本发明涉及物流技术领域，具体为一种快件配送调度法。
背景技术
随着我国移动通信技术以及互联网技术的应用日益普及和完善，居民的购物方式产生了很大的变化，电子商务环境下的在线购物受到了消费者的极大欢迎。调查数据显示，2017年中国b2c网络购物市场交易规模达6.1万亿元，较2016年增长29.6％。预计到2021年，中国b2c网络购物市场规模将超过10万亿元。目前，我国使用网络购物的消费者数量已经超过了4.9亿人，有超过66.4％的网民加入了网络购物行列。快递是电子商务的基础，电子商务的飞速发展给快递行业提出了更高的要求，怎样提高快递服务水平已成为电子商务领域新的挑战。据统计，2017年全年，我国快递行业处理的快递数量达到400.6亿件，同比增长28.1％。我国快递业市场规模连续三年稳居世界第一，平均每天需要处理1.09亿件快递。快递业是服务业的重要组成部分，对于电子商务产业的发展具有十分重要的作用。“最后一公里”配送，作为快递的末端配送环节，由于服务的客户数量众多、位置分散、需求各异，因此普遍存在配送成本高、配送时效性差、首次配送失败率高等问题，这严重制约了电子商务产业的稳健发展。制定恰当的“最后一公里”快件配送方案，为配送线路优化提供决策支持，对于降低配送成本，提高配送效率及客户满意度具有重要意义。
在“最后一公里”快递配送途中，由于客户处于高度的不确定环境中，存在各种需要变更收件信息的动态客户，包括：拒收订单的客户、变更收件地址的客户以及变更收件时间的客户。当出现变更收件信息的动态客户时，将会导致正在执行的配送方案不再最优甚至不可行，使系统变得异常。派送员需要根据客户需求实时调整预定的配送方案，快速合理地制定出针对动态客户需求的解决方案，最大限度地减少扰动的副作用，已成为快递业急需解决的问题。当前，出现变更收件信息的动态客户时，主要由配送员进行人为决策，这种方式主观随意性很大，具有一定的盲目性，不能科学准确地规划出新的配送方案，不仅浪费配送资源，而且还造成首次配送失败率高居不下。
技术实现要素：
有鉴于此，本发明的目的在于提供一种面向动态变更收件信息客户需求的智能体分散调度方法，实现对动态客户合理有效的处理。
为达到上述目的，本发明提供如下技术方案：
面向动态变更收件信息客户需求的智能体分散调度方法，包括如下步骤：
1)智能体配送车接收动态客户订单信息；
2)智能体配送车根据其所在位置和剩余任务情况结合动态客户需求进行分散调度。
进一步，所述步骤1)中动态客户订单包括拒收订单、变更收件地址和变更收件时间3种动态客户需求。
进一步，所述步骤2)具体包括如下步骤：
21)当动态客户需求为拒收订单时，从当前配送方案中删除该客户并跳转执行步骤24)；
22)当动态客户需求为变更收件地址或变更收件时间时，在当前配送方案中删除该客户并更新服务信息，并将时间窗设为硬时间窗，然后执行步骤23)；
23)在原配送方案的基础上，通过插入算法求解后，获取满足动态客户需求的局部最优解；
24)通过双阈值控制的遗传算法求解后，获取满足动态客户需求的全部最优解；
25)根据步骤24)获得的最优解，获得更新的配送方案。
进一步，所述步骤23)具体包括如下步骤：
231)进行编码操作，将配送中心编码为0，将n个静态客户依次编码为1，2，3，…，n，将m个个动态客户依次编码为n+1，n+2，…，n+m，其中(n+m)为当前动态客户；
232)分别计算出将动态客户(n+m)插入客户path[i]和path[i+1](i＝0，1，…，(n+m-2))之间后增加的行驶距离δs[i]：
δs[i]＝dpath[i]，n+m+dn+m，path[i+1]-dpath[i]，path[i+1]；
233)从δs[i]中选取一个最小值δs[m]，使得δs[m]≤δs[i]，其中，m∈[0，n+m-2]，i＝0，1，2，...，(n+m-2)，所对应的客户path[m]和客户path[m+1]即为当前最佳插入位置；
