CN107392358B - 一种车辆分配方法及装置 - Google Patents
一种车辆分配方法及装置 Download PDFInfo
- Publication number
- CN107392358B CN107392358B CN201710526954.XA CN201710526954A CN107392358B CN 107392358 B CN107392358 B CN 107392358B CN 201710526954 A CN201710526954 A CN 201710526954A CN 107392358 B CN107392358 B CN 107392358B
- Authority
- CN
- China
- Prior art keywords
- train number
- vehicle
- mileage
- distribution information
- train
- 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.)
- Active
Links
Images
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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车辆分配方法及装置,该方法包括为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部原始订单;优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部原始订单;优化车次分配信息中各个车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径。本发明凭借优化车次和车辆的策略,合理并高效地实现了关于原始订单的车辆分配计划,从而更加适应业务需求的变化以及业务规模的增长。
Description
技术领域
本发明涉及汽车技术领域,更具体地说,涉及一种车辆分配方法及装置。
背景技术
VRP问题(Vehicle routing problem,车辆路径问题),它是指一定数量的客户,各自有不同的订单,配送中心向客户提供订单货物,由一个车队负责分送货物,组织适当的行车路线,目标是使得客户的需求得到满足,并能在一定的约束下,达到诸如路程最短、成本最小、耗费时间最少等目的。由于旅行商问题(TSP)是VRP问题的一种约化,而Gaery已证明TSP问题是NPC(Non-deterministic Polynomial complete problem,NP完全问题)难题,因此,VRP问题也属于NPC难题。
由于无法找出一个在常规多项式时间内得出最优解的算法,因此一般的做法是找出一个近似最优解。目前主要采用全局随机寻优的模拟退火算法,但是这种随机类别的算法初始搜索空间过大,随机寻优的时间代价过高,因此无法灵活适应业务需求的变化和增长。
发明内容
有鉴于此,本发明提供一种车辆分配方法及装置,以解决目前采用全局随机寻优的模拟退火算法由于初始搜索空间过大、随机寻优的时间代价过高,因此无法灵活适应业务需求的变化和增长的问题。技术方案如下:
一种车辆分配方法,包括:
为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部所述原始订单;
优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部所述原始订单;
优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径。
优选的,所述为各个原始订单分配车次,包括:
按照节点信息对全部原始订单进行分类,得到至少一个原始订单组,所述原始订单组中各个所述原始订单的节点信息相同;
对于各个所述原始订单组,根据车次约束条件对该原始订单组中各个所述原始订单进行车次预分配,并将未分配有车次的全部所述原始订单打包为订单捆;
根据节点信息以及车次约束条件对全部所述订单捆中的全部所述原始订单进行车次再分配。
优选的,所述优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息,包括:
对于所述初始车次分配信息各个所述车次,根据该车次对应的全部所述原始订单的节点信息,计算该车次的车次载重里程;
将各个所述车次的车次载重里程之和确定为当前车次载重总里程;
根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程;
判断此次迭代后的车次载重总里程和所述当前车次载重总里程差值的绝对值是否大于载重里程阈值;
若是,生成此次迭代后车次分配信息;
若否,将此次迭代后的车次载重总里程确定为当前车次载重总里程,并返回执行所述根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程,这一步骤。
优选的,所述优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息,包括:
对于所述车次分配信息中各个所述车次,按照车辆约束条件对该车次下的优化后的各个所述原始订单分配相应的车辆标识;
对于每一个所述车辆标识,根据该车辆标识下各个所述原始订单的节点信息以及预设路径生成规则,生成初始路径并计算路径里程;
将各个所述车辆标识的路径里程之和确定为当前车辆路径总里程;
根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程;
判断此次迭代后的车辆路径总里程和所述当前车辆路径总里程差值的绝对值是否大于路径总里程阈值;
若是,生成此次迭代后的车辆分配信息;
若否,将此次迭代后的车辆路径总里程确定为当前车辆路径总里程,并返回执行所述根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程,这一步骤。
