CN108921326A - 一种基于相似度学习的智能文化基因物流配送方法 - Google Patents
一种基于相似度学习的智能文化基因物流配送方法 Download PDFInfo
- Publication number
- CN108921326A CN108921326A CN201810576661.7A CN201810576661A CN108921326A CN 108921326 A CN108921326 A CN 108921326A CN 201810576661 A CN201810576661 A CN 201810576661A CN 108921326 A CN108921326 A CN 108921326A
- Authority
- CN
- China
- Prior art keywords
- individual
- client
- population
- similarity
- vehicle
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 19
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 abstract description 2
- 230000002028 premature Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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"
- 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
- G06Q10/08—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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能物流配送领域，更具体地，涉及一种基于相似度学习的智能文化基因物流配送方法。本方法包括以下步骤：上传货物数据，客户坐标，道路状态等数据到数据库；种群初始化；检查是否达到停止条件；在种群中轮盘赌选择两个个体进行交叉产生后代；计算当前个体的相似度；若该个体与种群中现有个体的相似度低于阈值，则对该个体进行启发式局部搜索；对种群中的个体进行排序，选出最优的个体等步骤；本发明采用相似度的概念，使得算法在迭代过程中，在一定程度上控制了群体的多样性，避免了种群过早收敛、陷入局部最优的情况，大大提升了种群的搜寻范围，使得种群把尽可能多的计算资源放在更具潜力的解上，提高了群体的寻优能力。
Description
技术领域
本发明涉及智能物流配送领域，更具体地，涉及一种基于相似度学习的智能文化基因物流配送方法。
背景技术
随着互联网的发展，电子商务越来越深入人们的生活，而电子商务的出现大大促进了物流行业的发展。物流行业中包括打包、装卸、运输、配送等多个环节。其中物流配送的网络结构直接决定了配送的成本和配送效率。在物流行业刚兴起时，配送员们一般根据日常积累的经验来确定配送的路线，由于没有经过合理的优化常常导致配送效率低、人员分配不合理、配送耗费过大等问题。
物流配送问题实际上是一个NP难题，目前解决这类问题主要有以下两类方法：精确算法和近似算法。精确算法有分支限界法、动态规划等，随着问题规模的扩大，算法求解的时间将急剧上升，近似算法有遗传算法、禁忌搜索等，这些算法虽然能在一定的时间内在求解出一个较为合理的解，但它们又有鲁棒性差、易陷入局部最优等一系列问题。
与本发明最相近的方法有CN107122929A无锡中科富农物联科技有限公司的基于改进遗传算法的农资连锁经营配送车辆调度方法，其中方法包括：建立农资连销配送车辆调度模型；改进遗传算法；输入配送点信息和车辆信息；输入配送失败的惩罚系数；输出配送方案等步骤。该方法通过输入配送失败的惩罚信息，使用遗传算法进行计算，一定程度上满足了时间约束，节约了配送过程中的距离耗费，但其算法存在计算速度慢，容易陷入局部最优等缺点，也未考虑到车队规模、道路拥塞等实际因素。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于相似度学习的智能文化基因物流配送方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于相似度学习的智能文化基因物流配送方法，包括以下步骤：
S1：上传货物数据，客户坐标，道路状态等数据到数据库，确定有限时间限制的送货车辆的调度模型；
S2：种群初始化；
S3：检查是否达到停止条件，所述的停止条件是当经过一定代数最优解已然不变时则停止算法，如果达到停止条件则对染色体进行解码，得到最优配送方案；如果没有达到停止条件，则执行步骤S4；
S4：在种群中随机选择两个个体进行交叉产生后代；
S5：计算当前个体的相似度；
S6：若该个体与种群中现有个体的相似度低于阈值，则对该个体进行启发式局部搜索；
S7：对种群中的个体进行排序，选出最优的个体；
S8：执行步骤S3，直到到达停止条件。
优选地，所述调度模型包括配送车辆的时间约束，载重约束、客户坐标、车辆规模、车辆的行驶总费用和目标函数，所述车辆规模包括车辆租赁费用、安排司机费用以及缴纳路费。
优选地，所述目标函数为
min z＝αNV(S)+βTC(S)+TP(S)，其中，优化目标包括车辆规模、车辆行走总距离尽量短、时间成本尽量低；α为每台车的最低费用，NV(S)为使用的车辆总数，β为油耗系数，TC(S)为完成所有配送任务的总耗费，TP(S)为总的时间成本。
