CN110580606A - 铁路运输数据的匹配方法 - Google Patents
铁路运输数据的匹配方法 Download PDFInfo
- Publication number
- CN110580606A CN110580606A CN201910862242.4A CN201910862242A CN110580606A CN 110580606 A CN110580606 A CN 110580606A CN 201910862242 A CN201910862242 A CN 201910862242A CN 110580606 A CN110580606 A CN 110580606A
- Authority
- CN
- China
- Prior art keywords
- solution
- data
- information
- candidate
- taboo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010845 search algorithm Methods 0.000 claims abstract description 32
- 239000002994 raw material Substances 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003875 gradient-accelerated spectroscopy Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (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
本发明揭示了一种铁路运输数据的匹配方法,将原料采购数据与铁路运输数据匹配,产生接车数据,该匹配方法包括:获取原料采购数据;获取铁路运输数据;对原料采购数据和铁路运输数据应用贪婪随机自适应搜索算法,以承运商信息和始发站信息作为约束条件,计算接车数据并获得接车数据的局部最优解;对接车数据的局部最优解应用禁忌搜索算法进行局部邻域搜索,由禁忌表存储已经经过搜索的局部最优解并进行标记,被标记为禁忌的局部最优解能通过藐视准则释放,通过禁忌搜索算法获得接车数据的全局最优解。本发明能够实现无人化自动接车,可有效提升接车准确率并减少接车时间,提升工作效率。
Description
技术邻域
本发明涉及数据处理技术邻域,更具体地说,涉及铁路运输数据的匹 配方法。
背景技术
钢铁生产企业原料大多通过铁路运输进厂,日均进厂1000辆车皮以 上,且70%以上接车时间在晚间8点至早间5点之间,接车频度高,需要 夜间作业。在进行接车时,接车工人需要核对车次信息,以品种+发货单 位作为查询条件,查询钢厂采购中心提供的车运订单信息,对应铁路随车 大票,将供应商、发货单位、发站、订单号等信息手工匹配到每个车号, 并填写车皮发车时间、到厂站时间,组成进厂检验批,生成进厂受检批号 并发送以便厂内的下部工序开展。以上一系列的核对录入工作全部由接车 工人手工核对完成,使得接车及时率及准确率无法得到保障。尤其在接车 量较大时,容易造成数据录入错误。错误的数据会影响工作效率,较为严 重的错误还会引发工作事故。
发明内容
本发明提出一种铁路运输数据的匹配方法,将原料采购数据与铁路运 输数据匹配,产生接车数据,该匹配方法包括:
获取原料采购数据,原料采购数据中包括承运商信息和始发站信息;
获取铁路运输数据,铁路运输数据中也包括承运商信息和始发站信息;
对原料采购数据和铁路运输数据应用贪婪随机自适应搜索算法,以承 运商信息和始发站信息作为约束条件,计算接车数据并获得接车数据的局 部最优解,其中接车数据包括供应商信息、承运商信息、始发站信息、到 站信息、车皮号信息、车皮数量、订单信息和原料信息;
对接车数据的局部最优解应用禁忌搜索算法进行局部邻域搜索,在局 部邻域搜索的过程中,基于车皮号信息和订单信息产生匹配方案,由禁忌 表存储已经经过搜索的局部最优解并进行标记,被标记为禁忌的局部最优 解能通过藐视准则释放,通过禁忌搜索算法获得接车数据的全局最优解。
根据本发明的一个实施例,原料采购数据还包括:供应商信息、原料 信息、订单信息和结算信息,其中订单信息和结算信息与匹配规则相关, 依据匹配规则确定接车数据的候选集C。
根据本发明的一个实施例,铁路运输数据还包括:车皮号信息、运单 信息、发车信息和时刻表信息,其中依据发车信息和时刻表信息计算得到 到站信息。
根据本发明的一个实施例,贪婪随机自适应搜索算法包括:
初始构造步骤,构造接车数据的解集S和候选集C,对解集S和候选 集C进行初始化,由贪婪函数选取候选集C中的项,判断是否满足约束条 件,将符合约束条件的项存入限制性候选列表RCL中,然后从RCL中随机 地选取一项加入到解集S中,对候选集C进行更新,循环上述过程直至候 选集C中余下的项都不满足约束条件为止,初始构造步骤获得的解集S为 局部初始解;
