CN108921362B - 一种医药干线优化方法、***、设备及存储介质 - Google Patents

一种医药干线优化方法、***、设备及存储介质 Download PDF

Info

Publication number
CN108921362B
CN108921362B CN201810869996.8A CN201810869996A CN108921362B CN 108921362 B CN108921362 B CN 108921362B CN 201810869996 A CN201810869996 A CN 201810869996A CN 108921362 B CN108921362 B CN 108921362B
Authority
CN
China
Prior art keywords
time
departure
certain
spatio
arc
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
Application number
CN201810869996.8A
Other languages
English (en)
Other versions
CN108921362A (zh
Inventor
倪土
杨昌鹏
胡武华
高磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SF Technology Co Ltd
Original Assignee
SF Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN201810869996.8A priority Critical patent/CN108921362B/zh
Publication of CN108921362A publication Critical patent/CN108921362A/zh
Application granted granted Critical
Publication of CN108921362B publication Critical patent/CN108921362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种医药干线优化方法、***、设备及存储介质。采用时空网络模型对医药干线网络建模，该优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线，提供给线下根据业务需求进行规划和选择。该优化模型能够更加有效地分析医药干线网络中的时间顺序和空间关系优化发车班次。目标函数的约束条件保证了每个OD都必须在可选的时空路径中恰好选择一条；每一段时空网络中的发车弧线都有足够的容量去承载相应的快件数量；发车班次在任意两个城市之间对发是平衡的。本申请的优化模型，能够从全局视角进行统筹规划，整体上满足了配送需求的低成本高时效，并且能够在整体效果上做到很好的平衡。

