基于聚类与改进蚁群搜索的配送中心车货匹配方法.pdf

物流科技2 0 2 3 年第2 0 期1 0 月下物流技术文章编号：1 0 0 2-3 1 0 0（2 0 2 3）2 0-0 0 5 0-0 8Logistics Sci-Tech October,2023(the second half)基于聚类与改进蚁群搜索的配送中心车货匹配方法A Method for Matching Vehicles and Goods in Distribution Centers Based on Clustering and Improved Ant Colony Search姜自宽1 2，曹亚东1 2，孙哲1.2（1.南京邮电大学江苏省邮政大数据技术与应用工程研究中心，江苏南京2 1 0 0 2 3；2.南京邮电大学国家邮政局邮政行业技术研发中心（物联网技术），江苏南京2 1 0 0 2 3）(1.Post Big Data Technology and Application Engineering Research Center of Jiangsu Province,Nanjing University of Posts andTelecommunications,Nanjing 210023,China;2.Post Industry Technology Research and Development Center of the State PostsBureau(Internet of Things Technology),Nanjing University of Posts and Telecommunications,Nanjing 210023,China)摘要：文章针对物流配送中心的配送车辆在运输过程中的装卸货时长、配送车辆行驶时长以及车辆的装载率等问题，构建以配送中心的运营后成本为目标的车货匹配模型，在模型中考虑了装卸货时长、车辆行驶时长以及车辆的装载率等现实因素，通过对该模型的求解为配送中心提供最优匹配方案。该模型先将货物的配送点进行聚类，随后通过对蚁群算法蚂蚁选择下一节点的概率公式进行了改进，将下一节点需要配送货物的重量加入了考量，并采用了一种奖惩机制用作蚁群算法信息素的更新策略和一种随迭代次数而变化的信息素挥发因子，用于提高传统的蚁群算法的收敛速度。用于求解该车货匹配模型。然后通过仿真实验验证模型和算法的有效性，为物流配送中心的车货匹配提供了一个新的解决思路。关键词：车货匹配；聚类；蚁群算法；信息素中图分类号：F49；U 49 2.3文献标志码：AD0I:10.13714/ki.1002-3100.2023.20.012Abstract:This article focuses on the issues of loading and unloading time,driving time,and loading rate of distribution vehiclesin logistics distribution centers during transportation.A vehicle cargo matching model is constructed with the goal of post-operationalcosts of the distribution center.The model takes into account practical factors such as loading and unloading time,vehicle drivingtime,and vehicle loading rate.By solving the model,the optimal matching scheme is provided for the distribution center.Themodel first clusters the distribution points of goods,and then improves the probability formula of ant colony algorithm ants selectingthe next node,taking into account the weight of goods to be distributed