物流订单的配送方法、***、存储介质及电子设备
技术领域
本发明涉及物流配送领域,尤其涉及一种物流订单的配送方法、***、存储介质及电子设备。
背景技术
随着互联网技术的飞速发展,基于互联网的物品交易量越来越多,极大地方便了人们购物的同时也给互联网平台的物流配送提出了更高的要求。
目前,互联网平台在配送物品时,通常会为每个接货仓单独安排运输车辆,并根据用户下单的时间不同而在一天内分多个波次将物品从接货仓运输到分拣中心,经过分拣中心分拣之后再运输至目的站点,使得物品能够尽快到达用户手中。在实际运输的过程中,从每个接货仓中驶出的运输车辆既包括满载的车辆,也包括未满载的车辆,而满载车辆以及未满载车辆行驶相同的距离所花费的成本相同。由此可见,现有的运输方式不仅增加了运输成本,还会造成运输车辆的空间浪费。另外,由于接货仓到分拣中心的传输距离、传输方式不同,而且分拣中心到目的站点的距离远近不同,就会导致物流包裹在途运输时长长短不一,使得到达目的站点的时间相差很大,甚至部分较远距离的目的站点收到物品的延时较长,不仅增加了运输的时效成本,而且严重影响了用户体验。
发明内容
本发明实施例要解决的技术问题是为了克服现有技术中在物流订单配送时车辆运输成本高的缺陷,提供一种物流订单的配送方法、***、存储介质及电子设备。
本发明实施例是通过下述技术方案来解决上述技术问题:
本发明实施例提供了一种物流订单的配送方法,所述配送方法包括如下步骤:
获取当前波次的所有的物流订单,每个所述物流订单包括对应的接货仓、分拣中心和目的站点;
为每个所述物流订单确定从对应的所述接货仓配送至对应的所述分拣中心的车辆的分配方式和运输路径,以使得配送至同一所述分拣中心的不同的所述接货仓的所述物流订单共享车辆;
按照所述车辆的分配方式以及所述运输路径将所述当前波次的所有的所述物流订单运输至对应的所述目的站点。
较佳地,所述配送方法还包括如下步骤:
根据历史订单数据、预设时效加权参数以及预设成本加权参数确定所述接货仓到所述目的站点的动态波次;
将当前的所述动态波次设置为所述当前波次。
较佳地,所述根据历史订单数据、预设时效加权参数以及预设成本加权参数确定所述接货仓到所述目的站点的动态波次的步骤包括:
根据所述历史订单数据计算原始成本;
利用遗传算法根据所述原始成本、所述预设时效加权参数以及所述预设成本加权参数确定所述动态波次。
较佳地,所述动态波次包括n个配送子波次,n为大于1的自然数;所述历史订单数据中包括m个所述目的站点,m为大于1的自然数;
所述利用遗传算法根据所述原始成本、所述预设时效加权参数以及所述预设成本加权参数确定所述动态波次的步骤包括:
将m个所述目的站点划分为n个类别,每一个所述类别均对应一个配送子波次,每个所述配送子波次的配送时间不同,将每个所述目的站点随机划分入不同的所述配送子波次中,共得到nm个站点划分组合;
根据所述预设时效加权参数以及所述预设成本加权参数分别计算每个所述站点划分组合的实际成本;
根据所述实际成本、所述原始成本以及预设标准为每个所述目的站点确定最终的所述配送子波次,所述最终的所述配送子波次对应所述目的站点的最终站点划分组合。
较佳地,所述为每个所述物流订单确定从对应的所述接货仓配送至对应的所述分拣中心的车辆的分配方式和运输路径的步骤包括:
确定多个所述接货仓分别到同一个所述分拣中心所需的整车的数量;所述整车是指满载率为100%的车辆;
根据每个所述接货仓到同一个所述分拣中心的剩余订单确定机动车辆的数量以及对应的运输路径。
较佳地,所述整车包括第一类型车辆以及第二类型车辆;
根据第一目标函数确定所述整车的数量:
min W1·x+W2·y;
所述第一目标函数的约束条件包括:
B1·x+B2·y≥num订单量;
x·y=0;
其中,x为所述第一类型车辆的数量,y为所述第二类型车辆的数量,W1为所述第一类型车辆的单次运输成本,W2为所述第二类型车辆的单次运输成本,B1为所述第一类型车辆的单次可装载的最大订单数量,B2为所述第二类型车辆的单次可装载的最大订单数量,num订单量为一个所述接货仓至一个所述分拣中心的订单数量。
