CN105404941A - 一种物流运输方式和路径智能优化的方法及*** - Google Patents

Abstract

本发明提供一种物流运输方式和路径智能优化的方法及***，优化方法主要步骤为：准备结点数据和边数据，计算获取最佳运输方式和路径；所述获取最佳运输方式和路径的方法包括：把所述的结点数据和边数据用带权有向图表示；计算图G加入新结点后的图Gˊ；使用Bellman-Ford算法处理Gˊ，并形成新结点到各结点的最小距离；更新边数据的权值；对图G中所有结点数据运行Dijkstra算法计算与其他结点数据的最短距离；优化费用优先和时间优先的运输方式和路径。该方法解决了给定货物、起始地和目的地，从不同的运输方式和运输路径中，按照价格优先、时间优先等限制要素，智能地计算和选择最佳的运输方式和运输路径的问题。

Description

一种物流运输方式和路径智能优化的方法及***

技术领域

本发明涉及智能优化方法，特别是指一种物流运输方式和路径智能优化方法。

背景技术

货物运输的两大核心内容：快捷、准确、节约的配送服务；安全、可靠的货物运输与结算。目前，货运现状还处在粗放型发展阶段，返程车船的空驶运力还不能得到充分利用，一方面物流费用居高不下、另一方面空驶运力浪费严重。现有货物配货站还停留在原始的司机找货和货找车的阶段；如何减少运输过程中的运力浪费和降低运输过程的成本，提高货运的效率，就需要对车船的行驶路况进行***分析，根据货物运输的需要优先的选择费用最少路线或者事件最短的路线，本发明解决了给定货物、起始地和目的地，从不同的运输方式和运输路径中，按照价格优先、时间优先等限制要素，智能地计算和选择最佳的运输方式和运输路径的问题。

目前为止对Johnson算法、Bellman-Ford算法和Dijkstra算法大部分的应用还处于单纯研究算法本身，并没有现有技术将他们有机结合起来，共同应用于物流运输行业从而解决运输方式及路径优化的技术问题，因此，本发明创新的对上述多个算法进行了深入研究，并基于大量数据模拟仿真及实地测试验证，成功地提出了基于上述算法的路径智能优化方法及***，并有效解决了车船运行时的运输方式和运输路径的问题。

发明内容

本发明提供了一种物流运输方式和路径智能优化方法，具体如下：

包括从时间优先和费用优先两种条件下分析运输方式和路径的优化，优化方法步骤如下：

(1)准备结点数据

结点数据是指铁路货运场站、公路货运场站和港口码头的集合，结点数据作为货运起始地和货运目的地，车船主在一次运力运输中的起始地和目的地是确定的，则设货运起始地为X，货运目的地为Y。

(2)准备边数据

1)边数据是指任意两个通过某一运输方式连通的结点之间所有可能的路径，路径数为N，包括从两结点X到Y或者Y到X的特定运输方式所需要花费的时间和费用代价。

2)根据现实应用场景排除可能的下列路径

货物与运输方式的适配问题，有些货物因为尺寸、安全因素仅能使用特定的方式运输；

运输工具的限制，包括车、船、火车的数量及运能问题；

货运场站、港口码头的仓储能力、装卸能力的限制；

跨省和市的官方检查而消耗时间的问题；

运输工具的调度因素，特定时间段内，运输工具的高度问题；

不同运输方式之间的装卸代价问题，从一种运输方式转变成另一种方式需要的时间的费用。

3)最后得到有限条可能的运输路径M；

(3)计算获取最佳运输方式和路径

步骤1：把结点数据和边数据用带权有向图表示，表示为G＝(V,L)；

V代表结点数据的集合，即所述铁路货运场站、公路货运场站和港口码头的集合，用代数式表示为V＝{V₁,V₂,V₃}，V₁,V₂,V₃分别表示铁路货运场站、公路货运场站和港口码头的结点数据集合，其中V₁＝{v₁₁,v₁₂,...v_1i,...v_1r}，其中1≤i≤r,r≤M，v_i表示在有向图中铁路货运场站的第i个结点数据，同样的可表示公路货运场站和港口码头的结点数据。

L表示边数据，即任意两个通过某一运输方式连通的结点之间的路径，代数式表示为L＝{v_i,v_j}，其中1≤i,j≤M，v_i,v_j表示节点数据v_i,v_j之间的路径。

