骑手的优化调度在O2O食品外卖服务业务

文摘

服务,如Meituan和超级吃已经彻底改变了客户可以找到从餐馆和秩序。许多独立的餐厅正在争夺订单客户通过在线订购平台食物。订购外卖食物放在智能手机应用近年来越来越流行。有一些业务挑战,外卖食品服务提供商必须处理,例如,客户需求波动随时间和地区。从这个意义上说,服务提供者有时忽略了一个事实,有些乘客可能闲置在几个地区的时期,同时,相比之下,可能会有短缺的骑手在其他情况下。为了解决这个问题,我们引入了一个两阶段模型来优化调度的乘客即时食品供应。服务提供者平台期待地安排最少数量的乘客提供预计到达时间内满足客户的需求在不同的区域和时间段。我们引入一个两阶段模型,采用混合整数规划方法(MIP),描述相关方面的场景中,并提出一种优化算法调度骑手。我们也将送货服务区域和时间划分为更小的部分的粒度。大邻域搜索算法是通过数值实验验证,满足设计目标。 Furthermore, this study reveals that the optimization of rider resource is beneficial to reduce overall cost of the delivery. Takeout food service platforms decide scheduling shifts (start time and duration) of the riders to achieve a service level target at minimum cost. Additional sensitivity analyses, such as the tightness of the order time windows associated with the orders and riders’ familiarity with delivery regions, are also discussed

1。介绍

订购外卖食物放在智能手机应用程序在中国变得越来越流行在过去的几年里。在最近的一项调查,68%的食客叫外卖食物至少一天一次,33%的订单至少一周一次(1]。外卖配送业务被视为online-to-offline (O2O)商业模式适用于食品行业。在过去的几年里,中国消费者广泛接受这个模型。消费者能摆脱麻烦去餐馆,但可以通过网上订购更多的食物选择和更快的服务模式。在中国,网上外卖食品服务平台等业内和百度提供外卖订购服务大部分的劳动人口。首先,智能手机应用程序客户做订单,饭菜被餐馆,然后准备包装和外卖交付平台分配独立承包乘客提供食物。与其他餐饮服务提供者如麦当劳和肯德基,在线食品订购平台不雇佣一个全职雇员完成交付工作。因此,所有外卖交付平台所面临的一个关键问题是如何制定一个时间表和路线为乘客提供食物这样客户可以尽快在所需的时间内(2]。此外,考虑到客户需求的波动与区域和时间段,外卖平台的调度将变得更加复杂。例如,订单到达率通常波动更多用餐高峰时期(飙升在吃饭时间和下降到不足水平在其他用餐时间)比在郊区的商业区[3,4]。此外,防止或减轻不利影响不确定性与骑手的交付能力,服务平台也可以选择预定的交付工作,他们可以更有效地利用。

外卖服务提供商总是尽最大努力满足客户需求交付过程。客户通常期望可靠和快速服务在预期的时间内5]。因此,在这项研究中,我们开发和评估一种新的方法来解决订单分配和乘客的服务序列。为了简单起见,骑手从中央仓库相关的小地区的餐馆。一般来说,骑士为客户提供送货服务半径3公里之内。客户总是在每个期限前下订单,如将一天划分为等距服务时间,10:00-12:00,12:00-14:00,15:00-17:00,和17:00-19:00。我们假设一个餐厅收到订单在10:30与最后期限11:30。在这种情况下,服务提供者指出,服务地区没有足够的骑手资源,所以订单没有分配到可用的骑手尽可能快。乘客的数量需要在每个地区在不同时期,不同和不同的地区有不同的订单请求在同一时期。因此,客户请求的延迟与期限似乎是不可避免的。此外,延迟服务也会导致较低的服务质量和更多的客户投诉6]。因此,服务平台需要设计合理的调度计划分配骑手的即时食品资源交付对客户需求在时间和空间的波动。如图1,颜色从亮到暗显示客户的订购需求同时订购时间。与此同时,可以看出,中部地区附近的客户需求越大,越小在边缘地区的需求。

由于现实的挑战,即时物流面临着许多困难,而发展迅速。餐饮服务提供者面临的复杂问题,控制调度乘客的成本,同时保持高质量的客户服务。外卖服务提供商,难以有效地分配订单为速溶食品交付骑手。固有的问题是一个矛盾的波形分布顺序,可用空间位置和骑手的稳定。几个地区将有多余的闲置骑手在槽/骑手没有交付任务,导致资源的浪费。然而,用餐高峰期间,订单量显示了增长趋势相对于nondining时期,和现有的骑手无法满足客户的交付要求。这种现象被称为骑士资源不足。例如,在一天的两个高峰时期订购外卖通常12:00至13:00,晚餐是17:00到19:00。此外,现有的乘客的数量分配的地区服务平台不足以满足日益增长的客户请求。在这种情况下,这种现象总是会导致很多订单不交付的骑手可用资源与客户需求变动即时交付时间和空间。 However, in the nonmeal periods of a day, some riders do not receive orders from the service provider. There is excess capacity in this case. The expected delivery time of orders is concise to a certain extent (the expected time refers to the customer placing the order to delivering the order). Customers have more stringent requirements than before the previous delivery system on speed, safety, and service quality. Therefore, the freshness of meals in the instant logistics delivery is becoming more significant than the traditional transportation [6]。