at the next node,and uses a reward and punishmentmechanism as a new strategy of ant colony algorithm pheromone and a pheromone volatilization factor that changes with the numberof iterations to improve the convergence speed of traditional ant colony algorithm and to solve the vehicle cargo matching model.Then,the effectiveness of the model and algorithm was verified through simulation experiments,providing a new solution for thevehicle cargo matching in logistics distribution centers.Key words:vehicle cargo matching;clustering;ant colony algorithm;pheromone0引 言随着社会经济的不断发展，越来越多的企业开始着眼于物流运输领域的发展，以满足不断增长的物流需求。商品、服务和信息的流通速度也在不断提升，这对于快速、准确地满足消费者需求至关重要。而车货匹配作为物流行业中的重要环节，直接关系到物流成本和服务质量，是物流运作中不可或缺的一部分。车货匹配问题是一个NP-hard问题，它具有很高的复杂度。它需要考虑多种因素，如货物的重量、体积、数量，车辆的载重、运输速度、行驶路线等。不同的货主和运输公司对于物流服务的需求也存在差异，需要根据实际情况进行匹配。除此之外，车货匹配还需要考虑到实际运营的情况。求解难度大，用于求解该问题的算法的优劣也将直接影响求解的优劣和效率。为了更好地求解车货匹配问题，研究者们提出了多种算法和模型。收稿日期：2 0 2 3-0 4-1 2基金项目：上海市“科技创新行动计划”软科学研究项目（2 2 6 9 2 1 1 1 6 0 0)作者简介：姜自宽（1 9 9 2 一），男，贵州铜仁人，硕士研究生，研究方向：物流大数据的研究与应用；曹亚东（1 9 8 0 一），本文通讯作者，男，江苏盐城人，副教授，博士，研究方向：大数据产业、组织战略、组织行为。引文格式：姜自宽，曹亚东，孙哲：基于聚类与改进蚁群搜索的配送中心车货匹配方法J：物流科技，2 0 2 3,46(2 0):5 0-5 7.50物流科技2 0 2 3 年第2 0 期1 0 月下JIANG Zikuan,CAO Yadongl,SUN Zhe?表1 参数说明基于聚类与改进蚁群搜索的配送中心车货匹配方法文献1 综合考虑了车辆和货物的不同属性对匹配方案的影响，提出了一种基于车辆和货物属性的“一对多”车辆和货物匹配模型，在满足每辆车重量限制的情况下获得最高的整体利润。文献2 将车货匹配度定义为属性匹配度和环境影响度两部分，并通过AHP（层次分析法）方法量化两者的重要性，并将车辆、货物、匹配组合和时间映射到贝叶斯网络节点来构建静态贝叶斯网络和动态贝叶斯网络，提出了IDBN的求解算法。文献3 建立了货物运输O20平台的车辆路径模型。将传统车辆路径问题中车辆来源的差异，以及货主提货点和交货点之间的一一对应关系，将半开放、多个仓库、多车辆类型、起点对、装载限制和软时间窗约束等约束条件引入所提模型并用一种改进遗传算法作为求解工具。文献4 研究开发并评估了在车辆货物匹配（V C M）平台上联合使用改进方法对卡车和货物进行配对。文献5 将车货匹配问题转为双重序列决策问题，提出高效算法。构建数学模型，抽象成双重序列决策，应用双重指针网络算法求解。文献6 在分析车货匹配参与方需求基础上，建立了多目标优化模型，目标包括最大化送达时效满意度、最小化运输成本和最大化平台收益。采用改进的带精英保留策略的快速非支配排序遗传算法，引入精英选择系数增加种群多样性，结合自适应思想调整迭代过程中的交叉变异概率。文献7 从多车零担配送过程中装卸环节对配送影响的角度出发，研究了装箱组合问题。在确保车辆容积和载重满足要求的前提下，采用聚类算法，并根据配送目的地之间的相对距离对货物进行组合配送。