择是通过移动概率选择规则来实现的，优化后的移动概率选择规则如下：
(3)
获取不同情况下，物流车向不同配货点的移动概率；
式(3)用于获取物流车从配货点i移动到配货点j处的移动概率；
式中，表示物流车κ从配货点i移动到配货点j处的移动概率，allowκ表示当物流车κ移动到配货点i时，其余还未访问的配货点集合，s表示allowκ中配货点的标号，α表示信息素重要程度因子，β表示启发函数重要程度因子，ε表示探索概率，p表示迭代过程中产生的选择概率，ηij(t)表示配货点i与配货点j之间最短距离的倒数，τij(t)表示时间t时配货点i到配货点j之间的信息素浓度，ηis(t)表示配货点i与配货点s之间最短距离的倒数，τis(t)表示时间t时配货点i到配货点s之间的信息素浓度。
为避免陷入局部最优解，采用确定与随机相结合的选择方法，引入一个事先设定的探索概率ε，并根据迭代过程中产生的选择概率p进行比较，使算法在集中搜索和多样化搜索之间取得平衡。当蚂蚁(物流车)要选择下一配货点时，算法就会产生一个，通过比较探索概率ε和选择概率p的大小关系，决定选择采用哪一种方法代表的公式(3)来选择下一配货点，更新移动概率的选择规则。
改进蚁群算法中信息素浓度基于物流车最大行驶距离的约束进行方法更新，并构建信息素更新模型，各个物流车循环一次后，只有在本次循环中找到最短路径的物流车才能在其经过的路径上释放信息素，信息素浓度更新表达式如下所示：
(4)
(5)
(6)τij(t+1)＝(1-ρ)×τij(t)
根据式(4)和式(6)获取最短路径和非最短路径下信息素浓度的更新；
式(4)用于表达最短路径信息素浓度的更新；
式(5)表示在循环过程中，物流车在最短路径上配货点i与配货点j连接路径上释放的信息素浓度
式(6)用于表达非最短路径信息素浓度的更新；
式中，ρ表示为信息素挥发因子，τij(t+1)表示t+1时刻配货点i到配货点j之间的信息素浓度，G表示物流车循环一次所释放的信息素总量，Lbest表示在循环过程中最短路径上物流车所走过路径的总长度。
各只蚂蚁(物流车)循环一次后，只有在本次循环中找到最优路径的蚂蚁(物流车)才能在其经过的路径上释放信息素，最(优)短路径的信息素浓度更新表达式如式(4)，对于不是最(优)短路径的边，其信息素浓度更新表达式如式(6)。
本实施例中，处理层中路径选择模块基于配送路径选择模型对物流运输路径中各个配货点进行选择，通过对蚁群算法进行改进实现最短路径的选择，改进蚁群算法包括对配货点的选择和物流车最大行驶距离约束下的信息素浓度更新方法，优化物流车在配货点之间的移动概率选择规则，并在物流车的核定载货量和最大行驶距离约束下，改进蚁群算法中信息素浓度的更新方法，实现物流配送路径的最短路径选择和优化，降低冷链物流中的碳排放和能源消耗，提高物流运输过程中的节能效率。
实施例三
参照图1和图2，实施例三对本发明提出的基于物联网的物流节能控制方法及系统做进一步说明。
基于物联网的物流节能控制系统，所述物流节能控制系统包括输出层，输出层包括输出设备，基于处理层的处理结果进行运维数据输出和显示。
处理层包括时间选择模块，时间选择模块基于路径选择模块对物流车的送货时间进行选择，应用于物流车在进行一次配送过程中最短配送时间的优化和选择，时间选择模块构建配送速度选择模型，物流车在确定配送路径的情况下，将运输效率最高定义为整个输送时间最短，根据路径长度确定，速度越大，时间越短的原理，对物流车的最大配送速度进行选定，则根据预设配送时间选取最大配送速度，速度选取公式：
(7)
获取各个物流车在满足配送运输的情况下，在连续时间g内所能获取的最大运输速度；
式(7)用于连续时间段内，物流车在选定的最短路径上获取到的预设最大速度；
式中，max()表示最大取值函数，vg表示连续时间g内获取到的物流车平均速度；f表示单位时间的标号；vmax表示理想状态下物流车所能运行的最大速度，ξ为速度丢失系数，θf表示单位时间f内路径行车流量对速度的影响指数，表示单位时间f内路径损坏度对速度的影响指数，δ货物损坏额定值对速度的影响指数，g表示连续单位时间数量。
时间选择模块还包括时间选择模型，时间选择模型基于速度选择模型对完成配送的最短时间进行选取，则根据时间选取公式：
(8)
获取各个物流车在选定的最短路径上所需的最短时间T；
式中，l表示各个物流车选定的最短路径。
