CN113887828B - 智能供应链产运销协同与实时网络规划方法以及装置 - Google Patents
智能供应链产运销协同与实时网络规划方法以及装置 Download PDFInfo
- Publication number
- CN113887828B CN113887828B CN202111241020.4A CN202111241020A CN113887828B CN 113887828 B CN113887828 B CN 113887828B CN 202111241020 A CN202111241020 A CN 202111241020A CN 113887828 B CN113887828 B CN 113887828B
- Authority
- CN
- China
- Prior art keywords
- supply chain
- node
- chain network
- transportation
- vehicle
- 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
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
-
- 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
本发明提供一种智能供应链产运销协同与实时网络规划方法以及装置,属于供应链规划领域。所述方法包括:接收制造商的产品数据和消费者的需求数据;当产品满足需求时,构建供应链网络,所述供应链网络的节点至少包括生产节点、需求节点和中转节点;在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径;构建供应链网络优化模型;基于所述多条最短运输路径,求解所述供应链网络优化模型,生成所述制造商和所述消费者之间的最优车辆配送方案。采用本发明,可以实现以消费者为中心的产运销协同,提高配送效率。
Description
技术领域
本发明涉及供应链规划领域,尤其涉及一种智能供应链产运销协同与实时网络规划方法以及装置。
背景技术
供应链产运销协同与网络规划问题是供应链规划领域最关键的问题之一。它需要根据制造商生产情况、消费者需求情况、运输车辆与中转节点情况等各方面信息做出的全面的运输网络规划、车辆路径规划、货物运输方案等运营决策。
现有的网络规划、路径规划及运输方案大多由相关工作人员根据经验手动制订,这种方法不仅费时费工,而且所制订出的方案也存在产运销错配、货物时效不高、浪费运力等缺点,导致制造商的成本居高不下、消费者的体验差强人意。
因此,亟需一种智能供应链产运销协同与实时网络规划方法,用以提高供应链产运销的协同性与配送效率。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种智能供应链产运销协同与实时网络规划方法以及装置。技术方案如下:
根据本发明的一方面,提供了一种智能供应链产运销协同与实时网络规划方法,所述方法包括:
接收制造商的产品数据和消费者的需求数据;
当产品满足需求时,构建供应链网络,所述供应链网络的节点至少包括生产节点、需求节点和中转节点;
在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径;
构建供应链网络优化模型;
基于所述多条最短运输路径,求解所述供应链网络优化模型,生成所述制造商和所述消费者之间的最优车辆配送方案。
根据本发明的另一方面,提供了一种智能供应链产运销协同与实时网络规划装置,所述装置包括:
接收模块,用于接收制造商的产品数据和消费者的需求数据;
第一构建模块,用于当产品满足需求时,构建供应链网络,所述供应链网络的节点至少包括生产节点、需求节点和中转节点;
确定模块,用于在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径;
第二构建模块,用于构建供应链网络优化模型;
生成模块,用于基于所述多条最短运输路径,求解所述供应链网络优化模型,生成所述制造商和所述消费者之间的最优车辆配送方案。
根据本发明的另一方面,提供了一种电子设备,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述智能供应链产运销协同与实时网络规划方法。
根据本发明的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行上述智能供应链产运销协同与实时网络规划方法。
本发明实施例中,利用制造商的产品数据和消费者的需求数据,通过智能优化算法进行实时网络规划,进而实现以消费者为中心的产运销协同,提高配送效率。
附图说明
