CN117556967A - 调度方法、装置、设备及存储介质 - Google Patents
调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117556967A CN117556967A CN202410039118.9A CN202410039118A CN117556967A CN 117556967 A CN117556967 A CN 117556967A CN 202410039118 A CN202410039118 A CN 202410039118A CN 117556967 A CN117556967 A CN 117556967A
- Authority
- CN
- China
- Prior art keywords
- iteration
- scheduling
- route
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000002922 simulated annealing Methods 0.000 claims description 59
- 238000005457 optimization Methods 0.000 claims description 48
- 238000000137 annealing Methods 0.000 claims description 30
- 230000006378 damage Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003287 optical effect Effects 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流调度技术领域，尤其涉及一种调度方法、装置、设备及存储介质，本发明通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案，再将生成的目标调度方案作为输入量，通过预设迭代高斯模型生成调优后的目标迭代参数以及对应的迭代调度方案，实现了相同端对端的模型参数和调度方案的优化，避免了现有技术中不能实现端对端调度方案的优化，调度效率不高的技术问题，提高了物流调度的效率。
Description
技术领域
本发明涉及物流调度技术领域，尤其涉及一种调度方法、装置、设备及存储介质。
背景技术
传统的物流调度领域，针对同一订单业务，由于运输载具型号和可选路径众多，难以抉择最终的调度方案，为了解决上述问题，本领域技术人员通过自适应大临域搜索算法确定调度过程中的车辆和运输路线，但是传统的大临域搜索算法针对起始地和目的地相同的订单，生成的物流调度方案相同，不能实现精准的端对端调度方案的优化，调度效率不高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种调度方法、装置、设备及存储介质，旨在解决现有技术不能实现端对端调度方案的优化，调度效率不高的技术问题。
为实现上述目的，本发明提供了一种调度方法，所述方法包括以下步骤：
获取订单业务信息和初始模拟退火参数；
通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案；
根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案；
基于所述迭代调度方案进行物流调度。
可选地，所述训练好的邻域搜索模型设有启发式算子集合，所述启发式算子集合包括至少一个重建启发式算子和至少一个摧毁启发式算子；
所述通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案，包括：
获取历史迭代路线中的上一迭代调度路线；
根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案。
可选地，所述根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案，包括：
根据所述初始模拟退火参数和所述目标启发式算子生成所述订单业务信息对应的当前迭代调度路线；
分别计算所述上一迭代调度路线对应的上一迭代路线成本和所述当前迭代调度路线对应的当前迭代路线成本；
根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案。
可选地，所述模拟退火参数包括初始温度、终止温度、当前迭代温度以及退火系数；
所述根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案，包括：
统计路线迭代寻优的内层迭代次数；
在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本大于等于所述当前迭代路线成本时，输出目标调度方案，所述目标调度方案为所述当前迭代调度路线对应的调度方案；
在所述内层迭代次数小于预设迭代次数时，基于所述退火系数更新当前迭代温度，并返回遍历所述启发式算子集合中的目标启发式算子的步骤，直至所述内层迭代次数大于等于预设迭代次数。
可选地，所述统计路线迭代寻优的内层迭代次数之后，还包括：
在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本小于所述当前迭代路线成本时，根据所述上一迭代路线成本、所述当前迭代路线成本以及当前迭代温度计算迭代概率；
在所述迭代概率大于等于预设概率阈值时，根据所述当前迭代路线成本输出目标调度方案；
在所述迭代概率小于预设概率阈值时，根据所述上一迭代路线成本输出目标调度方案。
可选地，所述根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案，包括：