不同类型的订购外卖需求分布条件和方法。因此,他们也为乘客增加分销过程的困难。此外,乘客会灵活地调整自己的路线根据自己的经验和实时路况。在这个过程中,骑手路线通常偏离实际的路线,因此,这种现象延迟客户的送货服务。一个两级的编程模型是制定应对上述挑战。在第一阶段的模型中,骑手的固定成本和骑手的旅行成本被认为是和第二阶段的模型是分派骑手在特定区域在某一段时间内工作。这项研究将提供一个合理的解决方案的启发式优化服务提供商的骑手资源。我们使用时间序列分析方法生成初始路线方案根据订量传递给服务提供者。考虑可用的乘客在不同时期和地区强调守时的重要性(7]。因此,第一阶段的目标是最小化总成本,包括固定成本和旅行的乘客成本次区域时期。第二阶段的目标是最小化骑手调度时间。订购外卖通常将客户要求组合成一个大订单池与订购时间、空间位置、食物类别和新鲜处理订单请求。具体地说,一个服务提供者采用一种方法来分配订单,然后安排乘客提供分配任务在每个时期和次区域。这种方式通常指分布区域。

剩下的纸是组织如下。节2,我们回顾相关文献。我们提出问题正式部分3拟订一个多目标整数规划模型及其相关定义部分3。部分4提出问题的解决方案的细节。我们使用该算法进行案例研究,数据来自在中国外卖平台。部分6详细说明了本研究的结论和未来的研究前景的机会。

2。文献综述

交付服务供应商发货给客户在一个给定的计划期间(8]。他们估计运输能力的重要性在服务区域分配骑手交付订单的最后期限(5,9]。为了获得竞争优势,即时快递公司尝试最好的提供越来越窄的交付期限(10]。然而,增加的趋势更短的交货交货期交通资源成本即时食品交付客户需求在时间和空间,因为服务提供者必须招募更多的乘客(11]或寻求第三物流的帮助,如众包(12- - - - - -16)或备用社会运输能力(2),释放运输资源的压力。因此,运输能力管理是即时交付的重要提供者。(17- - - - - -19]。此外,Zhang et al。20.]分析了影响农户的学习效应在网络集成订单挑选和交付应用程序。他们还认为拾荒者的学习效果必不可少的订单执行过程的准确性和可预测性。然而,乘客将被动的实体,一个数字“圆形监狱”[7),用于控制算法的影响。Decisioners提供服务需要保持平衡,优化现有的能力资源,即现有的骑手资源和服务质量之间的平衡。骑手的资源,没有额外的乘客是租来的,客户的订单请求是由调度骑手从其他地区,同时确保客户服务的质量。

即时交付的问题密切相关的皮卡和交付问题21)和dial-a-ride问题(22]。每个订单都有一个传感器节点和交付节点,分别。因此,客户需要服务的骑士在一个小时或更少。例如,所有乘客必须在45分钟内交付客户订单交付。此外,骑手必须从仓库开始,访问一些新的传感器节点由于新交货节点,然后返回给定的时间窗口内的仓库(23]。否则,他们可能会受到额外的处罚因延迟交货(24]。通常情况下,通过使用精确的算法,我们可以计算出最优解,并利用启发式方法,我们可以得到一个算法解决交付问题。(25]讨论了骑士dial-a-ride的一致性问题,提出了一个branch-and-cut算法来解决两个数学公式。我们最好的知识,通过精确的方法,我们可以得到最优解。然而,计算时间太长解决移动问题。因此,精确的算法是合理解决提出的问题,因为高即时交付的及时性。因此,在真实的场景中,采用启发式方法。Ghiani [26]介绍了顺序分配和动态dial-a-ride车辆调度问题。李(2016)提出了一个大的邻域搜索算法解决搭载一乘松弛问题,确定时间。Klapp [27制定一个由整数规划模型,他们还设计了局部搜索启发式解决波动态调度问题,订单到达时间是已知的。Gschwind [28]和Azi [29日)开发了一个大型社区搜索启发式优化皮卡和交付的问题。

顾(30.]提出的好处truck-drone组合与订购外卖交付相关的两个先进的蚁群启发式和一个方法来减少派遣车辆的数量和总旅行时间。另外,当天送货是另一个小标题的研究值得关注。即时交货时,货物通常发表在当天(6,31日]。这些交付活动总是发生在形式的在线行为(32]。值得注意的是,传感器节点和交付节点通常位于同一个城市。乌尔姆(33,34]分析了无人机结合常规运载工具改善当天交付基于地理分区的性能。Klapp [35]讨论了请求认可和分布决定当天送货。他们把时间分成四个时期。弯曲(36]应用multiple-scenario方法(MSA)样本一组场景获取未来的客户请求,和样品可以确定一个合适的路线。此外,在表1,我们比较现有研究与本研究显示的主要差异。

本研究之间的差异和先前的研究如下。首先,我们制定一个两阶段模型来解决这一问题的运输交付骑手和优化资源配置的数量和旅游路线的乘客波动的客户需求在时间和空间在任何时期的整个地区。其次,我们设计一个LNS方法生成交付骑手的路线的确定最小数量的交付骑手在我们的模型的第一阶段。然后,第二阶段的模型是解决Gurobi 9.1,一个商业解决者。第三,服务区域和一整天分为一些条件和亚纪。