优选的,还包括:
根据车辆配送时间约束条件合并所述车辆分配信息中的车辆标识。
一种车辆分配装置,包括:车次分配模块、第一优化模块和第二优化模块;
所述车次分配模块,用于为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部所述原始订单;
所述第一优化模块,用于优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部所述原始订单;
所述第二优化模块,用于优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径。
优选的,用于为各个原始订单分配车次的所述车次分配模块,具体用于:按照节点信息对全部原始订单进行分类,得到至少一个原始订单组,所述原始订单组中各个所述原始订单的节点信息相同;对于各个所述原始订单组,根据车次约束条件对该原始订单组中各个所述原始订单进行车次预分配,并将未分配有车次的全部所述原始订单打包为订单捆;根据节点信息以及车次约束条件对全部所述订单捆中的全部所述原始订单进行车次再分配。
优选的,用于优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息的所述第一优化模块,具体用于:
对于所述初始车次分配信息各个所述车次,根据该车次对应的全部所述原始订单的节点信息,计算该车次的车次载重里程;将各个所述车次的车次载重里程之和确定为当前车次载重总里程;根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程;判断此次迭代后的车次载重总里程和所述当前车次载重总里程差值的绝对值是否大于载重里程阈值;若是,生成此次迭代后车次分配信息;若否,将此次迭代后的车次载重总里程确定为当前车次载重总里程,并返回执行所述根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程,这一步骤。
优选的,用于优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息的所述第二优化模块,具体用于:
对于所述车次分配信息中各个所述车次,按照车辆约束条件对该车次下的优化后的各个所述原始订单分配相应的车辆标识;对于每一个所述车辆标识,根据该车辆标识下各个所述原始订单的节点信息以及预设路径生成规则,生成初始路径并计算路径里程;将各个所述车辆标识的路径里程之和确定为当前车辆路径总里程;根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程;判断此次迭代后的车辆路径总里程和所述当前车辆路径总里程差值的绝对值是否大于路径总里程阈值;若是,生成此次迭代后的车辆分配信息;若否,将此次迭代后的车辆路径总里程确定为当前车辆路径总里程,并返回执行所述根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程,这一步骤。
优选的,还包括:合并模块;
所述合并模块,用于根据车辆配送时间约束条件合并所述车辆分配信息中的车辆标识。
相较于现有技术,本发明实现的有益效果为:
基于本发明公开一种车辆分配方法及装置,首先对原始订单进行车次预处理,这就降低了后续处理的数据规模,并且进一步通过优化车次载重里程对初始车次分配信息进行优化,这就使得车次分配计算更加合理,最后通过优化车辆总里程将车次整合为车辆,得到车辆分配信息。本发明凭借优化车次和车辆的策略,合理并高效地实现了关于原始订单的车辆分配计划,从而更加适应业务需求的变化以及业务规模的增长。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的车辆分配方法的方法流程图;
图2为本发明实施例提供的车辆分配方法的部分方法流程图;
图3为本发明实施例提供的车辆分配方法的又一部分方法流程图;
图4为本发明实施例提供的车辆分配方法的再一部分方法流程图;
图5为本发明实施例提供的车辆分配方法的又一方法流程图;
图6为本发明实施例提供的车辆分配装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明实施例公开一种车辆分配方法,该方法的方法流程图如图1所示,包括如下步骤:
S101,为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部原始订单;
在执行步骤S101的过程中,对于输入的原始订单,按照订单内容中的节点约束条件对原始订单进行归类处理,进一步根据归类结果为原始订单分配车次;
在具体实现过程中,步骤S101“为各个原始订单分配车次”可以具体采用以下步骤,方法流程图如图2所示:
S1001,按照节点信息对全部原始订单进行分类,得到至少一个原始订单组,所述原始订单组中各个原始订单的节点信息相同;
在执行步骤S1001的过程中,对于输入的各个原始订单,根据订单内容中的节点信息,也就是供应商节点以及仓库节点,对原始订单进行分类,将节点信息相同的原始订单分为一类。
S1002,对于各个原始订单组,根据车次约束条件对该原始订单组中各个原始订单进行车次预分配,并将未分配有车次的全部原始订单打包为订单捆;
在执行步骤S1002的过程中,每个车次的约束条件不同,这就会可能存在原始订单组中全部原始订单不能装满车次的情况,例如,原始订单组A中有610张原始订单,而每一个车次A能装载300张订单,因此,原始订单组A会装满2个车次A,但是还剩余10张订单未被分配车次,进一步,将剩余的这10张订单打包为订单捆。
S1003,根据节点信息以及车次约束条件对全部订单捆中的全部原始订单进行车次再分配;
在执行步骤S1003的过程中,对于无法满足一个车次的订单捆,进一步根据以订单捆为单位,考虑订单捆的节点信息以及车次约束条件,为订单捆分配车次,进一步,为保证订单捆车次分配方案的可行性,实际应用过程中还可考虑智能装箱方案以及智能规划路线方案,本实施例不做任何限定。