234)判断δs[m]是否为t；若δs[m]等于t，则转至步骤226)结束插入算法操作；
235)判断动态客户n+m的硬时间窗是否满足要求；到达客户n+m的时间tn+m为：
tn+m＝tpath[m]+max[(apath[m]-tpath[m])，0]+fpath[m]+tpath[m]，n+m·dpath[m]，n+m
若an+1≤tn+1≤bn+1，则该动态客户的时间窗满足要求，获得初始最优解；否则不满足要求，令δs[m]＝t，再转向步骤223)；
236)结束插入算法操作。
进一步，所述步骤24)具体包括如下步骤：
241)将配送中心编码为0，将n个静态客户依次编码为1，2，3，…，n，将m个动态客户依次编码为n+1，n+2，…，n+m；对种群中的每个个体进行初始化操作；
242)设计适应度函数，并计算种群中每个个体的适应度值；
243)进行选择算子操作，以个体的适应度值为依据对个体进行排序，根据事先设定好的选择概率ps为比例，用适应度较好的个体代替适应度较差的个体；
244)判断是否满足算法终止条件；若满足，则输出最优个体及其代表的最优解，并停止计算；否则转向245)继续进行迭代。；
245)按父辈相似度阈值来调整变异操作的执行时间，按收敛度阈值调整变异概率；使用逆转变异算子进行变异操作；
246)按照预设的交叉概率，进行多父辈交叉操作；
247)通过上述交叉和变异算子操作后获得新一代种群，并返回242)。
进一步，所述步骤25)具体包括如下步骤：
判断新配送方案中各动态客户的硬时间窗是否满足要求：已知到达客户path[i]的时间为tpath[i]，则可计算出到达客户path[i+1]的时间为：
tpath[i+1]＝tpath[i]+max[(apath[i]-tpath[i])，0]+fpath[i]+tpath[i]，path[i+1]·dpath[i]，path[i+1]；
若所有动态客户的硬时间窗都满足要求则更新配送方案，并结束变更收件信息处理；否则，将该动态客户作拒收订单处理。
进一步，所述步骤23)和24)中，通过下式评价当前解的优劣：
上式中，mina为配送成本，minb为惩罚费用，
上式中：
n:还未服务的静态客户总数；
m:还未服务的动态客户总数；
c:配送车行驶单位距离的费用；
di，j:客户i到客户j的距离；
pj:第j个客户单位质量卸货或装货的费用；
mi:客户i快递的重量；
lti:延后到达客户点i的时间长短；
l:对于软时间窗客户，配送车延迟到达单位时间的惩罚值；
t:10000*l。
本发明的有益效果在于：本发明将现有的由配送员进行主观调度的模式改为由各智能体配送车辆分别进行分散调度的模式，当客户变更服务信息时，由在途智能体配送车根据其所在位置和剩余任务情况，结合动态客户需求，通过插入算法与双阈值控制的遗产算法操作获得解决方案，能快速合理地制定出针对动态客户需求的优化解决方案，最大限度地减少扰动的副作用。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图：
图1为本发明的流程示意图；
图2为实施例中的插入算法操作流程图；
图3为实施例中的双阈值控制的遗传算法操作流程图；
图4为实施例中智能体配送车辆的静态路线图；
图5为实施例中动态客户变更收件时间时，智能体配送车应用该方法获取到的解决方案。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述,但所举实施例不作为对本发明的限定。
参见图1，本实施例的面向动态变更收件信息客户需求的智能体分散调度方法，包括如下步骤：