较佳地,每一个所述接货仓均对应一个虚拟车场,所述虚拟车场包括所述机动车辆;
利用第二目标函数确定所述机动车辆的数量以及对应的运输路径:
所述第二目标函数的约束条件包括:
所述第二目标函数的决策变量包括:
其中,α为预设时效成本加权参数;β为预设车辆成本加权参数;
A为所述机动车辆k的最终配送目的地的集合;
C为所述接货仓的集合;
D为所述虚拟车场d的集合;
qi为接货仓i配送至一个分拣中心的订单数量;
cck表示所述机动车辆k的运输成本;
tcijk为所述机动车辆k作为接货仓i与接货仓j之间的共享车辆时的时效成本;
K={k1,…,kL}为所述机动车辆k的集合,L表示所述机动车辆k的总数;
Qk为所述机动车辆k的最大载重量;
Kd为分配给所述虚拟车场d的所述机动车辆k的集合;
dij为接货仓i与接货仓j之间的距离;
Lk为所述机动车辆k的最大可行驶距离;
cc0为所述整车的配送成本。
本发明实施例还提供了一种物流订单的配送***,所述配送***包括:
物流订单获取模块,用于获取当前波次的所有的物流订单,每个所述物流订单包括对应的接货仓、分拣中心和目的站点;
配送方式确定模块,用于为每个所述物流订单确定从对应的所述接货仓配送至对应的所述分拣中心的车辆的分配方式和运输路径,以使得配送至同一所述分拣中心的不同的所述接货仓的所述物流订单共享车辆;
配送执行模块,用于按照所述车辆的分配方式以及所述运输路径将所述当前波次的所有的所述物流订单运输至对应的所述目的站点。
较佳地,所述配送***还包括:
动态波次确定模块,用于根据历史订单数据、预设时效加权参数以及预设成本加权参数确定所述接货仓到所述目的站点的动态波次;
调整模块,用于将当前的所述动态波次设置为所述当前波次。
较佳地,所述动态波次确定模块包括:
原始成本计算子模块,用于根据所述历史订单数据计算原始成本;
迭代计算子模块,用于利用遗传算法根据所述原始成本、所述预设时效加权参数以及所述预设成本加权参数确定所述动态波次。
较佳地,所述动态波次包括n个配送子波次,n为大于1的自然数;所述历史订单数据中包括m个所述目的站点,m为大于1的自然数;
所述迭代计算子模块包括:
站点划分单元,用于将m个所述目的站点划分为n个类别,每一个所述类别均对应一个配送子波次,每个所述配送子波次的配送时间不同,将每个所述目的站点随机划分入不同的所述配送子波次中,共得到nm个站点划分组合;
实际成本计算单元,用于根据所述预设时效加权参数以及所述预设成本加权参数分别计算每个所述站点划分组合的实际成本;
配送子波次确定单元,用于根据所述实际成本、所述原始成本以及预设标准为每个所述目的站点确定最终的所述配送子波次,所述最终的所述配送子波次对应所述目的站点的最终站点划分组合。
较佳地,所述配送方式确定模块包括:
整车规划子模块,用于确定多个所述接货仓分别到同一个所述分拣中心所需的整车的数量;所述整车是指满载率为100%的车辆;
机动车辆规划子模块,用于根据每个所述接货仓到同一个所述分拣中心的剩余订单确定机动车辆的数量以及对应的运输路径。
较佳地,所述整车包括第一类型车辆以及第二类型车辆;
所述整车规划子模块用于根据第一目标函数确定所述整车的数量:
根据第一目标函数确定所述整车的数量:
min W1·x+W2·y;
所述第一目标函数的约束条件包括:
B1·x+B2·y≥num订单量;
x·y=0;
其中,x为所述第一类型车辆的数量,y为所述第二类型车辆的数量,W1为所述第一类型车辆的单次运输成本,W2为所述第二类型车辆的单次运输成本,B1为所述第一类型车辆的单次可装载的最大订单数量,B2为所述第二类型车辆的单次可装载的最大订单数量,num订单量为一个所述接货仓至一个所述分拣中心的订单数量。
较佳地,每一个所述接货仓均对应一个虚拟车场,所述虚拟车场包括所述机动车辆;
所述机动车辆规划子模块用于利用第二目标函数确定所述机动车辆的数量以及对应的运输路径:
所述第二目标函数的约束条件包括:
