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-

本篇文章6610字，读完约17分钟

2017年7月7日至9日，全球人工智能与机器人峰会ccf-gair会议在深圳成功举行。本次活动由中国计算机学会主办，雷和香港中文大学协办。来自世界各地的30多位顶尖院士和近300家ai明星ai企业齐聚一堂，参加智能技术产业盛会。

菜鸟网高级算法专家朱丽君在主题为“大数据时代的物流优化”的2017年会上发表了演讲，主要阐述菜鸟网的物流发展。朱丽君毕业于马里兰大学，获得物理学博士学位，曾在高盛、亚马逊、facebook等公司工作，2014年回到中国加入阿里巴巴，领导新秀网络仓库供应链的算法团队。

以下是朱丽君演讲速记的全文。雷锋。(公开号码:雷锋。com)在不改变初衷的基础上进行了精编:

我来自网络新手，我将分享大数据时代的物流优化问题。我们在进行物流优化时遇到了很多问题。物流实际上是一个有着几千年历史的古老行业。然而，在这个大数据时代，我们发现了许多传统的运筹学优化问题，这些问题在大数据时代被赋予了许多新的含义。我们在这方面做了很多研究，遇到了很多有趣的问题，也学到了很多经验，在手术过程中与大家分享。

新秀网络是传统产业和物流产业的融合

首先，我们将介绍菜鸟网，这是一个物流平台。它与物流合作伙伴合作，为消费者和企业提供物流服务，包括快递、仓库配送网络、跨境和终端网络以及农村物流网络。值得一提的是，这一领域的许多节点，如仓库和配送、最后一英里等。，仍然使用社会物流资源，这是我们合作伙伴的资源，但新秀网络将在这方面发挥全球优化作用。

刚才我们的一个特点就是传统产业和物流产业的融合，因为物流产业是一个非常传统的产业，但是我们是一个互联网公司和一个数据公司，所以数据是核心，技术是核心。在互联网时代，许多传统的物流优化问题确实被赋予了许多新的含义，而大数据和算法是其中的核心。

在大数据时代，物流优化被赋予了新的意义

在大数据时代，我们的物流优化问题有了什么新的意义？经过我们的研究，我们发现，首先，我们对于许多物流优化问题的计算性能要求远远高于以前。以前，我们不太关心优化计算资源的使用，因为以前的优化是今天计算，明天重用，现在是实时的，所以对算法有很大的挑战。

此外，机器学习和人工智能已经提到了很高的水平。在物流领域，传统的作业优化理论和算法已经被广泛应用。在大数据时代，两者需要更好地整合。我们最近研究的另一点是如何用机器学习的思想来解决传统的物流优化问题，这也是学术界一个很有挑战性的新方向，我们在这个过程中也有一些经验。

物流算法应用案例

让我们分享一下我们在菜鸟网做过的一些物流算法应用案例。

第一个问题是供应链仓储和配送网络的优化，这是一个非常传统的问题。我们的一些客户在全国或全世界都有区域分布。这是一个传统的问题，我们应该选择哪个仓库来配送，哪个仓库来储存货物，以及在哪里将货物从供应商运送到仓库，最后运送到用户。

为什么我们认为它在当前的大数据时代有新的意义？在阿里的电子商务平台上，商家实际上对自己的商品负责。以前，他会使用自己的存储网络，我们会优化每个商家。例如，在优化之后，一些货物可以被放入新手仓库来帮助分发，这将覆盖一些区域。

例如，深圳的一个商家以前可能在深圳有一个仓库，北京的用户需要远程发货，但是菜鸟在北京有一个仓库，所以我们可以推荐这个商家用我们的仓库在北京附近储存货物。有许多优化目标需要考虑。除了成本，还将考虑及时性。第二天到达的体验对用户来说非常重要，还有货物配送的成本，即从供应商到仓库的运输成本。一般来说，我们将使用混合编程模型来解决这个问题，所以需求非常快。我们专门设计了一些算法来解决这个问题。我们有成千上万的业务，我们必须分别解决每个业务，所以使用传统的优化算法会有一些限制。

