一种新农村智慧物流管理系统的制作方法

1.本技术涉及智慧物流技术领域，具体而言，涉及一种新农村智慧物流管理系统。


背景技术：

2.当今社会需聚焦乡村振兴，落实高质量发展要求，深入开展电子商务进农村综合示范，以现代信息技术为依托，以创新引领农村流通转型升级，以信息化驱动农业农村现代化，推动提升电子商务进农村，夯实农村快递物流基础设施，健全农村电商公共服务体系，培育壮大农村市场主体，畅通农产品进城和工业品下乡，增加就业岗位，满足农村群众美好生活需求。
3.当前“农村最后一公里”和“物流围城”依然是物流行业中亟待解决的问题。
4.(1)物流进村难，运营难
5.近几年来，政府一直加大农村电商建设工作，但由于缺乏县域物流的有效整合，导致物流进村成本高居不下，虽然政府有周期性补贴，但由于缺乏高效的整合和多生态的业务补给，导致只能解决阶段性需求，物流进村还是一个难啃的骨头，如何有效破解农村物流运输难题，确保长期稳定运营，是一个急待解决的问题。
6.(2)客户分散，车辆安排难
7.在中国各大城市人口分布虽然密集，但快递的选择多种多样，这造成了客户的分散性，使得快递公司在安排配送车辆时难度较高。此外，快递派送与客户存在严重的时间冲突。物流公司在快递配送最后一个环节很难实现“门到门”的服务，导致了二次配送，造成在人力与时间上的浪费。对于大部分上班族来说，白天上班家里无人可以收取快递，快递员也不愿意等下班之后再次派送，快递配送的效率也明显降低。这样一来快件自发出到收取这一过程中经历的时间明显延长。
8.随着互联网以及各种信息技术的发展，信息技术已能够实现数据的快速、准确传递，提高了现代物流企业在运输、装卸、仓储配送、采购、订货、订单处理的自动化水平，使物流企业与其它企业间的信息沟通交流、协调合作更加方便快捷，而方兴未艾的物联网技术更能有效跟踪和管理物流渠道中的货物，高效的同仓共配系统能精确计算物流活动的成本，使得物流管理效率得到了极大的提高。
9.农村网络零售增长快，随着农村网络零售的增长，对物流需求也非常大。2017年全国农村实现网络零售额12448.8亿元人民币，同比增长39.1％。截至2017年底，农村网店达到985.6万家，较2016年增加169.3万家，同比增长20.7％，带动就业人数超过2800万人。2017年全国快递业务量完成400.6亿件，2011-2016年，中国快递行业业务总量保持着高速增长的趋势。根据国家邮政局公布2018年快递业数据显示，全国快递业务量突破500亿件，累计完成507.1亿件，同比增长26.6％，业务收入累计完成6038.4亿元，同比增长21.8％，农村地区年收投快件量达120亿件。2017年，我省农村电商网络零售额66.33亿元，同比增长84.8％，实现快递量21193.7万件，增速达34.3％。
10.未来农村电商成电商发展新“蓝海”，对物流的需求将更加强大，物流基础设施骨
干网络建设迫在眉睫：原因是，从农村电子商务的现状来看，仍然处在初步发展的阶段，但是近两年的增速较快。1)我国农村居民的人均收入已经突破一万元，并且增速快于城市居民。2)我国农村居民的互联网普及率不到城市居民的一半，未来发展潜力较大，预计农村网民还能再增加两亿人。3)农村居民利用网络进行电子商务的使用率远低于城市居民。4)农村居民对网络购物和网上支付的接受程度较高，使用率提升速度较快。
11.但是，由于生产资料和产品的特殊性质，虽然农村经济势头良好，但与城市相比，农村经济发展依然落后，农民收入低，农村市场相对城市市场发展滞后。这必然使得农村物流供给及需求水平低，物流业发展缓慢，相比于城市终端物流而言，农村地区物流的“最后一公里”服务具有较大差异性和复杂性。目前，农村地区物流模式主要存在的问题有以下几点：
12.1、基础设施建设不健全
13.农村网络的使用率越来越高，但当前农村物流所配备的基础设施不够健全，没有跟上农村电商发展的脚步。特别特别是一些偏远地方，交通、网络都不是很发达，物流成本会变得很高。使得物流成本高的背景下，效率和服务质量却无法有效提高。
