CN110689307A - 一种物品配送时间优化方法及其*** - Google Patents

一种物品配送时间优化方法及其*** Download PDF

Info

Publication number
CN110689307A
CN110689307A CN201910961227.5A CN201910961227A CN110689307A CN 110689307 A CN110689307 A CN 110689307A CN 201910961227 A CN201910961227 A CN 201910961227A CN 110689307 A CN110689307 A CN 110689307A
Authority
CN
China
Prior art keywords
time
delivery
customer
vehicle
optimization model
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
Application number
CN201910961227.5A
Other languages
English (en)
Other versions
CN110689307B (zh
Inventor
余玉刚
刘兵兵
郭晓龙
周强
黄雨辰
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201910961227.5A priority Critical patent/CN110689307B/zh
Publication of CN110689307A publication Critical patent/CN110689307A/zh
Application granted granted Critical
Publication of CN110689307B publication Critical patent/CN110689307B/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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)
  • 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)

Abstract

本发明提供了一种物品配送时间优化方法及其***。所述方法包括：通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息；利用所述参数建立物品配送时间优化模型；根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。本发明通过从数据库中直接采集或者概率统计的方式获取参数，根据物品配送时间优化模型获得配送和装配的解决方案，节约了物品配送时间。

Description

一种物品配送时间优化方法及其***
技术领域
本发明涉及一种物品配送时间优化方法及其***。
背景技术
随着如今城市产业布局的调整、现代消费方式的不断升级、电子商务技术的广泛应用，以及城市工商业发展模式的日趋多元，使得小批量、多频次、时效性强的直接配送、住宅配送以及“门到门”配送需求日益增长。如何缩短物品配送的总时间，是提升物流服务效率的关键。对于物品配送时间如何缩短，已有的研究可以参考物品配送问题，也可以参考有时间窗限制或者装配时间不确定的车辆路径问题(Vehicle Routing Problem，VRP)。过去的研究往往是关注确定条件下的客户订单分配，路径优化和配送中心选址。
近年来网络零售业兴起，很多电商企业为客户提供了优质的城市物流服务，让一些研究者开始往新的研究方向转变。例如，Reyes在2017年的非专利文献《Vehicle routingwith roaming delivery locations.》中提到流动交货地点的VRP；Trentini和Malhn在2010年的非专利文献《Toward a shared urban transport system ensuringpassengers&goods.》中提到公共运输网络的整合；以及现在国家大力发展的无人机应用于物品配送。还有很多研究是通过建模和算法来解决物品配送时间问题，例如Errico在2018年将问题表述为一个集合分区模型，该模型对路由计划的全局成功概率具有概率约束，并提出了一种结合列生成过程和动态规划方法的分支降价算法；Lee在2012年将鲁棒优化应用于运输和需求不确定，以及有客户要求截止日期的VRP问题中。
但现有技术中的配送时间最优算法，由于客户订单量过大，而且客户的个性化需求较多，导致装配时间变化很大，不确定和随机因素过多，因此很难找到解决方案，从而配送车辆的运送路径不理想，无法实现节约配送时间的问题。
发明内容
(一)要解决的技术问题
由于客户订单量过大，而且客户的个性化需求较多，导致装配时间变化很大，不确定和随机因素过多，因此很难找到解决方案的问题，从而配送车辆的运送路径不理想，无法实现节约配送时间的问题。