根据GPS对配送路径上的历史交通数据进行获取，通过大数据分析获取配送路径上每个单位时间内的交通情况，并根据配送路径进行配送时间预设，设定在连续的g个单位时间内，然后根据预设的配送时间对此时间段内最大的配送速度进行计算，最大速度根据配送路径上平均速度进行计算和预测评估，根据获取到的最大速度代入实际配送路径中，进行最短时间的选择，然后根据最短时间划定物流车的配送时间段，使物流车在相应时间段内进行物流配送。
本实施例中，通过人工智能和物联网将物流配送过程中产生的数据处理和实际反馈进行虚实交互，在云处理平台的基础上，通过服务器接入GPS、客户端和其他运行设备上，进行统一控制和调度，通过孪生三维模型进行数据的预先虚拟处理，并为输出层进行决策支撑，实现物流节能配送过程中的智能化监测和灵活性调控，不仅使系统的路径优化运行更加可靠，而且使调控方案得到更好的反馈和落实，以更加精细、动态和智慧的方式辅助物流的节能管理运维，提高处理效率。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范。
Claims (10)
1.基于物联网的物流节能控制系统，其特征在于，所述物流节能控制系统包括数据层、处理层和输出层：
数据层包括数据库和调用组，数据库包括用户管理信息和运输管理信息，并进行分布式存储和调用管理；
处理层基于数据层的数据支持进行数据分析和处理，包括路径选择模块和时间选择模块，路径选择模块用于仓储中心到各个配货点中最短路径的选择，基于物流配送路径选择模型和改进蚁群算法对物流输送路径进行筛选，时间选择模块基于路径选择模块对物流车的送货时间进行选择，通过构建配送速度选择模型和时间选择模型对完成配送的最短时间进行选取；
输出层包括输出设备，基于处理层的处理结果进行运维数据输出和显示。
2.根据权利要求1所述的基于物联网的物流节能控制系统，其特征在于，所述运输管理信息包括仓储配送表和物流车基本信息管理表；
用户管理信息中包括用户身份认证和权限管理，用户身份认证应用于用户登录，调用组根据用户登录时输入的身份信息与数据库存储的身份信息进行校对，并判断是否具有登录权限；权限管理通过权限模型来进行设计角色，根据用户的认证身份赋予相应的角色，并根据角色获取相应的权限，服务器将用户信息存储在数据库中，当用户进行权限认证时，调用组从数据库中取出当前用户的信息和所具有的角色，查询角色关联的相应权限，判断用户是否具有操作某种资源的权限，完成权限认证。
3.根据权利要求1所述的基于物联网的物流节能控制系统，其特征在于，所述处理层包括路径选择模块，路径选择模块用于仓储中心到各个配货点中最短配送路径的优化和选择，路径选择模块构建物流配送路径选择模型，物流车在核定载货量的情况下，将运输效率最高定义为整个输送总距离最短，则配送路径选择模型根据距离公式：
(1)
(2)
获取输送总距离最短的路径上各个物流车途径的配货点；
式(1)用于获取输送总距离的最短路径；
式(2)用于获取待选择配货点不同数量情况下sgn()函数的赋值；
式中，min[]表示最小取值函数，Z表示输送总距离；K表示物流车数量；κ表示物流车的标号，nk表示待选择的配货点，n表示待选择配货点的数量，i表示待选择配货点的标号，表示待选择配货点i在物流车κ的配送路线中所处的位置；/>表示待选择配货点i前一个待选择配货点i-1在物流车κ的配送路线中所处的位置，/>表示物流车κ的配送路线中待选择配货点i和前一个待选择配货点i-1之间的最短路径，0表示仓储中心，/>表示物流车κ的配送路线中待选择配货点与仓储中心的最短路径。
4.根据权利要求3所述的基于物联网的物流节能控制系统，其特征在于，所述路径选择模块基于配送路径选择模型对物流运输路径中各个配货点进行选择，为满足数据的处理，对蚁群算法进行改进，改进蚁群算法包括对配货点的选择和物流车最大行驶距离约束下的信息素浓度更新方法，设定物流车在配货点之间的选择是通过移动概率选择规则来实现的，优化后的移动概率选择规则如下：
(3)
获取不同情况下，物流车向不同配货点的移动概率；
式(3)用于获取物流车从配货点i移动到配货点j处的移动概率；
式中，表示物流车κ从配货点i移动到配货点j处的移动概率，allowκ表示当物流车κ移动到配货点i时，其余还未访问的配货点集合，s表示allowκ中配货点的标号，α表示信息素重要程度因子，β表示启发函数重要程度因子，ε表示探索概率，p表示迭代过程中产生的选择概率，ηij(t)表示配货点i与配货点j之间最短距离的倒数，τij(t)表示时间t时配货点i到配货点j之间的信息素浓度，ηis(t)表示配货点i与配货点s之间最短距离的倒数，τis(t)表示时间t时配货点i到配货点s之间的信息素浓度。