在下面结合附图对于示例性实施例的描述中,本发明的更多细节、特征和优点被公开,在附图中:
图1示出了根据本发明示例性实施例的智能供应链产运销协同与实时网络规划方法流程图;
图2示出了根据本发明示例性实施例的供应链网络示意图;
图3示出了根据本发明示例性实施例的运输弧示意图;
图4示出了根据本发明示例性实施例的智能供应链产运销协同与实时网络规划装置的示意性框图;
图5示出了能够用于实现本发明的实施例的示例性电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本发明提供了一种智能供应链产运销协同与实时网络规划方法,该方法可以由终端、服务器和/或其他具备处理能力的设备完成。本发明实施例提供的方法可以由上述任一设备完成,也可以由多个设备共同完成,本发明对此不作限定。
本实施例中以供应链产运销协同***为例,参照图1所示的智能供应链产运销协同与实时网络规划方法流程图,对该方法进行介绍。
步骤101,接收制造商的产品数据和消费者的需求数据。
在一种可能的实施方式中,供应链产运销协同***可以至少包括制造商、消费者和提供后台支持的服务器。本实施例以服务器为执行主体进行说明。
服务器中可以存储有如下数据:
(1)制造商的生产数据:制造商的地理位置、生产产品的种类、生产产品的体积、生产产品的重量、当前库存数量、生产率。
(2)消费者的需求数据:消费者的地理位置、消费者订购的产品种类与数量、消费者期待的收货时间(可具体到小时)。
(3)运输车辆的数据:运输车辆的地理位置、车内容积、车内载重额、行驶里程限制、不同车型的使用成本、车辆装卸货物速度、不同时间段车辆在不同道路的行驶速度。
(4)中转节点的数据:中转节点的地理位置、中转节点的容量空间、中转节点装卸货物的速度、每件货物经由该中转节点所耗的运营成本。
(5)其他参数:规划每个时间段的起始时间和结束时间(如8:00-8:30)。
基于API(Application Programming Interface,应用程序接口)接口实时获得制造商的生产数据、消费者的需求数据,同时基于包含传感器的智能硬件实时获得运输车辆的数据、中转节点的数据,并将上述数据上传至服务器。进而,服务器可以接收到多个制造商的产品数据和多个消费者的需求数据。
步骤102,当产品满足需求时,构建供应链网络。
其中,如图2所示,供应链网络的节点至少包括生产节点、需求节点和中转节点。生产节点与制造商的地理位置相对应,需求节点与消费者的地理位置相对应。中转节点是指物流网络中链接物流线路的结节处,是具有中转和综合服务功能的物流集结点。
在一种可能的实施方式中,服务器在触发规划指令时,可以判断当前制造商生产的产品种类和数量是否满足所有消费者的需求。其中,触发规划指令的条件可以是周期性触发,也可以是手动触发,本实施例对此不作限定。
如果满足,则可以开始执行步骤103,计算最短运输路径。
可选的,当产品不满足需求时,基于产品数据和需求数据,确定待生产的产品数据;将待生产的产品数据下发至制造商。
在一种可能的实施方式中,根据制造商的当前的库存数量和消费者的需求数据,可以确定缺货的种类以及数量,进而,服务器可以向相应类型的制造商下发订单,以供应相应的产品。
步骤103,在供应链网络中,确定制造商和消费者之间的多条最短运输路径。
服务器可以基于迪杰斯特拉(Dijkstra)算法,在供应链网络中,计算每个生产节点和需求节点之间的最短运输路径。
在一种优选的实施方式中,可以对迪杰斯特拉算法进行改进,以降低运输路径的重复率。此时,步骤103的处理可以如下:
基于迪杰斯特拉算法,确定每个生产节点和需求节点之间的初始最短运输路径;
确定每条初始最短运输路径的运送货物总量,并对运送货物总量进行排序,获得初始最短运输路径的排序表;
对排序表循环执行如下筛选处理:获取运送货物总量最大的一条初始最短运输路径并存储;遍历当前排序表的其余初始最短运输路径,删除与该条初始最短运输路径完全重合的初始最短运输路径;遍历结束时,在当前排序表中删除该条初始最短运输路径;
直至排序表为空时,将已存储的多条初始最短运输路径确定为制造商和消费者之间的多条最短运输路径。
其中,运送货物总量可以是指在预测的计划期内的运送货物总量,可以根据服务器存储的上述数据得到。
通过上述处理,可以保留运送货物总量较大的最短运输路径,并删除与之完全重合的运输路径,避免在相同的路径上重复运输,提高运输效率。
步骤104,构建供应链网络优化模型。
供应链网络优化模型的目标函数为最小化运输成本,运输成本可以至少包括节点启用成本、车辆启用成本和车辆油耗成本。
目标函数可以用如下公式表示:
Min∑isiyi+∑k(fkzk+cdk) (1)
其中,yi为第i个节点是否启用的0-1变量,zk为第k辆车是否启用的0-1变量,si为第i个节点的启用成本,fk为第k辆车的启用成本,c为每公里行车油耗成本,dk为第k辆车的运输配送距离。决策变量为yi和zk,也即是说,求解供应链网络优化模型即为求解启用哪些节点并确定运输路径以及使用哪些运输车辆配送。