我们的贡献如下。首先,我们现在的骑手调度优化食品送货服务(ORSFDS)问题基于数据集从一个online-to-offline外卖食品服务提供商在中国。然后,我们制定两个MIP模型并提出LNS算法生成算法的解决方案。之后,实证研究和扩展计算进行数据提供的大连,中国。最后,本研究包括灵敏度分析的紧张时间窗和骑手的熟悉该地区。

3所示。问题定义和公式

在本节中,我们首先提出一个正式的描述ORSFDS。然后我们定义骑手路由和骑手调度。假设一组客户 需要由乘客提供服务时间段中地区,他们都位于一个连通图, 在哪里 顶点的集合,的边缘和集吗 是一组节点包括餐厅和顾客。的节点代表骑手的起源,节点1分别代表餐厅的位置和客户。对于每一个订单 我们使用表示顺序分区单元的集合。在这项研究中,我们将分布区域划分为若干个次区域和骑手服务地平线成小时间段。

我们目前的客户需求随时间的波动在一定服务区域图2。示例如图2。该图显示了客户需求的波动在一个特定的服务区域。每天我们离散化的工作视野,骑士,以每三个小时为一段时间内为乘客提供膳食。从图可以看出2这是产能过剩T1,T3之间的关系骑手的供应和顾客的需求。产能过剩是指客户的需求较低T1,T3,导致一些闲置骑手没有订单交付。然而,在T2,T4、没有足够的产能,以满足客户的要求。运输能力不足是指在该地区客户需求的激增T2,T4,现有的乘客不能完成订单的交付。同样,这种现象也存在于其他地区。此外,合理利用现有资源,本研究主要考虑整合现有的区域骑手的资源在一定时期内以减少调度成本和满足客户的需求和服务质量。因此,我们开发一个两级调度模型优化骑手调度问题。

然而在实践中,由于订单需求的急剧增加在高峰期(11:00-13:00和17:00-19:00),服务提供者(例如,Meituan)通常分配更多的乘客在预期的时间内交付订单。更合理分配资源,从而达到低操作成本,我们已经开发出一种大社区搜索来解决这个问题。在我们的研究中,为了缓解大量的订单在商业区,现有的骑手资源无法满足客户的订单要求。因此,我们建议安排一些闲置骑手从次区域小订单卷到另一个区有大订单量及时满足客户的需求。

在这项研究中,两个决策是在这个问题:路线的乘客的数量和乘客的服务时间和条件模型的第一阶段。乘客的数量和乘客的旅行路线的决策,我们使用 表明乘客提供直接从来 ,也就是说,乘客从原点开始工作;而且, 表明骑手从来路线, 否则, 我们也使用 骑手的表示为客户提供送货服务请求在次区域在地平线上工作。为了简便起见,我们制定一个两阶段模型优化骑手调度问题。骑手调度模型是确定送货路线和各个区域的乘客数量在时间和确定工作时间和工作区域的骑手。

在实践中,我们考虑一些合理的假设,以保证模型的可用性。(1)对于每一个订单,它有一定的传感器数量。骑手加载客户的订购餐在传感器节点和卸载他们交付节点。(2)传感器节点由骑士完全访问一次晚于交付节点。值得注意的是,传感器节点和交付节点必须访问相同的骑手。(3)每辆车开始服务处于初始位置。骑士是独立的承包商,每个骑手决定如何分配订单测序和路由。(4)这些路由和测序过程被调度程序。自订单请求提前服务提供者,调度员和骑手通过手机交流。(5)乘客接受所有订单分配在地平线。 The related notations and definitions used to formulate the ORSFDS are shown in Table2。

目标函数(1)试图最小化总成本包括固定成本和乘客的旅行成本(40]。约束(2)和(3)确保每个订单在次区域服务到底是一次同样的骑手从传感器节点到交付节点。约束(4)满足两个相邻节点之间的旅行时间的要求。约束(5)保证客户请求交付之前订单预计交货时间。骑手到达餐厅皮卡食物或离开餐厅后将食物放置顺序提出了约束(6)。约束(7)提出了相同的骑士之间的时间关系到传感器节点和交付节点;即交货时间当骑手离开不能早于交付节点的总时间。它是由上升时间和旅行时间从传感器节点到交付节点。直接从皮卡弧不旅行到交货节点,如约束(8)。有效载荷能力提出了约束(9)- (11)。约束(9)和(10)定义的有效载荷能力车辆由一个骑士。约束(11)决定了负载不超过车辆的能力。约束(12)显示了节点之间的关系和骑手的所有权。约束(13)和(14确保订单节点的连通性。同样,约束(15)和(16)表明,每个骑手从仓库开始,去餐厅小食品,提供客户的请求,并返回相同的仓库。约束(17)- (19)是决策变量的定义。

骑手的变化是至关重要的优化调度的骑手。然而,在真实的场景中,乘客的数量需要在每个阶段和每个子区域是不同的。例如,在两座山峰整整一天,订单请求的数量几乎呈指数增加。在这种情况下,乘客的数量每个在同一地区不同时期所需时间。因此,我们提出一种新的调度方式。换句话说,我们安排空闲骑手从几个条件少其他条件运输能力在同一时期,这样的问题获得短骑手在某些条件的情况下在峰值期间可以解决。

