CN112085271B - 一种基于众包模式的传统产业集群集货路径优化方法 - Google Patents
一种基于众包模式的传统产业集群集货路径优化方法 Download PDFInfo
- Publication number
- CN112085271B CN112085271B CN202010933700.1A CN202010933700A CN112085271B CN 112085271 B CN112085271 B CN 112085271B CN 202010933700 A CN202010933700 A CN 202010933700A CN 112085271 B CN112085271 B CN 112085271B
- Authority
- CN
- China
- Prior art keywords
- truck
- logistics
- cost
- demand
- path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000012358 sourcing Methods 0.000 claims 1
- 238000007621 cluster analysis Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于众包模式的传统产业集群集货路径优化方法,该方法首先对基于众包模式的传统产业集群集货过程中的成本进行分析,以总成本最低为目标函数,以客户需求、车辆容量、时间窗要求作为约束。对众包模式下的可用货车位置与物流需求方的位置及需求进行匹配,应用聚类分析与贪心算法对车辆与客户进行聚类选择,确定本次路径优化所应用的车辆及路线。运用遗传算法,以上一个步骤的解为初始种群进行计算,优化路径,最后对得到的不同方案进行验证对比,得出最优路径方案。本发明以遗传算法为核心,将聚类分析模型与贪心算法的基本理念结合,提高了运算效率,从而最大程度地利用传统产业集群的物流资源,提高物流效率,降低物流成本。
Description
技术领域
本发明涉及一种基于众包模式的传统产业集群集货路径优化方法,属于物流路径优化技术领域。
背景技术
我国经过改革开放之后,形成了一批影响力较大的传统产业集群,如中国(常熟)招商城、南通叠石桥家纺市场等。这些传统产业集群已经成为撬动国内经济增长和现代化建设的重要支点。然而,这些自发形成的传统产业集群社会化物流意识相对薄弱,自营物流比例较高,物流供应链管理滞后等问题普遍存在。同时集群内部物流企业主体较多,规模较小且各自为政,导致了传统产业集群内部物流动线混乱、物流资源浪费。这些问题大大限制了传统产业集群转型升级的发展步伐,传统产业集群的物流体系亟待优化升级。
众包模式物流配送是指将本该由专业机构完成的配送工作,转交给企业外的社会大众群体来完成的物流模式,一般是由物流需求方将物流需求发布到专门的公共信息平台上,有服务意愿的物流从业者也将其信息录入到该信息平台上,由平台对资源进行整合,统一派单并进行车辆调度,最后物流从业者与平台结算获得酬劳,如图2所示。众包模式可充分利用社会的闲散物流资源,提高物流配送效率。
目前国内外关于运力资源配置、末端配送模式、调度优化的研究已经比较充分,但将众包模式应用到配送方面的研究较少。众包思想可有效整合传统产业集群既有的中小物流企业,基于众包模式对车辆调度进行优化,能实现集群整体的物流效率最优,降低物流成本,对传统产业集群末端物流整合与优化调度具有重要的指导意义。
发明内容
本发明所要解决的技术问题是:提供一种基于众包模式的传统产业集群集货路径优化方法,该方法能够减少路径优化过程中的计算步骤,提高运算效率,更快速地得到最优集货路径。从而更充分地利用传统产业集群的物流资源,提高物流效率,降低物流成本。
本发明为解决上述技术问题采用以下技术方案:
一种基于众包模式的传统产业集群集货路径优化方法,包括如下步骤:
步骤1,对传统产业集群集货过程中的成本进行分析,建立以总成本最低为目标的目标函数;
所述目标函数如下:
其中,C表示总成本;C1、C2、C3、C4分别表示货车固定成本、货车行驶成本、货车载重成本、时间窗运输惩罚成本;Cg表示单个货车的固定使用与维修保养成本,Xr表示货车r是否被使用,Xr为0-1变量,r=1,…,m,m表示可用货车的数量;Cd表示单个货车空载时行驶单位距离的成本,dri表示货车r到物流需求方i的距离,表示物流需求方i是否是货车r第一个服务的客户,为0-1变量,i=1,…,n,n表示物流需求方的数量;dij表示物流需求方i到物流需求方j的距离,表示货车r是否为物流需求方i服务后立刻为物流需求方j服务,为0-1变量,j=1,…,n+1,j≠i,j=n+1时表示货车将货运回集群物流中心;Cw表示单个货车将单位重量运输单位距离的成本,Wri表示货车r到达物流需求方i取货后车上货物的总重量;Ci表示物流需求方i的惩罚成本,Xi表示物流需求方i是否在约定的时间内得到服务,Xi为0-1变量;