文献8 将公有区块链的相关技术运用到车货匹配系统的交易过程，并通过数据模拟了在车货匹配平台中进行的一次全过程交易。研究者们采用了不同的方法对车货匹配问题进行了研究，不仅提高了车辆和货物匹配的效率，还为物流企业提供了理论参考。总体来看，发现车货匹配的研究难点主要在于如何建立高效的匹配模型和匹配算法，同时兼顾运输成本和运输效率的优化，解决实时匹配的问题，提高匹配的准确性和效率等方面。而当下众多研究集中在物流信息平台上，主要聚焦于技术架构和商业运营等领域，平台核心的车货匹配业务方面的探讨相对较少。特别是目前车货匹配研究主要聚焦在物流配送、货物运输、整车运输和城市配送等领域，对于配送中心的末端配送研究较少，且考虑因素大多也较为简略。大部分研究实际应用效果并不明显，存在着与实际情况的脱节，这一方面可能与模型构建不足和算法设计的不够成熟有关。因此本文针对配送中心现存的问题进行分析，从而提出一种基于聚类与改进蚁群搜索的车货匹配方法。1模型构建1.1问题描述本文研究单个配送中心向多地点进行货物配送，因其具有分散性、差异性和多样性等特点，这种配送存在大量的人工装卸、高装卸成本、高耗时、对司机身体素质考验大以及货损等问题。卸货顺序很大程度上会影响车辆行驶路线，因此针对这种情况下的车货匹配应综合考虑卸货顺序和装载率等因素，制定合理送货路线，提高效率降低成本。当下的物流中心配送区域性较强、交通条件较好，运输里程相较于其他物流运输短，特别是在当下新能源汽车在物流行业中应用广泛。配送过程中可以不用太过关注单次配送的里程对用车成本的影响问题，应着重关注装载率、装卸时长等因素，针对以上情况，本文构建了一个考虑集中送货的车货匹配模型，该模型先将货物的配送点用DBSCAN聚类算法1 0 进行聚类，然后再将聚类的结果合理地分配到各配送车辆。在该模型中，司机在选择下一个配送点时更加具有灵活性，因为他们不需要花费太多时间在往返路程上，这可以减少总里程和提高司机灵活性。1.2模型假设为了方便构建数据模型，针对上述问题作出如下假设：货物均可以混装；每个货物的体积和重量都小于单台货物的载重和容积；待匹配车辆的运输能力等性质已知；待匹配货物的运输需求等性质已知；待匹配货物的出发地和目的地均在待匹配车辆的行驶能力范围内；过程中除了要考虑配送车辆的载重和容积的限制还要考虑装卸货的顺序；某单个配送中心有若干件待配送的货物；配送中心有配送中心所属车辆若干，社会车辆若干；要求将这批货物在当日配送完毕。1.3模型参数及变量的定义本文模型构建需要的参数说明如表1 所示。符号含义G货物集合G=(G,G2,Gm)聚类簇g=(gi,g,g)C车辆集合C=(ci，C z,c)E每辆车的初始位置E每个货物的配送位置d货物i与货物配送目的地之间的距离S匹配方案e聚类簇的聚类中心dik第认类聚类簇的聚类中心之间的距离dk配送中心距离第聚类簇的聚类中心的距离车辆c，的行驶时长符号W.ZRSZRVDDeWaVkSte含义货物的重量货车装载率方案S的整体的装载率表示货物的体积最大载重最大容积配送中心可调度范围车辆c，距离配送中心的距离第聚类簇中各元素的质量和第聚类簇中各元素的体积和方案S的行驶时长物流科技2 0 2 3 年第2 0 期1 0 月下51基于聚类与改进蚁群搜索的配送中心车货匹配方法假设某货物物流平台有p辆待匹配的车辆，记车辆集合C=(c，c 2，c)，每辆货车c，的最大载重为W，最大容积为V；有j个待匹配的货物，记货物集合G=(G，G 2，G，G)，记货物i与货物j配送目的地之间的距离为d，记车辆c和货物i之间的一个匹配关系为X由所有匹配关系X,构成的p行j列的矩阵为车货匹配问题的一个匹配方案，即为问题的一个解，记作S=X的第p行向量表示车辆c,的匹配方案，第j列向量表示货物j的匹配方案。从上文的问题分析中可知，对于这一问题，我们在车货匹配过程中，要尽可能使匹配方案中的货物集中，可对货物的配送点进行聚类，本文采取DBSCAN聚类，聚类后，原货物集合G则可表示为g=(gi，g 2，g)。其中g表示聚类后的某一个簇，根据DBSCDN聚类的规则，将输出的每一个噪声点都当作一个簇，则该簇中可能有多个配送点或者只有一个配送点，并计算含有多个货物点的簇中心坐标。对于某一辆车，其装载率（ZR），这里定义满载为1，其计算公式如下。ieCXW.ieGX!ZR=maxnax而对于某一匹配方案S的装载率（SZR）为所有货车的装载率之和与匹配关系之和的比，具体计算公式如下。