为了简单起见,在第二阶段的模型中,我们假设一组条件,需要由骑士期间提供服务。在我们的讨论中,我们假设一组时期 ,和骑手的有效载荷能力无论在任何次区域用亚纪 。有可用骑手的分布,用 。我们假设每个骑士只能服务熟悉的条件 。因为波动的订单请求在不同的条件和时间,乘客可能转移条件之间是谁用 到另一个 。每个弧与转移成本 。乘客不允许服务条件远离原来的地区,和骑士的最大传输距离 。骑手的转变决定,用决策变量 ,和骑士在一段时间内为客户提供送货服务请求在次区域 。以满足客户需求和获得最小的调度时间,模型如下。

目标函数(20.)将乘客的总调度时间最小化16]。约束(21)确保每个骑手可以最多一个亚区。约束(22)表明,所需的乘客数量每个在每个周期不大于次区域的总人数分配骑手。约束(23)状态,每个车手都有一个固定的熟悉的地区,不能去陌生的次区域。约束(24)和(25)管理骑手的传输距离的关系。最后,约束(26)表示决策变量。

4所示。解决方案的启发式

本节详细介绍了提出大的邻域搜索算法。有一些metaheuristic算法,可能会有一些缺陷,如过早收敛和流浪汉在局部最优或停滞。为了克服这些缺点,本研究试图开发一种混合启发式算法,使其获得较高的计算效率。此外,启发式和metaheuristics广泛应用于不同的研究领域,如在线学习、调度、多目标优化、医学、客运和货运码头操作、数据分类等。

据我们所知,拟议的骑手调度模型的扩展dial-a-ride问题,(一个著名的np困难问题41]。因此,它是至关重要的获得高质量的优化结果在合理的计算时间。一个大邻域搜索算法是一种广泛验证资源调度算法(42]。构造初始解决方案改善了现有的解决方案通过迭代执行破坏和修复操作符并生成一个近似最优解。

在骑手调度模型,我们优化的乘客数量和乘客的路线。首先,我们设计一个插入启发式方法快速构建可行的初始解决方案;在随后的迭代中,现有的解决方案被删除算子,然后删除订单插入的修复算子。这个操作之后,可以生成一个新的社区解决方案从当前的解决方案。算法终止条件满足时,输出最优解。表3显示了设计一个大型社区的伪码算法。

4.1。插入启发式设计初始解

Cordeau et al。41构造一个初始解采用完全随机的方法。然而,这种方法的缺点是有时不可行解也可以获得。因此,提出,我们考虑订单的时间窗口和邻近的订单来生成一个骑手快速可行的路线。首先,所有订单排序珍稀化石基于订单的预计到达时间;然后,每个订单分配给骑手的送货路线生成R | |初始序列根据预计到达时间(从早期到晚期)。最后,我们将订单合并到同一个发货路线在照顾下面列出的四个指标:(1)计算两个传感器节点之间的距离。(2)计算两个交付节点之间的距离。(3)计算一个交付节点和传感器节点之间的距离。(4)计算一个传感器节点和一个交付节点之间的距离。

传递路线合并迭代执行。在每个迭代中,订单是随机选择从剩下的没有保险的命令,四大指标之一是随机选择的,基于这两个随机特性的最小距离计算,和插入顺序与最小距离的路线。在插入过程中,我们还需要做一个可行性检查根据订单分配的约束模型,确保初始解的可行性。获得一个可行的初始调度计划,直到所有订单插入的路线。

4.2。邻域搜索

在本节中,获得一个新的社区解决方案,取消操作和维修操作被摧毁和重建当前设计解决方案。在删除操作,我们使用四个删除操作员:自然顺序删除算子,最长时间窗口删除算子,坏的订单删除操作符,和集群移除操作符。与每个删除操作,输出结果只是解决方案的一部分。因此,我们实现修复运营商构建一个可行解的部分解决方案。在这项研究中,有用的修复运营商最优插入算子,后悔插入操作符,和最大等待时间插入算子。

4.2.1。准备删除操作符

邻域搜索的目的是消除一些订单从当前解决方案基于特定标准。有四个社区操作应用于本研究如下。

自然序列去除接线员:节点路由与“0”骑手负载被称为自然序列。一般来说,骑士的路线包括两个自然序列,分别。也就是说,序列1⟶2⟶1 +n⟶3⟶2 +n⟶3 +n一个nd sequence 4⟶5⟶5 +n⟶4 +n,即。随机选择一个自然顺序删除算子和删除它从当前骑手的路线。

最长时间窗口删除算子:选择订单所有航线最大的时间窗口和删除它们,因为大的订单时间窗口有更多的灵活性。

最差的订单删除接线员:骑手路线,路线的节约成本的价值计算,删除该订单最可观的储蓄的价值。

集群移除接线员:根节点随机选择一个阈值,然后删除订单在每个路线最靠近根节点。

4.2.2。修复操作符

修复操作的目的是将取消订单重新插入到骑手的路线。修复的修复算子执行迭代过程,直到所有订单插入一组路线。在这项研究中,我们使用以下三种修复操作符。

最优插入接线员:这种方式类似于插入启发式操作部分4.2,无用的订单插入的位置最低成本增加。

后悔插入接线员:考虑最优成本值插入,最具挑战性的顺序通常所说的最后处理。因此,对于所有无用的订单,最优插入位置计算的成本价值和成本价值生成的向量。然后,从向量中随机选择一个值,其相应的订单插入的路线。

