[0001] 本发明涉及物流领域或信息处理领域，且更确切地涉及一种智能物流智能调度算法；

[0002] 现如今，高科技时代下社会面临着自然能源和资源的枯竭，以及因处理废物和过时产品而造成的生态污染，创新的逆向物流功能在赋予实体更好地利用生态能源和资源的技能以及在金融体系和生态光谱之间实现清醒的权衡方面发挥了巨大作用。在线购物、邮购和售后服务在这些组织的回报率中占了一席之地，而这些组织却未能进一步关注提高奖励。鉴于旨在保护生态和服务利益的立法措施有所不同，大部分组织都采取了逆向流动的方式，即从客户向位于其物流网络内的回收中心逆向流动。消费品再加工不再是一项创新，废纸再利用、软饮料瓶收集、金属废料经纪人已明显成为日常生活中的常见场所。反过来，逆向物流又受到各种因素的驱动，如竞争和营销目标、直接财务原因以及对生态系统日益增长的焦虑。重要的是，它具有生态维度以及价值检索维度，因此，通过使用优化调度算法来减少逆向物流进程所需的时间。

[0003] 现有技术中提出了一种启发式算法，构建了一个整数规划模型，其中包含拆卸过程中发生的不同成本成分，以最小化与拆卸程序相关的成本。尽管该方法可以给出理想的安排，由于处理时间不合理，它不足以处理实际的估计问题。另一种发明提出了一种富有想象力的混合整数直接编程策略，该策略有望用于配置和安排具有相反流的供应链，尽管同时评估了发电、传播和逆向物流能力，但在物流调度过程中经常出错。

[0059] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明；

[0060] 如图1所示，一种智能物流智能调度算法，步骤包括：

[0061] (S1)构建智能物流系统，计算最小化物资逆向物流的成本和时间；

[0062] 在具体实施例中，子装置的创造正在逐步扩大，这导致了巨大的电子浪费。这是当前个人期望在短时间内实现新创新的结果。这种情况使得制造商在很短的时间内创建新项目，因此需要处置或拆卸现有项目。在这种情况下，制造商希望重新制造报废(重新制造报废)产品，以满足新产品生产中的组件需求。从这个意义上说，在我们之前的工作中，我们展示了一种选择最佳回收产品数量的方法，从而可以减少逆向物流所需的总成本。

[0063] (S2)采用ABC算法通过全局搜索物资与对应来源，调度规划最短物流路径；

[0064] 在具体实施例中，本文从优化调度算法的角度出发，提出了一种新的重新制造报废项目逆向物流操作方法。在之前的工作中，我们已经找到了回收重新制造报废产品的最佳数量，以便按订单拆卸，本文展示了合理安排机器拆卸产品的程序，从而可以减少逆向物流操作所需的总时间和总成本。在所提出的结构中，使用了人工蜂群(ABC)算法。与现有的调度算法相比，所提出的框架具有更好的性能。

[0065] (S3)采用主动队列管理(Active Queue Management，AQM)算法改进ABC算法，计算整个智能物流系统中物流数据变化，并对ABC算法进行优化设置。

[0066] 在具体实施例中，订单拆卸是重新制造报废产品逆向物流的关键流程，通过适当的订单拆卸流程，可以减少逆向物流的总成本。从重新制造报废中预测组件的确切产量是很麻烦的，另一方面，我们可以预见从重新制造报废.逆向逻辑中获得产量的最大可能性。另外，为了满足需求，需要从外部供应商处购买零件。如果实际收益低于预期，则需要购买零部件以满足需求。在另一种情况下，收益率高于预期；过多的组件必须进行处理。这样，如果预测值最小或最极端，就会给重新制造报废逆向物流操作带来不幸。随后，预测应接近真实收益率。

[0067] 在具体实施例中，所述计算最小化部件物资逆向物流的成本和时间如公式(1)所示：

[0068]

