一种物流调度系统的制作方法

本发明涉及物流运输
技术领域：
，具体涉及一种高压加氢大口径超壁厚无缝三通管件。
背景技术：
：随着经济社会的发展，和电子商务的发展壮大，物流运输量越来越大，因此物流调度成了经济发展的社会生活的一个重要问题，各类物资需要统一的安排运输，但是物资在实际运输过程中是错综复杂的，是无序的，遗传算法是基于自科学中的优胜劣汰原则，后被引用至寻优算法中，在处理无序的个体运算中，遗传算法具有明显的优势，在进化过程中进行的遗传操作包括编码、选择、交叉、变异和适者生存选择，不需要对函数求导和要求函数连续，它模拟自然选择和自然遗传过程中的繁殖、交叉和基因突变等现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止它以适应度函数为依据，通过对种群个体不断进行遗传操作实现种群个体一代代地优化并逐渐逼近最优解。遗传算法基于编码实现基因化，再整合成方案将基因片段链接成染色体，通过构造适应度函数来度量每个个体对聚类问题的适应程度，即如果某个个体的编码代表良好的聚类结果，则其适应度就高；反之，其适应度就低。适应度函数类似于有机体进化过程中环境的作用，适应度高的个体在一代又一代的繁殖过程中产生出较多的后代，而适应度低的个体则逐渐消亡；但是遗传算法中的计算效率较低、容易陷入局部最优、收敛困难等不足，会造成过早收敛，或大量迭代复算，在现代物流行业，物流量越来越大，很符合遗传算法的基础编码，以及从无序状态进行分拣，但是如何快速有效地调度，又尽量少的调度车辆，在路程、送货时间和经济适用量之间衡量，显然是一个难题，并不是遗传算法就能解决的。而当物资在运输的过程中，针对单一某物资的运输情况怎样，缺少了必要的管理，将海量的物资建立运输方案后，对于某一物资的跟踪同样成为大问题，如物资从发货站就上错了运输车，或物资在运输中途需要改变收货点，因此该物资成了特例，但是例如此样的特例如果先到预定收货点再次更改收货点进行发货，造成了运输时间加长，以及浪费运输资源。因此，对于物资运输而言，还需要针对单一的物资进行动态跟踪，以实现对物流调度运输的预警、分析和处理。技术实现要素：本发明的目的就在于为了解决上述问题而提供一种物流调度系统；包括与中央调度系统数据联网的发货点的发货仓储系统、运输管理系统、动态物流分析保护系统、中转站的中转系统和收货点的收货仓储系统；所述发货仓储系统包括计量系统、分货系统和发货装载区间；所述运输管理系统包括运输调度系统和运输工具；所述中转系统包括中转分货系统和中转装载区间；所述收货仓储系统包括收货反馈端和收货仓；将物流过程中的运输环节节点化，便于进行编码运算和编码检索；所述计量系统测量物资的重量和体积，然后根据物资的重量、体积和收货地信息生成唯一识别码，并将唯一识别码发送至调度系统；所述分货系统识别物资唯一识别码获取收货地信息并将物资进行分类传送至发货装载区间；所述发货装载区间将不同目的地的物资进行存放；唯一识别码使物资具有身份信息，可以对物资运输环节是否正确进行快速判断和纠正，物资在运输过程中，所经历的环节都通过检索唯一识别码向中央调度系统发送检索信息，形成中央调度系统有效地对物资进行跟踪，最为重要的，中央调度系统通过唯一识别码，将物资基础信息收集，如物资的重量、体积、发货点、收货点等，提供了对物流方案运算的编码基础。所述运输调度系统根据中央调度系统调度运输工具和向中央调度系统上报运输工具的位置；所述中转分货系统识别物资唯一识别码获取收货地信息并将物资进行分类传送至中转装载区间；所述中转装载区间将不同收货点的物资进行存放；所述动态物流分析保护系统包括数据集和动态物流分析保护方法；所述动态物流分析保护方法包括以下步骤：s11:采集动态物流数据，形成数据集；s12:对所述s11步骤得到的数据集进行区域分类；s13:对所述s12步骤得到的数据集进行子分类转换二次回归；s14:形成多目标分数规划的wolfe式对偶规则，对所述s13步骤得到的数据集进行数据自修复保护；s15:形成数据预警分析函数，对所述s14步骤得到的动态物流数据集进行预警分析；所述收货反馈端通过扫描唯一识别码确认物资收货；所述收货仓将物资存储；所述中央调度系统记录并运算发货仓储系统、运输管理系统、动态物流分析保护系统、中转系统和收货仓储系统上传的数据。