開啟主選單
求真百科
搜尋
檢視 自动配载与调度 的原始碼
←
自动配载与调度
由於下列原因,您沒有權限進行 編輯此頁面 的動作:
您請求的操作只有這個群組的使用者能使用:
用戶
您可以檢視並複製此頁面的原始碼。
{| class="wikitable" align="right" |- |<center><img src=http://5b0988e595225.cdn.sohucs.com/images/20190927/b12993e976854f08bdd4ca7ed7bd0e41.jpeg width="300"></center> <small>[https://www.sohu.com/a/343792227_548253 来自 搜狐网 的图片]</small> |} '''自动配载与调度'''自动配载与调度:基于NSGA II的物流调度平台,从[[物联网]]<ref>[http://news.sohu.com/a/528981274_554035 物联网未来发展趋势] ,搜狐,2022-03-11</ref>工程角度出发,基于射频识别技术部署EPC系统,从而收集货物与运输车相关信息,并基于NSGA-Ⅱ算法,结合云计算和大数据技术,构建起一个在线的[[物流]]调度平台。在该平台上,货物与运输车以总车次和总距离均最小为目标自动进行匹配,管理人员能根据实际情况对匹配结果进行实时调整。 ==重点== (1)NSGA-II对[[物流]]方案的改进程度。 (2)[[大数据]]决策在物流方案改进中的作用。 (3)基于AnyLogic的仿真平台的构建。 ===难点=== (1)物流[[方案]]中,运输距离与运输车次之间的信息熵。 (2)[[数据]]清洗与多源数据融合的实现。 (3)高并发场合下对访问的实时响应。 ==2.实验内容== 主要有三个方面的实验,分别是分析NSGA-II对物流方案的改进程度、构建基于AnyLogic的仿真平台和运用大数据<ref>[http://news.sohu.com/a/682568978_120685950 什么叫大数据?以及大数据的发展趋势是什么?],搜狐,2023-06-06</ref> 分析[[技术]]对物流方案进行改进。 ==3.应用前景== 物流业是融合运输、仓储、货代、[[信息]]等产业的复合型服务业,是支撑国民经济发展的基础性、战略性及先导性产业。近年来,我国现代物流业保持较快增长,服务能力显著提升,基础设施条件和政策环境明显改善,现代产业体系初步形成,物流业已成为国民经济的重要组成部分。 物流费用占国内生产总值的比重是衡量物流业总体运行[[效率]]重要指标之一。2018年,由发展改革委、[[交通运输]]部会同相关部门研究制定的《国家物流枢纽布局和建设规划》[1],对国家物流方面提出的目标中表明:到 2025 年,基本形成以国家物流枢纽为核心的现代化物流运行体系,同时随着国家产业结构和空间布局的进一步优化,以及物流降本增效综合措施的持续发力,推动全社会物流总费用与 GDP 的比率下降至 12%左右。 而据2020年[[国家发改委]]、国家统计局和中国物流与采购联合会发布的统计数据显示,全国社会物流总费用从2013年的的10.2万亿元上升到2020年的14.9万亿元,中国社会物流费用占GDP的比重由2013年的18.0%,下降至2020年的14.7%,在近八年的时间中下降了3.3%,距离12%的目标还有很长的路要走,同时也证明了我国物流行业市场前景广阔。 该物流调度平台侧重于对运输车次和[[运输]]距离进行优化,尽可能减少需要维持的运输车的规模,从而有效地降低成本。该平台的部署与上线,在可见的未来,能为物流行业的发展添砖加瓦。 ==二、技术方案与指标== (包括:问题分析、技术方案、[[创新]]设计、关键技术、技术指标、实施计划、应用场景等) ===1.需求分析=== 通过实时获取车辆和货物的位置信息,根据车货匹配方案确定出车名单,根据派单规则进行派单,进行物流在线调度,实现任务和[[车辆]]的在线、自动匹配,从而高整体作业效率和客户满意度。 ===2,技术方案=== 研究的问题分为三个部分,第一部分路径规划讲述了VRP问题的定义与分类,就本研究作为“带时间窗的多站互联多旅行商问题”加以说明;第二部分多目标优化问题与算法,阐述了多目标优化[[问题]]的定义,并对NSGA-II的流程作了一番简要说明;第三部分大数据分析技术,着重分析大数据的特点和大数据决策在实际问题中起到的作用。 ====2.1路径规划==== 2.1.1VRP问题定义及分类 车辆路径规划问题(Vehicle Routing Problem, VRP)指在一定环境中,车辆寻找出一条最优或近似最优的无碰撞路径,以从起始点到达目标点的过程。在需要综合考虑需求点的需求量、需求点间[[距离]]等约束时,路径规划问题可被抽象化描述为旅行商问题(Traceling Salesman Problem, TSP)。根据具体情况的不同,TSP又有多种延伸。例如在多车辆配送系统中,由m辆车服务n个需求点,称为多人旅行商问题(Multi-Traveling Salesman Problem, MTSP);在需求点对收货时间存在要求时,又延伸出“带时间窗的旅行商问题(Traveling Salesman Problem with Time Windows, TSPTW)”。 2.1.2VRP 问题常用求解方法 随着车辆行驶环境的实际化、复杂化,以及订单数增多带来的约束条件的骤增,路径规划问题的规模已经上升到不能在有限时间内取得最优解,传统寻优算 法、启发式算法、元启发式算法、仿生算法、[[智能]]算法的提出为这类问题的解决 提供了思路。它们往往放弃求解精确解,转而通过提出和搜索各种方案并相互比较的方法来找出较优的最终方案,代表性的有局部搜索算法、模拟退火、人工神经网络(Neural Networks, NNS)、遗传算法(Genetic Algorithms, GAs)、进化算法、蚁群算法、禁忌搜索算法等。 ==参考文献== [[Category: 社會組織類]]
返回「
自动配载与调度
」頁面