当前位置:首页 > 物流资讯 > 联盟资讯
杉树科技—定制最优化物流决策,让运输优化简单高效
2020年03月19日 12:00 作者i56爱物流 来源i56爱物流 浏览95
 杉数科技(北京)有限公司(以下简称“杉数科技”)成立于2016年7月,由罗小渠、葛冬冬、王子卓、王曦四位毕业于斯坦福大学的博士联合创立,团队包括多位十余年经验的业务专家和几十位海内外名校博士,并配备超过20位海内外一流大学教授组成的科学家顾问团队。该团队不仅在学术界具有深厚影响力,还曾为谷歌、IBM、波音、美国能源部、中国电网等机构及企业解决运营决策、优化问题。
作为国家高新技术企业,杉数科技一直致力于产学研结合,成立仅三年,获得及在申知识产权达数十项,并有望在五年内超过百项。杉数科技的目标是以世界一流的人工智能决策技术,让中国每一个企业拥有定制最优化决策的能力。
杉数科技成立三年多以来,通过以“杉数优化求解器(COPT)”为核心的优化技术与产品平台已经服务了包括顺丰、京东、德邦、中外运、滴滴、中国商飞、百威、宝洁等在内的诸多标杆企业,基于高效的数学建模及求解运算能力帮助他们提升在供应链管理、物流管理、生产调度、销售管理等核心运营环节中的决策效果。
 
在日常休闲娱乐过程中,很多人都会选择啤酒作为消遣的饮品,百威英博是全球领先的啤酒酿造商,一直占据国内高端啤酒市场龙头地位。啤酒销量不断增加的同时,百威英博运输业务规模也在不断扩大,运输优化问题就成了百威啤酒制约业务发展的重要环节。尤其是上海地区,考虑到避免多次过河/过桥、遵循车辆的单行/限行政策、严格满足客户收货时间窗等实际限制条件,如何合理分配车辆资源,安排配送顺序,降低运输成本,成为了百威啤酒提高运输效率,节省经营成本的关键瓶颈。
选择一个好的运输优化平台十分重要,经过多方对比,百威英博最终选择与具有丰富运输优化经验的杉数科技合作,携手解决百威英博运输调度优化的实际问题。
 
杉数科技是一家怎样的平台呢?
杉数科技是一家真正意义上的人工智能决策公司,依托于世界领先的深层次数据优化算法和复杂决策模型的求解能力,杉数科技致力于为企业在海量数据环境下的复杂问题提供解决方案,利用数据为企业带来收益及成本端的显著变化,真正让每一个企业拥有定制最优化决策的能力。
 
杉数科技自主研发的杉数智慧链™优化解决方案平台,利用运筹学和机器学习等前沿技术将企业的实际问题转化为数学模型求解,在杉数求解器(COPT)的驱动下,解决生产、仓储、配送、销售等一系列场景中的优化问题,实现数据驱动的人工智能决策。
杉数科技PonyPlus(小马驾驾)运输优化系统,专门针对物流优化问题,能够为同城运输、支干线运输等场景提供配送任务分配、路线规划建议,通过杉数算法提取车辆、订单、地点等信息,赋予企业车辆路径优化、智能订单匹配、智能物流配送等能力,节省运输车辆、降低运输里程数、节省调度时间。
 
 
 