约束条件可以至少包括供应链网络流量平衡约束和车辆资源限制约束,可以用如下公式表示:
其中,Ao为mo×no维矩阵,表示供应链网络的节点与运输弧的关联矩阵,其中mo是供应链网络中从o节点(生产节点)到d节点(需求节点)涉及到的节点数,no是各种可能中转方案的运输弧数,所以Ao涵盖所有的运输方式(直达和中转)。如图3所示的运输弧示意图,当o和d节点之间存在供应链配送需求,直达路径为从o到d节点,中转路径为o-1-d、o-2-d、o-1-2-d,即货物可以不经过中转而直达,也可以经过节点1或者节点2或者节点1与2中转送达。
xo ij为从o节点到d节点间的供应链网络上某个运输弧(节点i到节点j)的配送流量。Do为从o节点到d节点之间的配送需求。lko为第k辆车为供应链网络中从o节点到d节点配送的流量。w为单个货物的载重,v为单个货物的体积,Wk为第k辆车的载重限额,Vk为第k辆车的体积限额。
约束(2)为供应链网络流量平衡约束,保证所有货物都能通过直达或者中转的方式从制造商所在处送达消费者所在处,保证实际运输的货物数量等于总需求;约束(3)和约束(4)为车辆资源限制约束,约束(3)表示第k辆车在供应链网络内承载的货物总量不能超过其载重限额,约束(4)表示第k辆车在供应链网络内承载的货物体积不能超过其体积限额;约束(5)表示该决策变量为0-1变量;约束(6)表示该决策变量为非负变量。
步骤105,基于多条最短运输路径,求解供应链网络优化模型,生成制造商和消费者之间的最优车辆配送方案。
在一种可能的实施方式中,上述步骤105的处理可以如下:将多条最短运输路径作为初始可行解,求解供应链网络优化模型,计算供应链网络最优运输路径以及每条运输路径对应的车辆组合;基于每条运输路径和对应的车辆组合,生成制造商和消费者之间的最优车辆配送方案。
也即是说,在这样的实施方式下,运输路径固定,计算每条运输路径对应的车辆组合即可。
在另一种可能的实施方式中,上述步骤105的处理可以如下:基于列生成算法和多条最短运输路径,求解供应链网络优化模型,生成制造商和消费者之间的最优车辆配送方案。
其中,车辆配送方案包括最短运输路径及对应的车辆组合,和/或非最短运输路径及对应的车辆组合。
具体的处理如下:
在供应链网络中,确定制造商和消费者之间的多条非最短运输路径;
基于列生成算法求解供应链网络优化模型,在多条最短运输路径和多条非最短运输路径中,筛选出多条目标运输路径并计算对应的车辆组合;
基于多条目标运输路径及对应的车辆组合,生成制造商和消费者之间的最优车辆配送方案。
其中,上述多条目标运输路径可以包括最短运输路径和/或非最短运输路径。
也即是说,利用列生成算法,为每个时间段内各节点之间的待运输货物添加沿非最短运输路径运输的车辆配送方案,通过添加这些沿非最短运输路径运输的车辆配送方案,实现货物拼车,降低成本,提升时效。并且,运用列生成算法在找到的众多沿非最短运输路径的车辆配送方案中,选择可以降低成本的车辆配送方案加入问题,而将无效的车辆配送方案筛除掉,还可以有效控制模型规模,提升求解速度。
在得到车辆配送方案之后,可以输出各供应链节点(包括生产节点、中转节点、需求节点)的货物运输方案表、车辆在每个时间段内行车路线表等,并通过硬件可视地展现未来行径轨迹。这些都可以给企业高层决策者和调度员、配送员等运营人员的工作提供指导。
货物运输方案表如下表1所示:
出发节点 | 中转节点1 | …… | 中转节点n | 目的节点 | |
货物1 | o1 | 节点1 | …… | 节点5 | d1 |
货物2 | o3 | 节点3 | …… | 节点6 | d2 |
货物3 | o2 | 节点2 | …… | 节点6 | d2 |
表1
行车路线表如下表2所示:
8:00-8:30 | 8:30-9:00 | …… | 16:30-17:00 | |
车辆1 | o1-节点1 | 节点1-节点4 | …… | 节点5-d1 |
车辆2 | o3-节点3 | 节点3-节点5 | …… | 节点6-d2 |
车辆3 | o2-节点2 | 节点2-节点6 | …… | 空闲 |
表2
本发明实施例能够取得的有益效果如下:
(1)本发明利用API接口、智能硬件获得生产、运输、需求端的多维数据,通过智能优化算法进行实时网络规划,进而实现以消费者为中心的产运销协同。
(2)本发明在规划货物的运输方案时,考虑了沿最短运输路径和沿非最短运输路径的多种车辆配送方案,并利用列生成算法进行智能化的选择,可实现货物拼车,有效降低成本,提升时效。
(3)本发明使用了列生成方法,可以有效控制问题规模,提升求解速度。
