传统行业与物流行业的融合
当今各式各样的物流形成了一张巨大的物流网络，这张网络是传统行业与物流行业的融合。各类的物流平台，协同物流合作伙伴为消费者和商家提供物流服务，包括快递、仓配网络、跨境、末端网络，还有农村物流网络。值得一提的是这里面很多节点，像仓库以及配送，最后一公里等，可能用的还是社会上的物流资源，是平台合作伙伴的资源，但是平台在这里面会起到全局优化的作用。
因为物流行业是一个非常传统的行业，但是对大多数企业或者平台来说，数据是核心，技术是核心，很多的传统物流优化的问题在互联网时代的确是被赋于了很多新的意义，而且在大数据和算法是这里面的核心。
物流优化问题在大数据时代被赋予新意义
在大数据时代，我们的物流优化问题被赋于了哪些新的意义呢？
经过我们的研究发现，首先我们对很多物流优化问题的计算性能要求远远大于以前，之前我们不太在乎优化计算资源的使用的，因为以前的优化是今天算了明天再用，现在是实时的，所以对算法有很大的挑战。另外，机器学习和人工智能被提到很高的高度，在物流领域以前用的是传统运筹优化的理论和算法，在大数据时代，这两者需要得到更好的有机融合。还有一点也是我们最近在研究的方向，就是怎么用机器学习的思想来求解传统物流优化问题，这也是在学术界上非常有挑战的一个新的方向，我们在这个过程中也有一些经验。
物流算法应用案例
下面分享一下实际生产中的物流算法应用的案例。
▼仓储优化问题
第一个问题是供应链仓储配送网络的优化问题，这是非常传统的问题，我们有一些客户在全国或者全世界有一个区域的分布，我们到底要选哪些仓库布点，把货囤到哪些仓库，从供应商那里运到仓库，最后再运到用户哪里，这里的核心是我们选择哪个仓库，每个仓库负责哪个区域的用户，这是传统的问题。
举个例子，深圳的一个商家以前可能在深圳有仓库，北京的用户他就需要远程发货，但是公司在北京有仓库，我们就可以推荐这个商家用我们的仓库囤在北京附近货。这里面需要考虑的一些优化的目标非常多。除了成本以外，还会考虑时效，次日达的体验对用户来说非常重要，还有铺货成本，就是从供应商运到仓库大概要多少钱，一般我们会用混合规划的模型来解决这个问题，所以这里面要求非常快，我们专门设计一些算法来解决这个问题，我们有成千上万的商家，对每个商家都要单独求解，这样用传统优化的算法会有一定的局限性。
商家选了我们的仓库之后，我们要告诉他们怎么分仓，我在北京的仓库要放多少货，上海的仓库要放多少货，这个问题看似简单，其实不然，就算我根据历史的数据，用机器学习的模型预测出北京的销量是多少，上海的销量是多少，这还是不够，因为机器学习的模型是有非常多的不确定性因素，它预测的未来销量会有很大的波动，我们也知道特别在中国的电商会有很多的促销，这个波动会变得更大，我们如何把这些波动考虑进去，使得我们在一些不确定的环境下，都能保证我补货的量比较合适，不会有缺货的情况出现，也不会有滞销的情况出现。所以要考虑铺货的成本、仓储的成本，然后要考虑周期性补货，到底是一个星期一次，还是两个星期一次，还是一个月一次是最优化。最重要的一点是要考虑销量的波动性，因为销量非常不稳定。
然后整个补货量确定之后，我们建立这样一个模型，用鲁棒优化的算法来计算每个仓库大概要补多少量，这个算法也是对每一件商品、每一个商家都是个性化计算的，所以这也是一个难点。
在仓储领域，我们知道在仓库里面，用户下了订单以后，仓库里面会有仓库的工作人员，在仓库的货架走一圈，把用户下的订单都拣过来，再打包发给用户。这里面非常重要的问题就是任务怎么切分和路径怎么优化。任务切分就是哪个订单应该派给哪个人，路径优化是怎么派给这个人，这两个问题是相互融合的，它是一个类似于车辆路径规划的问题。这里面的难点就是，特别是像电商这样的平台，订单是不断下发的，我们需要知道到底在什么时候我要做一个决定，哪些订单把它大爆发给一个工作人员，让他去货架上拣，所以这是一个需要实时做决策的问题，它对计算性能的要求也非常高，因为仓库里的工作基本上是连轴转，中间不会停，因此需要迅速计算出下一个任务到底要发给谁，然后订单也是不断下发，这是一个非常动态的问题，所以用一些传统的运筹优化算法解这种问题比较难。
▼箱型推荐问题