优化搜索步骤,对解集S中的局部初始解应用2-opt算法来进行局部 搜索,获得局部最优解。
根据本发明的一个实施例,构造步骤包括:
S11、初始化解集S,令解集S为空,
S12、初始化候选集C;
S13、对候选集C中的所有项e,即e∈C,由贪婪函数计算贪婪值;
S14、判断候选集C是否为空,候选集C为空,执行步骤S19,候选 集C不为空,即时,执行步骤S4;
S15、分别取计算得到的贪婪值的最小值、最大值,即cmin= min{c(e)|e∈C},cmax=max{c(e)|e∈C};
S16、建立限制性候选列表RCL,限制性候选列表RCL中的项e满足 下述约束条件:RCL={e∈C|c(e)∈cmin+α(cmax-cmin)};
S17、机地从限制性候选列表RCL中选取一项e,将该项放入解集S 中;
S18、更新候选集C为限制性候选列表RCL中的剩余项,并返回步骤 S13;
S19、返回得到解集S,构造步骤结束。
根据本发明的一个实施例,贪婪函数具有贪婪参数α,贪婪参数α的取 值在0至1的范围内,α=0时,贪婪函数采用纯随机策略,α=1时,贪 婪函数采用纯贪婪策略。
根据本发明的一个实施例,优化搜索步骤中,对解集S中的局部初始 解的车皮号信息进行调整,以车皮数量为依据对局部初始解进行优化以获 得局部最优解。
根据本发明的一个实施例,禁忌搜索算法包括:
S21、获得由贪婪随机自适应搜索算法得到的局部最优解,将局部最优 解作为当前解;
S22、初始化禁忌搜索算法的禁忌表,先清空禁忌表再将局部最优解依 次存入禁忌表作为禁忌对象;
S23、对当前解随机选择一种邻域结构生成邻域解,邻域解组成候选解 集合;
S24、对于候选解集合,分别判断其中的候选解是否满足藐视准则,若 候选解满足藐视准则,则选择最优的候选解替换当前解,并替换最早进入 禁忌表的禁忌对象,更新禁忌表,然后执行步骤S26,如果没有候选解满 足藐视准则,则执行步骤S25;
S25、对候选集中的候选解的禁忌属性进行判断,从候选解集中选择最 优的非禁忌候选解作为当前解,并替换最早进入禁忌表的禁忌对象,更新 禁忌表,然后执行步骤S26;
S26、迭代次数加1并判断是否达到最大迭代次数,如果达到最大迭 代次数,则满足终止条件,禁忌搜索算法结束,当前解作为全局最优解输 出,如果没有达到最大迭代次数,则返回步骤S23。
根据本发明的一个实施例,邻域结构包括:
交换结构,初始解的匹配方案中订单i分配的车皮号与订单j分配的车 皮号位置进行交换;
***结构,初始解的匹配方案中,将订单i分配的车皮号***订单j分 配的车皮号所在的位置之前;
订单交换结构,将订单i,j的位置进行互换。
根据本发明的一个实施例,禁忌搜索算法的禁忌长度设置为0.6N,其 中N为候选解的个数;每次更新禁忌表后,禁忌表中剩余的禁忌对象的禁 忌期减去1,如果禁忌对象的禁忌期为0,则被移出禁忌表;被移出禁忌表 的解进入候选解集合。
本发明的铁路运输数据的匹配方法将钢厂采购物流***与铁路***的 数据对接,通过数据匹配生成接车数据,取代了传统的人工接车的过程, 能够实现无人化自动接车,可有效提升接车准确率并减少接车时间,提升 工作效率。
附图说明
图1揭示了根据本发明的一实施例的铁路运输数据的匹配方法的流程 图。
图2揭示了根据本发明的一实施例的铁路运输数据的匹配方法中初始 构造步骤的流程图。
图3揭示了根据本发明的一实施例的铁路运输数据的匹配方法中禁忌 搜索算法的流程图。
具体实施方式
参考图1所示,本发明提出一种铁路运输数据的匹配方法,将原料采 购数据与铁路运输数据匹配,产生接车数据,该匹配方法包括:
S1、获取原料采购数据,原料采购数据中包括承运商信息和始发站信 息。在一个实施例中,原料采购数据还包括:供应商信息、原料信息、订 单信息和结算信息,其中订单信息和结算信息与匹配规则相关,依据匹配 规则确定接车数据的候选集C。根据不同的结算信息,会配置不同的匹配 规则,比如:对于结算依据是“1”(订单号选择依据到达时间),根据时 刻表信息,以车辆到达厂站前倒数第二站的时间,推算到达厂站的时间, 即到站信息。以推算出的到站信息匹配订单,如到达厂站时间在该月匹配 该月订单号,如车皮实际到达厂站为下个月匹配下月订单号,然后将车号 +物料编码+供应商+承运商+发站+订单号发送钢厂运输管理***。如一个 月出现“供应商+承运商+发站+物料编码”出现2个订单号,程序匹配订 单有效期在该月的订单号。对于结算依据是“2”或“3”或“4”(订单号 选择依据发货时间),在“承运商+发站+发货时间+车皮号+物料号”信 息录入完成后,供应商输入***程序自动匹配该月订单号。如一个月出现 “供应商+承运商+发站+物料编码”出现2个订单号,程序匹配订单有效 期在该月的订单号。将车号+物料编码+供应商+承运商+发站+发货时间+ 订单号等信息发送钢厂运输管理***。
