1.根据城市之间的连通状态,构建以城市为结点、两个城市间的距离(根据两个城市经纬度计算的欧式距离)作为边权重的无向图。
2.根据起始点,对除了起始点之外的其他点进行聚类,将点划分成几个部分。
3.在每个部分中找出货车运输的最优路径,根据这些路径上的订单重量分配货车。
4.配置程序的本地接口,为系统提供车辆分配和导航的服务
1.0构建河南省主要城市之间的连通状态
以下为高德地图中,河南省主要城市之间的公路连通状况:
根据城市之间公路的连通情况,大致构建的无向图如下图所示。
2.0对城市进行聚类,划分出大致方向
目的:为了找出货车要配送的不同方向,此处使用聚类算法,将城市聚成几个簇
对河南省的主要城市使用KMeans算法进行聚类,结果大致如下:
当要聚成的簇为3时:
其中 x点表示聚类中心,水平线表示所有城市纬度的均值m(用于大致划分上下两个方向)。
当要聚成的簇为4时:
其中有一个点(最右边的点,商丘市)单独为1类。
当要聚成的簇为5时:
此时就会有规模更小的,更局部性的簇产生了,并不是我们想要的大致地划分出方向,我们知道,聚类算法效果的评估更多时候要取决于业务,所以综合上述三种要聚成的簇的取值,我们决定将城市划分为3个簇
2.1根据起始点大致划分出向北,和向南两个方向
2.2对聚类之后的城市所在的簇进行修正
聚类之后会出现的不合理的情况,及相应的处理如下:
1.如果一个簇中的某个城市city 与其所在的簇中的所有城市都没有连通关系,而是与另一个簇c_2中的城市有连通关系,则在c_1所构成的无向图中删除city,把city放到c_2中。
2.如果一个簇c_1中的某个城市city与自己簇中的结点无连通,但是与位于维度的均值w的另一边的簇c_3有联通,则将city归并到簇c_3中。
3.对于起始点处于边缘位置的点,进行2.1的操作以后,会出现起始点与某个簇c不直接连通的情况,此时就寻找从起始点到c的最短路径,记录下中间经过的结点,将这些结点归并到簇c当中。
2.2的第一点所述的情况
2.2的第三点所述的情况
对于处于河南省边缘的城市的聚类,在执行了这一步操作之后,在不同的簇构建的无向图中,会出现与起始点不连通的情况,如下图所示:
对于这种情况,程序会寻找从起始点到与其不连通的簇c_n的最短路径,以这条路径作为媒介,连通起始点与c_n,并对这条路径经过的别的簇中的城市做记录,在后面分配重量的时候防止重复分配。
以起始点是郑州为例,修正后的聚类结果可视化如下图所示
3.0 在步骤2划分好的每一个簇中,找出配送的最优路径
3.1 构建每一个簇对应的无向图c_i
根据每一个簇中城市之间的连通状态构建对应的无向图c_i。
3.2对于每一个簇c_i,计算起始点到c内每一个城市的最短路径
对于每一个簇c_i,对c里面的每一个结点node,使用深度优先搜索遍历无向图c_i,找到以起始点为源点,node为终点的最短路径所经过的结点。
以郑州市作为起点为例,以下为步骤3.2所找到的簇c_1,c_2,c_3中的每一条最短路径,数字对应的是城市的编号:
c_1: [0, 2], [0, 11, 10], [0, 11], [0, 2, 12], [0, 2, 12, 13], [0, 2, 12, 13, 14], [0, 2, 15]
c_2: [0, 1], [0, 4], [0, 6, 5], [0, 6], [0, 6, 5, 7], [0, 1, 8], [0, 1, 9]
c_3: [0, 3], [0, 3, 16]
可以发现,有一些路径其实是另一条路径的子路径(最优子路径存在原理),于是我们判断,如果一条路径p1是另一条路径p2的子路径,就删除路径p1,最后便得到如下的路径:
c_1: [0, 11, 10], [0, 2, 12, 13, 14], [0, 2, 15]
c_2: [0, 4], [0, 6, 5, 7], [0, 1, 8], [0, 1, 9]
c_3: [0, 3, 16]
c_1,c_2,c_3里面的每一条路径,就是最后货车行驶时,从起始点出发到这个簇中进行配送的每一条路径。
3.3根据这些路径上的订单重量,将订单分配给货车
根据站点注册的货车的核载量,和货车是否空闲,给货车分配订单
我们这里有一些已注册的货车的基本信息,如下:
carrying_capacity表示货车的核载量,以吨 (t) 为单位
truck_status 表示货车的状态,0表示货车空闲,可以用于运输
本系统的货车分配的算法:使用让货车尽可能装满(对于相同的订单重量,分配能运完的,车的载重量之和尽可能小的车)的分配算法
对于每一条已经确定的行驶路径,计算路径上订单的总重量,分配空闲的货车去运输。
例:当前空闲的货车的载重量有7 t、6 t、5 t、5 t、3 t的,路径path上订单的总重量为13.4 t,则会分配 5 t、6 t、3 t的车去运输
本系统提供两种寻找货车分配最优解的算法:回溯法,动态规划
3.3.1回溯法
使用深度优先搜索,穷举所有的组合可能,对每种符合要求的可能计算一下货车重量和,找出货车重量和最小的那一组组合
适用情况:适用于物流分配站拥有的货车数少,订单总数少的情况
3.3.2动态规划:
此处设有n辆待分配的货车,所有的货车载重量之和为 w,货车编号为 1~n,t_i表示编号为i的货车的载重量,当前路径上订单总重量为 weight_sum,函数 f(i,s_i) 表示从 [1,i] 中选择货车,未分配的货车[i+1, n]载重量之和剩下多少
此时要解决的问题为:在 [weight_sum, w] 的区间内,要找到怎么样的货车组合,使得货车组合的载重量和最小且大于weight_sum
可以将上面所述的问题分解为多个子问题 P,子问题为:当面临第i辆车的选择时,如果选取了第i辆车之后,未分配的货车载重量之和小于 weight_sum,不符合条件,则 f(i,s_i) = f(i-1,s_i),否则 fi, s_i=min{fi-1,si, fi-1,si-ti-t_i}
即状态转移方程为 fi, s_i=min{fi-1,si, fi-1,si-ti-t_i}
对每辆货车,对 [weight_sum, w] 中的每一个数进行遍历,最后 f(n, w) 就是最优的解
回溯找出最优解的组成:
根据子问题的条件及对应的状态转移操作,回溯出最优解的组成,找到货车对应的编号
适用情况:所有情况,当物流分配站拥有货车数多,要运送的订单多时,此算法事件复杂度会比回溯法小很多
4.0 在本地配置接口,为系统提供车辆分配和导航的服务
由于系统是使用Java语言编写的,而车辆分配和导航的算法是使用Python语言编写的,所以此算法为了提供对不同语言编写的系统的兼容,使用Django框架配置一个接口,使用Ajax技术,返回一个json格式的数据,里面的内容即车辆分配和导航的结果
以郑州市为起始点为例,展示其中的一部分
Json里包含了字符串从 0到n的键,分别包含每一条路径的信息
“error” 为0表示分配过程中没有产生异常(当前拥有的货车能够装得下此路径上的订单),为1表示产生异常
“truck_number_list” 表示这条路径上分配的货车的id
“path” 表示在这条路径上运输经过的城市
“orders_weight” 分配的不同货车对应运输的订单总重量
“order_id_list” 分配的不同货车对应运输的订单的id