Description

一种医药干线优化方法、***、设备及存储介质
技术领域
本发明涉及运筹优化领域，尤其涉及一种医药干线优化方法、***、设备及存储介质。
背景技术
随着经济的发展和科技的进步，医药产品在全国范围内的配送需求不断提升，并逐渐占据更高的市场份额，而跨城市的物流服务对干线网络提出了极高的要求。对于部分特殊药品和特定城市，专车专送是最为常见的形式，然而对于绝大多数的供应商和需求商来说，某一时间点单一客户的需求，就非常依赖干线零担公交网络。以国内某快递公司为例，全国范围内目前共有23个城市公交站点，每周都有至少4个以上的固定班次并长期循环往复，因而如何设定班次的发车频率和时间将极大地影响运输成本和配送时效。
针对以上问题，现有的解决方案以业务经验为支持，在部分大型城市站点(例如，北京、武汉、上海等)首先设定班次信息，然后以此为基准，再推测计算其他城市站点的班次。这种局部递进推算满足了部分配送需求的低成本高时效。但是，随着医药干线网络的不断扩大，这种方式无法从全局视角统筹规划，在整体效果上无法做到很好的平衡。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种医药干线优化方法、***、设备及存储介质。
根据本发明的一个方面，提供了一种医药干线优化方法，该方法包括以下步骤：
采用时空网络模型对医药干线网络建立优化模型；
所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线；
将计算出的最优关系曲线提供给线下根据业务需求进行规划和选择。
进一步地，建立所述优化模型时，将时间的连续分布以一定的时间间隔离散化。
进一步地，所述时空网络中包括发车弧线和等待弧线；其中
所述发车弧线表示一个班次，弧线的起点代表出发地和时间点，弧线终点代表到达地和到达时间加周转时间；
所述等待弧线表示在两个发车弧线的到达和出发端点之间，快件停留在城市站点上的时间长度。
进一步地，将所有城市站点<起始地,目的地>OD之间的最长时效分割成离散的固定时间段，通过对离散化后的所有时间段进行建模求解，获得发车时间和班次。
更进一步地，通过以如下目标函数进行数学建模的形式，利用整数规划求解：
Figure GDA0002811026930000021
其中约束条件为：
Figure GDA0002811026930000022
Figure GDA0002811026930000023
Figure GDA0002811026930000024
Figure GDA0002811026930000025
Figure GDA0002811026930000026
其中，cα是车辆运输成本系数；
τα是某个时空网络中某条弧线arc上使用的车的数量；
A是所有时空网络中弧线arc的集合；
α是目标函数权重；
P(κ)是所有可行路径的集合；
K是所有OD需求的集合；
Figure GDA0002811026930000031
表示某个OD的货物需求κ是否使用某条路径p；当
Figure GDA0002811026930000032
时为使用路径p，当
Figure GDA0002811026930000033
时为不使用路径p；
Figure GDA0002811026930000034
是某个OD的货物需求κ使用某条路径p时的时效；
qκ是某个OD的货物需求κ的总量；
Q′α是车装载量；
i，j分别表示某个城市；
Z+为正整数集合；
在上述目标函数中，最小化两个因素的加权求和，其中
Figure GDA0002811026930000035
是运输成本，与发车班次的数量相关；
Figure GDA0002811026930000036
是平均时效，与快件在中转城市站点的等待时间相关。
更进一步地，通过设定不同的加权比例，利用gurobi求解所述目标函数，可以得到运输成本和平均时效的最优关系曲线。
更进一步地，每个班次均具有固定的时间跨度，并且每个班次的运营方式可在不同时间点重复启用，形成多个班次的循环运营模式。
进一步地，在所述优化模型中，每一个城市站点都只有唯一空间路径对应的多个时间路径可供选择。
根据本发明的另一方面，提供一种医药干线优化***，该***包括：
建模单元，其配置为采用时空网络模型对医药干线网络建立优化模型；
计算单元，其配置为使用所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线；
输出单元，其配置为将计算出的最优关系曲线提供给线下根据业务需求进行规划和选择。
进一步地，所述建模单元还配置为：将时间的连续分布以一定的时间间隔离散化。
进一步地，所述时空网络中包括发车弧线和等待弧线；其中