S2、获取铁路运输数据,铁路运输数据中也包括承运商信息和始发站 信息。在一个实施例中,铁路运输数据还包括:车皮号信息、运单信息、 发车信息和时刻表信息,其中依据发车信息和时刻表信息计算得到到站信 息。
S3、对原料采购数据和铁路运输数据应用贪婪随机自适应搜索算法, 以承运商信息和始发站信息作为约束条件,计算接车数据并获得接车数据 的局部最优解,其中接车数据包括供应商信息、承运商信息、始发站信息、 到站信息、车皮号信息、车皮数量、订单信息和原料信息。在一个实施例 中,贪婪随机自适应搜索算法(Greedy Randomized AdaptiveSearch Procedures,GRASP)包括:初始构造步骤和优化搜索步骤。
在初始构造步骤中构造接车数据的解集S和候选集C,对解集S和候 选集C进行初始化,由贪婪函数选取候选集C中的项,判断是否满足约束 条件,将符合约束条件的项存入限制性候选列表RCL中,然后从RCL中随 机地选取一项加入到解集S中,对候选集C进行更新,循环上述过程直至 候选集C中余下的项都不满足约束条件为止,初始构造步骤获得的解集S 为局部初始解。图2揭示了根据本发明的一实施例的铁路运输数据的匹配 方法中初始构造步骤的流程图。参考图2所示,初始构造步骤的具体实施 过程如下:
S11、初始化解集S,令解集S为空,
S12、初始化候选集C。
S13、对候选集C中的所有项e,即e∈C,由贪婪函数计算贪婪值;
S14、判断候选集C是否为空,候选集C为空,执行步骤S19,候选 集C不为空,即时,执行步骤S14。
S15、分别取计算得到的贪婪值的最小值、最大值,即cmin= min{c(e)|e∈C},cmax=max{c(e)|e∈C}。
S16、建立限制性候选列表RCL,限制性候选列表RCL中的项e满足 下述约束条件:RCL={e∈C|c(e)∈cmin+α(cmax-cmin)}。
S17、机地从限制性候选列表RCL中选取一项e,将该项放入解集S 中。
S18、更新候选集C为限制性候选列表RCL中的剩余项,并返回步骤 S13。
S19、返回得到解集S,构造步骤结束。
贪婪函数是影响算法性能与效率的关键因素之一,在执行算法前根据 具体实际问题选择相应的贪婪函数,通过贪婪函数对候选集中的元素进行 计算,并对函数值进行评价,以考虑是否将对应元素放入候选列表中。贪 婪函数具有贪婪参数α,贪婪参数α的取值在0至1的范围内,α=0时,贪 婪函数采用纯随机策略,α=1时,贪婪函数采用纯贪婪策略。贪婪参数α可 以是固定值,也可以在迭代计算的过程中进行调节。
在优化搜索步骤中,对解集S中的局部初始解应用2-opt算法来进行 局部搜索,获得局部最优解。在一个实施例中,在在优化搜索步骤中对解 集S中的局部初始解的车皮号信息进行调整,以车皮数量为依据对局部初 始解进行优化以获得局部最优解。比如,对于所得到的初局部始解,将其 中的两个车皮号进行交换,对交换后的解重新进行计算,若交换后的比交 换前的匹配正确率、所用车皮数据较少(最大化车皮利用率),则保留新 的匹配方案,否则不改变原来的方案。
S4、对接车数据的局部最优解应用禁忌搜索算法进行局部邻域搜索, 在局部邻域搜索的过程中,基于车皮号信息和订单信息产生匹配方案,由 禁忌表存储已经经过搜索的局部最优解并进行标记,被标记为禁忌的局部 最优解能通过藐视准则释放,通过禁忌搜索算法获得接车数据的全局最优 解。贪婪随机自适应搜索算法获得的解是通过随机方式获得,其实现方式 比较简单,但随机产生的解质量往往不高,会影响收敛速度,存在局部最优而全局较差的情况,会导致算法求解精度降低。因此贪婪随机自适应搜 索算法获得的解认为是局部最优解,但未必是全局较优的解。禁忌搜索 (Tabu Search,TS)算法,是对局部邻域搜索的一种扩展,利用禁忌表存 储已经搜索的局部最优解方案,并进行标记。在后续的搜索过程中,依此 跳出局部最优点。同时通过藐视准则来释放部分已被禁忌的优良状态。由 于这种方式,即以一定概率接受劣解,可以保证采取不同的路径进行搜索, 跳出局部最优,以实现全局优化。
图3揭示了根据本发明的一实施例的铁路运输数据的匹配方法中禁忌 搜索算法的流程图。如图3所示,禁忌搜索算法包括:
S21、获得由贪婪随机自适应搜索算法得到的局部最优解,将局部最优 解作为当前解。
S22、初始化禁忌搜索算法的禁忌表,先清空禁忌表再将局部最优解依 次存入禁忌表作为禁忌对象。
S23、对当前解随机选择一种邻域结构生成邻域解,邻域解组成候选解 集合。在一个实施例中,可选的邻域结构包括:交换结构、***结构和订 单交换结构。交换结构中,初始解的匹配方案中订单i分配的车皮号与订单 j分配的车皮号位置进行交换。***结构中,初始解的匹配方案中,将订单 i分配的车皮号***订单j分配的车皮号所在的位置之前。订单交换结构中, 将订单i,j的位置进行互换。对当前解随机选择其中的一种邻域结构来生成 邻域解。