1)智能体配送车接收动态客户订单信息；动态客户订单信息包括拒收订单、变更收件地址和变更收件时间3种动态客户需求。
2)智能体配送车根据其所在位置和剩余任务情况结合动态客户需求进行分散调度。具体包括如下步骤：
21)当动态客户需求为拒收订单时，从当前配送方案中删除该客户并跳转执行步骤24)；
22)当动态客户需求为变更收件地址或变更收件时间时，在当前配送方案中删除该客户并更新服务信息，并将时间窗设为硬时间窗，然后执行步骤23)；
23)输入智能体中各客户的地址、时间窗等服务信息，在原配送方案的基础上，通过插入算法操作，获取满足动态客户需求的局部最优解；参见图2，具体包括如下步骤：
231)进行编码操作，将配送中心编码为0，将n个静态客户依次编码为1，2，3，…，n，将m个个动态客户依次编码为n+1，n+2，…，n+m，其中(n+m)为当前动态客户；
232)分别计算出将动态客户(n+m)插入客户path[i]和path[i+1](i＝0，1，…，(n+m-2))之间后增加的行驶距离δs[i]：
δs[i]＝dpath[i]，n+m+dn+m，path[i+1]-dpath[i]，dpath[i+1]；
233)从δs[i]中选取一个最小值δs[m]，使得δs[m]≤δs[i]，其中，m∈[0，n+m-2]，i＝0，1，2，...，(n+m-2)，所对应的客户path[m]和客户path[m+1]即为当前最佳插入位置；
234)判断δs[m]是否为t；若δs[m]等于t，则转至步骤226)结束插入算法操作；235)判断动态客户n+m的硬时间窗是否满足要求；到达客户n+m的时间tn+m为：
tn+m＝tpath[m]+max[(apath[m]-tpath[m])，0]+fpath[m]+tpath[m]，n+m·dpath[m]，n+m
若an+1≤tn+1≤bn+1，则该动态客户的时间窗满足要求，获得初始最优解；否则不满足要求，令δs[m]＝t，再转向步骤223)；
236)结束插入算法操作。
24)输入智能体中各客户的地址、时间窗等服务信息，通过双阈值控制的遗传算法操作，获取满足动态客户需求的全局最优解；参见图3，具体包括如下步骤：
241)将配送中心编码为0，将n个静态客户依次编码为1，2，3，…，n，将m个动态客户依次编码为n+1，n+2，…，n+m；对种群中的每个个体进行初始化操作；
242)设计适应度函数，并计算种群中每个个体的适应度值；
243)进行选择算子操作，以个体的适应度值为依据对个体进行排序，根据事先设定好的选择概率ps为比例，用适应度较好的个体代替适应度较差的个体；
244)判断是否满足算法终止条件；若满足，则输出最优个体及其代表的最优解，并停止计算；否则转向245)继续进行迭代。；
245)按父辈相似度阈值来调整变异操作的执行时间，按收敛度阈值调整变异概率；使用逆转变异算子进行变异操作；
246)按照预设的交叉概率，进行多父辈交叉操作；
247)通过上述交叉和变异算子操作后获得新一代种群，并返回242)。
25)根据步骤24)获得的最优解，获得更新的配送方案，具体包括
判断新配送方案中各动态客户的硬时间窗是否满足要求：已知到达客户path[i]的时间为tpath[i]，则可计算出到达客户path[i+1]的时间为：
tpath[i+1]＝tpath[i]+max[(apath[i]-tpath[i])，0]+fpath[i]+tpath[i]，path[i+1]·dpath[i]，path[i+1]；
若所有动态客户的硬时间窗都满足要求则更新配送方案，并结束变更收件信息处理；否则，将该动态客户作拒收订单处理。
本实施例中，通过分散调度模型判断硬时间窗是否满足要求：
该模型描述如下：有一个末端配送中心，将该配送中心服务的地区按街道划分为多个小区域，配送中心按照划分的区域对快递进行分拣，每辆智能体配送车负责一个小区域的快递取送服务。每辆配送车从配送中心出发，依次服务各个客户点，完成任务后返回配送中心。智能体配送车出发时，对其服务的静态客户制定优化配送方案，在满足所有约束条件下，使得以配送成本和惩罚费用为双目标的评价函数达到最优；在快递的配送过程中，待服务客户可能变更收件信息，此时，由在途智能体配送车根据其所在位置和剩余任务情况，结合动态客户需求进行分散调度，实现对动态客户合理的处理。
约束条件：
①配送车的最大载重量为q，配送车上所有快递的质量不可超过q；
②配送车的最大容积为v，配送车上所有快递的体积不可超过v；
③服务时间窗：根据客户对时效性的要求，将静态客户的服务时间窗设置为软时间窗,将动态客户的服务时间窗设置为硬时间窗。
符号说明：
[ai,bi]:客户i的服务时间窗。
n:还未服务的静态客户总数。将配送中心编号为0，将静态客户依次编号为：1，2，3，…，n。
m:还未服务的动态客户总数。将动态客户编号为：n+1，n+2，…，n+m。
c:配送车行驶单位距离的费用。
di，j:客户i到客户j的距离。
ti，j:从客户i到客户j的道路行驶单位距离所需的时间。
pj:第j个客户单位质量卸货或装货的费用。
mi:客户i快递的重量。
vi:客户i快递的体积。
ti:配送车到达客户i的时间。
wti:提前到达客户点i的时间长短。
lti:延后到达客户点i的时间长短。
fi:客户i所需的服务时间。
l:对于软时间窗客户，配送车延迟到达单位时间的惩罚值。
t:10000*l。
若已知到达客户点i的时间为ti，则可得到从客户i到达客户j的时间tj为：
tj＝ti+wti+fi+fi，j·di，j (1)
提前到达客户点j的时间长短为：wtj＝max[(aj-tj)，0](2)
延后到达客户点j的时间长短为：ltj＝max[(tj-bj)，0](3)
目标函数一：配送成本mina。
配送成本由两部分组成。第一部分是配送车的行驶费用，第二部分是服务费用。
目标函数二：惩罚费用minb。
本模型中，将动态客户的时间窗设置为硬时间窗，配送车必须在规定的时间内为客户提供服务；将静态客户的时间窗设置为软时间窗，配送车应尽量在时间窗范围内对静态客户提供服务，可提前到达也可延后到达，但延后到达时，需接受与延后到达时长成正比的惩罚。客户满意度minb用于标识延迟到达的惩罚费用。
评价函数：
该模型同时以配送成本和惩罚费用最小为评价函数，根据这两个目标函数的重要程度，分别赋予不同的权重
s.t:
目标函数(4)表示配送车辆的配送成本，配送成本主要由运输成本和装卸货成本组成；目标函数(5)表示实际服务时间迟于规定时间造成的惩罚费用；评价函数(6)表示总的配送费用，为该模型的优化目标。约束条件(7)表示当前n+m个客户点由一辆配送车去服务；约束条件(8)表示每一个客户点都必须进行服务；约束条件(9)表示配送车辆从配送中心出发并最终返回配送中心；约束条件(10)表示配送车辆所运送的货物不能超过车辆的重量限制；约束条件(11)表示配送车辆所运送的货物不能超过车辆的体积限制；约束条件(12)表示总共还需进行服务的客户数为n+m。
本算例以某一个智能体配送车为研究对象，该配送车的相关参数如表1所示。假设在配送途中的某时刻，静态客户点的原有配送线路如图4所示，还剩9个静态客户点未进行服务(将配送车当前位置虚拟为配送中心)，此时，若客户1需要将收件时间窗由[4,12]变更为[60,80]，经该智能体配送车处理后，可获得如图5所示的解决方案。其中，各客户间的距离如表2所示；各客户点的相关参数如表3所示；其他相关参数如表4所示。
表1配送车辆相关参数
表2各客户间的距离di，j
表3客户相关参数
表4其他相关参数
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。