一種大規模訂單處理與配送路徑優化的方法技術

一種大規模訂單處理與配送路徑優化的方法，包括以下步驟：步驟100，根據訂單屬性，對訂單進行ABC分類法初次聚類，劃分A類訂單、B類訂單、C類訂單；步驟200，對所述A類訂單、所述B類訂單、所述C類訂單進行BIRCH算法二次聚類，建立聚類特征樹，對所述聚類特征樹的葉結點進行聚類，獲得特征簇；步驟300，根據提貨站點屬性及物流路徑屬性，分別采用蟻群算法選擇提貨站點和物流路徑；步驟400，根據步驟200及步驟300的結果，對所述物流路徑中所需要經過的站點，采用Dijkstra算法和蟻群算法對所述物流路徑進行優化，獲得最優路徑。

【技術實現步驟摘要】
一種大規模訂單處理與配送路徑優化的方法
本專利技術涉及一種大規模訂單處理與配送路徑優化的方法。
技術介紹
現代物流已被公認為是企業在降低物質消耗、提高勞動生產率以外創造利潤的第三個重要源泉，也是企業降低成本，提高產品競爭力的重要途徑。在實際操作中對大規模的訂單需要進行規模化的處理并且合理調配各站點倉庫中的存儲貨物并且通過優化配送路徑來節約運送成本，使利潤最大化。
技術實現思路
本專利技術的目的在于，提供一種云街便利循環物流配送體系的系統操作的算法和物流調配實現的方式，用于實現云街便利循環物流配送體系并且實現高效率的物流調配，增強配送系統對物流訂單的處理能力和尋找最優化物流路徑的能力。利用實際的反饋數據不斷更新數據庫內容使得系統對訂單的處理能力和尋找最優化物流路徑能力更加精準，形成一種積極的正反饋行為。用于解決問題的方案為了實現上述目的，本專利技術創造提供一種大規模訂單處理與配送路徑優化的方法，包括以下步驟：步驟100，根據訂單屬性，對訂單進行ABC分類法初次聚類，劃分A類訂單、B類訂單、C類訂單；步驟200，對所述A類訂單、所述B類訂單、所述C類訂單進行BIRCH算法二次聚類，建立聚類特征樹，對所述聚類特征樹的葉結點進行聚類，獲得特征簇；步驟300，根據提貨站點屬性及物流路徑屬性，分別采用蟻群算法選擇提貨站點和物流路徑；步驟400，根據步驟200及步驟300的結果，對所述物流路徑中所需要經過的站點，采用Dijkstra算法和蟻群算法對所述物流路徑進行優化，獲得最優路徑。優選地，步驟200中，所述二次聚類包括如下步驟：步驟210，掃描所有數據，建立初始化的CF樹，把稠密數據分成簇，稀疏數據作為孤立點；步驟220，補救由于輸入順序和頁面大小帶來的分裂，使用全局/半全局算法對全部葉節點進行聚類。優選地，步驟200中，所述二次聚類包括如下步驟：步驟210，掃描所有數據，建立初始化的CF樹，把稠密數據分成簇，稀疏數據作為孤立點；步驟211，根據全局或半全局聚類算法的范圍要求，建立一個更小的CF樹；步驟220，補救由于輸入順序和頁面大小帶來的分裂，使用全局/半全局算法對全部葉節點進行聚類；步驟221，將步驟220中的中心點作為種子，將數據點重新分配到最近的種子上，保證重復數據分到同一個簇中，同時添加簇標簽。優選地，步驟400后還包括以下步驟：步驟500，記錄實際站點間的交通時間及站點停留時間；步驟600，將步驟500的結果作為提貨站點屬性及物流路徑屬性。優選地，所述訂單屬性包括訂單送達時間、訂單緊急程度、訂單延遲時限。優選地，所述提貨站點屬性包括站點停留時間、站點備貨品種、站點備貨量、站點位置。有益效果1、良好適應云街便利循環物流配送體系的循環動態高效的配送體系。可以支持大量訂單的分析與處理，且實現該種方法的軟件對硬件要求不高，非常適合計算設備，適合現代電商的物流實際操作。在實際物流配送中與車載移動裝置相配合可以實現輸入訂單顯示路徑以及預估到達各站點的時間，大大方便了物流配送人員，而且也方便公司對物流配送進行及時調配。該方法能有效節約物流成本提升物流配送效率。2、該方法解決了三個層次的問題：第一層次是訂單的處理，第二層次提貨站點及路徑的選取，第三層次是各因素信息的及時更新。這三個層次的算法結構互不影響，當有先進算法時，隨時可以引進來替換陳舊算法，且也不影響程序的完整性。3、與以往的物流的提貨選址和配送路徑選擇的單向性相比該方法具有雙向性，一個方向是從訂單處理到路徑選取到貨物送達，另一個方向是用完成的各步驟的結果數據(如時間信息)反饋給系統數據庫。兩個方向互相作用優化整個配送體系，給公司日后大數據處理埋下伏筆。4、本專利技術適應性強，對用戶友善，可建立云端數據庫，有需要的企業可以根據需要自由調取運算。具體實施方式下面對本專利技術創造實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本專利技術創造部分實施例，而不是全部的實施例。基于本專利技術創造中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術創造保護的范圍。假設有n個訂單，每個訂單表示為Gi(i＝1，...，n)，設物流調配系統有n個A類站點ai(1≤i≤e)，m個B類站點ai(e＜i≤f)，p個C類站點ai(f＜i≤g)，每個站點表示為ai(i＝1，...，n)，在時刻T(t)，站點ai的某物流貨物庫存量為Qi(T(t))，而在這一時刻該站點對該物流貨物的需求量為Di(T(t))，滿足的約束條件為Q(T(t))≥D(T(t))，即總在未來某時間點某貨物總庫存量大于等于對該貨物的需求量。且每輛運貨車的最大裝載量為W。在初始狀態時，各訂單毫無規則且其中的數據繁雜，直接對初始訂單數據進行聚類可能會導致程序運行緩慢，且聚類的結果不準確等情況。因此，先對初始訂單用ABC分類法的思想先進行初次聚類。步驟100，根據訂單屬性，對訂單進行ABC分類法初次聚類，劃分A類訂單、B類訂單、C類訂單。云街便利循環物流配送體系中分A、B、C三類站點。A類站點主要為公司自營期間店，主要承載的物流職能為攬件、自提、派送、分揀。B類站點主要為有配送能力的社區點，配送站等，主要承載的物流職能為攬件、自提、派送。C類站點主要為社區點，主要承載的物流職能是攬件和自提功能。配送體系中實行A類站點之間(即倉庫之間)定點配送和A類站點、B類站點、C類站點無間配送的循環動態高效的配送體系。ABC分類思想聚類的規則可以是按顧客收貨的延遲期限可分為需采取及時配送(JIT配送)的A類訂單、允許有一定延遲期限的B類訂單以及允許較長延遲期限的C類訂單，或者按訂單貨物調配方式分為各個A類站點和B類站點都有較多存貨的A類訂單、某些A類站點和B類站點有存貨的B類訂單以及需要從別的地方調運貨物的C類訂單。步驟200，對所述A類訂單、所述B類訂單、所述C類訂單進行BIRCH算法二次聚類，建立聚類特征樹，對所述聚類特征樹的葉結點進行聚類，獲得特征簇。優選地，所述二次聚類包括如下步驟：步驟210，掃描所有數據，建立初始化的CF樹，把稠密數據分成簇，稀疏數據作為孤立點；步驟211，根據全局或半全局聚類算法的范圍要求，建立一個更小的CF樹；步驟220，補救由于輸入順序和頁面大小帶來的分裂，使用全局/半全局算法對全部葉節點進行聚類；步驟221，將步驟220中的中心點作為種子，將數據點重新分配到最近的種子上，保證重復數據分到同一個簇中，同時添加簇標簽。面對大型數據，利用BIRCH算法通過掃描數據庫，建立一個初始存放于內存中的聚類特征樹，然后對聚類特征樹的葉結點進行聚類，聚類出的不同簇可看做是不同的物流路徑。BIRCH算法的基本思想是建立一棵樹，這棵樹能夠捕獲聚類所必須的信息，聚類僅在這顆樹上進行。其中樹中結點的標記包含了計算距離值所需要的信息。樹的規模由與每個葉結點所對應的闕值T決定。闕值T代表允許的最大直徑。這里的直徑是指簇中所有兩個點之間距離的平均值。BIRCH聚類算法具體分為四個階段：1、掃描所有數據，建立初始化的CF樹，把稠密數據分成簇，稀疏數據作為孤立點對待。2、這個階段是可選的，階段3的全局或半全局聚類算法有著輸入范圍的要求，以達到速度與質量的要求，所以此階段在階段1的基礎上，建立一個更小本文檔來自技高網...