14.2、物流体系不完善
15.农村电子商务物流在发展的过程当中，各个环节之间的配合度、关联度比较差，没有形成有机整合，整个物流体系不够完善。主要原因之一在于快递企业条块分割化比较明显，没有立足于整体，进行统一协调和统筹规划。
16.3、物流信息化水平较低
17.不同地区的信息化发展情况不一、平衡度比较差，主体之间信息传递的渠道单一化，很多参与主体获取信息的能力、对信息的把握程度千差万别，继而导致了交易主体之间的信息不对称，随之所导致的后果则是市场交易成本增加、消费者预期改变等。
18.现阶段，农村物流系统仍处于起步时期，而新农村物流系统的建设和改进可以从以下几个方面着手：
19.1)智慧物流平台
20.建设基于双边的智慧物流平台，其中需求侧主要是指农产品种植户、零售商家等对物流服务有一定需求的物流客户；供给侧主要包括快递企业、物流公司等为物流客户提供物流服务的服务供应商；运营商包括贸易平台和信息交换型物流平台，通过建立信息交流中心，将供给侧和需求侧的分散资源整合起来，把线下服务转移到线上[7]。
[0021]
2)运输包装
[0022]
由于大部分农产品，如冷链产品存在易腐烂，运输中易损坏，难以保存，而农村农产品生产者与经销则多以网袋、纸箱等初级包装保存农产品，而很少考虑长途运输过程中的温湿度因素，因此使得农村产品的物流运输和损耗成本占比重较大。研究低成本高效的包装来保存农产品可以有效减少运输损失。
[0023]
3)运输成本
[0024]
由于许多村庄位置分散，较为偏远，且分布不规律，送货、收货车辆仅仅依靠司机的经验来选取路径，往往因为不合理的路径规划，导致需要快速运输的冷链产品在第一步收货时就产生时间损失，并且提高了运输和配送货物时的成本费用，因此通过合理的算法计算本地仓库位置，通过智慧物流平台确定收取农产品的时间，通过合理的算法规划安排
农产品上门收取时间以及网购物品的配送方案，从而减小配送过程中的运输成本和运输损失。
[0025]
基于此，本技术致力于提供一种新农村智慧物流管理系统。


技术实现要素：

[0026]
本技术实施例的目的在于提供一种新农村智慧物流管理系统，以搭建的智慧物流平台为基础，以构建的车辆路径规划模型进行路径规划，提供低成本的农产品收货的车辆运输路径，解决农产品的运输问题。
[0027]
为了实现上述目的，本技术的实施例通过如下方式实现：
[0028]
第一方面，本技术实施例提供一种新农村智慧物流管理系统，包括：预约信息获取单元，用于获取第一区域和第二区域内的客户预约信息，其中，所述第一区域和所述第二区域均位于同一配送中心的配送范围，且所述配送中心位于所述第一区域和所述第二区域之间，所述客户预约信息包含货物上门收取日期、货物上门收取地点、货物种类以及货物重量，货物种类为任一类型的农产品；车辆信息获取单元，用于获取所述配送中心的车辆信息，其中，所述车辆信息包括车辆数量n；数据预处理单元，用于对所述客户预约信息和所述车辆信息进行预处理，确定出与所述车辆数量n对应的客户点集合n，其中，客户点集合n中的每个客户点表征一个货物上门收取地点；车辆路径规划单元，用于将所述车辆数量n及所述客户点集合n输入其内设置的车辆路径规划模型，得到所述车辆路径规划模型输出的路径规划信息；车辆调度单元，用于基于所述路径规划信息调度所述配送中心的车辆前往其规划的货物上门收取地点收取货物。
[0029]
在本技术实施例中，通过新农村智慧物流管理系统的预约信息获取单元，获取第一区域和第二区域内的客户预约信息；而车辆信息获取单元则可以用于获取配送中心的车辆信息(车辆数量n)；再利用数据预处理单元对客户预约信息和车辆信息进行预处理，确定出与车辆数量n对应的客户点集合n(客户点集合n中的每个客户点表征一个货物上门收取地点)。车辆路径规划单元用于利用车辆路径规划模型得到路径规划信息；使得车辆调度单元可以基于路径规划信息调度配送中心的车辆前往其规划的货物上门收取地点收取货物。这样的方式，可以在几个村镇的交汇区域设置配送中心，负责几个村镇的农产品收货运输和转运，从而可以以一个配送中心服务多个村镇，大大降低设置配送中心的投入成本。而利用预约信息获取单元可以为配送中心的配送范围(第一区域和第二区域)内的农户提供提前预约收取农产品的渠道，车辆路径规划模型则可以规划出低成本的路径规划信息，实现车辆的运输调度，从而大大降低农村区域农产品收货的物流成本，近乎完美地解决“农村最后一公里”和“物流围城”的问题。
