CN106156898A - 一种基于MoCD算法的商品配送路径规划方法 - Google Patents

Abstract

本发明涉及一种基于MoCD算法(基于Dijkstra算法的多目标约束算法)的商品配送路径规划方法，本发明首先根据实际城市道路情况，以道路的交叉点或端点作为节点，建立了城市道路网的模型；其次确定商品价格信息，筛选符合商品发往目的地的厂家；然后根据需要商品数量以及厂家存货数量选择厂家，可以存在多个厂家组合以满足需求商品数量的供需方案；最后由上一步确定的厂家地理位置和车辆位置，利用Dijkstra算法规划最优的路径，并采用逐级搜索的方法，提高本发明算法搜索的效率。通过规划最优路径，达到节约运输成本、提高车辆装载率以及提高配送的效率的目的。

Description

一种基于MoCD算法的商品配送路径规划方法

技术领域

本发明涉及一种物流***中的商品配送路径规划算法，具体涉及一种基于MoCD算法(基于Dijkstra算法的多目标约束算法)的商品配送路径规划方法。

背景技术

近些年来，随着互联网的快速发展，电子商务已经渗透到各行各业当中，随之而来的现代物流业正成为新的研究热点。作为现代物流管理中的一个核心环节，商品配送引起了专家学者们的广泛研究与关注，商品配送的技术水平和整体效率也得到了较大程度的提高。商品配送中的路径规划，是物流***中的关键环节。较好的商品规划路径方案，有利于加快物流响应速度，提高服务质量，降低物流成本，提高效率以及增加经济效益。

目前，物流***中的商品配送路径规划主要靠车载的导航***，根据车辆地理位置和目的地地理位置，由导航***中的地图给车辆指引路线。国内外已经有很多的专家学者给出了路径规划的算法，其中主要有传统的启发式算法和人工智能算法。但这些算法大都只给出了最短路径的规划方案，并没有考虑车辆的商品发往的目的地、需求数量、价格以及商品装载的难易程度等。若某地区有较多商品厂家，当车辆向不同地点配送商品时，如何找到满足车辆需求的厂家的最优路径规划方案成为当前面临的问题。因此，该研究内容具有重要的研究价值。

为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

技术方案1：专利号为CN104616070A的《一种物流配送路径规划方法及装置》的专利，涉及一种物流配送路径规划方法及装置，主要通过五步完成：第一，获取每个需求点的配送量和配送点与需求点之间以及各需求点之间的直接可达最短路径的距离；第二，以配送点和需求点作为节点，以所述配送点与需求点之间以及各需求点之间直接可达最短路径作为边，构造路径连通图；第三，根据所述每个需求点节点的配送量以及每条边的距离划分所包含节点的总配送量不大于预设运量容限的任务子图；第四，构造包含任务子图中所包含的全部节点的最小支撑树；第五，从所述最小支撑树与所述配送点节点构成回路中选取包含最小支撑树路径最长的回路作为配送路径主干，所述配送路径主干之外的悬挂节点采用往返路径，得到该任务子图的配送路径。该发明采用自组织方式合理将需求点进行邻近合并划分任务子图，适用于大规模的配送路径规划。

技术方案2：专利号为CN103383756A的《一种烟草物流配送路径规划方法》的专利，属于烟草配送领域，涉及一种烟草物流配送路径规划的方法，主要通过四步来完成：第一，对该地区内的所有零售户利用自下而上的一阶段方法和直接指派的方法进行聚类，其中自下而上的一阶段方法包括：初始状态的每个零售点都是一个类，若类的容量没有达到上限，邻近的类相互聚合，直到没有类可以再聚合，直接指派的方法包括：初始阶段指定类的数目，并指定每个类的初始核，若类的容量没有达到上限，将每个零售点向最接近的类聚合，并更新类的核，直到所有点都已聚合到相应的类；第二，基于离散模型的站点与服务区规划，将整个配送地区均分为一定数量的点阵，然后给定站点数目，以最小化总里程为目标，采用数学模型计算最佳的选址方案；第三，基于配送工作量模型的最优路径确定，主要考虑了综合作业时间，采用Dijkstra算法计算最优路径；第四，订单日规划，根据总体工作量需求，确定车辆数目范围，以工作量均衡为目标，确定最佳的规划方案。

