基于平台集中式运输的供需匹配聚类与优化的方法和系统与流程

1.本技术属于物流运输技术领域，具体涉及基于平台集中式运输的供需匹配聚类与优化的方法和系统。


背景技术：

2.中国在每一个产业链的节点上都拥有无数的中小微企业，各行业中的中小企业可以便捷高效进行生产资源共享及生产能力重组。这一特点直接造就了国内明显的产业集聚效应，尤其是在面临严峻的市场竞争、剧烈的市场需求波动时，集中化资源集群凸显规模优势，通过联盟中心的集中决策、动态调配、统一协调，帮助中小企业应对复杂多变的市场需求，提高上下游的交易效率。
3.在实际应用过程中，作为供应链上下游合作的关键，供需匹配及优化问题十分重要。随着物流水平的不断提高，多供给端和多需求端的匹配情况在现实中越来越常见。小规模的供需匹配有外卖配送、在线打车等，大规模的供需匹配如产业集群下的供需匹配，供给端多个企业和需求端多个企业组成了产业集群环境下的集群式的供应链。在两阶段的供应环节中，上游供给端多个企业与下游需求端多个企业组成了产业集群环境下的集群式供应链。根据需求端各企业需求数量以及供给端的可供给数量，选择产业集群中的多个物流服务提供商中的一个来实现供给到需求端的运输任务，同时满足最大化的需求满足匹配以及必要的约束，既保证了自身的业务量，避免了设备闲置，又实现多方的合作共赢。


技术实现要素：

4.本技术提出了基于平台集中式运输的供需匹配聚类与优化的方法和系统，根据目标最大化和供应链上的关键参数约束，得出最优的运输方案。
5.为实现上述目的，本技术提供了如下方案：
6.基于平台集中式运输的供需匹配聚类与优化的方法，包括如下步骤：
7.根据平台集中式运输的关键参数，建立基于所述平台集中式运输的目标函数和关键参数约束，根据所述目标函数和所述关键参数约束，建立规划合约模型；
8.根据所述关键参数，建立与所述规划合约模型对应的初始运输方案集合；
9.设定聚类参数，按照所述聚类参数对所有的需求端进行聚类处理，建立供给端-需求端匹配关系和供给端聚类关系，根据所述供给端
‑ꢀ
需求端匹配关系、所述供给端聚类关系和所述初始运输方案集合，得到备选运输方案集合；
10.根据所述规划合约模型，建立所述规划合约模型的适应度函数，基于所述适应度函数，对所述备选运输方案集合中的所有运输方案进行筛选和优化，当所述目标函数的值最大，且满足所有的所述关键参数约束时，得到最优运输方案组合，完成供需匹配聚类与优化。
11.优选的，所述目标函数包括供需匹配率和物流运输成本；
12.所述规划合约模型的目标为所述供需匹配率最大且所述物流运输成本最小。
13.优选的，所述关键参数约束包括供需端间的运量约束、供给端的供应量约束、需求端可接受的价格约束和发货时间约束。
14.优选的，所述供需匹配率λ为
[0015][0016]
其中，λ为随机决策的交易达成率。这里m表示参与交易的供应端个数，n表示参与交易的需求端个数，x
mn
表示供需双方每个企业之间的实际运量。
[0017]
所述物流运输成本c为
[0018][0019]
其中，为货物运输量导致的成本，为o次运输地理位置长度导致的部分。
[0020]
所述发货时间约束为
[0021][0022][0023]
其中，t为交货提前期，t
mn
为实际上从m企业发货到n企业的发货时间，t
nr
为需求端第n个企业最迟可接受的发货时间，t
ms
为供给端第m个企业给出的最早发货时间。
[0024]
优选的，得到所述初始运输方案集合的方法包括：
[0025]
建立所述关键参数的二维参数关系矩阵；
[0026]
将所述二维参数关系矩阵转换为一维参数关系向量；
[0027]
基于所述一维参数关系向量，建立所述初始运输方案组合。
[0028]
优选的，建立所述供给端-需求端匹配关系和所述供给端聚类关系的方法包括：
[0029]
设定聚类参数和聚类中心函数，按照所述需求端和聚类中心的距离对所有的需求端进行聚类处理，得到所述需求端的聚类类别和聚类函数；
[0030]
根据所述聚类函数和所述聚类中心函数，得到准则函数，当两次迭代的准则函数满足预设条件时，得到所述聚类类别的最迟收货时间和供需端间的运输价格；
[0031]
根据所述最迟收货时间和所述运输价格，建立供给端-需求端匹配关系和所述供
给端聚类关系。
[0032]
优选的，所述适应度函数为
[0033][0034]
其中，为目标函数，k为惩罚因子。
[0035]
本技术还公开了基于平台集中式运输的供需匹配聚类与优化的系统，包括合约规划模块、初始方案模块、聚类模块和方案组合模块；
[0036]