在仓储领域还有一个比较有意思的问题，可能大家会觉得这个问题看上去比较简单，其实不然，就是箱型推荐问题。比如说用户在这个网站上买了8件商品，一个用户买8个东西或者10个东西，这是很正常的，这些东西有它的长宽高、重量，我知道我仓库里备的箱子的大小和它能承重多少，问题是在订单下发的那一刻，我要知道这些商品要怎么垒，然后放到哪个箱子里，或者最大的箱子也放不下，我要放到哪几个箱子里，这个问题为什么这么重要呢？如果能一个箱子装下，它就是一个包裹，而如果我把它分成了两个包裹，它就会需要两个包裹运输，增加了配送的费用，而且这个箱子的包材也有浪费，所以这个算法可以发挥空间很大。这个问题在学术界是一个传统的三维装箱问题，这是一个非常难的问题。它的约束是物品累积在一起的时候，它的长宽高不能高于那个箱子的长宽高，这是大家都能想到的约束条件。一般的传统的做法是用构造性的算法求解，就是我去尝试各种不同的摆放形式，或者不同的摆放顺序，然后我们在这里面需要做一些语言启发算法，就是把一些启发式的算法整合起来，做一些分层的算法设计。假设你有100个商品，一个复杂的算法很可能是算不过来，因为我们需要很短的时间内把这个计算出来，在订单下发的过程中就计算出来，如果你没有计算出来，后面就会卡住，所以这个算法的挑战很大。
我们更进一步研究这个问题，因为传统的优化问题一般用的方法就是运筹学里的一些方法，比如说整数规划的问题，或者是一些启发式的算法。但是现在人工智能、深度学习、机器学习都是非常火的领域，的确有一些新的思想可以用在传统的问题里面。像在机器翻译这个领域，以前我们用的都是一些传统的机器学习方法，后来有人提出来用深度神经网络的方法，用LSTM的网络结构做机器翻译，后来也有一些学术上的言怎么把这种LSTM的网络结构用在解TSP的问题，我们就尝试了把这种网络结构用来解箱型推荐的问题。这里面的目标是说，我们要预测商品放进去的时候那个顺序到底怎样，使得它最后的面积最小，这的确是我们要解决的问题。传统的优化的方法就是不停地去试顺序到底是怎么样的，然后找到一个顺序。用机器学习或者深度学习的方法，我就直接预测出那个顺序，当然这里面会牵扯到很多数据，我们会用历史数据，这里输入的数据是物品的长宽高，输出的数据是它的顺序的数据，中间有一些模型跟机器翻译的模型网络结构非常像，当然我们做的时候也是用它的历史数据训练，做下来有5%的提升。虽然这个运筹优化还是比较古老的领域，但是在人工智能这个时代，机器学习和深度学习的算法的确可以用。
▼车辆路径规划问题
在物流这个行业有一个非常重要的问题是车辆的路径规划问题。这个问题的定义其实非常简单，就是我们在地理上有一些需要去服务的点，要配送的包裹，或者是需要揽收的货物，它在地理上分布在不同地方，我需要从一个总的中心派几辆车，分别去揽收，或者分别去派送这些货物或者是包裹，这个问题体现在两个层面：
怎么派活，哪些点的服务要派给哪辆车，用什么样的车。
每辆车要怎么走，它的路径要怎么优化，这个跟仓库里面的拣货优化路径类似，这一大类问题是车辆路径规划问题。它有很多变种，比如说CVRP，就是有的车有限重。还有VRPTW，就是它有一个时间窗的约束。还有VRPPD，你去一个地方拿东西，然后再去另一个地方配送。还有一些其他组合，所以问题其实非常多，但是总的框架还是比较类似，无非是说我要派一些车去一些服务点，然后每辆车怎么走，这个问题在数学上抽象起来还算比较清晰。
传统的方法大概两类：
未来发展方向
从技术的方面来讲，我们觉得未来的发展方向是这样的：第一点是从Model-driven的方法到Data-driven的方法。刚才说到传统的物流优化一般用的是运筹优化的模型，运筹优化一般会有一个目标函数，比如成本，然后我有约束，比如当日达订单比例是多少，这个仓库订单不能超过多少，这辆车装的东西不能超过多少，这些约束列好以后，需要把它求解，这是一个以模型为中心解决问题的方法。
一类问题可能我们解了很多，它们有一点不一样，但是有很多地方是一样的，比如说农村配送，我每天要配送的村点其实不会变，但是它的量会变，所以我昨天求解的路径规划和今天求解的路径规划应该是有很大的关联，而传统的模型驱动的方法，我把这个关联性就丢掉了，我昨天的解没有用。我解了同样的一类问题几次以后，我应该是可以总结归纳出一些方法，为明天求解同样的问题或者类似的问题会有帮助，这是采用Data-driven的方法解决问题。我们也用一些深度学习或者是机器学习的方法做这方面的研究，这的确是一个非常让人激动得方向，它的确是把传统的领域注入了一些新的活力。
第二类是算法一定要产品化。算法做得再深，不考虑各种各样的边角料的情况肯定不行，特别是物流行业，我要应用到实操有很多环节需要不断地打磨。就像刚才提到的路径规划的算法，在运行过程中得到非常多的反馈，那些反馈我们又会加回去。我们把算法平台化，不会为单独一个问题解一个算法，因为问题实在太多，单独为每个问题建模，在可扩展性上会遇到很大问题。刚才也提到大部分的算法已经对外开放，所以未来也会继续在这方面努力把我们的算法能力，把我们人工智能方面的能力对外开放，提升物流行业的智能化。
长按下方二维码关注“悟空丰运资讯”订阅号
获取更多资讯及精彩活动信息
www.wkong56.com