技术方案3：专利号为CN103413209A的《多客户多仓库物流配送路径选择方法》的专利，涉及一种配送路径选择方法，主要通过八步完成：第一，蚁群优化方法初始化；第二，路径构建；第三，信息素构建；第四，禁忌搜索方法初始化；第五，构建邻域路径集；第六，评价邻域路径集；第七，路径更新；第八，更新禁忌表。该发明能够适应于多仓库的物流配送的路径优化处理。

技术方案1采用了构造节点的最小支撑树的方法，首先获取每个需求点的配送量和配送点与需求点之间以及各需求点之间的直接可达最短路径的距离，然后以配送点和需求点为节点，在配送点和需求点及需求点之间直接可达最短路径为边，构造路径连通图,进而根据每个需求点节点的配送量以及每条边的距离对所述路径连通图划分任务子图，在任务子图中构造最小支撑树，选取包含最小支撑树的最长路径作为主干配送路径，其他节点采用往返路径，得到任务子图的配送路径，并在特定的情况下进行路径的优化。在实际应用场景下，该方法需要统计各节点的需求信息，适合统一管理的情况下的较大规模的配送路径规划，但在非统一管理的场景下灵活性较差，普适性不强；技术方案2涉及烟草的配送领域，首先对所有零售户进行聚类，接着将配送地区划分点阵，根据数学模型计算最佳的配送点选址方案，然后根据订单日的工作量确定车辆数目范围，确定配送路径。该方案根据烟草零售户的较分散特点，采取该方式的烟草物流配送路径规划，能解决烟草的不同供需量情况下配送路径规划，但该方案方法复杂，算法的复杂性较高，在要求实时路径规划时效率较低；技术方案3采用了蚁群优化的方法进行配送路径的优化，首先利用蚁群算法构建路径，然后对所建立的路径进行评价、更新，并结合禁忌搜索优化方法对路径进行优化，最终得到配送车辆从出发到配送完货物后返回出发地点的最优路径。该方法能适应多客户多仓库物流配送路径的规划，可以得到较好的路径规划。但该方案计算开销很大，搜索时间较长，在实际应用中对处理器的要求较高，理论意义较大，实用性不强。

发明内容

为解决上述现有技术中的不足，本发明的目的是提供一种基于MoCD算法的商品配送路径规划方法，通过规划最优路径，达到节约运输成本、提高车辆装载率以及提高配送的效率的目的。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于MoCD算法的商品配送路径规划方法，其改进之处在于，所述方法包括下述步骤：

步骤101：建立城市道路网模型；

步骤102：确定商品价格信息；

步骤103：根据不同厂家商品的配送目的地，筛选符合要求目的地的厂家；

步骤104：确定商品供需方案；

步骤105：利用Dijkstra算法对车辆到商品厂家的路径进行规划；

步骤106：采用逐级搜索方式对城市道路网模型划分区域进行搜索；

步骤107：输出最优路径规划方案，结束。

进一步的，所述步骤101中，定义一条城市道路的交叉点或端点作为城市道路网的节点，节点有相对的经度、纬度地理坐标；两节点间的路段定义为城市道路网的边，路段的距离定义为边的权值；根据城市道路网的特点，有以下分析假设：

(1)所有的边是双向可通的，边的权值为正值；

(2)城市道路网中两节点间有弧度的边抽象为等距离直线的边。

进一步的，所述步骤104中，根据配送商品价格信息、配送目的地、需要商品数量、商品厂家存货数量以及车辆需求情况给出商品供需方案，根据当前所处地理位置，在本区域内，搜索符合需求商品数量的厂家，给出一个或多个组合选择。