(二)技术方案
本发明一方面提供了一种物品配送时间优化方法，所述方法包括：通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息；利用所述参数建立物品配送时间优化模型；根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。
本发明另一方面提供了一种物品配送时间优化***，所述***包括：参数获取模块，用于通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息；模型建立模块，用于利用所述参数建立物品配送时间优化模型；运送路径确定模块，用于根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。
(三)有益效果
合理安排配送车辆的运送路径，与现有技术相比实现了节约配送时间。
通过从数据库中通过直接采集或者概率统计的方式，获取现有技术中不确定的参数，例如每种商品的装配时间通常情况下是不确定的，受到各种实际情况的影响，本发明通过获取商品的装配时间的均值和方差，将不确定的参数转为确定的参数，并且为物品配送问题的不确定性建立数学模型，将物品配送优化的不确定性模型简化成确定性模型，以此获得配送和装配的解决方案。
在现有技术方法的基础上，加入了时间滑动机制，更符合装配时间变化会影响到配送服务总时间这一实际情况，在总时间优化的同时有可能找到更优解；
采用了真实的物品配送数据库中的数据，即数据的采集来自真实的企业数据库等，可以为企业提供物品配送问题的管理启示。
附图说明
图1是本发明实施例提供的物品配送时间优化方法流程图；
图2是本发明一个实施例提供的不同车辆根据自己的路线进行配送货物时花费的时间；
图3是本发明实施例提供的物品配送时间优化***框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明提供了一种物品配送时间优化方法，所述方法包括：
步骤101，通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息。
其中，所述配送车辆信息包括每种商品的装配时间的均值和方差、车辆速度、车辆数目、配送点车辆总数、车辆最大装载量。所述客户信息包括每个客户允许的最迟开始的服务时间、每个客户允许的最早开始的服务时间、客户之间的距离，客户总数量、第ri个顾客购买第p种产品的数量。所述物品信息包括商品种类总量、商品p的体积、每个客户的商品订单数。本领域技术人员可以理解的是，此处的各个参数实际为所述物品配送时间优化模型以及其第一约束条件中所需要的所有参数。
每种商品的装配时间的均值和方差为通过数据库中已有的数据进行概率统计计算得到，此处所述的数据库可以包括从企业数据库中统计得到的真实数据。另外，所述模型所需参数均可以从数据库中得到，例如装配时间、商品的体积等。
需要说明的是，本发明中车辆速度设置为已知量，车辆最大装载量，所述模型中所有车辆的最大装载量是统一的。
步骤102，利用所述参数建立物品配送时间优化模型。
所述物品配送时间优化模型通过下式进行表示：
其中，minFEDP(x，y)，为令运输时间、预期总装配时间和预期额外等待时间的总和最小；dij，为客户i到客户j的距离；v，为车辆速度；tp，为每种商品的装配时间；Oip，为客户i的商品p的数量；xijk，为二元变量，若车辆k从客户j经过客户i，值为1，否则值为0，令x＝(xijk)；yik，为二元变量，若车辆k为客户i提供服务，值为1，否则值为0，令y＝(yik)；
Figure BDA0002227924360000042
为商品种类集合，
Figure BDA0002227924360000043
P，为商品种类总量；V，为车辆数目集合，V＝{1，2，......，K}；K，为配送点车辆总数；C，为客户数量集合。
所述物品配送时间优化模型包括第一约束条件，所述第一约束条件包括：
Figure BDA0002227924360000044
Figure BDA0002227924360000045
Figure BDA0002227924360000046
Figure BDA0002227924360000047
Figure BDA0002227924360000048
Figure BDA0002227924360000049
Figure BDA00022279243600000410
Figure BDA0002227924360000052
Figure BDA0002227924360000053
Figure BDA0002227924360000054
其中，xi0k，为车辆k从客户i返回到仓库；x0jk，为车辆k从仓库运行到客户j的位置；xjik，为二元变量，若车辆k从客户i经过客户j，值为1，否则值为0；
Figure BDA0002227924360000055
为商品种类集合，
Figure BDA0002227924360000056