最大等待时间插入操作符将订单插入骑手路线更可观的缓冲时间。的等待时间指的是时差 ,骑手的到达时间和传感器节点之间的开放时间。

4.3。选择和停止准则

最优和遗憾插入用于生成初始可行解基于当前号码。在每个迭代的算法,我们随机选择清除和修复运营商摧毁和重建当前解决方案,并获得一个新的解决方案。此外,模拟退火标准是用于确定是否接受新解决方案。因此,采用这一标准,我们可以接受一个次优的解决方案目前搜索全局最优解,而不是局部最优解。

5。计算实验和分析

5.1。基准测试例子

LNS算法在c#中实现和测试系统与64位Windows操作系统,英特尔i7处理器(2.60赫兹),和16 GB的RAM。然后,我们使用Gurobi 9.1.0商业解算器来验证我们的模型,但它只能处理不到十订单。因此,我们需要采用提出的启发式解决中等规模的问题。

研究了DARP几十年来,与许多基准实例相关联。提供的标准实例Cordeau [22)是用于验证该数学模型和启发式方法。

该算法之间的差异和DARP是传感器节点和交付节点只有一个片面的时间窗口。因此,标准DARP实例可以迅速被转换为一个测试实例基于模型的第一阶段。我们可以设置时间窗口的右侧传感器节点和交付节点的左正无穷和0。

我们有比较提出了LNS的禁忌搜索算法,结果如表所示4。第一列显示了实例名。第二列列举了订单请求。插图,客户要求的数量是一个单位。然而,B是服从均匀分布。第三列是骑手的车辆的能力。列4表明最小数量的乘客从模型中获得的。列5 - 6和7 - 8表示LNS和禁忌搜索算法的解决方案和计算时间,分别。

根据表4,该算法和禁忌搜索法的第一阶段模型的两个实现。该算法的性能优于禁忌搜索算法。我们可以获得一个最优解为16的24实例通过使用LNS算法;然而,通过采用TS算法,我们只能得到一个最优解的实例。然而,在计算时间方面,LNS算法略长于禁忌搜索算法。此外,LNS算法在本质上是随机的,和他们的表现经常波动,所以对于测试实例(a)和(b)实例,我们运行1000次迭代的算法。收敛过程如图所示3;尽管LNS算法的收敛速度慢,解决方法有良好的稳定性。应该注意的是,实例实例(a)和(b)基准的例子,其收敛所示,即数据3(一个)和3 (b)。在真实的场景中,两种算法之间的时间差异可以忽略。因此,LNS算法在这个研究可以更好地解决模型的第一阶段。

5.2。数据源

这部分是关于骑优化调度问题需与计算实验从大连食品供应,中国。部分4.2.1分析了快递公司在半个月的订单数据来说明客户需求波动在时间和空间。节4.2.2,本研究进行一个特定的计算测试优化乘客的运输能力。部分4.3讨论部分讨论窗口紧张和骑手的熟悉分布地区基于任务的能力。

5.2.1。描述现实世界的情况下

在本节中,数值实验进行基于数据从一个online-to-offline食品交付平台位于大连,中国。证明该算法的有效性配置运输资源的按需交付骑手食品配送与客户需求的波动随时间和空间,我们把外卖食品的客户订单要求服务提供者从1月1日到15日,2017年,作为数据来源。数据来源包括订单id,餐厅的名字,客户地点,骑士的名字,订单时间,交货时间,导航的距离,地区,骑手的地区。然后,我们使用Python熊猫包来处理数据和得到所有订单请求从2017年1月前15天,如图4。它可以观察到,日常订单的平均数量超过5000人。

此外,商业区有超过100订单在1月1日,2017年,被选中作为我们的研究区域。然后我们得到了23个次区域,及其详细信息如图5。很少有订单在8:00点和20:00。高峰时间是11:00-12:00,14:00-15:00,和16:00-17:00。因此,我们关注的交货期8:00-20:00。我们将一整天分为六个sub-periods,每个亚纪2小时。

分析订单不平衡在不同sub-periods和次区域的请求。我们选择四个业务地区:Luosifu,西安路,万达,和山东路,描述顺序图的变化6。我们可以看到订单的数量由客户关于时间和地区而异。因此,外卖食品交付平台需要合理安排乘客提供客户请求和交通容量保持在一个合适的水平。

5.2.2。骑手的优化调度

本节选择46订单10:00至12:00 Luosifu商业区,以确定最优数量的乘客要求交付。骑手的坐标资源基于百度地图如图7。0代表得宝。传感器节点的顺序从1号到46号和相应的交付节点从47号到92号。对每个订单的需求是1单位,骑手是六个单位的能力。骑手的固定成本是150元。

拟议的LNS算法实现c#和运行在一个环境与英特尔(R) (TM)核心i7 - 9750 h CPU, 2.60 GHz, 16 GB的RAM。骑手的最小数量是13在上面的实例。乘客的路线如表所示5和图8。因此,该模型的第一阶段和LNS外卖食品服务提供者的启发式是有效减少交付驱动器的数量需要在给定的时期。