[0069] 式(1)中，T1表示拆卸第i个破坏性部件物资所需的时间，T2表示拆卸第i个无损部件物资所需的时间；t2表示拆卸第i个破坏性部件物资所用的平均时间；t2表示拆卸第i个非破坏性部件物资所用的平均时间，E表示总重新制造报废产品，D为无损拆卸效率；部件物资的主要目标是最小化总拆卸时间和总成本，物资拆卸总时间的函数如等式(2)所示：

[0070]

[0071] 式(2)中，T3表示物资拆卸所需的总时间；物资总成本的函数如等式(3)所示：

[0072]

[0073] 式(3)中，M表示物资总成本的函数，Ai表物资i的单位收回成本，Bi表示物资i的单位采购成本，Ci表示物资i的单元处置成本，R表示采购物资的总数量，U表示处置物资的总数量。方程式(3)是重新制造报废逆向物流中订单拆卸过程所需的总时间。然后，这项工作的目标是最小化拆卸过程所需的总时间和总成本。最小化总时间函数在一般情况下是一项复杂的任务，因为它可能包含多个产品和组件。因此，优化是解决调度任务的首选方法。在这项工作中，我们选择人工蜂群(artificial bee colony，ABC)算法优化来解决调度问题。

[0074] ABC算法由三种类型的人工蜜蜂组成，它们是雇佣蜜蜂、被雇佣蜜蜂、旁观者和侦察员。受雇的蜜蜂从全球搜索中收集食物来源。被雇佣的蜜蜂向围观的蜜蜂提供数据，围观的蜂在蜂箱里待命，观看被雇佣蜜蜂的舞蹈。然后，围观的蜜蜂会选择一种可能与食物来源的性质相对应的食物来源。通过这种方式，好的食物来源比坏的蜜蜂吸引更多的蜜蜂。侦察蜜蜂在蜂巢区域任意扫描新的食物来源。当侦察蜂或围观蜂发现食物来源时，它就会被雇佣。当一个食物来源被完全滥用时，所有与之相关的雇佣蜜蜂都会放弃这个位置，并可能再次成为侦察员。因此，侦察蜂从事“调查”职业，而雇佣蜂和旁观者蜂从事“滥用”职业。这更鼓励了侦察蜂阶段的工作。ABC算法步骤包括：

[0075] (S21)在ABC算法的初始阶段，物资来源数据是随机生成的，F＝{F1,F2,…,Fi}，F代表物资来源数据，i表示序号；

[0076] (S22)在ABC算法的全局搜索阶段，对每个物流调度方案随机更改以获得新的物流调度方案，这将对物资数据执行邻域搜索的能力，新的物流调度方案是利用差分表达式从Fi创建的，如公式(4)所示：

[0077] si＝Fi+r×(Fi‑Fk)  (4)

[0078] 式(4)中，si表示新的物流调度方案，k属于{1,2,…,i}且k不等于i，r表示范围[‑1,1]中的统一随机数；一旦获得si，将对si进行评估和比较：如果si的适合度优于旧的物流调度方案xi，雇佣蜂将忘记旧的物流调度方案并记住新的物流调度方案；否则，将进行下一次全局搜索；在所提出的算法中，食物来源与优化问题的可想象的解决方案有关，食物来源的花蜜测量值与相关解决方案的健康度相比较。在美国广播公司，蜂群的第一大部分是雇佣蜜蜂，另一半是旁观者。由于预计每个食物来源只有一只蜜蜂，因此蜜蜂的就业数量相当于食物来源的数量。因此，旁观者蜜蜂的数量同样等于思考中的解决方案的数量。ABC算法首先收集随机产生的食物来源。ABC的主要方法可以描述为以下内容。

[0079] (S23)在ABC算法的交互阶段，当全局完成了领域搜索后，物流调度方案与相邻的物资来源数据分享物流调度方案，然后每个物资来源数据都会以概率的方式选择物流调度方案，则物资来源数据拾取旧的物流调度方案xi的概率Pi如公式(5)所示：

[0080]

[0081] 式(5)中，fi是旧的物流调度方案xi的适应度；一旦物资来源数据选择了食物来源xi，物资来源数据还将对xi进行本地搜索，与步骤(S2)情况相同，如果修改后的物流调度方案具有更好的适应度，则将替换xi；