步骤2,在已知物流需求方位置、物流需求方货运需求量、货车位置、货车额定载货量的情况下,设定约束条件;
步骤3,将货车位置作为聚类中心,采用聚类分析方法对物流需求方进行初始聚类,同时应用贪心思想,确定最低货车数量及对应的货车,同时确定每辆货车对应服务的物流需求方;
步骤4,根据步骤3确定的最低货车数量及对应的货车,采用聚类分析方法进行二次聚类,将物流需求方分配给上述确定的货车;
步骤5,根据步骤4的聚类结果,以总距离最短为目标确定货车的路径,并将上述货车的路径作为遗传算法的初始种群,基于步骤4的聚类结果,以总成本最低为目标采用遗传算法对货车的路径进行优化,优化过程中对货车数量以及每辆货车对应服务的物流需求方进行调整,从而得到总成本最低时所对应的货车数量以及每辆货车的路径,即总成本最低方案;
步骤6,采用步骤2设定的约束条件对步骤5得到的总成本最低方案进行判别,当步骤5得到的总成本最低方案满足所有的约束条件时,该方案即为最优解;否则,调整每辆货车对应服务的物流需求方以及货车的路径,直至得到最优解。
作为本发明的一种优选方案,步骤1所述物流需求方i的惩罚成本Ci表示为:
其中,Ti表示货车抵达物流需求方i所需的时间,γ1表示货车提前到达提供服务的惩罚系数,γ2表示货车延后到达提供服务的惩罚系数,LTi、ETi分别表示物流需求方i的理想服务时间窗的上、下限,lTi、eTi分别表示物流需求方i能够接受的最大服务时间窗的上、下限。
作为本发明的一种优选方案,步骤2所述约束条件如下:
约束条件3:货车r到达物流需求方i取货后车上货物的总重量Wri等于货车r在前一个物流需求方取货后车上货物的总重量加上物流需求方i的货运需求量Qi;
约束条件6:根据货车提供服务的时间以及物流需求方i能够接受的最大服务时间窗的上、下限,确定物流需求方i的惩罚成本Ci。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明参考LRP问题的求解步骤,将路径优化问题划分为多个子问题逐步解决,以遗传算法为核心,将聚类分析模型与贪心算法的基本理念结合,得到优质的初始种群,缩短进化过程,减少迭代中的计算步骤,提高了运算效率,更快速地得到最优集货路径。从而更充分地利用传统产业集群的物流资源,提高物流效率,降低物流成本。
附图说明
图1是本发明基于众包模式的传统产业集群集货路径优化方法的流程图。
图2是传统产业集群众包物流流程图。
图3是本发明基于众包模式传统产业集群的集货流程图。
图4是本发明以遗传算法为核心结合聚类分析与贪心算法的最优集货路径求解基本流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明基于众包模式的传统产业集群集货路径优化方法的流程图,该方法包括以下步骤:
S1、基于众包模式的传统产业集群集货过程中的成本进行分析,以总成本最低为目标函数。
故其总成本最低目标函数如下所示:
其中,Mr为当下集群可用的众包货车的集合,r=1,…,m;Cg表示货车的固定使用与维修保养成本;Xr为0-1变量,表示车辆r是否被应用;Ni为产生货运需求的客户的集合,i=1,…,n;Cd代表货车空载时行驶单位距离的成本;dri表示货车r到客户i的距离;为0-1变量,表示客户i是否是货车r第一个服务的客户;dij表示客户i到客户j的距离;为0-1变量,表示货车r是否为客户i服务后立刻为客户j服务;Cw代表货车将单位重量运输单位距离的成本;Wri代表货车r到达客户i取货后车上货物的总重量;Ci表示客户i的惩罚成本;Xi为0-1变量,表示客户i是否在约定的时间内得到服务;Ti表示货车抵达客户i点所需的时间;γ1表示货车提前到达提供服务的惩罚系数;γ2表示货车延后到达提供服务的惩罚系数;[ETi,LTi]为客户i理想的服务时间窗;[eTi,lTi]为客户i可以接受服务的最大时间窗。i为当下有物流需求的客户,j为当下有物流需求的客户或集群物流中心E,当j=n+1时表示货车最后将货运回集群物流中心,i与j不可代表同一客户,j≠i,i∈Ni,j∈Ni∪E。
S2、在客户需求量、客户位置、众包车辆位置已知的情况下,以客户需求、车辆容量、时间窗要求作为约束。
