本技術(shù)涉及人工智能，特別是涉及一種物流運輸調(diào)度方法、裝置、計算機設備和計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、隨著全球化經(jīng)濟的不斷發(fā)展和市場需求的日益增加，供應鏈管理面臨著越來越多的挑戰(zhàn)，包括需求預測的不確定性、資源分配的復雜性和運輸成本的優(yōu)化等問題。在這種背景下，優(yōu)化供應鏈物流運輸成為了企業(yè)提升效率、降低成本、增強競爭力的關(guān)鍵。

2、傳統(tǒng)的物流優(yōu)化方法，如線性規(guī)劃、網(wǎng)絡流分析等，雖然在理論上能夠提供一定的解決方案，但面對實際應用中的動態(tài)變化和高復雜性等問題時，這些方法得到的結(jié)果通常不是最優(yōu)，難以實現(xiàn)物流運輸成本的最小化。

3、因此，目前的物流運輸調(diào)度技術(shù)中存在難以降低成本的問題。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠降低成本的物流運輸調(diào)度方法、裝置、計算機設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種物流運輸調(diào)度方法，包括：

3、獲取供應鏈物流運輸?shù)臍v史參數(shù)，確定所述歷史參數(shù)對應的歷史調(diào)度信息；

4、根據(jù)所述歷史參數(shù)和所述歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；

5、將所述供應鏈物流運輸?shù)漠斍皡?shù)輸入至所述訓練好的卷積神經(jīng)網(wǎng)絡，得到所述供應鏈物流運輸?shù)某跏颊{(diào)度信息；

6、對所述初始調(diào)度信息進行蜂群優(yōu)化處理，得到所述供應鏈物流運輸?shù)哪繕苏{(diào)度信息；

7、根據(jù)所述目標調(diào)度信息，對所述供應鏈物流運輸進行調(diào)度。

8、在其中一個實施例中，所述確定所述歷史參數(shù)對應的歷史調(diào)度信息，包括：

9、根據(jù)所述歷史參數(shù)，確定所述供應鏈物流運輸?shù)膬?yōu)化模型；所述優(yōu)化模型的優(yōu)化目標為所述供應鏈物流運輸?shù)某杀咀钚。?/p>

10、基于所述優(yōu)化模型，確定所述歷史參數(shù)對應的歷史調(diào)度信息；所述歷史調(diào)度信息包括所述供應鏈物流運輸?shù)臍v史調(diào)度方案和歷史補貨量。

11、在其中一個實施例中，所述根據(jù)所述歷史參數(shù)和所述歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡，包括：

12、將所述歷史參數(shù)對應的參數(shù)矩陣輸入至所述待訓練的卷積神經(jīng)網(wǎng)絡，得到所述待訓練的卷積神經(jīng)網(wǎng)絡的預測數(shù)據(jù)；

13、根據(jù)所述歷史調(diào)度信息對應的調(diào)度信息矩陣，確定所述預測數(shù)據(jù)的損失值；

14、根據(jù)所述損失值對所述待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到所述訓練好的卷積神經(jīng)網(wǎng)絡。

15、在其中一個實施例中，所述對所述初始調(diào)度信息進行蜂群優(yōu)化處理，得到所述供應鏈物流運輸?shù)哪繕苏{(diào)度信息，包括：

16、根據(jù)所述初始調(diào)度信息，確定蜂群優(yōu)化模型的至少一個初始解；

17、控制雇傭蜂在各初始解的鄰域內(nèi)確定第一替換解，觀察蜂根據(jù)所述第一替換解的質(zhì)量更新所述第一替換解，得到第二替換解，偵查蜂在所述第二替換解的解空間中引入新的隨機解，得到第三替換解；

18、將所述第三替換解作為新的初始解，并返回至所述控制雇傭蜂在各初始解的鄰域內(nèi)確定第一替換解，觀察蜂根據(jù)所述第一替換解的質(zhì)量更新所述第一替換解，得到第二替換解，偵查蜂在所述第二替換解的解空間中引入新的隨機解，得到第三替換解的步驟，直至符合預設迭代次數(shù)；

19、根據(jù)最后得到的第三替換解，得到所述目標調(diào)度信息。

20、在其中一個實施例中，所述根據(jù)所述初始調(diào)度信息，確定蜂群優(yōu)化模型的至少一個初始解，包括：

21、將所述初始調(diào)度信息確定為所述蜂群優(yōu)化模型的第一初始解；

22、為所述初始調(diào)度信息添加隨機擾動，得到所述蜂群優(yōu)化模型的至少一個第二初始解；

23、根據(jù)所述第一初始解和所述至少一個第二初始解，得到所述至少一個初始解。

24、在其中一個實施例中，所述根據(jù)所述目標調(diào)度信息，對所述供應鏈物流運輸進行調(diào)度，包括：

25、從所述目標調(diào)度信息中提取出當前調(diào)度方案和當前補貨量；

26、根據(jù)所述當前調(diào)度方案，控制供應商向客戶運送貨物，以及，根據(jù)所述當前補貨量，控制所述供應商對倉庫進行補貨。

27、第二方面，本技術(shù)還提供了一種物流運輸調(diào)度裝置，包括：

28、獲取模塊，用于獲取供應鏈物流運輸?shù)臍v史參數(shù)，確定所述歷史參數(shù)對應的歷史調(diào)度信息；

29、訓練模塊，用于根據(jù)所述歷史參數(shù)和所述歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；