[0030]
结合第一方面，在第一方面的第一种可能的实现方式中，所述车辆信息还包括单位发车成本，所述车辆路径规划模型通过以下公式计算发车成本：
[0031][0032]
其中，cv为发车成本，n＝{n1，n2，...，nn}为客户点集合，nn为车辆kn对应的客户点集合，ev＝{1，2
…
，kn}为所有车辆的集合，c1为单位发车成本，表示决策变量，取值为0
或1，取1时表示车辆kn由i驶向j。
[0033]
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述新农村智慧物流管理系统还包括加油站点信息获取单元，用于获取所述第一区域和所述第二区域内的加油站点信息；对应的，所述数据预处理单元，还用于对所述加油站点信息进行预处理，确定出加油站点集合c；所述车辆路径规划单元，还用于将所述加油站点集合c输入所述车辆路径规划模型；
[0034]
所述车辆路径规划模型通过以下公式计算车辆维护成本：
[0035][0036]
其中，cc为车辆维护成本，y＝n∪c，c为加油站点集合，c2为单位距离车辆维护成本，d
ij
为从i到j的距离；
[0037]
且满足以下约束条件：
[0038]
出入客户点的车为同一辆，且次数为1：
[0039][0040]
出入加油站的车为同一辆，且次数为1：
[0041][0042]
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述车辆信息还包括单位燃料成本和车辆的实时燃料储量，所述车辆路径规划模型通过以下公式计算燃料成本：
[0043][0044]
其中，wc为单位燃料成本，为车辆kn离开加油站i时的燃料储量，为车辆kn进入加油站i时的燃料储量；
[0045]
且满足以下约束条件：
[0046]
车辆发车时都为加满燃料状态：
[0047][0048]
车辆kn在离开客户点i时的燃料小于临界值时，需要前往加油站，且加油后，燃料量不超过最大值：
[0049][0050]
车辆在行驶过程的燃料消耗：
[0051][0052]
其中，为车辆kn从i到j消耗的燃料；
[0053]
车辆kn在任意客户点及配送中心装卸货物时不消耗燃料：
[0054][0055]
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式
中，所述车辆信息还包括装货单位重量成本和卸货单位重量成本，所述车辆路径规划模型通过以下公式计算装卸货成本：
[0056][0057]
其中，f＝d∪n，d为配送中心，v1为装货单位重量成本，v2为卸货单位重量成本，w
ei
为在客户点i处装货的重量；
[0058]
且满足以下约束条件：
[0059]
车辆kn在离开客户点i时货物量不能超过上限：
[0060][0061]
其中，w
max
为车辆载重上限；
[0062]
车辆kn在客户点i在配送中心的卸货时间：
[0063][0064]
其中，vo为卸货速度，为车辆kn进入配送中心时的重量，为车辆kn离开上一个客户点i的重量；
[0065]
车辆kn在客户点i的装货时间为：
[0066][0067]
其中，vr为装货速度；
[0068]
车辆kn离开客户点i时的装货重量为：
[0069][0070]
其中，为车辆kn进入客户点i时的重量；
[0071]
车辆kn离开客户点i的时间为：
[0072][0073]
其中，为车辆kn到达客户点i的时间，
[0074]
车辆kn剩余燃料与行驶里程的关系：
[0075][0076]
