[发明专利]一种大规模多仓物流配送方法、系统、装置和存储介质

说明书

本发明公开了一种大规模多仓物流配送方法、系统、装置和存储介质，其中方法包括：获取仓库信息、客户信息和车辆信息；根据仓库信息、客户信息和车辆信息，构建基于大规模多仓的物流配送模型；以最小化所有车辆的行驶总里程为优化目标，采用并行重叠分解协同演化算法，对所述物流配送模型进行求解，得到大规模多仓物流配送方案；所述大规模多仓物流配送方案包括所有客户‑仓库的服务映射以及所有配送车辆的行驶路径方案。本发明通过协同策略为重叠客户找到最优仓库的方式，实现了客户的合理分配和配送路线的进一步优化；通过算法的并行实现，使得方案具有更好的可扩展性，从而能适用于大规模的物流配送场景，可广泛应用于智能物流配送技术领域。

技术领域

本发明涉及智能物流配送技术领域，尤其涉及一种大规模多仓物流配送方法、系统、装置和存储介质。

背景技术

物流配送是电子商务的一个重要环节，涉及仓储，分拣，配送等诸多细分环节。其中，配送环节需要将在仓库中分拣好的货物及时送交给分布在各处的客户。对物流配送的路径进行优化，既能减少运输成本和碳排放，又能提升配送速度，增加客户的满意度。但在多个仓库，大量客户的大规模场景下，配送路径的优化将变得困难，现有应用于物流配送领域的相关方法往往存在耗时长，效果差，适用范围较窄等问题。

用于解决多仓物流配送问题的方法主要包括精确算法和启发式算法。精确算法包括分枝定界法，K-树状算法，整数规划，动态规划等。这些算法通过对搜索空间进行剪枝，使得算法能够在可接受的时间内找到问题的最优解。但这些方法还是只能适用于规模较小的问题。随着客户和仓库数目的增加，问题的搜索空间将指数级增长，启发式算法成了解决大规模物流配送问题的主要方法。启发式算法包括贪心算法，演化算法等。启发式算法通过设定一些简单规则和目标，引导算法进行启发式搜索，从而快速得到一个表现较好的解。例如，基于贪心算法的物流配送方法一般将客户分配给最近的仓库，车辆从仓库出发后也总是选择最近的客户进行服务。演化算法如粒子群算法，蚁群算法，遗传算法等则将配送方案编码为种群中的个体，根据优胜劣汰规则，使用选择，交叉，变异等算子对种群中个体操作，从而获得更优的解。但在面对大规模场景时，贪心算法往往效果不佳，而演化算法则耗时较长且容易陷入局部最优。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种大规模多仓物流配送方法、系统、装置和存储介质。

本发明所采用的技术方案是：

一种大规模多仓物流配送方法，包括以下步骤：

获取仓库信息、客户信息和车辆信息；

根据仓库信息、客户信息和车辆信息，构建基于大规模多仓的物流配送模型；

以最小化所有车辆的行驶总里程为优化目标，采用并行重叠分解协同演化算法，对所述物流配送模型进行求解，得到大规模多仓物流配送方案；所述大规模多仓物流配送方案包括所有客户-仓库的服务映射以及所有配送车辆的行驶路径方案。

进一步地，所述仓库信息包括仓库的位置信息；所述客户信息包括客户的位置、配送物品重量、服务时间窗、服务时长信息；所述车辆信息包括地图距离信息和车辆载重上限信息；

所述构建基于大规模多仓的物流配送模型，包括：

在考虑客户服务时间窗约束和车辆载重约束的情况下，对大规模多仓物流配送问题进行数学建模。

进一步地，所述采用并行重叠分解协同演化算法，对所述物流配送模型进行求解，得到大规模多仓物流配送方案，包括：

A1、使用贪心算法，将大规模物流配送问题进行分解，客户被分配给距离最近的仓库；依次判断每个客户与距离其最近的客户是否被同一个仓库服务，若不被同一个仓库服务，将当前客户同时分配给两个仓库，得到大规模多仓物流配送问题的重叠分解；所述两个仓库指的是为当前客户服务的仓库和为与该当前客户距离最近的客户服务的仓库；