P，为商品种类总量；V，为车辆数目集合，V＝{1，2，......，K}；K，为配送点车辆总数；C，为客户数量集合；N，为客户总数量；ai，为客户i实际接受配送和装配的开始时间；aj，为第j个客户的实际访问时间；M，为一个给定的很大的正数，优选为大于等于24的正数；Vp，为商品p的体积；Q，为车辆最大装载量；xijk，为二元变量，若车辆k从客户j经过客户i，值为1，否则值为0，令x＝(xijk)；yik，为二元变量，若车辆k为客户i提供服务，值为1，否则值为0，令y＝(yik)；yik，为二元0-1变量，表示如果车辆k为客户j提供服务，值为1，否则值为0，令y＝(yjk)；
Φ为标准化动态分布函数，Φ-1为Φ的反函数；μp，为商品p的装配时间均值；
Figure BDA0002227924360000057
为商品P的装配时间方差；
Figure BDA0002227924360000058
为第ri个顾客购买第p种产品的数量；
Figure BDA0002227924360000059
为客户i到客户i+1的距离；L，为最迟配送活动结束时间；
Figure BDA00022279243600000510
为客户nk允许的最迟开始的服务时间；为客户nk允许的最早开始的服务时间；ε1，为客户时间服务窗口准时性的最大偏差概率，取值为接近零的正数；ε2，为运营服务准时性的最大偏差概率，取值为接近零的正数。
上述步骤中建立的物品配送时间优化模型为本发明通过随机优化模型和机会约束优化模型转化得到。
具体地，本发明使用了概率约束法来表述这些不确定性，所述随机优化模型通过下列式子表示：
Figure BDA0002227924360000061
其中，E[...]为求数学期望值，oi为客户i的商品订单数量集合，o＝(o1，...，oN)T＝(oip)NiP。
所述随机优化模型的第二约束条件包括下列条件：
Figure BDA0002227924360000062
Figure BDA0002227924360000063
Figure BDA0002227924360000065
Figure BDA0002227924360000067
Figure BDA0002227924360000068
Figure BDA0002227924360000069
Figure BDA00022279243600000610
Figure BDA00022279243600000611
Figure BDA00022279243600000612
Figure BDA00022279243600000613
其中，ei，为客户i允许的最早开始的服务时间，li，为客户i允许的最迟开始的服务时间，所以[ei，li]为客户服务时间窗。E，为最早配送活动开始时间；L，为最迟配送活动结束时间，所以[E，L]为时序安排边界。
随机优化模型中的目标函数即公式(24)表示令运输时间、预期总装配时间和预期额外等待时间的总和最小；约束条件(2)保证了每个客户恰好每次由一辆车送货；约束条件(3)-(5)描述了车辆k的行驶路径上的流动，即车辆k必须离开和返回配送点和运输节点；约束条件(6)保证了下一个客户的服务开始时间不会早于上一个客户的开始时间、装配时间与两个客户之间运输时间的总和；约束条件(7)是客户的时间窗；约束条件(8)指出了服从装载量限制的形成安排的可能性；约束条件(9)(10)是连接决策变量x和y的组合约束；约束条件(11)保证了所有的客户都会被服务；约束条件(12)保证了每辆车的工作时间都不会超过总配送任务的最晚结束时间；约束条件(13)表明了变量种类是二元的。在上面随机优化模型的基础上重组了一个机会约束优化模型，这是一个模拟随机优化问题的有效方法。
Figure BDA0002227924360000071
该机会约束优化模型服从于上文中约束条件(2)-(6)，(8)-(11)，(13)以及下列条件：
Figure BDA0002227924360000073
此处，约束条件(14)保证了客户的时间窗在间距[ei，li]且概率保证1-ε1情况下会减少；约束条件(15)保证了在概率保证1-ε2时每辆车的工作时间都不会超过最晚的总配送任务时间。
其中，Pro{...}为概率事件{...}发生的概率；L为最迟配送活动结束时间；ε1，为客户时间服务窗口准时性的最大偏差概率，取值为接近零的正数；ε2，为运营服务准时性的最大偏差概率，取值为接近零的正数。
本发明以一种商品P为例来阐述装配时间概率分布参数的统计。令商品P的装配时间均值为μp，方差为
Figure BDA0002227924360000074
令ξ1，ξ2，...ξn为数据集中商品P的一系列装配时间的观测值。利用动差估计法，可得出，
Figure BDA0002227924360000081
Figure BDA0002227924360000082
在商品装配时间的历史数据上应用凸组合平均法，假定
Figure BDA0002227924360000083
是商品P在工作日t的平均装配时间，ρ(t)(t∈{1，…，T})为时间比重系数向量，且满足以下三个条件：
ρ(t)＞0且为t的递增函数；Δρ(t)＝ρ(t)-ρ(t-1)＜ε；ε为小的正常数且代表精度下限；