进一步的，所述步骤105中，由步骤104中给出的多个选择，根据Dijkstra算法规划各个选择的最短路径，若某一选择中有多个节点，则利用Dijkstra算法规划各个节点间的最短路径。

进一步的，所述步骤105中，所述Dijkstra算法原理为：引入一个辅助向量D，它的每个分量D[i]表示当前所找到的从起始点v_s到每个节点v_i的最短路径长度；辅助向量D的初始状态为：若从起始点v_s到节点v_i有边，则每个分量D[i]为边上的权值，否则令D[i]为无穷大∞；设集合M为求得最短路径终点的集合，初始状态为空集；

利用Dijkstra算法对车辆到商品厂家的路径进行规划包括下述步骤：

(1)从起始点v_s出发，到各节点v_i的最短路径长度为D[i]的初值为：D[i]＝c＜v_s,v_i＞；

(2)选择节点v_j，使得v_j表示当前求得的从起始点v_s出发的最短路径终点，并且将最短路径终点v_j加入到集合M中；

(3)更新从起始点v_s出发到集合V-M上任一节点v_k的可达最短路径长度，如果D[k]＞D[j]+c＜v_j,v_k＞，则更新D[k]为D[k]＝D[j]+c＜v_j,v_k＞；

(4)重复操作步骤(2)、(3)共n-1次，则得到从起始点v_s出发到任一节点的最短路径长度；

(5)由下述公式计算得到从起始点v_s到节点v_d的最短路径长度C(P_sd)：

$C\left(P_{sd}\right)=\underset{i=1}{\overset{n-1}{\Σ}}c(v_i,v_{i+1})---(5-1);$

其中：C(P_sd)为从起始点v_s到节点v_d的最短路径长度；n表示n个节点；c(v_i,v_i+1)是边(v_i,v_i+1)的非负权值。

进一步的，所述步骤106中，假设不同厂家的商品发往不同的目的地A，B，C，厂家F_i存有商品w_i吨，价格为p_i；车辆需求的商品数量为W吨，需要到m个厂家能满足所需求的商品数量；则约束条件如下：

$\left\{\begin{array}{c}Min\left(\underset{i=1}{\overset{m}{\Σ}}C\right(P_{i-1,i}\left)\right)\\ \underset{i=1}{\overset{m}{\Σ}}{w}_i\≥W\\ Min\left(m\right)\\ Min\left(p_i\right)\end{array}\right.---(5-2);$

其中：表示车辆经过m个厂家满足运输需求的最短路径长度；w_i表示厂家F_i存有的商品，单位为吨；C(P_i-1,i)表示节点i-1到节点i间的最短路径，即为单个厂家满足运输需求的最短路径长度；W表示车辆需求的商品数量，单位为吨；P_i-1,i表示节点i-1到节点i间的一条路径；

将整个城市道路网模型分为9个区域，根据车辆所处城市的不同位置，来实现由近及远的搜索。

进一步的，判断是否满意步骤105中给出的路径规划，若满意，则Dijkstra算法结束；反之，扩大搜索区域，在所有相邻区域(一般来说，不同城市相邻区域值不同，以山东济南市为例，主城区面积328km2,约合18*18km2,可知相邻区域半径6km。一般可认为大型城市相邻区域半径10km,中型城市相邻区域半径为5km,小型城市相邻区域半径为3km)内重复步骤103-步骤105，直到所有区域搜索完毕。

为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：

本发明提供的技术方案立足于商品配送路径规划，对多目标约束情况下的路径规划进行研究，研究商品配送路径的规划方法。研究在城市道路网模型的场景下，在某一地区存在多个同一商品的厂家，因商品价格的不同、不同厂家商品销往地区不同，且厂家存有商品数量也不同，运输商品的车辆如何根据需求来选择商品厂家，满足商品供需的条件，并使得车辆经过的路径最短的问题。通过规划最优路径，达到节约运输成本、提高车辆装载率以及提高配送的效率的目的。