所述合约规划模块用于根据平台集中式运输的关键参数，建立基于平台集中式运输的目标函数和关键参数约束，以及根据所述目标函数和所述关键参数约束，建立规划合约模型；
[0037]
所述初始方案模块用于根据所述关键参数，建立与所述规划合约模型对应的初始运输方案集合；
[0038]
所述聚类模块用于按照聚类参数对所有的需求端进行聚类处理，建立供给端-需求端匹配关系和供给端聚类关系，以及根据所述供给端-需求端匹配关系、所述供给端聚类关系和所述初始运输方案集合，建立备选运输方案集合；
[0039]
所述方案组合模块用于根据适应度函数，对所述备选运输方案集合中的所有运输方案进行筛选和优化，当所述目标函数的值最大，且满足所有的所述关键参数约束时，得到最优运输方案组合。
[0040]
本技术的有益效果为：
[0041]
本技术公开了基于平台集中式运输的供需匹配聚类与优化的方法和系统，根据目标最大化和供应链上的关键参数约束，得出最优的运输方案，能够为产业集群中上下游企业匹配最适合的供需方案，最大化交易达成率，使得供需两端达到平衡，提升整体效率与收益；通过将产业集群内供应与需求与多家承运方信息进行匹配，选择最合适的承运方进行业务合作，可以帮助企业合理安排物流运输业务，提升企业效益；产业集群内企业将物流业务委托给专业的第三方物流服务企业，同时通过信息系统与物流企业保持密切联系，以达到对物流全程管理控制的物流业务运作与管理；企业通过外包物流业务，降低库存，节约物流成本，有助于精简企业部门、集中力量专注于核心业务发展，提升企业竞争力；同时第三方物流企业通过承运业务与企业形成合作关系，保证了自身的业务量，避免了设备闲置，实现多方的合作共赢。进一步的，考虑时间维度约束的模型能够在考虑发货时间限制的情况下，为产业集群中上下游企业匹配最适合的供需方案，选择成本最低的物流服务供应商，在原有运输方案的基础之上考虑供应商的发货时间与需求商的发货时间的冲突，进一步提高本技术的可执行性。
附图说明
[0042]
为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1为本技术实施例一中针对的集群式供应链示意图，；
[0044]
图2为本技术实施例一的基于平台集中式运输的供需匹配聚类与优化的方法流程示意图；
[0045]
图3为本技术实施例一的合约约束匹配流程示意图；
[0046]
图4为本技术实施例一的染色体交叉原理示意图；
[0047]
图5为本技术实施例一的染色体变异原理示意图；
[0048]
图6为本技术实施例一的遗传算法流程示意图；
[0049]
图7为采用本技术实施例一进行时间切片示意图；
[0050]
图8为采用本技术实施例一得到区间为[5,8]的运输方案示意图；
[0051]
图9为采用本技术实施例一得到区间为[9,12]的运输方案示意图；
[0052]
图10为采用本技术实施例一得到区间为[13,16]的运输方案示意图；
[0053]
图11为本技术实施例二的基于平台集中式运输的供需匹配聚类与优化的系统结构示意图；
[0054]
图12为本技术实施例一中建立的供给端-需求端匹配关系示意图；
[0055]
图13为本技术实施例一中建立的供给端聚类关系示意图。
具体实施方式
[0056]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0057]
为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
[0058]
实施例一
[0059]
如图1所示，为本技术实施例一中针对的集群式供应链示意图，可以看出，在两阶段的供应环节中，上游供给端多个企业与下游需求端多个企业组成了产业集群环境下的集群式供应链。本技术实施例一根据需求端各企业需求数量以及供给端的可供给数量，选择产业集群中的多个物流服务提供商中的一个来实现供给到需求端的运输任务，同时满足最大化的需求满足匹配以及必要的约束。
[0060]
鉴于此，设定本实施例一的目标为最大化产业集群环境下的供给需求匹配程度。
[0061]
对此，本实施例一使用到的参数如表1所示
[0062]
表1
[0063]
[0064][0065]
在本实施例一中，假设承运商的运力较高，能够满足运输需求。对因承运商原因造成的合约违约，不在本实施例一的研究范围。
[0066]
如图2所示，为本技术实施例一的基于平台集中式运输的供需匹配聚类与优化的方法流程示意图，包括如下四个步骤：
[0067]