SeC2maxiSZR=S(1)eXiWiECXVieG,ec(2)通过上文的分析，对于某一配送车辆，因为其配送货物的聚集程度较高，在配送的过程中可以忽略其装卸时间对车辆配送时长的影响，可将时长问题简化为仅考虑车辆的行驶时长。则有，某一车辆的行驶时长t，公式为：L(3)某一方案的行驶时长为Sts，CCSt.=1.4模型建立本节以降低物流配送中心车货匹配的运营成本作为主要研究方向，通过上文的分析，本节主要就配送中心配送车次、配送车辆的行驶时长以及配送车辆的装载率来衡量配送中心的运营成本。以配送中心发出车次最少、配送车辆的行驶时长最短和配送车辆的最大装载率作为目标。设一共可供选择的方案个数有n个。优化目标为最小化车次Zi、最少配送时长Z,和最大化装载率Z3，模型如式（6）一（1 7）所示。(5)Z,=max(SZRi,SZR2,.,SZR.)(6)Z,=minSte,St,.,St,)(7)S.t:(8)2x,v.Vl,Vc,ec(9)K,W.W,Ve,ec(10)EXVV,maxVc,ECieCEC112x,*0P2x.V+2X.VVViorvmaxmax52物流科技2 0 2 3 年第2 0 期1 0 月下(4)Z,=min(S,S2,.,S.)(11)(12)(13)(14)基于聚类与改进蚁群搜索的配送中心车货匹配方法D,Xi,D,Vc,EC2ZX,=n在模型的约束条件中，式（8）和式（9）表示在匹配的过程中，将聚类簇当成一个配送点进行匹配，该簇中的所有货物的体积和重量不能超过当前车辆的剩余载重和容积。式（1 0）表示对于每一辆货车，所装载的货物的总质量，不超过货车的额定载重；式（1 1）表示对于每一辆货车，所装载的货物的总体积，不超过货车的额定容积。式（1 2）表示所有货物必须装载完毕。式（1 3）和（1 4）表示车辆合并到不能合并为止，即任意两台车无法继续合并，任意车辆Cpl、C p 2 货物合并后其装载货物的体积不超过Cpl、C 的额定容积或者额定载重。式（1 5）表示纳人车货匹配的车辆必须在调度中心的可调度范围之内。式（1 6）表示每一货物只能装入一辆车。2算法设计2.1算法选择分析结合本文提出的车货匹配模型的特点选取蚁群算法（AOC）作为模型求解的基础算法，并在算法信息素的更新过程中提出了一种奖惩机制来对其进行优化。蚁群算法（AOC）的基本思想是利用信息素来引导蚂蚁选择路径，从而找到优化问题的最优解。蚂蚁寻找食物的行为是蚁群算法的基础。蚂蚁在搜索过程中会根据环境中的信息素强度做出决策，同时在其行走的路径上释放信息素，从而影响其他蚂蚁的选择。信息素的强度会根据路径的优劣进行更新，使得经过优质路径的信息素强度增加，从而吸引更多蚂蚁走同样的路径。2.2传统的蚁群算法蚁群算法的基本思想是利用信息素来引导蚂蚁选择路径，在t时刻蚂蚁k从节点转移到节点j的概率为其中，（t)为信息素浓度；为信息素启发因子，为期望启发因子，n,=1/d为启发信息，d为路径长度。m为城市i到城市j的启发式因子；allowed.为蚂蚁h下一步被允许访问的节点集合。蚂蚁会在行走的路径上释放信息素，从而影响其他蚂蚁的选择，因此需要对信息素进行更新，更新公式如下。AT(t)=ZA(t)k=1(15)(16)r(tn(tp(t)=jeallowed,T,(t+1)=(1-p)r,(t)+Ar(t)(17)0,其他情况(18)(19)(20)o,else式中，p为信息素挥发因子，rt)为蚂蚁的信息素的整量，m为蚂蚁数量，式中Q为常量表示信息素的强度，（t)为第k只蚂蚁的信息素整量，L，为蚂蚁在本次迭代中所走过的路径长度。2.2算法改进策略2.2.1选择概率改进在配送中心配送货物的过程中，一般来说车辆都是从配送中心出发，配送完货物之后再回到配送中心，所以在用蚁群算法对其进行求解的时候，不能简单地直接用欧式距离求解当前时刻的位置到终点的距离。同时，配送的时候仅仅考虑距离问题是远远不够的，因为当前配送点距离接下来的两个配送点距离相同或接近，出于对车辆节能的考虑，应当先派送较重的货物。故此，本文将蚁群算法的选择概率进行了改进，公式如下。P%t)=p()+Ap(L)2m;WTe,jeallowed,Z.(tm;jeallowedeWmax0,其他情况、入是对传统蚁群算法中蚂蚁h在t时刻选择下一个节点的概率和考虑下一个节点货物重量的影响设置的权重，满足+入=1。