此外,在表6,我们目前获得的最小数量的乘客提出的启发式和派出骑士的数量在一个原始数据集的23个亚区10:00至12:00。结果表明,在20个23亚区,我们的方法优于当前系统使用。因此,我们得出这样的结论:该模型和LNS算法优于当前赋值方法。此外,我们优化的乘客数量的6个时间段和23个亚区。我们假设两个相邻亚区之间的传输距离是3公里。每个骑士的最大允许传输距离是两个连续的亚纪之间9公里。Gurobi 9.1求解程序用于生成最优解模型的第二阶段。相应的结果展示在表6。

表7介绍了最小数量的乘客需要六个亚纪的23个亚区。然而,即时交付网络需要300乘客,乘客安排1800倍。然而,在真实的场景中,服务提供者分配328乘客和时间表交付客户请求的2180倍。为了解决现有的骑手的事实不能满足客户的订购要求在用餐高峰时期,在我们的研究中,我们提出安排空闲骑手从条件到其他条件高的骑手的需求。这样,乘客的总数量已经减少了8%,比前一调度方案(每个区都有足够的骑士),和调度成本的乘客也被拯救了4200元。因此,好的能力优化实用、经济、能满足服务提供者。随机选择10个骑手和讨论骑手的服务区域在亚纪的变化,结果如表所示8。结果表明,乘客的数量在不同时期需要不同的条件是不同的。这是由于订单波动在不同地区在同一时期内,在同一地区不同时期。例如,1号分配一个骑手交付订单6不同亚区。因此,乘客们的即时交付运输资源配置的不平衡客户需求在时间和空间是非常重要的。

5.3。敏感性分析

在本节中,我们进行灵敏度分析订单的紧张时间窗和地区熟悉。

5.3.1。分析订单时间窗的气密性

守时是随需应变的关键食品交付企业自新鲜的食物必须保持在预定到达时间,以满足客户的期望。此外,通过引入最优交货骑手时间表,更可以节省运营成本交付平台。然而,在最极端的情况下,一个订单被分配给一个交付骑士只有以来的外卖服务平台的目标是满足所有客户要求获得一个良好的服务的声誉。我们模拟三种不同时间窗,讨论需要的乘客数量。例1是放松的时间窗口,和骑士只有60分钟。例2是标准时间窗口,骑手必须从传感器节点交付节点45分钟。例3是紧张的时间窗口,只允许30分钟。我们测试了三种不同的时间窗口Luosifu商业区,和相应的结果如图9。

随着时间窗的紧张,人物8显示一个相反的趋势派出骑士的数量和每个骑士之间的平均订单号。更放松的时间窗口为每个骑士意味着更少的骑手和更多的订单。总的来说,结果表明,订单的紧张时间窗口和乘客的数量是密切相关的。更重要的是,更严格的时间窗口将不可避免地提高运输能力的分布不平衡,因为食品外卖平台需要分配更多的乘客在高峰时期。

5.3.2。分析区域熟悉

在模型的阶段,我们禁止乘客访问分区单元的订单他们不熟悉的地区。因为乘客可能会花更少的时间完成订单在一个更熟悉的地区,在前面的实例中,我们使用百度地图提供的路线,但在实践中可能还有其他短路线。因此,我们定义区域熟悉描述百度地图之间的无线电实际距离和骑手的旅行距离。很明显,熟悉度越小,实际旅行距离越大。我们仍然把Luosifu为例,讨论了运输能力波动在不同地区熟悉。结果在图10。

在图10交付系统的区域熟悉交货乘客数量增加。骑士保持更高的地区熟悉时,所需的骑手将更小,这将减少运输能力的需求。否则,公司分配更多的乘客,或者骑手必须旅行更长的距离,这将增加运输能力负担。

6。结论

本研究引入了一个两阶段模型解决乘客的优化问题需速递业务。考虑到客户订单的强烈波动需求关于时期和地区,整个市政水平地区分为较小的分区单元在整个期分为几个sub-time期。对于每一个亚区,我们制定一个dial-a-delivery骑士模型(模型的第一阶段的模型)来减少输送乘客的数量在每一个时期。此外,运输能力的不平衡在不同分区和sub-periods被认为是,和交通容量分配模型(模型)的阶段建立了最小化的时间交付骑手的时间表。由于模型的第一阶段的计算复杂度,我们开发一个ALNS启发式生成算法的解决方案。在下一步中,我们将提出启发式与其他研究结果。最后,模型的阶段是解决Gurobi 9.1,一个商业的能手。数据从一个O2O餐饮平台在中国是用来进行案例研究。

结果表明,减少交付骑手需要比目前使用的交付系统应用模型的第一阶段。节省的成本后,应用我们的模型是4200元,和交付的新计划骑手调度减少到328年的总交货时间。因此,该模型和算法优化的数量交付骑手在每个子区域,提高交付骑手调度。此外,我们发现订单的紧张时间窗和交付乘客的数量是密切相关的,和一个更严格的时间窗口意味着更多的交货骑手和更少的每个订单交付骑手。乘客发现旅行距离大大减少当他们更熟悉次区域的任务。然而,在这项研究中,我们只关注静态订单需求和忽视潜在的客户需求。此外,骑士”的能力,本文主要考虑如何将整个区域划分为小的分区,并单独规划周期成小亚纪。此外,骑士服务分区单元的划分取决于区域商圈的位置,因为这样更直观的评估客户需求。分区,与此同时,一个适当的资源有许多合理的考虑,可能比提出的方法在本研究模型,优化服务资源。