Figure BDA0002227924360000084
基于以上三个条件，我们可得出：
Figure BDA0002227924360000085
Figure BDA0002227924360000087
这些可以放进我们的等价的配送时间优化模型中，该配送时间优化模型为确定性模型(Equivalent deterministic problem，EDP)，易证明以上两个等式也是一个商品装时间总均值和方差的无偏估计。
Figure BDA0002227924360000088
令
Figure BDA00022279243600000810
为CCP模型结论的第k条路径，此处0代表仓库，Rk表示第k辆车的路径。
Figure BDA00022279243600000811
为路径Rk上的客户集合。如果每个商品的装配时间tp包含正态分布随机变量，则依据(18)(19)可分别得出tp的均值和方差，然后客户
Figure BDA0002227924360000091
的机会约束(14)可以等价转换成下列式子：
Figure BDA0002227924360000092
Φ为标准化动态分布函数。令商品P的装配时间均值为μp，方差为
Figure BDA0002227924360000093
约束条件(14)保证了客户的时间窗在间距[ei，li]且概率保证1-ε1情况下会减少
对于路径Rk上的任意客户，他/她的实际收货时间可以推导为
Figure BDA0002227924360000094
此处
Figure BDA0002227924360000095
表示第k-1个顾客的服务开始时间即车辆到达该顾客地点的时间点，表示顾客k-1所有的产品订单，
Figure BDA0002227924360000097
为第ri个顾客购买第P种产品的数量。
利用递推算法，
Figure BDA0002227924360000098
则可得出再结合(14)，可得：
Figure BDA00022279243600000910
令
Figure BDA00022279243600000911
由于所有的tp(p∈P)是服从正态分布的独立随机变量，随机变量θ也是正态分布的，即
Figure BDA00022279243600000912
利用正态分布的可加性，导出θ的均值和方差分别为：
Figure BDA00022279243600000913
所以，我们可将约束条件(21)正规化为：
Figure BDA0002227924360000101
若在约束条件(14)中的ε1为足够小的正数，意味着所有的车辆都能在各自客户规定的时间窗内到达，因此我们能把约束条件(15)转化为：
Figure BDA0002227924360000102
令商品P的装配时间均值为μp，方差为
Figure BDA0002227924360000104
约束条件(15)保证了在概率保证1-ε2时每辆车的工作时间都不会超过最晚的总配送任务时间。
Φ为标准正态分布，Φ-1为Φ的反函数。L为最迟配送活动结束时间。令第k条车辆路径则第k条车辆路径的总工时η为
Figure BDA0002227924360000112
约束条件(22)可转化为由于所有的tp都是正态分布的随机变量，因此η也是一个正态分布的随机变量，可导出η的均值和方差为：
Figure BDA0002227924360000114
然后可将式子(22)简化为
Figure BDA0002227924360000115
由上述不等式的反函数可得
Figure BDA0002227924360000116
由以上结果，我们可以得出
Figure BDA0002227924360000121
通过以上结果，我们可以将机会约束优化模型转化为等价的配送时间优化模型，即上述配送时间优化模型就是确定性有容量约束的车辆路径问题的一种转化，其不仅最小化所有配送车辆的运输时间，还最小化所有商品的装配和等待时间。
步骤103，根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。
其中，所述根据所述物品配送时间优化模型得到配送车辆的运送路径，包括通过基于时间滑动机制和节约算法的第一算法以及变邻域搜索算法计算所述配送时间优化模型，得到所述运送路径。
其中，所述基于时间滑动机制和节约算法的第一算法，包括：通过节约算法得到最节约时间的路线，利用时间滑动机制，为所有客户最早到达的时间进行排序，然后为每一辆车指定路线。
具体地，本发明需要计算上述配送时间优化模型，该模型的计算包括两个子算法，其中一个是基于时间滑动机制和节约算法的第一算法，该第一算法也就是基于时间滑动机制和节约算法的启发法(Time sliding savings algorithm，TSSA)，另一个是已经应用于各种VRP的变邻域搜索算法(Variable Neighborhood Search，VNS)。该计算包括以下步骤：
初始化所有的配送时间优化模型参数；
根据客户时间窗口进行时间降序排序，然后优先较早配送的客户，即时间滑动机制。然后利用第一算法来找出一个可行的解决方案；