优选地，所述完成所有配送任务的总耗费
其中SP(Pj,Pj+1)表示从客户Pj到客户Pj+1的行驶耗费，len(si)表示编号为i的车辆所服务的客户数量，M表示车队的车辆总数；
该式表示两个客户点之间的行驶耗费可由它们之间途经路的长度乘以该路的拥塞程度进行计算，其中ωi为道路i的拥塞程度，ri为道路i的长度，该式可以使用迪杰斯特拉算法进行求解。
优选地，所述总的时间成本
其中λ1为早到的时间惩罚系数，λ2为晚到的时间惩罚系数。len(S)表示当前方案中所有客户点的数量，ai为配送目的地i允许的最早开始服务时刻，bi为配送目的地的最迟开始服务时刻，ti为服务车辆到达目的地i的时刻。
优选地，在所述步骤S5中，种群中个体的相似度计算
其中，Similari代表种群中当前个体编号为i的车辆服务序列与其他个体该车辆的服务序列的相似度；
其中，len(si)为个体中第i条子回路的长度，即当前方案中第i辆车服务的客户点数量，当个体的第j个客户点与已存在解的任务服务次序相同时，xj＝1，反之，xj＝0，dj表示该客户点的需求量。
优选地，在步骤S2中，种群中一部分个体随机初始化，种群中一部分个体贪心初始化，得到初始配送方案。
优选地，在步骤S4中，采用轮盘赌选择法选择需要交叉的两个个体，并采用基于序列的交叉方案，对染色体进行交叉得到子代。
优选地，在步骤S6中，所述启发式局部搜索具体包括以下步骤：
A：采用单***、双***、交换操作；
B：随机选择n条子路线合并，根据测试，当n＝2时结果较好，然后根据路径搜索的5个启发式搜索规则进行分割，从一条空的路线开始构建路线，在满足时间松弛度和道路拥塞程度低于通行阈值的前提下根据以下5个规则逐步***客户点分别求出5个解，若即将超出时间窗范围，则选择当前时间最紧迫的客户点；
C：重复步骤A，进一步得到更优的解。
优选地，所述路径搜索的5个启发式搜索规则如下：
①选择离仓库最远的未服务的客户点；
②选择离仓库最近的未服务的客户点；
③选择需求量与服务成本比最大的未服务的客户点；
④选择需求量与服务成本比最小的未服务的客户点；
⑤若车辆已荷载量少于一半容量则使用规则①，否则使用规则②；
若没有符合荷载量和时间窗的客户点，则回到仓库，结束该条子路线，创建新的子路线。
与现有技术相比，本发明的有益效果是：
1.采用降低车队规模来减少车辆租赁费用、人员消耗等，从而大大降低企业人力物力成本。
2.考虑到某些货物对配送时间的要求，例如水果、肉食等生鲜食品往往对配送的时间要求较高，如果配送时间过长会造成货物腐败变质。通过设置时间窗约束来控制派送的时间，不仅能提高客户的满意度，还能根据不同商品的紧急程度进行动态调整配送方案。
3.考虑到车流高峰、交通事故等突发因素造成道路拥塞,对道路设置拥塞系数，减少行驶拥塞路段的可能性。
4.使用适合大规模并行求解的文化基因算法框架；
5.引入局部搜索，通过合并-分割算子对非法解周围具有潜力的解进行搜索；
6.采用启发式路径搜索规则，对一些具有潜力却违反车载容量的解进行领域搜索，大大改善算法的搜索能力；
7.在算法中，采用了一个相似度的概念，该算子使得算法在迭代过程中，在一定程度上控制了群体的多样性，避免了种群过早收敛、陷入局部最优的情况，大大提升了种群的搜寻范围，使得种群把尽可能多的计算资源放在更具潜力的解上，提高了群体的寻优能力。
附图说明
图1是基于相似度学习的智能文化基因算法流程图；
图2是染色体解码前的配送示意图；
图3是启发式搜索的流程图；
图4是染色体解码后的示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例
图1为一种基于相似度学习的智能文化基因物流配送方法的流程图，一种基于相似度学习的智能文化基因物流配送方法，包括以下步骤：
S1：上传货物数据，客户坐标，道路状态等数据到数据库，确定有限时间限制的送货车辆的调度模型；
S2：种群初始化；
S3：检查是否达到停止条件，如果达到停止条件则对染色体进行解码，得到最优配送方案，如图4所示；如果没有达到停止条件，则执行步骤S4；
S4：在种群中随机选择两个个体进行交叉产生后代；
S5：计算当前个体的相似度；
S6：若该个体与种群中现有个体的相似度低于阈值，则对该个体进行启发式局部搜索；
S7：对种群中的个体进行排序，选出最优的个体；
S8：执行步骤S3，直到到达停止条件。
如图2所示，为染色体解码前的配送示意图。
其中，调度模型包括配送车辆的时间约束，载重约束、客户坐标、车辆规模、车辆的行驶总费用和目标函数，车辆规模包括车辆租赁费用、安排司机费用以及缴纳路费。
另外，目标函数为
min z＝αNV(S)+βTC(S)+TP(S)，其中，优化目标包括车辆规模、车辆行走总距离尽量短、时间成本尽量低；α为每台车的最低费用，NV(S)为使用的车辆总数，β为油耗系数，TC(S)为完成所有配送任务的总耗费，TP(S)为总的时间成本。
其中，完成所有配送任务的总耗费
其中SP(Pj,Pj+1)表示从客户Pj到客户Pj+1的行驶耗费，len(si)表示编号为i的车辆所服务的客户数量，M表示车队的车辆总数；
该式表示两个客户点之间的行驶耗费可由它们之间途经路的长度乘以该路的拥塞程度进行计算，其中ωi为道路i的拥塞程度，ri为道路i的长度，该式可以使用迪杰斯特拉算法进行求解。
另外，总的时间成本
其中λ1为早到的时间惩罚系数，λ2为晚到的时间惩罚系数。len(S)表示当前方案中所有客户点的数量，ai为配送目的地i允许的最早开始服务时刻，bi为配送目的地的最迟开始服务时刻，ti为服务车辆到达目的地i的时刻。
其中，在所述步骤S5中，种群中个体的相似度计算