所述发车弧线表示一个班次，弧线的起点代表出发地和时间点，弧线终点代表到达地和到达时间加周转时间；
所述等待弧线表示在两个发车弧线的到达和出发端点之间，快件停留在城市站点上的时间长度。
进一步地，所述建模单元还配置为：将所有城市站点OD之间的最长时效分割成离散的固定时间段，通过对离散化后的所有时间段进行建模求解，获得发车时间和班次。
更进一步地，所述建模单元还配置为：
通过以如下目标函数进行数学建模的形式，利用整数规划求解：
Figure GDA0002811026930000041
其中约束条件为：
Figure GDA0002811026930000042
Figure GDA0002811026930000043
Figure GDA0002811026930000044
Figure GDA0002811026930000045
Figure GDA0002811026930000046
其中，cα是车辆运输成本系数；
τα是某个时空网络中某条弧线arc上使用的车的数量；
A是所有时空网络中弧线arc的集合；
a是目标函数权重；
P(κ)是所有可行路径的集合；
K是所有OD需求的集合；
Figure GDA0002811026930000047
表示某个OD的货物需求κ是否使用某条路径p；当
Figure GDA0002811026930000048
时为使用路径p，当
Figure GDA0002811026930000049
时为不使用路径p；
Figure GDA0002811026930000051
是某个OD的货物需求κ使用某条路径p时的时效；
qκ是某个OD的货物需求κ的总量；
Q′α是车装载量；
i，j分别表示某个城市；
Z+为正整数集合；
在上述目标函数中，最小化两个因素的加权求和，其中
Figure GDA0002811026930000052
是运输成本，与发车班次的数量相关；
Figure GDA0002811026930000053
是平均时效，与快件在中转城市站点的等待时间相关。
更进一步地，通过设定不同的加权比例，利用gurobi求解所述目标函数，可以得到运输成本和平均时效的最优关系曲线。
更进一步地，每个班次均具有固定的时间跨度，并且每个班次的运营方式可在不同时间点重复启用，形成多个班次的循环运营模式。
进一步地，所述建模单元还配置为：在所述优化模型中，每一个城市站点都只有唯一空间路径对应的多个时间路径可供选择。
根据本发明的又一方面，提供一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。
根据本发明的又一方面，提供一种存储有计算机程序的计算机可读存储介质，其特征是，该程序被处理器执行时实现如上所述的方法。
与现有技术相比，本发明具有以下有益效果：
1、根据本发明示例的医药干线优化方法，采用“时空网络”模型对医药干线网络建立优化模型，从而能够更加有效地分析医药干线网络中的时间顺序和空间关系，进而优化发车班次。在上述优化模型中所采用的上述目标函数的约束条件保证了：(1)每个OD都必须在可选的时空路径中恰好选择一条；(2)每一段时空网络中的发车弧线都有足够的容量去承载相应的快件数量；(3)发车班次在任意两个城市之间对发是平衡的。本申请的优化方法，能够从全局视角进行统筹规划，整体上满足了配送需求的低成本高时效，并且能够在整体效果上做到很好的平衡。
2、根据本发明示例的医药干线优化***，建模单元配置为采用时空网络模型对医药干线网络建立优化模型，从而能够更加有效地分析医药干线网络中的时间顺序和空间关系，进而优化发车班次；计算单元配置为使用所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线，该最优关系曲线保证每个OD都必须在可选的时空路径中恰好选择一条；每一段时空网络中的发车弧线都有足够的容量去承载相应的快件数量；发车班次在任意两个城市之间对发是平衡的；输出单元配置为将计算出的最优关系曲线提供给线下根据业务需求进行规划和选择，这就能够从全局视角进行统筹规划，整体上满足配送需求的低成本高时效，并且能够在整体效果上做到很好的平衡。
3、本发明示例的医药干线优化设备、通过存储有计算机程序的计算机可读介质,所述程序被运行用于医药干线的优化，能够从全局视角进行统筹规划，整体上满足配送需求的低成本高时效，并且能够在整体效果上做到很好的平衡。
附图说明
图1为本发明所述的医药干线优化方法的流程图；
图2是本发明所述的医药干线优化方法中优化模型的时空网络图；
图3是本发明一个实施例的运输成本和平均时效的最优关系曲线图。
具体实施方式
为了更好的了解本发明的技术方案，下面结合具体实施例、说明书附图对本发明作进一步说明。