在商家选择了我们的仓库之后，我们必须告诉他们如何划分仓库，我应该在北京的仓库放多少货物，在上海的仓库应该放多少货物。这个问题看起来简单，但事实并非如此。即使我根据历史数据用机器学习模型来预测北京和上海的销售量，也是不够的，因为机器学习模型有很多不确定因素，而且它预测未来的销售量会有很大的波动。我们也知道中国的电子商务公司有很多促销活动，这种波动会变得更大。我们如何将这些波动考虑在内，这样才能确保我的补货量在一些不确定的环境下是合适的，并且不会出现缺货或销售缓慢的情况。因此，我们应该考虑货物配送和储存的成本，然后考虑定期补货，无论是一周一次，每两周一次，还是一个月一次。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，在整个补货量确定后，我们建立了这样一个模型，并利用稳健优化算法计算出每个仓库的近似补货量。该算法也是针对每一种商品和每一个商家的个性化计算，因此也是一个难点。

在仓储领域，我们知道在仓库中，在用户下订单后，仓库中会有仓库工作人员在仓库的货架上走来走去，拿起用户下的所有订单，然后将它们打包并发送给用户。这里最重要的问题是如何划分任务以及如何优化路径。任务分段是将哪个订单发送给哪个人，以及如何将路线优化发送给这个人。这两个问题相互结合，是一个类似于车辆路径规划的问题。这里的困难在于，特别是在像电子商务这样的平台上，订单是不断发出的。我们需要知道我什么时候必须做出决定，以及哪些订单会让一名员工大吃一惊，让他下架。拣货，所以这是一个需要实时决策的问题，而且它对计算性能的要求也很高，因为仓库中的工作基本上是回转的，不会中途停止，所以有必要快速计算下一个任务将被发送给谁。

盒子推荐问题

仓储领域还有一个有趣的问题，对每个人来说似乎都很简单，但事实并非如此，那就是箱子推荐问题。例如，用户在这个网站上购买8件商品，一个用户购买8件或10件商品。这很正常。这些物品有它们的长度、宽度、高度和重量。我知道我仓库里箱子的大小和它能承受的重量。问题是，在发出订单的那一刻，我想知道如何将这些物品放在哪个箱子里，或者哪个箱子放不下，我应该把它们放在哪个箱子里。为什么这个问题是这样的，如果它可以装在一个盒子里，它将是一个包裹，但是如果我把它分成两个包裹，它将需要两个包裹来运输，这增加了配送的成本，并且这个盒子的包装材料也是浪费的，所以这个算法可以在空.发挥很大的作用这个问题是学术界传统的三维包装问题，是一个非常困难的问题。它的限制是，当项目累积在一起时，它们的长度、宽度和高度不能高于那个盒子的长度、宽度和高度，这是每个人都能想到的限制。一般的传统方法是用构造性算法来解决问题，即尝试各种布局形式或不同的布局序列，然后我们需要做一些语言启发式算法，即集成一些启发式算法和做一些分层算法设计。假设你有100件商品，一个复杂的算法可能无法计算，因为我们需要在短时间内计算出来，并在发出订单的过程中计算出来。如果你不计算它，它以后会卡住，所以这个算法很有挑战性。

在我们解决了这个问题之后，我们自己考虑了一下。这里有一个非常重要的限制，就是当货物堆积在一起时，它们的长度、宽度和高度不能高于这个箱子。然后我们问自己，这种约束有必要吗？事实上，它不是。因为我们可以根据一些历史数据重新分析每个仓库应该如何准备箱子，这实际上是一个新问题，我们提出了一个历史上传统学术界没有做过的新问题，因为现在电子商务已经积累了这么多的商品数据和订单数据，我知道当每个仓库发货的时候，用户喜欢一起买东西，那么订单中的那些商品的组成部分是什么？它们的长度、宽度和高度是多少？有一个分布。我知道这个分布。我真的可以从数据的角度推断出什么是最佳的盒子形状。然后我们做了这件事，这也是一个非常有趣的问题。刚才，如果我给出盒子的长度、宽度和高度，对我来说是一个很难解决的问题。在这里，我们不能简单地在传统的优化算法中找到梯度，但是我们可以通过梯度下降来实现。因为你不知道它的梯度是什么，我们已经做了一些没有梯度的算法。

由于这个问题比较特殊，它对这个盒子的长度、宽度和高度没有太多的限制，所以我们可以做一些没有梯度的优化算法，把每个盒子的长度、宽度和高度参数空分开，然后看最终的总成本函数，然后平衡全局搜索和局部搜索找到最优解，这也将大大节省成本。这给了我们一个启示。在物流行业，你的算法做得很好，但更重要的是找到你能打破的约束。

