物流调度问题论文（共8篇）
物流调度问题论文 篇1
1 物流配送概述
配送是以用户需求为前提,对货物进行挑选、包装和分配等一系列工作,并将其送至指定地点的活动。配送是物流活动的核心环节,需要完成货物的包装、保管、运输和装卸等多项任务。配送的基本要求是保证货物的种类和数量没有差错,在此基础上保证能够按时送达客户。在实现这两个保证后,力争寻求到更加节约成本且更为快捷的配送方案,以实现利益的最大化。而在整个物流配送环节中车辆调度问题最为重要,与经济效益密切相关。
从1959年首次提出物流配送车辆优化调度问题直至发展到今天,物流配送行业一直致力于在满足一定约束条件下(包括用户需求和现实因素的限制等),选取最为合适的行车路线,争取最大面积覆盖取送货点,优化各项指标,最终实现效益的不断攀升。
2 车辆优化调度问题概述
车辆优化调度问题根据时间特征的差异可分为车辆调度问题VSP(Vehicle Scheduling Problem)、车辆路径规划问题VRP(Vehicle Routing Problem)以及有时间窗的车辆路径问题VRPTW(Vehicle Routing Problem with Time Windows)。其中VSP问题侧重于考虑时间上的要求来安排运输线路;VRP问题不考虑时间因素,仅从空间上对问题进行优化,目的在于令安排的路线更加合理;此外,由于VRP问题的不断发展,在原本根据空间来安排路径的基础上,加上时间上的排程考虑,便成为有时间窗的车辆路径问题VRPTW,特点在于在车辆途程问题之中加入时间窗的限制。
也可进行如下分类:
(1)按送货计划安排分为纯装问题、纯卸问题和装卸混合的问题。区别在于安排纯装问题和纯卸问题的车辆允许在所有任务点装货或卸货。而装卸混合问题比较复杂,装货和卸货可能同时进行,并没有严格界定。
(2)按车辆的装载货物量分为满载问题和非满载问题。安排满载的车辆完成任务时可能需要多辆车,而安排非满载的车辆完成任务时,多项任务仅需一辆车就能完成。
(3)按车辆类型分为单车型问题和多车型问题。单车型要求完成此次任务的所有车辆,其容量完全相同,而多车型并没有此要求,可以搭配安排。
(4)按优化指标多少分为单目标优化问题和多目标优化问题。单目标优化问题仅要求一项指标最优,通常这项指标是该次任务最为重要的指标,而多目标优化问题将考核目标范围扩大,要求多项指标最优或较优,如既要求路途短,又要求运费少。
(5)按时间窗要求分为硬时间窗问题、软时间窗问题。硬时间窗要求车辆必须完全遵照时间安排,早到必须等待,而晚到则拒收。而软时间窗相对灵活一些,可以不在时窗内到
3 车辆优化调度问题研究
车辆优化调度问题可通过精确算法和启发式算法来进行求解。精确算法是根据问题建立数学模型,然后进行求解,具体方法都有割平面法、线性规划法、动态规划法等,精确算法由于设计过于理想,并不具有普遍适用性。启发式算法结合直观情况和经验,是一种逐步逼近最优解的算法,具体方法有构造算法、神经网络法、遗传算法等,启发式算法更为接近实际生活情况,适用范围广泛,正是我们研究的重点所在。
在此介绍几种常用的优化算法:
3.1 遗传算法
J.Holland教授于1975年首次提出遗传算法(Genetic Algorithm,GA),遗传算法源于物种进化的自然选择理论,结合物种进化过程中适者生存规则以及染色体中随机信息的交换,发展形成的一种智能算法。遗传算法的基本思想是:从群体中选择较为适应环境的个体用于繁殖下一代,对选中个体进行交叉、变异等操作,以适应度为选择原则,通过算法的迭代选取最优个体。当最优个体的适应度不再变化时迭代结束,得到全局最优解。遗传算法广泛应用于多项领域,属于智能计算的关键技术。
优点是具有鲁棒性,全局搜索能力强,耗时较短,但是不能保证每次搜索结果一样。
3.2 模拟退火算法
N.Metropolis于1953年首次提出模拟退火算法(Simulated Annealing,SA),模拟退火算法的基本思想是:首先,给定一个初始状态,并设定初始温度和降温次数,同时在邻域范围求出另一个解,结合控制参数选择接受或舍弃,经过反复实验后,求得参数控制下的相对最优解;下一步,构造降温函数,不断减小控制参数的值直至为0,此时获得的解即为全局最优解。前半部分是通过加热增加物体能量;后半部分是通过降温来减少物体的能量。对照数学模型,所构造的目标函数就是物体的能量,故求最优解的过程就是求能量最低态的过程。
优点是有很强的全局搜索能力,但是由于允许移动到较差的解,所以会出现接受目标值不好的状态,仅产生局部最优解,导致求得全局最优解要花费较长时间。此外模拟退火的有效性与邻域的选择相关,若邻域的设计范围合理,算法将更为优越,反之,会影响获得的结果。
3.3 蚁群算法
M.Dorigo于1992年首次提出蚁群算法(Ant Colony Algorithm,ACA),蚁群算法源于蚁群在觅食时发现最短路径的行为,蚁群通过寻找信息素浓度最高的路径,从而找到最佳路径,蚁群算法是一种模拟进化算法。蚁群算法的基本思想是:首先,将多只蚂蚁分别放在不同的初始点处,设定顶点也置于当前解集中,蚂蚁从初始点开始转移,直到所有的点都已存在于解集中,得到各只蚂蚁的适应度,记录下当前最优解;然后更新信息素,迭代结束后,求出种群进化后的最优解,便得到问题的最优解。
优点是求解结果不依赖于初始线路,且不需要人为参与调整,设置较为简单,但需要不断调整变量,过程繁琐,任务量大。
4 当前研究中存在的问题
当前对于物流配送车辆优化调度问题的研究,模型设计比较简单,而且将影响因素孤立开来,使得构造的模型与现实复杂的情况出入较大。其次,典型模型的设计与实际情况不符,如典型模型默认是集货送货一体化的问题。实际上,大部分物流公司的业务是集货任务、送货任务、集送一体化任务混合在一起的,在物流配送中需要综合考虑,统一安排车辆。另外,在模型的设计中并未考虑到一些突发情况,过于公式化,导致在实际应用中比较局限。
5 车辆优化调度问题研究展望
针对当前研究中存在的问题,要想把研究真正与实际相结合,更具有应用价值,应该注重对研究问题的描述,建立与实际情况相符合的模型。其次,鉴于道路交通状况对调度的影响越来越大,将实时交通状况与车辆调度问题相结合是十分有必要的。
物流业和配送业近几年在我国迅速崛起,车辆优化调度问题也日益重要。但是由于我国在这方面起步晚,发展速度缓慢,无法满足日益增长的需求。同时对于通用理论的研究较少,对于应用性研究也过于局限。因此,有必要将研究的部分重心转移到通用性好、运算速度快且精度高的优良算法上来,以缩短存在的技术差距,健全快速发展的物流业,促进经济的进一步发展。
参考文献
[1]张强,荆刚,陈建岭.车辆路线问题研究现状及发展方向[J].交通科技,2004,(1):60-62.
