CN115759500A - 一种基于优化效率评价算法的智能物流运输方法和*** - Google Patents
一种基于优化效率评价算法的智能物流运输方法和*** Download PDFInfo
- Publication number
- CN115759500A CN115759500A CN202211460813.XA CN202211460813A CN115759500A CN 115759500 A CN115759500 A CN 115759500A CN 202211460813 A CN202211460813 A CN 202211460813A CN 115759500 A CN115759500 A CN 115759500A
- Authority
- CN
- China
- Prior art keywords
- logistics
- transportation
- vehicle
- logistics transportation
- transport
- 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.)
- Withdrawn
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 64
- 230000002787 reinforcement Effects 0.000 claims abstract description 56
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 17
- 238000013439 planning Methods 0.000 claims abstract description 6
- 230000032258 transport Effects 0.000 claims description 175
- 230000009471 action Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 206010039203 Road traffic accident Diseases 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能物流运输的技术领域,揭露了一种基于优化效率评价算法的智能物流运输方法和***,所述方法包括:物流发货客户确定若干目的地,物流控制模块根据目的地确定若干物流运输车辆进行货物运输;构建物流运输网络;利用物流运输车辆的传感器确定物流运输车辆的实时地理信息;构建物流运输成本优化目标函数;物流运输道路模块中的强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地。本发明所述方法通过实时评估不同物流运输路径的运输效率以及安全性,实现物流运输成本以及运输时间的有效降低,能够提高城镇交通的便利性。
Description
技术领域
本发明涉及智能物流运输的技术领域,尤其涉及一种基于优化效率评价算法的智能物流运输方法和***。
背景技术
随着经济发展,物流的重要性进一步呈现出来。但由于物流行业的特殊性,使其在发展过程中遇到许多问题,例如物流产业缺乏统筹规划,信息沟通不畅等,同时,产品从生产开始,经包装、运输、销售等环节最终送达购买者手中,众多环节的紧密衔接使得物流形成了一张复杂性的网络,而诸多有待完善之处使得物流网络非常脆弱,很容易受外部环境等因素的影响,如何对当前物流运输路径进行优化成为当前研究的热门话题。
伴随着智能交通***的构建,依托全新的物联网手段,对传统的物流运输车辆以及交通道路进行改进,全线实现互通、互联、信息共享。同时传统物流运输技术没有对物流运输的安全性以及运输效率进行实时评价,从而能够实时选取最优的运输策略完成智能物流运输,因此本方案提出一种基于优化效率评价算法的智能物流运输方法。
发明内容
有鉴于此,本发明提供一种基于优化效率评价算法的智能物流运输方法,目的在于(1)将物流运输成本量化为超时导致的客户满意度成本以及货损成本,物流运输超时则表示运输效率过低,从而量化物流运输效率,通过评价不同物流运输策略的运输效率,选取物流运输效率最高的策略进行智能物流运输;(2)利用强化学习方案结合了物流运输成本以及物流运输安全性,在保证具有较高物流运输效率的同时,减少物流运输过程中发生交通事故的概率,提高物流运输的安全性。
实现上述目的,本发明提供的一种基于优化效率评价算法的智能物流运输方法,包括以下步骤:
S1:物流发货客户确定若干目的地,物流控制模块根据目的地确定若干物流运输车辆进行货物运输;
S2:构建物流运输网络,其中所述物流运输网络为图网络模型,模型中的点为交通道路交叉口、物流运输车辆位置以及目的地位置,模型中任意两点构成的边为交通道路;
S3:利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,所述地理信息包括物流运输车辆的实时位置以及实时交通状况,将所确定实时地理信息发送到物流监测***;