结合第一方面的第四种可能的实现方式，在第一方面的第五种可能的实现方式中，所述车辆路径规划模型通过以下公式计算最小综合成本：
[0077][0078]
其中，mintc为最小综合成本。
[0079]
在该实现方式中，车辆路径规划模型可以考虑到发车成本、车辆维护成本、燃料成
本和装卸货成本，并通过构建合理且符合实际的成本计算方式，搭配合理且具有可行性的约束条件，构建出最小综合成本的计算方式，在路径规划的过程中，求得符合条件的成本接近最低的路径，从而实现路径规划，有效降低收取农产品的物流成本。
[0080]
结合第一方面，或者结合第一方面的第一种至第五种中任一可能的实现方式，在第一方面的第六种可能的实现方式中，所述车辆路径规划模型通过蚁群算法，在满足所有约束条件的情况下求得最小综合成本最小的适于n辆车辆的配送路径，作为所述路径规划信息输出。
[0081]
结合第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，所述蚁群算法的转移概率为：
[0082][0083]
其中，p
ij
(t)表示蚂蚁在t时刻从客户点i出发选择客户点j的概率，τ
ij
(t)表示t时刻的信息素，α为素权重，η
ik
(t)为启发因子，β为启发因子的权重，allowed为表示允许的访问用户的集合，即客户点的集合；
[0084]
所述蚁群算法的信息素更新法则为：
[0085][0086]
其中，lk为第k只蚂蚁走过的路径长度，q为信息素浓度常数。
[0087]
结合第一方面的第七种可能的实现方式，在第一方面的第八种可能的实现方式中，所述蚁群算法中加入有logistic混沌映射算子：
[0088]
x(n 1)＝μ
·
x(n)(1-x(n))，
[0089]
其中，x(n)为混沌变量，n为迭代次数，μ为调节变量；
[0090]
利用logistic混沌映射算子对全局信息进行更新，得到更新的全局信息：
[0091][0092]
在该实现方式中，针对农村中农户位置分散，收取农产品运送至配送中心时路径复杂，由于路径的不合理规划导致运输成本大大增加的问题，通过改进蚁群算法结合车辆路径规划模型设定的约束条件来对车辆路径规划模型中构建的最小综合成本进行计算求解，输出最优解作为路径规划信息输出，实现以多区域(多个村镇)交汇处设置配送中心时多车辆的路径规划，从而解决在农产品收货时的高成本问题。且本方案具有较高的准确性和可靠性，可以在考虑货物重量，运输车辆数目，以及客户点因需求改变导致数量、位置变动的条件下，自动寻求较优路径，从而有效节省新农村智慧物流管理系统中，从客户点收货至配送中心时的运输成本以及货物的时间损失。
[0093]
结合第一方面的第五种可能的实现方式，在第一方面的第九种可能的实现方式中，所述数据预处理单元，具体用于：
[0094]
以所述配送中心为原点，以正北方向为y轴，正东方向为x轴构建坐标系，并基于每个所述客户预约信息中的货物上门收取地点在该坐标系中的坐标，计算所述配送中心到各个客户点i的距离di和方向信息；
[0095]
以及，基于所述配送中心到客户点i的距离di和该客户点i的货物重量，确定出参数κ：
[0096]
κ＝γdi ηw
ei
，
[0097]
其中，γ和η分别为与距离和货物重量相关的非线性系数；
[0098]
根据参数κ的大小以及方向信息对客户点进行分组，将客户点i添加到对应的客户点子集nn中，由此得到车辆数量n对应的客户点集合n。
[0099]
在该实现方式中，以客户点距离、方向及货物重量为考虑因素，对客户点进行分组，从而得到对应每个车辆的客户点子集nn，进而得到车辆数量n对应的客户点集合n。
[0100]
为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0101]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0102]
图1为本技术实施例提供的在多个村镇交汇区域设置配送中心的示意图。
[0103]