针对上述方案的进一步改进：进一步地；所述中央调度系统将上传数据进行运算，其运算方法包括一种基于遗传算法和神经网络算法的运输调度方法，所述运输调度方法包括以下步骤：a1、建立数据模块，其中参数包括物资信息、发货点信息、中转站信息、收货点信息、运输工具信息；其相关符号表示如下：m：物资；所述物资包括ma物资重量；mb物资体积；在物资调度时，物资的重量ma和体积mb从2个维度限定，运输工具一次的运载量受重量或体积限定；n：发货点,包括{n1,n2,n3……n}；发货点作为物资的一个重要基因，编入基因中，可以快速检索到某一个发货点的发货量，计算某一个发货点的发货量；从而可以计算选择运输工具，将运输工具作为基因编入；q：中转站，包括{q1,q2,q3……q}；在现代物流中，中转站起到至关重要的作用，将各发货点的物资根据收货点重新编排发送至各个收货点，实现物资的集中收发功能，避免了大量重复的运输；m：收货点，包括{m1,m2,m3……m}；收货点作为物资的另一个重要基因，发货点和收货点构成了一个最基本的染色体(即一种物资的运输方案要)，可以快速检索到某一个收货点的收货量，计算某一个收货点的收货量，从而可以计算选择运输工具，将运输工具作为基因编入；d：运输工具；包括{d1,d2,d3……d}；运输工具作为一个基因片段载入染色体中，包括2个过程，从发货点至中转站的运输工具选择，从中转站至收货站的运输工具选择；r：运输路径；运输路径作为评价运输方案的一种方式，由发货点作为起点，收货点作为终点，途经中转站或不经中转站；运输路径具有矢量性，即运输是点对点的方向，对于稳定物流系统而言，发货点n和收货点m是同集，某发货点可作为另一发发货点的收货点，甚至发货点可能作为自己的收货点。t：时间长；时间长作为单一物资调度运输时间的总和，作为一个重要的评价参数，用以评价运费方案(染色体)的实际效率；e：经济适用量；经济适用量作为对单位总货量采用最少的运输工具及运输路径最短的评价值，用以于对r、d、t的评价，对适应度函数进行评价；实现遗传算法后期迭代稳定，避免大量迭代；a2、生成初始种群g；该初始种群包含n条染色体；其中一条染色体为物资的一种运输方案；所述染色体按照任意长度对物资m(ma和/或mb)根据需要选择特征进行编码，生成物资调度序列；所述染色体包含有多个基因，所述基因片段包括n、m、q、r、d的一种或多种；且需满足以下条件：f(d)≥manxmy或f(d)≥mbnxmy；x∈n,y∈m；染色体基本物资的重量或体积进行初始编码；也可以同一物资基于重量和体积进行2种编码，扩大种群的基因数量，从2个维度对同一物资进行编码，能更加准确地表达物资信息；运输工具每次运输不能超过其所能承载额定运载重量或额定体积；a3、构建神经网络；发货点的计量系统为神经网络输入端，收货点的收货反馈端为输出端，中转站为隐含层；即神经网络具有n个网络输入端，m个输出端，q个神经元；染色体的映射关系为{n1,n2,n3……n}→{qxn1,qxn2,qxn3……qxn}→{qxqyn1,qxqyn2,qxqyn3……qxqyn}→{m1,m2,m3……m}；其中q≥x≥1；q≥y≥1；所述染色体经神经网络输入和输出构成染色体的运输方案；人工神经网络就是模拟人思维的第二种方式；是一个非线性系统，其特色在于信息的分布式存储和并行协同处理，虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为模拟了物流调度常态表现，神经网络不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。神经网络通过大量的数据进行训练从而得出输入与输出间映射关系，通过梯度下降法不断调整网络的权值和阈值，使网络误差达到最小，将神经网络算法植入遗传算法中，形成神经网络算法对遗传算法的大幅减数运算，神经网络基于梯度下降法，收敛速度慢，误差函数容易陷入局部最小值。遗传算法是从种群开始进行搜索，而不是从一个点开始寻找最优解，因此具有很好的全局寻优能力。将神经网络植入遗传算法中，优化了遗传算法，降低了遗传算法的运行数据，减少了迭代次数，能更加快速得出优解。a4、开始迭代，执行以下步骤：s21:将初始种群依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群g1；种群g1包括基于物资重量和物资体积的编码基因集合，以ma和mb为基因片段的起点，进行n、m、q、d排列组合；经交叉后，染色体包含多种不确定无序状态的基因，形成多种调度方案；s22:将种群g1根据调度目标r、t、e进行适应度评价；得到种群g2；设定调度目标值和r、t、e适应度评价函数，对种群g1内基因进行筛选，得到优化后的种群g2；s23:将种群g2根据变异概率进行变异操作；为了避免过早收敛或种群内染色体趋早稳定，对种群g2进行变异操作，实现染色体的基因发生突变，丰富了染色体的种类；s24:将第s23步种群g2依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群g3；基因突变存在不确定因素，突变率可以设置，突变的形态是不可控的，交叉染色体的基因，将突变的基因更好的保存，避免突变后的首次筛选被适应度评价函数剔除；s25:将种群g3根据调度目标r、t、e进行适应度评价；得到种群g4；将突变后交叉重组的染色体再次适应度评价，减少运算量；至此完成了染色体的第一次迭代运算；s26:重复种群迭代，得到种群gi，判断是否达到收敛优化结果；是，结束迭代，否，继续迭代。