5.根据权利要求4所述的基于物联网的物流节能控制系统，其特征在于，所述改进蚁群算法中信息素浓度基于物流车最大行驶距离的约束进行方法更新，并构建信息素更新模型，各个物流车循环一次后，只有在本次循环中找到最短路径的物流车才能在其经过的路径上释放信息素，信息素浓度更新表达式如下所示：
(4)
(5)
(6)τij(t+1)＝(1-ρ)×τij(t)
根据式(4)和式(6)获取最短路径和非最短路径下信息素浓度的更新；
式(4)用于表达最短路径信息素浓度的更新；
式(5)表示在循环过程中，物流车在最短路径上配货点i与配货点j连接路径上释放的信息素浓度
式(6)用于表达非最短路径信息素浓度的更新；
式中，ρ表示为信息素挥发因子，τij(t+1)表示t+1时刻配货点i到配货点j之间的信息素浓度，G表示物流车循环一次所释放的信息素总量，Lbest表示在循环过程中最短路径上物流车所走过路径的总长度。
6.根据权利要求5所述的基于物联网的物流节能控制系统，其特征在于，所述路径选择模块对物流运输路径中各个配货点进行选择时，基于数字孪生技术构建仓储中心、物流车和各个配货点的三维模型，在孪生的三维模型中通过改进蚁群算法对最短输送路径进行选择，并输出各个物流车配送的最短路径，其具体工作过程包括以下步骤：
步骤S61：导入相关数据，数据包括仓储中心、物流车和各个配货点的位置坐标信息和送货量以及其他相关信息，对相关参数进行初始化，对α、β、ρ、p和G以及其他参数进行设定，将迭代次数重置清零，并设置迭代次数的最大值；
步骤S62：将各个物流车标记在仓储中心，开始进行选择，并对迭代次数值加1；
步骤S63：各个物流车在核定载货量的约束下，根据改进的移动概率选择规则和信息素更新模型从配货点i选择并转移到配货点j中，若物流车在配货点j时的载货量满足所需货物量，物流车则移动至配货点j，并更新路径与物流车中剩余的载货量；若物流车在配货点j时的载货量不满足所需货物量，则返回仓储中心，并在重新装载后重新选择下一个和剩余配货点，直到访问完所有的配货点，最后返回仓储中心；
步骤S64：判断所有物流车是否完成了对所有配货点的访问，如果没有，则执行步骤S63，否则执行步骤S65；
步骤S65：计算目标函数值，记录当前迭代次数中的最优解，根据信息素更新模型更新信息素，若迭代次数小于最大迭代次数，则执行步骤S62，否则执行步骤S66；
步骤S66：算法结束，输出最优解,形成所有物流车在核定载货量的约束下，获取到的最短的路径。
7.根据权利要求3所述的基于物联网的物流节能控制系统，其特征在于，所述处理层包括时间选择模块，时间选择模块基于路径选择模块对物流车的送货时间进行选择，应用于物流车在进行一次配送过程中最短配送时间的优化和选择，时间选择模块构建配送速度选择模型，物流车在确定配送路径的情况下，将运输效率最高定义为整个输送时间最短，根据路径长度确定，速度越大，时间越短的原理，对物流车的最大配送速度进行选定，则根据预设配送时间选取最大配送速度，速度选取公式：
(7)
获取各个物流车在满足配送运输的情况下，在连续时间g内所能获取的最大运输速度；
式(7)用于连续时间段内，物流车在选定的最短路径上获取到的预设最大速度；
式中，max()表示最大取值函数，vg表示连续时间g内获取到的物流车平均速度；f表示单位时间的标号；vmax表示理想状态下物流车所能运行的最大速度，ξ为速度丢失系数，θf表示单位时间f内路径行车流量对速度的影响指数，表示单位时间f内路径损坏度对速度的影响指数，δ货物损坏额定值对速度的影响指数，g表示连续单位时间数量。
8.根据权利要求7所述的基于物联网的物流节能控制系统，其特征在于，所述时间选择模块还包括时间选择模型，时间选择模型基于速度选择模型对完成配送的最短时间进行选取，则根据时间选取公式：
(8)
获取各个物流车在选定的最短路径上所需的最短时间T；
式中，l表示各个物流车选定的最短路径。
9.基于物联网的物流节能控制方法，其特征在于，所述物流节能控制方法具体包括以下工作过程：
步骤S1：获取仓储中心、物流车和配货点以及其他物流信息并存入数据库中；
步骤S2：根据数字孪生技术构建运输配送的三维模型，通过将路径选择模块的路径选择模型和改进蚁群算法应用于三维模型，获取各个物流车将货物从仓储中心运输到各个配货点的最短路径；
步骤S3：根据GPS监测系统，对最短路径中的道路行驶情况进行实时监测，并通过时间选择模块中的速度选取公式和时间选取公式对各个物流车在最短路径上物流配送的最短时间；
