[发明专利]面向绿色物流的智能包装服务建模与配送任务动态优化方法

权利要求书

1.一种面向绿色物流的智能包装服务建模与配送任务动态优化方法，其特征在于：包括以下步骤：

步骤1：定义符号表示涉及的数据以及相关决策变量：

步骤1.1：定义符号变量：

l_i第i个COs的长度；

w_i第i个COs的宽度；

h_i第i个COs的高度；

l′_i用于装载第i个COs的第j个智能箱的长度；

w′_i用于装载第i个COs的第j个智能箱的宽度；

h′_i用于装载第i个COs的第j个智能箱的高度；

B_j第j个智能箱，j＝(1,2,3)；

I COs的初始分类；I＝{1,2,3,…,m}，其中m是COs的总数；

J集装箱；J＝{1,2,3,…,n}；

L_J集装箱J的长度；

W_J集装箱J的宽度；

H_J集装箱J的高度；

N一个集装箱里允许装载COs的最大数目；

M一个集装箱里允许装载COs的最小数目；

第i个COs中装载入集装箱J的总数；

其中COs为物流任务订单；

步骤1.2：定义决策变量符号：

Z_J如果选择集装箱J，二进制变量等于1，否则为0；

γ_iJ如果选择第i个COs装载入集装箱J，二进制变量等于1，否则为0；

步骤2：建立COs数据标准化信息库；具体步骤如下：

步骤2.1：根据物流订单地址信息分类构建COs数据标准化信息库；

步骤2.2：录入订单信息，包括订单编号、物品名称、订单类型、尺寸、重量、数量；

步骤2.3：录入收件人信息，包括收件人姓名、地址、联系电话；

步骤2.4：录入第三方物流企业相关属性，包括物流公司名称、运输公司名称、电话、订单状态、分配方式；

步骤3：将COs与智能箱优化匹配，优化装载规则如下：

如果COs的规格属性满足

l_i≤l′₁∩w_i≤w′₁∩h_i≤h′₁→i∈B₁

则将其装入第一类智能箱B₁；

如果COs的规格属性满足

l′₁≤l_i≤l′₂∩w′₁≤w_i≤w′₂∩h′₁≤h_i≤h′₂→i∈B₂

则将其装入第二类智能箱B₂；

如果COs的规格属性满足

l′₂≤l_i≤l′₃∩w′₂≤w_i≤w′₃∩h′₂≤h_i≤h′₃→i∈B₃

则将其装入第三类智能箱B₃；

步骤4：对COs进行基于距离的聚类分析，并分组：

步骤4.1：定义：d_ij和D_ij分别表示样本X_i和X_j与聚类G_i和G_j两者之间的距离，其中

假设聚类G_p和G_q被分组到一个新的聚类G_r，则任意聚类G_k和G_r距离的关系：

步骤4.2：计算任意两个样本之间的距离，得到一个新的距离矩阵D₍₀₎；

步骤4.3：找出最短的距离元素记为D_pq，然后将G_p和G_q聚合为一个新的聚类G_r，即G_r＝{G_p，G_q}；

步骤4.4：每一个新的分组聚类按顺序编号；

步骤4.5：计算新的聚类与其他聚类之间的距离；

步骤4.6：重复步骤4.3，步骤4.4和步骤4.5，并取r＝r+1；

步骤4.7：直到所有元素都被分组后结束；如果距离最短的元素的数目不止一个，则所有相应的元素组合成一个聚类；

步骤5：建立装载服务的动态优化模型：

步骤5.1：建立函数关系，具体如下

l_i≤l′₁∩w_i≤w′₁∩h_i≤h′₁→i∈B₁

l′₁≤l_i≤l′₂∩w′₁≤w_i≤w′₂∩h′₁≤h_i≤h′₂→i∈B₂

l′₂≤l_i≤l′₃∩w′₂≤w_i≤w′₃∩h′₂≤h_i≤h′₃→i∈B₃

M＝(L_J·W_J·H_J)/(l′₃·w′₃·h′₃)

N＝(L_J·W_J·H_J)/(l′₁·w′₁·h′₁)

步骤5.2：建立智能箱装-集装箱的装载优化方法，具体如下：

COs通过分层树结构网络集群形成LOs：在初始的LOs(G_p)中，COs的数量等于I₀且初始值为0；如果集装箱J的尺寸相对于COs是可用的，则将COs装载到集装箱J中，而且实时更新和输出集装箱J已使用和剩余的体积；如果COs的数量小于或等于I₀，则返回继续装载，否则结束装载；如果集装箱J的尺寸相对于COs不可用，则输出COs已装载入集装箱J的数量如果小于I₀，然后寻找离G_p距离最短的聚类G_q，并形成一个新的聚类G_pq，然后返回继续装载，否则结束装载；