S102,优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部原始订单;
在具体实现过程中,步骤S102“优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息”可以具体采用以下步骤,方法流程图如图3所示:
S1004,对于初始车次分配信息各个车次,根据该车次对应的全部原始订单的节点信息,计算该车次的车次载重里程;
在执行步骤S1004的过程中,例如车次A对应5个订单,根据每个订单的节点信息,也就是供应商节点以及仓库节点可计算得到每个订单对应的载重里程,进一步,计算将车次A对应的5个订单的载重里程之和确定为车次A的车次载重里程。
S1005,将各个车次的车次载重里程之和确定为当前车次载重总里程;
S1006,根据模拟退火算法对各个车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程;
在执行步骤S1006的过程中,采用模拟退火算法交换各个车次下的订单,进一步计算交换订单后的车次载重总里程。
S1007,判断此次迭代后的车次载重总里程和当前车次载重总里程差值的绝对值是否大于载重里程阈值;若是,则执行步骤S1008;若否,则执行步骤S1009;
S1008,生成此次迭代后车次分配信息;
S1009,将此次迭代后的车次载重总里程确定为当前车次载重总里程,并返回执行步骤S1006。
需要说明的是,拟退火算法(SA)是一种适合解决大规模组合优化问题的算法。最早由Metropolis在1953年提出。源于统计物理学,它模拟实际固体退火过程的温度变化,即先将固体加温至充分高,在逐渐冷却。加温时,固体内部粒子变为无序状态,内能增大;而逐渐降温时,粒子趋于有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减到最小。模拟退火算法(SA)是局部搜索算法的扩展,它不同于局部搜索之处是以一定的概率选择领域中的最优值状态,在解决NP完全问题,SA有很大的利用价值。
S103,优化车次分配信息中各个车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径;
在具体实现过程中,步骤S103“优化车次分配信息中各个车次的车辆总里程”可以具体采用以下步骤,方法流程图如图4所示:
S1010,对于车次分配信息中各个车次,按照车辆约束条件对该车次下的优化后的各个原始订单分配相应的车辆标识;
在执行步骤S1010的过程中,例如,车次载重里程优化完成之后,车次B对应3个订单,订单a、订单b以及订单c,每个车辆存在出车时间限制条件、出车点限制条件以及装车载重限制条件等车辆约束条件,按照每个车辆的约束条件,为各个车次分配相应的车辆,并添加相应车辆标识,该车辆标识可为车辆车牌号,也可为车辆司机工号等,可根实际需要具体设置,本实施例不做任何限定;
进一步的,若订单存在箱体堆叠限制条件或者时间窗口限制条件等订单约束条件时,在考虑订单约束条件以及车辆约束条件的前提下为各个车次分配车辆。
S1011,对于每一个车辆标识,根据该车辆标识下各个原始订单的节点信息以及预设路径生成规则,生成初始路径并计算路径里程;
在执行步骤S1011的过程中,例如,为车辆标识A下存在3个订单,订单d、订单e以及订单f,其中,订单d为供应商节点为d1、仓库节点为d2,订单e为供应商节点为e1、仓库节点为e2,订单f为供应商节点为f1、仓库节点为f2,从供应商节点中选取一个作为初始路径的第一个起始节点,例如,选取供应商节点为e1作为第一个起始节点,进一步根据预设路径生成规则,假设该预设路径生成规则为每一个订单的仓库节点不可提前于供应商节点选取,则可确定供应商节点d1、仓库节点e2以及供应商节点f1这三个候选节点,然后从三个候选节点中选取一个作为下一个节点,以此方法生成初始路径,并根据路径经过的节点顺序计算路径里程。
S1012,将各个车辆标识的路径里程之和确定为当前车辆路径总里程;
S1013,根据模拟退火算法对各个车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程;
S1014,判断此次迭代后的车辆路径总里程和当前车辆路径总里程差值的绝对值是否大于路径总里程阈值;若是,则执行步骤S1015;若否,则执行步骤S1016;
S1015,生成此次迭代后的车辆分配信息;
S1016,将此次迭代后的车辆路径总里程确定为当前车辆路径总里程,并返回执行步骤S1013。
以上步骤S1001~步骤S1003仅仅是本申请实施例公开的步骤S101中“为各个原始订单分配车次”过程的一种优选的实现方式,有关此过程的具体实现方式可根据自己的需求任意设置,在此不做限定。
以上步骤S1004~步骤S1009仅仅是本申请实施例公开的步骤S102“优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息”过程的一种优选的实现方式,有关此过程的具体实现方式可根据自己的需求任意设置,在此不做限定。
以上步骤S1010~步骤S1016仅仅是本申请实施例公开的步骤S103“优化车次分配信息中各个车次的车辆总里程”过程的一种优选的实现方式,有关此过程的具体实现方式可根据自己的需求任意设置,在此不做限定。
本实施例公开的车辆分配方法,凭借优化车次和车辆的策略,合理并高效地实现了关于原始订单的车辆分配计划,从而更加适应业务需求的变化以及业务规模的增长。
基于上述实施例提供的车辆分配方法,本发明实施例公开另一种车辆分配方法,方法流程图如图5所示,包括如下步骤:
S101,为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部原始订单;
S102,优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部原始订单;
S103,优化车次分配信息中各个车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径;
S104,根据车辆配送时间约束条件合并车辆分配信息中的车辆标识;
在执行步骤S104的过程中,根据车辆配送时间判断车辆标识之间是否可进行合并,例如,车辆标识M对应的车辆出发时间在车辆标识N对应的车辆配送完成时间之后,则可将车辆标识M和车辆标识N合并为一个车辆标识,在实际应用过程中,可选取贪心算法检查各个车辆标识在时间维度是否能够合并,本实施例不做任何限定。
需要说明的是,本实施例中步骤S101~S103的具体执行过程与上述实施例中步骤S101~S103的执行过程一致,本实施例不再进行赘述,请参见上述实施例公开部分。
本实施例公开的车辆分配方法,凭借优化车次和车辆的策略,合理并高效地实现了关于原始订单的车辆分配计划,从而更加适应业务需求的变化以及业务规模的增长,并且通过合并车辆降低了车辆运输成本。
基于上述实施例提供的车辆分配方法,本发明实施例提供一种车辆分配装置,其结构示意图如图6所示,包括:车次分配模块101、第一优化模块102和第二优化模块103;
车次分配模块101,用于为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部原始订单;
第一优化模块102,用于优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部原始订单;
第二优化模块103,用于优化车次分配信息中各个车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径。
可选的,用于为各个原始订单分配车次的车次分配模块101,具体用于:按照节点信息对全部原始订单进行分类,得到至少一个原始订单组,所述原始订单组中各个原始订单的节点信息相同;对于各个原始订单组,根据车次约束条件对该原始订单组中各个原始订单进行车次预分配,并将未分配有车次的全部原始订单打包为订单捆;根据节点信息以及车次约束条件对全部订单捆中的全部原始订单进行车次再分配。
可选的,用于优化初始车次分配信息中各个车次的车次载重里程,得到优化后的车次分配信息的第一优化模块102,具体用于:
对于初始车次分配信息各个车次,根据该车次对应的全部原始订单的节点信息,计算该车次的车次载重里程;将各个车次的车次载重里程之和确定为当前车次载重总里程;根据模拟退火算法对各个车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程;判断此次迭代后的车次载重总里程和当前车次载重总里程差值的绝对值是否大于载重里程阈值;若是,生成此次迭代后车次分配信息;若否,将此次迭代后的车次载重总里程确定为当前车次载重总里程,并返回执行所述根据模拟退火算法对各个车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程,这一步骤。
可选的,用于优化车次分配信息中各个车次的车辆总里程,得到车辆分配信息的第二优化模块102,具体用于:
对于车次分配信息中各个车次,按照车辆约束条件对该车次下的优化后的各个原始订单分配相应的车辆标识;对于每一个车辆标识,根据该车辆标识下各个原始订单的节点信息以及预设路径生成规则,生成初始路径并计算路径里程;将各个车辆标识的路径里程之和确定为当前车辆路径总里程;根据模拟退火算法对各个车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程;判断此次迭代后的车辆路径总里程和当前车辆路径总里程差值的绝对值是否大于路径总里程阈值;若是,生成此次迭代后的车辆分配信息;若否,将此次迭代后的车辆路径总里程确定为当前车辆路径总里程,并返回执行所述根据模拟退火算法对各个车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程,这一步骤。
可选的,还包括:合并模块;所述合并模块,用于根据车辆配送时间约束条件合并车辆分配信息中的车辆标识。
本实施例公开的车辆分配装置,凭借优化车次和车辆的策略,合理并高效地实现了关于原始订单的车辆分配计划,从而更加适应业务需求的变化以及业务规模的增长。
以上对本发明所提供的一种双离合变速器压力/位置自适应调整方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种车辆分配方法,其特征在于,包括:
为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部所述原始订单;
优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部所述原始订单;
优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径;
其中,所述优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息,包括:
对于所述初始车次分配信息各个所述车次,根据该车次对应的全部所述原始订单的节点信息,计算该车次的车次载重里程;
将各个所述车次的车次载重里程之和确定为当前车次载重总里程;
根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程;
判断此次迭代后的车次载重总里程和所述当前车次载重总里程差值的绝对值是否大于载重里程阈值;
若是,生成此次迭代后车次分配信息;
若否,将此次迭代后的车次载重总里程确定为当前车次载重总里程,并返回执行所述根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程,这一步骤。
2.根据权利要求1所述的方法,其特征在于,所述为各个原始订单分配车次,包括:
按照节点信息对全部原始订单进行分类,得到至少一个原始订单组,所述原始订单组中各个所述原始订单的节点信息相同;
对于各个所述原始订单组,根据车次约束条件对该原始订单组中各个所述原始订单进行车次预分配,并将未分配有车次的全部所述原始订单打包为订单捆;