用变邻域搜索算法从生成的可行方案中找到一个更好的；
如果预设条件满足，输出一个最佳解决方案，否则重回上一步。
即：初始方案x，记录函数值为FEDP(x)，令最优解x*＝x，当前的解决方案xcs＝x；
循环
设γshaking＝1和γlocal＝1；
循环
从
Figure BDA0002227924360000131
中利用xcs随机生成一个解x’
从
Figure BDA0002227924360000132
中利用x’找到最佳邻居x”；
如果FEDP(x”)＜FEDP(x’)则
设x*＝x”；
结束判断
如果FEDP(x”)＜FEDP(x)则
设x＝x”；
结束判断
设γshaking＝γshaking+1和γlocal＝γlocal mod 3+1；
如果满足终止条件；
输出最好解x*.
该算法中，停止准则设置如下：如果给定迭代次数的解决方案质量没有改善，或者执行了预先设置的迭代次数，则搜索过程将停止。
下面，本发明以一个具体实施例对本发明的技术方案进行进一步说明：
我们使用了A企业的仓库管理***数据库，获取包括订单量、客户详细地址、客户预期时间窗、商品信息和车辆信息等。公司从节约成本考虑，目前只使用一种货车，而且总共有14辆车。
公司需要配送给客户64种产品，收集了它们30个工作日内的数据。首先，我们使用了前29个工作日的装配时间来研究和估算每种货物的分布参数，包括代表性商品(10种商品)的装配时间均值和方差(参见下列
表1)，以及该十种产品装配次数对应的概率分布参数，即均值和方差。
表1 代表性商品的装配时间均值和方差表
Figure BDA0002227924360000133
Figure BDA0002227924360000141
然后，我们将货物装配时间的分布参数(包括所有要配送的产品的所估计出来的平均装配时间和方差)代入到配送时间优化模型(EDP模型)中来获得配送和装配的解决方案，参见图2，图2为14个车辆在根据自己的路线进行配送货物时花费的时间，参见表2，表2为根据本发明实施例提供的方法得到的结果，为14辆车分别指定路线，这14辆车的总共装配时间为97.8小时。
表2 本发明实施例提供的算法得到的结果表
另外，本发明实施例将本发明计算的结果与广泛应用于实践的两种选择元启发式以及A企业当前的算法进行对比，参见表3，可以看出，将遗传算法(GA)和模拟退火算法(SA)以及A企业当前的方法得出的结果作比较，本发明计算的结果具有较好的表现，比遗传算法(GA)的方案总时间上节约了8.79％，比模拟退火算法(SA)的方案总时间上节约了12.35％，而且比企业当前使用的方案总时间上节约了19.62％。
表3 本发明提供的算法与传统算法对比表
完成时间(h) 性能改进(％) 运行时间(h)
本发明提供的方法 97.8 128
遗传算法 107.22 8.79 371
模拟退火算法 111.58 12.35 433
A企业当前方法 121.67 19.62
本发明另一方面还提供了一种物品配送时间优化***，所述***300包括：
参数获取模块301，用于通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息；模型建立模块302，用于利用所述参数建立物品配送时间优化模型；运送路径确定模块303，用于根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种物品配送时间优化方法，其特征在于，所述方法包括：
通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息；
利用所述参数建立物品配送时间优化模型；
根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。
2.根据权利要求1所述的方法，其特征在于，所述配送车辆信息包括每种商品的装配时间的均值和方差。
3.根据权利要求1所述的方法，其特征在于，所述客户信息包括每个客户允许的最迟开始的服务时间、每个客户允许的最早开始的服务时间、客户之间的距离。
4.根据权利要求1所述的方法，其特征在于，所述物品配送时间优化模型通过下式进行表示：
其中，minFEDP(x，y)，为令总的运输时间和总装配时间之和最小；dij，为客户i到客户j的距离；v，为车辆速度；tp，为每种商品的装配时间；oip，为客户i的商品p的数量；xijk，为二元变量，若车辆k从客户j经过客户i，值为1，否则值为0，令x＝(xijk)；yik，为二元变量，若车辆k为客户i提供服务，值为1，否则值为0，令y＝(yik)；
Figure FDA0002227924350000014
为商品种类集合，
Figure FDA0002227924350000013
P，为商品种类总量；V，为车辆数目集合，V＝{1，2，......，K}；K，为配送点车辆总数；C，为客户数量集合。
5.根据权利要求4所述的方法，其特征在于，所述物品配送时间优化模型包括第一约束条件，所述第一约束条件包括：
Figure FDA0002227924350000012
Figure FDA0002227924350000021
