某中心中层物流团队如何通过技术优化包裹运输路径

某中心运输服务部门的中层物流团队开发路由解决方案，以最高效的方式将客户订单从其供应商和履行中心转移到分拣中心、航空设施和配送站网络。

过去五年中，该团队在帮助实现日益宏伟的目标方面发挥了关键作用——从会员的两日和一日送达，到Prime Now等服务的一小时送达窗口。近期，国际运筹学与分析协会（INFORMS）授予某中心2021年INFORMS奖，以表彰其在运营研究中取得的成就。

极端复杂的技术挑战

由于涉及大量变量，复杂性始终是中层物流团队面临的常态。针对每个客户订单，路由算法必须确定通过网络的最佳路径，以快速、安全且经济高效的方式将产品在供应商、履行中心、分拣设施和配送站之间移动。

算法必须评估每种运输方式（陆运、铁路、空运或海运）的优势，并确定最有效的路线。同时还需确定将订单发送至可分拣并移交配送的设施的最优或接近最优路线。所有日程安排必须以优化安全性并符合政府法规（如休息时间、服务时间等要求）的方式设计。

“仅卡车运输网络就存在超过10^88种可能的路由解决方案，”中层物流研究与优化总监表示，“这个数字尤其庞大，要知道可见宇宙中的原子数量也只有10^82个。”

2016年，某中心的陆路由决策使用基本的本地搜索算法。负载提前分配，过程主要是迭代式的，团队每周对算法进行小幅改进。

为实现路由决策自动化，算法和系统需要考虑对路由决策产生深远影响的不同约束和输入，例如各国监管机构的细微差别。系统还需要通过考虑运营时间或是否需要停车位等因素来了解每个设施的存储和吞吐量约束。

团队开发了更高级的数据结构和算法技术来解释这些约束。例如设计了序列评估器，帮助为预定目标函数（如成本或空载行程次数）找到最有效的路由解决方案。

评估器计算给定路线的成本，持续尝试对路线进行可能更改，直到找到接近最优的路线。然后对该解决方案进行扰动——故意消除路线并将新交付任务输入算法，重复此过程使算法逐步迭代出更好的解决方案。

中层物流团队还面临必须路由未在需求预测中考虑的商品的情况。虽然可以预测未来需求，但规划阶段仍存在许多未知数，例如新产品的需求激增或意外流行的产品。

为应对需求变化，团队开发了具有动态定价的卡车负载供应板。该负载板由多种机器学习算法与数学优化模型相结合提供支持，使某中心能够通过接入在特定地理区域或车道运营的预先筛选承运商的可用容量来扩展其交付网络。

负载板动态设置当前可用负载的价格，承运商可同时查看可用负载，并在实时接受按报价提供的负载。这种安排还有助于承运商优化驾驶员日程的效率。

空路由问题与陆运网络类似，但存在完全不同的航空相关约束，包括监管约束、采购飞机的交付时间、燃油价格波动的影响以及管理航空公司合同所需的资源。

航班时刻表设计还需要确保有足够的时间进行常规线路维护、飞机加油以及包裹装卸。到达和离开时间必须与可用容量和资源保持一致，以确保包裹按时处理。更复杂的是，航空公司时刻表必须与陆运网络保持一致，以便有卡车在地面等待将包裹运往下一个目的地。

过去四年中，中层物流规划研究与优化科学团队开发并实施了十多个优化和机器学习模型来构建和运营空运网络。这些工具帮助团队在航班时刻表设计、燃油管理、包裹流规划、维护计划和中断恢复等领域做出最优决策。

机器学习在帮助团队解决本质上随机或不可预测的问题方面也发挥着重要作用。“在执行计划中出现偏差是不可避免的，例如由于天气、计划外维护和机组相关延误造成的意外中断事件，”团队负责人表示。“基于机器学习的预测方法帮助我们应对这些意外情况，并快速适应以便履行对客户的交付承诺。”

除了帮助适应不可预测的事件外，机器学习在更有效地统一陆运、空运、铁路和海运网络领域方面也发挥着日益重要的作用，无论是网络设计还是日常运营。

“我们不将每种运输方式分开考虑，这在行业中是常见的做法。相反，我们不断努力有效地整合这些领域，使我们的规划方式和网络运营方式保持一致。”