图2为利用客户预约信息进行客户点分组后的示意图。
[0104]
图3为本技术实施例提供的一种新农村智慧物流管理系统的示意图。
具体实施方式
[0105]
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描述。
[0106]
为了便于对本方案的理解，本实施例中先对一些基础配置进行介绍。
[0107]
请参阅图1，图1为本技术实施例提供的在多个村镇交汇区域设置配送中心的示意图。
[0108]
如图1所示，配送中心位于多个村子的交汇区域(例如两个村子的交汇区域)，负责这几个村子的农产品收货和运输(可称为配送，此配送表示将农产品从客户点处收取后运输至配送中心以便下一步转运)。
[0109]
为了简化说明，配送中心内配置的负责这几个村子的物流配送(例如收取农产品)多辆车辆，假定每辆车辆都是同质的，即每辆车辆的额定载重、邮箱容量、燃油消耗、单位维护成本等多种参数均是保持一致的；而每个客户点(可能是多家农户使用同一客户点，便于集中收取)的位置是相对固定的(同一客户点不存在今天在这个点、明天在另一个点的情况)；且不考虑道路突发情况，且配送中心的配送范围内的道路均为已知；而装货卸货时间和货物重量成正比，且卸货和装货的单位重量的人工成本相同。
[0110]
基于此，可以先构建车辆路径规划模型，以便实现路径规划。
[0111]
针对多个村镇之间设置配送中心的情况，本实施例中以配送中心位于两个较为接
近的村庄之间为例，当地部分农户在新农村智慧物流管理系统对外开放的预约系统上进行了预约，需要派遣车辆上门收取采摘的水果，运输至配送中心后进行下一步转运。而新农村智慧物流管理系统可以根据从预约系统获得的提前预约的配送信息(包括收货日期、收货地点、水果种类以及重量)和站点车辆情况)，根据当天货物总量安排车辆数量，考虑单辆车往返运输次数，单次车辆去往几个客户点收取货物等问题来制定车辆进行收货的路径点组。最终以发车成本、车辆维护费用、燃料费用与装卸货物费用综合成本最小为目标构建模型。
[0112]
首先，构建车辆路径规划模型时，对模型的假设如下：
[0113]
(1)配送中心位置已知，派出车辆数量已知(由智慧物流平台预约信息计算获得)，且车辆类型相同。
[0114]
(2)由智慧物流平台预约信息，获得收取货物位置已知，货物重量已知，根据货物重量和位置接近程度，将收货点按车辆数量进行分配，确保车辆可以最大效益拉满货物。
[0115]
(3)不考虑道路突发状况，村庄道路信息已知。每个客户点只会去一次。
[0116]
(4)装货卸货时间和货物重量成正比，且卸货和装货的单位重量的人工成本相同。
[0117]
基于此，可以构建目标函数(总配送成本函数)：
[0118]
tc1＝cv cc c
p
cf，
ꢀꢀꢀꢀ
(1)
[0119]
其中，tc1表示总配送成本，cv表示发车成本，cc表示车辆维护成本，c
p
表示燃料成本，cf为装卸货成本。
[0120]
具体的，发车成本的函数构建为：
[0121][0122]
其中，cv为发车成本，n＝{n1，n2，...，nn}为客户点集合，nn为车辆kn对应的客户点集合，ev＝{1，2
…
，kn}为所有车辆的集合，c1为单位发车成本，表示决策变量，取值为0或1，取1时表示车辆kn由i驶向j。
[0123]
具体的，车辆维护成本的函数构建为：
[0124][0125]
其中，cc为车辆维护成本，y＝n∪c，c为加油站点集合，c2为单位距离车辆维护成本，d
ij
为从i到j的距离
[0126]
具体的，燃料成本的函数构建为：
[0127][0128]
其中，wc为单位燃料成本，为车辆kn离开加油站i时的燃料储量，为车辆kn进入加油站i时的燃料储量；
[0129]
具体的，装卸货成本的函数构建为：
[0130][0131]
其中，f＝d∪n，d为配送中心，v1为装货单位重量成本，v2为卸货单位重量成本，w
ei
为在客户点i处装货的重量。
[0132]
基于此，可以构建出最小综合成本的函数：
[0133][0134]
其中，mintc为最小综合成本。
[0135]
构建出最小综合成本的函数后，可以进一步为模型添加约束条件：
[0136]
约束条件1：
[0137]
出入客户点的车为同一辆，且次数为1：
[0138][0139]
约束条件2：
[0140]
出入加油站的车为同一辆，且次数为1：
[0141][0142]
约束条件3：
[0143]
车辆发车时都为加满燃料状态：
[0144][0145]
约束条件4：
[0146]
车辆kn在离开客户点i时的燃料小于临界值时，需要前往加油站，且加油后，燃料量不超过最大值：
[0147][0148]
约束条件5：
[0149]
车辆在行驶过程的燃料消耗：
[0150][0151]
其中，为车辆kn从i到j消耗的燃料；
[0152]
约束条件6：
[0153]
车辆kn在任意客户点及配送中心装卸货物时不消耗燃料：
[0154][0155]
约束条件7：
[0156]
车辆kn在离开客户点i时货物量不能超过上限：
[0157][0158]
其中，w
max
为车辆载重上限；
[0159]
约束条件8：
[0160]
车辆kn在客户点i在配送中心的卸货时间：
[0161]
[0162]
其中，vo为卸货速度，为车辆kn进入配送中心时的重量，为车辆kn离开上一个客户点i的重量；
[0163]
约束条件9：
[0164]
车辆kn在客户点i的装货时间为：
[0165][0166]
其中，vr为装货速度；
[0167]
约束条件10：
[0168]
车辆kn离开客户点i时的装货重量为：
[0169][0170]
其中，为车辆kn进入客户点i时的重量；
[0171]
约束条件11：
[0172]
车辆kn离开客户点i的时间为：
[0173][0174]
其中，为车辆kn到达客户点i的时间，
[0175]
约束条件12：
[0176]
车辆kn剩余燃料与行驶里程的关系：
[0177][0178]
那么，决策变量为：
[0179][0180]
其中，决策变量取1时，表示车辆kn由i驶向j，决策变量取0时，表示车辆kn不会由i驶向j。
[0181]
由此，可以实现对车辆路径规划模型的构建。
[0182]
构建车辆路径规划模型之后，可以设计模型的求解流程：
[0183]
由前文描述的模型假设，可以通过新农村智慧物流管理系统获得当天的客户点，并根据客户位置，货物重量以及安排汽车数量进行预处理，得到与车辆数量n对应的客户点集合n。
[0184]
通过地图道路数据计算配送中心到各个客户点i的距离di和方向信息，以及该客户点i收货的重量关系将当天的所有客户点进行分组，其中方向信息根据坐标符号判断，以配送中心为零点，正北方向为y轴，正东方向为x轴。
[0185]
由此可以得到距离和需收货物重量的参数为：
[0186]
κ＝γdi ηw
ei
，
ꢀꢀ
(19)
[0187]
其中，γ和η分别为与距离和货物重量相关的非线性系数，其具体表达式与车辆的载货数量和燃料消耗相关，具体取值可以根据实际需要选取。
[0188]
之后，根据参数κ的大小以及方向信息对客户点进行分组，将客户点i添加到对应的客户点子集nn中，由此得到车辆数量n对应的客户点集合n。
[0189]
根据参数κ的大小以及方向信息对客户点进行分组，将客户点i添加到对应的客户点子集nn中，由此得到车辆数量n对应的客户点集合n。当然，此处的客户点子集nn的数量，不一定是配送中心内配置的最大车辆数量，可以低于配送中心内配置的车辆数量，但不能超过配送中心内配置的车辆数量。
[0190]
如图2所示，两个村子分别位于配送中心的西北方和东南方，当派三辆车用于收取货物时，即n＝3时，根据货物重量和距离，将客户点分为三组，分别对应3辆车辆进行收货。在实际应用中，每天预约的上门取货的农村客户数量，地点可能都会发生改变，但是通过新农村智慧物流管理系统得到的预约数据，可以通过算法自动重新计算路径。
[0191]
本实施例中，通过设计蚁群算法来对构建的车辆路径规划模型进行求解。
[0192]
蚁群算法通过使用数量庞大的蚁群对路径进行随机搜索，其算法的多样性与正反馈性主要通过概率转移和信息素更新来实现。
[0193]
转移概率为：
[0194][0195]
其中，p
ij
(t)表示蚂蚁在t时刻从客户点i出发选择客户点j的概率，τ
ij
(t)表示t时刻的信息素，α为素权重，η
ik
(t)为启发因子，β为启发因子的权重，allowed为表示允许的访问用户的集合，即当天的所有客户点。
[0196]
蚁群算法的信息素更新法则为：
[0197][0198]
其中，lk为第k只蚂蚁走过的路径长度，q为信息素浓度常数。
[0199]
但是由于算法的正反馈性，路径上不断累积的信息素会影响之后蚂蚁的行进路线，这也容易使蚂蚁行为僵化，降低了算法的多样性，限制了蚁群算法的求解效果，使得求解容易陷入局部最优。
[0200]
为了防止蚁群算法陷入局部最优，并且加快搜索速度，可以在蚁群算法中加入两元素优化法以及logistic混沌映射算子。logistic混沌映射算子表达式如下：
[0201]
x(n 1)＝μ
·
x(n)(1-x(n))，
ꢀꢀ
(22)
[0202]
其中，x(n)为混沌变量，n为迭代次数，μ为调节变量。
[0203]
通过在蚂蚁信息素更新的同时进行混沌映射，帮助算法跳出局部最优，将混沌扰动的全局信息更新为：
[0204][0205]
通过选取合适的算法参数，使用改进的蚁群算法对构建的车辆路径规划模型进行
求解，其中客户点之间的路径可以由地图数据得到，车辆数据由实际选取车辆决定。
[0206]
基于此，可以得到车辆路径规划模型的最优解，作为路径规划信息输出。
[0207]
基于构建的车辆路径规划模型，本技术实施例提供一种新农村智慧物流管理系统，将车辆路径规划模型作为新农村智慧物流管理系统中车辆路径规划单元的核心部分，实现对路径的规划，作为低成本运输的关键技术。
[0208]
请参阅图3，图3为本技术实施例提供的一种新农村智慧物流管理系统的示意图。在本实施例中，新农村智慧物流管理系统可以包括预约信息获取单元、车辆信息获取单元、数据预处理单元、车辆路径规划单元和车辆调度单元。
[0209]
示例性的，预约信息获取单元，可以用于获取第一区域和第二区域内的客户预约信息(客户预约信息可以是农户通过在新农村智慧物流管理系统中对外开放的预约系统上进行了预约产生的预约数据，当然，同一小片区可以约定一个客户点，该片区内的多个农户预约的信息可以进行汇总，例如货物重量，但同一片区的农户，只能约定同一时间)，其中，第一区域和第二区域均位于同一配送中心的配送范围，且配送中心位于第一区域和第二区域之间，客户预约信息包含货物上门收取日期、货物上门收取地点、货物种类以及货物重量，货物种类为任一类型的农产品。
[0210]
需要说明的是，本实施例中配送中心的配送范围涵盖第一区域和第二区域，在其他一些可能的实现方式中，配送中心的配送范围还可以涵盖第三区域、第四区域等，此处不作限定。
[0211]
示例性的，车辆信息获取单元则可以获取配送中心的车辆信息，其中，车辆信息包括车辆数量n。
[0212]
示例性的，数据预处理单元可以用于对客户预约信息和车辆信息进行预处理，确定出与车辆数量n对应的客户点集合n，其中，客户点集合n中的每个客户点表征一个货物上门收取地点(后文以客户点指代货物上门收取地点)。
[0213]
具体的，数据预处理单元可以以配送中心为原点，以正北方向为y轴，正东方向为x轴构建坐标系，并基于每个客户预约信息中的货物上门收取地点在该坐标系中的坐标，计算配送中心到各个客户点i的距离di和方向信息；以及，基于配送中心到客户点i的距离di和该客户点i的货物重量，确定出参数κ：
[0214]
κ＝γdi ηw
ei
，
ꢀꢀꢀꢀ
(24)
[0215]
其中，γ和η分别为与距离和货物重量相关的非线性系数。
[0216]
然后，数据预处理单元可以根据参数κ的大小以及方向信息对客户点进行分组，将客户点i添加到对应的客户点子集nn中，由此得到车辆数量n对应的客户点集合n。
[0217]
示例性的，车辆路径规划单元，用于将车辆数量n及客户点集合n输入其内设置的车辆路径规划模型，得到车辆路径规划模型输出的路径规划信息。而车辆路径规划模型可以基于获取的这些参数，更新自身的信息，然后结合设计的蚁群算法计算最优解，作为路径规划信息输出。
[0218]
具体的，车辆信息还包括单位发车成本，那么，车辆路径规划模型可以利用公式(1)计算发车成本。
[0219]
在本实施例中，新农村智慧物流管理系统还可以包括加油站点信息获取单元，用于获取第一区域和第二区域内的加油站点信息。那么，数据预处理单元还可以用于对加油
站点信息进行预处理，确定出加油站点集合c。
[0220]
基于此，车辆路径规划单元还用于将加油站点集合c输入车辆路径规划模型，以使车辆路径规划模型通过公式(2)计算车辆维护成本。
[0221]
以及，车辆信息还可以包括单位燃料成本和车辆的实时燃料储量，那么，车辆路径规划模型还可以通过公式(3)计算燃料成本。
[0222]
车辆信息还可以包括装货单位重量成本和卸货单位重量成本，那么，车辆路径规划模型可以通过公式(4)计算装卸货成本。
[0223]
基于此，车辆路径规划模型可以通过公式(5)计算最小综合成本。
[0224]
由于车辆路径规划模型可以考虑到发车成本、车辆维护成本、燃料成本和装卸货成本，并通过构建合理且符合实际的成本计算方式(公式1～4)，搭配合理且具有可行性的约束条件(条件1～12)，构建出最小综合成本的计算方式(公式5)，在路径规划的过程中，求得符合条件的成本接近最低的路径，从而实现路径规划，有效降低收取农产品的物流成本。
[0225]
在本实施例中，车辆路径规划模型可以通过蚁群算法，在满足所有约束条件的情况下求得最小综合成本最小的适于n辆车辆的配送路径，作为路径规划信息输出。
[0226]
针对农村中农户位置分散，收取农产品运送至配送中心时路径复杂，由于路径的不合理规划导致运输成本大大增加的问题，通过改进蚁群算法结合车辆路径规划模型设定的约束条件来对车辆路径规划模型中构建的最小综合成本进行计算求解，输出最优解作为路径规划信息输出，实现以多区域(多个村镇)交汇处设置配送中心时多车辆的路径规划，从而解决在农产品收货时的高成本问题。且本方案具有较高的准确性和可靠性，可以在考虑货物重量，运输车辆数目，以及客户点因需求改变导致数量、位置变动的条件下，自动寻求较优路径，从而有效节省新农村智慧物流管理系统中，从客户点收货至配送中心时的运输成本以及货物的时间损失。
[0227]
综上所述，本技术实施例提供一种新农村智慧物流管理系统，通过新农村智慧物流管理系统的预约信息获取单元，获取第一区域和第二区域内的客户预约信息；而车辆信息获取单元则可以用于获取配送中心的车辆信息(车辆数量n)；再利用数据预处理单元对客户预约信息和车辆信息进行预处理，确定出与车辆数量n对应的客户点集合n(客户点集合n中的每个客户点表征一个货物上门收取地点)。车辆路径规划单元用于利用车辆路径规划模型得到路径规划信息；使得车辆调度单元可以基于路径规划信息调度配送中心的车辆前往其规划的货物上门收取地点收取货物。这样的方式，可以在几个村镇的交汇区域设置配送中心，负责几个村镇的农产品收货运输和转运，从而可以以一个配送中心服务多个村镇，大大降低设置配送中心的投入成本。而利用预约信息获取单元可以为配送中心的配送范围(第一区域和第二区域)内的农户提供提前预约收取农产品的渠道，车辆路径规划模型则可以规划出低成本的路径规划信息，实现车辆的运输调度，从而大大降低农村区域农产品收货的物流成本，近乎完美地解决“农村最后一公里”和“物流围城”的问题。
[0228]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0229]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的
任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。