有几个方向进行进一步的研究。首先,我们将考虑不同交付领域的订单需求模式和历史波动的订单高峰期和非高峰期的需求时间,工作日和假期。其次,适当的资源分区方法旨在优化distribution-driven分区的分配和调度。最后,交付过程的不确定性可能会考虑(如顺序提取的不确定性(意想不到的延迟和实时交通状况)提出一个更健壮的解决方案。总的来说,考虑更多的不确定性,按需食品distribution-driven调度问题也值得研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(71971036,71971036,71531002),在大连关键学科的主要项目(2019 j11cy002),重点研发项目的辽宁省科学技术部(2020 jh2/10100042)和教育部人文社会科学项目的中国(19 yja630084)。

引用

1. 艾媒”,对中国网络餐饮外卖行业研究报告在2017年上半年,“2017年,https://www.iimedia.cn/c400/54716.html。视图:谷歌学术搜索
2. b .亲属,t . Ambra s Verlinde, c . Macharis”解决分散的最后一英里交付给nanostores利用空闲交通容量仿真研究中,“可持续性,10卷,不。3,p。653年,2018年。视图:出版商的网站|谷歌学术搜索
3. 路透社报道,“亚马逊是如何让快递更便宜”2016年,https://fortune.com/2016/02/18/amazon-flex-deliveries。视图:谷歌学术搜索
4. b . Yildiz和m . Savelsbergh”在众包的交付服务和容量规划交通研究部分C:新兴技术卷,100年,第199 - 177页,2019年。视图:出版商的网站|谷歌学术搜索
5. 张黄w Z、x, g . MinJ。李,“城市即时交付与严格的最后期限,动态调度”ICC学报》2020 - 2020年IEEE国际会议交流,页1 - 6,爱尔兰都柏林,2020。视图:谷歌学术搜索
6. v . c . s .唷,研究。吴作栋、美国雷和y Sern”,消费者体验,态度和行为意向对在线食品外卖(海底钻井)服务,“杂志零售和消费者服务,35卷,不。35岁,150 - 162年,2017页。视图:出版商的网站|谷歌学术搜索
7. p .太阳”,你的订单,他们的劳动:探索算法和劳动在中国食品外卖平台上,“中国日报的沟通,12卷,不。3、308 - 323年,2019页。视图:出版商的网站|谷歌学术搜索
8. c . Archetti Speranza和m . g .,“库存路径问题:集成的价值,”在运筹学国际交易,23卷,不。3、393 - 407年,2016页。视图:出版商的网站|谷歌学术搜索
9. w·廖、l . Zhang和z,“绿色送餐多目标路由问题基于两级解决方案策略,”《清洁生产,第258卷,第120627页,2020年。视图:出版商的网站|谷歌学术搜索
10. m·w·乌尔姆”,当天交货,交货期限”物流研究,10卷,不。3、1 - 15,2017页。视图:谷歌学术搜索
11. k . c . js。歌”,价格,交货时间和容量选择保障”,欧洲运筹学杂志》上,卷111,不。1,28-49,1998页。视图:出版商的网站|谷歌学术搜索
12. 亚斯兰a . m ., n . Agatz l·克朗和r . Zuidwijk,“众包一个动态皮卡和交付问题特设司机,”交通科学,53卷,不。1,第235 - 222页,2019。视图:出版商的网站|谷歌学术搜索
13. 诉e·卡斯蒂略,j·e·贝尔w . j .玫瑰,和a . m . Rodrigues“众包最后一英里的交付:战略意义和未来的研究方向,”《商业物流,39卷,不。1,7-25,2018页。视图:出版商的网站|谷歌学术搜索
14. 即Dayarian和m . Savelsbergh Crowdshipping和相同交货天:用人量存储客户提供在线订单,”生产与运作管理》卷,29号9日,第2174 - 2153页,2020年。视图:出版商的网站|谷歌学术搜索
15. n . Kafle b .邹,j .林”crowdsource-enabled系统的设计和建模为城市包裹继电器和交付,”交通研究B部分:方法论卷,99年,第82 - 62页,2017年。视图:出版商的网站|谷歌学术搜索
16. x y . Wang s .彭关et al .,“协同物流皮卡和交付问题eco-packages基于时空网络,”专家系统与应用程序文章ID 114561卷,170年,2021年。视图:出版商的网站|谷歌学术搜索
17. e·p·杰克和t . l .权力”的需求评审和综合管理、容量管理和性能在医疗服务中,“国际管理评论》杂志上,11卷,不。2、149 - 174年,2009页。视图:出版商的网站|谷歌学术搜索
18. a . f . Veinott和h . m .瓦格纳,“最优容量scheduling-II,”运筹学,10卷,不。4、533 - 546年,1962页。视图:出版商的网站|谷歌学术搜索
19. j . Yoon h . Yildiz, s . s . Talluri”风险管理战略运输能力决策:一种分析方法,”《商业物流,37卷,不。4、364 - 381年,2016页。视图:出版商的网站|谷歌学术搜索