其中，Similari代表种群中当前个体编号为i的车辆服务序列与其他个体该车辆的服务序列的相似度；
其中，len(si)为个体中第i条子回路的长度，即当前方案中第i辆车服务的客户点数量，当个体的第j个客户点与已存在解的任务服务次序相同时，xj＝1，反之，xj＝0，dj表示该客户点的需求量。
另外，在步骤S2中，种群中一部分个体随机初始化，种群中一部分个体贪心初始化，得到初始配送方案。
其中，在步骤S4中，采用轮盘赌选择法选择需要交叉的两个个体，并采用基于序列的交叉方案，对染色体进行交叉得到子代。
另外，图3给出了启发式搜索的流程图，在步骤S6中，所述启发式局部搜索具体包括以下步骤：
A：采用单***、双***、交换操作；
B：随机选择n条子路线合并，根据测试，当n＝2时结果较好，然后根据路径搜索的5个启发式搜索规则进行分割，从一条空的路线开始构建路线，在满足时间松弛度和道路拥塞程度低于通行阈值的前提下根据以下5个规则逐步***客户点分别求出5个解，若即将超出时间窗范围，则选择当前时间最紧迫的客户点；
C：重复步骤A，进一步得到更优的解。
其中，路径搜索的5个启发式搜索规则如下：
①选择离仓库最远的未服务的客户点；
②选择离仓库最近的未服务的客户点；
③选择需求量与服务成本比最大的未服务的客户点；
④选择需求量与服务成本比最小的未服务的客户点；
⑤若车辆已荷载量少于一半容量则使用规则①，否则使用规则②；
若没有符合荷载量和时间窗的客户点，则回到仓库，结束该条子路线，创建新的子路线。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于相似度学习的智能文化基因物流配送方法，其特征在于，包括以下步骤：
S1：上传货物数据，客户坐标，道路状态等数据到数据库，确定有限时间限制的送货车辆的调度模型；
S2：种群初始化；
S3：检查是否达到停止条件，如果达到停止条件则对染色体进行解码，得到最优配送方案；如果没有达到停止条件，则执行步骤S4；
S4：在种群中随机选择两个个体进行交叉产生后代；
S5：计算当前个体的相似度；
S6：若该个体与种群中现有个体的相似度低于阈值，则对该个体进行启发式局部搜索；
S7：对种群中的个体进行排序，选出最优的个体；
S8：执行步骤S3，直到到达停止条件。
2.根据权利要求1所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：所述调度模型包括配送车辆的时间约束，载重约束、客户坐标、车辆规模、车辆的行驶总费用和目标函数，所述车辆规模包括车辆租赁费用、安排司机费用以及缴纳路费。
3.根据权利要求2所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：所述目标函数为min z＝αNV(S)+βTC(S)+TP(S)，其中，优化目标包括车辆规模、车辆行走总距离尽量短、时间成本尽量低；α为每台车的最低费用，NV(S)为使用的车辆总数，β为油耗系数，TC(S)为完成所有配送任务的总耗费，TP(S)为总的时间成本。
4.根据权利要求3所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：所述完成所有配送任务的总耗费其中SP(Pj,Pj+1)表示从客户Pj到客户Pj+1的行驶耗费，len(si)表示编号为i的车辆所服务的客户数量，M表示车队的车辆总数；
该式表示两个客户点之间的行驶耗费可由它们之间途经路的长度乘以该路的拥塞程度进行计算，其中ωi为道路i的拥塞程度，ri为道路i的长度，该式可以使用迪杰斯特拉算法进行求解。
5.根据权利要求3所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：所述总的时间成本其中λ1为早到的时间惩罚系数，λ2为晚到的时间惩罚系数。len(S)表示当前方案中所有客户点的数量，ai为配送目的地i允许的最早开始服务时刻，bi为配送目的地的最迟开始服务时刻，ti为服务车辆到达目的地i的时刻。
6.根据权利要求1所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：在所述步骤S5中，种群中个体的相似度计算
其中，Similari代表种群中当前个体编号为i的车辆服务序列与其他个体该车辆的服务序列的相似度；
其中，len(si)为个体中第i条子回路的长度，即当前方案中第i辆车服务的客户点数量，当个体的第j个客户点与已存在解的任务服务次序相同时，xj＝1，反之，xj＝0，dj表示该客户点的需求量。
7.根据权利要求1所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：
在步骤S2中，种群中一部分个体随机初始化，种群中一部分个体贪心初始化，得到初始配送方案。
8.根据权利要求1所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：在步骤S4中，采用轮盘赌选择法选择需要交叉的两个个体，并采用基于序列的交叉方案，对染色体进行交叉得到子代。
9.根据权利要求1所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：在步骤S6中，所述启发式局部搜索具体包括以下步骤：
A：采用单***、双***、交换操作；
B：随机选择n条子路线合并，根据测试，当n＝2时结果较好，然后根据路径搜索的5个启发式搜索规则进行分割，从一条空的路线开始构建路线，在满足时间松弛度和道路拥塞程度低于通行阈值的前提下根据路径搜索的5个启发式搜索规则逐步***客户点分别求出5个解，若即将超出时间窗范围，则选择当前时间最紧迫的客户点；