Figure FDA0002227924350000022
Figure FDA0002227924350000023
Figure FDA0002227924350000025
Figure FDA0002227924350000026
Figure FDA0002227924350000027
Figure FDA0002227924350000028
Figure FDA0002227924350000029
Figure FDA00022279243500000210
Figure FDA00022279243500000211
其中，xi0k，为车辆k从客户i返回到仓库；x0jk，为车辆k从仓库运行到客户j的位置；xjik，为二元变量，若车辆k从客户i经过客户j，值为1，否则值为0；
Figure FDA00022279243500000212
为商品种类集合，
Figure FDA00022279243500000213
P，为商品种类总量；V，为车辆数目集合，V＝{1，2，......，K}；K，为配送点车辆总数；C，为客户数量集合；N，为客户总数量；ai，为客户i实际接受配送和装配的开始时间；aj，为第j个客户的实际访问时间；M，为大于等于24的正数；Vp，为商品p的体积；Q，为车辆最大装载量；xijk，为二元变量，若车辆k从客户j经过客户i，值为1，否则值为0，令x＝(xijk)；yik，为二元变量，若车辆k为客户i提供服务，值为1，否则值为0，令y＝(yik)；yjk为二元0-1变量，如果车辆k为客户j提供服务，值为1，否则值为0，令y＝(yjk)；
Φ为标准化动态分布函数，Φ-1为Φ的反函数；μp，为商品p的装配时间均值；
Figure FDA0002227924350000031
为商品p的装配时间方差；为第ri个顾客购买第p种产品的数量；为客户i到客户i+1的距离；L，为最迟配送活动结束时间；
Figure FDA0002227924350000034
为客户nk允许的最迟开始的服务时间；
Figure FDA0002227924350000035
为客户nk允许的最早开始的服务时间；ε1，为客户时间服务窗口准时性的最大偏差概率；ε2，为运营服务准时性的最大偏差概率。
6.根据权利要求1所述的方法，其特征在于，所述根据所述物品配送时间优化模型得到配送车辆的运送路径，包括通过基于时间滑动机制和节约算法的第一算法以及变邻域搜索算法计算所述配送时间优化模型，得到所述运送路径。
7.根据权利要求1所述的方法，其特征在于，所述基于时间滑动机制和节约算法的第一算法，包括：
通过节约算法得到最节约时间的路线，利用时间滑动机制，为所有客户最早到达的时间进行排序，根据所述排序为每一辆车指定运送路线。
8.根据权利要求5所述的方法，其特征在于，所述物品配送时间优化模型为通过随机优化模型和机会约束优化模型转化得到。
9.根据权利要求8所述的方法，其特征在于，所述随机优化模型通过下列式子表示：
Figure FDA0002227924350000036
其中，E[...]为数学期望值。
所述随机优化模型包括第二约束条件，所述第二约束条件包括所述第一约束条件中的(2)-(6)，(8)-(11)，(13)，以及下列条件：
Figure FDA0002227924350000037
Figure FDA0002227924350000038
其中，ei，为客户i允许的最早开始的服务时间，li，为客户i允许的最迟开始的服务时间。
所述机会约束优化模型为在所述第二约束条件的基础上还包括以下条件：
Figure FDA0002227924350000041
Figure FDA0002227924350000042
其中，Pro{...}为概率事件{...}发生的概率；L，为最迟配送活动结束时间；ε1，为客户时间服务窗口准时性的最大偏差概率；ε2，为运营服务准时性的最大偏差概率。
10.一种物品配送时间优化***，其特征在于，所述***包括：
参数获取模块，用于通过从数据库中直接采集或者概率统计的方式，获取与物品配送时间有关的参数，所述参数包括物品信息、配送车辆信息和客户信息；
模型建立模块，用于利用所述参数建立物品配送时间优化模型；
运送路径确定模块，用于根据所述物品配送时间优化模型得到配送车辆的运送路径，所述运送路径使得总的运输时间和总装配时间之和为最小值。
CN201910961227.5A 2019-10-10 2019-10-10 一种物品配送时间优化方法及其*** Active CN110689307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910961227.5A CN110689307B (zh) 2019-10-10 2019-10-10 一种物品配送时间优化方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910961227.5A CN110689307B (zh) 2019-10-10 2019-10-10 一种物品配送时间优化方法及其***