S24、对于候选解集合,分别判断其中的候选解是否满足藐视准则,若 候选解满足藐视准则,则选择最优的候选解替换当前解,并替换最早进入 禁忌表的禁忌对象,更新禁忌表,然后执行步骤S26,如果没有候选解满 足藐视准则,则执行步骤S25。
S25、对候选集中的候选解的禁忌属性进行判断,从候选解集中选择最 优的非禁忌候选解作为当前解,并替换最早进入禁忌表的禁忌对象,更新 禁忌表,然后执行步骤S26。
S26、迭代次数加1并判断是否达到最大迭代次数,如果达到最大迭 代次数,则满足终止条件,禁忌搜索算法结束,当前解作为全局最优解输 出,如果没有达到最大迭代次数,则返回步骤S23。
在禁忌搜索算法中,设置禁忌长度设置为0.6N,其中N为候选解的个 数。每次更新禁忌表后,禁忌表中剩余的禁忌对象的禁忌期减去1,如果 禁忌对象的禁忌期为0,则被移出禁忌表。被移出禁忌表的解进入候选解 集合。
下面介绍一个具体的应用实例:
表1是原料采购数据。
表1
表2是铁路运输数据。
表2
表3是接车数据,即运算的结果。
表3
本发明的铁路运输数据的匹配方法将钢厂采购物流***与铁路***的 数据对接,通过数据匹配生成接车数据,取代了传统的人工接车的过程, 能够实现无人化自动接车,可有效提升接车准确率并减少接车时间,提升 工作效率。
Claims (10)
1.一种铁路运输数据的匹配方法,其特征在于,将原料采购数据与铁路运输数据匹配,产生接车数据,该匹配方法包括:
获取原料采购数据,原料采购数据中包括承运商信息和始发站信息;
获取铁路运输数据,铁路运输数据中也包括承运商信息和始发站信息;
对原料采购数据和铁路运输数据应用贪婪随机自适应搜索算法,以承运商信息和始发站信息作为约束条件,计算接车数据并获得接车数据的局部最优解,其中接车数据包括供应商信息、承运商信息、始发站信息、到站信息、车皮号信息、车皮数量、订单信息和原料信息;
对接车数据的局部最优解应用禁忌搜索算法进行局部邻域搜索,在局部邻域搜索的过程中,基于车皮号信息和订单信息产生匹配方案,由禁忌表存储已经经过搜索的局部最优解并进行标记,被标记为禁忌的局部最优解能通过藐视准则释放,通过禁忌搜索算法获得接车数据的全局最优解。
2.如权利要求1所述的铁路运输数据的匹配方法,其特征在于,所述原料采购数据还包括:供应商信息、原料信息、订单信息和结算信息,其中订单信息和结算信息与匹配规则相关,依据匹配规则确定接车数据的候选集C。
3.如权利要求1所述的铁路运输数据的匹配方法,其特征在于,所述铁路运输数据还包括:车皮号信息、运单信息、发车信息和时刻表信息,其中依据发车信息和时刻表信息计算得到到站信息。
4.如权利要求1所述的铁路运输数据的匹配方法,其特征在于,所述贪婪随机自适应搜索算法包括:
初始构造步骤,构造接车数据的解集S和候选集C,对解集S和候选集C进行初始化,由贪婪函数选取候选集C中的项,判断是否满足约束条件,将符合约束条件的项存入限制性候选列表RCL中,然后从RCL中随机地选取一项加入到解集S中,对候选集C进行更新,循环上述过程直至候选集C中余下的项都不满足约束条件为止,初始构造步骤获得的解集S为局部初始解;
优化搜索步骤,对解集S中的局部初始解应用2-opt算法来进行局部搜索,获得局部最优解。
5.如权利要求4所述的铁路运输数据的匹配方法,其特征在于,所述构造步骤包括:
S11、初始化解集S,令解集S为空,
S12、初始化候选集C;
S13、对候选集C中的所有项e,即e∈C,由贪婪函数计算贪婪值;
S14、判断候选集C是否为空,候选集C为空,执行步骤S19,候选集C不为空,即时,执行步骤S4;
S15、分别取计算得到的贪婪值的最小值、最大值,即cmin=min{c(e)|e∈C},cmax=max{c(e)|e∈C};
S16、建立限制性候选列表RCL,限制性候选列表RCL中的项e满足下述约束条件:RCL={e∈C|c(e)∈cmin+α(cmax-cmin)};
S17、机地从限制性候选列表RCL中选取一项e,将该项放入解集S中;
S18、更新候选集C为限制性候选列表RCL中的剩余项,并返回步骤S13;
S19、返回得到解集S,构造步骤结束。
6.如权利要求5所述的铁路运输数据的匹配方法,其特征在于,所述贪婪函数具有贪婪参数α,贪婪参数α的取值在0至1的范围内,α=0时,贪婪函数采用纯随机策略,α=1时,贪婪函数采用纯贪婪策略。
7.如权利要求5所述的铁路运输数据的匹配方法,其特征在于,所述优化搜索步骤中,对解集S中的局部初始解的车皮号信息进行调整,以车皮数量为依据对局部初始解进行优化以获得局部最优解。
8.如权利要求1所述的铁路运输数据的匹配方法,其特征在于,所述禁忌搜索算法包括:
S21、获得由贪婪随机自适应搜索算法得到的局部最优解,将局部最优解作为当前解;
S22、初始化禁忌搜索算法的禁忌表,先清空禁忌表再将局部最优解依次存入禁忌表作为禁忌对象;
S23、对当前解随机选择一种邻域结构生成邻域解,邻域解组成候选解集合;