获取历史迭代数据集，所述历史迭代数据集由历史模拟退火参数和对应的历史迭代调度方案的成本组成；
根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数；
返回通过训练好的邻域搜索模型确定所述订单业务信息和所述目标迭代参数对应的目标调度方案的步骤，以进行调度方案的迭代参数寻优；
统计外层迭代寻优的外层迭代次数；
在所述外层迭代次数大于等于预设迭代次数时，输出迭代调度方案。
可选地，所述根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数，包括：
确定所述目标调度方案对应的第一调度成本和所述历史迭代数据集中各历史迭代调度方案对应的第二调度成本；
确定所述第一调度成本和所述第二调度成本的最小值；
根据所述最小值对应的模拟退火参数通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数。
此外，为实现上述目的，本发明还提出一种调度装置，所述调度装置包括：
获取模块，用于获取订单业务信息和初始模拟退火参数；
确定模块，用于通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案；
生成模块，用于根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案；
调度模块，用于基于所述迭代调度方案进行物流调度。
此外，为实现上述目的，本发明还提出一种调度设备，所述调度设备包括：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调度程序，所述调度程序配置为实现如上文所述的调度方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有调度程序，所述调度程序被处理器执行时实现如上文所述的调度方法的步骤。
本发明公开了一种调度方法，所述调度方法包括：获取订单业务信息和初始模拟退火参数；通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案；根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案；基于所述迭代调度方案进行物流调度，与现有技术相比，本发明通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案，再将生成的目标调度方案作为输入量，通过预设迭代高斯模型生成调优后的目标迭代参数以及对应的迭代调度方案，实现了相同端对端的模型参数和调度方案的优化，避免了现有技术中不能实现端对端调度方案的优化，调度效率不高的技术问题，提高了物流调度的效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的调度设备的结构示意图；
图2为本发明调度方法第一实施例的流程示意图；
图3为本发明调度方法一实施例的高斯分布示意图；
图4为本发明调度方法第二实施例的流程示意图；
图5为本发明调度方法一实施例的内层迭代流程示意图；
图6为本发明调度方法一实施例的一运输实例示意图；
图7为本发明调度方法第三实施例的流程示意图；
图8为本发明调度方法一实施例的外层迭代流程示意图；
图9为本发明调度装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的调度设备结构示意图。
如图1所示，该调度设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对调度设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及调度程序。
在图1所示的调度设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明调度设备中的处理器1001、存储器1005可以设置在调度设备中，所述调度设备通过处理器1001调用存储器1005中存储的调度程序，并执行本发明实施例提供的调度方法。
本发明实施例提供了一种调度方法，参照图2，图2为本发明一种调度方法第一实施例的流程示意图。
本实施例中，所述调度方法包括以下步骤：
步骤S10：获取订单业务信息和初始模拟退火参数。
需要说明的是，本实施例方法的执行主体可以是具有数据处理、程序运行以及数据采集等功能的设备，例如：控制计算机、电脑或者服务器集群等，还可以是其他可以实现相同或者相似功能的设备，本实施例对此不作具体限制，在本实施例以及下述实施例中，将会以控制计算机为例进行说明。
需要说明的是，在物流调度领域，为了实现端到端（起始点至目标点）的物流调度，一般是通过自适应大规模邻域搜索算法（Adaptive Large Neighborhood Search，ALNS）生成物流调度的最佳方案，但是ALNS算法只能根据最终结果的质量评分自适应更新算子权重，对于其他参数只能手动进行调优，因此在规划端到端的调度方案时，所使用的车辆和路径大致相似，不能灵活调整，进一步降低运输成本以及提高运输效率。
可以理解的是，订单业务信息包括订单信息、运力池信息以及司机的劳动力成本计算模型等，其中运力池信息是指能参与配送任务的运力（包含运力池中各种车型及对应数量的车辆，例如10台4.2米车辆）；订单信息是指需要配送的订单（每个订单对应SKU的种类、数量、体积、重量，配送的目的地）；劳动力成本计算模型为司机劳动力成本为n辆车成本的总和。
在具体实现中，对于每辆车，成本的计算公式为：成本=车辆固定成本+车辆变动单价*距离，其中，随着车型的上升，固定成本价格上升；对于不同车型，车辆变动单价不同，随着车型的上升，车辆变动单价上升，例如：赋予最小车型的固定成本140元，每个车型升档成本上升20元，赋予最小车型的变动单价为1元每米，每个车型升档变动成本上升0.1元，本实施例对此不作具体限制。