一、物流运输优化面临的问题:
物流领域,运输成本与排班调度是一个亟待解决的问题,过往沿用的人工排班方式在大规模业务需求下日趋困难。首先,多目标优化难以实现,人工排班难以同时实现减少用车数量及减少车辆行驶距离的多目标优化;对企业来讲要考虑装载、路线等问题,但无法去通盘考虑整个流程,车辆的利用率不高。其次,配送场景复杂,人工排班难以综合考虑复杂多变的城市配送场景,比如尽量避免多次过河/过桥、遵循车辆的单行/限行政策、满足不同客户的收货时间窗要求等限制约束;需要充分的了解城市分区分车型分时段的限行、禁行约束情况,了解到哪里有限重、限高、限宽、限速,哪里需要调头、左拐、过河/跨桥,哪里的站点接近司机住址等等。第三,排班时间长,人工调度排班用时长达一小时,人工排班耗时较长,会导致整体的装车、排车作业时间很长,响应速度不够快,业界也比较头疼没有办法得到一个比较精确的时长。第四,排程误差大,车辆在每个站点的停留时长人工预测精度低,路线排程误差大,人工排班无法考虑到客户订单、网点信息与时间窗、路线模版、车辆信息、运输费率、装卸效率等信息。
 
 
 
 
二、小马驾驾系统介绍
 
小马驾驾流程简单来讲,就是会把订单发到计算平台上,算完之后会把结果推送到司机的APP里,司机会用APP去做执行,执行过程中,会记录实际到站和实际里程,通过执行端的数据收集回来之后,做一些反补,通过机器学习深度学习做一些参数,整体上是闭环流程。比如平时开1个小时的时间,为什么司机开了一个半小时,然后分析是不是路程有点堵,通过机器学习去学习一些事情,比如拥堵系数、装卸时长,将这样的参数学进行学习。
(1)满足常规限制条件,引入优化策略
首先,通过独立设计的智能优化算法,杉数科技能够将零售客户的收货时间窗要求、车辆的装载上限、最大行驶里程、分区限行规则、车辆跟商品的对应关系、运输地点和车型的对应关系等作为限制条件引入优化计算过程中,确保这些常规限制条件的满足,引入优化策略,根据不同的业务场景,配置不同的优化策略,满足业务需求,快速响应业务变化,小马驾驾多达20多个自定义参数,和近15个优化策略形成一套组合拳,向运输优化的各个场景,提供有力支持并实现短时间内处理大量的运输任务的需求,将调度决策过程智能化、系统化。
不同于传统的算法以车次最少或里程最短为目标,小马驾驾引入了相关费率的计算,使得优化以总成本最低为目标,切实为企业降低运输费用。
(2)将实际交通情况纳入优化限制约束中
通过实时调取高德地图的汽车导航数据,杉数科技可以将城市的实际交通状况及相关规定(例如限行、单行、禁止左转、禁止掉头等)充分纳入到优化的限制约束中进行考虑。
通过设计定制化的算法内部惩罚机制,小马驾驾能够使优化出的结果线路尽可能避免出现过河/过桥等实际落地中需要规避的道路情况。
三、小马驾驾功能模块
 
 
 
(1、订单管理:订单一键上传,订单手工调整)
 
 
(2、运力管理:多种车型维护、承运商资源维护,)
 
(3、调度管理:派车优化、路径优化、参数配置)
 
 
(4、路线管理:路线可视化、固定路线、路线调整)
  
四、小马驾驾优化层面及案例
小马驾驾智能运输平台可以从四个层面进行优化,从对运费节省由低到高来排,依次是执行跟踪层、运作层优化、战术层优化、战略层优化。
 
路径优化问题即寻求由起点出发通过所有给定的需求点之后,最后再回到原点的最短路径,又可分为旅行商问题和车辆调度问题。根据上面两类问题,衍生出多类变种问题。比如在很多场景下,用户的需求会实时的产生(包括取货和送货需求),因此需要适应性的解决方案;某些货物需要在某一时间段送到或某些取货要在某个时间窗口取;同时出现多个取货和送货的需求,如何安排多个送货员(车辆)和出发点。这些问题复杂而多变,需要深入的建模和求解能力。
有多少优化的问题,就会有多少优化的角度。如,可以通过考虑多种模式,单点提多点送,多点提单点送,多点提多点送等模式,提升配送效率;可以通过城市分区分车型分时段的限行、禁行约束情况,了解到哪里有限重、限高、限宽、限速,哪里需要调头、左拐、过河/跨桥,哪里的站点接近司机住址等等,从而提升业务的响应速度和达到时间窗的严格约束。
 