通过研究发现，该问题其实是在多个目标条件的约束下，寻求满足各条件下的最短路径规划。为此，本发明首先根据实际城市道路情况，以道路的交叉点或端点作为节点，建立了城市道路网的模型；其次确定商品价格信息，筛选符合商品发往目的地的厂家；然后根据需要商品数量以及厂家存货数量选择厂家，可以存在多个厂家组合以满足需求商品数量的供需方案；最后由上一步确定的厂家地理位置和车辆位置，利用Dijkstra算法规划最优的路径，并采用逐级搜索的方法，提高本发明算法搜索的效率。

实际运用效果表明，该方法可以根据车辆对不同商品数量的需求，很快的给出商品配送最优路径规划方案，在有多种供需方案下还可以给出不同的路径规划方案。

为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。

附图说

图1是本发明提供的城市道路网示意图；

图2是本发明提供的划分区域的城市道路网示意图；

图3是本发明提供的具体实施例一的基于MoCD算法的商品配送路径规划方法的流程图；

图4是本发明提供的具体实施方式二的时间复杂度对比图；

图5是本发明提供的具体实施方式二的空间复杂度对比图；

图6是本发明提供的具体实施方式二的需求量为15吨时最优路径示意图；

图7是本发明提供的具体实施方式二的需求量为40吨时最优路径示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明首先根据实际城市道路情况，以道路的交叉点或端点作为节点，建立了城市道路网的模型；其次确定商品价格信息，筛选符合商品发往目的地的厂家；然后根据需要商品数量以及厂家存货数量选择厂家，可以存在多个厂家组合以满足需求商品数量的供需方案；最后由上一步确定的厂家地理位置和车辆位置，利用Dijkstra算法规划最优的路径，，并采用逐级搜索的方法，提高本发明算法搜索的效率。

实施例一

本发明提供一种基于MoCD算法的商品配送路径规划方法，包括下述步骤：

步骤101：建立城市道路网模型；

步骤102：确定商品价格信息；

步骤103：根据不同厂家商品的配送目的地，筛选符合要求目的地的厂家；

步骤104：确定商品供需方案；

步骤105：利用Dijkstra算法对车辆到商品厂家的路径进行规划；

步骤106：采用逐级搜索方式对城市道路网模型划分区域进行搜索；

步骤107：输出最优路径规划方案，结束。

具体的：

步骤101中，本发明建立了城市道路网的模型：

纵横交织、错综复杂的城市道路网主要由众多街道相交、相连而构成，一条街道可能与若干条街道相交、相连，并且相交、相连的模式复杂。为了避免过多地考虑街道间的拓扑关系，以交叉路口作为分析对象，将包含交叉路口的道路拆分成最基本的路段，一条路段只在其端点处与其他路段相交。在数字地图中，定义一条道路的交叉点或端点作为道路网的节点,节点有相对的经度、纬度地理坐标，两节点间的路段定义为网络的边，路段的距离定义为边的权值。根据城市道路网的特点,有以下合理的分析假设：

(1)所有的边是双向可通的，边的权值为正值；

(2)网络中两节点间有弧度的边抽象为等距离直线的边。

由以上假设，我们可以把城市道路网抽象为如图1所示。图1中五角星表示待配送商品的厂家位置，节点间的权值为它们之间的实际距离，单位为km。

在图1中，在进行从某一地点到某一厂家的最短路径计算时，本发明将厂家地点与其最近的节点视为同一节点，然后再根据相应来车方向相应的增加或减少厂家与最近节点的距离，以此来实现最短路径的计算，达到减少图中节点数目，减少最优路径的搜索时间。

步骤104中，根据配送商品价格信息、配送目的地、需要商品数量、商品厂家存货数量以及车辆需求情况给出商品供需方案，根据当前所处地理位置，在本区域内，搜索符合需求商品数量的厂家，给出一个或多个组合选择。