[0082] (S24)在ABC算法的物流调度方案生成阶段，如果ABC算法在全局搜索后物流调度方案的质量无法提高，则假定物流调度方案被放弃，物流调度方案将随机生成物资来源数据，回到(S2)步骤，直到迭代次数。

[0083] 在具体实施例中，所述AQM算法改进ABC算法，根据智能物流系统运行中物流数据变化，计算整个智能物流系统的性能指标如公式(6)所示：

[0084]

[0085] 式(6)中，J表示智能物流系统运行性能，Ω表示物资运行中变化的轨迹函数，Y表示物资数据变化规律预测，U表示最优物流数据变化性能；根据物资管理入库数据量进行推导，进而得到物流队列优化量如公式(7)所示：

[0086] U＝(U1QB+S)‑1BQ[Ω‑Γ]  (7)

[0087] 式(7)中，U1表示物流时间内队列优化量，Q表示优化后物流调度的差值，B表示维持智能物流系统稳定补偿的物资量，S表示智能物流系统的变化裕度，Г表示智能物流系统运行中总需转化的数据量；通过调整物资管理变化的轨迹函数使ABC算法调度更加合理化，改进之后的变化轨迹表示为：

[0088]

[0089] 式(8)中，q表示物流数据最小变化量，β表示物流数据变化规律函数，R0表示物流数据总量，N表示物流数据运输批次总数，H表示优化后的物流数据划分；根据改进的物流数据变化轨迹，将实际的物流数据量代入计算，由此得到变化规律函数为：

[0090] β(k)＝β(k‑1)+μq(k)  (9)

[0091] 式(9)中，k表示物流数据运输批次，μ表示物流数据权值变化；通过AQM算法消除物资管理产生的波动影响，使物资管理恢复队列式管理模式，从而达到ABC算法优化调度稳定的目的。

[0092] 在具体实施例中，如图2所示，所述智能物流系统包括采购模块、入站调度系统、入站通话历史数据库、账户信息数据库、入站通话接收设备和应答队列。其中，采购模块用于供应商和第三方人员为物资采购执行装运地点的企业配置；入站调度系统用于智能物流调度和入站通话信息评估；入站通话历史数据库用于存储入站通话历史数据；账户信息数据库用于存储采购用户、供应商和第三方人员的账户信息；入站通话接收设备用于通过光纤接口连接外部通信信号，发送数据查询将呼叫者信息传递给入站调度系统，并将入站呼叫分配给应答队列；应答队列用于分配入站呼叫信号发送至对应的用户通话设备。采购模块单向连接至入站调度系统，入站调度系统、入站通话历史数据库和账户信息数据库双向连接，光纤接口单向连接至入站电话接收设备，入站电话接收设备与入站评估系统双向连接，入站电话接收设备单向连接至应答队列，应答队列单向连接至用户通话设备。

[0093] 在具体实施例中，入站调度系统调度入站电话呼叫，以部分基于入站电话通话的预测结果的顺序由代理响应。入站调度系统包括调度模块、通话评估子模块和建模模块，并与入站通话历史数据库和帐户信息数据库连接。建模模块构建一个或多个模型，使用数据库中的入站通话历史数据库中的帐户信息预测入站呼叫的结果。调度模块将模型应用于预测挂起的入站呼叫的结果，并根据通话评估子模块为代理安排订单以响应挂起的入站呼叫。建模模块14构建统计模型，通话评估子模块计算调度模块使用的优先级值。优先级值是基于模型计算的结果，也是基于模型计算定义的优化问题解决方案的结果。入站调度系统和入站通话接收设备可以集成在单个计算平台中，或者可以基于与入站通话接收设备的专有应用程序接口连接的独立计算平台，或者与商用应用程序中间件连接。入站通话接收是通过光纤接口接收入站电话呼叫。入站通话接收设备通过光纤接口接收的入站电话呼叫模拟信号被分配到应答队列，以便由操作电话设备的代理进行响应。