在城市配送中会遇到很多业务挑战,如车辆人员资源匹配不合理、时间窗约束严格、城市分区分车型分时段限行、业务模式复杂多变、手工调度造成效率低下等。这些问题可能会出现在整个城市配送链条的各个环节上,而运输优化的目标是优化整个链条,减少运输成本,提升资源利用率和业务响应速度。那么,如何达到优化目标呢?将客户订单、网点信息与时间窗、路线模版、车辆信息、运输费率、装卸效率等信息输入运输优化引擎,通过杉数特有的优化算法,在考虑以上多种业务约束的同时,全局统筹规划所有资源,为企业提供各层面业务的智能优化解决方案。
比如杉数为某快递物流企业制定的快递配送优化方案,是智能运输的一个应用场景。即一个区域内的快递送件/取件订单,在较大的合理时间范围内,在定人、定区快递员及周边小范围快递员内中选择出合适的快递员,经过合理的路径规划,完成消费者/商家处的订单服务。该场景的难点在于不同的订单优先级,催收、催派动态影响到时间窗;在途时间受到天气、交通状况、车辆类型的影响;装、卸货效率需根据重量、体积、收货方式、有无电梯、楼层等决定。另外,快递员每时每刻会通过手持设备发起实时优化,如何解决高并发也是落地难点之一。
通过对某次快递配送路径的优化,得到了两种路径结果输出:图一为纯路径最短,仅考虑开行时间最短及影响开行时间的因素(天气、路况、客户服务时长),忽略客户时间窗、忽略客户/订单等级、投诉、催收催派因素;图二为满足客户服务的路径最短,考虑开行时间最短及影响开行时间的因素(天气、路况、客户服务时长)、客户时间窗、客户/订单等级、催收催派、投诉等因素。
 
另外一个经典的案例是杉数为某大型家具公司制定的城市配送优化方案,场景难点很多,如北京市复杂的道路限行约束、订单分布较散、客户严格并且有大时间段的收货时间窗、家具安装时间波动从10分钟到10小时、近百种车组服务/运输能力差异较大等。那么,如何在满足客户时间窗的要求下,将任务合理地分配到合适的车组,并保证路线少跨区、里程数稳定呢?最终杉数通过优化引擎,在满足各类约束条件下,将调度时间从3小时压缩至15分钟,使企业用车成本下降近25%。
同时,在企业的一些难点需求上也提出了对应的优化策略,达到了很好的效果。如,远郊区县房山,为了按业务要求派一辆车,且避免从市中心穿过的情况,杉数采用了先五环内再五环外的订单优化方式,缩小了远郊跨区距离,使去往远郊区县的车尽量在市区外围沿路接单。
 
 
同样的城市配送案例,还有杉数为某跨国快消品牌在上海定制的城市配送系统,上线3个月时间,系统在支持该公司的每日排单调度任务上,将计划时间从2小时压缩至30分钟;在用车数量保持不变的情况下,将车辆平均行驶里程缩短了12.53%;在门店配送上,每车次配送门店数最高增加了53.3%,每车次配送箱数最高增加了54.2%。该案例里面有一些定制化的需求,如交通状况变差或遇到突发情况,通过手持设备可以一键进行途中路线实时再优化操作,计算出当下最优路径及每个站点预计到达的时间。
 
合理的分配每个司机的行驶时间和距离,使任务尽量均衡。同时,杉数将机器学习成功的应用在传统的VRP问题上并进行落地,由于前期对每个站点停留时间预估不准确,积累一段时间数据后,通过对司机画像、站点属性、站点卸货条件、卸货商品大类及数量进行学习,杉数得到了不同的店、不同司机、不同配送货物情况下卸货时间的预测模型,到货准时率提升了近30%,使得客户满意度大大提升。
(如有版权问题,请联系修改!)
最新仓库