电商订单与同城O2O订单共同配送路径优化
发布时间：2021-09-30 23:11
电商的迅速崛起,使得物流业的发展又迈入了一个新的高峰,目前,网购产生的物流包裹占据了中国物流运量的60%。如何更高效便捷的将快递送到消费者手中,这是物流末端配送的重要环节,目前这一环节的包裹配送模式主要分为两类,一类是快递员直接将电商包裹从网点送到客户家里,另一类则是由于互联网线下渗透产生的同城O2O包裹的配送。这两类包裹的配送是我国物流最后一公里配送的典型模式。本文的研究就是希望通过数据分析给物流最后一公里提供智能的配送方案,通过全局优化来提升配送效率及降低配送成本。电商订单配送和同城O2O订单配送相结合可以带来更大的经济效益,本文就是通过分析两者结合过程中所产生的问题,根据约束条件,构建配送模型,优化配送路径,挖掘优化算法,以期实现经济效益的最大化,主要内容如下:（1）文章起初对两种车辆路径优化模型CVRP、VRPPDTW相关理论研究做简单介绍,分析了“最后一公里”极速配送的研究现状,接着对车辆路径问题算法进行了概述,为后续的路径规划算法设计提供理论支撑。本文根据“最后一公里”配送问题的特点,以最小化配送距离为目标分别构建电商订单与同城O2O订单的配送模型。（2）以同城O2O包裹的...
【文章来源】：杭州师范大学浙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
014-2019年快递业务量情况
3发现解决车辆路径优化问题的绝大数方法是启发式算法和元启发式算法，并且使用元启发式算法通常会得到比启发式算法更优的结果，不足之处是求解所花费的时间比较长，一般在使用元启发式算法求解时，通常用启发式算法构造元启发式算法的初始解，这样会相应的减少元启发式算法的求解时间。车辆路径问题是一个经典的组合优化和整数规划问题，它概括了众所周知的旅行商问题（TSP）。它首次出现是在1959年丹齐格和拉姆泽[2]的论文中，并在论文中给出了求解算法。通常车辆路径问题的背景是将位于中央仓库的货物交付给订购此类货物的客户。根据研究因素的不同，产生很多模型，有运载能力约束的VRP（CapacitatedVRP,CVRP），一般是对车辆的载重量或行驶时间的约束。有配送时间限制的VRP（VRPWithTimesWindows,VRPTW），此模型是在VRP上添加时间窗口，时间窗口分两种：硬时间窗（不满足时间约束，为不可行解），软时间窗（或早或晚给予惩罚）。有取送货的VRP（VRPWithPick-upAndDeliveries,VRPPD）,此模型的客户不仅取走货物，还要返回货物。分散配送VRP（VRPSplitDelivery），允许客户被两辆或多辆车服务。周期性VRP（PeriodicVRP,PVRP）,PVRP是对车辆一个周期的安排，此模型多应用在食品、能源行业中，而VRP是对每辆车每天的安排。开放式VRP（OpenVRP,OVRP）不需要车辆完成配送后返回仓库。动态VRP（DynamicVRP,DVRP）在配送过程中，车辆、客户、司机、路况、配送的需求等信息发生变化，需要重新规划路线。图1-2是车辆路径问题按照约束条件的分类图。图1-2车辆路径问题按约束条件分类图
8图1-3技术路线图1.4研究目标和创新本文在车辆路径问题、运筹学、机器学习等相关文献研究的基础上，以阿里旗下菜鸟物流公司的电商订单和同城O2O订单数据作为研究对象，利用运筹学和机器学习的相关算法，合理利用车辆资源完成两种包裹的共同配送，并且使配送时间或距离最短，从而降低成本，与此同时最大化满足客户的时间需求和容量需求，提高服务质量，增加客户的满意度。本文的创新点主要如下：（1）本文通过节约法、禁忌搜索算法、K-Means++聚类算法和最小费用最大流算法相结合对两种包裹共同配送路径进行分析和优化，有一定的理论意义和现实意义。
本文编号：3416808
【文章来源】：杭州师范大学浙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
014-2019年快递业务量情况
3发现解决车辆路径优化问题的绝大数方法是启发式算法和元启发式算法，并且使用元启发式算法通常会得到比启发式算法更优的结果，不足之处是求解所花费的时间比较长，一般在使用元启发式算法求解时，通常用启发式算法构造元启发式算法的初始解，这样会相应的减少元启发式算法的求解时间。车辆路径问题是一个经典的组合优化和整数规划问题，它概括了众所周知的旅行商问题（TSP）。它首次出现是在1959年丹齐格和拉姆泽[2]的论文中，并在论文中给出了求解算法。通常车辆路径问题的背景是将位于中央仓库的货物交付给订购此类货物的客户。根据研究因素的不同，产生很多模型，有运载能力约束的VRP（CapacitatedVRP,CVRP），一般是对车辆的载重量或行驶时间的约束。有配送时间限制的VRP（VRPWithTimesWindows,VRPTW），此模型是在VRP上添加时间窗口，时间窗口分两种：硬时间窗（不满足时间约束，为不可行解），软时间窗（或早或晚给予惩罚）。有取送货的VRP（VRPWithPick-upAndDeliveries,VRPPD）,此模型的客户不仅取走货物，还要返回货物。分散配送VRP（VRPSplitDelivery），允许客户被两辆或多辆车服务。周期性VRP（PeriodicVRP,PVRP）,PVRP是对车辆一个周期的安排，此模型多应用在食品、能源行业中，而VRP是对每辆车每天的安排。开放式VRP（OpenVRP,OVRP）不需要车辆完成配送后返回仓库。动态VRP（DynamicVRP,DVRP）在配送过程中，车辆、客户、司机、路况、配送的需求等信息发生变化，需要重新规划路线。图1-2是车辆路径问题按照约束条件的分类图。图1-2车辆路径问题按约束条件分类图
8图1-3技术路线图1.4研究目标和创新本文在车辆路径问题、运筹学、机器学习等相关文献研究的基础上，以阿里旗下菜鸟物流公司的电商订单和同城O2O订单数据作为研究对象，利用运筹学和机器学习的相关算法，合理利用车辆资源完成两种包裹的共同配送，并且使配送时间或距离最短，从而降低成本，与此同时最大化满足客户的时间需求和容量需求，提高服务质量，增加客户的满意度。本文的创新点主要如下：（1）本文通过节约法、禁忌搜索算法、K-Means++聚类算法和最小费用最大流算法相结合对两种包裹共同配送路径进行分析和优化，有一定的理论意义和现实意义。
本文编号：3416808
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3416808.html