Publications (2)

Publication Number Publication Date
CN110689307A true CN110689307A (zh) 2020-01-14
CN110689307B CN110689307B (zh) 2022-09-09

Family

ID=69111847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910961227.5A Active CN110689307B (zh) 2019-10-10 2019-10-10 一种物品配送时间优化方法及其***

Country Status (1)

Country Link
CN (1) CN110689307B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985698A (zh) * 2020-07-30 2020-11-24 中国外运股份有限公司 用于确定家居送装的厨房浴室类车辆的拼载方法及装置
CN112488591A (zh) * 2020-12-22 2021-03-12 浪潮软件股份有限公司 一种物流配送的送货工作量均衡方法及***
CN113361993A (zh) * 2021-05-31 2021-09-07 中国科学技术大学 一种数据驱动的订货与预防性转运优化方法及***
CN113962617A (zh) * 2021-12-22 2022-01-21 华清科盛(北京)信息技术有限公司 一种工厂内部物流调度方法、装置及电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120325969A1 (en) * 2002-03-11 2012-12-27 Telair International Ab System for Loading and Unloading Loose Cargo in a Cargo Hold, Preferably of a Plane, and Intermediate Conveyor Means or Conveyor Unit Herefor
CN107918849A (zh) * 2017-10-23 2018-04-17 深圳职业技术学院 一种电动物流货车的智能调度装置及方法
CN107944598A (zh) * 2017-10-31 2018-04-20 苏宁云商集团股份有限公司 一种物流路径配置方法及***
CN109919369A (zh) * 2019-02-26 2019-06-21 浙江财经大学 一种电池交换站选址和电动汽车路径规划方法
CN109948855A (zh) * 2019-03-22 2019-06-28 杭州电子科技大学 一种带时间窗的异构危化品运输路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120325969A1 (en) * 2002-03-11 2012-12-27 Telair International Ab System for Loading and Unloading Loose Cargo in a Cargo Hold, Preferably of a Plane, and Intermediate Conveyor Means or Conveyor Unit Herefor
CN107918849A (zh) * 2017-10-23 2018-04-17 深圳职业技术学院 一种电动物流货车的智能调度装置及方法
CN107944598A (zh) * 2017-10-31 2018-04-20 苏宁云商集团股份有限公司 一种物流路径配置方法及***
CN109919369A (zh) * 2019-02-26 2019-06-21 浙江财经大学 一种电池交换站选址和电动汽车路径规划方法
CN109948855A (zh) * 2019-03-22 2019-06-28 杭州电子科技大学 一种带时间窗的异构危化品运输路径规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HONGTAO LEI等: "A generalized variable neighborhood search heuristic for the capacitated vehicle routing problem with stochastic service times", 《TOP》 *
刘兵兵等: "Minimizing the total completion time of an urban delivery problem with uncertain assembly time", 《TRANSPORTATION RESEARCH PART E: LOGISTICS AND TRANSPORTATION REVIEW》 *
张建勇: "模糊信息条件下车辆路径问题研究", 《中国优秀博硕士学位论文全文数据库(博士)社会科学Ⅰ辑》 *
张梦颖: "不确定因素下路径规划问题研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
王旭坪等: "B2C电子商务环境下订单拣选与配送联合调度优化", 《中国管理科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985698A (zh) * 2020-07-30 2020-11-24 中国外运股份有限公司 用于确定家居送装的厨房浴室类车辆的拼载方法及装置
CN111985698B (zh) * 2020-07-30 2024-03-08 中国外运股份有限公司 用于确定家居送装的厨房浴室类车辆的拼载方法及装置
CN112488591A (zh) * 2020-12-22 2021-03-12 浪潮软件股份有限公司 一种物流配送的送货工作量均衡方法及***
CN113361993A (zh) * 2021-05-31 2021-09-07 中国科学技术大学 一种数据驱动的订货与预防性转运优化方法及***
CN113361993B (zh) * 2021-05-31 2023-06-23 中国科学技术大学 一种数据驱动的订货与预防性转运优化方法及***
CN113962617A (zh) * 2021-12-22 2022-01-21 华清科盛(北京)信息技术有限公司 一种工厂内部物流调度方法、装置及电子设备、存储介质
CN113962617B (zh) * 2021-12-22 2022-03-08 华清科盛(北京)信息技术有限公司 一种工厂内部物流调度方法、装置及电子设备、存储介质