S24、对于候选解集合,分别判断其中的候选解是否满足藐视准则,若候选解满足藐视准则,则选择最优的候选解替换当前解,并替换最早进入禁忌表的禁忌对象,更新禁忌表,然后执行步骤S26,如果没有候选解满足藐视准则,则执行步骤S25;
S25、对候选集中的候选解的禁忌属性进行判断,从候选解集中选择最优的非禁忌候选解作为当前解,并替换最早进入禁忌表的禁忌对象,更新禁忌表,然后执行步骤S26;
S26、迭代次数加1并判断是否达到最大迭代次数,如果达到最大迭代次数,则满足终止条件,禁忌搜索算法结束,当前解作为全局最优解输出,如果没有达到最大迭代次数,则返回步骤S23。
9.如权利要求8所述的铁路运输数据的匹配方法,其特征在于,所述邻域结构包括:
交换结构,初始解的匹配方案中订单i分配的车皮号与订单j分配的车皮号位置进行交换;
***结构,初始解的匹配方案中,将订单i分配的车皮号***订单j分配的车皮号所在的位置之前;
订单交换结构,将订单i,j的位置进行互换。
10.如权利要求8所述的铁路运输数据的匹配方法,其特征在于,
禁忌搜索算法的禁忌长度设置为0.6N,其中N为候选解的个数;
每次更新禁忌表后,禁忌表中剩余的禁忌对象的禁忌期减去1,如果禁忌对象的禁忌期为0,则被移出禁忌表;
被移出禁忌表的解进入候选解集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862242.4A CN110580606B (zh) | 2019-09-12 | 2019-09-12 | 铁路运输数据的匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910862242.4A CN110580606B (zh) | 2019-09-12 | 2019-09-12 | 铁路运输数据的匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580606A true CN110580606A (zh) | 2019-12-17 |
CN110580606B CN110580606B (zh) | 2023-11-07 |
Family
ID=68812963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910862242.4A Active CN110580606B (zh) | 2019-09-12 | 2019-09-12 | 铁路运输数据的匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580606B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506782A (zh) * | 2020-03-18 | 2020-08-07 | 武汉钢铁有限公司 | 一种企业物资采购接车匹配方法及*** |
CN111598324A (zh) * | 2020-05-11 | 2020-08-28 | 上海东普信息科技有限公司 | 配载车线优化方法、装置、设备及存储介质 |
CN113487264A (zh) * | 2021-07-20 | 2021-10-08 | 中南大学 | 一种基于异构多无人机的物流配送方法及*** |
CN114091717A (zh) * | 2021-01-11 | 2022-02-25 | 北京京东振世信息技术有限公司 | 一种选址方法和装置 |
CN115018206A (zh) * | 2022-07-20 | 2022-09-06 | 深圳大学 | 一种新能源车电池包充电决策方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004287484A (ja) * | 2003-03-19 | 2004-10-14 | National Institute Of Advanced Industrial & Technology | バス運行形態評価方法、ならびにバス運行形態評価プログラムおよび該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN106408133A (zh) * | 2016-10-11 | 2017-02-15 | 山东师范大学 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及*** |
WO2017062492A1 (en) * | 2015-10-05 | 2017-04-13 | Cox Automotive, Inc. | Parallel processing for solution space partitions |
CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及*** |
