在钢铁物流行业信息化转型的过程中,行业内出现的许多顽固问题仍未得到有效解决,例如车辆超载、订单逾期、货物积压等问题。究其原因是大宗物流运力资源时空分布不均匀。传统的车货匹配方法以每辆卡车装载重量最大化为目标,在分配运输任务的过程中未关注货物订单的优先级,货物的仓库存储期限以及司机对于满意度等重要信息,阻碍了钢铁物流的降本增效进程。鉴于此,针对钢铁物流行业中面临的高优先级货物积压、运力资源利用率低等问题,本文提出了两种高效的车货匹配方法。首先,通过对钢铁物流大量车货匹配真实数据的分析,提取了和分货过程相关的装载规则,在此基础上,针对高优先级货物积压引发的客源损失与经济损失问题,提出了以高优先级货物发运占比最大化为目标的车货匹配方法。通过利用改进的遗传算法对货物按数量进行拆分组合、封装处理生成装车清单。以最大化高优先级货物发运量占比为优化目标,在各个时间窗口结构内采用广度优先搜索算法,实时产生货物车货匹配决策结果。此外,针对运力资源流失以及低利用率等因素加剧的货物积压问题,提出了结合匹配度的重量最大化车货匹配方法。以货物发运总量最大化为目标,对待运输货物按订单进行拆分组合、封装处理生成装车清单,减少了未完成订单的尾单数量;为提升平台的长期收益,利用强化学习技术自适应地调整时间窗口大小,并运用二部图最大权匹配技术实现车货实时匹配。本文主要工作包括以下几个方面:·本文分析了当前物流平台使用的车货匹配方法和模块机理,结合车货匹配功能的实际运行情况和海量历史数据分析结果,明确了钢铁物流中车货匹配面临的问题;本文归纳了当前车货匹配的发展现状,对车货匹配现有方法进行了梳理,分类阐述国内外各种车货匹配方法的原理,深入分析其不能直接沿用于钢铁物流场景的缘由,为钢铁物流平台的车货匹配提供新的技术思路。·针对高优先级货物积压引起了严重经济损失的问题,本文提出了基于高优先级货物发运占比最大化的车货匹配方法,提出了改进的遗传算法为车辆产生可行的装载方案候选集,根据各时间窗口内车辆与货物的多对多关系构建图结构,通过广度优先算法在实时场景完成以高优先级货物发运占比最大化为目标的车货匹配。·针对因运力流失而加剧的尾货积压问题,本文提出了结合匹配度的发运重量最大化车货匹配方法,首先以货物发运重量最大化为目标对运输货物进行封装,确保了订单剩余尾单数量最少的目标,随后以高匹配度为优化目标使用二部图匹配算法完成车辆与货物的匹配,此外为保证物流平台的长期收益,设计了时间窗口自适应策略,在满足货物发运最大化的同时,确保车辆和货物的实时高匹配度。