Also Published As

Publication number Publication date
CN110689307B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110689307B (zh) 一种物品配送时间优化方法及其***
Winkenbach et al. Enabling urban logistics services at La Poste through multi-echelon location-routing
Van Duin et al. Improving home delivery efficiency by using principles of address intelligence for B2C deliveries
Gaur et al. A periodic inventory routing problem at a supermarket chain
Baita et al. Dynamic routing-and-inventory problems: a review
CN103927643B (zh) 一种大规模订单处理与配送路径优化的方法
Shen A profit-maximizing supply chain network design model with demand choice flexibility
Eskigun et al. Outbound supply chain network design with mode selection, lead times and capacitated vehicle distribution centers
Veinott Jr Optimal policy in a dynamic, single product, nonstationary inventory model with several demand classes
AU2009248196B2 (en) Improvements in or relating to inventory control and optimization
US20180308039A1 (en) System and Method for Dynamically Establishing A Regional Distribution Center Truck Flow Graph to Distribute Merchandise
Cóccola et al. Toward integrated production and distribution management in multi-echelon supply chains
Johansson et al. Controlling distribution inventory systems with shipment consolidation and compound Poisson demand
Fahimnia et al. Optimization/simulation modeling of the integrated production-distribution plan: an innovative survey
Bhusiri et al. Application of the just-in-time concept in urban freight transport
Yang et al. Forecast UPC-level FMCG demand, Part II: Hierarchical reconciliation
García-Benito et al. A redistribution model with minimum backorders of spare parts: A proposal for the defence sector
Sharma et al. A literature survey on multi-depot vehicle routing problem
CN112613700A (zh) 一种卷烟多库点多方向发货调度管理***
van Heeswijk et al. An approximate dynamic programming approach to urban freight distribution with batch arrivals
Eskigun et al. Outbound supply chain network design with mode selection and lead time considerations
Bašljan et al. Prediction of perishable goods deliveries by GRU neural networks for reduction of logistics costs
Rim et al. Multi-item, multi-location transshipment model for cross-filling
Angazi An integrated location inventory routing model in supply chain network designing under uncertainty
Franco et al. Mathematical Model for Centralized Supply Chains with Decisions Involving Shared Resources

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