S4:物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
S5:物流运输道路模块基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地。
作为本发明的进一步改进方法:
可选地,所述S1步骤中根据目的地确定若干物流运输车辆进行货物运输,包括:
物流发货客户确定n个目的地,利用物流运输车辆将待运输的货物运输到指定目的地,其中所述目的地位置集合为{xj|j∈[1,n]},n表示物流发货客户所确定的目的地总数,xj表示其中编号为j的目的地,所述任意目的地xj的待运输货物为sj;
物流控制模块根据目的地确定n辆物流运输车辆进行货物运输,则运输货物sj的物流运输车辆位置编号为zj。
可选地,所述S2步骤中构建物流运输网络,包括:
构建物流运输网络,其中所述物流运输网络为图网络模型G=(E,V),E为图网络模型中的点集合,V为图网络模型中的边集合;
所述图网络模型G中的点为交通道路交叉口、物流运输车辆位置以及目的地位置,点集合E中任意两点之间的交通道路构成两点之间的边,在本发明实施例中,由于物流运输网络中存在交通道路交叉口,所述两点之间的交通道路可能存在若干种。
可选地,所述S3步骤中利用物流运输车辆的传感器采集物流运输车辆的实时地理信息,包括:
利用物流运输车辆的传感器采集物流运输车辆的实时地理信息,所述物流运输车辆上所安装的传感器包括GPS定位装置、激光雷达以及摄像头,所述GPS定位装置用于确定运输物流车辆的位置,激光雷达用于向周围发出探测信号,摄像头用于捕捉前方道路车辆的行驶状况;在本发明实施例中,激光雷达所发出探测信号的范围为150m;
所述地理信息包括物流运输车辆的实时位置以及实时交通状况,所述物流运输车辆实时地理信息的确定流程为:
S31:利用GPS定位装置确定物流运输车辆的实时位置,并利用摄像头捕捉前方道路车辆的行驶状况,所述任意物流运输车辆zj在t时刻的位置为zj(t);
S32:物流运输车辆zj利用毫米雷达向周围发射探测信号,并接收返回信号;
S33:对返回信号进行解析,得到t时刻物流运输车辆zj的周围车辆数Nj(t),基于Nj(t)量化得到t时刻物流运输车辆zj的交通状况cj(t,E),所述交通状况的计算公式为:
其中:
E表示探测区域,S(E)表示探测区域的面积;
Nj(t,E)表示t时刻物流运输车辆zj的周围区域E的车辆数;
当物流运输车辆到达交通道路交叉口时,所采集的物流运输车辆地理信息格式为{t,z(t),E′,c(t,E′),p(t)},其中R′表示交通道路交叉口连接的若干个道路区域之一,t表示采集时刻,z(t)为物流运输车辆的定位位置,c(t,E′)表示t时刻区域E′的交通状况,p(t)表示t时刻物流运输车辆前方车辆的行驶图像;
当物流运输车辆未处于交通道路交叉口时,所采集的物流运输车辆地理信息格式为{t′,z(t′),p(t′)},t′表示物流运输车辆未处于交通道路交叉口的时刻;
将所采集到的物流运输车辆地理信息发送到物流监测***。
可选地,所述S4步骤中物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,包括:
物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
所构建的目标函数为:
其中:
Cost(zj(t),yj(t,k))为任意物流车辆zj在t时刻遇到交通道路交叉口时,选取第k条道路yj(t,k)作为下一时刻运输道路的物流运输成本;
cj(t,yj(t,k))表示第k条道路yj(t,k)在t时刻的交通状况;
Cost1(zj(t),yj(t,k))表示运输货损成本,msj表示运输货物sj的重量,dis(yj(t,k),xj)表示道路yj(t,k)到运输目的地xj的最短距离,εj表示运输货物的预估到达时刻,εj=t+dis(yj(t,k),xj)/vj,vj表示物流运输车辆zj的平均速度;
所述智能物流***的目标函数为:
其中:
∑tCost(zj(t),yj(t,k))表示物流运输车辆zj从起始位置到目的地xj的物流运输成本之和。
可选地,所述S5步骤中物流运输道路控制模块基于物流运输成本优化目标函数训练得到强化学习网络,包括:
所述强化学习网络包括两种物流运输场景的网络,一种是物流运输车辆未遇到交通道路交叉口,在交通道路上正常行驶的物流运输场景,利用强化学习网络控制车辆加速、减速以及变相动作,避免物流车辆发生交通事故;另一种是物流运输车辆遇到交通交叉口,需要选择下一时刻的运输道路,优化物流运输效率;
所述强化学习网络为神经网络模型,所述强化学习网络的训练流程为:
S51:基于物流运输网络生成训练模拟运输网络,并在训练模拟运输网络中随机生成n个物流运输车辆以及n个目的地位置,物流运输车辆的速度范围为(0,50km/h),其中训练模拟运输网络的初始化结果包括:交通道路交叉口、交通道路、物流运输车辆初始位置以及目的地位置,并在交通道路上随机模拟生成若干车辆;