初始模拟退火参数是指后续训练好的邻域搜索模型中的启发式算子信息、与邻域搜索模型嵌套的模拟退火算法的初始温度、终止温度及迭代次数等信息，其中，启发式算子包括重建启发式算子和摧毁启发式算子，所述重建启发式算子用于在算法迭代调优时根据订单业务信息生成一个包含运行路径、运行载具以及运输司机等信息的物流调度方案，所述摧毁启发式算子用于在算法迭代调优时，摧毁重建启发式算法生成物流调度方案，以便于后续进行算法参数的迭代优化。
步骤S20：通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案。
应当说明的是，训练好的邻域搜索模型是基于自适应大规模邻域搜索算法（Adaptive Large Neighborhood Search，ALNS）进行改善后得到的邻域搜索模型（Bayesian Large Neighborhood Search Hueristic，BLNS），用于生成订单业务信息和所述初始模拟退火参数对应的目标调度方案，在本实施例中，通过将自适应大规模邻域搜索算法与模拟退火算法以及贝叶斯优化算法进行嵌套，通过模拟退火算法在内层参数迭代过程中能跳出局部最优解。
具体地，模拟退火算法是一种元启发式优化算法，用于寻找函数的全局最小值，在模拟退火中，算法从初始解开始，并通过随机改变解并接受改变（如果改善了目标函数）逐渐探索搜索空间，该算法还以逐渐降低的概率接受更差的解，这使它能够逃脱局部最小值并找到全局最小值，且接收概率随着时间的推移逐渐降低，以减少搜索空间并收敛到全局最小值。
贝叶斯优化算法用于找到问题的最优解，无论是大规模邻域搜索中的摧毁、重建算子还是模拟退火中的初始温度、终止温度、迭代次数，都是需要人工不断去调整，才能得到较优的结果，这种方式既浪费计算机、人力资源，又对算子、超参数的最优选择没有保障，而本实施例通过贝叶斯优化算法使用概率模型来近似目标函数，并基于预期改进目标函数选择下一个要评估的点，平衡了搜索空间的探索和当前最佳解的利用，进而以更少的函数评估来找到最优解，因此在处理昂贵的优化问题时特别有用，利用贝叶斯优化来进行算子、超参数的选择能实现大规模邻域搜索自动化调优，不仅节省了人力、计算机资源，还能自学习地选择出最优算子和超参数，从而实现端到端的算子和超参数调优。
应当说明的是，目标调度方案是根据选择的模拟退火初始温度、终止温度、迭代次数及摧毁、重建启发式算子进行第一次大规模邻域搜索的迭代计算，即进行一次ALNS的内层迭代后，得到的调度方案，此时还对模拟退火参数进行迭代调优。
本实施例先通过驱动不同的启发式算子生成订单业务的多种调度方案，并计算其最低成本，实现内层迭代，由于启发式算子底层架构的限制，其生成的调度方案可能会限于成本局部最优解的情况，即在当前迭代会出现成本不断下降，但是下一次退火参数迭代之后，可能会出现成本比上一次迭代成本更高，在经过路线优化后，最小成本要比上一迭代的最小成本更低的情况，即通过模拟退火算法在内层参数迭代过程中能跳出局部最优解，因此，再通过外层迭代对模拟退火温度进行迭代优化，跳出局部成本最低，最终得到订单业务成本收敛时对应的目标调度方案。
步骤S30：根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案。
在本实施例中，参考图3，预设迭代高斯模型可以是正态分布模型，将目标调度方案输入至预设迭代高斯模型，以判断目标调度方案的成本在正态分布中所处的位置，以成本作为约束调整下一次模拟退火计算的初始温度、终止温度、迭代次数以及启发式算子，进而得到成本更低的调度方案，实现端对端的参数迭代调优。
步骤S40：基于所述迭代调度方案进行物流调度。
本实施例通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案，再将生成的目标调度方案作为输入量，通过预设迭代高斯模型生成调优后的目标迭代参数以及对应的迭代调度方案，实现了相同端对端的模型参数和调度方案的优化，避免了现有技术中不能实现端对端调度方案的优化，调度效率不高的技术问题，提高了物流调度的效率。
参考图4，图4为本发明一种调度方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S20，包括：
步骤S201：获取历史迭代路线中的上一迭代调度路线。
需要说明的是，上一迭代调度路线包括当前迭代调度路线对应的上一次迭代的调度路线和初始调度路线，其中，构造订单业务信息对应的初始调度路线可以是从启发式算子列表中随机挑选一组启发式算子（包含一个摧毁算子和一个重建算子），根据选择的模拟退火初始温度、终止温度、迭代次数及摧毁、重建启发式算子进行第一次大规模邻域搜索的迭代计算，以构造初始路线。
步骤S202：根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案。
可以理解的是，启发式算子集合包含了一组摧毁算子和一组重建算子，用于生成调度方案。
进一步地，所述根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案，包括：
根据所述初始模拟退火参数和所述目标启发式算子生成所述订单业务信息对应的当前迭代调度路线；
分别计算所述上一迭代调度路线对应的上一迭代路线成本和所述当前迭代调度路线对应的当前迭代路线成本；
根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案。
在具体实现中，参考图5，图5为本实施例进行第一次大规模邻域搜索的迭代计算的流程示意图，输入数据位初始温度T0，终止温度为TK，迭代次数为n，退火系数用于进行一次迭代后，控制当前迭代温度以指数级上升，例如：以退火系数为2为例进行说明，初始温度为100，终止温度为0，那么第一次迭代对应的迭代温度为0，第二次迭代温度为2，第三次迭代温度为4，直至当前迭代温度大于或等于终止温度，或者迭代次数大于等于预设内层迭代次数，则停止模拟退火，并输出最终的调度方案，用于输入至后续的高斯模型进行模拟退火参数的调整。