WO2018196525A1 (zh) * | 2017-04-27 | 2018-11-01 | 北京京东尚科信息技术有限公司 | 货物搬运方法和装置 |
-
2019
- 2019-09-12 CN CN201910862242.4A patent/CN110580606B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004287484A (ja) * | 2003-03-19 | 2004-10-14 | National Institute Of Advanced Industrial & Technology | バス運行形態評価方法、ならびにバス運行形態評価プログラムおよび該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
WO2017062492A1 (en) * | 2015-10-05 | 2017-04-13 | Cox Automotive, Inc. | Parallel processing for solution space partitions |
CN106408133A (zh) * | 2016-10-11 | 2017-02-15 | 山东师范大学 | 受生物膜启发dna遗传算法的铁路应急调度优化方法及*** |
WO2018196525A1 (zh) * | 2017-04-27 | 2018-11-01 | 北京京东尚科信息技术有限公司 | 货物搬运方法和装置 |
CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及*** |
Non-Patent Citations (6)
Title |
---|
JG KLINCEWICZ: "Avoiding local optima in thep-hub location problem using tabu search and GRASP", 《ANNALS OF OPERATIONS RESEARCH》 * |
侯彦娥等: "求解多车型校车路径问题的带参数选择机制的GRASP算法", 《计算机科学》 * |
王志坚等: "一体化集货和配送车辆路径问题的混合遗传启发式算法", 《***管理学报》 * |
王志美等: "考虑货主时间价值的货物列车开行方案优化", 《***工程理论与实践》 * |
王雅琳等: "有色冶炼企业专用铁路运输智能调度***研究", 《计算机工程与应用》 * |
胡觉亮等: "基于TS算法的公路干线货运平台车货匹配研究", 《浙江理工大学学报(社会科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506782A (zh) * | 2020-03-18 | 2020-08-07 | 武汉钢铁有限公司 | 一种企业物资采购接车匹配方法及*** |
CN111506782B (zh) * | 2020-03-18 | 2023-09-08 | 武汉钢铁有限公司 | 一种企业物资采购接车匹配方法及*** |
CN111598324A (zh) * | 2020-05-11 | 2020-08-28 | 上海东普信息科技有限公司 | 配载车线优化方法、装置、设备及存储介质 |
CN114091717A (zh) * | 2021-01-11 | 2022-02-25 | 北京京东振世信息技术有限公司 | 一种选址方法和装置 |
CN113487264A (zh) * | 2021-07-20 | 2021-10-08 | 中南大学 | 一种基于异构多无人机的物流配送方法及*** |
CN113487264B (zh) * | 2021-07-20 | 2022-09-02 | 中南大学 | 一种基于异构多无人机的物流配送方法及*** |
CN115018206A (zh) * | 2022-07-20 | 2022-09-06 | 深圳大学 | 一种新能源车电池包充电决策方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110580606B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580606A (zh) | 铁路运输数据的匹配方法 | |
Ghilas et al. | An adaptive large neighborhood search heuristic for the pickup and delivery problem with time windows and scheduled lines | |
CN109658037B (zh) | 一种物流路径智能规划方法及*** | |