【技術保護點】
一種大規模訂單處理與配送路徑優化的方法，其特征在于，包括以下步驟：步驟100，根據訂單屬性，對訂單進行ABC分類法初次聚類，劃分A類訂單、B類訂單、C類訂單；步驟200，對所述A類訂單、所述B類訂單、所述C類訂單進行BIRCH算法二次聚類，建立聚類特征樹，對所述聚類特征樹的葉結點進行聚類，獲得特征簇；步驟300，根據提貨站點屬性及物流路徑屬性，分別采用蟻群算法選擇提貨站點和物流路徑；步驟400，根據步驟200及步驟300的結果，對所述物流路徑中所需要經過的站點，采用Dijkstra算法和蟻群算法對所述物流路徑進行優化，獲得最優路徑。

【技術特征摘要】
1.一種大規模訂單處理與配送路徑優化的方法，其特征在于，包括以下步驟：步驟100，根據訂單屬性，對訂單進行ABC分類法初次聚類，劃分A類訂單、B類訂單、C類訂單；步驟200，對所述A類訂單、所述B類訂單、所述C類訂單進行BIRCH算法二次聚類，建立聚類特征樹，對所述聚類特征樹的葉結點進行聚類，獲得特征簇；步驟300，根據提貨站點屬性及物流路徑屬性，分別采用蟻群算法選擇提貨站點和物流路徑；步驟400，根據步驟200及步驟300的結果，對所述物流路徑中所需要經過的站點，采用Dijkstra算法和蟻群算法對所述物流路徑進行優化，獲得最優路徑；步驟200中，所述二次聚類包括如下步驟：步驟210，掃描所有數據，...

【專利技術屬性】
技術研發人員：洪劍，
申請(專利權)人：洪劍，
類型：發明
國別省市：江蘇;32