我们进一步研究这个问题，因为传统的优化方法是运筹学中的一些方法，如整数规划或一些启发式算法。但是现在人工智能、深度学习和机器学习都是非常热门的领域，并且确实有一些新的想法可以用于传统的问题。例如，在机器翻译领域，我们以前使用过一些传统的机器学习方法。后来，有人提出用深层神经网络来进行lstm网络结构的机器翻译。后来，关于如何使用这种lstm网络结构来解决tsp问题，有一些学术评论，所以我们尝试使用这种网络结构来解决box推荐问题。这里的目标是，我们应该预测货物的订单，当他们被放入，以尽量减少最后的面积，这确实是我们必须解决的问题。传统的优化方法是不断尝试序列是什么，然后找到一个序列。通过使用机器学习或深度学习，我可以直接预测订单。当然，会涉及到很多数据。我们将使用历史数据。这里的输入数据是文章的长度、宽度和高度，输出数据是它的订单数据。中间有一些模型与机器翻译的模型网络结构非常相似。当然，当我们这样做的时候，我们也使用它的历史数据来训练，并且有5%的改进。尽管这种操作优化仍然是一个古老的领域，但是在人工智能时代，可以使用机器学习和深度学习的算法。

车辆路径规划

在物流业中有一个非常重要的问题，那就是车辆的路径规划。这个问题的定义其实很简单，即我们有一些需要服务的地理点、需要交付的包裹或需要收集的货物。它在地理上分布在不同的地方，我需要从一个综合中心发送几辆车来分别收集它们，或者分别发送这些货物或包裹。这个问题体现在两个层面:

首先，如何分配工作，哪些汽车应该分配给哪些服务，应该使用什么样的汽车。

第二，如何去每辆车和如何优化其路线，这类似于在仓库中挑选的优化路线。这种问题就是车辆路径规划问题。它有许多变种，如cvrp，也就是说，有些汽车重量有限。还有vrptw，也就是说，它有一个时间窗口限制。有vrppd，你去一个地方拿东西，然后去另一个地方送货。还有一些其他的组合，所以有很多问题，但是总的框架是相似的，这意味着我会把一些车送到一些服务点，然后如何到达每一辆车。这个问题在数学抽象中很清楚。

传统方法有两种:

首先，有一些精确的解决方案。当服务点超过100个时，这些算法通常很难在优先时间内解决；

其次，传统算法中有许多近似算法，如alns和vns，它们都是用于分水岭搜索的算法和遗传算法。现在一些前沿研究是如何将这些优化算法与一些深度学习的技巧结合起来。

我们已经为车辆路线规划开发了一个非常强大的引擎。如前所述，这是物流行业中常见的问题。从算法的角度来看，这里最重要的一点是在机器学习中使用一种思想。我想优化的每个问题都有不同的约束。例如，在农村地区，约束车辆的数量是恒定的，如果去掉它，可能会有一个时间窗。因此，每一类问题的约束是多种多样的。如果我单独做一个算法就好了，但是我很难使算法适应各种约束。此外，我们知道在机器学习和强化学习中将会有一些自适应的方法。我们将根据这个问题的特殊结构来确定如何解决这个问题。在这里，我们使用传统的强盗学习思想，并且会有一些不同的解决各种问题的方法。有一些操作员。我将试着看看你是否能把这个解决方案做得更好，并把一些解决方案转化成一种转变，看看你是否能做得更好。不同的问题和不同的策略会使它更快，所以我们将尝试它。例如，这次很好，下次我们会尝试其他方法。例如，两两交换不好，我可以尝试三重交换。经过这样的计算，每个人都会找到一个特定的算子，以及什么样的算子和算法是最好的。

我们也有很多应用案例，比如一些生鲜配送应用，农村淘宝，城市店铺配送，仓库提货路径优化。有许多应用场景，并且相同的算法引擎可以在许多场景中使用，因为它具有自适应学习过程。

大数据智能计费

让我们分享我们的大数据智能计费。在传统物流中，我们需要根据全国的流向收集包裹并分发。例如，我会根据北京、上海和广州的流向来分发它们，这些地方过去是由人分发的。如下图所示，一个人正在查看快递地址，然后将它放到相应的端口。全国可能有200多个港口，所以很难手工分类。在未来，我们肯定希望实现自动化。自动化更重要的一点是数字化。首先，我们需要数字化这个地址，然后对其进行编码。人们过去常常写代码，我会看这个地址。目前，菜鸟电子面板会在商家发货时写下相应的代码，操作者只需要看一下这个代码，非常方便，因为识别一个代码比手写地址更容易。

地址应该发送到哪个站点？一家快递公司要划分多少条规则？例如，深圳福田区的一家分公司，它服务于哪个地区？它有一些非常复杂的规则。你很难将这些规则数字化。我们使用了什么样的方法？我们使用大规模的机器学习方法。我不知道你的规则是什么，也不需要描述它们。我把它们挖出来。这是机器学习的一个非常简单的应用。我不知道你是怎么学会的。只要我有历史数据，我就可以通过机器学习的挖掘来使用它。将会有一些分词、地理围栏和规则的特性。我们用大数据模型来学习，最后把订单分成相应的点。

据雷锋说。中国有很多物流供应商和快递公司，很多配送公司都有自己的优势和劣势。每个公司在自己的地区都有不同的优势。

如上所示，左边的公司和右边的公司在交货时间上有所不同。可以看出，例如在北方，右边的公司不如左边的公司。

当一个企业想要送货时，它必须为每一条线做出选择。例如，如果业务在杭州，谁需要从杭州发送到上海，谁将从杭州发送到广州、北京和武汉，下面有很多分销公司。这是一个投资组合优化的问题。如何优化每条生产线的订单分配？这对于人来说是很难做到的，而且是简单和粗鲁的，他不会有事的。我们做了一个引擎，考虑到及时性、服务、成本等。一起检查所有因素，寻求最佳分配方案，然后自动为该商家提供智能交付解决方案。

我刚才提到了很多算法。我们是一家以技术为核心的互联网公司。我们希望通过整合社会物流来提高中国的物流水平。我希望积累的技术能够被全社会的物流企业所开发和利用，从而提高整个中国社会的物流水平。比如路径规划算法的引擎，我们已经和很多合作伙伴对接过了，刚才提到的推荐箱算法已经打开了，还有地址库，如何对地址进行分类，地址聚合的服务，标准化的服务，以及只能划分订单的算法，以及如何为每个配送公司划分订单。这些算法对所有物流合作伙伴开放。这样，我们可以提高中国物流的效率。

未来发展方向

从技术角度来看，我们认为未来的发展方向如下:第一点是从模型驱动方法到数据驱动方法。目前，传统的物流优化一般采用物流优化模型。物流优化一般都有一个目标函数，比如成本，然后我有约束条件，比如当天达成的订单比例，这个仓库的订单数量不能超过，这个车装载的东西数量不能超过。列出这些约束后，有必要解决它们。这是一种以模型为中心的解决问题的方法。

然而，在互联网时代积累了许多数据问题。

我们可能已经解决了很多问题。它们有一点不同，但是有很多地方是一样的。例如，在农村分配中，我每天想分配的村庄不会改变，但数量会改变。因此，我昨天解决的路径规划应该与我今天解决的路径规划有很大的关联。然而，在传统的模型驱动方法中，我失去了这种相关性，昨天我的解决方案是无用的。在我多次学习了同样的问题后，我应该能够总结出一些方法，这些方法将有助于我明天解决相同或相似的问题。这是通过使用数据驱动方法来解决问题。我们也用一些深度学习或机器学习的方法在这方面做研究，这确实是一个非常令人兴奋的方向，它确实给传统领域注入了一些新的活力。

第二类是算法必须产品化。不管算法有多深，如果不考虑各种各样的碎片，它都不会起作用，尤其是在物流行业。我想把它应用到实践中去，有很多环节需要不断的润色。就像刚才提到的路径规划算法一样，我们在运行过程中会得到很多反馈，我们会把这些反馈加回去。我们对算法进行平台化，不会为一个单一的问题解决一个算法，因为问题太多了，如果我们对每个问题分别建模，我们会在可伸缩性方面遇到很大的问题。刚才我也提到大部分算法已经对外开放，所以我们将来会继续努力向外界开放我们的算法和人工智能能力，以增强物流行业的智能。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。