由于迭代过程中，启发式算子会生成多种调度路径和调度方案，为了减小成本的同时，避免出现限于局部最优解的情况发生，本实施例通过对比上一迭代调度路线的成本和当前迭代路线的成本，并根据对比结果确定是否更新大规模邻域搜索的调度方案。
进一步地，所述根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案，包括：
统计路线迭代寻优的内层迭代次数；
在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本大于等于所述当前迭代路线成本时，输出目标调度方案，所述目标调度方案为所述当前迭代调度路线对应的调度方案；
在所述内层迭代次数小于预设迭代次数时，基于所述退火系数更新当前迭代温度，并返回遍历所述启发式算子集合中的目标启发式算子的步骤，直至所述内层迭代次数大于等于预设迭代次数。
在具体实现中，若是上一迭代路线成本大于等于所述当前迭代路线成本，表示迭代得到的新的调度方案要优于上一迭代的调度方案，可以将迭代得到的新的迭代路线和调度方案替换初始路线和目标调度方案，减少成本，并更新当前迭代的退火温度，此时，当前退火温度为上一退火温度和退火系数的乘积。
进一步地，所述统计路线迭代寻优的内层迭代次数之后，还包括：
在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本小于所述当前迭代路线成本时，根据所述上一迭代路线成本、所述当前迭代路线成本以及当前迭代温度计算迭代概率；
在所述迭代概率大于等于预设概率阈值时，根据所述当前迭代路线成本输出目标调度方案；
在所述迭代概率小于预设概率阈值时，根据所述上一迭代路线成本输出目标调度方案。
为了避免陷入局部最优解，导致最后输出的调度方案成本并非是最低，例如：参考图6 ，在起始地为A，路过B，目的地为C的端对端调度方案的迭代优化过程中，通过不断更改地面运输的运输路径，以得到运输成本较小的运输路线，在图5所示的三种运输路径中，从B到C的地面运输成本固定为100，1路线的运输成本为100，2路线的运输成本为200，3路线的运输成本为300，很明显选择A路线的成本最低，因此，迭代过程中会输出A路线为最优路线，但是由于只考虑了地面运输的成本，若是，从A到C采用空中运输的成本只有150，此时由于算法只考虑了地面运输的成本，没有考虑后续的B-C的运输成本，就陷入了地面运输的局部最优解。
在具体实现中，本实施例通过贝叶斯优化算法的方式，使得在初始路线成本小于迭代路线成本时，即新的调度方案要劣于目标调度方案，此时若是新的调度方案的成本高于目标调度方案成本的一定范围内，此时可以接受新的调度方案，以便于提供更多的调度方案的选择，避免出现局部最优的情况
可以理解的是，在初始路线成本小于迭代路线成本时，以迭代概率选择性的接受较差的调度方案，提高方案的可选性，其中迭代概率的计算公式为：
其中，P为迭代概率、S1为迭代调度方案的成本，S2为目标调度方案的成本，T为当前迭代温度。
本实施例通过构造所述订单业务信息对应的初始路线；获取训练好的邻域搜索模型中的启发式算子集合；根据所述初始路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案，在内层迭代过程中，通过嵌套贝叶斯优化算法，避免出现局部最优化的情况，提高了调度方案的可行性。
参考图7，图7为本发明一种调度方法第三实施例的流程示意图。
基于上述第二实施例，在本实施例中，所述步骤S30，包括：
步骤S301：获取历史迭代数据集，所述历史迭代数据集由历史模拟退火参数和对应的历史迭代调度方案的成本组成。
步骤S302：根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数。
步骤S303：返回通过训练好的邻域搜索模型确定所述订单业务信息和所述目标迭代参数对应的目标调度方案的步骤，以进行调度方案的迭代参数寻优。
步骤S304：统计外层迭代寻优的外层迭代次数。
步骤S305：在所述外层迭代次数大于等于预设迭代次数时，输出迭代调度方案。
需要说明的是，参考图8，在调整初始温度、终止温度、当前迭代温度、退火系数以及启发式算子时，主要是通过高斯分布模型基于原始数据集拟合出来的高斯分布图预测调度方案的成本，取高斯分布图中最小的调度方案作为下一次外层迭代的退火参数，即外层迭代调整的是退火参数。
在具体实现中，假设入参，/>为一个摧毁算子，/>为一个重建算子，为模拟退火过程中的初始温度，/>为模拟退火中的终止温度，/>为内层迭代次数，每次外层迭代的结果y（即每次根据订单信息、运力池信息、参数计算出的路线的劳动力成本的总和），每一次迭代的/>加入到数据集D中，对于某一次外层迭代，基于数据集D作为先验知识，基于先验知识，给定参数备选集合中的一个x，我们通过数据集D拟合出的高斯分布来预测结果y，即后验，当备选集合中所有的参数x都求得结果y，通过选择y最小的x作为下一次的迭代参数，即选择下一次外层循环的摧毁算子、重建算子、模拟退火的初始温度、模拟退火的终止温度和内层迭代次数中的至少一项，进行新一轮的高斯分布的预测，直至外层迭代次数大于或等于预设外层迭代次数。
可以理解的是，确定迭代调度方案是指目标调度方案和所述迭代调度方案集合中的预估成本最低的调度方案。
进一步地，所述根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数，包括：
确定所述目标调度方案对应的第一调度成本和所述历史迭代数据集中各历史迭代调度方案对应的第二调度成本；
确定所述第一调度成本和所述第二调度成本的最小值；