p（t）是综合考虑后蚂蚁选择下一个节点的概率，p（t）是仅考虑货物的总量从而选择下一个节点的概率。m,表示下一个节点的待配送货物的重量，W为配送车辆的额定载重。物流科技2 0 2 3 年第2 0 期1 0 月下5 3(21)(22)基于聚类与改进蚁群搜索的配送中心车货匹配方法2.2.2改进信息素更新策略为了改善蚁群算法的收敛速度，本文提出了一种奖惩机制来更新路径上的信息素。具体来说，我们采用奖励措施来增加最优路径上的信息素，同时采取惩罚措施来减少最差路径上的信息素。这种方法可以加速算法的收敛速度。其信息素更新策略公式如下。(23)=12QLLLLQLLL,L其他其中，L。、L,分别为当前迭代中最优路径和最差路径的长度，L,为当前迭代的第k只蚂蚁走过的路径长度，Q为常量。2.2.3改进信息素挥发因子因为路径规划具有特殊性，所以在不同的阶段中，需要采用不同的信息素挥发因子p的取值。如果p取值过大，会导致路径上的信息素挥发过快，从而不利于算法的收敛。相反，如果信息素长时间积累，算法则可能会陷入局部最优解。因此，本文采用一种动态调整的方法来改进的取值。在算法的初始阶段，设定一个较大的p值，以扩大搜索范围；在后续的迭代中，则采用不断减小p的方式，以加快算法的收敛速度。改进公式如下。(25)其中，Pmn为信息素挥发因子的最小值，N为当前迭代，Nmx为最大迭代数。2.3算法步骤改进的蚁群算法具体步骤如下，算法流程如图1 所示。Stepl：初始化算法中的各个参数。Step2：将所有蚂蚁置于起点，并将该点加人禁忌表。Step3：利用式（2 1）计算转移转态概率，并选择下一个节点，如果该节点满足模型Zi、Z2、Z;约束条件，则选择，并将该节点加人禁忌表，反之不选。并记录每只蚂蚁走的路径L。Step4：计算本次迭代的最优解，并对在对应的匹配矩阵中的X,赋值为X,=1，得到第n次送代中第a个蚂蚁的匹配方案，若优于历次迭代，则替代当前的最优解。Step5：按照式（2 3）更新路径的信息素，按照式（2 5）更新信息素挥发系数。Step6：判断是否达到最大迭代次数，若是，输出最优解。若否，返回Step2。Step7：输出匹配方案。送代初试化参数YN所有蚂蚁是否搜索完华循环次数N=N+1选择该点，并将蚂蚁a=1该点加人禁总表Y计算参数值，并根据下一节点，是否满足转移概率搜索路径限制条件N舍弃该点，该蚂蚁死芒图1 算法流程54物流科技2 0 2 3 年第2 0 期1 0 月下T(t+1)=(1-p)T,()+Ar;(0)计算本次选代最优解开始是否优于历次N找出最优解Y替代历次送代最优便新信息素和信息素挥发系数NN大于NmaxY输出最优方案(24)Pmin;ppminsin其他舍弃结束表2 车辆信息基于聚类与改进蚁群搜索的配送中心车货匹配方法3实验分析3.1实验设置实验的运行环境为Windows10操作系统、CPU3.3GHz、内存1 2 CB，使用python的sklearn对上文提到的车货匹配模型进行仿真求解。本文选取一个配送中心，共有配送车辆5 辆，每辆车的信息如表2 所示，有5 0 件不同的待配送的货物，由于数据较多，只展示部分数据如表3 所示。算法参数设置如表4所示。车辆编号12345送货点编号123456789101112131415参数选择概率参数从选择概率参数入蚂蚁数量信息素的强度Q信息素启发因子送货地点分布如图2 所示，中心位置点为配送中心所在位置。29-73.925-73.950-73.975-74.00074.025-74.050-74.075-74.100额定载重/1.51.51.21.21送货点经度74.024.765 04-74.054.835 0473.980695 3573.945 229.9273.938 109 3173.978 697 78-74.002154.5874.0867252474.026 015 3574.086 563 41-73.922.546.9674.076 384 5173.9285556373.91917892-74.038 702 05额定容积/m151510108表3 待待送货物清单送货点纬度40.732.5755540.709.0080340.690.9602340.646 010 1840.791 839 1540.6913993940.659.276.9940.764 448 