2017年7月7日至9日，CCF-GAIR人工智能与机器人技术峰会在深圳成功召开，由CCF中国计算机学会、雷锋网和香港中文大学联合主办。企业聚集在一起的智能科技产业盛会。
    
     朱立军，新手网络高级算法专家，在大数据时代的CCF-GAIR 2017物流优化大会上发表演讲，重点关注新手网络的物流发展。D为戈德曼萨克斯、亚马逊、脸谱网和其他公司工作。他于2014回到阿里巴巴领导新店在线仓库分销供应链的算法团队。
    
     以下是朱丽君演讲速记全文。雷锋。com（公众号：雷锋）。COM）是在原意不变的基础上编写的。
    
     我来自新手网络，我将与大家分享大数据时代的物流优化问题，我们做物流优化遇到了很多问题。对于传统的运筹学优化问题，在大数据时代已经赋予了很多新的意义，我们在这方面做了很多研究，在运筹中遇到了很多有趣的问题，在此过程中，我学到了很多经验与大家分享。
    
     首先介绍了菜鸟网络。新手网络是一个物流平台，它与物流伙伴合作，为消费者和企业提供物流服务，包括快递、仓储配送网络、跨国界、终端网络和农村物流网络。如果这些节点，如仓库和配送，然后一公里，我们仍然使用社会物流资源，是我们的合作伙伴的资源，但是新手网络在这个方面将起到全局优化的作用。
    
     刚才说我们的特色之一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，但是我们是互联网公司，是数据公司，所以数据是核心，技术是核心，许多传统的物流选项。网络时代的更小化问题被赋予了许多新的含义，而大数据量和大算法是其核心。
    
     在大数据时代，我们物流优化问题的新含义是什么经过研究，我们发现许多物流优化问题的性能要求比以前大得多，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的，明天再用，现在是实时的，因此对该算法提出了很大的挑战。
    
     此外，机器学习和人工智能已经被提升到很高的水平。在物流领域，以往采用传统的运筹学优化理论和算法。在大数据时代，这两者需要更好的集成。我们更近研究的另一个问题是如何利用机器学习来解决传统的物流优化问题，这也是学术界一个非常具有挑战性的新方向。他的过程。
    
     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。我们有一些客户在全国或世界各地都有区域销售。我们应该选择什么仓库位置，在哪些仓库中存储货物，在哪些仓库中从供应商运输到仓库，然后在哪里运输到用户。M
    
     为什么我们认为它在这个大数据时代有了新的意义在阿里的电子商务平台上，商家实际上是对自己的商品负责，在他使用自己的仓库网络之前，我们会对每个商家进行优化，例如，经过优化后，一些商品可以放在新手仓库中，以帮助其分发，它会覆盖一些范围。e.
    
     例如，深圳的一个商人以前可能在深圳有一个仓库。北京的用户需要远程发送货物。但是新秀们在北京有一个仓库。我们可以推荐这个商家把我们的仓库存放在北京附近。有很多优化目标要考虑。除了成本，我们还要考虑及时性，第二天的经验对于用户来说非常重要，还有商店的成本，也就是从供应商到w.我们通常用一个混合规划模型来解决这个问题，所以速度很快，我们专门设计了一些算法来解决这个问题。THM将有一定的局限性。
    
     当商家选择我们的仓库时，我们必须告诉他们如何分配仓库，我想在北京存储多少，我想在上海存储多少。这似乎很简单，但事实并非如此。即使我使用机器学习模型根据历史数据预测北京和上海的销售额。多少，这还不够，因为机器学习模型有很多不确定性，它预测未来的销售额会波动很多，我们也知道会有很多优点。议案，特别是在中国的商会，这种波动会变得更大，我们如何将这些波动考虑在内，使我们在一些不确定的情况下，我可以保证补货的数量会更合适，不会出现短缺货物，不会有滞销的情况。所以我们应该考虑商店的成本，储存的成本，然后我们应该考虑定期补货，无论是每周一次，还是每周一次，或者每月一次，都是更好的。更重要的是要考虑销售量的波动性。因为销售非常不稳定。
    
     然后，在确定总补货量后，利用鲁棒优化算法建立模型，计算各个仓库的补货量。这种算法也适用于每个商品，每个商家都是个性化计算，所以这也是一个难点。
    
     在仓储领域，我们知道，在用户订单之后，仓库里会有仓库人员，在仓库货架上走来走去，从用户手中拿起订单，然后把它们打包给用户。任务分段是指应该给哪个人分配什么顺序，以及如何给这个人分配路线优化。这两个问题是集成的，这与车辆路径问题类似。这里的困难在于，尤其是在像电子商务这样的平台，其中不断发出订单，我们需要知道我什么时候要作出决定，哪个订单爆炸给一个工人，并让他挑选由于仓库的工作基本上是串联的，中间不能停止，所以需要快速计算下一个任务给谁，然后不断下订单。d，这是一个非常动态的问题，所以用一些传统的运筹学优化算法来解决这个问题比较困难。
    