步骤S4：将选取的最短路径和最短时间进行输出，并按照输出结果进行实际物流输送。
10.根据权利要求9所述的基于物联网的物流节能控制方法，其特征在于，所述基于物联网的物流节能控制方法应用于云处理平台，数据层应用于云端，且进行HadoopHDFS分布式存储，处理层和输出层通过服务器进行云端处理，采用集成信息处理体系，输出层通过输出设备的Web页面程序进行信息显示，对处理层的处理结果进行输出，并供管理人员进行决策和信息接受，输出层遵循J2EE规范的技术规范，采用多客户端的信息体系结构，用户通过客户端接入系统，数据信息通过桌面程序进行页面显示，客户端通过无线网络接入服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311392991.8A CN117455087B (zh) | 2023-10-25 | 2023-10-25 | 基于物联网的物流节能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311392991.8A CN117455087B (zh) | 2023-10-25 | 2023-10-25 | 基于物联网的物流节能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455087A true CN117455087A (zh) | 2024-01-26 |
| CN117455087B CN117455087B (zh) | 2024-04-12 |
Family
ID=89579238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311392991.8A Active CN117455087B (zh) | 2023-10-25 | 2023-10-25 | 基于物联网的物流节能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455087B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
| CN113112203A (zh) * | 2021-04-14 | 2021-07-13 | 杭州拼便宜网络科技有限公司 | 一种基于混合蚁群算法多配送中心车辆路径安排系统 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| CN114118597A (zh) * | 2021-11-30 | 2022-03-01 | 上海海洋大学 | 一种基于自适应动态搜索蚁群算法的生鲜品低碳物流配送路径规划模块及其方法 |
| CN115392949A (zh) * | 2022-08-02 | 2022-11-25 | 北方工业大学 | 基于乘客出发时间选择的轨道交通早高峰分时定价方法 |
-
2023
- 2023-10-25 CN CN202311392991.8A patent/CN117455087B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
| WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
| CN113112203A (zh) * | 2021-04-14 | 2021-07-13 | 杭州拼便宜网络科技有限公司 | 一种基于混合蚁群算法多配送中心车辆路径安排系统 |
| CN114118597A (zh) * | 2021-11-30 | 2022-03-01 | 上海海洋大学 | 一种基于自适应动态搜索蚁群算法的生鲜品低碳物流配送路径规划模块及其方法 |
| CN115392949A (zh) * | 2022-08-02 | 2022-11-25 | 北方工业大学 | 基于乘客出发时间选择的轨道交通早高峰分时定价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117455087B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097234B (zh) | 工业卷烟运输智能调度方法及系统 | |
| Pugliese et al. | Using drones for parcels delivery process | |