在医药干线网络中，会有N个城市公交站点分布在全国范围内，作为客户医药零担收派的区域集散中心，模型需要考虑其中任意两个城市站点之间(<起始地,目的地>OD(origination destination))的需求，即N*(N-1)种不同的流向，在现有空间路径的基础上，优化发车班次(发车时间、发车频率、发车车型)。
实施例一
本实施例提供一种医药干线优化方法，如图1所示，该方法包括以下步骤：
采用时空网络模型对医药干线网络建立优化模型；
为了有效分析该问题中的时间顺序(时效约束)和空间关系(集散点分布)，本申请采用“时空网络”模型对医药干线网络建模。时空网络是对静态网络的扩展，通过对时间的连续分布以一定间隔离散化，每个节点既代表位置也表示某个时间点。时空网络中有两类弧线(连接节点的边)。
本实施例以一周为例，设计的发车班次每周至少4次且是每周固定循环的，因而该模型将一周共计168个小时分割成离散的4段，每段42小时，作为一个班次区间。以不同的城市站点A、B、H、C和42小时的时间段的不同时间点建立图1所示的时空网络。在图1所示的时空网络中，包括两类弧线：
1.发车弧线：发车弧线表示一个班次，弧线的起点代表出发地和时间点，弧线终点代表到达地和到达时间加周转时间，发车弧线的出发和到达地属于不同的站点。如图2所示从城市站点A到C的实线箭头所示的弧线以及从城市站点B到城市站点C的虚线所示的弧线。周转时间是指快件到达某城市站点后，中转分拣所需要的最短时间，本实施例的模型中以2小时为准。例如，对于从A点到B点的弧线所跨过的时间段，根据不同的车型，利用GIS数据测算求得。
2.等待弧线：表示在两个发车弧线的到达和出发端点之间，快件停留在城市站点上的时间长度，等待弧线的出发和到达地属同一站点。如图2从城市站点B到C的弧线中从时刻12am到6am的弧线，该段弧线表示快件在城市站点H停留的时间为6小时。等待弧线的设计给予了同一目的地不同始发地的快件并包拼车的机会，从而减少不必要的发车。
所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线；
以如下目标函数进行数学建模，利用整数规划求解：
Figure GDA0002811026930000071
其中约束条件为：
Figure GDA0002811026930000072
Figure GDA0002811026930000081
Figure GDA0002811026930000082
Figure GDA0002811026930000083
Figure GDA0002811026930000084
其中，cα是车辆运输成本系数；
τα是某个时空网络中某条弧线arc上使用的车的数量；
A是所有时空网络中弧线arc的集合；
a是目标函数权重；
P(κ)是所有可行路径的集合；
K是所有OD需求的集合；
Figure GDA0002811026930000085
表示某个OD的货物需求κ是否使用某条路径p；当
Figure GDA0002811026930000086
时为使用路径p，当
Figure GDA0002811026930000087
时为不使用路径p；
Figure GDA0002811026930000088
是某个OD的货物需求κ使用某条路径p时的时效；
qκ是某个OD的货物需求κ的总量；
Q′α是车装载量；
i，j分别表示某个城市；
Z+为正整数集合；
在上述目标函数中，最小化两个因素的加权求和，其中
Figure GDA0002811026930000089
是运输成本，与发车班次的数量相关；
Figure GDA00028110269300000810
是平均时效，与快件在中转城市站点的等待时间相关。
通过设定不同的加权比例，利用gurobi求解上述目标函数，可以得到运输成本和平均时效的最优关系曲线。
通过上述约束条件，(1)保证了每个OD都必须在可选的时空路径中恰好选择一条；(2)保证了每一段时空网络中的发车弧线都有足够的容量去承载相应的快件数量；(3)保证了发车班次在任意两个城市之间对发是平衡的。
通过上述方法，每一个OD都能找到多条的时空(时间-空间)路径，由于该模型是基于现有空间路径的，因此可行路径中对于每一个OD都只有唯一空间路径对应的多个时间路径可供选择。
例如，本实施例中，车辆运输成本系数,cα(5.3元/票)，目标函数权重,α(0-0.5)，车装载量,Q′α(8吨)。所有时空网络中的路线，在不同权重系数下，运输成本(纵坐标)和平均时效(横坐标)的关系如图3所示。
将利用gurobi求解上述目标函数计算出的上述最优关系曲线提供给线下根据业务需求进行规划和选择。