     在仓储领域还有一个有趣的问题，您可能认为它看起来很简单，但除此之外，它就是盒子推荐。例如，用户在这个网站上购买8件、8件或10件物品是正常的。这些项目有其长度、宽度和重量。我知道我仓库里箱子的大小以及它们能携带多少。问题是，现在下订单，我想知道这些东西是什么。为什么把它们放在哪个箱子里，或者更大的箱子里，或者我要放哪个箱子里，那么重要呢如果它可以包装在一个盒子里，那就是一个盒子，如果我把它分成两个盒子，它就需要两个盒子来运输，增加了配送成本，而且这个盒子的包装很浪费，所以算法可以起到很大的空间。在学术界，打卡问题是一个非常困难的问题，其限制是当事物聚集在一起时，盒子的长度、宽度和高度不能高于盒子的长度、宽度和高度，这是每个人都能想到的约束。构造性算法，也就是，我尝试各种不同形式的布局，或者不同的布局顺序，然后我们需要在这里进行一些语言启发，也就是说，集成一些启发式算法，进行一些分层的算法设计。算法可能不能算出，因为我们需要很短的时间来计算这个，在发出计算命令的过程中，如果不算出，以后会卡住，所以算法非常具有挑战性。
    
     在我们解决了这个问题之后，我们自己考虑了这个问题。这里有一个重要的限制，就是货物堆积在一起，其长度和宽度不能高于箱子的长度和宽度。然后我们问自己，这个约束是必要的吗事实上，不是。因为我们可以根据历史数据重新分析每个仓库如何准备箱子，所以这实际上是一个新问题。我们提出了一个新问题，这是传统学术界在历史上没有做过的，因为电子商务积累了如此多的商品数据和订单。顺序，它们的长度，宽度和高度是多少，有一个分布，我知道，我可以从数据的角度推断出盒子的更佳形状。正如我刚才所说的，如果我给出盒子的长度和宽度，我会解决这个问题。这实际上是一个非常困难的问题，在这里我们不能使用传统的梯度优化算法，梯度下降法来做，因为无法计算梯度是什么，所以我们做了一些无梯度的算法。
    
     由于该问题的特殊性，对盒的长度、宽度和高度没有太多的约束，因此我们可以做一些无梯度的优化算法，对每个盒的长度和宽度进行一些分割参数空间，然后看更终的总成本函数大约是h。小规模搜索，然后将平衡全局搜索和局部搜索。要找到更优解，成本也是非常经济的。这里有一个提示。在物流行业，您已经多次很好地完成了一个算法，但是找到可以突破的约束可能更重要。
    
     我们进一步研究这一问题，因为传统的优化问题一般采用运筹学中的方法，如整数规划问题或一些启发式算法。新思想可以用于传统问题。例如，在机器翻译领域，我们使用了一些传统的机器学习方法。后来，有人提出用深层神经网络方法用LSTM的网络结构进行机器翻译，这种网络结构用于解决箱子推荐问题，其目的是预测货物投放的顺序，使更终的面积更小。传统的优化方法是不断地寻找顺序，然后寻找一个序列，通过机器学习或深入学习，我可以直接预测该序列。当然，它涉及大量的数据。我们可以使用历史数据。这里的输入数据是项目的长度和宽度，输出数据是序列数据，有些模型在机器翻译方面具有不同的网络结构。定量优化研究还比较古老，在这个人工智能时代，机器学习和深度学习算法确实可以采用。
    
     在物流业中，车辆路径问题是一个非常重要的问题，这个问题的定义非常简单，也就是说，我们有一些地方需要按地理位置服务，需要交付包裹，或者需要收集货物。它分布在不同的地方，我需要从一般中心派几辆车来分别收集、调度或调度这些货物。
    
     其次，车辆路径优化问题与仓库拣选优化问题类似，是车辆路径优化问题中的一个大类，它有很多变体，如CVRP，这意味着一些车辆是有限的。时间窗口约束。和VRPPD，您去一个地方取东西，然后去另一个地方交付。还有一些其他的组合，所以问题很多，但是总体框架仍然非常相似，只是我想将一些汽车发送到一些服务点，然后每个服务点如何汽车走了，问题在数学上更抽象了。
    