CN102292737B (zh) | 用于处理请求方案以及管理库存的方法和*** | |
CN109814505A (zh) | 一种基于agv小车的智能原料转运*** | |
CN111091352B (zh) | 一种高端装备制造业工艺数据管理*** | |
Miranda et al. | A decomposition heuristic for a rich production routing problem | |
CN104537426A (zh) | 一种快递送货过程的优化调度方法 | |
CN109919576A (zh) | 生产协同方法、装置及智能终端 | |
Andrés et al. | Maintenance scheduling in rolling stock circulations in rapid transit networks | |
CN114715228B (zh) | 一种铁路客运站调车计划综合管理方法和*** | |
CN108229853B (zh) | 一种基于静态调度预测的智慧工厂动态协同调度方法 | |
Qiu et al. | Making the most of fleets: A profit-maximizing multi-vehicle pickup and delivery selection problem | |
CN112990815A (zh) | 一种基于erp***的库存管理方法及装置 | |
CN114742502B (zh) | 一种成品油管道输送协调优化*** | |
Nurmukhamedov et al. | Modeling of a railway warehouse commodity and material values accounting (on the example of a train depot) | |
CN114037335A (zh) | 一种最大化承运能力的车货匹配智能决策方法及*** | |
Zhu et al. | Customer-centric policies for environmentally sustainable manufacturing of deteriorating items with varying quality control practices under disruptions | |
Rijal et al. | Dynamics between warehouse operations and vehicle routing | |
Lee et al. | A Study on the Development and Application of Performance Evaluation Model for Defense Standard Improvement Projects | |
Ferreira et al. | Some experiments with a savings heuristic and a tabu search approach for the vehicle routing problem with multiple deliverymen | |
Xiong et al. | Split demand one-to-one pickup and delivery problems with the shortest-path transport along real-life paths | |
CN108734425A (zh) | 一种长途物流配送的车辆匹配方法 | |
CN114186755A (zh) | 一种可视化智慧物流动态优化管控方法及*** | |
JP6187429B2 (ja) | 物流計画作成装置および物流計画作成方法 |
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 | ||
CB02 | Change of applicant information |
Address after: Room B505 and b506, floor 5, Lane 600, Mohe Road, Baoshan District, Shanghai 201999 Applicant after: Shanghai Ouye supply chain Co.,Ltd. Address before: 201203 4th floor, No. 515, GuoShouJing Road, Zhangjiang High Tech Park, Pudong New Area, Shanghai Applicant before: BSTEEL ONLINE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |