DIST-001: 配送计划与路径优化

优先级: 🔴 高 | 技术复用度: 75% | 实施周期: 2-3周

客户原话

"我们每天要给20多个卫星厨房配送,但配送路线都是司机自己定的,绕来绕去,油费高,时间长。有时候一辆车装不满就出发了,浪费运力。有时候装太满,超载了,被交警罚款。配送时间也不准,说好9点到,结果10点才到,店长天天投诉。"

—— 某连锁餐饮中央厨房配送主管

业务场景描述

典型场景

场景1: 路线不优化

• 司机按自己习惯走,先送A店,再送B店,最后送C店
• 但实际上,先送B店,再送C店,最后送A店,路程更短
• 每天多跑20公里,多花50元油费
• 一个月多花1500元

场景2: 装载不合理

• 一辆车能装2吨,但只装了1.5吨就出发了
• 浪费0.5吨运力
• 另一辆车装了2.2吨,超载了,被罚款200元

场景3: 配送延迟

• 说好9点到,但路上堵车,10点才到
• 店长投诉,影响营业
• 没有实时监控,不知道车在哪里,什么时候能到

核心痛点

1. 路线不优化 - 司机凭经验走,路线不是最优
2. 装载不合理 - 装载率低或超载,浪费运力或被罚款
3. 时间不准 - 配送时间不准确,影响门店营业
4. 监控不到位 - 不知道车在哪里,无法实时调度
5. 成本高 - 路线不优化,油费高,人工成本高

业务流程图

配送计划整体流程

graph TB
    A[生产完成] --> B[生成配送需求]
    B --> C[按门店汇总]

    C --> D[门店A: 500kg]
    C --> E[门店B: 300kg]
    C --> F[门店C: 800kg]

    D --> G[车辆分配]
    E --> G
    F --> G

    G --> H[车辆1: 2吨]
    G --> I[车辆2: 3吨]
    G --> J[车辆3: 5吨]

    H --> K[装载优化]
    I --> K
    J --> K

    K --> L[车辆1: 门店A+B = 800kg]
    K --> M[车辆2: 门店C = 800kg]

    L --> N[路径优化]
    M --> N

    N --> O[车辆1: 中央厨房→门店A→门店B→中央厨房]
    N --> P[车辆2: 中央厨房→门店C→中央厨房]

    O --> Q[计算预计到达时间]
    P --> Q

    Q --> R[生成配送计划]
    R --> S[推送给司机]
    R --> T[推送给门店]

    S --> U[司机按计划配送]
    U --> V[实时定位]
    V --> W[到达门店]
    W --> X[扫码签收]
    X --> Y[完成配送]

路径优化流程

graph LR
    A[配送任务] --> B[门店A: 500kg]
    A --> C[门店B: 300kg]
    A --> D[门店C: 800kg]

    B --> E[获取门店坐标]
    C --> E
    D --> E

    E --> F[门店A: 116.4, 39.9]
    E --> G[门店B: 116.5, 40.0]
    E --> H[门店C: 116.3, 39.8]

    F --> I[计算距离矩阵]
    G --> I
    H --> I

    I --> J[中央厨房→门店A: 10km]
    I --> K[中央厨房→门店B: 15km]
    I --> L[中央厨房→门店C: 8km]
    I --> M[门店A→门店B: 12km]
    I --> N[门店A→门店C: 18km]
    I --> O[门店B→门店C: 20km]

    J --> P[路径优化算法]
    K --> P
    L --> P
    M --> P
    N --> P
    O --> P

    P --> Q[方案1: A→B→C, 总距离45km]
    P --> R[方案2: A→C→B, 总距离53km]
    P --> S[方案3: B→A→C, 总距离43km]
    P --> T[方案4: B→C→A, 总距离51km]
    P --> U[方案5: C→A→B, 总距离40km]
    P --> V[方案6: C→B→A, 总距离48km]

    U --> W[选择最优方案: C→A→B, 40km]

装载优化流程

graph TB
    A[配送需求] --> B[门店A: 500kg]
    A --> C[门店B: 300kg]
    A --> D[门店C: 800kg]
    A --> E[门店D: 600kg]

    B --> F[总重量: 2200kg]
    C --> F
    D --> F
    E --> F

    F --> G[可用车辆]
    G --> H[车辆1: 2吨]
    G --> I[车辆2: 3吨]
    G --> J[车辆3: 5吨]

    H --> K[装载方案计算]
    I --> K
    J --> K

    K --> L[方案1: 车1(A+B=800kg) + 车2(C+D=1400kg)]
    K --> M[方案2: 车1(A+D=1100kg) + 车2(B+C=1100kg)]
    K --> N[方案3: 车2(A+B+C=1600kg) + 车1(D=600kg)]

    L --> O[评估装载率]
    M --> O
    N --> O

    O --> P[方案1: 车1 40%, 车2 47%]
    O --> Q[方案2: 车1 55%, 车2 37%]
    O --> R[方案3: 车2 53%, 车1 30%]

    P --> S{选择最优方案}
    Q --> S
    R --> S

    S --> T[方案2: 装载率最均衡]

业务规则详解

规则1: 路径优化算法

优化目标:

1. 总距离最短
2. 总时间最短
3. 满足时间窗口约束

优化方法:
- 小规模(≤10个门店): 枚举所有可能路径,选择最优
- 中规模(11-50个门店): 启发式算法(如最近邻、2-opt)
- 大规模(>50个门店): 遗传算法、模拟退火等

时间窗口约束:
- 每个门店有要求的到达时间窗口
- 如门店A要求8:00-9:00到达
- 路径优化时,必须满足时间窗口

距离计算:

使用地图API计算实际道路距离:
- 不是直线距离
- 考虑道路限行、单行道等
- 考虑实时路况

示例:
门店A坐标: (116.4, 39.9)
门店B坐标: (116.5, 40.0)
直线距离: 约12km
实际道路距离: 约15km (通过地图API查询)

时间计算:

行驶时间 = 距离 / 平均速度

平均速度:
- 市区: 30km/h
- 郊区: 50km/h
- 高速: 80km/h

卸货时间:
- 每个门店: 15分钟

总时间 = 行驶时间 + 卸货时间 × 门店数量

示例:
总距离: 40km (市区)
门店数量: 3个
总时间 = 40/30 + 15×3 = 1.33 + 0.75 = 2.08小时 ≈ 125分钟

规则2: 装载优化规则

装载率计算:

装载率 = 实际装载量 / 车辆载重 × 100%

示例:
车辆载重: 2吨
实际装载: 1.5吨
装载率 = 1.5/2 = 75%

装载率标准:

优秀: 装载率≥80%
良好: 装载率70-79%
合格: 装载率60-69%
不合格: 装载率<60%

目标: 平均装载率≥75%

装载约束:

1. 不超载: 实际装载≤车辆载重
2. 不超体积: 实际体积≤车厢体积
3. 不超高: 货物高度≤车厢高度
4. 重量分布: 重货在下,轻货在上

超载处罚:
- 超载10%以内: 警告
- 超载10-20%: 罚款200元
- 超载>20%: 罚款500元,扣车

装载优化目标:

1. 最大化装载率
2. 最小化车辆数量
3. 平衡各车辆装载率

优化方法:
- 贪心算法: 优先装载重量大的门店
- 背包问题: 将门店需求看作物品,车辆看作背包
- 启发式算法: 先装载,再调整

规则3: 时间窗口规则

时间窗口定义:

每个门店有要求的到达时间窗口:
- 早餐门店: 6:00-7:00
- 午餐门店: 9:00-10:00
- 晚餐门店: 15:00-16:00

时间窗口类型:
- 硬时间窗口: 必须在时间窗口内到达,否则拒收
- 软时间窗口: 尽量在时间窗口内到达,可以适当延迟

时间窗口约束:

路径优化时,必须满足时间窗口:
1. 计算每个门店的预计到达时间
2. 检查是否在时间窗口内
3. 如果不在,调整路径或增加车辆

示例:
门店A时间窗口: 8:00-9:00
门店B时间窗口: 9:00-10:00
门店C时间窗口: 10:00-11:00

路径: C→A→B
出发时间: 7:00
到达C: 7:30 (不在时间窗口内,太早)
到达A: 8:15 (在时间窗口内)
到达B: 9:30 (在时间窗口内)

调整: 延迟出发时间到8:00
到达C: 8:30 (不在时间窗口内,太早)

调整: 改变路径为A→B→C
出发时间: 7:30
到达A: 8:00 (在时间窗口内)
到达B: 9:00 (在时间窗口内)
到达C: 10:00 (在时间窗口内)

规则4: 实时监控规则

GPS定位:

每辆车安装GPS设备:
- 每5分钟上报1次位置
- 实时显示在地图上
- 计算与目标门店的距离和预计到达时间

预计到达时间(ETA):
ETA = 当前时间 + 剩余距离 / 平均速度

示例:
当前时间: 8:30
当前位置: 距离门店A还有10km
平均速度: 30km/h
ETA = 8:30 + 10/30 = 8:30 + 0.33小时 = 8:50

延迟预警:

如果预计到达时间超出时间窗口,预警:
- 黄色预警: 延迟5-15分钟
- 红色预警: 延迟>15分钟

预警处理:
1. 推送给司机,提醒加快速度
2. 推送给门店,告知延迟
3. 推送给配送主管,协调处理

规则5: 配送考核规则

考核指标:

1. 准时率 = 准时到达次数 / 总配送次数 × 100%
   - 准时: 在时间窗口内到达
   - 目标: ≥95%

2. 装载率 = 平均装载率
   - 目标: ≥75%

3. 单位成本 = 总成本 / 总配送量
   - 成本包括: 油费、人工、车辆折旧
   - 目标: 降低10%

4. 客户满意度 = 门店满意度评分
   - 目标: ≥4.5分(满分5分)

考核奖惩:

准时率:
- ≥98%: 奖励300元/月
- 95-97%: 奖励150元/月
- 90-94%: 无奖励
- <90%: 扣除绩效100元/月

装载率:
- ≥80%: 奖励200元/月
- 75-79%: 奖励100元/月
- 70-74%: 无奖励
- <70%: 扣除绩效50元/月

数据流转

输入数据

1. 配送需求 (来自 PLAN-001)

   • 门店清单
   • 配送数量
   • 要求到达时间

2. 车辆信息

   • 车辆清单
   • 车辆载重
   • 车辆状态

3. 门店信息

   • 门店地址
   • 门店坐标
   • 时间窗口

4. 地图数据 (来自地图API)

   • 道路距离
   • 实时路况

输出数据

1. 配送计划 (给司机)

   • 配送路线
   • 配送门店
   • 预计到达时间

2. 配送通知 (给门店)

   • 配送时间
   • 配送数量
   • 预计到达时间

3. 配送监控 (给配送主管)

   • 车辆位置
   • 配送进度
   • 延迟预警

关键业务问题

问题1: 如何处理临时加单?

场景:

• 配送计划已经做好,门店临时加单

解决方案:

1. 动态调整: 重新计算路径和装载,插入新订单
2. 加派车辆: 如果现有车辆装不下,加派车辆
3. 延迟配送: 如果来不及,延迟到下一批次
4. 拒绝加单: 如果实在无法满足,拒绝加单

问题2: 如何处理路况变化?

场景:

• 路上突然堵车,无法按时到达

解决方案:

1. 实时路况: 使用地图API获取实时路况
2. 动态调整: 根据路况,动态调整路径
3. 提前通知: 预计延迟时,提前通知门店
4. 应急预案: 严重堵车时,改走其他路线

问题3: 如何处理车辆故障?