[2]胡大伟,朱志强,胡勇.车辆路径问题的模拟退火算法[J].中国公路学报,2006,19,(4).
[3]唐小明,郭晓汾.基于物流配送服务水平多指标的车辆模糊优化调度[J].西安工业学院学报,2005,25,(3).
[4]骆义,谢新连.物流配送车辆调度优化研究[J].大连海事大学,2003,(3):7-12.
[5]宋华,胡左浩.现代物流与供应链管理[M].北京:经济管理出版社,2000,11,4.
[6]Hwang H S.An improved model for vehicle routing problemwith time constraint based on genetic algorithm[J].Computers&Industrial Engineering,2002(42):361 369.
物流调度问题论文 篇2
在竞争日益激烈的现代商业信息社会,企业只有以市场为核心去适应不断变化的环境并及时对市场做出反应,才能在竞争中立于不败之地。物流管理正是以实现上述要求为目标。合理使用调度运输工具,优化运输路线,降低企业物流成本,是物流管理的重要功能。由于对物流管理中的车辆调度问题的研究对社会经济发展具有举足轻重的作用。因此,国内外学术界对物流运输系统的调度优化问题十分关注。配送是物流系统的一个重要环节,配送业务中,配送车辆调度问题的涉及面广,是配送系统优化的关键,具有很大的分析价值。本文正是基于这个原因才对车辆调度问题进行研究。
2 车辆调度问题的概述
物流配送车辆优化调度问题最早是由Dautzig和Ramser于1959年首次提出的,称之为Vehicle Routing Problem(简称VRP)[1]。
VRP问题一般定义为:对一系列给定的顾客(取货点或送货点),确定适当的配送车辆行驶路线,使其从配送中心出发,有序地通过它们,最后返回配送中心,并在满足一定的约束条件下(如车辆容量限制、顾客需求量、交发货时间等),达到一定的目标(如路程最短、费用最少等)。
车辆的优化调度问题主要探讨:组织的行车路线,能否使车辆在满足一定的约束条件(如需求量、发送量、车载容量限制、行程限制、时间限制等)下,有序地通过一系列供应点或需求点,达到诸如路程最短、费用最小,耗费时间尽量少等目的[2,3]。
自VRP被提出之后,人们在解决VRP问题的时候,综合考虑多方面的因素,如有无时间限制、纯装纯卸或是混合装卸、是满载或是非满载、车型是单车型或是多车型、是单配送中心或是多配送中心以及车辆配送完是不是必须返回原始配送中心等。
2.1 车辆调度问题的分类[4]
车辆调度问题可以细分为VSP(Vehicle Scheduling Problem,即车辆调度问题)和MTSP(Multiple Traveling Salesman Problem,即多旅行商问题)。但是按照大多数人的习惯,对这几类问题不做严格细分,仍统称为车辆调度问题(即VRP问题)。
车辆调度问题可以根据不同性质划分为以下几类:
有无时间限制问题,即我们所说的有时间窗车辆调度问题和无时限车辆调度问题,是指配送货是否必须在一定的时间限制内完成。对有时间窗的车辆调度问题又可以分为硬时间窗问题和软时间窗问题。而硬时间窗问题是指运输任务必须在规定的时间内完成;软时间窗问题是指任务不一定非得在规定的时间内完成,但是超过规定的时间,则会受到一定的处罚。
纯装问题或纯卸问题,即车辆在所有任务点装货或卸货,即集货或送货问题;而装卸混合问题,则是指每项任务有不同的装货点和卸货点,即集货、送货一体化问题。
满载问题,即货运量不小于车辆容量,完成一项任务需要不只一辆车;而非满载问题,则是指货运量小于车辆容量,多项任务用一辆车。
单配送中心问题和多配送中心的问题,则是考虑客户与配送中的距离长短,以便节约企业运输成本、提高运输效率。
单车型问题即所有车辆容量相同,而多车型问题即执行任务的车辆容量不全相同。
车辆开放问题即车辆可以不返回其发出车场,而车辆封闭问题是指车辆必须返回其发出车场。
综上所述,车辆调度问题涉及的内容较广,包括中国邮递员问题、旅行商问题、指定两点之间的最短距离以及任意两点之间的最短距离等问题,所以研究起来较复杂。
2.2 VRP研究动态及水平
车辆调度问题自被提出来以后,近二十年来,无论是国外还是国内,它都是一个发展活跃的一个领域。在国外,VRP问题已经广泛的应用于实际生活,如邮局的邮件递送业务、超市的商品供应、牛奶站的牛奶送达业务、工业产品的传输、快递公司的运输安排,并取得了很大的经济效益。
VRP问题自从被提出以来,由于其应用的广泛性和经济上的重大价值,一直受到国内外学者的广泛关注。在经典VRP的基础上,车辆路径问题在学术研究和实际应用上产生了许多不同的延伸和变化型态,包括TSP(可看作VRP的一个特例,即当VRP只包括一条路径,且没有能力约束时就成为TSP)、带时间窗的车辆路径问题(Vehicle Routing Problems with Time Windows,VRPTW)、,随机需求车辆路径问题(Vehicle Routing problem with Stoehasti Demand,VRPSD)、动态车辆路径问题(Dynamic vehicle Routing Problems,DVRP)等[5,6]。早在60年代Clarke和Wright就提出的节约法(Saving Method)。1962年,Balinski等人首先提出VRP的集分割,直接考虑可行解集合,在此基础上进行优化,建立了最简单的VRP模型。1971年,Eifon等人提出将动态规划法用于固定车辆数的VRP,通过递归方法求解。其后,Christofields提出了状态空间松弛,极大地减少了状态数量。1974年,Gillet和Miller提出的扫描法(Sweeping Method)。1981年,Christofides等人提出了k度中心树和相关算法,对固定车辆数m的m一TSP进行k度中心树松弛。后来,M LFisher对这种方法做了进一步改进,可求解有134个客户的VRP。1991年,Gendrean等人[8],将禁忌搜索方法应用于VRP。其后E Tailiard等人[9]。通过按角度和路径重心对原问题的空间进行分割,再用禁忌搜索结合模拟退火对子问题求解,实现了对问题求解的并行化。1996年,J.Lawrence[10]将遗传算法用于VRP的研究,并可有效求解带时间窗口的VRP。