根据节点信息以及车次约束条件对全部所述订单捆中的全部所述原始订单进行车次再分配。
3.根据权利要求1所述的方法,其特征在于,所述优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息,包括:
对于所述车次分配信息中各个所述车次,按照车辆约束条件对该车次下的优化后的各个所述原始订单分配相应的车辆标识;
对于每一个所述车辆标识,根据该车辆标识下各个所述原始订单的节点信息以及预设路径生成规则,生成初始路径并计算路径里程;
将各个所述车辆标识的路径里程之和确定为当前车辆路径总里程;
根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程;
判断此次迭代后的车辆路径总里程和所述当前车辆路径总里程差值的绝对值是否大于路径总里程阈值;
若是,生成此次迭代后的车辆分配信息;
若否,将此次迭代后的车辆路径总里程确定为当前车辆路径总里程,并返回执行所述根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程,这一步骤。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据车辆配送时间约束条件合并所述车辆分配信息中的车辆标识。
5.一种车辆分配装置,其特征在于,包括:车次分配模块、第一优化模块和第二优化模块;
所述车次分配模块,用于为各个原始订单分配车次并生成初始车次分配信息,所述初始车次分配信息包含有车次及其对应的全部所述原始订单;
所述第一优化模块,用于优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息,所述优化后的车次分配信息包含有车次及其对应的优化后的全部所述原始订单;
所述第二优化模块,用于优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息,所述车辆分配信息包含有车辆标识及其对应的车辆路径;
其中,用于优化所述初始车次分配信息中各个所述车次的车次载重里程,得到优化后的车次分配信息的所述第一优化模块,具体用于:
对于所述初始车次分配信息各个所述车次,根据该车次对应的全部所述原始订单的节点信息,计算该车次的车次载重里程;将各个所述车次的车次载重里程之和确定为当前车次载重总里程;根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程;判断此次迭代后的车次载重总里程和所述当前车次载重总里程差值的绝对值是否大于载重里程阈值;若是,生成此次迭代后车次分配信息;若否,将此次迭代后的车次载重总里程确定为当前车次载重总里程,并返回执行所述根据模拟退火算法对各个所述车次进行订单寻优迭代处理,并计算此次迭代后的车次载重总里程,这一步骤。
6.根据权利要求5所述的装置,其特征在于,用于为各个原始订单分配车次的所述车次分配模块,具体用于:
按照节点信息对全部原始订单进行分类,得到至少一个原始订单组,所述原始订单组中各个所述原始订单的节点信息相同;对于各个所述原始订单组,根据车次约束条件对该原始订单组中各个所述原始订单进行车次预分配,并将未分配有车次的全部所述原始订单打包为订单捆;根据节点信息以及车次约束条件对全部所述订单捆中的全部所述原始订单进行车次再分配。
7.根据权利要求5所述的装置,其特征在于,用于优化所述车次分配信息中各个所述车次的车辆总里程,得到车辆分配信息的所述第二优化模块,具体用于:
对于所述车次分配信息中各个所述车次,按照车辆约束条件对该车次下的优化后的各个所述原始订单分配相应的车辆标识;对于每一个所述车辆标识,根据该车辆标识下各个所述原始订单的节点信息以及预设路径生成规则,生成初始路径并计算路径里程;将各个所述车辆标识的路径里程之和确定为当前车辆路径总里程;根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程;判断此次迭代后的车辆路径总里程和所述当前车辆路径总里程差值的绝对值是否大于路径总里程阈值;若是,生成此次迭代后的车辆分配信息;若否,将此次迭代后的车辆路径总里程确定为当前车辆路径总里程,并返回执行所述根据模拟退火算法对各个所述车辆标识进行路径寻优迭代处理,并计算此次迭代后的车辆路径总里程,这一步骤。
8.根据权利要求5所述的装置,其特征在于,还包括:合并模块;
所述合并模块,用于根据车辆配送时间约束条件合并所述车辆分配信息中的车辆标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710526954.XA CN107392358B (zh) | 2017-06-30 | 2017-06-30 | 一种车辆分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710526954.XA CN107392358B (zh) | 2017-06-30 | 2017-06-30 | 一种车辆分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107392358A CN107392358A (zh) | 2017-11-24 |
CN107392358B true CN107392358B (zh) | 2021-07-23 |
Family
ID=60335011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710526954.XA Active CN107392358B (zh) | 2017-06-30 | 2017-06-30 | 一种车辆分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392358B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019109199A1 (en) * | 2017-12-04 | 2019-06-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for allocating orders in an online on-demand service |