场景:

• 车辆半路故障,无法继续配送

解决方案:

1. 备用车辆: 调派备用车辆,转运货物
2. 分流配送: 将货物分流到其他车辆
3. 延迟配送: 如果来不及,延迟配送,通知门店
4. 应急维修: 快速维修,尽快恢复配送

问题4: 如何降低配送成本?

场景:

• 配送成本高,想降低

解决方案:

1. 路径优化: 优化路径,减少行驶距离
2. 装载优化: 提高装载率,减少车辆数量
3. 合并配送: 多个门店合并配送,减少趟次
4. 外包配送: 部分配送外包给第三方物流

实施要点

第一步: 采集基础数据

需要采集的数据:

1. 门店地址和坐标
2. 车辆信息(载重、车牌号)
3. 历史配送数据(路线、时间、成本)
4. 时间窗口要求

第二步: 配置优化算法

算法选择:

1. 路径优化: TSP算法(旅行商问题)
2. 装载优化: 背包问题算法
3. 时间窗口: 带时间窗口的VRP算法

参数配置:

1. 平均速度(市区、郊区、高速)
2. 卸货时间
3. 装载率目标
4. 时间窗口容忍度

第三步: 集成地图API

地图API选择:

1. 高德地图API
2. 百度地图API
3. 腾讯地图API

API功能:

1. 地理编码(地址→坐标)
2. 路径规划(计算距离和时间)
3. 实时路况
4. GPS定位

第四步: 安装GPS设备

设备选择:

1. 车载GPS定位器
2. 4G联网,实时上报
3. 电池续航≥7天

设备安装:

• 每辆车安装1个GPS设备
• 隐蔽安装,防止拆除
• 定期检查,确保正常工作

预期收益

量化指标

指标	当前	目标	提升
配送准时率	80%	95%	提升15%
平均装载率	65%	80%	提升15%
单位配送成本	基准	-15%	降低15%
平均配送距离	基准	-20%	缩短20%

业务价值

1. 成本降低 - 路径优化,减少行驶距离,降低油费
2. 效率提升 - 装载优化,减少车辆数量,提高效率
3. 服务提升 - 准时配送,提高门店满意度
4. 管理规范 - 实时监控,配送过程可视化

成功案例

案例: 某连锁餐饮中央厨房

背景:

• 20个门店,每天配送2次
• 配送路线由司机自己定,不优化
• 准时率只有75%
• 平均装载率只有60%

实施效果:

• 配送准时率从75%提升至93%
• 平均装载率从60%提升至78%
• 单位配送成本降低18%
• 平均配送距离缩短25%
• 车辆数量从8辆减少到6辆

客户反馈:

"以前司机自己定路线,绕来绕去,油费高,时间长。现在系统自动优化路线,又快又省。最重要的是,准时率提高了,门店不再投诉了。"

相关场景

• PLAN-001: 周度生产计划制定 - 配送需求来源
• DIST-002: 在途监控与异常处理 - 配送监控
• DIST-003: 签收确认与对账 - 配送完成
• COLL-001: 需求上报与确认 - 门店需求

常见问题

Q1: 如何处理多温区配送?

A:

• 冷藏、冷冻、常温需要不同车辆
• 路径优化时,按温区分组
• 每个温区独立优化路径
• 或者使用多温区车辆

Q2: 如何处理返程配送?

A:

• 配送完成后,可以顺路回收门店的废弃物
• 路径优化时,考虑返程任务
• 提高车辆利用率

Q3: 如何处理高峰期配送?

A:

• 高峰期(如节假日)需求增加
• 提前增加车辆和司机
• 优化路径,提高效率
• 或者分批次配送

Q4: 如何与现有系统集成?

A:

• 如果有TMS系统,优先从TMS获取配送需求
• 路径优化可以在本系统中实现
• 配送计划可以推送回TMS
• 通过API接口实现数据同步