步骤5.3：智能箱装载顺序优化：

按照订单距离远近，在装载过程中先装载未装载订单中距离最远的订单，依次装载，则距离最近的订单在最后装载；

步骤5.4：装载校验优化服务：

装载校验服务通过附着在智能箱、配送车辆上的智能RFID标签与手持式RFID阅读器实现物流任务-智能箱的精确装载；装载校验服务通过由手持式RFID阅读器扫描附着在智能箱上的RFID标签，获得的装载信息与初始装载列表的信息进行自动匹配检验，当且仅当两者完全匹配后，方可装载；否则警示信息会提醒装载工人可能存在信息不对称问题；当智能箱装载入集装箱时，通过在集装箱入口位置嵌入的RFID阅读器扫描智能箱上的RFID标签，获得智能箱的相关信息，其中包括智能箱的规格和装载内容，基于感知捕获的信息，上传载入的智能箱相关信息至物流平台，同时更新、输出装载信息；

步骤6：构建实时物流需求驱动的物流任务动态优化模型：

步骤6.1：云配送中心按一定的时间间隔t触发各配送车辆智能终端传输车辆实时状态信息，过滤掉正在装卸货和剩余体积、剩余重量的车辆信息，构建配送车辆资源库，具体如下：

根据动态的任务信息构建任务信息库T，该任务信息库中：TIDi为第i个任务的编号、W表示重量、V表示体积、CP表示当前位置、D表示任务目的地、DT表示任务交货期、DP表示任务送达时超出交货期单位时间的惩罚参数；具体如下：

其中对于车辆剩余体积SV和配送任务体积V均是一个三维向量，SV＝(length,width,height)，V＝(length,width,height)分别表示了配送车辆剩余体积和配送任务的长宽高；

步骤6.2：假设配送车辆资源集为

V＝(v₁,v₂,v₃...v_i...v_n)^T

动态任务集为

T＝(t₁,t₂,t₃...t_i...t_n)^T；

车辆配送的路径从车辆当前位置CP_v开始配送，到下一个目的地ND_v结束配送任务，根据此路径建立车辆路径导航向量TID_i＝(CP_t,ND_t)，配送车辆信息和配送任务信息可以在二维坐标中表示：

以车辆向量VID_i的中点为圆心O(r)，以1/2的车辆向量模|VID_i|为半径R，建立配送车辆圆区域；

步骤6.3：假设圆区域中的配送任务为圆域中的元素，存在以下两种情况：第一种：圆域有交集，第二种：圆域无交集；圆域有交集表示不同的圆域共同包含了若干个配送任务；圆域无交集表示圆域独立地包含了n(n≥0)个元素，如果n＝0，则释放该圆域，配送车辆按照既定任务路线完成配送活动；

步骤6.4：首先考虑配送车辆的剩余体积SV＝(length,width,height)作为约束条件，对于需要配送任务的体积为TV＝(length,width,height)，剔除不满足约束条件的配送任务：具体通过一种编码方程的方法判断配送任务是否满足约束条件，编码方程如下：

I＝I₁+I₂+I₃

其中I_i为0，1变量，表示是否满足各约束条件；如果I变量的值是0，则满足约束条件，表示该配送车辆可以装载配送任务；否则，剔除该任务；

步骤6.5：通过步骤6.4的过滤之后，圆域中的元素个数n(n≥0)；按照步骤6.3继续进行分类；对于交集圆域中的元素，选择半径R最小的配送圆域，即由该圆域所属配送车辆进行配送；对于无交集圆域中的元素转步骤6.6；

步骤6.6：如果圆域中的元素n＝1，表示只有一个满足条件的配送任务，即该配送任务由圆域所属配送车辆进行配送；如果n≥2，表示该配送圆域中有n个配送任务满足所属配送车辆的配送条件，则满足以下两个条件便得到最优路径规划：

条件1：配送车辆向量和配送任务向量之间的夹角最小，即

条件2：配送车辆向量中点O(r)到配送任务向量中点M的距离d最小：其中配送任务TID_i的坐标为CP_t＝(x_tij,y_tij)，ND_t＝(x′_tij,y′_tij)；

没有分配到配送车辆的任务返回任务信息库T重新进行优化分配；

步骤6.7：基于不同的配送车辆具有不同的单位成本和不同任务具有不同的延迟惩罚参数，建立总成本目标函数：总成本包含了任务配送成本和延迟惩罚成本；任务配送成本是完成既定配送任务产生的成本费用，延迟惩罚成本是接受配送任务TID_i后导致车辆第j个配送任务交付时超过交货期的延迟时间产生的成本费用；总成本目标函数为

C＝mincost＝C₁+C₂+C₃

L_x为车辆VID_x为完成该任务多行驶的路程；为车辆VID_x接受任务TID_i后引起车辆第j个任务送达时超过其交货期的延时时间，设VID_x任务清单Tl_x中有y个任务，其中包含任务TID_i；DP_xj为车辆VID_x任务清单Tl_x中第j个任务的延迟送货惩罚参数；

步骤6.8：将车辆VID_x x∈(1,n)信息库中的各项信息参数以及配送中心系统模型动态模拟的参数信息(L_x、dt_xj)分别代入上述目标函数；

步骤6.9：对于每个配送车辆，选择让其目标函数取得最小值的任务，并将该配送车辆预分配给该任务。