s1.根据平台集中式运输的关键参数，建立基于平台集中式运输的目标函数和关键参数约束，根据目标函数和关键参数约束，建立规划合约模型。
[0068]
在本实施例一中，设定目标函数包括有两个：最大化产业集群上下游的供需匹配率，和最小化物流运输成本。
[0069]
首先，介绍供需匹配率。
[0070]
在本实施例一中，设x
mn
为供给端第m个公司到需求端第n个企业的运量，则有：
[0071][0072]
设为第o次运输过程中，供给端第m个公司到需求端第n个企业的运价，则有：
[0073][0074]
则供需匹配率的计算如下所示
[0075][0076]
在本实施例一中，λ为随机决策的交易达成率。这里m表示参与交易的供应端个数，n表示参与交易的需求端个数，x
mn
表示供需双方每个企业之间的运量。
[0077]
关于物流运输成本：
[0078]
物流成本采用标准的两部收费法，即每次运送收取固定成本c，此外每一单位的货运量收取单位成本a
ij
的计算如下所示
[0079][0080]
其中，为货物运输量导致的成本，为o次运输地理位置长度导致的部分。
[0081]
在本实施例一中，进一步的，将交货时间作为一项约束条件，即第m个供给端企业发货给第n个需求端企业的发货时间，表示为t
mn
，并且，本实施例一充分考虑物流过程中的时间消耗(交货提前期t)，因此，本实施例一第n个需求端接受到第m个供给端的货物的实际时间是t
mn
t。
[0082]
具体的，在本实施例一中，所述发货时间约束为
[0083][0084][0085]
其中，t为交货提前期，t
mn
为实际上从m企业发货到n企业的发货时间，t
nr
为需求端第n个企业最迟可接受的发货时间，t
ms
为供给端第m个企业给出的最早发货时间。
[0086]
加入需求商的要求发货时间和与供应商的发货时间数据，从而在原有运输方案的基础之上考虑供应商的发货时间与需求商的发货时间的冲突。即是在时间维度上的聚类。
[0087]
在本实施例一中，综合供需端间的运量约束、供给端的供应量约束、需求端可接受的价格约束和交货时间约束，建立的规划合约模型如下
[0088][0089][0090]
其中，约束分别表示：1)每个供给端企业运输数量不超过其供应能力、2)每个需求端企业接受不超过其需求量的运输数量、3)所有供给端企业的整体供应能力大于需求、4)需求端最高可接受价格大于供给端最低可接受价格、5-6)满足交货时间限制。
[0091]
在本实施例一中，目标函数中的si表示第i个染色体，f(si)表示第i个染色体的适应度，后续，本实施例一将参考遗产算法进行混合合约设计。
[0092]
基于上述的规划合约模型，本实施例一的合约约束匹配流程可又图3表示。
[0093]
s2.根据关键参数，建立与规划合约模型对应的初始运输方案集合。
[0094]
在本实施例一中，参考遗传算法设计，通过染色体编码的方式建立运输方案组合。
[0095]
设定供给端m到需求端n的运量为x
mn
，发货时间为t
mn
，运价为 p
mn
，将从每一个供给端到每一个需求端的所有可能的运量x
mn
、时间 t
mn
、运价p
mn
按类别整合，可构建一个如表2所示的由三层染色体结构表达的、完整的、包含了所有可能的运输方案组合。
[0096]
表2
[0097]
x
11
x
12
x
13
x
14
…
x
1n
x
21
x
22
x
23
x
24
…
x
2n
…
x
m1
x
m2
x
m3
x
m4
…
x
mn
t
11
t
12
t
13
t
14
…
t
1n
t
21
t
22
t
23
t
24
…
t
2n
…
t
m1
t
m2
t
m3
t
m4
…
t
mn
p
11
p
12
p
13
p
14
…
p
1n
p
21
p
22
p
23
p
24
…
p
2n
…
p
m1
p
m2
p
m3
p
m4…
p
mn
[0098]
需要注意的是，时间维度的染色体片段暗含了集中配送的聚类信息。意即，同一时刻发出就代表了是同一批集中配送的货物。例如： t
12
＝t
14
＝t
24
，其含义为供应端企业1和企业2向需求端企业1和企业2 集中供应货物。
[0099]
s3.设定聚类参数，按照聚类参数对所有的需求端进行聚类处理，建立供给端-需求端匹配关系和供给端聚类关系，根据供给端-需求端匹配关系、供给端聚类关系和初始运输方案集合，得到备选运输方案集合。
[0100]
在本步骤中，本实施例一基于k-means生成初始种群：
[0101]
首先，随机生成原始数据，表3为需求端相关数据，表4为供给端相关数据：
[0102]
表3
[0103]
编号需求量最高可接受价格最迟收货时间14845.2422784.9234994.4744694.61055404.5664125.6471803.11183573.739844.66102124.73
[0104]
表4
[0105]
编号供应量最低可接受价格发货时间156703.310211694.0733004.51
[0106]
1.针对每一个需求方以时间维度和地理位置聚类(每一个需求方都包含了三个维度：随机选择k个聚类中心(k可以选择1
…
n)，聚类中心函数记为zj(i)，j＝1
…
k表示k个聚类中的第j 个聚类，i表示第i次迭代。在本实施例一中，令表示在第j个聚类中的第i个企业的聚类函数。
[0107]
2.求解每个数据样本到聚类中心的距离若满足那么第n个需求方企业属于第j0类。
[0108]
3.令i＝i 1，重新计算聚类中心
(其中nj表示j第个聚类中目前一共有nj个企业)以及误差平方和准则函数jc的值：
[0109]
4.判断，若|jc(i 1)-jc(i)|＜ζ，则进行下一步；否则，令i＝i 1，重新按照第(2)步进行。其中，ζ为一个预先设定的阈值，表示相邻两次迭代过程中准则函数jc的值之差不能低于的下限值。
[0110]
5.k个聚类中，依次计算第j(j＝1...k)个需求端聚类的最迟收货时间由于集中配送要满足聚类里每一个需求方企业的收货时间，所以
[0111]
6.计算聚类点之间单位运输量的运输价格：
[0112][0113]
其中表示供给端聚类点s中第n个供给方到聚类中心的距离， ds→r表示供给端聚类点s到需求端聚类点r的距离，表示需求端聚类点r中第m个供给方到聚类中心的距离。
[0114]ns
表示供给端聚类点s内的供给方数量，mr表示需求端聚类点 r内的需求方数量。
[0115]
c1表示配送的单位里程成本，c2表示运输的单位里程成本。
[0116]
计算提前期，其定义为运输时间(聚类中心到聚类中心对应的距离对应的时间) 保留时间(自定)，公式表示为：
[0117]
t＝t1ds→r t0[0118]
其中，t1为单位里程所需时间，t0为订货的保留时间。
[0119]
7.将需求端按照“聚类的收货时间-最高可接受价格-需求量”的优先级关系升序(降序)排列，如表5举例：
[0120]
表5
[0121][0122]
8.进行供给端-需求端匹配，按照“发货时间-最高可接受价格
‑ꢀ
需求量”的优先级
关系升序(降序)排列，建立供给端-需求端匹配关系，如图12所示，
[0123]
注：
[0124]
(1)此处假定交货提前期t＝1。
[0125]
(2)由需求端企业匹配供给端企业时，首先满足时间约束：第m个供给端的发货时间加上交货提前期(可理解为运输时间)不能超过第j个需求端聚类的收货时间。比如，需求端聚类1的收货时间为5。那么只有编号2和1的供给端企业能够满足需求端聚类1的时间约束(2 1《5,3 1《5)。接下来，考虑交易价格约束，由于2.7《2.96,2.7《3.61,2.7《3.65,所以从交易价格约束角度，供给端企业2可以满足需求端5、4、6号企业；同理，发现供给端企业3 可以满足需求端4、6号企业。最后，考虑交易量约束，供给量按照表格中顺序累加，供给端企业2可以满足需求端5、4号企业 (917》370 479)，但是只能够满足需求端6号企业的部分需求量 (917-370-479＝68)；按照先后顺序，6号企业的剩下395个单位的需求量再由供给端企业1匹配，满足条件。
[0126]
(3)按照以上规则，一定可以生成一种近优的匹配方案(如图 12所示)。
[0127]
9.对供给端聚类，形成集中化物流配送方案。聚类规则为：按照图12所示的供给端排序，将能够满足所有需求端时间需求的供给端归位一类(意即：(mj是第j个需求端聚类所匹配的供给端企业)，建立供给端聚类关系，即，匹配的供给端企业中发货时间的最大值 t《需求端聚类的接收时间)，如图13所示。
[0128]
10.根据以上匹配，得到的备选运输方案集合(染色体编码)如表6所示
[0129]
表6
[0130][0131]
11.由于k可以取1
…
n，所以上述一共有n种聚类的方法。
[0132]
s4.根据所述规划合约模型，建立所述规划合约模型的适应度函数，基于所述适应度函数，对所述备选运输方案集合中的所有运输方案进行筛选和优化，当所述目标函数的值最大，且满足所有的所述关键参数约束时，得到最优运输方案组合，完成供需匹配聚类与优化。
[0133]
首先，参考遗传算法，定义本实施例一的适应度函数，每一个方案都需要计算出对应的适应度，本方案中适应度的定义是：
[0134][0135]
其中，为目标函数，希望目标函数越大越好，k是一个足够大的实数，为惩罚因子。
[0136][0137]
含义是：对于任意规划模型中不被满足的约束，都要给与惩罚。
[0138]
进一步的，本实施例一采用经典的轮盘赌选择方法。即，适应度高的染色体被选中的概率也就更大。用公式表示为：
[0139][0140]
其中，m表示总共的染色体个数。
[0141]
进一步的，参考遗传算法，在本实施例一中，染色体交叉的结果要保证两条染色体都包含从1到n的基因，不重不漏。若在交叉后存在同一条染色体上基因的重复，则应该采用如下冲突互换的方式，如下图所示。当a和b两条染色体交叉后，若a染色体内部基因序号出现重复(假定是a和a’)，则在a染色体未交叉片段中找到重复的基因a及该基因在b染色体对应位置的基因b，将基因b和a染色体交叉片段中的a’基因进行互换，从而完成一次冲突互换。依次类推，直到两条染色体的基因都含有1到n的基因，不重不漏。如图4所示。
[0142]
以上图4为标准的染色体交叉过程，本方案中的染色体为三层染色体，原理类似。
[0143]
交叉：随机产生[0,1]范围内的随机数ra，当ra小于变异概率设定值pm时，进行染色体的变异。变异过程是首先产生[1,n]范围内的整数随机数rb，将rb和n-rb位置对应的基因个体进行交换，从而产生变异，如图5所示。
[0144]
根据以上各个部分的细节描述，遗传算法总体的流程如图6所示。
[0145]
参考遗传算法，根据适应度函数计算规划合约模型中目标函数，当目标函数的值最大，且满足所有的所述关键参数约束时，得到最优运输方案组合，完成供需匹配聚类与优化。
[0146]
下面，对采用本实施例一的集群式供应链下的混合合约设计方法的效果进行举例说明：
[0147]
设定供应方数据，6个供应方的位置、需求以及对产品的最高可接受价格如表7所示。
[0148]
表7
[0149][0150]
29个需求方的位置、需求、最高可接受价格如表10所示：
[0151]
表8
[0152][0153]
本例使用两种聚类方案实现交易时间上的限制。
[0154]
供需双方的发货时间标准化到1-16之间，最终结果形成四个区间：[1,4]，[5,8]，[9,12]，[13,16]。并根据需求量和交易时间将其进行重新聚类。对于需求方来说，将随机生成的交易时间按从小到大排列，并根据需求量进行排序，聚类数在4-5个之间，因此得到需求量界限在2392000个单位。随后将原来总数29个供应商进行重新聚类。时间切片得到的结果如图7所示。
[0155]
判断运输方案的可行性，如果需求方的要求供货时间小于供应商的发货时间，则交易不能达成。经过求解，整个运输方案的结果可以用以表9表示：
[0156]
表9
[0157][0158]
其中黄色部分是供应商的发货时间大于需求商的要求发货时间，即在此区域的运输方案不能达成，绿色区域的交易方案是可以达成的。
[0159]
按照时间维度，绘制出不同时间维度的运输方案，根据表15可以看出区间[1,4]区间的运输方案不能达成，所以只剩下 [5,8],[9,12],[13,16]三个时间维度区间的运输方案，三种运输方案示意图如图8、图9、图10所示，分别表示区间[5,8]、区间[9,12] 和区间[13,16]。
[0160]
实施例二
[0161]
如图11所示，为本技术实施例二的基于平台集中式运输的供需匹配聚类与优化的系统结构示意图，包括合约规划模块、初始方案模块、聚类模块和方案组合模块；
[0162]
其中，合约规划模块用于根据平台集中式运输的关键参数，建立基于平台集中式运输的目标函数和关键参数约束，以及根据目标函数和关键参数约束，建立规划合约模型；
[0163]
初始方案模块用于根据关键参数，建立与规划合约模型对应的初始运输方案集合；
[0164]
聚类模块用于按照聚类参数对所有的需求端进行聚类处理，建立供给端-需求端
匹配关系和供给端聚类关系，以及根据供给端-需求端匹配关系、供给端聚类关系和初始运输方案集合，建立备选运输方案集合；
[0165]
方案组合模块用于根据适应度函数，对备选运输方案集合中的所有运输方案进行筛选和优化，当目标函数的值最大，且满足所有的关键参数约束时，得到最优运输方案组合。
[0166]
以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。