本实施例还提供了一种医药干线优化***，该***包括：
建模单元，其配置为采用时空网络模型对医药干线网络建立优化模型；
为了有效分析该问题中的时间顺序(时效约束)和空间关系(集散点分布)，本申请采用“时空网络”模型对医药干线网络建模。时空网络是对静态网络的扩展，通过对时间的连续分布以一定间隔离散化，每个节点既代表位置也表示某个时间点。时空网络中有两类弧线(连接节点的边)。
本实施例以一周为例，设计的发车班次每周至少4次且是每周固定循环的，因而该模型将一周共计168个小时分割成离散的4段，每段42小时，作为一个班次区间。以不同的城市站点A、B、H、C和42小时的时间段的不同时间点建立图1所示的时空网络。在图2所示的时空网络中，包括两类弧线：
1.发车弧线：发车弧线表示一个班次，弧线的起点代表出发地和时间点，弧线终点代表到达地和到达时间加周转时间，发车弧线的出发和到达地属于不同的站点。如图2所示从城市站点A到C的实线箭头所示的弧线以及从城市站点B到城市站点C的虚线所示的弧线。周转时间是指快件到达某城市站点后，中转分拣所需要的最短时间，本实施例的模型中以2小时为准。例如，对于从A点到B点的弧线所跨过的时间段，根据不同的车型，利用GIS数据测算求得。
2.等待弧线：表示在两个发车弧线的到达和出发端点之间，快件停留在城市站点上的时间长度，等待弧线的出发和到达地属同一站点。如图2从城市站点B到C的弧线中从时刻12am到6am的弧线，该段弧线表示快件在城市站点H停留的时间为6小时。等待弧线的设计给予了同一目的地不同始发地的快件并包拼车的机会，从而减少不必要的发车。
计算单元，其配置为使用所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线；
以如下目标函数进行数学建模，利用整数规划求解：
Figure GDA0002811026930000101
其中约束条件为：
Figure GDA0002811026930000102
Figure GDA0002811026930000103
Figure GDA0002811026930000104
Figure GDA0002811026930000105
Figure GDA0002811026930000106
其中，cα是车辆运输成本系数；
τα是某个时空网络中某条弧线arc上使用的车的数量；
A是所有时空网络中弧线arc的集合；
a是目标函数权重；
P(κ)是所有可行路径的集合；
K是所有OD需求的集合；
Figure GDA0002811026930000107
表示某个OD的货物需求κ是否使用某条路径p；当
Figure GDA0002811026930000108
时为使用路径p，当
Figure GDA0002811026930000109
时为不使用路径p；
Figure GDA0002811026930000111
是某个OD的货物需求κ使用某条路径p时的时效；
qκ是某个OD的货物需求κ的总量；
Q′α是车装载量；
i，j分别表示某个城市；
Z+为正整数集合；
在上述目标函数中，最小化两个因素的加权求和，其中
Figure GDA0002811026930000112
是运输成本，与发车班次的数量相关；
Figure GDA0002811026930000113
是平均时效，与快件在中转城市站点的等待时间相关
通过设定不同的加权比例，利用gurobi求解上述目标函数，可以得到运输成本和平均时效的最优关系曲线。
通过上述约束条件，(1)保证了每个OD都必须在可选的时空路径中恰好选择一条；(2)保证了每一段时空网络中的发车弧线都有足够的容量去承载相应的快件数量；(3)保证了发车班次在任意两个城市之间对发是平衡的。
通过上述方法，每一个OD都能找到多条的时空(时间-空间)路径，由于该模型是基于现有空间路径的，因此可行路径中对于每一个OD都只有唯一空间路径对应的多个时间路径可供选择。
例如，本实施例中，车辆运输成本系数,cα(5.3元/票)，目标函数权重,α(0-0.5)，车装载量,Q′α(8吨)。所有时空网络中的路线，在不同权重系数下，运输成本(纵坐标)和平均时效(横坐标)的关系如图3所示。
输出单元，其配置为将上述计算单元计算出的最优关系曲线提供给线下根据业务需求进行规划和选择。
本实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行本实施例如上所述的方法。
本实施例还提供了一种存储有计算机程序的计算机可读存储介质，其特征是，该程序被处理器执行时实现本实施例如上所述的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能。