[0094] 在具体实施例中，入站通话接收设备通过数据查询等方式将呼叫者信息传递给入站调度系统，并在将入站呼叫分配给应答队列之前等待入站调度系统的响应。此外，入站通话接收设备为入站调度系统提供代理活动和容量。例如，入站通话接收设备可以提供代理活动信息。当入站通话接收设备有足够的容量响应时，入站调度系统会立即将呼叫信号返回入站通话接收设备。换句话说，如果有足够的能力处理入站呼叫，则入站呼叫不会延迟，而是路由以立即应答。当入站通话接收设备的容量不足时，入站调度系统在虚拟保留上延迟呼叫，直到基于通话评估子模块计算的优先级值的适当时间。无论入站呼叫是否延迟，入站调度系统十都会收集入站呼叫的数据并将其存储在入站通话历史数据库中。还将收集并存储入站呼叫的结果以及预测结果，以提供详细的逐个呼叫历史记录，用于未来建模和验证预测结果与实际结果的对比。例如，一旦入站呼叫完成，就会产生结果。例如，与代理的成功连接、放弃的呼叫、购买或计费记录中的客户流失都与入站呼叫相关。

[0095] 在具体实施例中，如图3所示，所述采购模块包括评估模块、摘要模块、供应商数据库和建议书数据库。其中，评估模块用于评估供应商建议书和确定合同授予的主要分析工具；摘要模块用于将完整合同传达给采购客户和第三方中介人员查看；供应商数据库用于存储物流供应商、发货人要求、批准的供应商的描述性信息；建议书数据库用于存储商业活动和物流合同的描述性信息。摘要模块与采购用户双向连接，第三方人员单向连接至供应商数据库、评估模块和摘要模块，供应商数据库单向连接至建议书数据库，供应商数据库双向连接至物流供应商，建议书数据库单向连接至摘要模块，建议书数据库与评估模块双向连接，建议书数据库与物流供应商双向连接。

[0096] 在具体实施例中，所述入站调度系统包括调度模块、通话评估模块、建模模块和智能调度算法。所述账户信息包括共有权信息、财务实力信息、安全审查信息、运营能力信息、商业信息、运营联系信息、真实所有权信息和负债能力信息。调度模块将入站呼叫保留在队列中，该队列充当虚拟保留，直到需要响应，然后释放入站呼叫以放置在应答队列中。因此，入站调度系统根据入站呼叫的优先级响应来自入站通话接收设备的查询，实际上，通过延迟对优先级较低的入站呼叫的响应，在入站通话接收设备上创建有序队列。在一个替代实施例中，调度模块可以直接在入站通话接收设备内重新排序队列，以允许实时排序入站电话呼叫队列。调度模块通过基于从入站通话接收设备接收到的呼叫者信息执行查找来获得应用于呼叫者模型的数据。呼叫者的信息可以包括帐号、邮政编码、区号、电话交换机、预订号码或从入站呼叫者处获得的其他相关信息，例如通过VRU或由入站通话接收设备通过入站呼叫获得的信息，如ANI或DNIS信息。呼叫者信息的性质取决于入站调度系统的实现，通常可以通过与传统接收设备一起提供的图形用户界面进行配置。除了呼叫者信息外，调度模块还可以查询和连接来自其他来源的数据，如Zip‑4和信用局来源，以及其他可从呼叫者的信息派生的人口统计信息。

[0097] 在具体实施例中，建模模块通过对来自入站通话历史数据库和帐户信息数据库的适当数据进行统计分析，创建呼叫者模型。建模模块执行的统计分析通过将呼叫结果(即因变量)与收到呼叫时可用的信息(即自变量)相关联来建立模型。每个模型的最终结果都是方程，在计算时可以预测相关结果。呼叫者模型对呼叫者和/或呼叫信息的应用可以在呼叫到达时执行，也可以预先形成，以便在时间段开始时计算潜在的动作代码，以便在情况允许时提供更快的响应。