步骤105中，由步骤104中给出的多个选择，根据Dijkstra算法规划各个选择的最短路径，若某一选择中有多个节点，则利用Dijkstra算法规划各个节点间的最短路径。

假设现在需要运输一批商品，此时车辆在图1中A点，需要去某厂家运输商品，这时就需搜寻合适的厂家，以达到路径最短，且尽量满足运输量。

在搜索路径的时候，根据Dijkstra算法来实现距离最短的路径，下面先介绍下Dijkstra算法。

在图论中，给定带权图G＝(V，E)，其中V是包含n个节点的集合，E是包含m条边的集合，＜v,w＞是E中从v到w的边，c＜v,w＞是边＜v,w＞的非负权值，设a,b是V中的节点，P_ab＝{v₀＝a,v₁,…,v_n＝b}是V中由a到b的一条路径，则路径P_ab的权值总和C(P_ab)表示为：

$C\left(P_{ab}\right)=\underset{i=1}{\overset{n-1}{\Σ}}c(v_i,v_{i+1})$

因此最短路径问题就是在带权的图中，寻找从指定起点到终点的一条权值总和最小的路径。Dijkstra算法的原理如下：

(1)引入一个辅助向量D，它的每个分量D[i]表示当前所找到的从起始点v_s到每个中间点v_i的最短路径长度。D的初始状态为：若从v_s到v_i有边，则D[i]为边上的权值，否则令D[i]为∞。设集合M为求得最短路径终点的集合，初始状态为空集。最短路径生成过程如下：

(2)从v_s出发，到图上其他各节点v_i的可能最短路径长度为D[i]的初值为：D[i]＝c＜v_s,v_i＞；

(3)选择v_j，使得v_j就是当前求得的从v_s出发的最短路径终点，并且将v_j加入到集合M中。

(4)更新从v_s出发到集合V-M上任一节点v_k的可达最短路径长度，如果D[k]＞D[j]+c＜v_j,v_k＞，则更新D[k]为D[k]＝D[j]+c＜v_j,v_k＞；

(5)重复操作(2)、(3)共n-1次，则可得到从v_s出发到任一节点的最短路径长度。

(6)最后由下述公式(5-1)计算得到从v_s到v_d的最短路径长度C(P_sd)：

$C\left(P_{sd}\right)=\underset{i=1}{\overset{n-1}{\Σ}}c(v_i,v_{i+1})---(5-1);$

其中：C(P_sd)为从起始点v_s到节点v_d的最短路径长度；n表示n个节点；c(v_i,v_i+1)是边(v_i,v_i+1)的非负权值。

步骤106中，由Dijkstra算法可以得到从某一节点到其它节点的最短路径长度，但运输车辆在选择某厂家运输商品时还要考虑到商品发往的目的地、数量、价格等因素，加入其它条件肯定会导致算法搜索时间增多，因此本发明根据以上算法思想，提出了本发明的算法，基于Dijkstra算法的多目标约束(MoCD，Multi-objective ConstraintDijkstra)的商品配送路径规划算法，简称MoCD算法。

假设不同厂家的商品发往不同的目的地A，B，C，厂家F_i存有商品w_i吨，价格为p_i。车辆需求的商品数量为W吨，需要到m个厂家能满足所需求的商品数量。则我们的约束条件如下：

$\left\{\begin{array}{c}Min\left(\underset{i=1}{\overset{m}{\Σ}}C\right(P_{i-1,i}\left)\right)\\ \underset{i=1}{\overset{m}{\Σ}}{w}_i\≥W\\ Min\left(m\right)\\ Min\left(p_i\right)\end{array}\right.,---(5-2)$