S52:对于所生成的第i个物流运输车辆ui的初始位置为ui(te),其中t0为初始时刻,te为除初始时刻外的任意时刻,车辆ui根据前方车辆的行驶情况选取从动作空间A中选取发生概率最大的一个动作作为下一时刻te+1的运输策略,所述动作的即时奖励评价值为
当物流运输车辆未到达交通道路交叉口时,所选取的动作a′包括加速、减速以及变相动作,并计算物流运输车辆采取该动作a′的即时奖励评价值,所述即时奖励评价值Reword(a′)的计算公式为:
其中:
动作a′包括加速、减速以及变相动作,d(a′)表示物流运输车辆采用动作a′后与道路其余车辆的最近距离;
δ表示车辆邻域阈值,若d(a′)<δ,则表示物流运输车辆与道路其余车辆发生碰撞;
当物流运输车辆到达交通道路交叉口时,所选取的动作a″包括选取交通道路作为下一时刻的物流运输路径,并计算物流运输车辆采取该动作a″的即时奖励评价值,所述即时奖励评价值Rewor(a″)的计算公式为:
其中:
Cost(u,a″)表示物流运输车辆在位置u采用动作a″的物流运输成本,β1,β2表示物流运输成本阈值,β2>β1;
其中:
π(ai|te)表示物流运输车辆ui在te时刻采取其余动作ai的概率;
所述强化学习网络计算物流运输车辆在任意时刻采取不同动作的概率,并选取概率最大的动作作为输出;
S54:设置强化学习网络训练的目标函数:
选取使得强化学习网络训练目标函数最大的网络模型参数,作为强化学习网络的模型参数,得到训练完成的强化学习网络。
可选地,所述S5步骤中所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地,包括:
物流监测***将实时接收到的物流运输车辆地理信息输入物流运输道路控制模块中的强化学习网络,利用训练完成的强化学习网络对物流运输车辆的运输路径进行实时规划,选取使得物流运输车辆安全运输效率最高的运输策略进行物流运输,减少交通事故发生的概率,并优化物流运输车辆的运输效率进而减少运输货损以及客户不满意程度,直到物流运输车辆到达目的地;所述运输策略包括物流运输车辆在运输过程的不同时刻中采取的运输动作。
为了解决上述问题,本发明提供一种基于优化效率评价算法的智能物流运输***,其特征在于,所述***包括:
物流控制模块,用于根据目的地确定若干物流运输车辆进行货物运输,并构建物流运输网络;
物流监测***,用于利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
物流运输道路控制模块,用于基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于优化效率评价算法的智能物流运输方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于优化效率评价算法的智能物流运输方法。
相对于现有技术,本发明提出一种基于优化效率评价算法的智能物流运输方法,该技术具有以下优势:
首先,本方案所提出的物流监测***通过利用智能传感器,包括GPS定位装置、激光雷达以及摄像头等,为智能物流***提供每辆物流运输车辆的位置所处道路的交通状况,进而利用物流运输道路控制模块,评估不同物流运输策略的物流运输成本以及运输安全性,选取能够降低物流运输成本、提高物流运输安全性的物流运输策略,从而规划得到更合理的运输路线,减少物流运输的时间成本。
同时,本方案提出一种物流运输成本量化方式,通过构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;所构建的目标函数为:
其中:Cost(zj(t),yj(t,k))为任意物流车辆zj在t时刻遇到交通道路交叉口时,选取第k条道路yj(t,k)作为下一时刻运输道路的物流运输成本;cj(t,yj(t,k))表示第k条道路yj(t,k)在t时刻的交通状况;Cost1(zj(t),yj(t,k))表示运输货损成本,表示运输货物sj的重量,sis(yj(t,k),xj)表示道路yj(t,k)到运输目的地xj的最短距离,εj表示运输货物的预估到达时刻,εj=t+dis(yj(t,k),xj)/vj,vj表示物流运输车辆zj的平均速度;Cost2(zj(t),yj(t,k))表示客户满意度成本,表示物流发货客户所期望的运输货物sj最晚到达时刻,rj表示物流发货客户所期望的运输货物sj最早到达时刻。本方案将物流运输成本量化为超时导致的客户满意度成本以及货损成本,物流运输超时则表示运输效率过低,从而量化物流运输效率,通过评价不同物流运输策略的运输效率,选取物流运输效率最高的策略进行智能物流运输。
最后,本方案提出一种基于强化学习网络的物流运输道路控制方法,利用训练完成的强化学习网络对物流运输车辆的运输路径进行实时规划,选取使得物流运输车辆安全运输效率最高的运输策略进行物流运输,减少交通事故发生的概率,并优化物流运输车辆的运输效率进而减少运输货损以及客户不满意程度,直到物流运输车辆到达目的地。从而间接提高交通道路的安全性,减少了交通道路拥堵,运输时间长导致部分货物存在损坏等问题,使得物流运输车辆能够在最短时间内安全到达运输目的地,提高了物流运输效率。
附图说明
图1为本发明一实施例提供的一种基于优化效率评价算法的智能物流运输方法的流程示意图;
图2为本发明一实施例提供的基于优化效率评价算法的智能物流运输***的功能模块图;
图3为本发明一实施例提供的实现基于优化效率评价算法的智能物流运输方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于优化效率评价算法的智能物流运输方法。所述基于优化效率评价算法的智能物流运输方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于优化效率评价算法的智能物流运输方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:物流发货客户确定若干目的地,物流控制模块根据目的地确定若干物流运输车辆进行货物运输。
所述S1步骤中根据目的地确定若干物流运输车辆进行货物运输,包括:
物流发货客户确定n个目的地,利用物流运输车辆将待运输的货物运输到指定目的地,其中所述目的地位置集合为{xj|j∈[1,n]},n表示物流发货客户所确定的目的地总数,xj表示其中编号为j的目的地,所述任意目的地xj的待运输货物为sj;
物流控制模块根据目的地确定n辆物流运输车辆进行货物运输,则运输货物sj的物流运输车辆位置编号为zj。
S2:构建物流运输网络,其中所述物流运输网络为图网络模型,模型中的点为交通道路交叉口、物流运输车辆位置以及目的地位置,模型中任意两点构成的边为交通道路。
所述S2步骤中构建物流运输网络,包括:
构建物流运输网络,其中所述物流运输网络为图网络模型G=(E,V),E为图网络模型中的点集合,V为图网络模型中的边集合;
所述图网络模型G中的点为交通道路交叉口、物流运输车辆位置以及目的地位置,点集合E中任意两点之间的交通道路构成两点之间的边,在本发明实施例中,由于物流运输网络中存在交通道路交叉口,所述两点之间的交通道路可能存在若干种。
S3:利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,所述地理信息包括物流运输车辆的实时位置以及实时交通状况,将所确定实时地理信息发送到物流监测***。
所述S3步骤中利用物流运输车辆的传感器采集物流运输车辆的实时地理信息,包括:
利用物流运输车辆的传感器采集物流运输车辆的实时地理信息,所述物流运输车辆上所安装的传感器包括GPS定位装置、激光雷达以及摄像头,所述GPS定位装置用于确定运输物流车辆的位置,激光雷达用于向周围发出探测信号,摄像头用于捕捉前方道路车辆的行驶状况;在本发明实施例中,激光雷达所发出探测信号的范围为150m;
所述地理信息包括物流运输车辆的实时位置以及实时交通状况,所述物流运输车辆实时地理信息的确定流程为:
S31:利用GPS定位装置确定物流运输车辆的实时位置,并利用摄像头捕捉前方道路车辆的行驶状况,所述任意物流运输车辆zj在t时刻的位置为zj(t);
S32:物流运输车辆zj利用毫米雷达向周围发射探测信号,并接收返回信号;
S33:对返回信号进行解析,得到t时刻物流运输车辆zj的周围车辆数Nj(t),基于Nj(t)量化得到t时刻物流运输车辆zj的交通状况cj(t,E),所述交通状况的计算公式为:
其中:
E表示探测区域,S(E)表示探测区域的面积;
Nj(t,E)表示t时刻物流运输车辆zj的周围区域E的车辆数;
当物流运输车辆到达交通道路交叉口时,所采集的物流运输车辆地理信息格式为{t,z(t),E′,c(t,E′),p(t)},其中E′表示交通道路交叉口连接的若干个道路区域之一,t表示采集时刻,z(t)为物流运输车辆的定位位置,c(t,E′)表示t时刻区域E′的交通状况,p(t)表示t时刻物流运输车辆前方车辆的行驶图像;
当物流运输车辆未处于交通道路交叉口时,所采集的物流运输车辆地理信息格式为{t′,z(t′),p(t′)},t′表示物流运输车辆未处于交通道路交叉口的时刻;
将所采集到的物流运输车辆地理信息发送到物流监测***。
S4:物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本。
所述S4步骤中物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,包括:
物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
所构建的目标函数为:
其中:
Cost(zj(t),yj(t,k))为任意物流车辆zj在t时刻遇到交通道路交叉口时,选取第k条道路yj(t,k)作为下一时刻运输道路的物流运输成本;
cj(t,yj(t,k))表示第k条道路yj(t,k)在t时刻的交通状况;
Cost1(zj(t),yj(t,k))表示运输货损成本,msj表示运输货物sj的重量,dis(yj(t,k),xj)表示道路yj(t,k)到运输目的地xj的最短距离,εj表示运输货物的预估到达时刻,εj=t+dis(yj(t,k),xj)/vj,vj表示物流运输车辆zj的平均速度;
所述智能物流***的目标函数为:
其中:
∑tCost(zj(t),yj(t,k))表示物流运输车辆zj从起始位置到目的地xj的物流运输成本之和。
S5:物流运输道路模块基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地。
所述S5步骤中物流运输道路控制模块基于物流运输成本优化目标函数训练得到强化学习网络,包括:
所述强化学习网络包括两种物流运输场景的网络,一种是物流运输车辆未遇到交通道路交叉口,在交通道路上正常行驶的物流运输场景,利用强化学习网络控制车辆加速、减速以及变相动作,避免物流车辆发生交通事故;另一种是物流运输车辆遇到交通交叉口,需要选择下一时刻的运输道路,优化物流运输效率;
所述强化学习网络为神经网络模型,所述强化学习网络的训练流程为:
S51:基于物流运输网络生成训练模拟运输网络,并在训练模拟运输网络中随机生成n个物流运输车辆以及n个目的地位置,物流运输车辆的速度范围为(0,50km/h),其中训练模拟运输网络的初始化结果包括:交通道路交叉口、交通道路、物流运输车辆初始位置以及目的地位置,并在交通道路上随机模拟生成若干车辆;
S52:对于所生成的第i个物流运输车辆ui的初始位置为ui(te),其中t0为初始时刻,te为除初始时刻外的任意时刻,车辆ui根据前方车辆的行驶情况选取从动作空间A中选取发生概率最大的一个动作作为下一时刻te+1的运输策略,所述动作的即时奖励评价值为
当物流运输车辆未到达交通道路交叉口时,所选取的动作a′包括加速、减速以及变相动作,并计算物流运输车辆采取该动作a′的即时奖励评价值,所述即时奖励评价值Rewor(a′)的计算公式为:
其中:
动作a′包括加速、减速以及变相动作,d(a′)表示物流运输车辆采用动作a′后与道路其余车辆的最近距离;
δ表示车辆邻域阈值,若d(a′)<δ,则表示物流运输车辆与道路其余车辆发生碰撞;
当物流运输车辆到达交通道路交叉口时,所选取的动作a″包括选取交通道路作为下一时刻的物流运输路径,并计算物流运输车辆采取该动作a″的即时奖励评价值,所述即时奖励评价值Rewor(a″)的计算公式为:
其中:
Cos(u,a″)表示物流运输车辆在位置u采用动作a″的物流运输成本,β1,β2表示物流运输成本阈值,β2>β1;
其中:
π(ai|te)表示物流运输车辆ui在te时刻采取其余动作ai的概率;
所述强化学习网络计算物流运输车辆在任意时刻采取不同动作的概率,并选取概率最大的动作作为输出;
S54:设置强化学习网络训练的目标函数:
选取使得强化学习网络训练目标函数最大的网络模型参数,作为强化学习网络的模型参数,得到训练完成的强化学习网络。
所述S5步骤中所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地,包括:
物流监测***将实时接收到的物流运输车辆地理信息输入物流运输道路控制模块中的强化学习网络,利用训练完成的强化学习网络对物流运输车辆的运输路径进行实时规划,选取使得物流运输车辆安全运输效率最高的运输策略进行物流运输,减少交通事故发生的概率,并优化物流运输车辆的运输效率进而减少运输货损以及客户不满意程度,直到物流运输车辆到达目的地;所述运输策略包括物流运输车辆在运输过程的不同时刻中采取的运输动作。
实施例2:
如图2所示,是本发明一实施例提供的基于优化效率评价算法的智能物流运输***的功能模块图,其可以实现实施例1中的基于优化效率评价算法的智能物流运输方法。
本发明所述基于优化效率评价算法的智能物流运输***100可以安装于电子设备中。根据实现的功能,所述基于优化效率评价算法的智能物流运输***可以包括物流控制模块101、物流监测***102及物流运输道路控制模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
物流控制模块101,用于根据目的地确定若干物流运输车辆进行货物运输,并构建物流运输网络;
物流监测***102,用于利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
物流运输道路控制模块103,用于基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地。
详细地,本发明实施例中所述基于优化效率评价算法的智能物流运输***100中的所述各模块在使用时采用与上述的图1中所述的基于优化效率评价算法的智能物流运输方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现基于优化效率评价算法的智能物流运输方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现智能物流运输的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转移器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
物流发货客户确定若干目的地,物流控制模块根据目的地确定若干物流运输车辆进行货物运输;
构建物流运输网络;
利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,将所确定实时地理信息发送到物流监测***;
物流监测***构建物流运输成本优化目标函数;
物流运输道路模块基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于优化效率评价算法的智能物流运输方法,其特征在于,所述方法包括:
S1:物流发货客户确定若干目的地,物流控制模块根据目的地确定若干物流运输车辆进行货物运输;
S2:构建物流运输网络,其中所述物流运输网络为图网络模型,模型中的点为交通道路交叉口、物流运输车辆位置以及目的地位置,模型中任意两点构成的边为交通道路;
S3:利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,所述地理信息包括物流运输车辆的实时位置以及实时交通状况,将所确定实时地理信息发送到物流监测***;
S4:物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
S5:物流运输道路控制模块基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,优化物流运输车辆的运输效率进而减少运输货损以及客户不满意程度,直到物流运输车辆到达目的地,所述强化学习网络的训练流程,包括:
所述强化学习网络为神经网络模型,所述强化学习网络的训练流程为:
S51:基于物流运输网络生成训练模拟运输网络,并在训练模拟运输网络中随机生成n个物流运输车辆以及n个目的地位置,物流运输车辆的速度范围为(0,50km/h),其中训练模拟运输网络的初始化结果包括:交通道路交叉口、交通道路、物流运输车辆初始位置以及目的地位置,并在交通道路上随机模拟生成若干车辆;
S52:对于所生成的第i个物流运输车辆ui的初始位置为ui(te),其中t0为初始时刻,te为除初始时刻外的任意时刻,车辆ui根据前方车辆的行驶情况选取从动作空间A中选取发生概率最大的一个动作作为下一时刻te+1的运输策略,所述动作的即时奖励评价值为
当物流运输车辆未到达交通道路交叉口时,所选取的动作a′包括加速、减速以及变相动作,并计算物流运输车辆采取该动作a′的即时奖励评价值,所述即时奖励评价值Reword(a′)的计算公式为:
其中:
动作a′包括加速、减速以及变相动作,d(a′)表示物流运输车辆采用动作a′后与道路其余车辆的最近距离;
δ表示车辆邻域阈值,若d(a′)<δ,则表示物流运输车辆与道路其余车辆发生碰撞;
当物流运输车辆到达交通道路交叉口时,所选取的动作a″包括选取交通道路作为下一时刻的物流运输路径,并计算物流运输车辆采取该动作a″的即时奖励评价值,所述即时奖励评价值Rewor(a″)的计算公式为:
其中:
Cost(u,a″)表示物流运输车辆在位置u采用动作a″的物流运输成本,β1,β2表示物流运输成本阈值,β2>β1;
其中:
π(ai|te)表示物流运输车辆ui在te时刻采取其余动作ai的概率;
所述强化学习网络计算物流运输车辆在任意时刻采取不同动作的概率,并选取概率最大的动作作为输出;
S54:设置强化学习网络训练的目标函数:
选取使得强化学习网络训练目标函数最大的网络模型参数,作为强化学习网络的模型参数,得到训练完成的强化学习网络。
2.如权利要求1所述的一种基于优化效率评价算法的智能物流运输方法,其特征在于,所述S1步骤中根据目的地确定若干物流运输车辆进行货物运输,包括:
物流发货客户确定n个目的地,利用物流运输车辆将待运输的货物运输到指定目的地,其中所述目的地位置集合为{xj|j∈[1,n]},n表示物流发货客户所确定的目的地总数,xj表示其中编号为j的目的地,所述任意目的地xj的待运输货物为sj;
物流控制模块根据目的地确定n辆物流运输车辆进行货物运输,则运输货物sj的物流运输车辆位置编号为zj。
3.如权利要求2所述的一种基于优化效率评价算法的智能物流运输方法,其特征在于,所述S2步骤中构建物流运输网络,包括:
构建物流运输网络,其中所述物流运输网络为图网络模型G=(E,V),E为图网络模型中的点集合,V为图网络模型中的边集合;
所述图网络模型G中的点为交通道路交叉口、物流运输车辆位置以及目的地位置,点集合E中任意两点之间的交通道路构成两点之间的边。
4.如权利要求1所述的一种基于优化效率评价算法的智能物流运输方法,其特征在于,所述S3步骤中利用物流运输车辆的传感器采集物流运输车辆的实时地理信息,包括:
利用物流运输车辆的传感器采集物流运输车辆的实时地理信息,所述物流运输车辆上所安装的传感器包括GPS定位装置、激光雷达以及摄像头,所述GPS定位装置用于确定运输物流车辆的位置,激光雷达用于向周围发出探测信号,摄像头用于捕捉前方道路车辆的行驶状况;
所述地理信息包括物流运输车辆的实时位置以及实时交通状况,所述物流运输车辆实时地理信息的确定流程为:
S31:利用GPS定位装置确定物流运输车辆的实时位置,并利用摄像头捕捉前方道路车辆的行驶状况,所述任意物流运输车辆zj在t时刻的位置为zj(t);
S32:物流运输车辆zj利用毫米雷达向周围发射探测信号,并接收返回信号;
S33:对返回信号进行解析,得到t时刻物流运输车辆zj的周围车辆数Nj(t),基于Nj(t)量化得到t时刻物流运输车辆zj的交通状况cj(t,E),所述交通状况的计算公式为:
其中:
E表示探测区域,S(E)表示探测区域的面积;
Nj(t,E)表示t时刻物流运输车辆zj的周围区域E的车辆数;
当物流运输车辆到达交通道路交叉口时,所采集的物流运输车辆地理信息格式为{t,z(t),E′,c(t,E,),p(t)},其中E′表示交通道路交叉口连接的若干个道路区域之一,t表示采集时刻,z(t)为物流运输车辆的定位位置,c(t,E′)表示t时刻区域E′的交通状况,p(t)表示t时刻物流运输车辆前方车辆的行驶图像;
当物流运输车辆未处于交通道路交叉口时,所采集的物流运输车辆地理信息格式为{t′,z(t′),p(t′)},t′表示物流运输车辆未处于交通道路交叉口的时刻;
将所采集到的物流运输车辆地理信息发送到物流监测***。
5.如权利要求4所述的一种基于优化效率评价算法的智能物流运输方法,其特征在于,所述S4步骤中物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,包括:
物流监测***构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
所构建的目标函数为:
Cost(zj(t),yj(t,k))=cj(t,yj(t,k))[Cost1(zj(t),yj(t,k))+Cost2(zj(t),yj(t,k))]
其中:
Cost(zj(t),yj(t,k))为任意物流车辆zj在t时刻遇到交通道路交叉口时,选取第k条道路yj(t,k)作为下一时刻运输道路的物流运输成本;
cj(t,yj(t,k))表示第k条道路yj(t,k)在t时刻的交通状况;
Cost1(zj(t),yj(t,k))表示运输货损成本,表示运输货物sj的重量,dis(yj(t,k),xj)表示道路yj(t,k)到运输目的地xj的最短距离,εj表示运输货物的预估到达时刻,εj=t+dis(yj(t,k),xj)/vj,vj表示物流运输车辆zj的平均速度;
所述智能物流***的目标函数为:
其中:
∑tCost(zj(t),yj(t,k))表示物流运输车辆zj从起始位置到目的地xj的物流运输成本之和。
6.如权利要求1所述的一种基于优化效率评价算法的智能物流运输方法,其特征在于,所述S5步骤中所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地,包括:
物流监测***将实时接收到的物流运输车辆地理信息输入物流运输道路控制模块中的强化学习网络,利用训练完成的强化学习网络对物流运输车辆的运输路径进行实时规划,选取使得物流运输车辆安全运输效率最高的运输策略进行物流运输,减少交通事故发生的概率,并优化物流运输车辆的运输效率进而减少运输货损以及客户不满意程度,直到物流运输车辆到达目的地;所述运输策略包括物流运输车辆在运输过程的不同时刻中采取的运输动作。
7.一种基于优化效率评价算法的智能物流运输***,其特征在于,所述***包括:
物流控制模块,用于根据目的地确定若干物流运输车辆进行货物运输,并构建物流运输网络;
物流监测***,用于利用物流运输车辆的传感器确定物流运输车辆的实时地理信息,构建物流运输成本优化目标函数,所述目标函数的输入为物流运输车辆的实时地理信息、运输路径以及目的地位置,输出为该运输路径的物流运输成本,所述物流运输成本包括基于运输效率的客户满意度成本以及货损成本;
物流运输道路控制模块,用于基于物流运输成本优化目标函数训练得到强化学习网络,所述强化学习网络基于物流运输效率以及物流运输车辆的行驶安全的评价对物流运输路径进行规划,直到物流运输车辆到达目的地,以实现如权利要求1-6所述的一种基于优化效率评价算法的智能物流运输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460813.XA CN115759500A (zh) | 2022-11-17 | 2022-11-17 | 一种基于优化效率评价算法的智能物流运输方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460813.XA CN115759500A (zh) | 2022-11-17 | 2022-11-17 | 一种基于优化效率评价算法的智能物流运输方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759500A true CN115759500A (zh) | 2023-03-07 |
Family