3)货车r到达客户i取货后车上货物的总重量Wri等于前一个点的总重量加上客户i的货运需求量Qi。
6)基于时间窗的惩罚成本的约束条件,根据货车提供服务的时间确定客户i的惩罚成本Ci。
S3、根据众包模式下的可用货车位置与物流需求方的位置及需求进行匹配,应用聚类分析与贪心算法对车辆与客户进行聚类选择,确定本次路径优化所应用的车辆并安排路线。
首先运用聚类分析进行初始聚类,即将货车附近的客户与货车进行聚类,按照距离有限的原则,将所有的车辆与客户节点进行聚类,一般将距离相近的客户分派给与之相距较近的货车。同时应用贪心思想,确定货车的最低数量并确定车辆的选择方案。接着将确定的货车与客户进行二次聚类,将客户按照距离与货车货运能力聚类分配给上述确定的货车。
S4、运用遗传算法,以前一步骤的解为初始种群进行计算,优化路径,并保存此次方案。
其次要对车辆路径进行选择,按照前面步骤所得的聚类方案,并以总距离最短为目标确定货车路径,这就是遗传算法的初始种群,然后基于目前的聚类方案,以成本最低为目标应用遗传算法进行路径优化,优化过程中对车辆数及车辆选择方案进行调整,计算出最低成本,并将最低成本的方案进行保存。
S5、对得到的不同方案进行验证对比,得出最优路径方案。
最后,对得到的方案进行验证,即对所有约束条件进行一一判别,当满足所有约束条件时即为最优解,否则货车选择方案及行驶路径还需更改,最后通过优化过程中对不同方案的解的比较与选择,得到最优解,得出最后需要的货车选择及路径优化方案。
如图3所示,为满足传统产业集群的物流需求,基于众包模式进行集货。
根据D家纺产业集群某一时刻的物流需求进行集货路径优化。以D物流园区为中心点,将20个客户的位置放在100*100的坐标系中,相邻两个坐标的距离为1公里,客户位置、物流需求量及最大服务时间窗已知,如表1所示。
表1
在坐标系中随机生成5辆位置不同的货车,货车型号一致且额定载货量均为5吨,车辆平均速度为50公里/小时;结合实际情况,设定货车的固定使用与维修保养成本Cg为90元/辆;货车空载时行驶单位距离的成本Cd为3元/公里;货车将单位重量运输单位距离的成本Cw为0.9元/吨公里;将客户i的惩罚成本Ci设置为20元/分钟。
随机生成的车辆位置表2所示,其中编号为0的点为D物流园区。以集货总成本最低为目标函数:
表2
从客户需求、车辆容量、时间窗角度设置约束。
如图4所示,利用结合聚类分析与贪心算法后改进的遗传算法进行求解。先进行初始聚类,接着对初始方案进行路径优化,设定遗传种族的规模为100,迭代次数为200,最终路径优化结果如表3所示。
表3
由表3可知,最后选择编号为1、2、4、5的货车为20个客户提供服务,每辆众包货车装载的货物均未超过额定载货量,每个客户的时间窗需求均得到满足,经过路径优化后的服务总成本为2705.52元。即上述结果即为该传统产业集群最优集货路径。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (3)
1.一种基于众包模式的传统产业集群集货路径优化方法,其特征在于,包括如下步骤:
步骤1,对传统产业集群集货过程中的成本进行分析,建立以总成本最低为目标的目标函数;
所述目标函数如下:
其中,C表示总成本;C1、C2、C3、C4分别表示货车固定成本、货车行驶成本、货车载重成本、时间窗运输惩罚成本;Cg表示单个货车的固定使用与维修保养成本,Xr表示货车r是否被使用,Xr为0-1变量,r=1,…,m,m表示可用货车的数量;Cd表示单个货车空载时行驶单位距离的成本,dri表示货车r到物流需求方i的距离,表示物流需求方i是否是货车r第一个服务的客户,为0-1变量,i=1,…,n,n表示物流需求方的数量;dij表示物流需求方i到物流需求方j的距离,表示货车r是否为物流需求方i服务后立刻为物流需求方j服务,为0-1变量,j=1,…,n+1,j≠i,j=n+1时表示货车将货运回集群物流中心;Cw表示单个货车将单位重量运输单位距离的成本,Wri表示货车r到达物流需求方i取货后车上货物的总重量;Ci表示物流需求方i的惩罚成本,Xi表示物流需求方i是否在约定的时间内得到服务,Xi为0-1变量;
步骤2,在已知物流需求方位置、物流需求方货运需求量、货车位置、货车额定载货量的情况下,设定约束条件;
步骤3,将货车位置作为聚类中心,采用聚类分析方法对物流需求方进行初始聚类,同时应用贪心思想,确定最低货车数量及对应的货车,同时确定每辆货车对应服务的物流需求方;
步骤4,根据步骤3确定的最低货车数量及对应的货车,采用聚类分析方法进行二次聚类,将物流需求方分配给上述确定的货车;