所述带权有向图的权值ω从任意两个结点数据之间行驶每单位长度所需的时间、费用、紧急程度考虑，并在实际运行中不断训练学习。

步骤2：计算图G加入新结点后的图G'＝(V',L')，加入的新结点X到所有原结点之间的权值为零，即V'＝V∪(X)，L'＝L∪{(X,u):u∈V}，对所有的u∈V，ω(X,u)＝0；其中X是新加入的物流铁路货运场站、公路货运场站或者港口码头中的货运起始地，u表示从货运起始地到货运目的地之间的某个结点。

步骤3：所述货运起始地为X到其他所述结点数据u或者v之间的距离表示为dis(X,u)或者dis(X,v)，边数据为L(u,v)，其对应的权值为ω(u,v)；

执行循环若dis(X,u)+ω(u,v)<dis(X,v)，则更新dis(X,v)＝dis(X,u)+ω(u,v)，若dis(X,v)没有更新或者部分点数据不可达，则结束循环，得到所述货运起始地X到其他节点数据的最短距离集合R(dis)，并把所述货运起始地X到其他结点数据的各个最短距离存放在数组h(x)中；其中x∈R(dis)即x在所述货运起始地X到其他节点数据的最短距离集合R(dis)中。

步骤4：对所有边数据的权值ω(u,v)，更新为ω_,(u,v)＝ω(u,v)+h(u)-h(v)，其中u,v表示从货运起始地到货运目的地之间的某个结点，ω(u,v)表示u,v对应的边数据的权值，即两个物流铁路货运场站、公路货运场站或者港口码头之间经过的路径的可能性。

步骤5：所述所有结点数据表示为V＝{S,U}，S＝{u}，U＝{除了u以外的其他结点数据}；其中S为已求出最优路径的结点数据的集合，U为其余未确定最优路径的结点数据的集合，并且ω'(u)＝0，v∈U。

步骤6：从U中选取权值ω’(u,k)，所述权值符合的条件是u到k的权值小于到其他结点数据的权值，并把所述结点数据k加入S中，以k为新的结点数据，修改U中各结点数据的权值，设置dis(k,v)＝min[dis(k,v)+w_,(k,v)]；其中k为新选定的物流铁路货运场站、公路货运场站或者港口码头中的符合条件的结点数据，v表示车船没有经过的物流铁路货运场站、公路货运场站或者港口码头中的某结点数据，ω’(k,v)表示从结点数据k到v的权值。

步骤7、根据步骤6优化出费用优先的运输路径：

cost_min(k,v)＝min[(dis(k,v)*up),((dis(k,v)+ω(k,v))*up)]，重复步骤6直到所有结点数据都包含在S中，从而计算出从所述货运起始地到其他结点数据之间的花费优先最优路径cost_min(X,v)；其中up表示某种货运车船型在运输1KM的距离并且同样的其他运输环境下的平均花费。

根据步骤6优化出时间优先的运输路径：

time_min(k,v)＝min[(dis(k,v)/vel),((dis(k,v)+ω(k,v))/vel)]，重复步骤6直到所有结点数据都包含在S中，从而计算出从所述货运起始地到其他结点数据之间的时间优先最优路径time_min(X,v)；其中vel表示某种货运车船型号在具备同样的其他运输环境下的平均速度。

上述物流铁路货运场站、公路货运场站或者港口码头主要包括配货点、配货站、车船主、物流园、货主、物流公司、货代公司、港口码头。

优先的，优化方法还可以首先分别优化铁路货运场站、公路货运场站和港口码头V₁,V₂,V₃的运输方式和路径，再进行数据整合。

本发明首先对节点数据和边数据进行整理，即整理物流铁路货运场站、公路货运场站或者港口码头等配货站点，然后用Johnson算法计算获取最佳运输方式和路径，主要包括：把所述的结点数据和边数据用带权有向图表示；计算图G加入新结点后的图；使用Bellman-Ford算法处理G'，并形成新结点到各结点的最小距离；更新边数据的权值；对图G中所有结点数据运行Dijkstra算法计算与其他结点数据的最短距离；优化费用优先和时间优先的运输方式和路径。该方法解决了给定货物、起始地和目的地，从不同的运输方式和运输路径中，按照价格优先、时间优先等限制要素，智能地计算和选择最佳的运输方式和运输路径的问题。

附图说明

图1为本发明的智能优化方法流程图。

图2是本发明的运输方式与路径智能优化算法流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

实施例1

根据图1所示，本发明提供了一种物流运输方式和路径智能优化方法，依据Johnson算法，该算法融合了Bellman-Ford算法和Dijkstra算法，并且Dijkstra算法本身还使用了优先级数组，性能比较好，达到了O(V²lgV+VL)的时间复杂度，在无负权回路图中是最快的，比较有代表性，具体主要从时间优先和费用优先两种条件下分析运输方式和路径的优化，其特征在于，优化方法步骤如下：