C：重复步骤A，进一步得到更优的解。
10.根据权利要求9所述的一种基于相似度学习的智能文化基因物流配送方法，其特征在于：所述路径搜索的5个启发式搜索规则如下：
①选择离仓库最远的未服务的客户点；
②选择离仓库最近的未服务的客户点；
③选择需求量与服务成本比最大的未服务的客户点；
④选择需求量与服务成本比最小的未服务的客户点；
⑤若车辆已荷载量少于一半容量则使用规则①，否则使用规则②；
若没有符合荷载量和时间窗的客户点，则回到仓库，结束该条子路线，创建新的子路线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810576661.7A CN108921326B (zh) | 2018-06-06 | 2018-06-06 | 一种基于相似度学习的智能文化基因物流配送方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810576661.7A CN108921326B (zh) | 2018-06-06 | 2018-06-06 | 一种基于相似度学习的智能文化基因物流配送方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108921326A true CN108921326A (zh) | 2018-11-30 |
| CN108921326B CN108921326B (zh) | 2022-04-19 |
Family
ID=64418473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810576661.7A Expired - Fee Related CN108921326B (zh) | 2018-06-06 | 2018-06-06 | 一种基于相似度学习的智能文化基因物流配送方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921326B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021177A (zh) * | 2019-05-06 | 2019-07-16 | 中国科学院自动化研究所 | 启发式随机搜索交通信号灯配时优化方法、*** |
| CN110097218A (zh) * | 2019-04-18 | 2019-08-06 | 北京邮电大学 | 一种时变环境下无人商品配送方法及*** |
| CN114694755A (zh) * | 2022-03-28 | 2022-07-01 | 中山大学 | 基因组组装方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947766A (zh) * | 2010-04-23 | 2013-02-27 | 西门子公司 | 将制造装置的空间结构输入计算机辅助的规划程序中的方法和其优化 |
| CN105096006A (zh) * | 2015-08-24 | 2015-11-25 | 国网天津市电力公司 | 一种智能电能表的配送车辆路径优化方法 |
| CN107122929A (zh) * | 2017-03-22 | 2017-09-01 | 无锡中科富农物联科技有限公司 | 基于改进遗传算法的农资连锁经营配送中车辆调度方法 |
| CN108038576A (zh) * | 2017-12-20 | 2018-05-15 | 中国地质大学（武汉） | 基于改进Dijkstra算法的物流配送路径选择方法及*** |
-
2018
- 2018-06-06 CN CN201810576661.7A patent/CN108921326B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947766A (zh) * | 2010-04-23 | 2013-02-27 | 西门子公司 | 将制造装置的空间结构输入计算机辅助的规划程序中的方法和其优化 |
| CN105096006A (zh) * | 2015-08-24 | 2015-11-25 | 国网天津市电力公司 | 一种智能电能表的配送车辆路径优化方法 |
| CN107122929A (zh) * | 2017-03-22 | 2017-09-01 | 无锡中科富农物联科技有限公司 | 基于改进遗传算法的农资连锁经营配送中车辆调度方法 |
| CN108038576A (zh) * | 2017-12-20 | 2018-05-15 | 中国地质大学（武汉） | 基于改进Dijkstra算法的物流配送路径选择方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 曾毅， 曾碧， 方坤涛，黎惠成: "一种自调整的进化规划算法", 《计算机工程与应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110097218A (zh) * | 2019-04-18 | 2019-08-06 | 北京邮电大学 | 一种时变环境下无人商品配送方法及*** |
| CN110021177A (zh) * | 2019-05-06 | 2019-07-16 | 中国科学院自动化研究所 | 启发式随机搜索交通信号灯配时优化方法、*** |