其中：表示车辆经过m个厂家满足运输需求的最短路径长度；w_i表示厂家F_i存有的商品，单位为吨；C(P_i-1,i)表示节点i-1到节点i间的最短路径，即为单个厂家满足运输需求的最短路径长度；W表示车辆需求的商品数量，单位为吨；P_i-1,i表示节点i-1到节点i间的一条路径；

然而在多目标的约束条件下，算法的搜索时间肯定会增大，因此我们引入逐级搜索的方法。如图2中，将整个城市道路网分为9个区域，根据车辆所处城市的不同位置，来实现由近及远的搜索。

本发明算法的流程图如图3所示。

实施例二

本发明根据山东省某市区内的66家钢材厂家对所提算法进行验证，将基于Dijkstra算法的商品配送路径规划算法应用到某公司开发的App当中，根据手机App中的装货推荐功能对本发明算法的实用性进行验证。下面主要从不同算法搜索路径的时间和规划方案来进行说明。

(1)计算时间是衡量算法性能的因素之一。考虑66个钢材厂家，某车辆需要运输发往北京的某种钢材，我们根据手机App给出搜索出的最优路径时间作为算法的计算时间，运行10次求其均值，以下给出蚁群算法和本发明算法的平均计算时间。

表1三种算法的平均计算时间

从表1可以看出，本发明的算法与蚁群算法相比，路径搜索时间较短，在实际应用中用户体验较好。

(2)算法复杂度。算法的复杂度包括时间复杂度和空间复杂度，时间复杂度主要是算法搜索最优路径所需的时间与节点数量的关系；空间复杂度主要是算法在运行时占用的内存资源。

蚁群算法的时间复杂度为O(n⁴)，空间复杂度为O(n²)；Dijkstra算法的时间复杂度为O(n²)，空间复杂度为O(n)；本发明的算法是基于Dijkstra算法，其中给出商品数量供需方案时的时间复杂度为O(n)，空间复杂度为O(1)。因此，本发明中的MoCD算法的时间复杂度为T(n)＝O(n²)+O(n)＝O(n²)；空间复杂度S(n)＝O(n)+O(1)＝O(n)。

如图4、5所示，由图4、图5可以看出，蚁群算法在计算时会耗费大量的时间和内存资源，而本发明的MoCD算法的计算时间和计算开销则大大降低，采用逐级搜索的方式可以进一步降低算法的搜索时间和对内存资源的占用。

(3)规划方案。考虑某市区内的66家钢材厂家，某车辆在不同的初始位置，需求发往北京的某种钢材分别为15吨和40吨时，本发明给出的最优路径规划方案如下。

某车辆在需求量为15吨时，此地区内厂家满足其需求，并且路径最短的规划方案结果如图6所示。

某车辆某时刻在另一地点，需求量为40吨时，给出了两个厂家组合满足其需求的方案，此时路径规划方案的结果如图7所示。

本发明提供的方法结合城市中道路实际情况，以道路交叉点或端点为节点，建立了城市道路网模型，并将厂家位置与其最近节点视为同一节点，减少了模型中节点的数量；针对多个目标约束下的商品配送路径规划问题，建立了以满足车辆需求商品数量为目标，由车辆位置和满足需求的厂家位置运用Dijkstra算法进行路径规划。并将城市进行分区，采用逐级搜索的方法进行路径的规划，提高了最优路径的搜索效率。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种基于MoCD算法的商品配送路径规划方法，其特征在于，所述方法包括下述步骤：

步骤101：建立城市道路网模型；

步骤102：确定商品价格信息；

步骤103：根据不同厂家商品的配送目的地，筛选符合要求目的地的厂家；

步骤104：确定商品供需方案；

步骤105：利用Dijkstra算法对车辆到商品厂家的路径进行规划；

步骤106：采用逐级搜索方式对城市道路网模型划分区域进行搜索；

步骤107：输出最优路径规划方案，结束。

2.如权利要求1所述的商品配送路径规划方法，其特征在于，所述步骤101中，定义一条城市道路的交叉点或端点作为城市道路网的节点，节点有相对的经度、纬度地理坐标；两节点间的路段定义为城市道路网的边，路段的距离定义为边的权值；根据城市道路网的特点，有以下分析假设：