Claims (16)

1.一种医药干线优化方法，其特征在于，包括以下步骤：
采用时空网络模型对医药干线网络建立优化模型；
所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线；
将计算出的最优关系曲线提供给线下根据业务需求进行规划和选择；
所述时空网络中包括发车弧线；其中
所述发车弧线表示一个班次，弧线的起点代表出发地和时间点，弧线终点代表到达地和到达时间加周转时间；
将所有城市站点<起始地,目的地>OD之间的最长时效分割成离散的固定时间段，通过对离散化后的所有时间段进行建模求解，获得发车时间和班次。
2.根据权利要求1所述的优化方法，其特征在于，建立所述优化模型时，将时间的连续分布以一定的时间间隔离散化。
3.根据权利要求1所述的优化方法，其特征在于，所述时空网络中包括等待弧线；其中
所述等待弧线表示在两个发车弧线的到达和出发端点之间，快件停留在城市站点上的时间长度。
4.根据权利要求1所述的优化方法，其特征在于，通过以如下目标函数进行数学建模的形式，利用整数规划求解：
Figure FDA0002811026920000011
其中约束条件为：
Figure FDA0002811026920000012
Figure FDA0002811026920000021
Figure FDA0002811026920000022
Figure FDA0002811026920000023
Figure FDA0002811026920000024
其中，cα是车辆运输成本系数；
τα是某个时空网络中某条弧线arc上使用的车的数量；
A是所有时空网络中弧线arc的集合；
a是目标函数权重；
P(κ)是所有可行路径的集合；
K是所有OD需求的集合；
Figure FDA0002811026920000025
表示某个OD的货物需求κ是否使用某条路径p；当
Figure FDA0002811026920000026
时为使用路径p，当
Figure FDA0002811026920000027
时为不使用路径p；
Figure FDA0002811026920000028
是某个OD的货物需求κ使用某条路径p时的时效；
qκ是某个OD的货物需求κ的总量；
Figure FDA0002811026920000029
是车装载量；
i，j分别表示某个城市；
Z+为正整数集合；
在上述目标函数中，最小化两个因素的加权求和，其中
Figure FDA00028110269200000210
是运输成本，与发车班次的数量相关；
Figure FDA00028110269200000211
是平均时效，与快件在中转城市站点的等待时间相关。
5.根据权利要求4所述的优化方法，其特征在于，通过设定不同的加权比例，利用gurobi求解所述目标函数，可以得到运输成本和平均时效的最优关系曲线。
6.根据权利要求1-5中任一项所述的优化方法，其特征在于，每个班次均具有固定的时间跨度，并且每个班次的运营方式可在不同时间点重复启用，形成多个班次的循环运营模式。
7.根据权利要求1所述的优化方法，其特征在于，在所述优化模型中，每一个城市站点都只有唯一空间路径对应的多个时间路径可供选择。
8.一种医药干线优化***，其特征在于，包括：
建模单元，其配置为采用时空网络模型对医药干线网络建立优化模型；
计算单元，其配置为使用所述优化模型基于历史数据，利用整数规划算法，通过寻找帕累托最优，计算出运输成本和平均时效的最优关系曲线；
输出单元，其配置为将计算出的最优关系曲线提供给线下根据业务需求进行规划和选择；
所述时空网络中包括发车弧线；其中
所述发车弧线表示一个班次，弧线的起点代表出发地和时间点，弧线终点代表到达地和到达时间加周转时间；
所述建模单元还配置为：
将所有城市站点<起始地,目的地>OD之间的最长时效分割成离散的固定时间段，通过对离散化后的所有时间段进行建模求解，获得发车时间和班次。