将种群多次迭代，评价染色体与目标值，判断是否达到了收敛优化的期望值。进一步地；所述经济适用量为单位总货量采用最少的运输工具及运输路径最短的评价值；λ为整数，且λ比的整数部分大1，δdx为dx的运输量；为单位运输工具运输某一物资需要多少运输车辆，λ比的整数大1，即实际调整车辆满足物资的运输，从物资的重量或体积2个维度匹配运输车辆的运输方式，即从重量或体积2个角度哪种匹配方式所需要的运输车辆更少。按照排序来分配经济适用量被选中的概率p：根据被选中的概率p来匹配需求值，p作为一个第二级的适应度函数，来调度物资，将运输工具(车辆)的运载能力发挥到最大，概率p反应的是匹配最接近的值，因此，前一个p值能满足后一个被选中的p值，所剩余量最少，即车辆运输余量最少，实现运载的最大值；设置权重函数(1)：u＝pε1；所述ε1为权重参数，ε1∈[0,1]；设置权重函数，用以平衡经济适用量函数和分配经济适用量被选中的概率p函数在适应度评价运输调度方法中的收敛。进一步地；所述染色体为在神经网络种群中的阈值，每次迭代种群则为神经网络的连接权值；g＝nq+qm+q+m；连接权值为种群的基因数值，对基因的连接权值进行计算，不断调整神经网络的权值或阈值，使神经网络误差达到最小，提升网络的识别精度；所述连接权值的染色体赋予至神经网络中，计算染色体的期望值y与输出值o的平方和q；其中i∈m；将种群中的连接权值赋予至神经网络中，计算第i个收货点的输出值和输出值的误差平方和，误差平方和越小，适应度函数值越小，表明染色体的调度方案越好。当出现某一发货点发出的物资不需要经过中转站就能送达到收货点时，q值越小，也越稳定，甚至当物资的发货点和收货点是同一个站点时，其q值为0，即不需要进行运输。因此染色体的方差为：s2＝q/f；其中f为自由度；将误差平方和进行方差，用标准差来测度染色体的差异程度，方差反应和中心偏离的程度，用来衡量染色体的波动大小(即这批数据偏离平均数的大小)，在样本连接权值相同的情况下，方差越大，说明染色体的波动越大，越不稳定，相反，方差越小，说明染色体的波动越小，也越稳定。f作为自由度，可以根据期望值进行调整，来匹配遗传算法的迭代，避免过早收敛。设置权重函数(2)：u＝sε2；所述ε2为权重参数，ε2∈[0,1]。设置权利函数，用来平衡染色体误差平方和函数和染色体的方差函数在适应度评价中收敛，通过将各适应度评价函数设置权重函数，可以从整体上引导中央调度系统在运算过程中遗传算法的收敛及迭代次数，避免过早收敛或迭代次数太多。进一步地；所述适应度评价步骤中染色体的基因{n1,n2,n3……n}不超过3个，即基因中最多不超过3个发货点；避免运输工具在发货点多次收货，染色体中基因{n1,n2,n3……n}不超过3个，因此某一运输工具最多只能去3个发货点，提升收货效率。所述染色体r的最小值为：min(r)＝l1|nx-nx+1|+l2|nx+1-nx+2|+l3|nx+2-nx+3|+l4|nx+3-qy|+l5|qy-mz|；其中l1,l2,l3,l4,l5为定值；即一个点至另一个点的实际距离；其中，x∈n；y∈q；z∈m；由于染色体表达的是一种运输方案，从某一发货点至另一发货点的路径是一定的，从某一发货点至某一中转站的路径也是一定的，从某一中转站至某一收货点的路径也是一定的，因此，可以计算染色体的最小路径值，用以衡量物资的最小运输路程。设置权重函数(3)：u＝min(r)ε3；所述ε3为权重参数，ε3∈[0,1]。进一步地；所述染色体时间长t的最小值为：f(t)＝min(r)/v-ρδt；δt为发货点装载时间，ρ为装载次数，ρ小于等于3；由于染色体的运输路径是一定的，假设运输速度一定的情况下，可以计算出运输时间，染色体的基因表达信息包括了1个发货点或多个发货点，因此，染色体中的装载次数ρ也是一个确值，假设每次发货点的装载时间为δt，因此可以确认染色体中从发货点至中转站的时间。该适应度函数用以来评价发货效率。设置权重函数(4)：u＝f(t)ε4；所述ε4为权重参数，ε4∈[0,1]。进一步地；所述适应度评价步骤中染色体的基因{m1,m2,m3……m}不超过3个，即基因中最多不超过3个发货点；所述染色体r的最小值为：min(r)＝l1|nj-qu|+l2|qu-mh|+l3|mh-mh+1|+l4|mh+1-mh+2|+l5|mh+2-mh+3|；其中：l1,l2l3,l4,l5为定值，即一个点至另一个点的实际距离；其中，j∈n；u∈q；h∈m；由于染色体表达的是一种运输方案，从某一发货点至某一中转站的路径也是一定的，从某一中转站至某一收货点的路径是一定的，从某一发货点至另一收货点的路径也是一定的，因此，可以计算染色体的最小路径值，用以衡量物资的最小运输路程。设置权重函数(5)：u＝min(r)ε5；所述ε5为权重参数，ε5∈[0,1]。进一步地；所述染色体时间长t的最小值为：f(t)＝min(r)/v-ρδt1；δt1为发货点装载时间，ρ为装载次数，ρ小于等于3；由于染色体的运输路径是一定的，假设运输速度一定的情况下，可以计算出运输时间，染色体的基因表达信息包括了1个收货点或多个收货点，因此，染色体中的装载次数ρ也是一个确值，假设每次发货点的装载时间为δt1，因此可以确认染色体中从发货点至中转站的时间。该适应度函数用以来评价发货效率。进一步地，还可以将遗传算法中每次迭代后的种群加入前一个种群进行运算，避免过早收敛，造成数据不准。例如，将生成的g1运算后得到的种群重新加入g1中得到种群g2。设置权重函数(6)：u＝f(t)ε6；所述ε6为权重参数，ε6∈[0,1]。进一步地；所述中央调度系统通过扫描唯一识别确认物资在运输过程中的位置。唯一识别码具有物流信息，物资每一步操作通过检索唯一识别码向中央调度系统发送进度，形成了对物资的跟踪，同时也能及时判断物流运输过程中是否出现错误，在物资流通过程中，计量系统、分货系统、发货装载区间、运输工具、中转分货系统、中转装载区间、收货反馈端和收货仓都设置有快速扫码装置，用以来检索物资的唯一识别码，并将检索信息发送至中央调度系统，中央调度系统建立数据库进行分类管理，并将相关的数据进行运算，再将运算结果发送至发货点的发货仓储系统、运输管理系统、中转站的中转系统和收货点的收货仓储系统，完成调度。进一步地；所述s11步骤中所采集的数据集为：{ni,yi}，i＝1,2,....,l.其中，ni为所采集动态物流的地理位置信息，yi为所采集动态物流的时间信息；数据集很好的记录了物资的动态地理信息以及采集的时间点，根据数据流入的顺序一次读取和连续的输出挖掘的数据结果，进行数据差分匹对，对不同站点间的物资形成相应的数据跟踪。进一步地；所述s12步骤中区域分类公式为：f(n)＝sng(ω·n+b)其中，ω为区域加权附加系数，n为所述数据集，b为误差项；通过建立二元回归能够有效的对数据进行管理，c代表惩罚因素附加权项，通过c附加惩罚因素保证了数据的整齐性，剔除掉数据集中的无效数据。进一步地；所述s13步骤的子分类转换二次回归的公式为：s.t.yi(ω·x+b)≥1+ξi；其中，ξi≥0,i＝1,2,....,l；c代表惩罚因素附加权项，所述c的经验误差值越大，代表惩罚就越大；对数据采用两个拉格朗日乘子αi和αj对数据集进行双重规划，在采用双重规划后，将支持svm与输入样本的数据集的维度进行分离，避免了所谓的“维度灾难”的出现，进而通过建立多目标分数规划的wolfe式对偶规则可以对有效数据进行自修复，保证数据的完整性。进一步地；所述s14步骤形成多目标分数规划的wolfe式对偶规则的公式为：其中αi和αj代表拉格朗日乘子。进一步地；形成线性函数针对不同的需求，可以选择进行线性函数来进行预警分析或非线性函数进行预警分析，在进行非线性函数预警分析时，通过赋予数据集{ni,yi}一个非线性函数(ni,nj)，进行非线性限定，在限定范围内进行预警分析，进而使分析效果更加有针对性和有效。进一步地；形成非线性函数其中αi和αj代表拉格朗日乘子。通过本发明基于svm动态物流大数据预警分析及保护算法，能够有效提高物流智能化程度和信息化水平，有效针对物流区域的信息进行预警并保护，减少了无效信息包括边界孤立点识别和重影识别，提高了动态物流走向和区域性选择的针对性，辨识并过滤无效信息，提高数据管理的效率。通过采集动态的物流数据集，获得物资的地理位置信息，以及采集动态物流的时间信息；实现对物资的信息获取，根据物资运输过程中达到的不同站点，形成新的动态物流数据集，再进行数据差分比较，从整体上对个体数据进行跟踪。有益效果在于：1、通过对物资设定唯一识别码，形成对物资有效地跟踪和及时调度，并且对物资在运输过程发错货能及时纠正，现有的物流调度系统在发错货的情况下，会一直发送到收货点，本发明能过对物资的基因编码，物资在计量系统、分货系统、发货装载区间、运输工具、中转分货系统、中转装载区间、收货反馈端和收货仓的每一个运输环节都会对物资进行识别，如识别错误，立即停发该物资进行纠正运算。2、从2个方面建立不同的模型对物资进行运输调度，一个是以物资的运输方案做为一个运输方案，建立相应的运算规则，实现对物资调度方案的优化；另一个是以物资在动态的时候，根据物资的动态信息进行有效的跟踪，对运输物资实现有效的预警分析和保护，较之通过识别码扫描获取相应数据进行一一匹对，通过本发明的动态物流分析保护系统，能更快更准确的对运输中的物资进行核对及跟踪。3、在遗传算法中加入神经网络算法，避免遗传算法中的计算效率较低、容易陷入局部最优、收敛困难等不足，避免造成过早收敛，或大量迭代复算。4、通过梯度下降法不断调整网络的权值和阈值，使网络误差达到最小，将神经网络算法植入遗传算法中，形成神经网络算法对遗传算法的大幅减数运算，优化了遗传算法，降低了遗传算法的运行数据，减少了迭代次数，能更加快速得出优解。5、通过多层适应度评价函数对染色体进行评价，其中路径函数、排序被选中的概率p函数、染色体的期望值y与输出值o的平方和q函数、染色体的方差函数、时间长t、染色体r的最小值函数以及经济适用量e函数用以对染色体评价，从多维度快速优选出方案。6、适应度评价函数从经济适用量e和时间长t两个相对立的角度进行评价，并不是为最符合经济适用而造成运输时间长，2个相对立的函数相互平衡，实现即快速又经济的物流调度方案。7、将适应度评价函数设置了权重函数，权重系数是介于0-1之前的数，通过权重函数的调整，平衡各评价函数对运输方案的算法作用，避免过早收敛和迭代次数过多。8、权重函数的设定，可以将其他的客观因素通过权重系数的调整来实现，例如，天气不好，将时间长t的权重系数增大，以适应在实际运输过程中运输时间加长。9、通过用一条染色体表达某一物资的运输方案，将运输过程中的发货点、中转站、运输工具和收货点进行基因编码，使得染色体具有多种基因，丰富了运输方案，扩大了物流调度的种群，同时，发货点、中转站、和收货点构成了神经网络的输入端、隐含层和输出端，通过对采用编码的方式对网络连接权值进行编码处理，不断调整神经网络的权值或阈值，使神经网络误差达到最小，提升网络的识别精度。再进行误差平方和以及方差运算，用以快速评价染色体的调度方案优胜度和反应和中心偏离的程度以及衡量染色体的波动大小。10、通过建立物资的动态数据库，根据流入的数据进行读取和连续数据输出，通过c附加惩罚因素保证数据的整齐性，减少无效信息包括边界孤立点识别和重影识别；对数据采用两个拉格朗日乘子αi和αj对数据集进行双重规划，在采用双重规划后，将支持输入样本的数据集的维度进行分离，避免了所谓的“维度灾难”的出现，进而通过建立多目标分数规划的wolfe式对偶规则可以对有效数据进行自修复，保证数据的完整性。11、针对不同的需求，可以选择进行线性函数来进行预警分析或非线性函数进行预警分析，在进行非线性函数预警分析时，通过赋予数据集{ni,yi}一个非线性函数(ni,nj)，进行非线性限定，在限定范围内进行预警分析，进而使分析效果更加有针对性和有效。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明运输调度方法和结构示意图。图2是本发明运输调度方法的适应度函数结构示意图。图3是本发明实施例1的迭代结构示意图。图4是本发明实施例2的迭代结构示意图。图5是本发明染色体交叉操作示意图。图6是本发明物流流程示意图。图7是本发明动态物流分析保护方法的流程示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。本发明中各实施例的技术方案可进行组合，实施例中的技术特征亦可进行组合形成新的技术方案。实施例1：如图6所示，本实施例的物流调度系统，包括与中央调度系统数据联网的发货点的发货仓储系统、运输管理系统、动态物流分析保护系统、中转站的中转系统和收货点的收货仓储系统；所述发货仓储系统包括计量系统、分货系统和发货装载区间；所述运输管理系统包括运输调度系统和运输工具；所述中转系统包括中转分货系统和中转装载区间；所述收货仓储系统包括收货反馈端和收货仓；将物流过程中的运输环节节点化，便于进行编码运算和编码检索；计量系统测量物资的重量和体积，然后根据物资的重量、体积和收货地信息生成唯一识别码，并将唯一识别码发送至调度系统；所述分货系统识别物资唯一识别码获取收货地信息并将物资进行分类传送至发货装载区间；所述发货装载区间将不同目的地的物资进行存放；唯一识别码使物资具有身份信息，可以对物资运输环节是否正确进行快速判断和纠正，物资在运输过程中，所经历的环节都通过检索唯一识别码向中央调度系统发送检索信息，形成中央调度系统有效地对物资进行跟踪，最为重要的，中央调度系统通过唯一识别码，将物资基础信息收集，如物资的重量、体积、发货点、收货点等，提供了对物流方案运算的编码基础。动态物流分析保护系统包括数据集和动态物流分析保护方法；动态物流分析保护方法包括以下步骤：s11:采集动态物流数据，形成数据集，{ni,yi}xi∈rn，i＝1,2,....,l.其中，xi为所采集动态物流的地理位置信息，yi为所采集动态物流的时间信息；s12:对所述s11步骤得到的数据集进行区域分类；区域分类公式为：f(n)＝sng(ω·n+b)其中，ω为区域加权附加系数，n为所述数据集，b为误差项；s13:对所述s12步骤得到的数据集进行子分类转换二次回归；子分类转换二次回归的公式为：s.t.yi(ω·x+b)≥1+ξi；其中，ξi≥0,i＝1,2,....,l；c代表惩罚因素附加权项，所述c的经验误差值越大，代表惩罚就越大；s14:形成多目标分数规划的wolfe式对偶规则，对所述s13步骤得到的数据集进行数据自修复保护；多目标分数规划的wolfe式对偶规则的公式为：其中αi和αj代表拉格朗日乘子；s15:形成数据预警分析函数，对所述s14步骤得到的动态物流数据集进行预警分析；形成线性函数其中αi和αj代表拉格朗日乘子。所述运输调度系统根据中央调度系统调度运输工具和向中央调度系统上报运输工具的位置；如图1-3所示；进一步地；运输调度系统根据发货点收集的物资信息进行运算，形成物资调度方案，该运算方法包括以下步骤：a1、设定初始化参数，根据运输调度管理系统建立数据模块，将物资的一种运输方案作为一条染色体，其中参数包括发货点信息、中转站信息、收货点信息、运输工具信息、物资信息作为染色体的基因；其相关符号表示如下：n：发货点，包括{n1，n2，n3……n}；m：收货点，包括{m1，m2，m3……m}；在实际物流调度中，发货点和收货点同集，即发货点也作收货点，收货点也作发货点，即n＝m；由于物资具有流向性，对每一个站点都具有发货点和收货点2种标签；q：中转站，包括{q1，q2，q3……q}；中转站将各发货点的物资根据收货点重新编排发送至各个收货点；中转站将各发货点的物资根据收货点重新编排发送至各个收货点；m：物资；所述物资包括ma物资重量；mb物资体积；在物资调度时，物资的重量和体积从2个维度限定，运输工具一次的运载量受重量或体积限定；d：运输工具；包括{d1,d2,d3……d}；运输工具与物资具有直接关系，即运输工具具有额定承重或额定空间；r：运输路径；运输路径作为评价运输方案的一种方式。t：时间长；时间长作为单一物资调度运输时间的总和，作为一个重要的评价参数，用以评价运费方案(染色体)的实际效率；e：经济适用量；经济适用量作为对单位总货量采用最少的运输工具及运输路径最短的评价值，用以于对r、d、t的评价，对适应度函数进行评价；实现遗传算法后期迭代稳定，避免大量迭代；a2、生成初始种群g；该初始种群包含n条染色体；所述染色体按照任意长度对物资m(ma和/或mb)根据需要选择特征进行编码，生成物资调度序列；所述染色体包含有多个基因，所述基因片段包括n、m、q、r、d的一种或多种；且需满足以下条件：f(d)≥manxmy或f(d)≥mbnxmy；x∈n,y∈m；染色体具有物资信息和发货点和收货点信息即构成一个完整的运输方案，其中{n1，n2，n3……n}＝{m1，m2，m3……m}，也即发货点和收货点可能会是同一个站点；也构成一条染色体(物资运输方案)；进一步地；染色体在包含基础基因manxmy或mbnxmy，还包含q、r、d基因的一种或多种；因此，染色体内的基因为{ma,n,q,r,d,m}阵列集合的总合，染色体序列为{ma,n,q,r,d,m}阵列集合的排列组合；如：man2m3，mbn5m7，man2m3n1m8，mbn1n4d3m7r9，其中n,q,r,d任一个种基因都可出现多次，然后再任意组合；如n就可以在同一条染色体中包含多个；a3、构建神经网络；发货点为计量系统为神经网络输入端，收货点为输出端，中转站为隐含层；即神经网络n个网络输入端，m个输出端，q个神经元；染色体的映射关系为{n1,n2,n3……n}→{qxn1,qxn2,qxn3……qxn}→{qxqyn1,qxqyn2,qxqyn3……qxqyn}→{m1,m2,m3……m}；其中q≥x≥1；q≥y≥1；所述染色体经神经网络输入和输出构成染色体的运输方案；神经网络通过自身适应环境、总结规律、完成某种运算、识别或过程控制。神经网络通过大量的数据进行训练从而得出输入与输出间映射关系，通过梯度下降法不断调整网络的权值和阈值，使网络误差达到最小，将神经网络算法植入遗传算法中，形成神经网络算法对遗传算法的大幅减数运算。a4、开始迭代，执行以下步骤：s21:如图5所示，将初始种群依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群g1；种群g1包括基于物资重量和物资体积的编码基因集合，以ma和mb为基因片段的起点，进行n、m、q、d排列组合；经交叉(基因重组，染色体中的基因随机进行交换重组)后，染色体包含多种不确定无序状态的基因，形成多种调度方案；s22:将种群g1根据调度目标r、t、e进行适应度评价；得到种群g2；设定调度目标值和r、t、e适应度评价函数，对种群g1内基因进行筛选，得到优化后的种群g2；s23:如图5所示，将种群g2根据变异概率进行变异操作；为了避免过早收敛或种群内染色体趋早稳定，对种群g2进行变异操作，实现染色体的基因发生突变，丰富了染色体的种类；s24:将第3步种群g2依交叉概率对种群中的染色体进行交叉操作，交叉过程中任意交换基因片段，形成种群g3；基因突变存在不确定因素，突变率可以设置，突变的形态是不可控的，交叉染色体的基因，将突变的基因更好的保存，避免突变后的首次筛选被适应度评价函数剔除；s25:将种群g3根据调度目标r、t、e进行适应度评价；得到种群g4；将突变后交叉重组的染色体再次适应度评价，减少运算量；至此完成了染色体的第一次迭代运算；s26:重复种群迭代，得到种群gi，判断是否达到收敛优化结果；是，结束迭代，否，继续迭代。将种群多次迭代，评价染色体与目标值，判断是否达到了收敛优化的期望值。进一步地；所述经济适用量为单位总货量采用最少的运输工具及运输路径最短的评价值；λ为整数，且λ比的整数部分大1，δdx为dx的运输量；为单位运输工具运输某一物资需要多少运输车辆，λ比的整数大1，即实际调整车辆满足物资的运输，从物资的重量或体积2个维度匹配运输车辆的运输方式，即从重量或体积2个角度哪种匹配方式所需要的运输车辆更少。如值为1.8，则λ为2，即用2辆车运输物资，其中有1辆车余0.2额定运载重量或额定运载空间；依此类推，每个站点的需要运输的物资都可以确定需要多少车辆，可以确定每个站点物资在匹配完运输工具后的余量；物资的重量和体积作为物质的基本信息，在进入发货点时就可以通过录入的方式计入运算编码中。每个站点的余量作为运载资源，不能浪费，因此，按照排序来分配经济适用量被选中的概率p：即用余量来匹配最接近需求值，假如余量f(e)为0.8，则匹配1-f(e)的余量，即余量1-f(e)为0.2，实际需求值为0.8，余量值匹配最接近的需求值。在实际物流调度中，完美匹配是很少的，因此，概率p用来匹配运输车辆的余量需求关系，最优解为1辆车在某发货点装载后有余量，则余量又能装载附近另一发货点去同一个中转站的物资。根据被选中的概率p来匹配需求值，p作为一个第二级的适应度函数，来调度物资，将运输工具(车辆)的运载能力发挥到最大，概率p反应的是匹配最接近的值，因此，前一个p值能满足后一个被选中的p值，所剩余量最少，即车辆运输余量最少，实现运载的最大值。进一步地；设置权重函数(1)：u＝pε1；所述ε1为权重参数，ε1∈[0,1]；设置权重函数，用以平衡经济适用量函数和分配经济适用量被选中的概率p函数在适应度评价运输调度方法中的收敛。进一步地；所述染色体为在神经网络种群中的阈值，每次迭代种群则为神经网络的连接权值(基因)；g＝nq+qm+q+m。连接权值为种群的基因数值，对基因的连接权值进行计算，不断调整神经网络的权值或阈值，使神经网络误差达到最小，提升网络的识别精度。进一步地；所述连接权值的染色体赋予至神经网络中，计算染色体的期望值y与输出值o的平方和q；其中i∈m；染色体的误差平方和越小，适应度函数值越小，表明染色体的调度方案越好。例如：望值值yi与输出值oi相同，即发货点i的物资收货点就为其本身，q值为0，染色体的运输方案最优；当发出的物资不需要经过中转站就能送达到收货点时，其染色体运输方案也具有很小的q值。进一步地；染色体的方差为：s2＝q/f；其中f为自由度。将误差平方和进行方差，用标准差来测度染色体的差异程度，方差反应和中心偏离的程度，用来衡量染色体的波动大小(即这批数据偏离平均数的大小)，在样本连接权值相同的情况下，方差越大，说明染色体的波动越大，越不稳定，相反，方差越小，说明染色体的波动越小，也越稳定。f作为自由度，可以根据期望值进行调整，来匹配遗传算法的迭代，避免过早收敛。进一步地；设置权重函数(2)：u＝sε2；所述ε2为权重参数，ε2∈[0,1]。设置权利函数，用来平衡染色体误差平方和函数和染色体的方差函数在适应度评价中收敛，通过将各适应度评价函数设置权重函数，可以从整体上引导中央调度系统在运算过程中遗传算法的收敛及迭代次数，避免过早收敛或迭代次数太多。进一步地；所述适应度评价步骤中染色体的基因{n1,n2,n3……n}不超过3个，即基因中最多不超过3个发货点。避免运输工具在发货点多次收货，染色体中基因{n1,n2,n3……n}不超过3个，因此某一运输工具最多只能去3个发货点，提升收货效率。进一步地；所述染色体r的最小值为：min(r)＝l1|nx-nx+1|+l2|nx+1-nx+2|+l3|nx+2-nx+3|+l4|nx+3-qy|+l5|qy-mz|；其中l1,l2,l3,l4,l5为定值；l1|nx-nx+1|即为nx至nx+1的实际距离；各网点位置都是一定的，因此其距离也是定值。其中，x∈n；y∈q；z∈m。由于染色体表达的是一种运输方案，从某一发货点至另一发货点的路径是一定的，从某一发货点至某一中转站的路径也是一定的，从某一中转站至某一收货点的路径也是一定的，因此，可以计算染色体的最小路径值，用以评价物资的最小运输路程。当发货点即为收货点时，min(r)也为0，当物资不需要经过中转站时，min(r)即为2个站点或3个站点间就实现送货，min(r)值即为网点间的距离，进一步地；设置权重函数(3)：u＝min(r)ε3；所述ε3为权重参数，ε3∈[0,1]。进一步地；所述染色体时间长t的最小值为：f(t)＝min(r)/v-ρδt；δt为发货点装载时间，ρ为装载次数，ρ小于等于3。由于染色体的运输路径是一定的，假设运输速度一定的情况下，可以计算出运输时间，染色体的基因表达信息包括了1个发货点或多个发货点，因此，染色体中的装载次数ρ也是一个确值，假设每次发货点的装载时间为δt，因此可以确认染色体中从发货点至中转站的时间。该适应度函数用以来评价发货效率。进一步地；设置权重函数(4)：u＝f(t)ε4；所述ε4为权重参数，ε4∈[0,1]。进一步地；所述适应度评价步骤中染色体的基因{m1,m2,m3……m}不超过3个，即基因中最多不超过3个发货点。避免运输工具在收货点多次送货，染色体中基因{m1,m2,m3……m}不超过3个，因此某一运输工具最多只能去3个收货点，提升送货效率。进一步地；所述染色体r的最小值为：min(r)＝l1|nj-qu|+l2|qu-mh|+l3|mh-mh+1|+l4|mh+1-mh+2|+l5|mh+2-mh+3|；其中：l1,l2l3,l4,l5为定值，l4|mh+1-mh+2|即为mh+1至mh+2的实际距离。其中，j∈n；u∈q；h∈m。由于染色体表达的是一种运输方案，从某一发货点至某一中转站的路径也是一定的，从某一中转站至某一收货点的路径是一定的，从某一发货点至另一收货点的路径也是一定的，因此，可以计算染色体的最小路径值，用以衡量物资的最小运输路程。进一步地；设置权重函数(5)：u＝min(r)ε5；所述ε5为权重参数，ε5∈[0,1]。进一步地；所述染色体时间长t的最小值为：f(t)＝min(r)/v-ρδt1；δt1为发货点装载时间，ρ为装载次数，ρ小于等于3。由于染色体的运输路径是一定的，假设运输速度一定的情况下，可以计算出运输时间，染色体的基因表达信息包括了1个收货点或多个收货点，因此，染色体中的装载次数ρ也是一个确值，假设每次发货点的装载时间为δt1，因此可以确认染色体中从发货点至中转站的时间。该适应度函数用以来评价发货效率。进一步地；设置权重函数(6)：u＝f(t)ε6；所述ε6为权重参数，ε6∈[0,1]。在运输过程中，会出现诸如天气、堵车等其他因素出现，权重函数用以限定各评价函数起的在评价时的权重比，比如，在天气不好的状况下，运输时间会增长，将时间长度f(t)函数权重系数ε5和ε6增大，在运算过程中，运输时间长的运输方案相应容易保留。实施例2：本实施例跟实施例1基本相同，如图4所示，区别点在于将遗传算法中每次迭代后的种群加入前一个种群进行运算，避免过早收敛，造成数据不准。例如，将生成的g1运算后得到的种群重新加入g1中得到种群g2，依此进行迭代。步骤s15多形成一个非线性函数本发明基于物资在送至发货点时，对物资进行了称重和体积核算，依此进行编码，在实际的运行过程中，以物资开始调度t＝0h,选取某区域内20个物流网点测试,分别用实施例1、实施例2、单独的遗传算法和单独的神经网络算法测试：均调度时间长运算时间长所需车辆经济适用量实施例141.75h1235s360.72实施例241.43h1894s350.70遗传算法51.32h2864s390.97神经网络算法18.69h2563s380.95如上所述，实施例1比实施例2的运算时间短，实施例1比实施例2的调度时间长。且明显优于单独的遗传算和神经网络算法，本发明在解决大量的物流调度问题，具有显著地优势。本发明中各实施例的技术方案可进行组合，实施例中的技术特征亦可进行组合形成新的技术方案。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。当前第1页12