(4)本发明可以在短时间内自动化地解决多车辆、多中转节点、多时间段的大规模复杂问题,并可灵活地根据车辆运行线路变化、中转节点位置变化作相应的调整。此类大规模复杂问题是人工排班所难以有效解决的。
本发明实施例提供了一种智能供应链产运销协同与实时网络规划装置,该装置用于实现上述智能供应链产运销协同与实时网络规划方法。如图4所示的智能供应链产运销协同与实时网络规划装置的示意性框图,智能供应链产运销协同与实时网络规划装置400包括:接收模块401,第一构建模块402,确定模块403,第二构建模块404,生成模块405。
接收模块401,用于接收制造商的产品数据和消费者的需求数据;
第一构建模块402,用于当产品满足需求时,构建供应链网络,所述供应链网络的节点至少包括生产节点、需求节点和中转节点;
确定模块403,用于在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径;
第二构建模块404,用于构建供应链网络优化模型;
生成模块405,用于基于所述多条最短运输路径,求解所述供应链网络优化模型,生成所述制造商和所述消费者之间的最优车辆配送方案。
可选的,所述装置还包括下发模块,所述下发模块用于:
当产品不满足需求时,基于所述产品数据和所述需求数据,确定待生产的产品数据;
将所述待生产的产品数据下发至所述制造商。
可选的,所述确定模块403,用于:
基于迪杰斯特拉算法,确定每个生产节点和需求节点之间的初始最短运输路径;
确定每条初始最短运输路径的运送货物总量,并对所述运送货物总量进行排序,获得初始最短运输路径的排序表;
对所述排序表循环执行如下筛选处理:获取运送货物总量最大的一条初始最短运输路径并存储;遍历当前排序表的其余初始最短运输路径,删除与所述一条初始最短运输路径完全重合的初始最短运输路径;遍历结束时,在所述当前排序表中删除所述一条初始最短运输路径;
直至所述排序表为空时,将已存储的多条初始最短运输路径确定为所述制造商和所述消费者之间的多条最短运输路径。
可选的,所述供应链网络优化模型的目标函数为最小化运输成本,所述运输成本至少包括节点启用成本、车辆启用成本和车辆油耗成本;约束条件至少包括供应链网络流量平衡约束和车辆资源限制约束。
可选的,所述生成模块405,用于:
将所述多条最短运输路径作为初始可行解,求解所述供应链网络优化模型,计算供应链网络最优运输路径以及每条运输路径对应的车辆组合;
基于所述每条运输路径和对应的车辆组合,生成所述制造商和所述消费者之间的最优车辆配送方案。
可选的,所述生成模块405,用于:
基于列生成算法和所述多条最短运输路径,求解所述供应链网络优化模型,生成所述制造商和所述消费者之间的最优车辆配送方案,所述最优车辆配送方案包括最短运输路径及对应的车辆组合,和/或非最短运输路径及对应的车辆组合。
可选的,所述生成模块405,用于:
在所述供应链网络中,确定所述制造商和所述消费者之间的多条非最短运输路径;
基于列生成算法求解所述供应链网络优化模型,在所述多条最短运输路径和所述多条非最短运输路径中,筛选出多条目标运输路径并计算对应的车辆组合;
基于所述多条目标运输路径及对应的车辆组合,生成所述制造商和所述消费者之间的最优车辆配送方案。
本发明实施例中,利用制造商的产品数据和消费者的需求数据,通过智能优化算法进行实时网络规划,进而实现以消费者为中心的产运销协同,提高配送效率。
本发明示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本发明实施例的方法。
本发明示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。
本发明示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本发明实施例的方法。
参考图5,现将描述可以作为本发明的服务器或终端的电子设备500的结构框图,其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备,输入单元506可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元507可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理。例如,在一些实施例中,智能供应链产运销协同与实时网络规划方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。在一些实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行智能供应链产运销协同与实时网络规划方法。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本发明使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
Claims (8)
1.一种智能供应链产运销协同与实时网络规划方法,其特征在于,所述方法包括:
接收制造商的产品数据和消费者的需求数据;
当产品满足需求时,构建供应链网络,所述供应链网络的节点至少包括生产节点、需求节点和中转节点;
在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径;
构建供应链网络优化模型;
所述供应链网络优化模型的目标函数用如下公式表示:
Min ∑i siyi+∑k(fkzk+cdk)
其中,yi为第i个节点是否启用的0-1变量,zk为第k辆车是否启用的0-1变量,si为第i个节点的启用成本,fk为第k辆车的启用成本,c为每公里行车油耗成本,dk为第k辆车的运输配送距离;
所述供应链网络优化模型的约束条件用如下公式表示:
其中,Ao为mo×no维矩阵,表示供应链网络的节点与运输弧的关联矩阵,其中mo是供应链网络中从生产节点到需求节点涉及到的节点数,no是各种可能中转方案的运输弧数,xo ij为从生产节点到需求节点间的供应链网络上节点i到节点j的配送流量,Do为从生产节点到需求节点之间的配送需求,lko为第k辆车为供应链网络中从生产节点到需求节点配送的流量,w为单个货物的载重,v为单个货物的体积,Wk为第k辆车的载重限额,Vk为第k辆车的体积限额;
在所述供应链网络中,确定所述制造商和所述消费者之间的多条非最短运输路径;
基于列生成算法求解所述供应链网络优化模型,在所述多条最短运输路径和所述多条非最短运输路径中,筛选出多条目标运输路径并计算对应的车辆组合;
基于所述多条目标运输路径及对应的车辆组合,生成所述制造商和所述消费者之间的最优车辆配送方案,所述最优车辆配送方案包括最短运输路径及对应的车辆组合,和/或非最短运输路径及对应的车辆组合。
2.根据权利要求1所述的智能供应链产运销协同与实时网络规划方法,其特征在于,所述方法还包括:
当产品不满足需求时,基于所述产品数据和所述需求数据,确定待生产的产品数据;
将所述待生产的产品数据下发至所述制造商。
3.根据权利要求1所述的智能供应链产运销协同与实时网络规划方法,其特征在于,所述在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径,包括:
基于迪杰斯特拉算法,确定每个生产节点和需求节点之间的初始最短运输路径;
确定每条初始最短运输路径的运送货物总量,并对所述运送货物总量进行排序,获得初始最短运输路径的排序表;
对所述排序表循环执行如下筛选处理:获取运送货物总量最大的一条初始最短运输路径并存储;遍历当前排序表的其余初始最短运输路径,删除与所述一条初始最短运输路径完全重合的初始最短运输路径;遍历结束时,在所述当前排序表中删除所述一条初始最短运输路径;
直至所述排序表为空时,将已存储的多条初始最短运输路径确定为所述制造商和所述消费者之间的多条最短运输路径。
4.根据权利要求1所述的智能供应链产运销协同与实时网络规划方法,其特征在于,所述供应链网络优化模型的目标函数为最小化运输成本,所述运输成本至少包括节点启用成本、车辆启用成本和车辆油耗成本;约束条件至少包括供应链网络流量平衡约束和车辆资源限制约束。
5.根据权利要求1所述的智能供应链产运销协同与实时网络规划方法,其特征在于,所述基于所述多条最短运输路径,求解所述供应链网络优化模型,生成所述制造商和所述消费者之间的最优车辆配送方案,包括:
将所述多条最短运输路径作为初始可行解,求解所述供应链网络优化模型,计算供应链网络最优运输路径以及每条运输路径对应的车辆组合;
基于所述每条运输路径和对应的车辆组合,生成所述制造商和所述消费者之间的最优车辆配送方案。
6.一种智能供应链产运销协同与实时网络规划装置,其特征在于,所述装置包括:
接收模块,用于接收制造商的产品数据和消费者的需求数据;
第一构建模块,用于当所述产品满足所述需求时,构建供应链网络,所述供应链网络的节点至少包括生产节点、需求节点和中转节点;
确定模块,用于在所述供应链网络中,确定所述制造商和所述消费者之间的多条最短运输路径;
第二构建模块,用于构建供应链网络优化模型;
所述供应链网络优化模型的目标函数用如下公式表示:
Min ∑i siyi+∑k(fkzk+cdk)
其中,yi为第i个节点是否启用的0-1变量,zk为第k辆车是否启用的0-1变量,si为第i个节点的启用成本,fk为第k辆车的启用成本,c为每公里行车油耗成本,dk为第k辆车的运输配送距离;
所述供应链网络优化模型的约束条件用如下公式表示:
其中,Ao为mo×no维矩阵,表示供应链网络的节点与运输弧的关联矩阵,其中mo是供应链网络中从生产节点到需求节点涉及到的节点数,no是各种可能中转方案的运输弧数,xo ij为从生产节点到需求节点间的供应链网络上节点i到节点j的配送流量,Do为从生产节点到需求节点之间的配送需求,lko为第k辆车为供应链网络中从生产节点到需求节点配送的流量,w为单个货物的载重,v为单个货物的体积,Wk为第k辆车的载重限额,Vk为第k辆车的体积限额;
生成模块,用于在所述供应链网络中,确定所述制造商和所述消费者之间的多条非最短运输路径;基于列生成算法求解所述供应链网络优化模型,在所述多条最短运输路径和所述多条非最短运输路径中,筛选出多条目标运输路径并计算对应的车辆组合;基于所述多条目标运输路径及对应的车辆组合,生成所述制造商和所述消费者之间的最优车辆配送方案,所述最优车辆配送方案包括最短运输路径及对应的车辆组合,和/或非最短运输路径及对应的车辆组合。
7.一种电子设备,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-5中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241020.4A CN113887828B (zh) | 2021-10-25 | 2021-10-25 | 智能供应链产运销协同与实时网络规划方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241020.4A CN113887828B (zh) | 2021-10-25 | 2021-10-25 | 智能供应链产运销协同与实时网络规划方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887828A CN113887828A (zh) | 2022-01-04 |
CN113887828B true CN113887828B (zh) | 2022-04-15 |
Family
ID=79013873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111241020.4A Active CN113887828B (zh) | 2021-10-25 | 2021-10-25 | 智能供应链产运销协同与实时网络规划方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887828B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907598A (zh) * | 2022-11-07 | 2023-04-04 | 杭州巨灵兽智能科技有限公司 | 供应链的运输网络规划方法、装置、设备及存储介质 |
CN116720643B (zh) * | 2023-06-26 | 2024-04-09 | 武汉金力软件有限公司 | 一种基于供应链的智能管理*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其*** |
CN113033895A (zh) * | 2021-03-25 | 2021-06-25 | 浙江中烟工业有限责任公司 | 一种多源多点路径规划方法、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248922B1 (en) * | 2016-03-11 | 2019-04-02 | Amazon Technologies, Inc. | Managing network paths within a network of inventory spaces |
CN106156898B (zh) * | 2016-08-23 | 2020-01-17 | 吕建正 | 一种基于MoCD算法的商品配送路径规划方法 |
CN108985692A (zh) * | 2018-07-13 | 2018-12-11 | 南京邮电大学 | 一种农化产品的物流网络规划方法 |
US20200082335A1 (en) * | 2018-09-12 | 2020-03-12 | Walmart Apollo, Llc | Methods and apparatus for load and route assignments in a delivery system |
CN109902990A (zh) * | 2019-01-16 | 2019-06-18 | 江苏玄通供应链股份有限公司 | 一种供应链物流配送线路规划*** |
CN110766211B (zh) * | 2019-10-14 | 2022-05-06 | 中国地质大学(武汉) | 一种实时路况下的车辆路径规划问题模型创建方法 |
-
2021
- 2021-10-25 CN CN202111241020.4A patent/CN113887828B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其*** |
CN113033895A (zh) * | 2021-03-25 | 2021-06-25 | 浙江中烟工业有限责任公司 | 一种多源多点路径规划方法、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
生鲜食品供应链分销渠道的能力配置优化;陈淮莉等;《中国商贸》;20130211(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113887828A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887828B (zh) | 智能供应链产运销协同与实时网络规划方法以及装置 | |
US11989689B2 (en) | Optimizing pallet location in a warehouse | |
CN111553626A (zh) | 一种路径规划方法、装置、电子设备及其存储介质 | |
CN110414883A (zh) | 货物运输和下单方法、设备及存储介质 | |
CN111639854A (zh) | 车辆分配方法、装置、电子设备和存储介质 | |
WO2020164319A1 (zh) | 一种拣货方法和装置 | |
CN107025495A (zh) | 基于用户选择来降低确定用于装运集装箱的路线的复杂度 | |
KR102503198B1 (ko) | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 | |
Wang et al. | Multi-objective optimisation of automated guided dispatching and vehicle routing system | |
Zhu et al. | A decision model on human-robot collaborative routing for automatic logistics | |
Correia et al. | Smart supply chain management: The 5W1H open and collaborative framework | |
Klerides et al. | Modelling and solution approaches to the multi-load AGV dispatching problem in container terminals | |
WO2018100716A1 (ja) | 移動計画装置、移動計画方法、およびプログラムを記憶した記憶媒体 | |
CN116167515A (zh) | 一种agv配送路径规划方法、装置、设备及介质 | |
CN116402286A (zh) | 一种物流机器人的调度方法、装置、电子设备及存储介质 | |
CN112308280A (zh) | 物流调度管理方法、装置、电子设备和存储介质 | |
US20210357995A1 (en) | Information processing device | |
Huang et al. | Split-order consolidation optimization for online supermarkets: Process analysis and optimization models | |
CN111461430A (zh) | 用于生成路线信息的方法及装置 | |
US20200082335A1 (en) | Methods and apparatus for load and route assignments in a delivery system | |
CN112486033A (zh) | 一种设备的仿真测试方法和装置 | |
CN113723721A (zh) | 基于物流运输的智能调度方法、装置、设备及存储介质 | |
CN113762566B (zh) | 一种计算送达时间的方法和装置 | |
CN104915820A (zh) | 运输工具虚拟为供应点或需求点的物资调度方法及*** | |
Abdul Rahim et al. | Integrated analysis of inventory management and transportation systems for the single-period problem |
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 |