一种基于gis富网络属性路网的大规模分类配送方法
【专利摘要】一种基于GIS富网络属性路网的大规模分类配送方法，包括以下步骤：A1、获得带有至少OBJECTID*，Shape*，NAME，Shape_Length4个字段的路网矢量数据，原始数据需要处理才能拓扑分析。A2、采用自动方法处理不及、超过和节点不相交的3种情况。A3、构建GIS富网络模型，同时利用GIS软件创建网络数据集，通过设置网络连通性和网络属性，进行网络分析，得到各个配送点之间的最短距离的OD矩阵。A4、建立配送目标节点分类模型。A5、构建车辆优化调度模型，A6、配送目标节点分类算法设计，同时确定每一类的中心地理坐标。A7、车辆优化调度算法的设计，设计车辆优化调度设法，使总体费用最小，并能准时，准确，高效的完成配送任务。
【专利说明】—种基于GIS富网络属性路网的大规模分类配送方法
【技术领域】
[0001]本发明涉及一种地理信息数据处理、计算机应用领域，运筹学，图论与网络分析，交通运输工程，管理科学与工程，尤其涉及的是，物流配送领域。
【背景技术】
[0002]随着经济全球化和网络信息技术的飞速发展，物流配送作为一个新的经济增长点已经引起了人们的普遍关注。配送是物流系统的核心环节，是伴随着市场而诞生的一种必然的市场行为，随着市场竞争的日益激烈以及客户要求的不断提高，配送在未来的市场竞争中将起到举足轻重的作用。
[0003]国内外学者着力于研究 VRPTW(vehicle routing problem with time windows)问题，主要因为它是物流配送和交通运输的核心问题，只有解决了调度问题才能使配送有效合理。VRPTW问题的目标函数可以描述为车辆从仓库(单仓库)到各分散客户点之间的行驶总距离最短和线路总花费最小。线路设计原则是，每个一个客户点只能被一辆车访问，同时必须在规定的时间窗之内。所有的线路的起点和终点必须是同一个仓库，并且在每一条线上的客户点的货运需求总量不能超过线路上的车辆的载重量。VRPTW问题实用性较强，尤其在3PL (thirdparty logistic)中。对于上百个客户点的配送问题,通过可伸缩方法在限制的时间内能得到较好的结果。Lenstra和Kan (1981)证明VRPTW问题属于NP难组合优化问题。VRPTW问题的解法丰富，比较常见的可以分为精确算法和启发式算法。采用精确算法解决VRPTW问题时，时间复杂度过高。近几年，虽然一些学者在研究VRPTW问题中用到了精确算法，但是启发式算法能在可行的时间复杂度之内优化问题，大多数学者还是着力研究启发式算法来解决VRPTW问题。总的来说，VRPTff问题比VRP问题难些。因此，采用启发式算法解决VRPTW问题更好些。近期以来，用启发式算法解决VRPTW问题已取得了较好的结果。
[0004]但是，不管用哪种方法求解物流配送问题都很少能顾及下面3个问题:①各个配送客户点之间的距离是以其直线距离作为计算依据，脱离了配送客户点之间的实际路网；
②现有的VRPTW问题的研究，没有考虑道路的行车实际情况，如:车道数、通流能力等地理信息因素考虑进去现有的研究多是针对网点数据较小的情况(一般不超过20个)，但在网点数目庞大的情况下，从计算量上，很难得到精确解。
[0005]因此，现有的物流配送方法存在缺陷，需要改进。
【发明内容】
[0006]为了克服已有的配送中的各个配送点之间是以直线距离为计算依据、没有考虑道路质量，流通能力等地理信息因素、网点数较小等不足，本发明提供一种以配送点间的实际路网线路距离为计算依据，同时考虑道路实际行车能力、网点数较大、配送点对货运需求时间的物流配送方法。
[0007]本发明解决其技术问题所采用的技术方案是:[0008]一种基于富网络属性路网的物流配送方法，包括以下步骤:
[0009]Al、获取矢量地图(Shape files)，它是ESRI提供的一种矢量数据格式，没有拓扑信息。一个Shape files由一组文件组成，其中必要的基本文件包括坐标文件(.shp)、索引文件(.shx)和属性文件(.dbf)三个文件。坐标文件(.shp)用于记录空间坐标信息。坐标文件由头文件和实体信息两部分构成。索引文件(.shx)主要包含文件的索引信息，文件中每个记录包含对应的坐标文件记录距离坐标文件的文件头的偏移量。通过索引文件可以方便地在坐标文件中定位到指定目标的坐标信息。属性文件(.dbf)包含一 feature—个记录的feature的特征。这三个文件是一一对应的关系。原始地图中的道路中至少包含0BJECTID*，Shape*，NAME，Shape_Length，4个字段，这4个字段为下面基于实际路网的分析提供保证。
[0010]A2、地图数据检查。构建道路图层时，影响拓扑关系建立的空间数据关联错误有3中情况，分别是，不及、超过和节点不相交。这种处理一般量比较大，要是手工逐个修改，耗时大。一般采用自动判断并且纠正数据错误，分为3步:
[0011]①设置交点区间(即两条道路端点是否相交的最小距离)；
[0012]②找出道路图层中每条道路对象的起点和终点(道路线路实体对象分为折线和直线)。
[0013]③比较任意两线起终点间距离，若距离大于零并且在交点区间内，则使亮点重合(用两点间的中点替代)。
[0014]A3、建立GIS富网络路网模型。通过GIS软件(ArcGIS)，建立网络数据集，同时设置网络数据集中的连通性，建立路网之间的拓扑关系；根据数据中的字段属性建立网络数据集中的道路阻值。再对网络数据集进行网络分析，可以得到配送目标节点之间的最短距离的OD矩阵(源点到目标节点的距离矩阵)，为下面车辆优化调度模型提供车辆行驶费用权值。
[0015]A4、配送目标点分类模型。分类的目的是减小配送目标点的规模，大而化小。具体模型如下:
[0016]采用一种数据样本分布算法，算法依照数据分布动态选取聚类中心。假设样本数据集U= {Lz I Z=1, 2，…，n}，Ch (h=1, 2，…，k)为第h个样本数据集合，k为样本数据集个数，Lz为第z个样本数据，h为样本数据集的下标，z为样本数据的下标，η为样本数据集中样本数据的个数。
[0017]
【权利要求】
1.一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于:所述富网络属性路网的目标节点分类配送方法包括以下步骤: Al、获得带有至少包含OBJECTID*，Shape*，NAME, Shape_Length4个字段的路网矢量数据，对原始的矢量数据的不及、超过和节点不相交3种情况进行处理； A2、处理不及、超过和节点不相交的3种情况，分3步纠正数据错误: ①设置交点区间(即两条道路端点是否相交的最小距离); ②找出道路图层中每条道路对象的起点和终点(道路线路实体对象分为折线和直线)； ③比较任意两线起点间距离，若距离大于零并且在交点区间内，则使亮点重合(用两点间的中点替代)； A3、建立GIS富网络路网模型；通过GIS软件(ArcGIS)，建立网络数据集，同时设置网络数据集中的连通性，建立路网之间的拓扑关系；根据矢量数据中的Shap_Length字段属性建立网络数据集中的道路阻值；再对网络数据集进行网络分析，可以得到配送目标节点之间的最短距离的OD矩阵(源点到目标节点的距离矩阵)，为车辆优化调度模型提供车辆行驶费用权值； A4、建立配送目标节点分类模型；分类的目的是减小配送目标节点的规模，将配送范围大而化小；在地理坐标下，提取各个目标节点的地理坐标；模型采用一种数据样本分布算法，算法依照数据分布动态选取聚类中心，直至将所有的目标节点分类；具体模型如下: 假设样本数据集U= {Lz I z=l，2，…，n}，Ch(h=l，2，…，k)为第h个样本数据集合，k为样本数据集个数，Lz为第z个样本数 据 ，h为样本数据集的下标，z为样本数据的下标，η为样本数据集中样本数据的个数；
(h = 1,2, k) (I)
nh 式(I)中Ch为类Ch的聚集中心，其中I为Ch中的样本点，nh为各类数据集中的样本个数；样本数据具有m个属性，假设存在样本X，y，且X，y e U，则样本数据x可以表示为X= (χι, X2?…，xm)，样本数据I可以表示为y=^ y2,…，ym)，χ和y之间的距离采用欧式距离:
cfoi[x，)>] = ^(X1 -J..,)2 +(X2 -V2)2 +--- + (.Y,,, - Vra)2 (2) dist[x, y]为样本χ, y之间的欧式距离，X1, X2,…，Xm是样本数据x的m个属性值，y1；12，…，ym是样本数据y的m个属性值为允许加入集合的最大空间距离阀值:
limif = ( max (cfisi[A,B])- min (dist[a,b])) / k (3)
ls^s?.1<5sn1<?7<Η.式(3)中，Α，Β为η个样本数据中最大欧式距离的两个样本数据，a，b为η个样本数据中最小欧式距离的两个样本数据；样本数据χ与样本数据集合Ch之间的最小距离为:dist [x, Ch] =min (dist [χ, I]), I e Ch (4) 样本数据X与样本数据集合之间的最大距离为:
Dist [x, Ch] =max (dist [χ, I]), I e Ch (5) Α5、建立车辆优化调度模型，考虑到运输费用中的车辆费用、驾驶员补助费用、等待费用和车辆延迟费用建立目标函数；这里的车辆优化调度模型是针对分类后类中的目标节点建立的，模型中的配送目标点将小于原来整体的目标点；具体模型如下:配送车辆向L个客户送货，每个客户需求量为gi(i=l，2，…，L)，其中i为客户点，同时要求送货的时间窗及卸货时间分别为[etpltj和11\(1=1，2，一，0 ;车辆每小时等待费用为^，每小时延迟费用为4(1=1，2，...，L);仓库与客户、客户与客户之间的最短运距、平均车速和车辆每公里费用分别为Clij, Vij和oijrij(i，j=0, I, 2，…，L)其中i，j为配送客户点中的任意两点；i=0时，为卷烟仓库，Wij为道路状况权重；配送车辆共有％类，其中第q类车辆有Po辆，同时q类车辆载重量为Vqp (P=I, 2，…，P0)，每辆车每次配送最短大离不超过Dqp ;驾驶员行车补助和加班补助每小时分别为s和es ;驾驶员在行车途中到中午12:00和18:00时安排30min就餐时间，车辆当天返回配送仓库； 运输费用分别由配送车辆费用、驾驶员补助费用、等待费用和车辆延迟费用组成；配送车辆费用由燃油费用、车辆折旧费用和维护费用组成，管理者可以根据经营情况核算出每车每公里应付的配送车辆费用，且能将车辆费用转化为线性变量；驾驶员补助费用中，如驾驶员工作时间不超过8小时，则以工作时间计算；如果驾驶员工作时间超过8小时，则超过部分时间应按加班补助费用计算；客户货运需求通常要在客户规定时间范围内送达，否则物流中心需要支付额外费用；如车辆提前达到客户点，则支付等待费用；若车辆延迟到达客户点，则支付延迟费用； 使车辆Φ (第q类车的第P辆)从客户j到达客户i时刻为t ,则tetj+utj+dij/Vij,其中j为i的前一个客户点，若tj〈12且\≤12或tj〈18且\≤18，则需要考虑驾驶员的就餐时间；对tj<12且\ > 12的情况，有:
2.如权利要求1所述的一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于: 步骤A4所述的建立配送目标节点分类模型，结合了 GIS技术，以配送目标节点的实际地理位置坐标为分类基础，将配送目标节点分类。
3.如权利要求1所述的一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于:步骤A5所述的车辆优化调度模型，考虑到了实际道路不同路况对车辆维护所产生不同的费用。
4.如权利要求1所述的一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于:步骤A5所述的车辆优化调度模型，考虑到了驾驶员在外出送货时，到12点和18点的30分钟就餐时间。
5. 如权利要求1所述的一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于:步骤A4、A6所述的将大规模配送点分类，以聚类集合为整体和物流仓库形成一对一的配送。
6.如权利要求1所述的一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于:步骤A3所述的建立GIS富网络属性模型，结合GIS技术得到配送目标节点之间的最短距离的OD矩阵，为A5中的车辆优化调度模型提供车辆费用权值。
7.如权利要求1所述的一种基于GIS富网络属性路网的大规模分类配送方法，其特征在于:步骤A7所述的采用车辆优化调度算法实现路线配送方案后，结合GIS技术在配送图中渲染出路线效果，给调度决策者和配送司机提供直观、清晰和友好的人机交互界面。
【文档编号】G06F17/30GK103489082SQ201310202970
【公开日】2014年1月1日 申请日期:2013年5月27日 优先权日:2013年5月27日
【发明者】张贵军, 姚春龙, 张贝金, 陈麒伉, 程正华, 邓勇跃, 明洁, 刘玉栋, 秦传庆 申请人:浙江工业大学