ID=85334428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211460813.XA Withdrawn CN115759500A (zh) | 2022-11-17 | 2022-11-17 | 一种基于优化效率评价算法的智能物流运输方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759500A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807412A (zh) * | 2024-03-01 | 2024-04-02 | 南京满鲜鲜冷链科技有限公司 | 一种基于车载传感器和大数据的货损预测*** |
-
2022
- 2022-11-17 CN CN202211460813.XA patent/CN115759500A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807412A (zh) * | 2024-03-01 | 2024-04-02 | 南京满鲜鲜冷链科技有限公司 | 一种基于车载传感器和大数据的货损预测*** |
CN117807412B (zh) * | 2024-03-01 | 2024-04-30 | 南京满鲜鲜冷链科技有限公司 | 一种基于车载传感器和大数据的货损预测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748693B2 (en) | Supply chain visibility platform | |
US20220317695A1 (en) | Multi-agv motion planning method, device and system | |
CN112348428B (zh) | 集装箱的监控方法、装置、服务器及存储介质 | |
CN110414895A (zh) | 车辆调度***及方法 | |
US8494999B2 (en) | Sensor based truth maintenance method and system | |
WO2015182200A1 (ja) | 情報処理装置、情報提示方法、およびプログラム | |
CN115759500A (zh) | 一种基于优化效率评价算法的智能物流运输方法和*** | |
CN109685411A (zh) | 一种物流货运平台的拼车匹配方法 | |
CN115409439A (zh) | 基于改进蚁群算法的多车型供应链调度方法及电子设备 | |
KR20230053581A (ko) | 딥러닝에 기반한 화물 운송 가격 결정 방법 및 장치 | |
CN114661055A (zh) | 应急物流车辆最优路径规划方法、装置、设备及存储介质 | |
CN117557199B (zh) | 一种基于数学模型的智慧仓储方法、***及存储介质 | |
US20230343083A1 (en) | Training Method for Multi-Task Recognition Network Based on End-To-End, Prediction Method for Road Targets and Target Behaviors, Computer-Readable Storage Media, and Computer Device | |
CN116384853B (zh) | 一种数字孪生智慧物流的管理方法及装置 | |
CN112364262A (zh) | 一种找货路线推荐方法、装置、电子设备及存储介质 | |
CN116523270A (zh) | 一种物流运输任务自动调度方法、设备、服务器及介质 | |
CN114897359A (zh) | 多维数据下整车运力调度方法 | |
JP2024512614A (ja) | 貨物輸送を監視及び自動制御する電子システム | |
RU2720532C1 (ru) | Способ формирования композитного рейтинга субъектов коммерческой деятельности | |
KR102471984B1 (ko) | 하역장 상태에 기초하여 운송 서비스를 제공하는 방법 및 장치 | |
Fang et al. | A multi-criteria system for recommending taxi routes with an advance reservation | |
WO2023084847A1 (ja) | 情報出力方法、プログラム、及び情報出力システム | |
CN114162141B (zh) | 控制方法、装置、***、电子设备、存储介质及车辆 | |
CN112801567B (zh) | 快递派件模式选取方法、装置、计算机设备和存储介质 | |
CN115238206B (zh) | 一种基于群体行为分析的检测点推荐方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |