互联网

您的位置:主页 > 互联网 >

【华体会】菜鸟网络算法专家朱礼君:物流优化问题在大数据时代被赋予新的意义​|CCF-GAIR2017

发布日期:2021-03-24 00:50浏览次数:
本文摘要:2017年7月7日至9日,全球人工智能和机器人峰会CCF-GAIR大会在深圳顺利召开。这次由CCF中国计算机学会主办,由香港中文大学(深圳)主办。 来自世界30多名顶级院士,约300家AI明星AI企业,聚集了智能科技产业的盛会。私人网络高级算法专家朱礼君在CCF-GAIR、2017大会上公开演说,主题是大数据时代的物流优化问题,主要介绍私人网络中的物流发展情况。

华体会网址

2017年7月7日至9日,全球人工智能和机器人峰会CCF-GAIR大会在深圳顺利召开。这次由CCF中国计算机学会主办,由香港中文大学(深圳)主办。

来自世界30多名顶级院士,约300家AI明星AI企业,聚集了智能科技产业的盛会。私人网络高级算法专家朱礼君在CCF-GAIR、2017大会上公开演说,主题是大数据时代的物流优化问题,主要介绍私人网络中的物流发展情况。朱礼君毕业于美国马里兰大学,取得了物理学博士学位,相继就任Goldmansachs、亚马逊、Facebook等公司,2014年回国加入阿里巴巴,领导新网仓库加入供应链算法队伍。

朱礼君演说速记全文整理(公共编号:)在不改变意图的基础上,我来自私人网络,分享大数据时代的物流优化问题,在优化物流时遇到了很多问题。物流只是一个非常古老的行业,可以说有几千年的历史,在这个大数据时代,我们发现了很多传统的运输学优化问题,在大数据时代表现了很多新的意义,我们在这方面做了很多研究,遇到了很多有趣的问题,在运营过程中也教了很多经验私人网络是传统行业和物流行业的融合,首先说明私人网络,私人网络是物流平台,合作物流合作伙伴为消费者和业者提供物流服务,包括租车、仓库配置网络、跨境、终端网络、农村物流网络。

值得注意的是,这里有很多节点,如仓库和仓库、最后一公里等,我们使用的是社会物流资源,是我们合作伙伴的资源,但私人网络在这里不能发挥全球优化。刚才我们的特点之一是传统行业和物流行业的融合,物流行业是非常传统的行业,但我们是互联网公司,是数据公司,数据是核心,技术是核心,很多传统物流优化问题在互联网时代确实赋予了很多新的意义,而且大数据和算法是这里的核心物流优化问题在大数据时代表现出的新意义在大数据时代,我们的物流优化问题赋予了什么新意义?经过我们的研究,首先,我们对很多物流优化问题的计算性能的拒绝比以前小,以前我们不太在意优化计算资源的用途,以前的优化今天忘了明天的再利用,现在是动态的,对算法有很大的挑战。此外,机器学习和人工智能被提到高度,在物流领域以前使用传统生物技术优化的理论和算法,在大数据时代,这两者必须得到更好的有机融合。

另一个是我们最近研究的方向,如何用机器学习的思想解决传统物流优化问题,这也是学术界挑战的新方向,我们在这个过程中也有经验。物流算法应用于案例下,分享我们在私人网络上实现的物流算法应用的案例。第一个问题是供应链仓库网络的优化问题,这是一个非常传统的问题,我们有些客户在全国或世界有地区,我们选择哪个仓库布局,囤积哪个仓库,从供应商运往仓库,最后运往用户,这里的核心是我们自由选择哪个仓库,每个仓库管理哪个地区的用户为什么我们指出现在这个大数据时代有它的新意?在蚂蚁的电器商业平台上,业者只负责管理自己的商品。以前他不使用自己的仓库网络。

我们不会优化所有的业者。例如,优化后,有些商品可以放在私人仓库里,上司可以放在仓库里,不能复盖面积的范围。

举个例子,深圳的业者以前在深圳有仓库的可能性,北京的用户必须远程出货,但是新人在北京有仓库的话,可以推荐这个业者在北京附近使用仓库寨。这里必须考虑的优化目标非常多。