9.根据权利要求8所述的优化***，其特征在于，所述建模单元还配置为：
将时间的连续分布以一定的时间间隔离散化。
10.根据权利要求8所述的优化***，其特征在于，所述时空网络中包括等待弧线；其中
所述等待弧线表示在两个发车弧线的到达和出发端点之间，快件停留在城市站点上的时间长度。
11.根据权利要求8所述的优化***，其特征在于，所述建模单元还配置为：
通过以如下目标函数进行数学建模的形式，利用整数规划求解：
Figure FDA0002811026920000041
其中约束条件为：
Figure FDA0002811026920000042
Figure FDA0002811026920000043
Figure FDA0002811026920000044
Figure FDA0002811026920000045
Figure FDA0002811026920000046
其中，cα是车辆运输成本系数；
τα是某个时空网络中某条弧线arc上使用的车的数量；
A是所有时空网络中弧线arc的集合；
α是目标函数权重；
P(κ)是所有可行路径的集合；
K是所有OD需求的集合；
Figure FDA0002811026920000047
表示某个OD的货物需求κ是否使用某条路径p；当
Figure FDA0002811026920000048
时为使用路径p，当
Figure FDA0002811026920000049
时为不使用路径p；
Figure FDA00028110269200000410
是某个OD的货物需求κ使用某条路径p时的时效；
qκ是某个OD的货物需求κ的总量；
Figure FDA00028110269200000411
是车装载量；
i，j分别表示某个城市；
Z+为正整数集合；
在上述目标函数中，最小化两个因素的加权求和，其中
Figure FDA0002811026920000051
是运输成本，与发车班次的数量相关；
Figure FDA0002811026920000052
是平均时效，与快件在中转城市站点的等待时间相关。
12.根据权利要求11所述的优化***，其特征在于，通过设定不同的加权比例，利用gurobi求解所述目标函数，可以得到运输成本和平均时效的最优关系曲线。
13.根据权利要求8-12任一项所述的优化***，其特征在于，每个班次均具有固定的时间跨度，并且每个班次的运营方式可在不同时间点重复启用，形成多个班次的循环运用模式。
14.根据权利要求8所述的优化***，其特征在于，所述建模单元还配置为：
在所述优化模型中，每一个城市站点都只有唯一空间路径对应的多个时间路径可供选择。
15.一种设备，其特征是，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-7中任一项所述的方法。
16.一种存储有计算机程序的计算机可读存储介质，其特征是，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN201810869996.8A 2018-08-02 2018-08-02 一种医药干线优化方法、***、设备及存储介质 Active CN108921362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810869996.8A CN108921362B (zh) 2018-08-02 2018-08-02 一种医药干线优化方法、***、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810869996.8A CN108921362B (zh) 2018-08-02 2018-08-02 一种医药干线优化方法、***、设备及存储介质