(1)准备结点数据

结点数据是指铁路货运场站、公路货运场站和港口码头的集合，结点数据作为货运起始地和货运目的地，车船主在一次运力运输中的起始地和目的地是确定的，则设所述货运起始地为X，货运目的地为Y。

(2)准备边数据

1)边数据是指任意两个通过某一运输方式连通的结点之间所有可能的路径，路径数为N，包括从两结点X到Y或者Y到X的特定运输方式所需要花费的时间和费用代价。

2)根据现实应用场景排除可能的下列路径

货物与运输方式的适配问题，有些货物因为尺寸、安全因素仅能使用特定的方式运输；

运输工具的限制，包括车、船、火车的数量及运能问题；

货运场站、港口码头的仓储能力、装卸能力的限制；

跨省和市的官方检查而消耗时间的问题；

运输工具的调度因素，特定时间段内，运输工具的高度问题；

不同运输方式之间的装卸代价问题，从一种运输方式转变成另一种方式需要的时间的费用。

3)最后得到有限条可能的运输路径M；

(3)计算获取最佳运输方式和路径

步骤1：如图2所示，把结点数据和边数据用带权有向图表示，表示为G＝(V,L)；

V代表结点数据的集合，即铁路货运场站、公路货运场站和港口码头的集合，可以分类用代数式表示为V＝{V₁,V₂,V₃}，V₁,V₂,V₃分别表示铁路货运场站、公路货运场站和港口码头的结点数据集合，其中V₁＝{v₁₁,v₁₂,...v_1i,...v_1r}，其中1≤i≤r,r≤M，v_i表示在有向图中铁路货运场站的第i个结点数据，同样的可表示公路货运场站和港口码头的结点数据；

L表示边数据，即任意两个通过某一运输方式连通的结点之间的路径，代数式表示为L＝{v_i,v_j}，其中1≤i,j≤M，v_i,v_j表示节点数据v_i,v_j之间的路长度。

所述带权有向图的权值ω从任意两个结点数据之间行驶每单位长度所需的时间、费用、紧急程度考虑，并在实际运营中不断训练学习。

步骤2：计算图G加入新结点后的图G'，加入的新结点数据到所有原结点数据之间距离为0，同时形成新的边集L'，主要包括：

计算图G加入新结点后的图G'＝(V',L')，加入的新结点X到所有原结点之间的权值为零，即V'＝V∪(X)，L'＝L∪{(X,u):u∈V}，对所有的u∈V，ω(X,u)＝0；其中X是新加入的物流铁路货运场站、公路货运场站或者港口码头中的货运起始地，u表示从货运起始地到货运目的地之间的某个结点。

步骤3：使用Bellman-Ford算法处理G'，并形成新结点到各结点的最小距离，主要包括：

货运起始地X到其他所述结点数据u或者v之间的距离表示为dis(X,u)或者dis(X,v)，边数据为L(u,v)，其对应的权值为ω(u,v)；

执行循环若dis(X,u)+ω(u,v)<dis(X,v)，则更新dis(X,v)＝dis(X,u)+ω(u,v)，若dis(X,v)没有更新或者部分点数据不可达，则结束循环，得到所述货运起始地X到其他节点数据的最短距离集合R(dis)，并把所述货运起始地X到其他结点数据的各个最短距离存放在数组h(x)中；其中x∈R(dis)即x在所述货运起始地X到其他节点数据的最短距离集合R(dis)中。

步骤4：更新边数据的权值

对所有边数据的权值ω(u,v)，更新为ω'(u,v)＝ω(u,v)+h(u)-h(v)，其中u,v表示从货运起始地到货运目的地之间的某个结点，ω(u,v)表示u,v对应的边数据的权值，即两个物流铁路货运场站、公路货运场站或者港口码头之间经过的路径的可能性的量化值。

步骤5：对图G中所有结点数据运行Dijkstra算法计算与其他结点数据的最短距离，主要包括：

1)所述所有结点数据表示为V＝{S,U}，S＝{u}，U＝{除了u以外的其他结点数据}；其中S为已求出最优路径的结点数据的集合，U为其余未确定最优路径的结点数据的集合，并且ω'(u)＝0，v∈U。

2)从U中选取权值ω’(u,k)，所述权值符合的条件是u到k的权值小于到其他结点数据的权值，并把所述结点数据k加入S中，以k为新的结点数据，修改U中各结点数据的权值，设置dis(k,v)＝min[dis(k,v)+w'(k,v)]；