所述第二目标函数的决策变量包括:
其中,α为预设时效成本加权参数;β为预设车辆成本加权参数;
A为所述机动车辆k的最终配送目的地的集合;
C为所述接货仓的集合;
D为所述虚拟车场d的集合;
qi为接货仓i配送至一个分拣中心的订单数量;
cck表示所述机动车辆k的运输成本;
tcijk为所述机动车辆k作为接货仓i与接货仓j之间的共享车辆时的时效成本;
K={k1,…,kL}为所述机动车辆k的集合,L表示所述机动车辆k的总数;
Qk为所述机动车辆k的最大载重量;
Kd为分配给所述虚拟车场d的所述机动车辆k的集合;
dij为接货仓i与接货仓j之间的距离;
Lk为所述机动车辆k的最大可行驶距离;
cc0为所述整车的配送成本。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现所述的物流订单的配送方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的物流订单的配送方法的步骤。
本发明实施例的积极进步效果在于:本发明实施例提供的物流订单的配送方法、***、存储介质及电子设备通过获取当前一个波次的所有的物流订单,接下来为每个所述物流订单确定从对应的所述接货仓配送至对应的所述分拣中心的车辆的分配方式和运输路径,以使得配送至同一所述分拣中心的不同的所述接货仓的所述物流订单共享车辆;然后,再按照已确定的车辆的分配方式以及所述运输路径将物流订单运输至目的站点,提高了物流订单配送时运输车辆的满载率,有效降低了运输成本。
进一步地,通过动态波次配送方式来配送物流订单,优化了订单配送流程,有效降低了订单配送的时效成本。
附图说明
图1为本发明实施例1的物流订单的配送方法的流程图。
图2为本发明实施例1的一种非限制性具体实施方式的流程图。
图3是本发明实施例2的物流订单的配送方法的流程图。
图4是本发明实施例2的一种非限制性具体实施方式的流程图。
图5是图4中步骤S42的一种具体实施方式的流程图。
图6是本发明实施例3的物流订单的配送***的结构框图。
图7是本发明实施例4的物流订单的配送***的结构框图。
图8是本发明实施例5的实现物流订单的配送方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供了一种物流订单的配送方法,如图1所示,所述配送方法可以包括如下步骤:
步骤S1:获取当前波次的所有的物流订单,每个所述物流订单包括对应的接货仓、分拣中心和目的站点;
步骤S2:为每个所述物流订单确定从对应的所述接货仓配送至对应的所述分拣中心的车辆的分配方式和运输路径,以使得配送至同一所述分拣中心的不同的所述接货仓的所述物流订单共享车辆;
步骤S3:按照所述车辆的分配方式以及所述运输路径将所述当前波次的所有的所述物流订单运输至对应的所述目的站点。
本实施例中,所述共享车辆是指若干个接货仓可以共用相同的配送车辆向同一个分拣中心运输物流订单。例如:有多个接货仓(H1、H2、H3……)分别存储有需要运输至同一个分拣中心(Z)的物流订单,一辆运输车在接货仓H1装载订单后,若车辆并没有满载,接下来,该运输车便可以行驶到接货仓H2继续装载订单,若在接货仓H2结束装载后车辆已经满载,则该车辆可以开往分拣中心Z,若在接货仓H2处仍未满载,则该车辆可以继续开往接货仓H3去装载订单,若在接货仓H3结束装载后车辆已经满载,则该车辆可以开往分拣中心Z,若在接货仓H3处仍未满载,则该运输车辆可以继续去其他的接货仓装载订单,直到该车辆满载。由此,可以提高运输车辆的满载率,进而降低了整体运输成本。
进一步地,如图2所示,所述步骤S2可以包括如下步骤:
步骤S21:确定多个所述接货仓分别到同一个所述分拣中心所需的整车的数量;所述整车是指满载率为100%的车辆;
步骤S22:根据每个所述接货仓到同一个所述分拣中心的剩余订单确定机动车辆的数量以及对应的运输路径。
具体地,所述整车可以包括第一类型车辆以及第二类型车辆。
可以根据第一目标函数确定所述整车的数量:
