目标函数\{}^目标函数是允许我们客观确定的测量

akhiislamakhi22

指标一种解决方案是否优于另一种。在这种情况下它将是骑手所行驶的所有距离的总和。约束约束定义从同角度来看哪些解决方案是可行的。例如我们可以具有物理约束一名骑手能一次交付多个订单和业务约束最佳客户的订单由最佳骑手提供。目标函数和约束都必须是要考虑的模型的线性表达式线性规划。求解线性规划模型的最著名的算法是[算法]_或其任何变体。[内点算法]_也被广泛使用。有相当多的求解器使用这些算法实现了商业和开源。这些求解器通常将单纯形或内点算法与预求解和启发式技术相结合。这些技术的优势通常决定了如何成为一个好的求解器。整数线性程序是一种线性程序其中所有变量都是整数变量。在我们的问题中它们都是二元变量。

按需交通分配模型\{乘客}\{参数}_{}从乘客的起始位置到订单的上车位置的距离\{变量}_{}二进制变量指示订单是否分配给骑手\{目标函数}\_{}_{}_{}\{约束}每个骑手最多分 配到一个订单\__{}\\每个订单最多分配到一名骑手\__{}\\分配尽可 瑞典 WhatsApp 号码数据 能多的订单\_{}_{}=\{\}自然约束_{}\\{\}\使用批量分配算法解决问题后我们得到的总行驶距离为公里即我们得到一个提高在我们的目标指标中。如果我们将第一分钟晚上到收到的订单的分配与这两种算法进行比较我们可以看到一些很大的差异。例如如果我们查看地图的东北部分我们可以看到使用贪婪算法完成的分配效率非常低而使用批量分配算法进行的分配效率要高得多。这要归功于通过推迟作业完成后获得的更多信息。在这里能够可视化两种算法做出的决策再次非常强大送货服务下一步前面的两种算法只是面对这个问题时通常遵循的第一个自然步骤。然而问题的复杂性通常需要更多的步骤。



如上所述扩大问题每次迭代中可用的信息至关重要。一个非常有用的步骤是在分配任务时考虑接下来到分钟甚至更长的时间具体取决于服务的长度内可能发生的情况。拥有一些将会非常有帮助预报需求将在哪里以避免将乘客转移到远离高需求区域的任务。通过确定应将哪些骑手分配给交货地点远离高需求区域的订单可以轻松将其纳入批量分配模型中。此外这些信息还可以提供给乘客以便他们知道空闲时应该移动到哪里以确保他们被分配更多订单。下图显示了预计一小时后需求发生的位置以及空闲乘客的情况。根据它们距较高预期需求区域的距离它们将被分配同的优先级。除此之外还有其他改进可以提高任务的效率和质量。这些改进很大程度上取决于所提供的服务类型。优化标准。在我们的示例中我们将距离作为要优化的指标。然而我们可能会添加额外的标准始终牢记必须在算法的每次迭代中计算成本。