CN108647810A (zh) * | 2018-04-19 | 2018-10-12 | 安吉汽车物流股份有限公司 | 订单运输的分配方法及装置、计算机可读介质 |
CN110503229B (zh) * | 2018-07-23 | 2022-04-22 | 杉数科技(北京)有限公司 | 用于车辆路径优化的方法、装置和计算设备 |
CN109272151B (zh) * | 2018-09-06 | 2021-06-25 | 中南大学 | 一种基于Spark的车辆路径规划算法优化方法 |
CN111292034B (zh) * | 2020-01-17 | 2023-09-05 | 深圳市人工智能与机器人研究院 | 订单履行方案的确定方法、装置、电子装置及存储介质 |
CN111400868B (zh) * | 2020-02-24 | 2023-04-07 | 山东师范大学 | 带订单和机器人搬运的分布式车间调度优化方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604416A (zh) * | 2009-07-21 | 2009-12-16 | 华中科技大学 | 一种基于第三方物流集配中心的运输调度方法及其调度*** |
CN105894222A (zh) * | 2014-12-16 | 2016-08-24 | 重庆邮电大学 | 一种物流配送路径优化方法 |
CN106156961A (zh) * | 2016-09-30 | 2016-11-23 | 杭州数梦工场科技有限公司 | 一种车辆调度方法和装置 |
CN106156981A (zh) * | 2016-07-07 | 2016-11-23 | 成都镜杰科技有限责任公司 | 基于云计算的物流协同处理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593321A (zh) * | 2009-06-30 | 2009-12-02 | 北京交通大学 | 一种车辆货物装载方法以及货物装载方案确定装置 |
CN104809549A (zh) * | 2015-04-02 | 2015-07-29 | 常州奥迈信息技术有限公司 | 一种货运车辆计划行驶路线的调度方法 |
AU2016265691A1 (en) * | 2015-05-15 | 2017-12-21 | Cox Automotive, Inc. | Parallel processing for solution space partitions |
CN105512747B (zh) * | 2015-11-25 | 2019-09-20 | 上汽安吉物流股份有限公司 | 物流智能优化调度*** |
CN105956681B (zh) * | 2016-04-15 | 2018-02-06 | 合肥工业大学 | 一种基于滚动时域优化的甩挂运输动态路径规划方法 |
CN106447266A (zh) * | 2016-10-12 | 2017-02-22 | 上海节点供应链管理有限公司 | 一种物流领域多车型多次配送的智能优化调度方法 |
CN106779548A (zh) * | 2016-12-09 | 2017-05-31 | 武汉中瀚科技有限公司 | 一种智能物流配送信息处理***及方法 |
-
2017
- 2017-06-30 CN CN201710526954.XA patent/CN107392358B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604416A (zh) * | 2009-07-21 | 2009-12-16 | 华中科技大学 | 一种基于第三方物流集配中心的运输调度方法及其调度*** |
CN105894222A (zh) * | 2014-12-16 | 2016-08-24 | 重庆邮电大学 | 一种物流配送路径优化方法 |
CN106156981A (zh) * | 2016-07-07 | 2016-11-23 | 成都镜杰科技有限责任公司 | 基于云计算的物流协同处理方法 |
CN106156961A (zh) * | 2016-09-30 | 2016-11-23 | 杭州数梦工场科技有限公司 | 一种车辆调度方法和装置 |
Non-Patent Citations (2)
Title |
---|
安龙龙.整车物流智能调度算法研究与应用.《中国优秀硕士学位论文全文数据库 信息科技辑》.2015,(第05期),I138-2. * |
贾定芳.基于SA的多目标城市物流配送路径优化研究.《中国优秀硕士学位论文全文数据库 经济与管理科学辑》.2017,(第04期),J145-102. * |
Also Published As
Publication number | Publication date |
---|---|
CN107392358A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392358B (zh) | 一种车辆分配方法及装置 | |
US11416787B2 (en) | Parallel processing for solution space partitions | |
Lee et al. | Benders-and-Price approach for electric vehicle charging station location problem under probabilistic travel range | |
Chang et al. | Optimal delivery routing with wider drone-delivery areas along a shorter truck-route | |