根据所述最小值对应的模拟退火参数通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数。
在具体实现中，在调度排车的现实场景中，不同的调度中心会有不同的订单分布、订单规模和运力规模，此时传统的ALNS算法只能使用一套参数来适配不同的输入，导致算法的鲁棒性不强、容易出现在某些中心的某些输入分布下结果合理，在其他中心的输入分布下结果不优甚至不合理的情况。
从表1可以看出，无论算例规模大小，本实施例中的BLNS总是能比普通ALNS算法表现得好，表现在于用车数和成本都有明显的下降，其中在以订单数171为代表的小规模算例中，ALNS算法计算结果的用车数是17辆，成本为11081，BLNS算法计算结果的用车数是15辆，成本为10623，用车数减少了两辆，成本下降了约400元，以订单数338为代表的大规模算例中，ALNS算法计算结果的用车数是17辆，成本为14106，BLNS算法计算结果的用车数是16辆，成本为13976，用车数减少了一辆，成本下降了约100元。综上所述，无论规模的大小，BLNS算法融合了贝叶斯优化及大规模邻域搜索的优势，使算法能搜索出比ALNS更优的解，使得成本更低。
表1：方法结果对比表
本实施例公开了调整所述初始温度、终止温度、当前迭代温度以及退火系数中的至少一种，得到迭代模拟退火参数；通过训练好的邻域搜索模型确定所述订单业务信息和所述迭代模拟退火参数对应的迭代调度方案集合；从所述目标调度方案和所述迭代调度方案集合中确定迭代调度方案，通过外层迭代调整模拟退火参数，从更广的角度确定调度方案，提高物流调度的效率。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有调度程序，所述调度程序被处理器执行时实现如上文所述的调度方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参照图9，图9为本发明调度装置第一实施例的结构框图。
如图9所示，本发明实施例提出的调度装置包括：
获取模块10，用于获取订单业务信息和初始模拟退火参数。
确定模块20，用于通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案。
生成模块30，用于根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案。
调度模块40，用于基于所述迭代调度方案进行物流调度。
在一实施例中，所述确定模块20，还用于获取历史迭代路线中的上一迭代调度路线；根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案。
在一实施例中，所述确定模块20，还用于根据所述初始模拟退火参数和所述目标启发式算子生成所述订单业务信息对应的当前迭代调度路线；分别计算所述上一迭代调度路线对应的上一迭代路线成本和所述当前迭代调度路线对应的当前迭代路线成本；根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案。
在一实施例中，所述确定模块20，还用于统计路线迭代寻优的内层迭代次数；在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本大于等于所述当前迭代路线成本时，输出目标调度方案，所述目标调度方案为所述当前迭代调度路线对应的调度方案；在所述内层迭代次数小于预设迭代次数时，基于所述退火系数更新当前迭代温度，并返回遍历所述启发式算子集合中的目标启发式算子的步骤，直至所述内层迭代次数大于等于预设迭代次数。
在一实施例中，所述确定模块20，还用于在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本小于所述当前迭代路线成本时，根据所述上一迭代路线成本、所述当前迭代路线成本以及当前迭代温度计算迭代概率；在所述迭代概率大于等于预设概率阈值时，根据所述当前迭代路线成本输出目标调度方案；在所述迭代概率小于预设概率阈值时，根据所述上一迭代路线成本输出目标调度方案。
在一实施例中，所述生成模块30，还用于获取历史迭代数据集，所述历史迭代数据集由历史模拟退火参数和对应的历史迭代调度方案的成本组成；根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数；返回通过训练好的邻域搜索模型确定所述订单业务信息和所述目标迭代参数对应的目标调度方案的步骤，以进行调度方案的迭代参数寻优；统计外层迭代寻优的外层迭代次数；在所述外层迭代次数大于等于预设迭代次数时，输出迭代调度方案。
在一实施例中，所述生成模块30，还用于确定所述目标调度方案对应的第一调度成本和所述历史迭代数据集中各历史迭代调度方案对应的第二调度成本；确定所述第一调度成本和所述第二调度成本的最小值；根据所述最小值对应的模拟退火参数通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数。
本实施例通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案，再将生成的目标调度方案作为输入量，通过预设迭代高斯模型生成调优后的目标迭代参数以及对应的迭代调度方案，实现了相同端对端的模型参数和调度方案的优化，避免了现有技术中不能实现端对端调度方案的优化，调度效率不高的技术问题，提高了物流调度的效率。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的调度方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述 实施例方法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，但很多情况下前者是更佳的实施方式。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（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种调度方法，其特征在于，所述调度方法包括：