min W1·x+W2·y;
所述第一目标函数的约束条件包括:
B1·x+B2·y≥num订单量;
x·y=0;
其中,x为所述第一类型车辆的数量,y为所述第二类型车辆的数量,W1为所述第一类型车辆的单次运输成本,W2为所述第二类型车辆的单次运输成本,B1为所述第一类型车辆的单次可装载的最大订单数量,B2为所述第二类型车辆的单次可装载的最大订单数量,num订单量为一个所述接货仓至一个所述分拣中心的订单数量。
所述第一类型车辆以及第二类型车辆的具体型号、长度以及单次可装载的最大订单数量可以根据具体地需求和应用场合而进行适应性的选择,本发明实施例对此不作限制。
下面以一个具体地非限制性的实施方式来详细说明如何进行车辆的分配。
本实施例中,所述第一类型车辆可以是4.2米长的货车,其最大载重量为570单,单次运输成本=150元/次。所述第二类型车辆可以是9.6米长的货车,其最大载重量为3000单,单次运输成本=500元/次。
接下来,可以根据第一目标函数确定所述整车的数量:
min 150·x+500·y;
所述第一目标函数的约束条件包括:
570·x+3000·y>=num订单量;
x·y=0;
其中,x为所述第一类型车辆的数量,y为所述第二类型车辆的数量,
num订单量为一个所述接货仓至一个所述分拣中心的订单数量。
需要说明的是,每一个接货仓在一个波次中只能选择一种车辆进行运输,不能同时选择4.2米长的货车以及9.6米长的货车同时进行整车运输。
本实施例中,可以优先选择车辆费用(即车辆运输成本)较少的车型进行运输,同时其满载率要满足预设要求,决策变量x,y为选择的车辆数,两者均为实数。另外,货车在接货仓进行装货时要按目的站点进行装货,一个目的站点的订单被装载完毕后,再进行下一个目的站点的订单的装载。
利用第一目标函数进行计算后,可能会得到一个带小数位的实数。接下来,可以将小数部分单独取出,若小数部分记为De,则当De≥0.5时,则认为满载率满足预设要求,直接发车,当De<0.5时,将剩余的部分订单量保留。例如:若计算得到的车辆数量x为4.47,则可以认为有4辆4.2米长的货车其满载率为100%,这4辆4.2米长的货车可以按照已经确定的运输路径即刻发车。至此,一个接货仓到一个分拣中心的订单初步处理完成,依次对每个接货仓的订单如此处理,最终完成每个接货仓到同一个分拣中心的订单配送的初步安排。
接下来,需要处理前述的4辆车装载不下的剩余订单,小数部分0.47指的是第五辆车的装载率。在具有剩余订单的情况下,可以通过在多个接货仓间共享机动车辆,利用机动车辆运送多个接货仓的剩余订单。
具体地,每一个所述接货仓均可以对应一个虚拟车场,所述虚拟车场包括所述机动车辆。
可以利用第二目标函数确定所述机动车辆的数量以及对应的运输路径:
所述第二目标函数的约束条件包括:
所述第二目标函数的决策变量包括:
其中,α为预设时效成本加权参数;β为预设车辆成本加权参数;
A为所述机动车辆k的最终配送目的地的集合;
C为所述接货仓的集合;
D为所述虚拟车场d的集合;
qi为接货仓i配送至一个分拣中心的订单数量;
cck表示所述机动车辆k的运输成本;
tcijk为所述机动车辆k作为接货仓i与接货仓j之间的共享车辆时的时效成本;
具体地,tcijk可以包括所述机动车辆k从一个接货仓i到另一个接货仓j的时间、订单打包完成的时间、接货仓的发货时间、分拣中心的分拣发货时间以及分拣中心到目的站点的封车和解封车时间等。优选地,tcijk为前述的每个时间点或时间段的平均值。
为所述机动车辆k的集合,L表示所述机动车辆k的总数;
Qk为所述机动车辆k的最大载重量;
Kd为分配给所述虚拟车场d的所述机动车辆k的集合;
dij为接货仓i与接货仓j之间的距离;
Lk为所述机动车辆k的最大可行驶距离;
cc0为所述整车的配送成本。