此外,国外从实用化角度开展的研究也比较多,研究者将模型和算法方面取得的进展应用于很多具体问题。也由此诞生了一些为企业车辆路径提供服务的专业化公司,开发了各具特色的车辆路径软件,比较著名的有:美国ES班公司的Aiclogisties系统,Roadnet科技公司的Roadnet5000系统,Routesmart科技公司的Routesmart系统,Optrak软件公司的OPtrak系统,IBM的VSPX系统,美孚的HPCAD系统,另外还有日本富士通的VSS系统等。
国内VRP的研究起步较晚,国内也有一些对车辆调度进行的研究。李大卫等以TSP的最近距离启发式算法为基础,通过设置评价函数来处理时间窗约束,求解了简单的VRP[7]。张震针对单车场满载问题,提出了考虑运输行程约束的优化方法。蔡延光等应用并行禁忌搜索算法和模拟退火算法对满载问题进行了求解[20]。刘浩等用模拟退火算法求解了两车型随机需求的VRP[11]。张涛等用禁忌搜索算法和遗传算法的混合策略求解了VRP[20]。王莉用启发式算法求解了有时限的VRP[13]。袁健等用神经网络法求解了VRP[14]。姜大立、李大卫分别用遗传算法求解了无时限和有时限的物流车辆调度问题。近年来,郭耀煌、李军、谢秉磊等对物流车辆调度问题进行了较为深入的研究,提出了多种求解算法。周双贵对物流车辆调度问题的模型和求解方法也进行了较为深入的研究[19]。
2.3 车辆调度的目标
车辆调度的目标是以尽量少的路径距离、费用消耗、时间消耗和所需车辆数来可靠地完成汽车调度和货物配送任务。
3 车辆调度问题的研究方法
车辆调度问题的求解算法包括精确算法和启发式算法两个类别。由于车辆调度问题是NP-hard问题,存在高效的精确算法的可能性不大。因此,学者们主要将精力集中在构造高质量的启发式算法上。
3.1 精确算法
精确算法是指可以求出其最优解的算法,主要有:
1) 分枝定界法
此方法是一种隐枚举法或部分枚举法,它不是一种有效算法,是枚举法基础上的改进,是求解整数规划的较好方法。Kolen曾利用此方法求解有时间窗约束的车辆巡回问题,其实验的节点数范围为6~15。当节点数为6时,计算机演算所花费的时间大约1分钟,当节点数扩大至12时,计算机有内存不足的现象产生,所以分枝定界法比较适用于求解小型整数规划问题。Held和Karp指出分枝定界法的求解效率与其界限设定的宽紧有极大的关系,所以分枝定界法比较适用于求解小型问题。
2) 割平面法
此方法与分枝界限法类似,也是在求解与整数规划相对应的线性规划上,不断地增加新的约束,也就是另外加入线性约束条件,以切掉对应于非整数规划的所有可行解的集合,以使问题可达到整数线性规划求解的形式,从而获得最优解。求解时间过长,不适用于大规模问题。
3) 动态规划法
该算法解题的基本思路是将一个n阶段的决策问题转化为依次求解n个具有递推关系的单阶段的决策问题,从而简化计算过程。因其复杂性在于各阶段决策之间的相互联系,而且计算时间与计算机内存空间均随变量的增加而里指数增加.所以虽然此方法可求得最优解,但仅适用于较小规模的寻优问题。第一个VRPTW最优化算法是Kolen等在1987年提出的动态规划算法。
精确算法的计算量随着车辆优化问题规模的增大呈指数增长,如当停车卸货点的数目超过20个时,采用一般的精确算法求解最短配送路径的时间在几个小时以上。所以精确算法不适合于求解大规模的车辆路径优化问题。
3.2 启发式算法
3.2.1 传统启发式算法
传统的启发式算法在求解VRPTW问题时通常是从初始解出发,以邻域搜索的方式实现解的改进,并在较短的时间内获得一个可以接受的解。
1) 节约算法(Saving Method)
算法思想是将每条路线只含一个配送点的n条路线作为初始解,其中,每条路线中第一个和最后一个配送点分别称为路线的起点和终点。考察一条路线的起点与另一条路线的终点相连合并成新的一条路线。如果合并后的路线满足约束条件(车辆容量、时间窗),则认为这样的合并是可行的,并将合并的节约值定义为连接这两条路线的边的节约值。选择节约值最大的可行合并进行一次路线的合并。当不存在可行合并时,算法结束。此方法的优点是可提高车辆的利用率。
2) 邻接算法(Nearest-Neighbor)
邻接算法是一种序列构造路线法。算法从一条只含一个配送点的路线出发(通常取“距离”配送中心最近的点)。在未分配点中筛选出可加入点(未分配点且可行),并从可加入点中选取一个点作为当前路线的终点,使得路线的成本最小。如此不断对路线进行扩充,直到路线不存在可加入点为止。这时,如果所有点均已分配,则算法结束;否则,生成一条新的初始路线,重复前面的路线扩充程序。
3) 插入算法
插入法是结合邻接算法与节约算法的观念,依序将顾客点插入路径中以构建配送路线。它的流程与邻接算法相似,也是从初始路线出发,序列构造路线。并在不存在可行插入时新增一条初始路线。插入算法的关键是选择最合适的未分配点在路线中进行最佳位置的插入。
4) 扫除算法
扫除算法是一种“先分组后路线”的算法。所谓分组,即指分派给每辆车一组点。一种简单的分组方法是将以车站为原点的坐标平面划分为多个扇形区域,并初步将每个扇形区域的点分派给一辆车。而所谓的“路线”,是指在每个区域内,采用扫除法选择未分配点,然后应用插入算法扩充路线。如果在进行了一次“分组——路线”的路线构造后,还存在未分配点,则再进入“分组——路线”程序。如此反复,直到所有点均已分配为止。
3.2.2 现代启发式算法
相对于传统启发式算法,现代启发式算法不要求在每次迭代中均沿目标值下降方向,而允许在算法中适当接受目标值有所上升甚至不可行的解,其目的是能够跳出局部搜索邻域。
1) 禁忌搜索算法(Tabu Search,TS)
禁忌搜索算法是局部搜索算法的扩展。该算法通过利用一个禁忌表记录已经到达过的局部最优点,并在后面的搜索中,根据某种限制循环的规则和禁忌表中记录的信息在当前搜索邻域中取一个合适的解。
2) 遗传算法(Genetic Algorithms,GA)
遗传算法是借用适者生存规律进行局部搜索改进的一类算法。该算法通过染色体的配对和变异过程实现种群的进化,每一次进化则对应解的一次迭代。当迭代次数达到最大次数限制或群体中的个体无显著差异时,迭代终止。
3) 模拟退火算法(Simulated Annealing,SA)
1996年,Chiang和Russell提出VRPTW问题的模拟退火算法。模拟退火算法实际上是一种随机松弛技巧,它模拟了退火过程。在搜索的初始阶段,算法跳向远点,随着时间的延伸或“降温”,跳跃幅度逐渐减小,最终转向局部搜索下降方法。
4) 蚁群算法(Ant Colony Optimization,ACO)
