基于约束编程和随机键优化器的次日配送覆盖优化

我们考察电商零售商的物流网络，具体来说是将库存从供应仓库运输到配送站点，再输送至终端（"最后一公里"）配送网络。该"中段"网络中包裹通过的速度是影响最终送达速度的关键因素。一个重要目标是最大化用户订单能够在一天内完成的比例，即实现次日配送。因此，我们将最大化中段网络中次日配送覆盖率的期望值形式化为一个优化问题，涉及网络上的时序约束和容量约束，且需要使用黑箱模型来评估目标函数。我们设计了两种方法：一种是精确的约束编程（CP）方法，另一种是启发式的随机键优化器（RKO）方法，前者使用代理目标函数。我们在大规模真实问题实例上进行实验，证明两种方法都有价值，能够匹配或超越基线解决方案——一个集成了局部搜索的定制贪心求解器——在次日配送覆盖率方面的表现。我们的实验关注两个高层次问题定义，首先是基准问题，然后添加更多复杂性，还探索了求解器在不同问题规模上的泛化。我们发现，使用RKO和定制局部搜索协议的混合模型在完整问题定义下在次日配送方面表现最佳（相对于基线提升了50个基点[bps]），但需要数天时间运行；而使用CP和局部搜索的混合模型稍逊一点（相对于基线提升20个基点[bps]），但仅需数小时即可运行。