本实施例中,可以利用图论的原理将接货仓到分拣中心的车辆路径规划问题表示为一个完备图G=(V,E),其中V={0,1,…,N,N+1,…,N+M}表示节点集,它是由车辆配送的最终目的地A={0},客户集(即接货仓)C={1,…,N}和车场集D={N+1,…,N+M}(车场集表示的是M个虚拟的车场,为了实现接货仓间的车辆可以共享,可以把每个接货仓延伸出一个虚拟车场,即M=N,接货仓到其对应的虚拟车场其成本可视为0)三个子集组成,也可以表示为V=A∪C∪D,其中,E={(i,j)|i,j∈V,i≠j}表示弧集,即车辆在任意两个接货仓之间的路径,此时,每一个接货仓都可以表示为完备图G=(V,E)中的一个节点。
下面对所述第二目标函数的约束条件进行详细说明:
表示每个虚拟车场参与配送任务的车辆数目不能超过该虚拟车场拥有的车辆总数。
表示配送车辆不能直接从其所属虚拟车场行驶到其所属虚拟车场,也就是说,配送车辆只能在任意两个不同的虚拟车场之间行驶。
表示所有配送车辆只能从虚拟车场出发,同时出发的配送车辆都会到达分拣中心。
表示每个接货仓都仅被服务一次,而且只有一辆车来提供服务。
表示任何一条路径中的接货仓订单量都不能超过配送车辆的最大装载量。
表示任何一条路径中的路程长度都不能超过相应配送车辆的最大可行驶路程。
表示配送车辆不能直接从分拣中心行驶至另一个分拣中心。
表示配送车辆到达分拣中心后,该配送车辆便不再返回去其它的接货仓服务。
在对剩余订单进行共享车辆配送时,所需的共享车辆的数量以及路径规划可以通过现有的求解工具(例如:Jsprit(一种路径规划工具)、OR-Tools(另一种路径规划工具))来进行求解得到,并按照求解得到的结果对剩余订单进行配送。
本实施例提供的技术方案可以通过整车配送以及共享机动车辆配送相结合的方式来运送物流订单,提高了物流订单配送时运输车辆的满载率,有效降低了整体运输成本。
实施例2
本实施例提供了一种物流订单的配送方法,如图3-5所示,本实施例中的配送方法在实施例1基础上的进一步改进。
具体地,请参考图3,所述配送方法还可以包括如下步骤:
步骤S4:根据历史订单数据、预设时效加权参数以及预设成本加权参数确定所述接货仓到所述目的站点的动态波次;
步骤S5:将当前的所述动态波次设置为所述当前波次。
具体地,所示动态波次可以看作是由原始的一个波次转化而来,也可以说,可以将原始的一个波次划分为配送时间不同的多个子波次,例如:原始的一个波次B为11:00出仓,13:00到达目的站点,可以将波次B划分为三个子波次B1、B2、B3,其中,子波次B1为11:00出仓,13:00到达目的站点,子波次B2为11:30出仓,13:00到达目的站点,子波次B3为11:20出仓,13:00到达目的站点。对于前述的每一个子波次,都会单独执行步骤S1-步骤S3的订单配送过程,也就是说,当需要执行子波次B1时,则将子波次B1作为当前波次;接下来,需要执行子波次B2时,则将子波次B2作为当前波次;接下来,需要执行子波次B3时,则将子波次B3作为当前波次。换句话说,每一个子波次都是被依次单独执行的。
进一步地,请参考图4,所述步骤S4可以包括如下步骤:
步骤S41:根据所述历史订单数据计算原始成本;
步骤S42:利用遗传算法根据所述原始成本、所述预设时效加权参数以及所述预设成本加权参数确定所述动态波次。
所述原始成本是指未采用整车配送以及共享机动车辆配送相结合的方式来运送物流订单时所花费的成本。所述原始成本包括原始车辆成本以及原始时效成本。
本领域技术人员可以根据具体计算精度的要求而选择所述历史订单数据的采集区间,例如:可以采集距离当前时间6个月前的所有历史订单数据。
需要说明的是,所述遗传算法的复制、交叉、变异等计算原理都是现有技术中已有的遗传算法中的计算方式。本实施例给遗传算法模型提供基础参数后,所述遗传算法模型经过预设次数的迭代计算,可以输出符合业务需求的最终站点划分组合。
进一步地,所述动态波次可以包括n个配送子波次,n为大于1的自然数;所述历史订单数据中包括m个所述目的站点,m为大于1的自然数。
在此种情况下,请参考图5,所述步骤S42具体可以包括如下步骤:
步骤S421:将m个所述目的站点划分为n个类别,每一个所述类别均对应一个配送子波次,每个所述配送子波次的配送时间不同,将每个所述目的站点随机划分入不同的所述配送子波次中,共得到nm个站点划分组合;
步骤S422:根据所述预设时效加权参数以及所述预设成本加权参数分别计算每个所述站点划分组合的实际成本;
步骤S423:根据所述实际成本、所述原始成本以及预设标准为每个所述目的站点确定最终的所述配送子波次,所述最终的所述配送子波次对应所述目的站点的最终站点划分组合。
在一个非限制性的具体实施方式中,可以为遗传算法的执行设置如下基础参数:
算法最大遗传迭代次数=500;
种群数量=300;
交叉概率=0.8;
变异概率=0.1;
波次分类数量=2(本实施例以两个配送小波次为例);
标准值时效=18000s(秒)(在计算时效成本时使用);
标准值成本=35000元(在计算车辆成本时使用);
4.2m(米)货车装载=570单;
4.2m单次运输成本=150元/次;
9.6m货车装载=3000单;
9.6m单次运输成本=500元/次;
(α,β)={(0,1),(0.1,0.9),……(0.9,0.1),(1,0)};
α为预设时效成本加权参数;β为预设车辆成本加权参数。
在本实施例中,n的取值为2,也就是说,可以预先将所有站点分为两个类别,所述两个类别分别用0或1表示,其中,0可以表示从接货仓到目的站点的运输时间较长的类别,1可以表示从接货仓到目的站点的运输时间较短的类别。在运送物流订单时,可以优先配送平均运输时间较长的类别。目的站点的初始分类可以如表1所示。
表1
站点1 |
站点2 |
站点3 |
… |
站点m |
1 |
0 |
1 |
… |
0 |
为所有的站点进行初始化标记之后,可以得到初始化的站点划分组合,接下来,可以利用所述的第二目标函数计算所述初始化的站点划分组合对应的车辆成本以及时效成本。
若选取的预设时效成本加权参数以及预设车辆成本加权参数的组合为(0,1),则可以根据所述预设时效成本加权参数以及所述预设车辆成本加权参数分别计算所述初始化的站点划分组合的实际成本。
接下来,调整m个目的站点的站点划分组合的方式,分别计算在预设时效成本加权参数以及预设车辆成本加权参数的组合为(0,1)的前提下,其余的2m-1个站点划分组合的实际成本,比较所有的站点划分组合实际成本,将实际成本最低的站点划分组合作为预设时效成本加权参数以及预设车辆成本加权参数的组合为(0,1)下的最优站点划分组合,最优站点划分组合中包括的每个站点可以被当作在预设时效成本加权参数以及预设车辆成本加权参数的组合为(0,1)下的最优个体。
按照同样的方式,分别计算得到在加权参数的组合为(0.1,0.9)、(0.2,0.8)、(0.3,0.7)……(0.9,0.1)、(1,0)等情况下对应的最优站点划分组合,每一个最优站点划分组合分别对应一个实际成本,所述实际成本包括实际车辆成本以及实际时效成本。
将每一个最优站点划分组合对应的实际车辆成本与前述计算的所述原始车辆成本进行比较,将实际时效成本与前述计算得到的所述原始时效成本进行比较,并且结合预设标准为每个所述目的站点确定最终的配送子波次。
具体地,所述预设标准与业务需求相关,例如:所述预设标准可以是“优先考虑实际车辆成本最低”、“优先考虑实际时效成本最低”或者“优先考虑实际车辆成本以及实际时效成本的和最低”等。
在具体应用时,若加权参数组合(0.9,0.1)对应的最优站点划分组合W1其花费的实际时效成本最低,但是实际车辆成本并不是最低;加权参数组合(0.6,0.4)对应的最优站点划分组合W2其花费的实际时效成本不是最低,但是实际车辆成本以及实际时效成本的和最低。选定的预设标准为“优先考虑实际时效成本最低”,则可以根据业务需求最终选定的加权参数组合为(0.9,0.1)。相应地,加权参数组合为(0.9,0.1)对应的最优站点划分组合W1就是遗传算法输出的最终站点划分组合,该最终站点划分组合对应着m个目的站点的最终动态波次,即m个目的站点各自的配送子波次。
接下来,可以按照最终站点划分组合来配送物流订单。首先利用所述第一目标函数确定每个接货仓到同一个分拣中心的整车的数量,对于每个接货仓的剩余订单,可以利用所述第二目标函数来确定可共享的机动车辆的数量和运输路径。所述整车以及机动车辆的具体规划方式可以参照实施例1中的具体说明,在此不再赘述。
虽然本实施例中以动态波次包括两个配送子波次为例对最优站点划分组合的求解过程进行说明,但本实施例并不对配送子波次的具体数量进行限制,本领域技术人员可以根据具体业务需求而适应性的设置配送子波次的个数,例如:配送子波次的数量可以为3个、4个、5个或7个等。
本实施例提供的技术方案可以通过动态波次配送方式来配送物流订单,优化了订单配送流程,有效降低了订单配送的时效成本。
实施例3
本实施例提供了一种物流订单的配送***,如图6所示,所述配送***1可以包括:物流订单获取模块11,用于获取当前波次的所有的物流订单,每个所述物流订单包括对应的接货仓、分拣中心和目的站点;配送方式确定模块12,用于为每个所述物流订单确定从对应的所述接货仓配送至对应的所述分拣中心的车辆的分配方式和运输路径,以使得配送至同一所述分拣中心的不同的所述接货仓的所述物流订单共享车辆;配送执行模块13,用于按照所述车辆的分配方式以及所述运输路径将所述当前波次的所有的所述物流订单运输至对应的所述目的站点。
进一步地,所述配送方式确定模块12可以包括:整车规划子模块121,用于确定多个所述接货仓分别到同一个所述分拣中心所需的整车的数量;所述整车是指满载率为100%的车辆;机动车辆规划子模块122,用于根据每个所述接货仓到同一个所述分拣中心的剩余订单确定机动车辆的数量以及对应的运输路径。
进一步地,所述整车可以包括第一类型车辆以及第二类型车辆。
所述整车规划子模块121用于根据第一目标函数确定所述整车的数量:
min W1·x+W2·y;
所述第一目标函数的约束条件包括:
B1·x+B2·y≥num订单量;
x·y=0;
其中,x为所述第一类型车辆的数量,y为所述第二类型车辆的数量,W1为所述第一类型车辆的单次运输成本,W2为所述第二类型车辆的单次运输成本,B1为所述第一类型车辆的单次可装载的最大订单数量,B2为所述第二类型车辆的单次可装载的最大订单数量,num订单量为一个所述接货仓至一个所述分拣中心的订单数量。
进一步地,每一个所述接货仓均对应一个虚拟车场,所述虚拟车场包括所述机动车辆。
所述机动车辆规划子模块122用于利用第二目标函数确定所述机动车辆的数量以及对应的运输路径:
所述第二目标函数的约束条件包括:
所述第二目标函数的决策变量包括:
其中,α为预设时效成本加权参数;β为预设车辆成本加权参数;
A为所述机动车辆k的最终配送目的地的集合;
C为所述接货仓的集合;
D为所述虚拟车场d的集合;
qi为接货仓i配送至一个分拣中心的订单数量;
cck表示所述机动车辆k的运输成本;
tcijk为所述机动车辆k作为接货仓i与接货仓j之间的共享车辆时的时效成本;
具体地,tcijk可以包括所述机动车辆k从一个接货仓i到另一个接货仓j的时间、订单打包完成的时间、接货仓的发货时间、分拣中心的分拣发货时间以及分拣中心到目的站点的封车和解封车时间等。优选地,tcijk为前述的每个时间点或时间段的平均值。
K={k1,…,kL}为所述机动车辆k的集合,L表示所述机动车辆k的总数;
Qk为所述机动车辆k的最大载重量;
Kd为分配给所述虚拟车场d的所述机动车辆k的集合;
dij为接货仓i与接货仓j之间的距离;
Lk为所述机动车辆k的最大可行驶距离;
cc0为所述整车的配送成本。
关于实施例3中的所述配送***的工作原理、工作方式的更多内容,可以参照实施例1中的关于配送方法的相关描述,这里不再赘述。
本实施例提供的配送***在运行时可以通过整车配送以及共享机动车辆配送相结合的方式来运送物流订单,提高了物流订单配送时运输车辆的满载率,有效降低了整体运输成本。
实施例4
本实施例提供了一种物流订单的配送***,如图7所示,本实施例中的配送***是在实施例3基础上的进一步改进。
进一步地,所述配送***1还可以包括:动态波次确定模块14,用于根据历史订单数据、预设时效加权参数以及预设成本加权参数确定所述接货仓到所述目的站点的动态波次;调整模块15,用于将当前的所述动态波次设置为所述当前波次。
进一步地,所述动态波次确定模块14可以包括:原始成本计算子模块141,用于根据所述历史订单数据计算原始成本;迭代计算子模块142,用于利用遗传算法根据所述原始成本、所述预设时效加权参数以及所述预设成本加权参数确定所述动态波次。
进一步地,所述动态波次可以包括n个配送子波次,n为大于1的自然数;所述历史订单数据中包括m个所述目的站点,m为大于1的自然数。
所述迭代计算子模块142可以包括:站点划分单元1421,用于将m个所述目的站点划分为n个类别,每一个所述类别均对应一个配送子波次,每个所述配送子波次的配送时间不同,将每个所述目的站点随机划分入不同的所述配送子波次中,共得到nm个站点划分组合;实际成本计算单元1422,用于根据所述预设时效加权参数以及所述预设成本加权参数分别计算每个所述站点划分组合的实际成本;配送子波次确定单元1423,用于根据所述实际成本、所述原始成本以及预设标准为每个所述目的站点确定最终的所述配送子波次,所述最终的所述配送子波次对应所述目的站点的最终站点划分组合。
关于实施例4中的所述配送***的工作原理、工作方式的更多内容,可以参照实施例2中的关于配送方法的相关描述,这里不再赘述。
本实施例提供的配送***在运行时可以通过动态波次配送方式来配送物流订单,优化了订单配送流程,有效降低了订单配送的时效成本。
实施例5
图8为本发明实施例5提供的一种电子设备的结构示意图。所述电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现实施例1或2中的物流订单的配送方法的步骤。
可以理解的是,图8所示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备2可以以通用计算设备的形式表现,例如:其可以为服务器设备。电子设备2的组件可以包括但不限于:上述至少一个处理器3、上述至少一个存储器4、连接不同***组件(包括存储器4和处理器3)的总线5。
所述总线5可以包括数据总线、地址总线和控制总线。
所述存储器4可以包括易失性存储器,例如随机存取存储器(RAM)41和/或高速缓存存储器42,还可以进一步包括只读存储器(ROM)43。
所述存储器4还可以包括具有一组(至少一个)程序模块44的程序工具45(或实用工具),这样的程序模块44包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
所述处理器3通过运行存储在所述存储器4中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1或2中的物流订单的配送方法的步骤。
所述电子设备2也可以与一个或多个外部设备6(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口7进行。并且,模型生成的电子设备2还可以通过网络适配器8与一个或者多个网络(例如局域网LAN,广域网WAN和/或公共网络)通信。
如图8所示,网络适配器8可以通过总线5与模型生成的电子设备2的其它模块通信。本领域技术人员应当明白,尽管图中未示出,可以结合模型生成的电子设备2使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
需要说明的是,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1或2中的物流订单的配送方法的步骤。
其中,计算机可读存储介质可以采用的更具体方式可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1或2中的物流订单的配送方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。