2140.762.688 2140.763 981 2040.731 599 4640.738 629 2140.6358689040.7954553840.764 394 35表4算法参数取值参数0.6期望因子0.4信息素挥发因子P64信息素挥发因子p1最大选代次数1.211201825速度/(km/h)5050606065重量/kg体积/m51.351.12113.101.0099.210.37110.150.83105.300.3994.630.8798.491.22105.670.3784.430.49132.610.9468.061.2694.951.35134.051.2558.090.7781.870.39取值1.20.050.011000023409484140.625 40.65040.675 40.700 40.725 40.750 40.77540.800Longitude图2 送货点分布图物流科技2 0 2 3 年第2 0 期1 0 月下55基于聚类与改进蚁群搜索的配送中心车货匹配方法3.3结果分析首先聚类结果如图3 所示。-73.925-73.950131720-73.975-74.00074.02574.05094928409874.075-74.10040.62540.65040.67540.70040.72540.75040.77540.800图中黑色点表示聚类输出的噪声点，即在该配送点附近，没有与之集中的货物。根据算法步骤的设计，使用改进的蚁群算法对其进行求解，得出最优匹配方案，匹配结果如表5 所示。货车编号12345为了验证模型和改进的AOC算法的有效性，选取标准的蚁群算法和遗传算法与本文提出改进的算法进行对比。算法迭代对比如图4所示。33Longitude图3 送货点聚类图表5 各车辆匹配方案货物编号（按配送顺序）23-30-22-34-5-27-14-11-29-46-50-13-4-36-43-37-1718-28-49-25-33-24-12-10-8-45-44-48-4131-38-21-32-39-2-16-15-42-9-40-119-7-47-26-35-20-3-6350300250200494货物总体积/m13.811.89.67.2GAAOC改进AOC货物总重量/150014891100673150100200图4各算法代图各算法计算的匹配方案配送货物的车辆行驶时长、车次、装载率见表6，行驶时长与装载率对比如图5 所示。表6 各算法匹配方案对比遗传算法蚁群算法货车编号行驶时长/min129.5230.1327.2420.75汇总56物流科技2 0 2 3 年第2 0 期1 0 月下400选代次数装载率/%行驶时长/min93.529.392.629.292.128.590.510.3107.592.2600装载率/%96.296.289.195.197.894.18001000行驶时长/min30.532.612.714.890.6改进的蚁群算法装载率%99.999.391.790.095.2基于聚类与改进蚁群搜索的配送中心车货匹配方法11010510095908580由以上可知，相较于遗传算法和传统的蚁群算法，在改进的蚁群算法求解出的匹配方案中，每辆货车的装载率更高、配送总路径在保证装载率的同时也相对更短，配送车辆的行驶时长也较短。3.3.1匹配结果分析如表5所示，改进蚁群算法求解该问题，从匹配结果来看，每辆车的装载率足够大，同时通过货物的配送顺序以及货物的分布图，也可直观地看到，在配送过程中，距离当前配送点相近的配送点之间的配送顺序是先配送重量大的货物，由此可知，算法的改进是有效的。3.3.2收敛分析图4为三种算法求解该模型的收敛对比图，由此可以看出，本文采用的随迭代次数自适应变化的放大系数，在求解该问题时，相较于遗传算法、传统的蚁群算法有良好的效果。算法的收敛速度较之更快。4结语本文以城乡配送中心车辆的配送行驶时长、车辆的装载率以及配送中心发出的车次为优化目标，提出了一种基于城乡配送中心的车货匹配模型，进而提出了一种基于聚类与改进蚁群搜索的车货匹配方法，将聚类的思想和蚁群算法相结合，并对蚂蚁选择下一节点的概率公式做了改进，将下一节点需要配送货物的重量加人了考量，并采用了一种奖惩机制用作蚁群算法信息素的更新策略和一种随迭代次数而变化的信息素挥发因子，用于提高传统的蚁群算法的收敛速度，在很大程度上增加了蚂蚁选择最优路径的可能性。