蚁群算法模拟了蚁群搜索食物的行为。在寻找食物时,蚂蚁会在它所经过的路径通过排放一种外激素(pheromone,在算法中称为信息素)作出标记,排放的量则根据路径长度和食物的等级决定。这些外激素为其它蚂蚁提供信息,并吸引他们前去搬运食物。算法中,首先构造两组相互协作的人工蚁群,其中第一个蚁群用于最小化车辆数,第二个蚁群用于最小化总路长。并以共用解的方式建立协作关系。
4 各种车辆调度优化算法的比较分析
大家知道,各种优化算法都有其一定的不足之处,不然的话也就不会有这么多的优化算法了。各种优化在一定时期、一定的情况下都有各自的优点,都有解决某一类问题的优越性,但随着发展的需要,对优化方法的要求也就越来越高了。下面对上面所述几种优化方法进行比较分析,通过表格的形式来展现各自的特点。
通过表1我们可以看出精确式优化算法求解是最优解,但只适用于小规模的VRP问题,而不适用于求解复杂的VRP问题,求解复杂的VRP问题时费时又费力,且难以实现。
物流调度员岗位职责 篇3
1、与下游客户确认次日发货计划及目的地，提前安排车辆确保运输任务。
2、与上游厂家衔接并协调当日计划按时发车；
3、负责目的地运费、运距确认并建立相应的台帐；
4、负责与监控员沟通掌握LNG运输从装车到卸车期间车辆信息；
5、处理突发工作：如下游目的地变更、车辆无法按时到达气源地、车辆临时调配等；
6、与其它物流公司保持紧密联系，与监空员和客服做好沟通工作。
7、完成经理安排的其它工作。
物流监控员岗位职责：
1、负责24小时监控车辆的运行情况，发现问题及时处理。发现重大安全隐
患及时向领导汇报。
2、负责GPS平台正常使用及维护，发现系统不能正常工作应及时与运营商
联系保证监控平台的运转正常。
3、坚守工作岗位，严禁擅离职守。做好车辆监控日常记录和上下班交接。
4、负责不同路段时速限定，发现超速行驶应及时联系司机，并将监控信息
按时录入工作平台内。
5、严禁将平台使用权交与无关人员操作、查阅。
6、严守岗位职责和职业道德，不得徇私舞弊、隐瞒不报或弄虚作假。
7、定期向公司只能部门送报监控资料，严禁私自篡改各种平台资料。综合文秘岗位职责：
一、文员岗位职责：
1、接听、转接电话；接待来访人员。
2、负责办公室文件、合同的整理归档以及机要文件的保密工作。
3、负责公司全体员工的后勤保障工作，包括订水、订票、复印、邮寄、交
电话费、办公用品采购、打印机维护等。
4、负责总经理办公室卫生工作。
二.、客服岗位职责：
1、负责与上下游客户保持良好的沟通关系，及时掌握下游客户用气需求和
上游客户的装气量。
2、负责与调度沟通，及时掌握发车信息确保下游客户的购气计划完成。
3、不定期回访客户，虚心听取意见，诚恳接受批评，采纳合理化建议，做
好回访记录
4、起草书面文件，及时整理相关文件做好归档。
5、做好每天台帐统计统计工作，掌握款项动态信息。
6、定期与客户进行对账工作，做好发票及款项的统计工作。
物流配送的车辆调度排班问题分析 篇4
将目标货物从发货人送至收货人的过程被称为配送。由于配送最终的目标是收货人,即为消费者,因此,配送也是物流系统中的一个至关重要的步骤。配送不仅仅局限于配货和送货。满足客户的需求,配送需要在满足客户对货物种类数量的基础上,在保证按时送达客户的基础上选取更快,更节约成本的配送方案,实现利益最大化。
2 物流配送的流程
随着物流配送的发展,现代的物流配送水平的提高,货物流通性大大增强,配送环节取代存储环节成为物流中最重要的部分。而作为配送的核心配送车辆对货物的集货、配送和送货过程越来越被重视,如何选取最优配送路线,是对整个物流质量的考验,关系着物流整体的运输速度,服务成本和经济效益。随着电子商务的崛起,许多国外物流企业如UPS、Fed EX、德国邮政等公司已经从单纯的配送业转型成为以集货作业和配货作业作为主体的新物流模式。
3 车辆优化调度问题的现状
在我国境内,车辆调度问题的发展比国外晚发展近乎三十年,所以现在我国对于较为复杂的车辆调度路径问题研究还是相对落后。由于我国对这方面研究起步较晚,对于通用理论研究不够深入,再加上我国对于应用研究的问题提出虽多但在具体算法上的改进并没有创新,所以我国在车辆优化调度的问题上根本无法满足配送业和物流业的发展需求。随着物流业在市场上的地位日益重要,为了克服我国在车辆优化调度上局限性较强的弱点,我国逐渐开始对车辆优化调度问题进行深入的研究。
4 配送的算法
例如在现实生活中,会有配送中心的多台配送车辆为多家客户送货的情况,如果每个客户的位置和货物需求量一定,运输车的容量相同,每辆车运送货物后要返回配送中心,为防止超载,在考虑配货的同时更应注意每条配送路径上客户的需求量之和不能大于运输车的载量,更要满足每个客户需求。解决此类调度问题有很多方法,根据这些方法在算法上的本质研究可分为三大类,即精确算法、启发式算法、动态求解算法。
4.1 精确算法
精确算法又称最优化算法,是指求出最佳解的算法。其算法有很多,比如切割平面法,网络流算法等。
精确算法有一个弊端,就是其计算量随着需要解决的问题规模的增大而大幅度的增大。由于这个弊端,精确算法只能适合解决规模较小的问题。因为精确算法适应能力较差一般这种算法最适合解决一个特定的问题,所以在实际应用中这种算法不是很受提倡。
4.2 启发式算法
启发式算法完全不同于精确算法,它追求的是解决问题的满意性而不是最优性。它是一种用直观、经验构造出来的算法。到目前为止,启发式算法已经有好多种,最主要是以下两种算法。
构造启发式算法,其实质就是按照标准将不在同一条线路的所有点逐个的增加进来。在算法的每一步上,都要将当前的线路构形和另外的线路构形比较后,综合改进得到最后可行的构形。这类算法的的代表算法是:最邻近法、扫描法、节约法等。
智能化启发式算法就是在人工智能的启发式算法的基础上发展的。它的主要算法有:蚁群算法、神经网络算法等。
5 动态优化策略
动态车辆调度问题相对前两种比较其问题的规模较大解决起来相对比较困难些。并且这种算法的要求是在短时间内就要相应的实时信息。从求解策略上把动态求解算法分为重新优化策略和局域优化策略。
5.1 优化策略
重新优化策略就是当接收到一个新的实时信息时,要重新开始寻找始发到结束的最优车辆的行车路径。实质就是静态方法解决动态问题。研究运送大宗商品的车辆调度问题就是一个较为成功的运用重新优化策略的例子。还有在动态单车问题上,采用了乘子调整技术的静态算法。其算法过程是:当有新实时信息时,就采用动态重新优化法解决,可是这种算法最多能解决十种问题。
局域优化策略的实质是:提前拟定一些路径的模板,当收到实时信息时,就在提前拟定的模板里进行搜索,找个适合的路径进行使用。这种策略和重新优化策略相比较,路径可能是较差的,但是计算量是大大的减少了,从而节约了许多的时间。局域优化策略在实际的车辆调度上比较适用,所以受到重视和进一步的研究。