[0098] 在具体实施例中，图4流程图描述了调度入站呼叫以由代理响应的过程，该过程从入站呼叫历史记录构建通话者模型，用于建模相关结果的入站呼叫历史记录可能是从与要建模的结果性质相同的历史入站呼叫中提取的样本，也可能是在测试阶段专门设计的。例如，在单个或有限数量的电视市场上播放的电视广告可以代表总目标受众，用于生成具有呼叫中心容量约束内的音量的呼入呼叫。然后，样本广告的入站呼叫结果可用于创建特定于广告销售的产品性质的模型。然后，广告特定模型用于向更广泛的受众展示广告的时间段，以便有更大可能性导致购买的入站呼叫将具有更高的代理响应优先级。之后，接收设备接收入站呼叫。通常，入站呼叫以随时间变化的速率持续到达接收设备。接收设备以常规方式应答入站呼叫，并确定呼叫和/呼叫者信息。呼叫和呼叫者信息是通过分析物流信息来确定的，这些信息随入站呼叫一起到达。

[0099] 在具体实施例中，下一步计划入站呼叫以由与接收设备接口的代理响应，具有较低优先级值的入站呼叫被置于虚拟保留状态，而具有较高优先级值的出站呼叫被返回到接收设备并置于队列中，以供代理响应。入站呼叫的虚拟保留长度取决于入站呼叫数量、接收设备的容量、每次呼叫的代理通话时间以及入站呼叫相对于其他挂起的入站呼叫而言的优先级值。基于这些因素，当代理资源可用和/或超过最大保持时间参数时，入站呼叫被置于虚拟保持时间，并按优先级值顺序转发到接收设备。或者，在接收设备可以基于包括优先级值在内的可用数据排序或更改入站队列顺序的实施例中，接收设备的入站队列可以在接收到额外查询时实时重新排序。之后，入站呼叫的结果存储在入站通话历史数据库中。入站历史数据库跟踪因素S，如呼叫成功或放弃以及最终呼叫结果。通话结果可能包括可直接量化的因素S如购买决策或leSS可量化因素S如账户使用、取消和可从账户数据库和其他来源获得的相关信息所反映的客户满意度。

[0100] 在具体实施例中，本发明利用Simulink软件建立物资管理实验模型，并在此模型下进行实验并记录数据，以此来验证智能调度算法的实用性。本发明实验用计算机采用CPU内存为64+256G，硬件参数为Intel core i89700KF。模型环境参数设置数据采集精度为96％，算法计算误差不低于2.0％，数据通讯方式采用联通5G无线通讯。本研究实验采用Windows x86计算机系统，物资管理模型为EPC管理网络，参数设定满足GEN‑2标签，在此基础上进行实验，通过对比整数规划模型(方案一)和混合整数直接编程策略模型(方案二)，利用计算机程序分析数据结果，最终显示测试数据表如表1所示。

[0101] 表1三种物流模型实验数据表

[0102]

[0103] 通过表1数据分析，发现本发明物流模型针对物资数据量为2879MB，物资数据处理效率最高达到4.49MB/s，对物流调度控制力度达到95.4％；方案一提出的整数规划模型的总数据量为2434MB，物资数据处理效率最高达到3.12MB/s，控制力度为86.2％；方案二提出的混合整数直接编程策略模型的总物资数据量为2341MB，物资数据处理效率最高达到2.14MB/s，控制力度只有77.6％。对比发现本发明物流模型各方面性能更加优越。

[0104] 通过显示各物流模型数据处理效率能够进一步验证本发明智能调度算法的优越性，利用MATLAB对三种算法处理效率进行仿真，得到效率对比仿真如图5所示，通过对比发现本发明智能调度算法最大数据处理效率为5.0MB/s，而且增速相对较快，在物资数据为2300MB时达到稳定处理效率；方案一调度算法最大数据处理效率为3.2MB/s，在物资数据超过2600MB时增速加快；方案二调度算法最大数据处理效率为2.5MB/s，而且增速相对缓慢。
分析可知本发明智能调度算法处理效率最佳。

[0105] 虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。