20. j . j . Zhang f . Liu唐,y,“在线集成订单和交付考虑农户学习影响一个O2O社区超市,”运输研究E部分:物流和运输审查卷,123年,第199 - 180页,2019年。视图:出版商的网站|谷歌学术搜索
21. g . Berbeglia肯尼迪。Cordeau, g . Laporte“动态皮卡和交付问题,”欧洲运筹学杂志》上,卷202,不。1、地位,2010页。视图:出版商的网站|谷歌学术搜索
22. 肯尼迪。Cordeau和g . Laporte dial-a-ride问题:模型和算法”,《运筹学,卷153,不。1,29-46,2007页。视图:出版商的网站|谷歌学术搜索
23. 克拉克和j·w·赖特,“从中央仓库调度的车辆数量的交货点,”运筹学,12卷,不。4、568 - 581年,1964页。视图:出版商的网站|谷歌学术搜索
24. 他l .,“外卖配送车辆路线优化研究考虑偶尔的道路拥堵,“前沿经济学和管理,1卷,不。10日,96 - 102年,2020页。视图:谷歌学术搜索
25. k . Braekers和A·A·科瓦奇,“一个多阶段的dial-a-ride司机一致性的问题,“交通研究B部分:方法论卷,94年,第377 - 355页,2016年。视图:出版商的网站|谷歌学术搜索
26. g . Ghiani大肠试训,a . Quaranta和c . Triki“先行为当天快递调度算法,”运输研究E部分:物流和运输审查,45卷,不。1,第106 - 96页,2009。视图:出版商的网站|谷歌学术搜索
27. m·a·Klapp a . l . Erera和a . Toriello“海浪动态调度问题当天送货。”欧洲运筹学杂志》上,卷271,不。2、519 - 534年,2018页。视图:出版商的网站|谷歌学术搜索
28. t . Gschwind和m .那个“适应性大邻域搜索可行性测试dial-a-ride问题的时间是恒定的,”交通科学,53卷,不。2、480 - 491年,2019页。视图:出版商的网站|谷歌学术搜索
29. n . Azi m . Gendreau J.-Y。波特凡”,有多个运送路线的动态车辆路径问题,“《运筹学,卷199,不。1,第112 - 103页,2012。视图:出版商的网站|谷歌学术搜索
30. 问:顾,t .风扇、f盘和c .张“vehicle-UAV操作计划即时交付。”计算机与工业工程,第149卷,第106809页,2020年。视图:出版商的网站|谷歌学术搜索
31. b . Yildiz m . Savelsbergh和m . Savelsbergh”送餐路由问题,证明地高质量解决方案”交通科学,53卷,不。5,1372 - 1388年,2019页。视图:出版商的网站|谷歌学术搜索
32. s . a . Voccia a·m·坎贝尔和b·w·托马斯,“当天送货的问题网上购物,”交通科学,53卷,不。1,第184 - 167页,2019。视图:出版商的网站|谷歌学术搜索
33. m·w·乌尔姆和b·w·托马斯,“当天送货异构机群的无人驾驶飞机和汽车,”网络,卷72,不。4、475 - 505年,2018页。视图:出版商的网站|谷歌学术搜索
34. m·w·乌尔姆和美国施特伦,”与皮卡站和自动车辆当天送货,”电脑与行动研究,卷108,不。8 - 2019页。视图:出版商的网站|谷歌学术搜索
35. m·a·Klapp a . l . Erera和a . Toriello“请求接受当天送货,”运输研究E部分:物流和运输审查,第143卷,第102083页,2020年。视图:出版商的网站|谷歌学术搜索
36. r·w·本特和h·范”,基于场景的规划部分的动态车辆路径与随机客户,”运筹学,52卷,不。6,977 - 987年,2004页。视图:出版商的网站|谷歌学术搜索
37. b, d . Krushinsky t . Van Woensel和h·a·Reijers”一种自适应大型社区搜索启发式搭载一乘问题,“电脑与行动研究卷,66年,第180 - 170页,2016年。视图:出版商的网站|谷歌学术搜索
38. z吊杆、m . Karwan和c·莫里“动态快递路由食品外卖服务,”电脑与行动研究卷,107年,第188 - 173页,2019年。视图:出版商的网站|谷歌学术搜索
39. w . Wang和l .谢”,众包的最优定价与社会物流服务交付能力,”杂志的组合优化,1,2021页。视图:谷歌学术搜索
40. p·托斯和d·维哥”模型,放松方式和具体方法生产配送车辆路径问题,“离散应用数学,卷123,不。1 - 3、487 - 512年,2002页。视图:出版商的网站|谷歌学术搜索
41. 肯尼迪。Cordeau和g . Laporte禁忌搜索的启发式的静态多车dial-a-ride问题,“交通研究B部分:方法论,37卷,不。6,579 - 594年,2003页。视图:出版商的网站|谷歌学术搜索
42. f . Lehuede r·马森Parragh、o . Peton f . Tricoire,“一个多标准大附近寻找残疾人的交通,“运筹学学会》杂志上,卷65,不。7,983 - 1000年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Guiqin雪等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。