Publications (2)

Publication Number Publication Date
CN108921362A CN108921362A (zh) 2018-11-30
CN108921362B true CN108921362B (zh) 2021-02-19

Family

ID=64393072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810869996.8A Active CN108921362B (zh) 2018-08-02 2018-08-02 一种医药干线优化方法、***、设备及存储介质

Country Status (1)

Country Link
CN (1) CN108921362B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461586B (zh) * 2019-05-28 2024-03-19 上海汽车集团股份有限公司 运输成本与运输时间的双目标优化方法、装置以及介质
CN112418584A (zh) * 2019-08-23 2021-02-26 深圳顺丰泰森控股(集团)有限公司 任务规划方法、装置、计算机设备及存储介质
CN113077198A (zh) * 2020-01-03 2021-07-06 顺丰科技有限公司 运输路径规划方法、装置、计算机设备和存储介质
CN113393183A (zh) * 2020-03-12 2021-09-14 深圳顺丰泰森控股(集团)有限公司 快件中转模式的规划方法、装置、服务器及存储介质
CN113762655A (zh) * 2020-06-02 2021-12-07 深圳顺丰泰森控股(集团)有限公司 一种车辆排班的规划方法及装置
CN113408775A (zh) * 2020-07-31 2021-09-17 上海中通吉网络技术有限公司 基于物流网络的路由规划方法、装置、设备和存储介质
CN113762830B (zh) * 2020-08-06 2024-04-12 北京京东振世信息技术有限公司 订单拆分处理方法、装置、设备及可读存储介质
CN113379102B (zh) * 2021-05-20 2022-10-18 浙江百世技术有限公司 一种多网干线运输优化方法、计算机设备及存储介质
CN114240001B (zh) * 2021-11-09 2024-06-18 北京京东振世信息技术有限公司 物流路由网络确定方法和装置
CN116402430B (zh) * 2023-06-07 2023-09-19 成都运荔枝科技有限公司 一种基于冷链物流场景的干线订单匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014205585A1 (en) * 2013-06-28 2014-12-31 Polyvalor, Société En Commandite Method and system for optimizing the location of data centers or points of presence and software components in cloud computing networks using a tabu search algorithm
CN107133715A (zh) * 2017-03-29 2017-09-05 成都石科技有限公司 基于轨道时空冲突的整数规划建模的方法
CN107145971A (zh) * 2017-04-18 2017-09-08 苏州工业职业技术学院 一种动态调整的快递配送优化方法
CN107704950A (zh) * 2017-09-14 2018-02-16 北京交通大学 一种基于出行需求与***节能的城轨列车运行图优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645177B2 (en) * 2008-10-01 2014-02-04 Accenture Global Services Limited Single step flight schedule optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014205585A1 (en) * 2013-06-28 2014-12-31 Polyvalor, Société En Commandite Method and system for optimizing the location of data centers or points of presence and software components in cloud computing networks using a tabu search algorithm
CN107133715A (zh) * 2017-03-29 2017-09-05 成都石科技有限公司 基于轨道时空冲突的整数规划建模的方法
CN107145971A (zh) * 2017-04-18 2017-09-08 苏州工业职业技术学院 一种动态调整的快递配送优化方法
CN107704950A (zh) * 2017-09-14 2018-02-16 北京交通大学 一种基于出行需求与***节能的城轨列车运行图优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《多资源约束下车辆配送路径优化模型》;吴正阳等;《交通运输工程与信息学报》;20180315;第16卷(第1期);第126页，图3（b） *
《零散白货的货源组织问题和运输组织问题一体化》;王志美等;《北京交通大学学报》;20161215;第40卷(第6期);第44-45,49页 *
王志美等.《零散白货的货源组织问题和运输组织问题一体化》.《北京交通大学学报》.2016,第40卷(第6期), *

Also Published As

Publication number Publication date
CN108921362A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921362B (zh) 一种医药干线优化方法、***、设备及存储介质
Gu et al. Plan-based flexible bus bridging operation strategy
Gentile et al. Route choice on transit networks with online information at stops
Yao et al. Transit network design based on travel time reliability
Perugia et al. Designing a home-to-work bus service in a metropolitan area
Liao et al. An object-oriented evaluation framework for dynamic vehicle routing problems under real-time information
Khani et al. Trip-based path algorithms using the transit network hierarchy
CN105070044A (zh) 一种基于乘客预约的定制公交合乘车辆动态调度方法
Qiu et al. Demi-flexible operating policies to promote the performance of public transit in low-demand areas
CN113780808B (zh) 基于柔性公交接驳***线的车辆服务属性决策优化方法
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划***及方法
Yang et al. Dynamic passenger demand-oriented train scheduling optimization considering flexible short-turning strategy
Hou et al. TASeT: Improving the efficiency of electric taxis with transfer-allowed rideshare
CN107101645A (zh) 一种路径规划方法及路径规划装置
Ma et al. Near-on-demand mobility. The benefits of user flexibility for ride-pooling services
AU2014324087A1 (en) Determining network maps of transport networks
Spieser et al. Vehicle routing for shared-mobility systems with time-varying demand
Cao et al. Optimal capacity allocation under random passenger demands in the high-speed rail network
Gaul et al. Solving the dynamic dial-a-ride problem using a rolling-horizon event-based graph
Yu et al. Network design and delivery scheme optimisation under integrated air-rail freight transportation
Wang et al. Optimization Algorithm Design for the Taxi‐Sharing Problem and Application
Verbas et al. Finding least cost hyperpaths in multimodal transit networks: Methodology, algorithm, and large-scale application
CN113383351A (zh) 运输方法和装置
Yu et al. Optimizing express parcel networks and delivery schemes subject to timeliness tolerances
Wang et al. Vehicle allocation model and its optimization based on supply-demand resources analysis

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