获取订单业务信息和初始模拟退火参数；
通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案；
根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案；
基于所述迭代调度方案进行物流调度。
2.如权利要求1所述的调度方法，其特征在于，所述训练好的邻域搜索模型设有启发式算子集合，所述启发式算子集合包括至少一个重建启发式算子和至少一个摧毁启发式算子；
所述通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案，包括：
获取历史迭代路线中的上一迭代调度路线；
根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案。
3.如权利要求2所述的调度方法，其特征在于，所述根据所述上一迭代调度路线、所述启发式算子集合以及所述初始模拟退火参数通过训练好的邻域搜索模型进行路线迭代寻优，得到目标调度方案，包括：
根据所述初始模拟退火参数和所述目标启发式算子生成所述订单业务信息对应的当前迭代调度路线；
分别计算所述上一迭代调度路线对应的上一迭代路线成本和所述当前迭代调度路线对应的当前迭代路线成本；
根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案。
4.如权利要求3所述的调度方法，其特征在于，所述模拟退火参数包括初始温度、终止温度、当前迭代温度以及退火系数；
所述根据所述上一迭代路线成本和所述当前迭代路线成本对所述上一迭代调度路线和所述当前迭代调度路线进行路线迭代寻优，得到目标调度方案，包括：
统计路线迭代寻优的内层迭代次数；
在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本大于等于所述当前迭代路线成本时，输出目标调度方案，所述目标调度方案为所述当前迭代调度路线对应的调度方案；
在所述内层迭代次数小于预设迭代次数时，基于所述退火系数更新当前迭代温度，并返回遍历所述启发式算子集合中的目标启发式算子的步骤，直至所述内层迭代次数大于等于预设迭代次数。
5.如权利要求4所述的调度方法，其特征在于，所述统计路线迭代寻优的内层迭代次数之后，还包括：
在所述内层迭代次数大于等于预设迭代次数，且所述上一迭代路线成本小于所述当前迭代路线成本时，根据所述上一迭代路线成本、所述当前迭代路线成本以及当前迭代温度计算迭代概率；
在所述迭代概率大于等于预设概率阈值时，根据所述当前迭代路线成本输出目标调度方案；
在所述迭代概率小于预设概率阈值时，根据所述上一迭代路线成本输出目标调度方案。
6.如权利要求1-5中任一项所述的调度方法，其特征在于，所述根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案，包括：
获取历史迭代数据集，所述历史迭代数据集由历史模拟退火参数和对应的历史迭代调度方案的成本组成；
根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数；
返回通过训练好的邻域搜索模型确定所述订单业务信息和所述目标迭代参数对应的目标调度方案的步骤，以进行调度方案的迭代参数寻优；
统计外层迭代寻优的外层迭代次数；
在所述外层迭代次数大于等于预设迭代次数时，输出迭代调度方案。
7.如权利要求6所述的调度方法，其特征在于，所述根据所述目标调度方案和所述历史迭代数据集通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数，包括：
确定所述目标调度方案对应的第一调度成本和所述历史迭代数据集中各历史迭代调度方案对应的第二调度成本；
确定所述第一调度成本和所述第二调度成本的最小值；
根据所述最小值对应的模拟退火参数通过预设迭代高斯模型调整所述初始温度、终止温度、当前迭代温度、退火系数以及下一迭代的启发式算子中的至少一种，得到目标迭代参数。
8.一种调度装置，其特征在于，所述调度装置包括：
获取模块，用于获取订单业务信息和初始模拟退火参数；
确定模块，用于通过训练好的邻域搜索模型确定所述订单业务信息和所述初始模拟退火参数对应的目标调度方案；
生成模块，用于根据所述目标调度方案通过预设迭代高斯模型生成目标迭代参数和对应的迭代调度方案；
调度模块，用于基于所述迭代调度方案进行物流调度。
9.一种调度设备，其特征在于，所述调度设备包括：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调度程序，所述调度程序配置为实现如权利要求1至7中任一项所述的调度方法。
10.一种存储介质，其特征在于，所述存储介质上存储有调度程序，所述调度程序被处理器执行时实现如权利要求1至7任一项所述的调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039118.9A CN117556967B (zh) | 2024-01-11 | 2024-01-11 | 调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039118.9A CN117556967B (zh) | 2024-01-11 | 2024-01-11 | 调度方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117556967A true CN117556967A (zh) | 2024-02-13 |