5.2 实际问题的解决
现代物流企业的核心任务就是合理优化配送资源。在终端物流企业配送的体系中,货物的配送是由总仓库运输到子库,子库到各大营销点。这个过程中的运用统筹学中的知识解决配送安排运输的问题,这个问题P可以这样描述:设子库的集合是A,配送车子的集合是B,A和B集合中的元素是一一对应的。现在有n项运输任务,其总集合记作N,将货物需求量的总集合记作G。将以上的零售点、子库道路、车辆、运输任务、货物运输这些量制作一个网络图。这个任务的要求是所有的参与配送车辆的任务中,需要的配送车辆数、运货的数量、运输路线等顺利完成后使其总的费用是最少的。
对于上述的终端物流配送的显著特点是面向对象是零售户,零售户的特点就是对货物的需求量很少。因为这个,所以这个问题就转变成了一个非满载的车辆调度问题。这个问题比较复杂,其复杂在每个子库就是一个MTSP,这个TSP的特点是可以有重复的路线。在这个问题上,一辆车的载量是有限的,而且每个零售点的需求又是固定的。从上述可以证明这个问题又是一个非确定性多项式NP,在求其解的过程中,计算量的大小变化是随着点n的增长而增长,并且还是呈指数倍增长的,这就给计算增加了许多困难。
通过对上述问题的分析,实属NP难题,由于实际应用中点的个数n会不断的增大,这就给计算最优解造成一定的困难。我们可以按照这样的思路进行分析求解,将问题P简化成四个问题,即子库分派、车辆分派、线路确定、迭代优化。通过对这四个问题的分析,针对每个问题,根据集合的划分,利用适合解决问题的算法进行求解,严格按照各个算法的实现步骤,最终达到解决总的NP问题的效果。
对于问题P来说,要想解决它就要求出各点之间的最短距离,不论采用的是什么算法,这时间复杂度大约是O(n3)[6]。在上面的算法中,在经过P1到P2过程中就减少变量N的数值,最后使得终端物流配送N的值建好为70左右。因为P3的时间复杂度为O(n4),相比较后可以看出这个算法是可行的。在算法中只要确定了P2,还安排最优的P3的线路,这样整体的优化程度已经完成。NP问题中的车辆分派算法有效的在一开始就得到了较优解。因为在P1到P3问题的解决上得到的都是较优解,所以对于P4问题可以根据具体情况选择执不执行。通过对上述问题的模拟试验,大量的配送计算问题可以在仅仅15分钟内完成。
6 结语
随着物流业和配送业在市场上的发展需求逐步扩大,车辆优化调度问题就日益重要。国外在车辆优化调度问题上发展较快,已经在生产和生活方面广泛应用并且得到了很好的经济效益。可是我国在车辆优化调度问题上的发展起步较晚,发展速度相对较慢,不能满足我国经济发展的需求。所以为了使我国国民经济发展迅速、人们生活质量的提高,就要在物流配送业上大力研究发展车辆优化调度问题。其主要研究方向就是:根据车辆优化调度的分类标准,以及各类问题上的特点应该按照何种算法进行优化;在基本算法的基础上针对特点问题如何改进;在不同地理环境和运输特点的基础上结合车辆优化调度问题上的优化算法,设计出更加适用的优良算法。按照这个方向研究发展,车辆优化调度的问题在现实生活中的意义会更加重要。
参考文献
[1]郎茂祥.配送车辆优化调度模型与算法[M].北京:电子工业出版社,2009,6.
[2]张之富,余静.基于改进遗传算法的车辆优化调度研究[J].中国水运,2009,(4),113-115.
物流配送车辆优化调度问题的探讨 篇5
1.1 物流配送的基本概述
将目标货物从发货人送至收货人的过程被称为配送。由于配送最终的目标是收货人, 即为消费者, 因此, 配送也是物流系统中的一个至关重要的步骤。配送不仅仅局限于配货和送货。满足客户的需求, 配送需要在满足客户对货物种类数量的基础上, 在保证按时送达客户的基础上选取更快, 更节约成本的配送方案, 实现利益最大化。
1.2 物流配送系统的优化
为找到一个最佳的物流配送方案, 应该从以下几个方面着手:配送车辆的调度, 对集货线路的选取, 对送货路线的选择, 实现集货—送货相统一。对配送系统的优化不仅可以增加物流的经济效益, 更有助于实现科学化、现代化物流管理, 显著提升物流的服务质量, 提高物流公司信誉, 从而有效地降低物流成本。
1.3 物流配送的流程
随着物流配送的发展, 现代物流配送水平的提高, 货物流通性大大增强, 传统的存储环节作用正逐渐式微, 也使得配送环节取代存储环节成为物流中最重要的部分。而作为配送的核心配送车辆对货物的集货、配送和送货过程越来越被重视, 如何选取最优配送路线, 是对整个物流质量的考验, 关系着物流整体的运输速度、服务成本和经济效益。随着电子商务的崛起, 以集货作业和配货作业为主体的新物流模式已然形成。
2 车辆优化调度问题的分类和优化算法
2.1 车辆优化调度问题的分类
根据不同的性质, 可将车辆优化调度问题分成不同的类型。
按照运输任务可将车辆优化调度问题分为三类, 即纯装、纯卸、装卸混合三类问题。
按照车辆的载货情况可将车辆优化调度问题分为两类, 即满载、非满载问题。满载是指货量大于车载量, 需要多辆车运输。非满载是指车载量大于货量, 一辆车就能完成任务。
按照车辆类型可将车辆优化调度问题分为两类, 即单车型、多车型问题。
按照车辆是否返回可将车辆优化调度问题分为两类, 即车辆开放 (车辆不返回) 、车辆封闭 (车辆返回) 问题。
按照优化的目标可将车辆优化调度问题分为两类, 即单目标、多目标问题。
按照有无休息时间可将车辆优化调度问题分为两类, 即有休息时间调度、无休息时间调度问题。
2.2 车辆优化调度问题的优化算法
2.2.1 精确算法
精确算法又称最优化算法, 是指求出最佳解的算法。其算法有很多, 比如切割平面法、网络流算法等。
精确算法有一个弊端, 就是其计算量随着需要解决的问题规模的增大而大幅度的增大。由于这个弊端, 精确算法只能适合解决规模较小的问题。因为精确算法适应能力较差, 一般这种算法最适合解决一个特定的问题, 所以在实际应用中这种算法不是很受提倡。
2.2.2 启发式算法
启发式算法完全不同于精确算法, 它追求的是解决问题的满意性而不是最优性。它是一种用直观、经验构造出来的算法。到目前为止, 启发式算法已经有好多种, 最主要是以下两种算法。
构造启发式算法, 其实质就是按照标准将不在同一条线路的所有点逐个的增加进来。在算法的每一步上, 都要将当前的线路构型和另外的线路构型比较后, 综合改进得到最后可行的构型。这类算法的代表算法是:最邻近法、扫描法、节约法等。
智能化启发式算法就是在人工智能的启发式算法的基础上发展的。它的主要算法有:蚁群算法、神经网络算法等。