算法后期，可以减小启发信息带来的影响，有效避免了局部最优情况的发生。实验结果表明，本文提出的基于聚类改进蚁群搜索的车货匹配方法拥有良好的求解效率，同时能够得到比传统的蚁群算法更优的匹配方案，能够在节约配送成本的基础上，提高配送中心的配送效率。并为配送中心的车货匹配业务提供了技术支撑。参考文献：1 HE Xinyun,ZHANG Yuan,LE Zhu,et al.Research on one-to-many vehicle and cargo matching optimization problembased on improved genetic algorithmCjy/2022 7th International Conference on Intelligent Information Technology.New York:Association for Computing Machinery,2022:7-15.2TIAN Ran,WANG Chu,MA Zhongyu,et al.Research on vehicle-cargo matching algorithm based on improved dynamicBayesian networkJ/0L.Computers&Industrial Engineering,2022,168.2023-02-23.https:/doi.org/10.1016/j.cie.2022.108039.3 LIU M L,ZHANG C,WU Q L,et al.Vehicle routing problem with soft time windows of cargo transport O2O platformsJ.International Journal of Simulation Modelling,2021,20(2):351-362.4ZHONG Jiuwu,YANG Zhaojun,SUN Jun.A hybrid approach with joint use of tag and rating for vehicle and cargo matchingC/2021 IEEE International Conference on Industrial Engineering and Engineering Management(IEEM).IEEE,2021:1397-1401.5 蔡岳，王恩良，孙哲，等.基于双重指针网络的车货匹配双重序列决策研究 J计算机科学，2 0 2 2,49(S2):111-119.6倪少权，罗轩，肖斌。考虑三方利益的车货匹配优化 J西南交通大学学报，2 0 2 3,58(1):48-57.7田攀，傅世勇，王红蕾。城市配送的零担车货匹配问题研究 J.科技资讯，2 0 2 0,18(2 9):2 2 2-2 2 7.8王维祺，叶春明.区块链技术在车货匹配平台上的应用 .计算机系统应用，2 0 19,2 8(11):7 2-7 8.9ESTER M,KRIECEL H P,SANDER J,et al.A density based algorithm for discovering clusters in large spatial databaseswith noiseCy/Proceeding of the 2nd the International Conference on Knowledge Discovery and Data Mining.Portland:AAAI Press,1996,226:231.1O DORIGO M,GAMBARDELLA L M.Ant colony system:A cooperative learning approach to the traveling salesman problemJ.IEEE Transactions on evolutionary computation,1997,1(1):53-66.物流科技2 0 2 3年第2 0 期10 月下5795.50%95.00%94.50%94.00%93.50%93.00%92.50%92.00%91.50%91.00%90.50%遗传算法AOC一行驶时长图5行驶时长和装载率对比图改进AOC装载率