| CN117556967B CN117556967B (zh) | 2024-05-03 |
Family
ID=89816995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410039118.9A Active CN117556967B (zh) | 2024-01-11 | 2024-01-11 | 调度方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117556967B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846623A (zh) * | 2018-09-17 | 2018-11-20 | 安吉汽车物流股份有限公司 | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 |
| US20200408547A1 (en) * | 2018-03-13 | 2020-12-31 | Denso Corporation | Optimum route search device, global search device for continuous optimization problem and non-transitory tangible computer-readable storage medium for the same |
| WO2021135208A1 (zh) * | 2019-12-31 | 2021-07-08 | 苏宁云计算有限公司 | 考虑订单聚合度的配送路径规划方法与系统 |
| CN113778654A (zh) * | 2021-09-27 | 2021-12-10 | 国网湖南省电力有限公司 | 基于粒子群优化算法的并行任务调度方法 |
| US20220019463A1 (en) * | 2019-07-23 | 2022-01-20 | Jataturk Universitesi Bilimsel Arastirma Projeleri Birimi | A method for task scheduling with a simulated annealing-based approach in the cloud computing |
| 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 |
| CN114970859A (zh) * | 2021-02-25 | 2022-08-30 | 淘宝（中国）软件有限公司 | 参数优化及其服务方法、设备及存储介质 |
| CN115017853A (zh) * | 2022-06-27 | 2022-09-06 | 无锡中微亿芯有限公司 | 一种基于模拟退火算法的fpga布局方法 |
| CN116151356A (zh) * | 2023-04-23 | 2023-05-23 | 四川中电启明星信息技术有限公司 | 一种优化卷积神经网络的方法、系统、设备及介质 |
| CN116401896A (zh) * | 2023-05-17 | 2023-07-07 | 华侨大学 | 城际客运的在线调度匹配方法、装置、设备和存储介质 |
| CN117151288A (zh) * | 2023-08-30 | 2023-12-01 | 华侨大学 | 一种城际车辆调度匹配优化方法、装置及设备 |
-
2024
- 2024-01-11 CN CN202410039118.9A patent/CN117556967B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200408547A1 (en) * | 2018-03-13 | 2020-12-31 | Denso Corporation | Optimum route search device, global search device for continuous optimization problem and non-transitory tangible computer-readable storage medium for the same |
| CN108846623A (zh) * | 2018-09-17 | 2018-11-20 | 安吉汽车物流股份有限公司 | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 |
| US20220019463A1 (en) * | 2019-07-23 | 2022-01-20 | Jataturk Universitesi Bilimsel Arastirma Projeleri Birimi | A method for task scheduling with a simulated annealing-based approach in the cloud computing |
| WO2021135208A1 (zh) * | 2019-12-31 | 2021-07-08 | 苏宁云计算有限公司 | 考虑订单聚合度的配送路径规划方法与系统 |
| CN114970859A (zh) * | 2021-02-25 | 2022-08-30 | 淘宝（中国）软件有限公司 | 参数优化及其服务方法、设备及存储介质 |
| CN113778654A (zh) * | 2021-09-27 | 2021-12-10 | 国网湖南省电力有限公司 | 基于粒子群优化算法的并行任务调度方法 |
| 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 |