Anderluh et al. | Synchronizing vans and cargo bikes in a city distribution network | |
Cattaruzza et al. | The multi-trip vehicle routing problem with time windows and release dates | |
van Kooten Niekerk et al. | Scheduling electric vehicles | |
Chabot et al. | Service level, cost and environmental optimization of collaborative transportation | |
Bruglieri et al. | The vehicle relocation problem for the one-way electric vehicle sharing: an application to the Milan case | |
Kachitvichyanukul et al. | Two solution representations for solving multi-depot vehicle routing problem with multiple pickup and delivery requests via PSO | |
Chang et al. | Innovative Bike‐Sharing in China: Solving Faulty Bike‐Sharing Recycling Problem | |
Jun et al. | New best solutions to VRPSPD benchmark problems by a perturbation based algorithm | |
AU2016333979B2 (en) | Parallel processing for solution space partitions | |
Wu et al. | A branch-and-price algorithm for two-echelon electric vehicle routing problem | |
Bayliss et al. | Designing a multi-modal and variable-echelon delivery system for last-mile logistics | |
CN112633547A (zh) | 基于包裹信息的城市地区递送车辆路线选择的***和方法 | |
Li et al. | Shunting Strategy for Placing‐In and Taking‐Out Wagons on Branch‐Shaped Freight Operation Network with Simulation Method | |
Liang et al. | Online crowdsourced delivery for urban parcels using private cars under time-dependent travel times | |
Stopka | Modelling distribution routes in city logistics by applying operations research methods | |
Utomo et al. | Designing mixed-fleet of electric and autonomous vehicles for home grocery delivery operation: an agent-based modelling study | |
CN111832894B (zh) | 车辆调度方式生成方法、装置及计算机存储介质 | |
Sanz et al. | The vehicle routing problem with limited vehicle capacities | |
Uhm et al. | Fleet-mix Electric Vehicle Routing Problem for the E-commerce Delivery with Limited Off-Hour Delivery Implementation | |
Ermagan et al. | Machine Learning-enhanced Column Generation Approach for Express Shipments with Autonomous Robots and Public Transportation | |
Perera et al. | Genetic Algorithm based EV Scheduling for On-Demand Public Transit System |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201229 Address after: No. 203, Shanghai Songjiang Road, No. 201563, Pudong New Area Applicant after: SAIC Motor Corp.,Ltd. Address before: 201203 Room 509, Building No. 1, 563 Songtao Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai Applicant before: SAIC Motor Corp.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |