一种卷烟多库点多方向发货调度管理系统的制作方法
本发明属于烟草物流流域，更具体的说涉及一种卷烟多库点多方向发货调度管理系统。
背景技术：
由于近年来烟草行业卷烟营销市场化取向改革的不断深化，成品卷烟仓储部门作为根据订单组织发货作业的物流生产部门，面临的订单不确定性日益增加，发货作业提前期较过去大幅缩短。基于已有订单的调度优化结果，动态的接收新到达订单并对已有调度结果进行再次优化，成为成品卷烟仓储部门调度优化的核心问题。
在中国烟草行业现产业结构下，卷烟工业企业的客户是市级烟草商业公司，烟草公司是按照地级市行政区划设置，每一个地级市拥有一个烟草公司。卷烟工业企业多数下辖多个卷烟工厂，而一个卷烟工厂一般还会拥有多个成品卷烟仓库，每一个仓库都是一个发货点。卷烟工业企业的销售部门会根据市场需求，制作下达成品卷烟发货计划订单，通常，这个订单与其他行业销售订单一样，包含销售配送所需的全部信息，同时由于市场需求的不确性存在，订单到达仓库是以日为单位，分批滚动下达。按照卷烟专卖管理的相关要求，所有订单都会有一个唯一的发货工厂，同一订单不可以越厂装运，但是在工厂内部的发货点间可以越库装运。当发货点库存结构与订单需求不匹配时，可以采用转储实现库存结构调整的方式，也可以通过越库的方式，实现需求和库存的匹配。每一辆货车可以承运总和不超过其装载量上限、不低于其装载量下限的多个订单，每一个订单只能有一辆承运车辆，不能同一订单分车装运，同时鉴于上游部门下达的计划订单已经考虑客户服务时效和仓库最大发货能力，因此，要求仓库当日计划当日全部完成。如何建立成品卷烟调库模型，这也是烟草工业企业成品物流仓储作业调度优化面临的核心问题。
技术实现要素：
本发明通过系统实现成品物流计划调度的流程化和智能化。通过系统实现集团成品物流计划全流程信息推送及跟踪，同时通过系统实现计划调度全流程辅助决策，实现决策智能化，推动成品物流计划调度管理规范化、流程化。
为了实现上述目的，本发明是通过以下技术方案实现的：所述的卷烟多库点多方向发货调度管理系统能够提供关键节点实时跟踪，包括车辆跟踪、订单追溯，实现到货提前预约功能包括主动预约和被动预约，车辆到库报到功能；其特征在于：所述的系统包括如下架构：web网关、云网关、注册服务中心、配置管理服务、权限管理服务、数据中心服务、路径规划服务web应用服务，所述的架构组成了该系统的数据存储层、数据逻辑层、算法层、应用层、视图层、支持服务。
优选的，(1)数据存储层：存储业务、算法、权限数据，(2)数据逻辑层：处理各部分数据之间的管理，(3)算法层：通过系统算法库中相应的算法分析订单和车辆数据，规划出配送路线，(4)应用层：为订单、车辆、算法数据提供视图，提供用户交互逻辑处理，(5)视图层：以超文本的形式提供用户体验良好的数据视图，响应用户交互，(6)支持服务：整合微服务体系中各个独立的服务，使各个独立的服务部件构成完整的业务系统。
优选的，(1)web网关：web端请求代理与校验，(2)云网关：车辆管理云与rpa订单系统数据接收接口，数据安全与权限校验，(3)服务注册中心：微服务体系服务治理，(4)配置管理服务：微服务体系配置信息统一管理与下发，(5)权限管理服务：提供用户创建与授权等服务，(6)数据中心服务：核心数据存储与整合服务，(7)路径规划算法服务：路径规划与订单处理算法服务，(8)web应用服务：提供web端视图与控制器逻辑。
优选的，所述的算法层包括成品卷烟调库模型，调度算法设计；所述的成品卷烟调库模型需要搭建最小调库成本适应度函数，使调库所花费费用最少；
则有：
调库原则：
若有
目标函数：
按照物流中心成品仓储科库间内部调拨运输单价0.4756元/万支，装卸作业费用单价0.72元/万支计算，2019年5月-2020年5月，共降低内部调拨费用超过100万元；
计算过程如下：
其中，
车辆a运送总时间(ta)：
最小配送时间成本适应度函数(t)：
车辆a在运输过程中运费：
ma＝u(wai×lij+∑(wai-∑waj)×ljj')(4)
其中：
最小运送费用适应度函数：
其中：
优化向量：
v-min(m,t)(8)
目标函数为：
约束条件：
车辆装载上下限约束，由车辆自身性能所决定：
wmin≤wai≤wmax(10)
发货点i的日出货上限，由仓库结构、工作人员、工作时间所决定：
准运证限制，由卷烟运输实行法定准运证制度所决定：
其中、i第i个发货点，j第j个收货点，ωtj第j个收货点的第t中香烟的吨数，aj0-1变量表示第a辆车是否送j收货点，ai0-1变量，表示第a辆车是否在i发货点始发，ωaj第a辆车运往第j个收货点的货物吨数，ωai第a辆车从第i个发货点装载的货物吨数，tai第a辆车在第i个发货点的出货时间，taj第a辆车在第j个收货点的入库时间
优选的，所述的调度算法设计：采用以下步骤(1)hopfield神经网络与模拟退火算法的结合；(2)hopfield神经网络与levy飞行策略的结合；(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的ihnn混合算法；
所述的(1)hopfield神经网络与模拟退火算法的结合采用以下详细方法；①设置初始状态xi；
②将xi设置为起点，代入到hopfield神经网络中进行迭代运算，计算此时的网络的e{xi}；
③在状态xi附近随机产生扰动δxi，即此时状态变为xi+δxi，再带入到hopfield神经网络中进行迭代运算，此时网络稳定时输出极小值e{xi+δxi}；
④若
⑤若e{xi+δxi}＞e{xi}，则釆用判断是否满足metropolis准则，若满足metropolis准则，则接受状态e{xi+δxi}＝e{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③；若不满足则e{xi}＝e{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③；
所述(2)hopfield神经网络与levy飞行策略的结合采用以下详细方法：①设置初始状态xi；
②将xi设置为起点，代入到hopfield神经网络中进行迭代运算，计算此时的网络的e{xi}；
③对状态xi依飞行概率利用levy飞行策略移动
④若
⑤若
3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的ihnn混合算法详细步骤如下：(1)构建hopfield神经网络，将收集的历史拼车订单数据输入进hopfield神经网络训练神经网络；
(2)在训练好的hopfield神经网络中随机选取起始点x0，即初始的分级调度方案，根据烟草物流分级调度双层优化目标函数计算f(x0)，令k＝0；
(3)将调度方案和订单动态数据输入hopfield神经网络，利用梯度下降法进行搜索(假设本次搜索的起始点为x(k))，找出f(x)的局部极小点x(k)*。对于订单需要调库但又不满足调库时间窗约束的调度方案，将其在算法中标记，使用hopfield神经网络进行单独分层优化；
(4)从x(k)*开始，进行算法局部深入探索，运行模拟退火算法直到找到一个新的点x(k+1)，这是满足f(x(k+1))-f(x(k)*)≤-δk的，其中δk是某个正数；
(5)更新x(k)*，令x(k)*＝x(k+1)。对算法进行全局寻优，运行levy飞行策略，更新得到一个新的点x(k+1)，这个点满足f(x(k+1))-f(x(k)*)≤-δk；
(6)令k＝k+1，返回步骤(2)直到算法收敛；
(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入进hopfield神经网络，更新神经网络的原始知识。
优选的，基于模拟退火的鲸鱼优化算法对成品卷烟调度模型求解：
1)初始化算法涉及到的所有参数，包括种群规模s，最大迭代次数tmax，退火速度δ，以及按出货点编号设置搜索空间上限bup、下限blo；
2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产生的一种车辆调度方案，设订单个数为n，oi表示种群中第i个个体，则oij(j＝1，2，…，n)表示运送订单j的发货点以及运输车辆；
step2：计算群体中每个个体的适应度值f(xi)，更新全局最优个体位置和全局极值。
step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火操作更新最优个体位置：
其中，zbest为初始粒子种群中，最优的适应度值；
step4：对种群中所有鲸鱼个体执行包围猎物、bubble-net攻击、随机搜索操作；
step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化后的车辆调度方案；如果未达到，返回step2。
优选的，所述的云网关用于云监控车辆的实时位置，并在车辆运行超出范围后进行实时报警，所述的管理系统还包括app终端，app终端通过web网关与数据中心服务连接。
本发明有益效果：
本发明通过系统实现成品物流计划调度的流程化和智能化。通过系统实现集团成品物流计划全流程信息推送及跟踪，同时通过系统实现计划调度全流程辅助决策，实现决策智能化，推动成品物流计划调度管理规范化、流程化。
附图说明
图1为本发明技术架构拓扑图；
图2为本发明技术架构蓝图；
图3为本发明算法流程图；
图4为本发明开发技术体系图；
图5为本发明数据流程图；
图6为本发明物流中心多库点多方向发货调度业务流程示意图。
具体实施方式
为了便于本领域一般技术人员理解和实现本发明，现结合附图及具体实施例进一步描述本发明的技术方案。
如图1-2所示，所述的卷烟多库点多方向发货调度管理系统能够提供关键节点实时跟踪，包括车辆跟踪、订单追溯，实现到货提前预约功能包括主动预约和被动预约，车辆到库报到功能；其特征在于：所述的系统包括如下架构：web网关、云网关、注册服务中心、配置管理服务、权限管理服务、数据中心服务、路径规划服务web应用服务，所述的架构组成了该系统的数据存储层、数据逻辑层、算法层、应用层、视图层、支持服务。
(1)web网关：web端请求代理与校验，(2)云网关：车辆管理云与rpa订单系统数据接收接口，数据安全与权限校验，(3)服务注册中心：微服务体系服务治理，(4)配置管理服务：微服务体系配置信息统一管理与下发，(5)权限管理服务：提供用户创建与授权等服务，(6)数据中心服务：核心数据存储与整合服务，(7)路径规划算法服务：路径规划与订单处理算法服务，(8)web应用服务：提供web端视图与控制器逻辑。
(1)数据存储层：存储业务、算法、权限数据，(2)数据逻辑层：处理各部分数据之间的管理，(3)算法层：通过系统算法库中相应的算法分析订单和车辆数据，规划出配送路线，(4)应用层：为订单、车辆、算法数据提供视图，提供用户交互逻辑处理，(5)视图层：以超文本的形式提供用户体验良好的数据视图，响应用户交互，(6)支持服务：整合微服务体系中各个独立的服务，使各个独立的服务部件构成完整的业务系统。
近年来，无论是企业技术架构，还是互联网技术架构，主体方向变化不大，但具体技术和工具变化非常大，大量旧技术被淘汰或被压缩应用空间，新的技术且非常多样化，没有哪一种技术占据明显优势地位，如图4所示，横向技术分层更加彻底，耦合度更低，演变出完全独立的前端(客户端)、后端(服务端)，前后端之间可以跨技术路线集成。
如图5所示，系统数据流转结构1.从rpa系统采集订单与车辆信息等基础数据。2.系统接收数据后处理、整合为结构化数据并入库。3.算法服务从存储库中获取订单和车辆数据分析运算。4.算法服务将分析结果重新转储到存储服务。5.业务应用系统获取到订单和算法数据提供展示。6.用户根据算法结果下达车辆预约指令。7.业务系统向车辆调度系统发送车辆预约信息。
物流中心多库点多方向发货调度业务流程如图6所示，卷烟成品发货计划调度辅助决策系统通过调取集团级计划调度下达各厂装货计划、厂级计划调度下达所属仓库装货计划的订单计划、调度状态，通过数学模型演算，为仓储发货现场作业调度提供辅助决策和动态订单到达模式下的实施优化。系统将计划信息、库存信息、仓库状态、车辆到货状态、计划执行状态等信息发送到仓库调度，辅助仓库车辆排程。运输公司将可用车辆信息、派车状态信息同步到系统，系统将辅助派车信息发送到运输车辆进行辅助派车，运输公司将信息同步给驾驶员执行运输计划，同时驾驶员会和仓库调度进行预约结果和到货结果的信息共享，并上传到信息系统，进行驾驶员执行运输计划的实时数据采集。
本系统的核心算法流程如图3所示，所述的算法层包括成品卷烟调库模型，调度算法设计；所述的成品卷烟调库模型需要搭建最小调库成本适应度函数，使调库所花费费用最少；
则有：
调库原则：
若有
目标函数：
按照物流中心成品仓储科库间内部调拨运输单价0.4756元/万支，装卸作业费用单价0.72元/万支计算，2019年5月-2020年5月，共降低内部调拨费用超过100万元；
计算过程如下：
其中，
车辆a运送总时间(ta)：
最小配送时间成本适应度函数(t)：
车辆a在运输过程中运费：
ma＝u(wai×lij+∑(wai-∑waj)×ljj')(4)
其中：
最小运送费用适应度函数：
其中：
优化向量：
v-min(m,t)(8)
目标函数为：
约束条件：
车辆装载上下限约束，由车辆自身性能所决定：
wmin≤wai≤wmax(10)
发货点i的日出货上限，由仓库结构、工作人员、工作时间所决定：
准运证限制，由卷烟运输实行法定准运证制度所决定：
其中、i第i个发货点，j第j个收货点，ωtj第j个收货点的第t中香烟的吨数，aj0-1变量表示第a辆车是否送j收货点，ai0-1变量，表示第a辆车是否在i发货点始发，ωaj第a辆车运往第j个收货点的货物吨数，ωai第a辆车从第i个发货点装载的货物吨数，tai第a辆车在第i个发货点的出货时间，taj第a辆车在第j个收货点的入库时间
所述的调度算法设计：采用以下步骤(1)hopfield神经网络与模拟退火算法的结合；(2)hopfield神经网络与levy飞行策略的结合；(3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的ihnn混合算法；
所述的(1)hopfield神经网络与模拟退火算法的结合采用以下详细方法；①设置初始状态xi；
②将xi设置为起点，代入到hopfield神经网络中进行迭代运算，计算此时的网络的e{xi}；
③在状态xi附近随机产生扰动δxi，即此时状态变为xi+δxi，再带入到hopfield神经网络中进行迭代运算，此时网络稳定时输出极小值e{xi+δxi}；
④若
⑤若e{xi+δxi}＞e{xi}，则釆用判断是否满足metropolis准则，若满足metropolis准则，则接受状态e{xi+δxi}＝e{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③；若不满足则e{xi}＝e{xi}，若算法收敛则输出结果，若算法不收敛返回步骤③；
所述(2)hopfield神经网络与levy飞行策略的结合采用以下详细方法：①设置初始状态xi；
②将xi设置为起点，代入到hopfield神经网络中进行迭代运算，计算此时的网络的e{xi}；
③对状态xi依飞行概率利用levy飞行策略移动
④若
⑤若
3)基于上述步骤，利用以上混合策略，构建烟草物流分级调度问题的ihnn混合算法详细步骤如下：(1)构建hopfield神经网络，将收集的历史拼车订单数据输入进hopfield神经网络训练神经网络；
(2)在训练好的hopfield神经网络中随机选取起始点x0，即初始的分级调度方案，根据烟草物流分级调度双层优化目标函数计算f(x0)，令k＝0；
(3)将调度方案和订单动态数据输入hopfield神经网络，利用梯度下降法进行搜索(假设本次搜索的起始点为x(k))，找出f(x)的局部极小点x(k)*。对于订单需要调库但又不满足调库时间窗约束的调度方案，将其在算法中标记，使用hopfield神经网络进行单独分层优化；
(4)从x(k)*开始，进行算法局部深入探索，运行模拟退火算法直到找到一个新的点x(k+1)，这是满足f(x(k+1))-f(x(k)*)≤-δk的，其中δk是某个正数；
(5)更新x(k)*，令x(k)*＝x(k+1)。对算法进行全局寻优，运行levy飞行策略，更新得到一个新的点x(k+1)，这个点满足f(x(k+1))-f(x(k)*)≤-δk；
(6)令k＝k+1，返回步骤(2)直到算法收敛；
(7)将此次基于动态订单数据优化的调度决策优化结果作为历史数据输入进hopfield神经网络，更新神经网络的原始知识。
优选的，基于模拟退火的鲸鱼优化算法对成品卷烟调度模型求解：
1)初始化算法涉及到的所有参数，包括种群规模s，最大迭代次数tmax，退火速度δ，以及按出货点编号设置搜索空间上限bup、下限blo；
2)初始化满足搜索空间上下限的种群，种群中每个个体代表根据订单所产生的一种车辆调度方案，设订单个数为n，oi表示种群中第i个个体，则oij(j＝1，2，…，n)表示运送订单j的发货点以及运输车辆；
step2：计算群体中每个个体的适应度值f(xi)，更新全局最优个体位置和全局极值。
step3：计算模拟退火算法的初始温度，对全局最优鲸鱼个体执行模拟退火操作更新最优个体位置：
其中，zbest为初始粒子种群中，最优的适应度值；
step4：对种群中所有鲸鱼个体执行包围猎物、bubble-net攻击、随机搜索操作；
step5：检查当前是否达到最大迭代次数，如果达到，结束寻优，输出优化后的车辆调度方案；如果未达到，返回step2。
1.本系统通过rpa实时获取物流综管平台的订单数据及实时库存数据。2.通过本系统算法层实时计算现有订单的调度算法结果。3.承运商根据系统的发货调度，将调度结果匹配相应的承运商公司、车型、车牌号、司机等车辆基本信息4.通过手机微信小程序绑定各承运商所属司机及对应车辆基本信息。5.调度管理平台通过rpa获取计划调度-运输调度数据。6.调度管理平台将运输调度数据、调度算法结果数据传送到手机微信小程序，保证数据的一致性，为送货司机预约、到库确认、信息推送做数据支撑。7.通过手机微信小程序进行工/商业预约到货、到库确认、信息推送等操作，保证送货司机配送的规范性和服务质量。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
- 还没有人留言评论。精彩留言会获得点赞！