其中k为新选定的物流铁路货运场站、公路货运场站或者港口码头中的符合条件的结点数据，v表示车船没有经过的物流铁路货运场站、公路货运场站或者港口码头中的某结点数据，ω'(k,v)表示从结点数据k到v的权值。

步骤6：优化费用优先和时间优先的运输方式和路径，主要包括：

根据2)优化出费用优先的运输路径：

cost_min(k,v)＝min[(dis(k,v)*up),((dis(k,v)+ω(k,v))*up)]，重复步骤6直到所有结点数据都包含在S中，从而计算出从所述货运起始地到其他结点数据之间的花费优先最优路径cost_min(X,v)；其中up表示某种货运车船型在运输1KM的距离并且同样的其他运输环境下的平均花费。

根据2)优化出时间优先的运输路径：

time_min(k,v)＝min[(dis(k,v)/vel),((dis(k,v)+ω(k,v))/vel)]，重复步骤6直到所有结点数据都包含在S中，从而计算出从所述货运起始地到其他结点数据之间的时间优先最优路径time_min(X,v)；其中vel表示某种货运车船型号在具备同样的其他运输环境下的平均速度。

时间优先和费用优先的运输路径确定的情况下可得知车船运输时优先选择的运输方式。

上述中提及的物流铁路货运场站、公路货运场站或者港口码头主要包括配货点、配货站、车船主、物流园、货主、物流公司、货代公司、港口码头。

实施例2

本发明还可以采用分别优化铁路货运场站、公路货运场站和港口码头V₁,V₂,V₃的运输方式和路径，再进行数据整合，即分别把实施例1中的V分别替换为V₁,V₂,V₃重新分类优化，并对分类优化的结果重新使用Johnson算法进行整体优化。

实施例3

本发明还提供了一种物流运输方式和路径智能优化的***，其包括：准备结点数据处理模块，其用于准备结点数据，所述结点数据是指铁路货运场站、公路货运场站和港口码头的集合，车船主在一次运力运输中的起始地和目的地是确定的，则设所述货运起始地为X，货运目的地为Y；

边数据准备模块用于准备边数据，所述边数据是指任意两个通过某一运输方式连通的结点之间所有可能的路径，路径数为N，包括从两结点X到Y或者Y到X的特定运输方式所需要花费的时间和费用代价；

最佳运输方式和路径获取模块采用Johnson算法将作为结点存到有向图G中结点数据和边数据计算出最优运输方式和路径，该***主要用于实现实施例1、2的方法步骤。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种物流运输方式和路径智能优化的方法，包括从时间优先和费用优先两种条件下分析运输方式和路径的优化，其特征在于，优化方法步骤如下：

(1)准备结点数据

结点数据是指铁路货运场站、公路货运场站和港口码头的集合，所述结点数据作为货运起始地和货运目的地，车船主在一次运力运输中的起始地和目的地是确定的，则设所述货运起始地为X，货运目的地为Y；

(2)准备边数据

1)边数据是指任意两个通过某一运输方式连通的结点之间所有可能的路径，路径数为N，包括从两结点X到Y或者Y到X的特定运输方式所需要花费的时间和费用代价；

2)根据现实应用场景排除可能的下列路径:

货物与运输方式的适配问题，有些货物因为尺寸、安全因素仅能使用特定的方式运输；

运输工具的限制，包括车、船、火车的数量及运能问题；

货运场站、港口码头的仓储能力、装卸能力的限制；

跨区域(省和市)的官方检查而消耗时间的问题；

运输工具的调度因素，特定时间段内，运输工具的高度问题；

不同运输方式之间的装卸代价问题，从一种运输方式转变成另一种方式需要的时间的费用；得到有限条可能的运输路径；

(3)计算获取最佳运输方式和路径

步骤1：把所述的结点数据和边数据用带权有向图表示，表示为G＝(V,L)；所述带权有向图的权值ω从任意两个结点数据之间行驶每单位长度所需的时间、费用、紧急程度考虑，并在实际运行中不断训练学习；

步骤2：计算图G加入新结点后的图G'，加入的新结点数据到所有原结点数据之间距离为0，同时形成新的边集L'；

步骤3：使用Bellman-Ford算法处理G'，并形成新结点到各结点的最小距离；

步骤4：更新边数据的权值，对所有边数据的权值ω(u,v)，更新为ω'(u,v)＝ω(u,v)+h(u)-h(v)；

步骤5：对图G中所有结点数据运行Dijkstra算法计算与其他结点数据的最短距离；

步骤6：优化费用优先和时间优先的运输方式和路径。

2.根据权利要求1所述的智能优化的方法，其特征在于，所述物流铁路货运场站、公路货运场站或者港口码头主要包括配货点、配货站、车船主、物流园、货主、物流公司、货代公司、港口码头。