启发式算法在解决大规模的PDPTW问题上分为经典启发式算法和现代启发式算法。
经典启发式算法主要有路径构造算法和路径改造算法等。路径构造算法其实质就是分解算法, 就是将一个问题分为两个阶段 (路由和排序) 来解决。路径改造算法是在路径构造算法上改进的, 其第一个阶段就是找到一个可行解, 下一阶段就是调整客户端, 在满足可行的条件下, 对路径进行调整, 使其比当前路径更加优化, 一直按照这样优化下去, 直到不能优化为止。
现代启发式算法中, 最主要的就是禁忌搜索算法和模拟退火算法。
禁忌搜索算法是禁忌搜索算法的一种变形, 是现代局部搜索技术的一种。其实质是近期被多次循环搜索过的算法被禁用。它的优点是减少需要考虑的移动次数, 最终达到减少计算时间的目的。改进阶段和混合阶段是禁忌搜索算法的主要步骤, 一个是得到最优解, 另一个是跳出最优解。
模拟退火算法。其算法具体过程是:在随机产生的可行解, 每次循环时都随机挑选出一个好的和一个较差的可行解, 这样就避免陷入局部最优解里。这个算法的弊端就是执行起来速度较慢。基于这个弊端提出了好几类优化后的算法, 这些算法在实际应用中都很有效果。
2.3 动态求解算法
动态车辆调度问题相对前两种比较其问题的规模较大解决起来相对比较困难些。并且这种算法的要求是在短时间内就要相应其实时信息。从求解策略上把动态求解算法分为重新优化策略和局域优化策略。
2.3.1 重新优化策略
重新优化策略就是当接收到一个新的实时信息时, 要重新开始寻找始发到结束的最优车辆的行车路径。实质就是静态方法解决动态问题。研究运送大宗商品的车辆调度问题就是一个较为成功的运用重新优化策略的例子。还有在动态单车问题上, 采用了乘子调整技术的静态算法。其算法过程是:当有新实时信息时, 就采用动态重新优化法解决, 可是这种算法最多能解决十种问题。
重新优化策略的缺点是每次接到新的实时信息时都要重新优化设计, 这样下去当接收的实时信息较多时, 其计算量是较大的。当遇到需要迅速解决的问题时, 根本没有时间去进行重新优化, 所以这种算法在实际运用上是不可实现的。
2.3.2 局域优化策略
局域优化策略的实质是:提前拟定一些路径的模板, 当收到实时信息时, 就在提前拟定的模板里进行搜索, 找个适合的路径进行使用。这种策略和重新优化策略相比较, 路径可能是较差的, 但是计算量是大大的减少了, 从而节约了许多的时间。局域优化策略在实际的车辆调度上比较适用, 所以受到重视和近一步的研究。再后来提出的插入法较为适用, 改进后的插入法其具体实现方法是:当接收到新的实时信息时, 不直接进行优化调度, 而是等待以后的需求, 这样就可以降低它的短视行为。还可以把插入法和优化算法结合起来使用, 在对路径优化以后再获得更好的解。
3 车辆优化调度问题的研究现状
物流配送车辆优化调度问题在国外的应用要比国内发展迅速。其发展已经涉及各个领域, 不论是工业材料的运输、网购的货运配送和运输、连锁店的货物发送等这样的大型车辆调度方面, 还是报纸、牛奶投递等这样的小调度方面对于线路优化的运用都会取得较为理想的经济效益。最典型的例子就是全球闻名的沃尔玛特公司, 它们就是运用了最先进的物流配送指挥系统所以才会在同行中遥遥领先。随着对物流配送车辆优化调度问题的深入研究, 物流配送车辆优化调度不仅在汽车领域发展, 现在还应用在了航空、轮船方面。在不久的将来, 相信其发展领域会更加广阔。
在我国境内, 车辆调度问题的发展比国外晚发展近乎三十年, 所以现在我国对于较为复杂的车辆调度路径问题研究还是相对落后。由于我国对这方面研究起步较晚, 对于通用理论研究不够深入, 再加上我国对于应用研究的问题提出虽多但是都是在具体算法上的改进, 并没有创新, 所以我国在车辆优化调度的问题上根本无法满足配送业和物流业的发展需求。随着物流业在市场上的地位日益重要。为了克服我国在车辆优化调度上局限性较强的弱点, 我国逐渐开始对车辆优化调度问题进行深入的研究并且现在已经取得初步的成功。
4 结论
随着物流业和配送业在市场上的发展需求逐步扩大, 车辆优化调度问题日益重要。国外在车辆优化调度问题上发展较快, 已经在生产和生活方面广泛应用并且得到了很好的经济效益。可是我国在车辆优化调度问题上的发展起步较晚, 发展速度相对较慢, 不能满足我国经济发展的需求。所以为了使我国国民经济发展迅速、人们生活质量提高, 就要在物流配送业上大力研究发展车辆优化调度问题。其主要研究方向就是:根据车辆优化调度的分类标准, 以及各类问题上的特点应该按照何种算法进行优化;在基本算法的基础上针对特点问题如何改进;在不同地理环境和运输特点的基础上结合车辆优化调度问题上的优化算法, 设计出更加适用的优良算法。按照这个方向研究发展, 车辆优化调度的问题在现实生活中的意义会更加重要。
参考文献
[1]郎茂祥.配送车辆优化调度模型与算法[M].北京:电子工业出版社, 2009.
[2]冯辉宗, 刘飞.基于遗传算法的配送车辆优化调度[J].计算机集成制造系统, 2004 (12) :34-37.
[3]张之富, 余静.基于改进遗传算法的车辆优化调度研究[J].中国水运, 2009 (4) :113-115.
物流调度中敏捷调度模式设计方案 篇6
1.1总部调度与现场调度模式对比
总部调度在订单量小, 运输关系清晰, 客户对发运指标的要求不高情况下有着较高的效率。但当订单量的迅速增加以及客户对发运时间的要求提高, 为适应新的订单要求, 公司提出了现场调度的新模式。然而在实际操作中, 新模式也同样迎来了新问题。因此, 为了更直观的了解两种调度模式之间的差别以及各自的优缺点, 以寻求实际的解决方案, 对两种调度模式进行了对比。
1.2敏捷调度模式
为解决现场调度模式中存在的问题, 对现场模式在应对紧急情况与运输公司物流资源整合时调度模式进行了一系列的改善。融合总部调度的优点, 从敏捷物流的角度出发, 以第四方物流提供商的眼光看待物流企业的未来, 提出了一套敏捷调度模式, 它相比于总部调度模式和现场调度模式都有明显的优势, 其主要构架和流程如图2-1、图2-2所示。
摘要：本文在汽车产业供应链的物流运作为背景, 以敏捷物流、供应链理论、系统工程理论、集成思想、信息技术等一系列科学知识理论为基础, 根据敏捷物流的特点和需求, 结合当今物流的实际情况, 探索物流敏捷化改造方案, 建立敏捷化的物流集成框架体系, 并对该框架体系中物流运作关键技术进行研究。
关键词：敏捷物流,改造方案,物流运作
参考文献
[1]梁丽芳.敏捷供应链的竞争优势.企业研究, 2003, (9) .
[2]姚建农.大规模定制条件下敏捷供应链系统的构建与优化.技术经济, 2005, (7) .
