CN113673764A - 一种订单配送方法、装置、电子设备及存储介质 - Google Patents
一种订单配送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113673764A CN113673764A CN202110960264.1A CN202110960264A CN113673764A CN 113673764 A CN113673764 A CN 113673764A CN 202110960264 A CN202110960264 A CN 202110960264A CN 113673764 A CN113673764 A CN 113673764A
- Authority
- CN
- China
- Prior art keywords
- order
- distribution
- path
- vehicle
- iteration
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000010845 search algorithm Methods 0.000 claims abstract description 21
- 210000000349 chromosome Anatomy 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 25
- 230000008707 rearrangement Effects 0.000 claims description 20
- 238000001816 cooling Methods 0.000 claims description 8
- 238000002716 delivery method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000002922 simulated annealing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000032258 transport Effects 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
- 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
- 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
本发明提供一种订单配送方法、装置、电子设备及存储介质,在获得订单配送的描述信息后,按照用于生成配送路径的第一约束条件对车辆参数和订单参数进行染色体编码,得到表征不同配送路径的种群个体;进一步,表征订单配送成本的适应度函数基于用于优化配送路径的第二约束条件生成,通过该适应度函数计算种群个体的适应度值,以确定初始最优配送路径;最后,基于初始温度,采用邻域搜索算法对初始最优配送路径进行路径优化的多轮迭代,得到全局最优配送路径。基于本发明能够适应性解决不同场景下的订单配送,最终输出订单配送成本最低的配送路径,同时解决路径问题和三维装箱问题。
Description
技术领域
本发明涉及软件技术领域,更具体地说,涉及一种订单配送方法、装置、电子设备及存储介质。
背景技术
现阶段,仓库间的配送方案大多仅考虑装箱或路径,较少将路径与装箱结合处理,且大多只能满足部分约束条件,不能满足实际业务需求。这是因为路径问题与三维装箱问题均为NP-Hard问题,将两者相结合将极大提高问题的复杂度,且约束条件越多,解空间越小,对性能要求越高。
发明内容
有鉴于此,为解决上述问题,本发明提供一种订单配送方法、装置、电子设备及存储介质,技术方案如下:
一种订单配送方法,所述方法包括:
获取订单配送的描述信息,所述描述信息中包含车辆参数、订单参数和订单配送过程中的多个约束条件,所述多个约束条件中包含用于生成配送路径的第一约束条件、以及用于优化配送路径的第二约束条件;
基于所述第一类约束条件对所述车辆参数和所述订单参数进行染色体编码,以获得表征不同配送路径的种群个体;
获取基于所述第二约束条件生成的表征订单配送成本的适应度函数和初始温度,并通过所述适应度函数计算所述种群个体的适应度值,以确定最优种群个体所表征的初始最优配送路径;
基于所述初始温度,采用邻域搜索算法对所述初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径。
优选的,所述基于所述第一类约束条件对所述车辆参数和所述订单参数进行染色体编码,包括:
根据所述车辆参数对不同车型下的车辆进行自然数编码,以及,根据所述订单参数对不同订单、以及不同订单下的订单节点进行自然数编码;
基于所述车辆参数对应的编码结果和不同订单对应的编码结果生成车辆向量,所述车辆向量能够表征为不同订单对应的车辆;
依据所述车辆向量和订单节点的编码结果生成订单顺序向量,所述订单顺序向量能够表征不同车辆对相应订单节点的配送路径,一个订单顺序向量对应一个种群个体。
优选的,所述基于所述初始温度,采用邻域搜索算法对所述初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径,包括:
调用所述邻域搜索算法的2-Opt算子、节点交换算子、节点重置算子;
在本轮迭代过程中,使用所述2-Opt算子对所述初始最优配送路径的两个非相邻订单节点进行重排操作;使用所述节点交换算子对所述初始最优配送路径间两个订单的订单节点执行互换操作;使用所述节点重置算子对所述初始最优配送路径的属于同一订单的两个订单节点进行移动操作;
根据本轮迭代的迭代轮数对所述初始温度进行冷却处理,得到本轮迭代的当前温度;
在重排操作/互换操作/移动操作执行结束的情况下,确定重排操作/互换操作/移动操作所获得的新配送路径为可行路径,并且在确定所述新配送路径符合接受标准的情况下,接受重排操作/互换操作/移动操作,所述接受标准是根据操作前后订单配送成本的差量和所述当前温度所确定的;
通过所述适应度函数计算本轮迭代后所述种群个体的适应度值,以确定全局最优适应度值;
在所述全局最优适应度值不符合预设终止条件的情况下,进入下一轮迭代;
在确定所述全局最优适应度值符合预设终止条件的情况下,将本轮迭代后所述种群个体的所表征的配送路径作为全局最优配送路径。
优选的,所述确定所述新配送路径符合接受标准,包括:
其中,Δcost表示操作前后订单配送成本的差量,T表示所述当前温度;
以所述接受概率确定所述新配送路径符合接受标准。
优选的,所述确定所述全局最优适应度值符合预设终止条件,包括:
确定所述全局最优适应度值、以及距离本轮迭代最近的连续多轮迭代的历史全局最优适应度值之间的差量在预设允许范围内;或者
确定本轮迭代的迭代轮数达到预设的迭代轮数阈值。
一种订单配送装置,所述装置包括:
信息获取模块,用于获取订单配送的描述信息,所述描述信息中包含车辆参数、订单参数和订单配送过程中的多个约束条件,所述多个约束条件中包含用于生成配送路径的第一约束条件、以及用于优化配送路径的第二约束条件;
编码模块,用于基于所述第一类约束条件对所述车辆参数和所述订单参数进行染色体编码,以获得表征不同配送路径的种群个体;
路径生成模块,用于获取基于所述第二约束条件生成的表征订单配送成本的适应度函数和初始温度,并通过所述适应度函数计算所述种群个体的适应度值,以确定最优种群个体所表征的初始最优配送路径;
路径优化模块,用于基于所述初始温度,采用邻域搜索算法对所述初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径。
优选的,所述编码模块,具体用于:
根据所述车辆参数对不同车型下的车辆进行自然数编码,以及,根据所述订单参数对不同订单、以及不同订单下的订单节点进行自然数编码;基于所述车辆参数对应的编码结果和不同订单对应的编码结果生成车辆向量,所述车辆向量能够表征为不同订单对应的车辆;依据所述车辆向量和订单节点的编码结果生成订单顺序向量,所述订单顺序向量能够表征不同车辆对相应订单节点的配送路径,一个订单顺序向量对应一个种群个体。
优选的,所述路径优化模块,具体用于:
调用所述邻域搜索算法的2-Opt算子、节点交换算子、节点重置算子;在本轮迭代过程中,使用所述2-Opt算子对所述初始最优配送路径的两个非相邻订单节点进行重排操作;使用所述节点交换算子对所述初始最优配送路径间两个订单的订单节点执行互换操作;使用所述节点重置算子对所述初始最优配送路径的属于同一订单的两个订单节点进行移动操作;根据本轮迭代的迭代轮数对所述初始温度进行冷却处理,得到本轮迭代的当前温度;在重排操作/互换操作/移动操作执行结束的情况下,确定重排操作/互换操作/移动操作所获得的新配送路径为可行路径,并且在确定所述新配送路径符合接受标准的情况下,接受重排操作/互换操作/移动操作,所述接受标准是根据操作前后订单配送成本的差量和所述当前温度所确定的;通过所述适应度函数计算本轮迭代后所述种群个体的适应度值,以确定全局最优适应度值;在所述全局最优适应度值不符合预设终止条件的情况下,进入下一轮迭代;在确定所述全局最优适应度值符合预设终止条件的情况下,将本轮迭代后所述种群个体的所表征的配送路径作为全局最优配送路径。
一种电子设备,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现所述的订单配送方法。
一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行所述的订单配送方法。
相较于现有技术,本发明实现的有益效果为:
本发明提供一种订单配送方法、装置、电子设备及存储介质,在获得订单配送的描述信息后,按照用于生成配送路径的第一约束条件对车辆参数和订单参数进行染色体编码,得到表征不同配送路径的种群个体;进一步,表征订单配送成本的适应度函数基于用于优化配送路径的第二约束条件生成,通过该适应度函数计算种群个体的适应度值,以确定初始最优配送路径;最后,基于初始温度,采用邻域搜索算法对初始最优配送路径进行路径优化的多轮迭代,得到全局最优配送路径。基于本发明能够适应性解决不同场景下的订单配送,最终输出订单配送成本最低的配送路径,同时解决路径问题和三维装箱问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的订单配送方法的方法流程图;
图2为本发明实施例提供的2-Opt算子示意图;
图3为本发明实施例提供的节点interchange算子示意图;
图4为本发明实施例提供的订单节点互换示意图;
图5为本发明实施例提供的节点relocation算子示意图;
图6为本发明实施例提供的订单节点移动示意图;
图7为本发明实施例提供的订单配送装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明从装箱和路径两阶段进行计算,成功实现了订单的装载、运力估算、订单拆分,以及路径规划。路径规划部分依据订单进行配载,考虑了现实业务中的多车型约束、车辆数约束、成对约束、优先级约束、车辆载重约束、车辆容积约束、先进后出约束、车辆运输总时长等实际条件,依据不同车型的梯度价格计算总运输成本作目标函数,最终输出路径配送方案,并提供总里程,总运输成本,车辆配送成本、行驶里程、耗时、车辆载重和车长利用率变化,订单装卸顺序以及同一地点多次操作的顺序。
路径问题是NP-Hard问题,难以用精确算法求解,相较于传统的取送货问题,订单配送问题求解难度首先在于如何编码满足订单配送约束,其次是测试与提高解决该问题的性能与效果。根据订单配送的特点,本发明设计一种特有的自然数编码方式,使得车辆配送时满足成对约束、优先级约束和车辆数约束,在此编码基础上,本发明设计改进的高效算法求解订单配送路径优化模型。本发明提出改进的模拟退火算法进行路径规划的求解。
模拟退火算法以订单配送成本(包括车辆运输成本与车辆固定成本)最低为目标,在初始解的基础上根据订单问题设计基于节点翻转顺序的2-Opt、基于改变路径节点的interchange算子(节点交换算子)、基于路径中节点位置的relocation算子(节点重置算子)这三种算子,构成邻域搜索算法扩大候选解集的范围,完成路径优化。在大规模订单配送问题中,可利用改进的模拟退火算法得出最优解或近似最优解,输出包含总里程,总运输成本,车辆的配送路线及其对应的车型、车辆索引、配送成本、车辆行驶里程、耗时、车辆载重变化、各仓库访问及订单装卸顺序结果。
参见图1所示的方法流程图,本发明实施例提供一种订单配送方法,该方法包括如下步骤:
S10,获取订单配送的描述信息,描述信息中包含车辆参数、订单参数和订单配送过程中的多个约束条件,多个约束条件中包含用于生成配送路径的第一约束条件、以及用于优化配送路径的第二约束条件。
本发明实施例对于多车型订单配送问题描述如下:
成对约束:每一个订单所需配送的货物都只能由一辆车完成配送,不得分开配送。
优先级约束:车辆必须先访问订单的取货点,然后在访问订单的送货点。
车辆数目约束:完成所有订单配送任务所需的车辆都是公司内部车辆,不得超过公司拥有车辆数目。
载重约束:车辆配送所有订单的重量不超过车辆的额定载重。
最大行驶时间约束:车辆配送所有订单花费的时间不得超过最大行驶时长。
符号表示如下:
集合
I:所有订单的集合,I={1,2,......,n};K:所有车辆的集合,K={1,2,......,k};
M:车辆车型的集合,M={1,2,......,m};J:所有订单节点的集合,J={1,2,......,j};
指标和参数
i:订单编号,i∈I;u,v:订单节点编号,u,v∈J;k:车辆编号,k∈K;m:车辆所属车型,m∈M;车型为m车辆k的额定载重;gi:订单i货物的质量;车型为m车辆k开始配送订单i的时间;车型为m车辆k完成配送订单i的时间;车型为m车辆k的固定成本;车型为m车辆k的最大行驶时间;Hm:车型为m的所拥有车辆数目;duv:订单节点u,v之间的距离车型为m车辆k的平均速度;车型为m车辆k的单位距离运输成本;车型为m车辆k在订单节点u的服务时间;
决策变量
上述式(1)表示最小化订单配送成本,包括车辆运输成本(即车辆行驶路径成本)和固定车辆成本;式(2)表示在配送过程中每个订单只能由一个车配送;式(3)表示每辆车的载重不能超过车辆要求的额定载重;式(4)表示使用的车辆总数不超过该车型所拥有的车辆数量;式(5)表示车辆满足订单优先级约束;式(6)表示计算车辆在订单节点之间的行驶时间等于节点距离除以车辆平均速度;式(7)保证车辆访问订单节点后必须离开该节点;式(8)表示车辆配送所有订单的服务时间加上行驶时间不超过该车辆的最大行驶时间;式(9)至(11)表示三个决策变量。
S20,基于第一类约束条件对车辆参数和订单参数进行染色体编码,以获得表征不同配送路径的种群个体。
本发明实施例根据订单配送项目的独特性,设计了一种贴合问题的特殊自然数编码方式,即初始种群随机产生。编码由车辆向量和订单顺序向量构成,在设计编码时必须满足车辆配送过程中的成对约束、优先级约束和车辆数约束,即:车辆访问订单的起点仓库完成取货任务后,必须访问该订单的终点仓库完成卸货任务;车辆必须先完成取货任务、再完成卸货任务;调用车辆数不能超过该车型当前可支配车辆数。
具体实现过程中,步骤S20“基于第一类约束条件对车辆参数和订单参数进行染色体编码”可以采用如下步骤:
根据车辆参数对不同车型下的车辆进行自然数编码,以及,根据订单参数对不同订单、以及不同订单下的订单节点进行自然数编码;基于车辆参数对应的编码结果和不同订单对应的编码结果生成车辆向量,车辆向量能够表征为不同订单对应的车辆;依据车辆向量和订单节点的编码结果生成订单顺序向量,订单顺序向量能够表征不同车辆对相应订单节点的配送路径,一个订单顺序向量对应一个种群个体。
本发明实施例中,假设需配送订单8个,编号为1,2,…,8,每个订单都具有起点仓库和对应的终点仓库。车辆假设有三种车型,车型1可支配车辆3辆,编号为{1,2,3};车型2可支配车辆2辆,编号为{4,5};车型3可支配车辆2辆,编号为{6,7}。
订单表示如下:
订单编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
起点仓库 | A | B | C | D | I | H | K | J |
终点仓库 | E | D | F | H | J | G | E | M |
初始种群随机产生,种群中每个种群个体(即染色体)即对应一个订单配送方案。以下一个种群个体来说明:
订单编号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | ||||||||
车辆向量 | 3 | 5 | 6 | 5 | 6 | 5 | 3 | 6 | ||||||||
订单顺序向量 | 1 | 2 | -2 | 3 | -3 | 4 | -4 | 5 | -5 | 6 | 8 | 7 | -7 | -1 | -8 | -6 |
订单编号对应位置的车辆向量值,表示为该订单提供服务的车辆编号,如订单1、7由车型1车辆3配送,订单2、4和6由车型2车辆5配送,订单3、5和8由车型3车辆6服务。
订单顺序向量可以表示车辆配送订单的优先顺序,其中正向整数对应订单编号的起点仓库,负向整数对应订单编号的终点仓库。例如车辆5对应的订单顺序向量为(2-(-2)-4-(-4)-6-(-6)),根据订单编号的起点仓库和终点仓库及配送顺序可表示车型2车辆5首先从仓库B装载订单2,并运送至仓库D卸载订单2,此时已完成订单2配送,然后再装载订单4;随后前往仓库H卸载订单4,完成订单4配送,并进行订单6的装载任务;最后,前往仓库G卸载订单6。至此,车辆5已完成所有订单配送任务。故而,将以上种群个体进行染色体解码后,得到三条配送路径:
1#车辆3 | A(1)→K(7)→E(-7/-1) |
2#车辆5 | B(2)→D(-2/4)→H(-4/6)→G(-6) |
3#车辆6 | C(3)→F(-3)→I(5)→J(-5/8)→M(-8) |
S30,获取基于第二约束条件生成的表征订单配送成本的适应度函数和初始温度,并通过适应度函数计算种群个体的适应度值,以确定最优种群个体所表征的初始最优配送路径。
在模拟退火算法中,每条染色体的适应度值反映目标函数值。本发明实施例中,在确定初始最优配送路径时,需要计算种群中每个种群个体的适应度值,选取适应度值最高的种群个体为最优的染色体、其配送路径作为最优配送路径。由于种群个体的编码方式已满足订单的成对、优先级约束以及车辆数目约束,因此在适应度函数中考虑不同车型的行驶速度、载重量、单位距离成本、最大配送时间等参数,只需满足不同车型车辆的载重、配送时长约束。根据业务情况,不计算回程里程与成本,在满足模型所有约束的基础上计算路径长度对应的路径成本、车辆数目对应的固定成本组成订单配送成本。
适应度函数如下所示:
若配送路径不满足当前车型的载重约束,则需在满足车辆数的约束基础上调用更大一号车型。若当前空闲车辆的最大车型已无法满足所承载订单的总载重,则确定该配送路径为不可行路径,对适应度函数增加足够大的惩罚因子,避免生成不可行解;若车辆配送时长超过车辆最大配送时长(设定各车须在12.5小时内完成配送),则确定该配送路径为不可行路径,对适应度函数增加惩罚因子。具体公式如下:
其中,P1与P2表示惩罚因子,为足够大的常数,可保证满足车辆荷载及行驶时长限制。
温度T的初始值是模拟退火算法成功实现的重要参数。如果值过高,则需要更多的迭代轮数来收敛;如果过小,搜索过程可能不够全面,则接收不行解的概率较小,易陷入局部最优。本发明中设置初始温度为Temperature=-w/100*f/ln(0.5),其中设置初始温度时考虑以0.5的概率接受大于初始最优配送路径的订单配送成本w%的总成本,w=10为多次试验后确定的最优值。需要说明的是,在配送路径满足载重约束时,f采用上述公式(12)所示的适应度函数;在配送路径不满足载重约束时,f采用上述公式(13)所示的适应度函数。
S40,基于初始温度,采用邻域搜索算法对初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径。
本发明实施例中,在进行路径规划时,适应度函数中需依据订单货物信息进行车辆时间窗约束、载重约束。具体判断准则:1)首先,检验路径上最大货物运输质量是否超过配送车辆额定载重。若超载,进一步判断该车型是否为最大车型。若为最大车型,则该路径为不可行路径,删除该路径;若否,则在满足车辆数的基础上调用更大一号车型,直到满足载重约束。2)检验配送时间约束。若车辆完成全部配送任务耗时超出车辆最长允许使用时间,在订单配送成本中添加足够大的惩罚值,删除该路径。最终,通过不断迭代,求得路径规划最优解或满意解。
具体实现过程中,步骤S40“基于初始温度,采用邻域搜索算法对初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径”可以采用如下步骤:
调用邻域搜索算法的2-Opt算子、节点交换算子和节点重置算子;在本轮迭代过程中,使用2-Opt算子对初始最优配送路径的两个非相邻订单节点进行重排操作;使用节点交换算子对初始最优配送路径间两个订单的订单节点执行互换操作;使用节点重置算子对初始最优配送路径的属于同一订单的两个订单节点进行移动操作;根据本轮迭代的迭代轮数对初始温度进行冷却处理,得到本轮迭代的当前温度;在重排操作/互换操作/移动操作执行结束的情况下,确定重排操作/互换操作/移动操作所获得的新配送路径为可行路径,并且在确定新配送路径符合接受标准的情况下,接受重排操作/互换操作/移动操作,接受标准是根据操作前后订单配送成本的差量和当前温度所确定的;通过适应度函数计算本轮迭代后种群个体的适应度值,以确定全局最优适应度值;在全局最优适应度值不符合预设终止条件的情况下,进入下一轮迭代;在确定全局最优适应度值符合预设终止条件的情况下,将本轮迭代后种群个体的所表征的配送路径作为全局最优配送路径。
本发明实施例中,为实现对订单配送路径的最优规划,对初始最优配送路径进行2-Opt算子、节点interchange算子、节点relocation算子优化,根据接受标准判断是否接受改变;邻域搜索算法在未改变迭代轮数的基础上扩大候选解集的范围,得到模拟退火之后的新种群,计算新种群中各条种群个体的适应度值,确定当前新种群中的最优个体(最优解)。若当前最优解优于历史最优解,则保留该解,进入下一轮迭代;若否,则直接进入下一轮迭代,直至满足终止条件,输出全局最优解,即全局最优配送路径。
需要说明的是,2-Opt算子涉及到单条路径内部的自身优化,而节点interchange算子及节点relocation算子则涉及到两条路径之间的改进优化。
参见图2所示的2-Opt算子示意图。2-Opt算子将重新排列配送路径中的两个非相邻订单节点,重排会更改订单节点的访问顺序,因此可能会违反车辆的容量限制。通过判断执行2-Opt移动操作获得的新配送路径是否符合接受标准来确定是否接受该移动操作。接受标准受操作前后订单配送成本的差量和当前温度所影响,如果新配送路径不超过车辆的容量,则其属于可行路径,进一步如果操作前后订单配送成本的差量大于零,即确定接受该移动操作,反之,则以一定的接受概率来确定是否接受该移动操作,该接受概率与操作前后订单配送成本的差量、以及当前温度有关。
对于可行解的接受标准反映了模拟退火原理,即接受一些非改进的解决方案会使搜索范围更广,从而避免陷入局部最小值。具体而言,如果执行局部搜索算法之后获得新的可行路径,造成订单配送成本增高则以如下接受概率接受:
其中,Δcost表示操作前后订单配送成本的差量。若操作之后成本降低,Δcost为正数,则接受概率将大于1,新配送路径将完全被接受。T为大于0的当前温度,在每轮迭代中,温度以给定的冷却速度c<1降低。在迭代过程的开始,温度很高,这意味着对于给定的负值,接受非改进解的可能性很高。随着迭代过程的进行,温度降低造成接受增加成本的可能性概率降低。经过多次实验可设置冷却速度为c=0.96,即每轮迭代后温度都会相应冷却0.96。
参见图3所示的节点interchange算子示意图。节点interchange算子将属于两个配送路径的两个节点从一个路径互换到另一个路径。对于订单配送问题,执行订单节点互换操作。如图4所示的订单节点互换示意图。首先在车辆向量中随机选择需要交换的车辆;然后解码两辆车对应的配送路径并随机选择需要交换的订单x和y,此时两条配送路径需互换的位置包括x、y订单的起点仓库和终点仓库;执行互换订单操作,并按照互换后的新配送路径重新进行编码处理。在编码过程中,需对车辆向量中订单x、y位置上的车辆编号进行修改,对于订单顺序向量需保证订单x、y的配送顺序与新配送路径配送顺序保持一致。
对于执行互换操作后所获得的两个新配送路径,若两个新配送路径的订单重量均未超过车辆容量、且未超过车辆最大行驶时间,则两个新配送路径属于可行路径,如果两辆车作前后订单配送成本的差量大于零,即确定接受该移动操作,反之,则以一定的该接受概率来确定是否接受该互换操作,该接受概率与操作前后订单配送成本的差量、以及当前温度有关。对于接受概率,在此不再赘述,请参见以上描述。
参见图5所示的节点relocation算子示意图。节点relocation算子将一个配送路径中的订单节点移动到另一个配送路径中,以增加配送路径的多样性。参见图6所示的订单节点移动示意图。首先在车辆向量中随机选取两辆车;解码两辆车对应的配送路径并随机选择第一辆车配送的订单;将该订单的起点仓库和终点仓库从第一辆车的配送路径中移动到第二辆车配送路径的末端;最后根据生成的新配送路径完成编码操作。对于车辆向量,只需改变所移动订单的车辆编号;对于订单顺序向量需保证所移动订单的配送顺序在配送车辆路径的尾部。
需要说明的是,每轮迭代过程都对于2-Opt算子、节点交换算子和节点重置算子三者的操作。在每轮迭代结束产生新种群后,再通过适应度函数计算新种群中每个种群个体(即每个配送路径)的适应度值,从中选择全局最优适应度值。如果选择全局最优适应度值不符合预设终止条件,则进入下一轮迭代,反之,则结束迭代并将本轮迭代后的配送路径作为全局最优配送路径输出。
本发明实施例中,在确定全局最优适应度值符合预设终止条件的过程中,一方面可以确定全局最优适应度值、以及距离本轮迭代最近的连续多轮迭代的历史全局最优适应度值之间的差量在预设允许范围内;另一方面还可以确定本轮迭代的迭代轮数达到预设的迭代轮数阈值。
也就是说,终止条件为当种群的全局最优适应度值连续迭代n轮不发生明显变化或达到迭代轮数阈值(即最大迭代轮数)时,则停止迭代。此时,如何设置相隔代数n,成为算法迭代终止的关键。若设置参数值过大,则不利于减小迭代轮数,从而增大了计算量;若设置参数值比较小(如相隔一代),则算法会疲于计算种群之间的差异,从而增大了算法的计算量。本发明根据项目特点,设计多次实验得出最佳的值为n=50,最大迭代轮数Gmax=1000。
本发明实施例提供的订单配送方法,在获得订单配送的描述信息后,按照用于生成配送路径的第一约束条件对车辆参数和订单参数进行染色体编码,得到表征不同配送路径的种群个体;进一步,表征订单配送成本的适应度函数基于用于优化配送路径的第二约束条件生成,通过该适应度函数计算种群个体的适应度值,以确定初始最优配送路径;最后,基于初始温度,采用邻域搜索算法对初始最优配送路径进行路径优化的多轮迭代,得到全局最优配送路径。基于本发明能够适应性解决不同场景下的订单配送,最终输出订单配送成本最低的配送路径,同时解决路径问题和三维装箱问题。
基于上述实施例提供的订单配送方法,本发明实施例则对应提供执行上述订单配送方法的装置,该装置的结构示意图如图7所示,包括:
信息获取模块10,用于获取订单配送的描述信息,描述信息中包含车辆参数、订单参数和订单配送过程中的多个约束条件,多个约束条件中包含用于生成配送路径的第一约束条件、以及用于优化配送路径的第二约束条件;
编码模块20,用于基于第一类约束条件对车辆参数和订单参数进行染色体编码,以获得表征不同配送路径的种群个体;
路径生成模块30,用于获取基于第二约束条件生成的表征订单配送成本的适应度函数和初始温度,并通过适应度函数计算种群个体的适应度值,以确定最优种群个体所表征的初始最优配送路径;
路径优化模块40,用于基于初始温度,采用邻域搜索算法对初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径。
可选的,编码模块20,具体用于:
根据车辆参数对不同车型下的车辆进行自然数编码,以及,根据订单参数对不同订单、以及不同订单下的订单节点进行自然数编码;基于车辆参数对应的编码结果和不同订单对应的编码结果生成车辆向量,车辆向量能够表征为不同订单对应的车辆;依据车辆向量和订单节点的编码结果生成订单顺序向量,订单顺序向量能够表征不同车辆对相应订单节点的配送路径,一个订单顺序向量对应一个种群个体。
可选的,路径优化模块40,具体用于:
调用邻域搜索算法的2-Opt算子、节点交换算子和节点重置算子;在本轮迭代过程中,使用2-Opt算子对初始最优配送路径的两个非相邻订单节点进行重排操作;使用节点交换算子对初始最优配送路径间两个订单的订单节点执行互换操作;使用节点重置算子对初始最优配送路径的属于同一订单的两个订单节点进行移动操作;根据本轮迭代的迭代轮数对初始温度进行冷却处理,得到本轮迭代的当前温度;在重排操作/互换操作/移动操作执行结束的情况下,确定重排操作/互换操作/移动操作所获得的新配送路径为可行路径,并且在确定新配送路径符合接受标准的情况下,接受重排操作/互换操作/移动操作,接受标准是根据操作前后订单配送成本的差量和当前温度所确定的;通过适应度函数计算本轮迭代后种群个体的适应度值,以确定全局最优适应度值;在全局最优适应度值不符合预设终止条件的情况下,进入下一轮迭代;在确定全局最优适应度值符合预设终止条件的情况下,将本轮迭代后种群个体的所表征的配送路径作为全局最优配送路径。
可选的,路径优化模块40确定新配送路径符合接受标准的方式,包括:
其中,Δcost表示操作前后订单配送成本的差量,T表示当前温度;
以接受概率确定新配送路径符合接受标准。
可选的,路径优化模块40确定全局最优适应度值符合预设终止条件的方式,包括:
确定全局最优适应度值、以及距离本轮迭代最近的连续多轮迭代的历史全局最优适应度值之间的差量在预设允许范围内;或者确定本轮迭代的迭代轮数达到预设的迭代轮数阈值。
需要说明的是,本发明实施例中各模块的细化功能可以参见上述订单配送方法实施例对应公开部分,在此不再赘述。
基于上述实施例提供的订单配送方法,本发明实施例则对应提供一种电子设备,电子设备包括:至少一个存储器和至少一个处理器;存储器存储有程序,处理器调用存储器存储的程序,程序用于实现订单配送方法。
基于上述实施例提供的订单配送方法,本发明实施例则对应提供一种存储介质,存储介质中存储有计算机可执行指令,计算机可执行指令用于执行订单配送方法。
以上对本发明所提供的一种订单配送方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种订单配送方法,其特征在于,所述方法包括:
获取订单配送的描述信息,所述描述信息中包含车辆参数、订单参数和订单配送过程中的多个约束条件,所述多个约束条件中包含用于生成配送路径的第一约束条件、以及用于优化配送路径的第二约束条件;
基于所述第一类约束条件对所述车辆参数和所述订单参数进行染色体编码,以获得表征不同配送路径的种群个体;
获取基于所述第二约束条件生成的表征订单配送成本的适应度函数和初始温度,并通过所述适应度函数计算所述种群个体的适应度值,以确定最优种群个体所表征的初始最优配送路径;
基于所述初始温度,采用邻域搜索算法对所述初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一类约束条件对所述车辆参数和所述订单参数进行染色体编码,包括:
根据所述车辆参数对不同车型下的车辆进行自然数编码,以及,根据所述订单参数对不同订单、以及不同订单下的订单节点进行自然数编码;
基于所述车辆参数对应的编码结果和不同订单对应的编码结果生成车辆向量,所述车辆向量能够表征为不同订单对应的车辆;
依据所述车辆向量和订单节点的编码结果生成订单顺序向量,所述订单顺序向量能够表征不同车辆对相应订单节点的配送路径,一个订单顺序向量对应一个种群个体。
3.根据权利要求1所述的方法,其特征在于,所述基于所述初始温度,采用邻域搜索算法对所述初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径,包括:
调用所述邻域搜索算法的2-Opt算子、节点交换算子和节点重置算子;
在本轮迭代过程中,使用所述2-Opt算子对所述初始最优配送路径的两个非相邻订单节点进行重排操作;使用所述节点交换算子对所述初始最优配送路径间两个订单的订单节点执行互换操作;使用所述节点重置算子对所述初始最优配送路径的属于同一订单的两个订单节点进行移动操作;
根据本轮迭代的迭代轮数对所述初始温度进行冷却处理,得到本轮迭代的当前温度;
在重排操作/互换操作/移动操作执行结束的情况下,确定重排操作/互换操作/移动操作所获得的新配送路径为可行路径,并且在确定所述新配送路径符合接受标准的情况下,接受重排操作/互换操作/移动操作,所述接受标准是根据操作前后订单配送成本的差量和所述当前温度所确定的;
通过所述适应度函数计算本轮迭代后所述种群个体的适应度值,以确定全局最优适应度值;
在所述全局最优适应度值不符合预设终止条件的情况下,进入下一轮迭代;
在确定所述全局最优适应度值符合预设终止条件的情况下,将本轮迭代后所述种群个体的所表征的配送路径作为全局最优配送路径。
5.根据权利要求3所述的方法,其特征在于,所述确定所述全局最优适应度值符合预设终止条件,包括:
确定所述全局最优适应度值、以及距离本轮迭代最近的连续多轮迭代的历史全局最优适应度值之间的差量在预设允许范围内;或者
确定本轮迭代的迭代轮数达到预设的迭代轮数阈值。
6.一种订单配送装置,其特征在于,所述装置包括:
信息获取模块,用于获取订单配送的描述信息,所述描述信息中包含车辆参数、订单参数和订单配送过程中的多个约束条件,所述多个约束条件中包含用于生成配送路径的第一约束条件、以及用于优化配送路径的第二约束条件;
编码模块,用于基于所述第一类约束条件对所述车辆参数和所述订单参数进行染色体编码,以获得表征不同配送路径的种群个体;
路径生成模块,用于获取基于所述第二约束条件生成的表征订单配送成本的适应度函数和初始温度,并通过所述适应度函数计算所述种群个体的适应度值,以确定最优种群个体所表征的初始最优配送路径;
路径优化模块,用于基于所述初始温度,采用邻域搜索算法对所述初始最优配送路径进行路径优化的多轮迭代得到全局最优配送路径。
7.根据权利要求6所述的装置,其特征在于,所述编码模块,具体用于:
根据所述车辆参数对不同车型下的车辆进行自然数编码,以及,根据所述订单参数对不同订单、以及不同订单下的订单节点进行自然数编码;基于所述车辆参数对应的编码结果和不同订单对应的编码结果生成车辆向量,所述车辆向量能够表征为不同订单对应的车辆;依据所述车辆向量和订单节点的编码结果生成订单顺序向量,所述订单顺序向量能够表征不同车辆对相应订单节点的配送路径,一个订单顺序向量对应一个种群个体。
8.根据权利要求6所述的装置,其特征在于,所述路径优化模块,具体用于:
调用所述邻域搜索算法的2-Opt算子、节点交换算子和节点重置算子;在本轮迭代过程中,使用所述2-Opt算子对所述初始最优配送路径的两个非相邻订单节点进行重排操作;使用所述节点交换算子对所述初始最优配送路径间两个订单的订单节点执行互换操作;使用所述节点重置算子对所述初始最优配送路径的属于同一订单的两个订单节点进行移动操作;根据本轮迭代的迭代轮数对所述初始温度进行冷却处理,得到本轮迭代的当前温度;在重排操作/互换操作/移动操作执行结束的情况下,确定重排操作/互换操作/移动操作所获得的新配送路径为可行路径,并且在确定所述新配送路径符合接受标准的情况下,接受重排操作/互换操作/移动操作,所述接受标准是根据操作前后订单配送成本的差量和所述当前温度所确定的;通过所述适应度函数计算本轮迭代后所述种群个体的适应度值,以确定全局最优适应度值;在所述全局最优适应度值不符合预设终止条件的情况下,进入下一轮迭代;在确定所述全局最优适应度值符合预设终止条件的情况下,将本轮迭代后所述种群个体的所表征的配送路径作为全局最优配送路径。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现权利要求1-5任意一项所述的订单配送方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1-5任意一项所述的订单配送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960264.1A CN113673764A (zh) | 2021-08-20 | 2021-08-20 | 一种订单配送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960264.1A CN113673764A (zh) | 2021-08-20 | 2021-08-20 | 一种订单配送方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113673764A true CN113673764A (zh) | 2021-11-19 |
Family
ID=78544451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960264.1A Pending CN113673764A (zh) | 2021-08-20 | 2021-08-20 | 一种订单配送方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673764A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186758A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向成本最优的厂内物流配送方法 |
CN115496423A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 一种电力物资供应链配送路径调度方法 |
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN117350625A (zh) * | 2023-12-06 | 2024-01-05 | 四川芯元一食品科技有限公司 | 一种货物配送路径优化***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN112766614A (zh) * | 2021-03-05 | 2021-05-07 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
CN112990528A (zh) * | 2020-06-28 | 2021-06-18 | 青岛盈智科技有限公司 | 一种物流运输配载管理方法及装置 |
-
2021
- 2021-08-20 CN CN202110960264.1A patent/CN113673764A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919376A (zh) * | 2019-03-01 | 2019-06-21 | 浙江工业大学 | 多车场与多车型车辆路径调度控制方法 |
CN112990528A (zh) * | 2020-06-28 | 2021-06-18 | 青岛盈智科技有限公司 | 一种物流运输配载管理方法及装置 |
CN112766614A (zh) * | 2021-03-05 | 2021-05-07 | 重庆邮电大学 | 一种基于两阶段启发式算法的动态车辆路径优化方法 |
Non-Patent Citations (2)
Title |
---|
李顺勇等: "多通路时变网络下低碳车辆路径优化模型与算法", 《计算机集成制造***》, vol. 25, no. 02, 28 February 2019 (2019-02-28), pages 454 - 468 * |
褚大可等: "舰船交直流混合电力***能量优化调度方法", 《舰船科学技术》, vol. 41, no. 08, 30 April 2019 (2019-04-30), pages 103 - 105 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186758A (zh) * | 2022-02-15 | 2022-03-15 | 杭州杰牌传动科技有限公司 | 一种面向成本最优的厂内物流配送方法 |
CN115496423A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 一种电力物资供应链配送路径调度方法 |
CN115496423B (zh) * | 2022-11-04 | 2023-02-17 | 国网浙江省电力有限公司金华供电公司 | 一种电力物资供应链配送路径调度方法 |
CN116911711A (zh) * | 2023-07-25 | 2023-10-20 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN116911711B (zh) * | 2023-07-25 | 2024-04-05 | 重庆工程职业技术学院 | 一种物流运输规划方法 |
CN117350625A (zh) * | 2023-12-06 | 2024-01-05 | 四川芯元一食品科技有限公司 | 一种货物配送路径优化***及方法 |
CN117350625B (zh) * | 2023-12-06 | 2024-02-20 | 四川芯元一食品科技有限公司 | 一种货物配送路径优化***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113673764A (zh) | 一种订单配送方法、装置、电子设备及存储介质 | |
Gharehgozli et al. | Robot scheduling for pod retrieval in a robotic mobile fulfillment system | |
CN108985597B (zh) | 一种动态物流调度方法 | |
Alesiani et al. | Optimization of charging stops for fleet of electric vehicles: A genetic approach | |
CN110852530B (zh) | 一种多车场多车型的车辆路径规划方法 | |
CN109948855A (zh) | 一种带时间窗的异构危化品运输路径规划方法 | |
CN109559062B (zh) | 一种合作式物流问题的任务分配与路径规划方法 | |
CN110189077A (zh) | 一种考虑三维装载约束的多阶段车货匹配方法 | |
Ma et al. | Rebalancing stochastic demands for bike-sharing networks with multi-scenario characteristics | |
CN112907188B (zh) | 一种基于自适应邻域搜索算法的共享单车搬运优化方法 | |
CN111222705B (zh) | 一种非线性充电车辆路径优化方法 | |
KR101449801B1 (ko) | 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 | |
CN111260128A (zh) | 车辆路径规划方法以及*** | |
CN113361813A (zh) | 一种圆晶设备排产***优化调度方法 | |
CN111860957A (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
CN110956325B (zh) | 一种带时间窗的电动汽车路径规划方法 | |
CN108921338B (zh) | 一种多车辆车间物流运输调度方法 | |
CN112488358A (zh) | 一种电动汽车充电路径规划方法和存储介质 | |
CN116384706A (zh) | 一种船舶分段驳运车辆的调度方法及*** | |
CN112149921B (zh) | 大规模电动物流车路径规划方法及***、充电规划方法 | |
CN115564117A (zh) | 车机柜协同配送路径优化方法和*** | |
CN112232605B (zh) | 派送资源的处理方法、装置、设备及计算机可读存储介质 | |
CN112700190B (zh) | 一种改进的扫描法与遗传模拟退火法配送托盘物资的方法 | |
CN111507662B (zh) | 一种规划物流车辆路径的方法 | |
CN115018211A (zh) | 一种运输调度线路设定方法和装置 |
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 |