30、初始模塊，用于將所述供應鏈物流運輸?shù)漠斍皡?shù)輸入至所述訓練好的卷積神經(jīng)網(wǎng)絡，得到所述供應鏈物流運輸?shù)某跏颊{(diào)度信息；

31、目標模塊，用于對所述初始調(diào)度信息進行蜂群優(yōu)化處理，得到所述供應鏈物流運輸?shù)哪繕苏{(diào)度信息；

32、調(diào)度模塊，用于根據(jù)所述目標調(diào)度信息，對所述供應鏈物流運輸進行調(diào)度。

33、第三方面，本技術(shù)還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)以下步驟：

34、獲取供應鏈物流運輸?shù)臍v史參數(shù)，確定所述歷史參數(shù)對應的歷史調(diào)度信息；

35、根據(jù)所述歷史參數(shù)和所述歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；

36、將所述供應鏈物流運輸?shù)漠斍皡?shù)輸入至所述訓練好的卷積神經(jīng)網(wǎng)絡，得到所述供應鏈物流運輸?shù)某跏颊{(diào)度信息；

37、對所述初始調(diào)度信息進行蜂群優(yōu)化處理，得到所述供應鏈物流運輸?shù)哪繕苏{(diào)度信息；

38、根據(jù)所述目標調(diào)度信息，對所述供應鏈物流運輸進行調(diào)度。

39、第四方面，本技術(shù)還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

40、獲取供應鏈物流運輸?shù)臍v史參數(shù)，確定所述歷史參數(shù)對應的歷史調(diào)度信息；

41、根據(jù)所述歷史參數(shù)和所述歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；

42、將所述供應鏈物流運輸?shù)漠斍皡?shù)輸入至所述訓練好的卷積神經(jīng)網(wǎng)絡，得到所述供應鏈物流運輸?shù)某跏颊{(diào)度信息；

43、對所述初始調(diào)度信息進行蜂群優(yōu)化處理，得到所述供應鏈物流運輸?shù)哪繕苏{(diào)度信息；

44、根據(jù)所述目標調(diào)度信息，對所述供應鏈物流運輸進行調(diào)度。

45、第五方面，本技術(shù)還提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

46、獲取供應鏈物流運輸?shù)臍v史參數(shù)，確定所述歷史參數(shù)對應的歷史調(diào)度信息；

47、根據(jù)所述歷史參數(shù)和所述歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡；

48、將所述供應鏈物流運輸?shù)漠斍皡?shù)輸入至所述訓練好的卷積神經(jīng)網(wǎng)絡，得到所述供應鏈物流運輸?shù)某跏颊{(diào)度信息；

49、對所述初始調(diào)度信息進行蜂群優(yōu)化處理，得到所述供應鏈物流運輸?shù)哪繕苏{(diào)度信息；

50、根據(jù)所述目標調(diào)度信息，對所述供應鏈物流運輸進行調(diào)度。

51、上述物流運輸調(diào)度方法、裝置、計算機設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品，通過獲取供應鏈物流運輸?shù)臍v史參數(shù)，確定歷史參數(shù)對應的歷史調(diào)度信息，根據(jù)歷史參數(shù)和歷史調(diào)度信息，對待訓練的卷積神經(jīng)網(wǎng)絡進行訓練，得到訓練好的卷積神經(jīng)網(wǎng)絡，將供應鏈物流運輸?shù)漠斍皡?shù)輸入至訓練好的卷積神經(jīng)網(wǎng)絡，得到供應鏈物流運輸?shù)某跏颊{(diào)度信息，對初始調(diào)度信息進行蜂群優(yōu)化處理，得到供應鏈物流運輸?shù)哪繕苏{(diào)度信息，根據(jù)目標調(diào)度信息，對供應鏈物流運輸進行調(diào)度；可以先利用卷積神經(jīng)網(wǎng)絡的特征提取能力，確定出使供應鏈物流運輸成本最低的初始調(diào)度信息，避免供需波動、季節(jié)性影響、異常事件等動態(tài)變化和復雜情況對優(yōu)化結(jié)果的影響，再利用蜂群優(yōu)化方法的高效搜索機制進行全局搜索，避免陷入局部最優(yōu)解，最終得到全局最優(yōu)的目標調(diào)度信息，利用目標調(diào)度信息對物流運輸進行調(diào)度，可以使物流運輸?shù)某杀咀钚　?/p>