除成本外,不考虑时效。第二天约定的体验对用户来说是最重要的,铺装成本是指供应商运往仓库要多少钱,一般来说我们不用混合计划的模型来解决问题,因此其中拒绝非常慢,我们专门设计算法来解决问题,我们有成千上万的业者,每个业者都必须分开解决方法,传统优化的算法没有限制。商家选择我们的仓库后,我们要告诉他们如何分仓库,我在北京的仓库里放多少货,上海的仓库放多少货,这个问题看起来很简单,其实不然,我根据历史数据,用机器学习的模型预测北京的销售量是多少,上海的销售量是多少,这还是太过分了。机器学习的模型有很多不确定性因素,预测的未来销售量没有相当大的变动,特别是中国的电器商会有很多广告宣传,这个变动看起来不大。

我们如何考虑这些变动,确认我们的情况,经常出现供应不足的情况。因此,必须考虑铺装的成本、仓库的成本,考虑周期性的补充。是一周一次,还是两周一次,还是一个月一次,是线性的计划。

最重要的是考虑销售量的变动性。因为销售量非常不稳定。

然后确认整个补充量后,我们制作这样的模型,用鲁棒优化的算法计算每个仓库需要补充多少,这个算法也个性化地计算每个商品和每个商店,这也是一个难题。在仓库领域,我们在仓库里,用户下订单后,说仓库里没有仓库的工作人员,在仓库的架子上回头,捡到用户下的订单,包发给用户。其中最重要的问题是任务如何重复路径的优化。任务的重复是哪个订单应该先交给哪个人,路径的优化应该如何先交给这个人,这两个问题相互融合,是车辆路径计划相似的问题。

这里面的难题是,特别是在电器商品这样的平台上,订单大幅度发行,什么时候我要求,什么订单大幅度爆炸给员工,让他在架子上捡起来,这是动态决策的问题,对计算性能的拒绝也非常低,仓库的工作基本上是连轴转,中途停车,所以必须马上计算下一个任务发给谁,订单也大幅度发行箱型推荐问题在仓库领域还有一个有趣的问题,也许大家实际上这个问题看起来不简单。否则,箱型推荐问题。例如,用户在这个网站上买了8件商品,一个用户卖了8件或10件商品,这是很长时间的事情,这些商品长方形低,重量低,仓库里准备的箱子的大小和它能盖多少,问题是订单发行的瞬间,这些商品是怎样二垒的如果一个箱子可以安装的话,那就是一个霸权,如果我把它分成两个霸权的话,就不需要两个霸权运输,减少仓库的费用,这个箱子的包材也浪费了,所以这个算法可以充分发挥空间。这个问题在学术界是传统的三维装箱问题,这是非常无能为力的问题。

它的约束是当物品堆积在一起时,它的长方形低不能低于它箱子的长方形低,这是每个人都能想起的约束条件。一般传统的做法是用结构性的算法解决,我尝试各种各样的放置形式,或者有不同的放置顺序,在这里必须实现语言灵感的算法,统一启发性的算法,实现分层的算法设计。假设你有100个商品,简单的算法很可能无法计算。

我们必须在短时间内计算这个,在发行订单的过程中计算,如果不计算的话,后面就不会卡住,所以这个算法的挑战相当大。我们解决了这个问题后,自己考虑了一下。这里最重要的制约是商品积累,其长方形低不能低于这个箱子的长方形,然后自己问自己。

这个制约是必要的吗事实并非如此。因为我们可以根据历史的一些数据进行新的分析,分析每个仓库是如何计划它的箱子的。这只是一个新问题。

我们明确提出了一个新问题。在历史上,传统的学术行业从未实现过,因为电子商务已经积累了这么多商品数据和订单数据。

我告诉每个仓库出货时,用户不喜欢一起出售任何东西,然后订单中的那些构成的商品成分是什么,它们的长方形是什么,它们的长方形是什么,它们的长方形是什么诉他们,我确实可以从数据的角度出售拟合并的箱子的形状是什么,然后我们就不知道我们的长方形状。在这里,我们显然不需要使用传统的优化算法中的欲望梯度,而是使用梯度上升的方法来实现。显然不知道那个梯度是什么,所以我们实现了没有梯度的算法。因为这个问题相似,所以对这个箱子的长方形低没有太大的制约,所以我们可以实现没有梯度的优化算法,重复各箱子的长方形低的参数空间,看最后总成本的函数是多少,不平衡全局的检索和局部的检索,寻找合理的解决方法在这里救赎,在物流行业多数情况下最好把算法当作算法,但在这里寻找可以超越的约束可能是最重要的。

我们进一步研究这个问题。传统优化问题的一般方法是运输学中的一些方法,如整数计划问题或启发性算法。

但是,现在人工智能、深度自学、机械学习是非常受欢迎的领域,确实可以用于传统的问题。在机械翻译这一领域,以前我们使用传统的机械学习方法,之后明确提出使用深度神经网络的方法,使用LSTM的网络结构进行机械翻译,之后学术上的语言如何将这个LSTM的网络结构用于解决TSP的问题,我们试着使用这个网络结构来解决箱型推荐的问题。这里的目标是预测商品进入时的顺序如何,最后的面积大于,这确实是解决问题的问题。

传统的优化方法是不时中举顺序如何,寻找顺序。用机器学习和深度自学的方法,我必须预测那个顺序。当然,这里不涉及很多数据。

我们不使用历史数据。这里输出的数据是物品的长方形低,输入的数据是其顺序的数据,中间有与机器翻译的模型网络结构非常相似的模型。当然,我们做的时候也用历史数据训练,今后有5%的提高。

虽然这种生物技术的优化仍然是一个相对古老的领域,但在人工智能时代,机器学习和深入自学的算法确实可以使用。车辆路径规划问题在物流行业最重要的问题之一是车辆路径规划问题。

这个问题的定义只是非常简单,我们在地理上有必须服务的地方,需要仓库的霸权,或者需要接受的货物,地理上生产在不同的地方,我必须从总中心分别接受几辆车,或者分别发送这些货物和霸权,这个问题第二,每辆车怎么走,那条路线怎么优化,这类似于仓库中捡到的优化路线,这很多问题都是车辆路线规划问题。CVRP等有很多变种,有的车很轻。VRPTW也有时间窗的制约。

还有VRPPD。去某个地方拿行李,去别的地方仓库。因为还有一些人,所以问题只有很多,但总体框架相似,我只是为了第一辆车去服务点,每辆车怎么走,这个问题在数学上抽象化,算数很清楚。传统的方法大约有两种。

第一,有几个正确的解决方案。这些算法一般在达到100个服务点时很难在优先时间内解决。

华体会

第二,传统算法有很多类似算法,如ALNS和VNS,这些都是流域搜索算法和基因算法。目前最先进的研究是如何将这些优化算法与深入自学的技术领先。

我们自己开发了车辆路径规划非常强的发动机。刚才提到这是物流行业常见的问题,从算法水平来看,其中最重要的一点是使用机器学习的思想。每个我想优化的问题都没有不同的制约。

例如,在农村,制约车的数量是一定的,店内可能有时间窗口,所以各种问题的制约是多种多样的,我分别做算法就让步,但是算法适应环境的各种制约是不可能的。此外,我们告诉机器学习和加强自学没有一些自适应的方法。

我们不会根据这个问题的类似结构来识别我是如何解决这个问题的。我们在这里使用更传统的BanditLearning思想。

各种问题不会有一些不同的解决方案。有一些算法。我会试着互相交换。

三三互换,能否更好地解决这个问题,转换一些问题,考虑能否更好。有不同的问题,不同的战略不会让它更慢,所以我们去中举。例如,这次好,下次不再尝试其他方法。

例如,两个人的交换不好,可以尝试三三个人的交换。这样计算的话,每个人都不会找到特定的计算机。什么样的计算机,算法是合适的。我们的应用案例也很多,如生鲜仓库的应用、农村淘宝、城市店铺仓库、仓库选择路径的优化。

应用于许多场景,同一算法引擎可以使用许多场景,因为它有自适应的自学过程。在大数据智能订单下分享我们实现的大数据智能订单。传统物流的情况是,我们必须接受霸权后,按照全国的流分开。例如,我按照北京、上海、广州的流程分开。

以前是人分开的如下图所示,有人看租车地址,然后把它放在对应的口上,全国可能有200多个口,人工服务公司很难在一起。未来,我们同意自动化。自动化最重要的一点是数据化。

首先,我们必须数据这个地址,然后编码。以前是人工会写代码的,看这个地址。现在新人的电子面条,在业者发货的时候,不能写对应的代码。操作员必须看这个代码。

非常方便。因为识别打工比识别手写地址简单。地址应该去哪个网站仓库?快递公司有很多规则。

华体会网址

例如,深圳福田区的网站服务哪个地区,有简单的规则。这些规则很难数字化。

我们用了什么方法?我们使用的是大规模的机器学习方法,我不告诉你规则是什么,也不需要说明,我挖掘它,这是机器学习的非常简单的应用,本来你是怎么自学的我不告诉你,我只要有历史数据,我就可以用机器学习的挖掘来利用它。其中不使用分词、地理围栏的特征,也有规则的特征,我们用大数据的模型自学,最后把订单分开。中国有很多物流提供商、快递公司,很多仓库公司都有自己的好坏,每个公司在各个地区都有不同的优势。

如上图所示,左公司和右公司仓库的时间有差异。例如,在北方,右公司不如左公司。某业者发货时,必须自由选择所有线路。

例如,业者在杭州,杭州到上海必须由谁放置,杭州到广州、北京、武汉分别由谁放置,下面有很多仓库公司。这是一个人组优化的问题,我如何把所有的线路分配给广州、北京、武汉,用什么材料分配我订单的最后线性计划,这件事使用者非常不可能,而且非常简单配所有线路,但交易算法不详细。我们实现发动机,考虑时效、服务、成本等,一起评价所有因素,制定合适的分配方案,自动获得该业者智能发货的解决方案。我刚才提到了很多算法,我们是互联网公司,以技术为核心,我们希望通过整合社会化物流,提高中国整体物流水平。

累积的技术,期待对外开放,整个社会的物流公司提高物流水平。例如,路径规划算法的引擎,我们已经访问了很多合作伙伴,刚才提到的箱型推荐算法已经对外开放,地址库、地址分类、地址单体服务、标准化服务、不能分类的算法,各仓库公司如何分配他的订单以这种方式提高中国物流整体的效率。未来的发展方向从技术方面来看,我们未来的发展方向首先是Model-driven的方法到Data-driven的方法。

刚才,传统的物流优化一般使用生物科学技术优化的模型,生物科学技术优化一般没有成本等目标函数。而且,我有制约。

例如,当天的订单比例是多少,这个仓库的订单是多少,这个车的装载量是多少,这些制约排列后,必须解决。这是以模型为中心解决问题的方法。但是,在互联网时代积累了很多数据问题。有些问题我们可能解决了很多问题,但是有些不同,但是很多地方是一样的。

例如,农村仓库,我每天需要仓库的村点只是相反的,但是那个量会变化,所以昨天解决的路线计划和今天解决的路线计划应该有很大的关系,传统的模型驱动的方法,我破坏了这个关联性,昨天的解决方法没有用。在我解决了几次某种程度的问题之后,我应该总结一些方法,不协助明天解决某种程度的问题和类似的问题。

这是用Data-driven的方法解决问题。我们也用深刻的自学和机器学习的方法进行了这方面的研究,确实是非常兴奋的方向,确实使传统领域经历了新的活力。第二类是算法必须产品化。算法进一步变浅,不考虑各种角料的情况,特别是物流行业,我应用于实际操作需要大幅度研磨。

就像刚才提到的路径计划算法一样,在运营过程中获得了非常多的系统,那些系统我们不会回来。我们把算法平台化,分为问题解决算法。问题太多,分为各问题建模,可扩展性不会面临相当大的问题。

刚才也提到大部分算法已经对外开放,未来也不希望在这方面开放我们的算法能力,对外开放我们的人工智能能能力,提高物流行业的智能化。原始文章允许禁止发布。

下一篇文章发表了注意事项。


本文关键词:华体会官网,【,华,体会,】,菜鸟,网络,算法,专家,朱礼君

本文来源:华体会-www.vanuadisaen.com