整车物流智能调度研究综述 篇7
由于业务量的激增, 越来越多的汽车生产企业和汽车物流企业开始重视整车物流环节的成本和效率问题, 在信息技术高度发达的现代物流背景下, 各大汽车企业开始重视整车物流智能调度优化, 以缓解由于原有调度模式不力, 造成的订单延误、商品车质损、订单反应速度过低的问题。整车物流行业中的几大领军企业纷纷开发了自己的整车物流智能调度系统, 如上海的安吉物流有限公司、吉林的长久集团、大众一汽、上海汽车集团等。
二、研究背景
根据北京市政府网站数据, 北京汽车生产基地2010年生产汽车约186.5万辆, 2011年北京生产汽车150万辆, 2012年产量达到167万辆。根据中商情报网数据中心监测, 北京市2013年共生产汽车203万辆。其中, 约75%的汽车要运往全国各地进行销售, 25%在北京当地销售, 销售额达到1600多亿, 每年的汽车物流量是非常巨大的。汽车市场的迅速扩张和汽车进出口的快速增长拉动了汽车物流行业的高速发展。伴随着汽车销量的直线上升, 整车物流行业也相继崛起。
整车物流过程当中, 运输占十分重要的地位, 其成本占整车物流总成本的80%左右。汽车整车物流在整个汽车销售中占据重要地位, 它是将整车经由主机厂、配送中心、经销商、最终传送到客户的一系列活动和过程, 它作为连接主机厂和销售前端的4S店的纽带, 承担着整车运输、仓储、搬运、包装、暂存、集散、零部件配送等一系列与汽车销售息息相关的核心业务。
三、整车物流智能调度研究文献综述
整车物流智能调度系统的优劣直接决定汽车物流配送的效率。目前国内外对于整车物流配送智能化调度的研究, 主要集中在考虑物流车辆行驶路径的车辆配载问题方面。智能化的整车物流配送智能决策支持系统或平台在国内还比较少见。不过已有的从不同角度研究物流调度的文献对本文的研究也有着极大的意义。
1、车辆路线调度问题研究
Dantzing和Ramser (1959) 年首次提出车辆调度问题, 由此学术界开始系统研究车辆调度难题, 其中应用数学、组合数学、计算机应用、运筹学等相关学科的专家利用专业理论方法做了大量理论分析和实证研究, 在车辆调度问题研究中取得了丰硕成果。
不同的学者以不同的角度, 对车辆调度问题上都做出了相关定义。本文认同的学术定义为:车辆调度是指为达到特定的目标, 在满足一定约束条件的前提下, 统筹安排发货点或收货点行车路线的一系列活动。
刘林 (2007) 基于遗传算法和组合优化理论, 将Pareto解加入到了遗传过程对于算法过程进行了一定的改进, 通过分别优化分配和运输这两个汽车调度过程, 来寻求汽车调度中问题中的解决方案。
纪寿文等 (2003) 分析了货运车辆调度问题的不同类别以及求解货运车辆优化调度问题常用的方法。
丁源等 (2004) 针对物流系统当中运输工具利用率和行车路线的优化问题, 提出利用扫描法来相关获得问题的满意解。
傅铅生等 (2005) 利用逐步调优法求解使运输车辆数保持均衡的模型。
2、调度车辆配载问题研究
王玲玲, 覃运梅 (2008) 针对应急系统中, 单出救点、多受灾点应急物资配送问题, 在满足时间约束条件下, 建立以应急出救总行程最短和应急车辆数最少的双目标模型。在判断各受灾点的配送方式基础上, 考虑车辆体积、载重、时间限制, 采用改进的动态聚类算法分派车辆的配送任务, 引入惩罚函数调整可行解, 再用最短路方法求出车辆的行车路线。用算例验证所建模型的合理性与算法的有效性。
孙晓静 (2013) 将滚装船配载问题归类成背包问题, 并进行算法设计, 通过大量的仿真实验以及与现实的调度规则对比来验证算法的有效性和实用性, 在合理的计算时间内就可找到高质量的近似解。
张腾松 (2012) 分析了SQ公司整车物流路径现状, 在引入约束条件, 即一定容量限制的路径规划问题, 建立数学模型, 利用节约里程法求解路径规划问题。最后根据实际算例, 提高数据的有效性, 得出满意解。
覃运梅, 王玲玲 (2009) 在数学模型中以双目标函数为优化目标, 将车辆调度问题拆解为两阶段:首先利用动态聚类的方法将需求点做区域划分, 解决车辆配送任务;接着用动态规划的数学方法求解数学模型, 得到最优解。
王向阴 (2010) 设计了改进的二次粒子群优化算法, 并给出了运用此方法求解整车物流配载问题时的基本思路和具体模型求解步骤。
莫金康 (2011) 通过开发智能调度系统实现资源的最优配置。实现对整车物流配送公平合理调度, 保证运输的规范和安全, 提高工作效能和服务水平, 有效降低运输成本。
综上所述, 整车物流智能调度过程作为影响商品车生产销售的重要因素之一, 目前并没有得到很好的研究。许多文献在车辆路径、配载方案等方面做出了大量研究, 硕果累累。可是针对客户车辆配载, 解决驳运车调度优化研究, 对于提高驳运车装载率, 配载方案等的研究却并不丰富, 鲜有参考文献对此做出系统的科学研究, 具有较大的研究价值。
四、整车物流智能调度基本理论综述
1、整车物流调度的概念
调度一词在字典的含义为调动、安排人员、车辆、资源等。整车物流调度是指在满足顾客订单时间地点数量要求的同时, 考虑车辆的容量与载重、整车装载规则、运输路线选择等限制因素, 以降低物流成本、提高订单配送准时率、降低物流运输质损率为目标, 计算出最佳的运输调度方案, 合理的安排调动人员、车辆等各种资源的过程。这种调度方式大多由经验丰富的调度员操作完成。
整车物流调度的工作内容, 可以诠释为调度中心按照从汽车生产主机厂接收的4s店经销商订单, 考虑不同车型与运输车辆的匹配状况, 制定装车方案, 在合理的装车顺序下进行装载, 指定运输车辆从物流作业中心出发, 按照计划好的合理的行车线路行驶, 在满足订单的一切约束条件的基础上, 实现目标的最优的过程。
整车物流调度过程中的约束条件有:4S店经销商订购量需求, 驳运车容量载重量, 驳运车数量、驳运车运力和路线, 订单配送完成时间。
整车物流调度寻求的最优目标一般有:订单配送及时率最高, 运输总成本最低, 车辆空载率最小, 运输距离最短, 用车数量最小。
2、整车物流调度的特点
与其他调度工作不同, 运输对象为成品商用车, 汽车为高价值产品并且体积较大, 这就需要在调度过程中, 充分考虑商品车与驳运车在体积与重量上的匹配。
一般情况下, 4S店经销商的订单中包含不同车型且数量较少。这就决定了在一批订单配送周期内, 就会出现一个4S店经销商的订单有可能不能满载一辆驳运车或超出满载驳运车的数量无法满载另一辆驳运车的情况, 这就会造成驳运车有空位的运输。
整车物流运输一般允许拼单装载, 而商品车的装车方式相对复杂, 这就要求调度过程中充分考虑会影响卸载顺序的装车顺序。驳运车辆一部分为第三方整车物流服务商自有车辆, 一部分为外包车队。对于外包车队, 在安排调度时要考虑车队运输车辆的可行路线属性、月度运输任务以及车队的绩效考核情况。
第三方承运商距离汽车生产主机厂距离一般较近, 而成品车的需求点在一个调度周期内, 为分散在地图上不同的随机点。这就决定了整车物流调度的运输线路较长且配送需求预测较难的特点。
摘要：随着我国汽车消费数量的增加, 整车物流行业的业务规模也在逐渐扩大, 面对越来越多的订单配送量, 整车物流企业配送中心原有的调度模式, 已明显难以满足订单量增加所带来的整车物流需求的快速增长。因此, 为了增强企业的竞争力, 提高整车物流运作效率, 建立整车物流智能调度系统, 成为大多数从事整车物流活动的企业关注的焦点。本文基于此, 首先介绍了研究背景, 我国整车物流企业面临的订单需求递增, 对智能调度系统的重视越来越大。接着从车辆路线调度、车辆配载调度、整车物流调度三个方面对现有的研究做了文献综述。最后本文针对整车物流调度的概念和特点做了相关理论介绍。
关键词：整车物流,智能调度,研究综述
参考文献
[1]GB.Dantzig.The Truck Dispactching Problem[J].Management Sic, 1959.6:80-91.