     首先，存在一些精确解，当服务点超过100个时，这些精确解通常很难在优先级时间内解决。
    
     其次，传统算法中有许多近似算法，如ALNS、VNS、分水岭搜索算法和遗传算法，如何将这些优化算法与一些深度学习技术相结合是目前研究的前沿课题。
    
     我们开发了一个非常强大的车辆路径规划。因为刚才提到的是物流行业经常出现的问题，我们从算法层面来说，这里更重要的就是使用机器学习的思想。我想优化的每个问题都会有不同的约束，比如e农村，受限车辆的数量不变，如果外出，可能有时间窗，所以每种类型的问题约束还是多种多样的，我想做单独的算法，但是我要算法适应各种各样的约束，是很困难的。在机器学习和强化学习中提出了一些自适应方法。我们将根据问题的特殊结构来认识如何解决这个问题。这里我们使用更传统的土匪学习思想。对于各种各样的问题，有些操作员会有不同的解决方案。我会试着看看我能否在2-2交换和3-3交换中做得更好。我会改变一些解决办法来看看我是否能做得更好。不同的问题，不同的策略会使征求更快，所以我们会尝试，例如，这次很好，下次会尝试其他方式，例如，二二二交换不好，我可以尝试三三交换，这样每个除法会找到一个具体的算子，到底什么样的算子，算法更优秀。
    
     我们的应用案例也很多，比如一些新鲜的配送应用，农村淘宝网，城市商店配送，仓库选择路径优化。
    
     这里我们共享了大数据智能子模块。传统的物流情况是我们需要收集包裹，按照国家的流向，例如，我将按照北京、上海、广州的流动方向划分，在人们划分之前，如下低于这个数字，有一个人看了快件地址，然后把它放进相应的港口，这个国家可能有200多个港口，手工分拣起来很难。将来我们一定要自动化。自动化的一个更重要的方面是数字化。首先我们需要把这个地址数字化，然后编码。我用手写一个代码，我会看看这个地址。现在，新手电子脸谱，当商人送货时，会写相应的代码，操作员只需要看这个代码，非常方便，贝卡。使用标识代码比识别手写地址更容易。
    
     哪个站点应该被传送到地址快递公司有很多规则要划分，比如深圳福田区，它要为哪个地区服务，它有一些非常复杂的规则，这些规则很难数字化，我们用什么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，我挖掘它，这是一个非常简单的机器学习应用，所以我不知道你如何学习，我只有历史数据，我可以通过机器学习挖掘使用它。e分词、地理篱笆的特征以及规则的特性，我们采用大数据模型学习，并更终将其排序到其对应点。
    
     据Leifeng说。com，中国有很多物流供应商，很多快递公司，很多配送公司都有自己的优势和劣势，每个公司都有不同的区域优势。
    
     如上所示，左公司和右公司，其分布时差，你可以看到，例如在北方，右公司不如左公司。
    
     当一个商人想要运送货物时，它必须为每一条路线做出选择。例如，如果一个商人想把货物从杭州、杭州运到上海，谁将货物从杭州运到广州、北京和北京，那么就有许多分销公司。这是一个组合优化问题。我怎样处理每一行路，用什么样的比例来分配我的订单来更终优化，这件事很难与人相处，而且简单而粗糙，他不会对每条线怎么样都好，但对于算法怎么办，就会很好。nto帐户，检查所有因素一起找到更优分配方案，然后自动向商家提供智能航运解决方案。
    
     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整个中国的物流水平。积累的技术，希望能够向整个社会的物流公司开放，可以提高整个中国社会的物流水平。算法，我们已经和多个合作伙伴对接，前面提到的框推荐算法已经打开，有地址库，如何分类地址，地址聚合服务，标准化服务，只有一个算法，对于每个分销公司如何划分这些算法对所有物流合作伙伴都是开放的，从而提高了中国物流的效率。
    
     从技术角度来看，我们认为未来将会是这样的：第一点是从模型驱动的方法到数据驱动的方法。rch优化一般都会有一个目标函数，比如成本，然后我有约束条件，比如到达订单日期的比率，仓库的订单数量不能超过这辆车的数量不能超过东西的数量，这些约束条件列出来之后我们需要解决，即以模型为中心的解决问题的方法。
    
     一种问题可以解决很多，他们有点不同，但是有很多地方是相同的，比如农村分布，我必须每天分配村点实际上不会改变，但数量会改变，所以我解决了昨天的路径规划和今天的路径规划应该是非常相关的，而通过模型驱动的整个系统的方法已经失去了相关性。我昨天的解决方案是无用的。在解决了几次同类问题之后，我应该能够总结出一些方法，这些方法可以帮助明天解决相同的问题或类似的问题，使用数据驱动方法来解决问题。我们也会在一些深度学习或机器中这样做。NE的学习方法，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新的活力。
    
     第二，算法必须是面向积的，不管算法有多深，如果不考虑各种边和角，就不能工作。尤其在物流行业中，在实际应用中，有许多环节需要不断完善。如前所述，路径规划算法在运行过程中会收到大量的反馈，我们将这些反馈进行反馈。针对单个问题给出一个算法，因为问题太多，所以单独对每个问题进行建模在可伸缩性方面会遇到很大的问题。开放我们的算法能力，我们的人工智能能力，并增强物流行业的智能。