| CN115017853A (zh) * | 2022-06-27 | 2022-09-06 | 无锡中微亿芯有限公司 | 一种基于模拟退火算法的fpga布局方法 |
| CN116151356A (zh) * | 2023-04-23 | 2023-05-23 | 四川中电启明星信息技术有限公司 | 一种优化卷积神经网络的方法、系统、设备及介质 |
| CN116401896A (zh) * | 2023-05-17 | 2023-07-07 | 华侨大学 | 城际客运的在线调度匹配方法、装置、设备和存储介质 |
| CN117151288A (zh) * | 2023-08-30 | 2023-12-01 | 华侨大学 | 一种城际车辆调度匹配优化方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| YAO WANG 等: "Research on improved genetic simulated annealing algorithm for multi-UAV cooperative task allocation", 《2022 8TH INTERNATIONAL SYMPOSIUM ON SENSORS, MECHATRONICS AND AUTOMATION SYSTEM》, vol. 2022, 31 December 2022 (2022-12-31) * |
| 武楚雄 等: "动态路网选址-路径优化算法及实现", 《控制理论与应用》, vol. 37, no. 11, 30 November 2020 (2020-11-30) * |
| 胡山鹰，陈丙珍，何小荣: "连续变量问题全局优化的模拟退火法", 系统工程理论与实践, no. 09, 25 September 1995 (1995-09-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117556967B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288347B (zh) | 冷链配送的路线确定方法、装置、服务器及存储介质 | |
| US9530093B2 (en) | Solving vehicle routing problems using evolutionary computing techniques | |
| CN103250031B (zh) | 路线选择系统、路线选择方法和路线选择程序 | |
| CN105550746A (zh) | 机器学习模型的训练方法和训练装置 | |
| CN113110472B (zh) | 路径规划方法、装置和终端 | |
| Mahmud et al. | Solving multiple depot vehicle routing problem (MDVRP) using genetic algorithm | |
| CN115545608A (zh) | 基于不确定需求下的绿色物流车辆路径优化方法及应用 | |
| CN117528653A (zh) | 一种基于车辆边缘计算系统的任务卸载方法 | |
| CN117556967B (zh) | 调度方法、装置、设备及存储介质 | |
| CN113705879A (zh) | 一种多车场多车型车辆路径规划方法 | |
| CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
| CN115038055B (zh) | 一种基于强化学习的多通道短消息分发方法和系统 | |
| CN117436627A (zh) | 任务分配方法、装置、终端设备及介质 | |
| CN115150315B (zh) | 基于蚁群算法的atm机选址方法和装置 | |
| CN113609631B (zh) | 基于事件网络拓扑图的创建方法、装置及电子设备 | |
| CN114139796A (zh) | 一种邮路规划方法、装置、介质及设备 | |
| CN112149921B (zh) | 大规模电动物流车路径规划方法及系统、充电规划方法 | |
| WO2018222967A1 (en) | Systems and methods for generating optimized market plans | |
| US9952055B2 (en) | Method for determining correction values for a route calculation algorithm | |
| CN109740829B (zh) | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 | |
| CN114330800A (zh) | 车辆路径规划方法及装置 | |
| CN112598153A (zh) | 一种基于天牛须搜索算法的旅行商问题求解方法 | |
| EP4383790A1 (en) | A method, device and computing device to improve action selection in an actionnable system | |
| CN116089063B (zh) | 基于利用鲸鱼优化算法指导猎物生成的北方苍鹰优化wngo算法和相似整数编码的服务组合优化方法 | |
| Zhang et al. | A hybrid genetic-monkey algorithm for the vehicle routing problem |
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 |