一种配送属性数据驱动的协同配送联盟组建方法

技术特征：
1.一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：所述方法包括如下步骤，步骤1：分析配送中心配送属性数据，发现潜在的协同机会；步骤2：建立配送中心共同关系强度模型；步骤3：建立配送中心经济占比模型；步骤4：建立配送中心出车时段互补模型；步骤5：建立配送中心车辆资源互补模型；步骤6：建立配送属性数据驱动的协同配送联盟组建模型；步骤7：基于数据预处理和遗传算法求解配送属性数据驱动的协同配送联盟组建模型。2.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤1的具体过程为，配送中心配送属性数据包括地理位置、配送货物量、配送时间、配送车辆、配送客户的地理位置和配送客户的需求时间窗，发现潜在的协同机会的过程为，对配送中心间业务关系进行静态重叠识别和动态重叠识别，同时确定配送中心间资源互补方法，静态重叠识别的过程为，通过判定不同配送中心间的配送业务社会网络是否存在交叉重合关系及其强度则可判定不同配送企业间的配送的规模化程度，动态重叠识别的过程为，每个配送中心都对应一个配送范围，一个辐射范围，某配送中心配送范围的配送点不属于其自身辐射范围，但却处于另一个配送中心的辐射范围，即表示由另一个配送中心配送更经济，协同之后，将配送中心在辐射范围之外的配送点重新分配，使其处于协同配送联盟的综合经济配送范围，配送中心间资源互补方法为配送中心的车辆资源、节配送时间、频次不同，形成资源互补，协同之后提高资源利用率和服务效率。3.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤2的具体过程为，建立配送中心共同关系强度模型为配送中心之间配送业务的重叠比例，即配送中心共同配送域的客户数量之和与各配送中心客户数量总和之比，定义同配送域的客户数量之和与各配送中心客户数量总和之比，定义协同配送联盟u
k
的共同社会关系强度模型公式如下：式中，i表示配送中心合集，i∈i；h表示配送域合集，h∈h；q
ih
表示配送中心i在配送域h的业务数量；q
i
表示配送中心i总业务量。4.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤3的具体过程为，
经济配送占比模型指配送中心在平均辐射半径内的配送量与配送总的配送量之比。联盟的经济配送占比越高，说明联盟在经济配送范围业务占比越大，联盟的辐射范围协同效用值越大，因此，定义则协同配送联盟u
k
经济配送占比模型定义为式中，表示配送联盟u
k
的辐射范围；为配送中心i在配送联盟u
k
辐射范围的配送量，b
i
表示配送中心i总配送量。5.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤4的具体过程为，配送中心出车时段互补强度定义为配送中心之间出车互补时段的相似业务量与原本不出车进行配送的业务量之比，以及配送中心之间互相需要的程度，其中，相似业务是指在出车互补时段内起点和终点相似的配送业务，配送业务相似度采用曼哈顿距离对配送中心的距离和客户距离进行相似度计算，当业务之间的配送中心的距离和客户距离之和小于阈值时，认为业务具有相似性；配送中心的相互需要程度定义为配送中心间存在出车互补关系的密度，例如，若有m个配送中心，包含的出车互补关系总数在理论上的最大可能有m(m-1)/2个互补关系，如果m个配送中心的实际出车互补关系数目为a，则这m个配送中心相互需要程度η为2a/(m(m-1))，定义则配送联盟出车时段互补强度可计算如下：其中，t表示时段合集，t∈t；η配送中心相互需要程度系数，在周期t内配送中心i与配送联盟u
k
其他成员的相似业务数量，表示在周期t内配送中心i的业务数量。6.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤5的具体过程为，配送中心车辆资源互补强度指配送中心车辆类型的异质程度，设配送中心i的车辆资源合集为tp
i
，配送中心j的车辆资源合集为tp
j
，则两个配送中心的异质性车辆资源合集为tp
i
∪tp
j-tp
i
∩tp
j
，则定义配送联盟的车辆互补资源vr
uk
计算公式如下：
其中，为配送中心之间不同资源集合的元素数量，为联盟车辆资源全集的元素数量。7.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤6的具体过程为，选定联盟经济配送占比、共同社会关系强度、出车时段互补、车辆资源互补最高为目标，基于数据驱动来识别和协调组建协同配送联盟，得到的协同配送的组建优化模型为：s.t.s.t.s.t.s.t.s.t.v
it
＝{0,1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)(11)其中，l表示l个联盟，u
k
表示第k个联盟，式(5)表示配送联盟的综合协同效应最大，式(6)表示配送联盟至少存在一个共同配送域，式(7)表示配送联盟至少存在一个出车时段互补，式(8)表示配送联盟辐射范围重叠，式(9)表示每个配送中心只参加一个联盟，式(10)-(13)为决策变量。8.根据权利要求1所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：步骤7的具体过程为，划分配送域，计算配送中心平均辐射半径，构造配送中心出车信息0-1矩阵，整合配送中心车辆类型信息，设计遗传算法；其中，划分配送域是基于时空距离的最大最小聚类法来划分配送域。首先计算时空距离，在用最大最小聚类法来对配送业务进行聚类；假设配送中心i给客户g配送，客户g地理位置为(x
g
,y
g
)、需求时间窗为[e
g
,l
g
]，配送中心i的地理位置(x
i
,y
i
)，由配送中心e给客户j配送，客户j地理位置为(x
j
,y
j
)、需求时间窗为[e
j
,l
j
]，配送中心e的地理位置为(x
e
,y
e
)；
客户的时间距离计算，在客户g处的服务时间为s
g
，从客户g到客户j需要花费的时间为t
gj
，则车辆从客户g服务结束之后到达客户j的时间为t'，t'∈[e
g
s
g
t
gj
,l
g
s
g
t
gj
]，记e'
j
＝e
g
s
g
t
gj
,l'
j
＝l
g
s
g
t
gj
。则客户g和客户j的时间距离的计算公式如下：其中：为偏差系数，用以衡量车辆到达客户时间与客户点的期望服务时间范围存在重合情况的时间距离偏差。客户的空间距离采用曼哈顿距离计算，客户空间距离定义为业务的地理距离，公式如下：客户的时空距离d
gj
公式如下：式中，α为时间距离的权重，ε为时间距离和空间距离的转换系数。9.根据权利要求8所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：最大最小聚类法来对配送业务进行聚类过程为，(1)导入配送中心的位置、客户位置、需求时间窗、偏差系数、距离权重和转换系数；(2)确定θ值，任选一个业务作为第一聚类中心z1；(3)选择离z1距离最远的业务作为第二类聚类中心z2；(4)根据公式(15)逐个计算每个业务与已知确定的所有聚类中心之间的时空距离，并选出其中的最小距离；(5)在所有最小距离中选出一个最大距离，如果该最大值达到θ||z1-z2||，则将产生最大距离的那个业务定义为新增聚类中心，并返回上一步。否则，聚类中心的计算步骤结束；(6)重复步骤(4)和(4)，直到没有新的聚类中心出现为止；(7)寻找聚类中心的运算结束后，将业务按最近距离划分到相应的聚类中心所代表的类别中。10.根据权利要求9所述的一种配送属性数据驱动的协同配送联盟组建方法，其特征在于：设计遗传算法的具体过程为，(1)开始循环。初始化所有配送中心配送属性数据、预处理得到的数据和联盟集合，当所有联盟包含的配送中心小于所有配送中心个数时执行循环。(2)编码，该问题属于0-1整数规划问题，变量只涉及0、1这两个值，所以采用分段的二进制编码，染色体长度为配送中心的数量，每位编码的位置代表对应编号的配送中心，编码值为1表示参与联盟(0表示不参与)，则每条染色体代表一个联盟。例如，编码101000表示该区域一共有6个配送中心，其中配送中心1和配送中心3形成一个配送联盟。设定每个配送中
心只能参与1个联盟，为了避免某配送中心重复参加联盟组建，对于已参加联盟的配送中心，在循环时设定其编码值为0，然后以该位置为中心，对其左右段分别使用随机二进制数编码，例如在以上6个配送中心的联盟问题中，若配送中心1和3已参加联盟，则置编码的第1、3位置为0，对位置1和位置3的之间(第2位)和位置4、6之间采用随机生成0或1方式填充；(3)生成初始种群，随机生成初始种群，种群规模的大小决定了初始的搜索空间，种群数量不可太大或太小，具体数量可以根据配送中心规模大小确定；(5)适应度函数，将目标函数进行指数变换得到适应度函数，如式(16)所示，其中取α＝-0.5，f为目标函数。适应度函数越大，染色体越优，反之越劣质，fitness＝e-α(f)
ꢀꢀꢀꢀ
(17)；(6)选择操作，采用轮盘赌策略，如个体适应度值越大，被选中的概率越大；(7)交叉操作。随机截取两个染色体的片段进行交换。如对6个配送中心的编码，通过生成[1,6]区间的两个不同的随机整数a1和a2，然后交换a1和a2之间的编码，如a1＝2，a2＝4，交换染色体1|010|10与染色体0|101|01第2、4之间的基因，得到染色体1|101|10和染色体0|010|01。设交叉概率为0.8；(8)变异操作，通过随机选择和交换单个染色体上两个位置的基因来实现变异。例如，选择101010的第2和第5位进行交换变异为111000，代表。设定变异概率为0.03；(9)重复步骤(5)-(8)直到满足迭代次数，输出结果；(10)判断所有配送联盟是否已经包含了所有配送中心，如是则终止循环，输出所有联盟，否则继续以上所有步骤。

技术总结
本发明提供一种配送属性数据驱动的协同配送联盟组建方法，属于物流配送领域，所述方法包括分析配送中心配送属性数据，发现潜在的协同机会，建立配送中心共同关系强度模型、配送中心经济占比模型、配送中心出车时段互补模型和配送中心车辆资源互补模型，建立配送属性数据驱动的协同配送联盟组建模型，求解配送属性数据驱动的协同配送联盟组建模型。直接由配送数据驱动在某区域或多个配送中心中识别和构建多个存在配送网络重叠、辐射范围重叠、出车时间互补、车辆类型资源互补的稳定的配送联盟，为单个配送中心确定最佳的协同配送伙伴，避免了以往伙伴选择方法的主观的指标选择和排序，同时克服了只能选择一个联盟伙伴和一次只能组建一个联盟的弊端。只能组建一个联盟的弊端。只能组建一个联盟的弊端。


技术研发人员：邓建新 韦婉冬 张星 陈星雨 黄秋林 贺德强 李先旺 袁邦颐
受保护的技术使用者：广西大学
技术研发日：2021.09.16
技术公布日：2022/4/25