| US20240054444A1 (en) | Logistics scheduling method and system for industrial park based on game theory | |
| CN112686458B (zh) | 一种多车型车队配送货过程的优化调度方法 | |
| CN108764777A (zh) | 带时间窗的电动物流车调度方法和系统 | |
| CN107094165A (zh) | 配送能力确定、配送任务获取、配送资源调度方法和设备 | |
| Zhao et al. | Distribution Route Optimization for Electric Vehicles in Urban Cold Chain Logistics for Fresh Products under Time‐Varying Traffic Conditions | |
| Shi et al. | Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization | |
| CN114037180B (zh) | 一种基于分支定价切割算法的协同配送路径优化方法 | |
| CN111882171A (zh) | 一种基于需求预测的景区观光车智能调度系统及方法 | |
| Lu et al. | The Fourth‐Party Logistics Routing Problem Using Ant Colony System‐Improved Grey Wolf Optimization | |
| Gong et al. | A bee evolutionary algorithm for multiobjective vehicle routing problem with simultaneous pickup and delivery | |
| CN108182499A (zh) | 一种针对vrp问题的混合蚁群算法及其实现系统 | |
| Teck et al. | Optimization models for scheduling operations in robotic mobile fulfillment systems | |
| CN115860289A (zh) | 一种基于碳排放的路径规划方法、装置、设备及存储介质 | |
| Lin et al. | VShare: A wireless social network aided vehicle sharing system using hierarchical cloud architecture | |
| CN101826182A (zh) | 一种基于语义的物流服务路径规划方法 | |
| El Bouzekri El Idrissi et al. | Evolutionary algorithm for the bi-objective green vehicle routing problem | |
| CN117495236A (zh) | 一种电力物资仓库的调度方法及装置 | |
| CN117455087B (zh) | 基于物联网的物流节能控制方法及系统 | |
| Benjaafar et al. | Human in the loop automation: Ride-hailing with remote (tele-) drivers | |
| Wang et al. | Taxi-cruising recommendation via real-time information and historical trajectory data | |
| Cui et al. | A Time‐Dependent Vehicle Routing Problem for Instant Delivery Based on Memetic Algorithm | |
| CN112862414B (zh) | 基于集群旅行商问题的协同配送路径优化方法 | |
| Liu et al. | Optimization of cold chain distribution route with mixed time window considering customer priority |
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 |