3.根据权利要求1所述的智能优化的方法，其特征在于，根据得到的各个结点数据之间的最优路径的结果。

4.根据权利要求1所述的智能优化的方法，其特征在于，还可以首先分别优化铁路货运场站、公路货运场站和港口码头的运输方式和路径，再进行数据整合。

5.根据权利要求1所述的智能优化的方法，其特征在于，所述步骤5进一步包括：

(1)所述所有结点数据表示为V＝{S,U}，S＝{u}，U＝{除了u以外的其他结点数据}；其中S为已求出最优路径的结点数据的集合，U为其余未确定最优路径的结点数据的集合，并且ω'(u)＝0，v∈U。

(2)从U中选取权值ω’(u,k)，所述权值符合的条件是u到k的权值小于到其他结点数据的权值，并把所述结点数据k加入S中，以k为新的结点数据，修改U中各结点数据的权值，设置dis(k,v)＝min[dis(k,v)+w'(k,v)]；

其中k为新选定的物流铁路货运场站、公路货运场站或者港口码头中的符合条件的结点数据，v表示车船没有经过的物流铁路货运场站、公路货运场站或者港口码头中的某结点数据，ω'(k,v)表示从结点数据k到v的权值。

6.根据权利要求5所述的智能优化的方法，其特征在于，所述步骤6进一步包括：

根据所述步骤5中的第(2)步优化出费用优先的运输路径：cost_min(k,v)＝min[(dis(k,v)*up),((dis(k,v)+ω(k,v))*up)]，重复步骤6直到所有结点数据都包含在S中，从而计算出从所述货运起始地到其他结点数据之间的花费优先最优路径cost_min(X,v)；其中up表示某种货运车船型在运输1KM的距离并且同样的其他运输环境下的平均花费。

根据步骤5中的第(2)步优化出时间优先的运输路径：

time_min(k,v)＝min[(dis(k,v)/vel),((dis(k,v)+ω(k,v))/vel)]，重复步骤6直到所有结点数据都包含在S中，从而计算出从所述货运起始地到其他结点数据之间的时间优先最优路径time_min(X,v)；其中vel表示某种货运车船型号在具备同样的其他运输环境下的平均速度。

7.一种物流运输方式和路径智能优化的***，其特征在于，主要包括结点数据准备模块、边数据准备模块和最佳运输方式和路径获取模块；

所述结点数据准备模块用于准备结点数据，所述结点数据是指铁路货运场站、公路货运场站和港口码头的集合，车船主在一次运力运输中的起始地和目的地是确定的，则设所述货运起始地为X，货运目的地为Y；

边数据准备模块用于准备边数据，所述边数据是指任意两个通过某一运输方式连通的结点之间所有可能的路径，路径数为N，包括从两结点X到Y或者Y到X的特定运输方式所需要花费的时间和费用代价；

最佳运输方式和路径计算模块采用Johnson算法将作为结点存到有向图G中结点数据和边数据计算出最优运输方式和路径。

8.一种物流运输方式和路径智能优化的***，其特征在于，所述边数据准备模块还需要排除可能的下列路径：

货物与运输方式的适配问题，有些货物因为尺寸、安全因素仅能使用特定的方式运输；

运输工具的限制，包括车、船、火车的数量及运能问题；

货运场站、港口码头的仓储能力、装卸能力的限制；

跨区域(省和市)的官方检查而消耗时间的问题；

运输工具的调度因素，特定时间段内，运输工具的高度问题；

不同运输方式之间的装卸代价问题，从一种运输方式转变成另一种方式需要的时间的费用；得到有限条可能的运输路径。

9.一种物流运输方式和路径智能优化的***，其特征在于，实现所述最佳运输方式和路计算模块的步骤还包括：

步骤1：把所述的结点数据和边数据用带权有向图表示，表示为G＝(V,L)；

所述带权有向图的权值ω从任意两个结点数据之间行驶每单位长度所需的时间、费用、紧急程度考虑，并在实际运营中不断训练学习；

步骤2：计算图G加入新结点后的图G'，加入的新结点数据到所有原结点数据之间距离为0，同时形成新的边集L'；

步骤3：使用Bellman-Ford算法处理G'，并形成新结点到各结点的最小距离；

步骤4：更新边数据的权值，对所有边数据的权值ω(u,v)，更新为ω'(u,v)＝ω(u,v)+h(u)-h(v)；

步骤5：对图G中所有结点数据运行Dijkstra算法计算与其他结点数据的最短距离；

步骤6：优化费用优先和时间优先的运输方式和路径。