[2]纪寿文等.货运车辆优化调度方法[J].公路交通科技, 2003.9
[3]丁源等.物流配送 (集货) 中运输车辆优化Greedy Swee算法[J].兰州交通大学学报 (自然科学版) 2004.8
[4]傅铅生等.第三方物流企业均衡运输的优化方法[J].铁道运输与经济2005
[5]王玲玲, 覃运梅.单出救点应急配送车辆调度研究[J].铁道运输与经济.2008.8
[6]覃运梅, 王玲玲, 郝忠娜.基于改进的动态聚类算法的配送车辆调度研究[J].合肥工业大学学报 (自然科学版) 2009 (7)
物流车辆调度平台的设计与优化 篇8
1.1 GPS系统结构
GPS系统结构复杂, 主要由以下三部分组成。
1) 空间区段 (GPS的卫星星座) 。由24颗GPS工作卫星所组成, 这些GPS工作卫星共同组成了GPS卫星星座。
2) 地面区段。控制区段主要由分布在全球的几个监测站和上行注入站以及通信网络构成。即包括主控站、监测站、信息注入站。
3) 车载部分。GPS接收机首先通过天线前置放大器接收GPS卫星发送的信号, 然后利用信号处理器及振动器对信号进行初处理。再利用微处理器导航计算机对信息进行终处理。同时用户的运输也输送到微处理器导航计算机。
1.2 GPS数据处理
首先对运输路程中会途经的地点进行编码, 将地点的名称, 类型, 所在经纬度等信息录入数据库系统。此功能可实现对数据的查找、编辑、删除和修改等功能。
车载终端会实时采集GPS数据, 并根据预先定义好的协议按照一定格式, 通过GPRS发送给后台系统软件。系统软件按照协议对数据进行解码, 通过查找表, 获知车辆的实时位置。
2 平台数据库
2.1 数据库设计步骤
数据库的设计与实现一般包括六个步骤:需求分析、概念设计、逻辑结构设计、物理结构设计、系统实施与运行维护。具体过程如下。
1) 需求分析:对系统的应用进行全面、详细的调查, 了解用户的数据需求、处理需求、安全性及完整性要求, 并最终形成用户与设计者都能接受的数据库需求分析报告。
2) 概念设计:将第一步需求分析得到的用户需求抽象为信息结构, 通过对用户需求进行综合、归纳与抽象, 设计系统概念模型, 一般为E-R模型。
3) 逻辑结构设计:将概念设计阶段设计好的全局E-R模式转换为某个DBMS所支持的数据模型, 设计系统的模式和外模式, 对于关系模型主要是基本表和视图, 并对其进行优化。
4) 物理结构设计:即对给定的基本数据模型选取一个最适合应用环境的物理结构的过程, 设计数据的存储结构和存取方法, 如索引的设计。
5) 系统实施:根据逻辑设计与物理结构设计建立数据库, 编制与调试应用程序, 并把原始数据装入数据库, 进行试运行。
6) 运行维护:数据库系统在正式投入运行后, 进入长期的维护工作阶段, 不断地对数据库系统进行评价、调整与修改。
2.2 E-R关系图设计
1) 车辆信息对于管理者而言具有重要作用, 使管理者能够从整体把握所管理车辆的使用情况和车况等问题, 对于提高管理效率具有重要意义。储存信息包括车辆编号, 车辆品牌, 出产单位, 购买厂商, 购买日期, 车辆类型, 年审时间, 行驶里程。
2) 车况是查看司机是否正常驾驶车辆的重要方式之一。可以通过GPS定位技术, 查看车辆是否在规定的线路行驶, 是否超速, 是评定司机工种的依据之一。储存信息包括:车辆当前位置、当前位置描述、归属地、车载终端端口、车载终端IP、最大承载能力等。
3) 运输订单是车辆调度平台工作的前提, 当系统接收到订单信息, 处理之后对车辆调度平台发出指令, 并根据订单详情生成合适的运输决策方式。运输订单储存信息包括:目的地、运输订单编号、始发地、完成时间、运输总量、RFID条码号、完成情况。
3 RFID货物监管的设计优化
3.1 入库过程
当货物入库的时候, 货物会被贴上RFID电子标签, 所以当货物离开配送中心的时候, 货物中的RFID条形码信息会被天线捕获并通过网络将信息发送给车辆调度中心。
RFID技术运用于货物的入库与出库过程中, 主要目的是减少整个商品入库过程中所带来的时间消耗和人工劳动损失, 以便增加货物信息的准确性。对于货物入库我们设计的流程如下。
1) 接收指令, 预先准备。在货物真正从供应商一方发货之前, 管理员会接收到来自车辆调度平台系统发出的指令。在收到指令后, 会基于数据库记录的货物信息核查具体入库时间、供应商信息、入库商品明细表、送货车牌号等相关数据。
2) 货物检测。当车辆到达仓库门口时, 由于货物表面粘贴有RFID电子标签, 在仓库大门上安装RFID阅读器, 会自动读取货物上的电子标签信息。
3) 商品入库。在货物运输的叉车上安装一个无线数据终端, 司机根据所提示的信息将货物运送至指定货物处, 然后通过无线终端将货物的状态由预入库改为已入库, 并同时将货物电子标签中的数据信息更改相应的入库时间。
3.2 出库过程
当货物出库的时候, 我们将流程划分为三部分:一是拣选, 二是装载。三是获取信息。货物出库监管流程如下。
1) 货物拣选。当有订单需求时, 系统借助车载终端提示人员拣货, 这时拣选人员需要对货物的RFID电子标签执行扫描操作, 操作结束后通过车载终端改变货物储存状态并发送至系统平台。
2) 货物装载。将选好的货物送至自动分拣系统中执行自动识别, 通过对货物上RFID电子标签的自动识别在车辆调度系统平台数据库系统中确定所属用户的名称及信息。
3) 获取货物信息。当货物被运送至出口通道时, 由RFID阅读器对货物进行读取, 并将货物信息传至系统平台, 系统会自动再次确定货物信息是否与客户信息对应, 并更改货物存储状态。
参考文献
[1]刘芹, 史忠科.基于信息平台的车辆调度研究与仿真[D].西安:西北工业大学, 2006.
[2]冯希.基于GPS物流车辆调度平台的设计与实现[J].物流技术, 2015 (1) .
[3]王树良.仓储管理系统的设计与实现[D].天津:天津大学, 2007.