步骤5,根据步骤4的聚类结果,以总距离最短为目标确定货车的路径,并将上述货车的路径作为遗传算法的初始种群,基于步骤4的聚类结果,以总成本最低为目标采用遗传算法对货车的路径进行优化,优化过程中对货车数量以及每辆货车对应服务的物流需求方进行调整,从而得到总成本最低时所对应的货车数量以及每辆货车的路径,即总成本最低方案;
步骤6,采用步骤2设定的约束条件对步骤5得到的总成本最低方案进行判别,当步骤5得到的总成本最低方案满足所有的约束条件时,该方案即为最优解;否则,调整每辆货车对应服务的物流需求方以及货车的路径,直至得到最优解。
3.根据权利要求1所述基于众包模式的传统产业集群集货路径优化方法,其特征在于,步骤2所述约束条件如下:
约束条件3:货车r到达物流需求方i取货后车上货物的总重量Wri等于货车r在前一个物流需求方取货后车上货物的总重量加上物流需求方i的货运需求量Qi;
约束条件6:根据货车提供服务的时间以及物流需求方i能够接受的最大服务时间窗的上、下限,确定物流需求方i的惩罚成本Ci。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933700.1A CN112085271B (zh) | 2020-09-08 | 2020-09-08 | 一种基于众包模式的传统产业集群集货路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933700.1A CN112085271B (zh) | 2020-09-08 | 2020-09-08 | 一种基于众包模式的传统产业集群集货路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085271A CN112085271A (zh) | 2020-12-15 |
CN112085271B true CN112085271B (zh) | 2022-03-11 |
Family
ID=73732672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010933700.1A Active CN112085271B (zh) | 2020-09-08 | 2020-09-08 | 一种基于众包模式的传统产业集群集货路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085271B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095753B (zh) * | 2021-04-06 | 2024-07-02 | 江苏省港口集团信息科技有限公司 | 一种基于集装箱智能管理派位的无人集卡调度方法 |
CN112884253A (zh) * | 2021-04-12 | 2021-06-01 | 圆通速递有限公司 | 一种众包车货匹配方法及其路径优化方法 |
CN115456485B (zh) * | 2022-11-09 | 2023-03-31 | 湖南省交通科学研究院有限公司 | 基于货车行驶轨迹的典型行业物流分析方法及*** |
CN117709825A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市嘉宝田网络科技有限公司 | 一种线上货运综合管理方法及平台 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779570A (zh) * | 2017-03-10 | 2017-05-31 | 镇江康飞汽车制造股份有限公司 | 一种智能冷链物流路径多目标优化算法 |
CN109034481A (zh) * | 2018-07-31 | 2018-12-18 | 北京航空航天大学 | 一种基于约束规划的带时间窗车辆路径问题建模及优化方法 |
CN110197311A (zh) * | 2019-06-12 | 2019-09-03 | 江苏航运职业技术学院 | 一种基于智能优化的物流配送路径规划方法 |
-
2020
- 2020-09-08 CN CN202010933700.1A patent/CN112085271B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779570A (zh) * | 2017-03-10 | 2017-05-31 | 镇江康飞汽车制造股份有限公司 | 一种智能冷链物流路径多目标优化算法 |
CN109034481A (zh) * | 2018-07-31 | 2018-12-18 | 北京航空航天大学 | 一种基于约束规划的带时间窗车辆路径问题建模及优化方法 |
CN110197311A (zh) * | 2019-06-12 | 2019-09-03 | 江苏航运职业技术学院 | 一种基于智能优化的物流配送路径规划方法 |
Non-Patent Citations (1)
Title |
---|
基于自动快递机的快递配送车辆路径优化研究;覃运梅等;《公路交通科技》;20151031;第32卷(第10期);第135-140页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085271A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085271B (zh) | 一种基于众包模式的传统产业集群集货路径优化方法 | |
CN110348613B (zh) | 分拨中心智能物流管理方法及*** | |
CN111340406B (zh) | 基于od客流的公交动态编排模型的实现方法及*** | |
CN110009272A (zh) | 多策略并行的物流资源调度方法和相关装置 | |
US20130159208A1 (en) | Shipper-oriented logistics base optimization system | |
CN109993408B (zh) | 一种基于服务区域划分的网约车运力调配方法 | |
Yaghini et al. | A hybrid metaheuristic algorithm for dynamic rail car fleet sizing problem | |
CN110674968A (zh) | 一种快递配送途中客户需求动态变更的车辆路径优化方法 | |
Hezarkhani et al. | Gain-sharing in urban consolidation centers | |
CN113379102A (zh) | 一种多网干线运输优化方法、计算机设备及存储介质 | |
CN108764800B (zh) | 一种基于众包公共交通***实现包裹快速递送的方法 | |
CN111985700B (zh) | 用于确定家居送装的车辆运载单量均衡方法及装置 | |
CN114897307A (zh) | 一种基于合作的物流集配网络联盟优化方法 | |
CN110544055A (zh) | 订单处理方法和装置 | |
Wang et al. | Cooperation and profit allocation for two-echelon logistics pickup and delivery problems with state–space–time networks | |
CN108197879B (zh) | 一种多模式客货共运方法及*** | |
CN114154801A (zh) | 智慧公交组合调度方法、装置及存储介质 | |
CN113344336A (zh) | 一种车辆调度方法、装置及存储介质 | |
CN116090689B (zh) | 一种基于中转接驳的货运资源优化方法及优化*** | |
Perera et al. | Genetic algorithm based dynamic scheduling of EV in a demand responsive bus service for first mile transit | |
CN110674967A (zh) | 一种不确定行车时间下快递车辆路径鲁棒优化方法 | |
Cai et al. | Data-Driven Empty Container Repositioning for Large Scale Railway Network With Fuzzy Demands | |
KR20130099655A (ko) | 철도운송의 화차 재배치 방법 | |
CN116432386B (zh) | 一种用于智能公交***的多车型时刻表设计方法及*** | |
Giniyatullin et al. | The use of uberization principles to improve social taxi services |
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 |