(1)所有的边是双向可通的，边的权值为正值；

(2)城市道路网中两节点间有弧度的边抽象为等距离直线的边。

3.如权利要求1所述的商品配送路径规划方法，其特征在于，所述步骤104中，根据配送商品价格信息、配送目的地、需要商品数量、商品厂家存货数量以及车辆需求情况给出商品供需方案，根据当前所处地理位置，在本区域内，搜索符合需求商品数量的厂家，给出一个或多个组合选择。

4.如权利要求1所述的商品配送路径规划方法，其特征在于，所述步骤105中，由步骤104中给出的多个选择，根据Dijkstra算法规划各个选择的最短路径，若某一选择中有多个节点，则利用Dijkstra算法规划各个节点间的最短路径。

5.如权利要求4所述的商品配送路径规划方法，其特征在于，所述步骤105中，所述Dijkstra算法原理为：引入一个辅助向量D，它的每个分量D[i]表示当前所找到的从起始点v_s到每个节点v_i的最短路径长度；辅助向量D的初始状态为：若从起始点v_s到节点v_i有边，则每个分量D[i]为边上的权值，否则令D[i]为无穷大∞；设集合M为求得最短路径终点的集合，初始状态为空集；

利用Dijkstra算法对车辆到商品厂家的路径进行规划包括下述步骤：

(1)从起始点v_s出发，到各节点v_i的最短路径长度为D[i]的初值为：D[i]＝c＜v_s,v_i＞；

(2)选择节点v_j，使得v_j表示当前求得的从起始点v_s出发的最短路径终点，并且将最短路径终点v_j加入到集合M中；

(3)更新从起始点v_s出发到集合V-M上任一节点v_k的可达最短路径长度，如果D[k]＞D[j]+c＜v_j,v_k＞，则更新D[k]为D[k]＝D[j]+c＜v_j,v_k＞；

(4)重复操作步骤(2)、(3)共n-1次，则得到从起始点v_s出发到任一节点的最短路径长度；

(5)由下述公式计算得到从起始点v_s到节点v_d的最短路径长度C(P_sd)：

$C\left(P_{sd}\right)=\underset{i=1}{\overset{n-1}{\Σ}}c(v_i,v_{i+1})---(5-1);$

其中：C(P_sd)为从起始点v_s到节点v_d的最短路径长度；n表示n个节点；c(v_i,v_i+1)是边(v_i,v_i+1)的非负权值。

6.如权利要求1所述的商品配送路径规划方法，其特征在于，所述步骤106中，假设不同厂家的商品发往不同的目的地A，B，C，厂家F_i存有商品w_i吨，价格为p_i；车辆需求的商品数量为W吨，需要到m个厂家能满足所需求的商品数量；则约束条件如下：

$\left\{\begin{array}{c}Min\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}C\right(P_{i-1,i}\left)\right)\\ \underset{i=1}{\overset{m}{\Σ}}{w}_i\≥W\\ Min\left(m\right)\\ Min\left(p_i\right)\end{array}\right.---(5-2);$

其中：表示车辆经过m个厂家满足运输需求的最短路径长度；w_i表示厂家F_i存有的商品，单位为吨；C(P_i-1,i)表示节点i-1到节点i间的最短路径，即为单个厂家满足运输需求的最短路径长度；W表示车辆需求的商品数量，单位为吨；P_i-1,i表示节点i-1到节点i间的一条路径；

将整个城市道路网模型分为9个区域，根据车辆所处城市的不同位置，来实现由近及远的搜索。

7.如权利要求6所述的商品配送路径规划方法，其特征在于，判断是否满意步骤105中给出的路径规划，若满意，则Dijkstra算法结束；反之，扩大搜索区域，重复步骤103-步骤105，直到所有区域搜索完毕。