| CN110021177B (zh) * | 2019-05-06 | 2020-08-11 | 中国科学院自动化研究所 | 启发式随机搜索交通信号灯配时优化方法、*** |
| CN114694755A (zh) * | 2022-03-28 | 2022-07-01 | 中山大学 | 基因组组装方法、装置、设备及存储介质 |
| CN114694755B (zh) * | 2022-03-28 | 2023-01-24 | 中山大学 | 基因组组装方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108921326B (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Euchi et al. | Hybrid genetic-sweep algorithm to solve the vehicle routing problem with drones | |
| US11049208B2 (en) | Vehicle dispatching method and system | |
| CN107918849B (zh) | 一种电动物流货车的智能调度装置及方法 | |
| Barcos et al. | Routing design for less-than-truckload motor carriers using ant colony optimization | |
| CN109308540B (zh) | 一种配送车辆的配送计划生成方法、装置及*** | |
| CN110097234B (zh) | 工业卷烟运输智能调度方法及*** | |
| Caris et al. | A local search heuristic for the pre-and end-haulage of intermodal container terminals | |
| CN102542395B (zh) | 一种应急物资调度***及计算方法 | |
| CN104036379B (zh) | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 | |
| Rave et al. | Drone location and vehicle fleet planning with trucks and aerial drones | |
| Kang et al. | Learning-based logistics planning and scheduling for crowdsourced parcel delivery | |
| CN108921326A (zh) | 一种基于相似度学习的智能文化基因物流配送方法 | |
| Baykasoglu et al. | A multi-agent approach to load consolidation in transportation | |
| CN112906949A (zh) | 路线规划方法、装置、电子设备及可读存储介质 | |
| CN115081674B (zh) | 新型卡车排队行驶模式下的本地集装箱运输排版优化方法 | |
| CN113919772A (zh) | 一种含时间窗的时变车辆路径规划方法及*** | |
| Eglese et al. | Optimizing the routing of vehicles | |
| CN104021664A (zh) | 汽车协同编队行驶的动态路径规划方法 | |
| Royo et al. | Solving a long-distance routing problem using ant colony optimization | |
| CA2636537C (en) | Vehicle dispatching method and system | |
| Cheng et al. | Integrated people-and-goods transportation systems: from a literature review to a general framework for future research | |
| Muzylyov et al. | Mathematical model of reverse loading advisability for trucks considering idle times | |
| Tekil-Ergün et al. | Solving a hybrid mixed fleet heterogeneous dial-a-ride problem in delay-sensitive container transportation | |
| Li et al. | Parcel consolidation approach and routing algorithm for last-mile delivery by unmanned aerial vehicles | |
| DE102021110705A1 (de) | Vorrichtungen, verfahren und systeme zur lieferungsverfolgung, routenplanung und bewertung |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220419 |