考慮協(xié)同配送的兩階段車貨匹配推薦系統(tǒng)

摘要：針對(duì)現(xiàn)代物流業(yè)務(wù)不斷多樣化和細(xì)分化導(dǎo)致傳統(tǒng)的車貨匹配方法和配送方式難以滿足配送需求的問題，文章提出將大件貨物與應(yīng)急零散貨物結(jié)合進(jìn)行協(xié)同配送，構(gòu)建以車主收益最大為目標(biāo)的兩階段車貨匹配推薦模型，充分利用貨物階段性送達(dá)產(chǎn)生的的剩余空間，并且在模型中考慮時(shí)效、期望、激勵(lì)、貨損等現(xiàn)實(shí)因素提高模型可實(shí)施性。為了獲得不同貨種間協(xié)同配送的最優(yōu)匹配推薦方案，提出一種改進(jìn)的人工兔優(yōu)化算法（ARO）進(jìn)行求解，通過引入混沌反向?qū)W習(xí)、模擬退火和自適應(yīng)擾亂因子提升性能，然后通過仿真實(shí)驗(yàn)驗(yàn)證模型和算法的有效性，最后基于供需雙方偏好的構(gòu)建車貨推薦系統(tǒng)為其推薦配送方案。

關(guān)鍵詞：車貨匹配；兩階段； ARO;混沌映射；反向?qū)W習(xí)；模擬退火；擾亂因子

中圖分類號(hào)： F253;U492.3 文獻(xiàn)標(biāo)志碼：A" DOI： 10.13714/j.cnki.1002-3100.2023.20.019

Abstract： Aiming at the problem that the traditional vehicle-cargo matching method and distribution method cannot meet the distribution demand due to the continuous diversification and subdivision of modern logistics business， it is proposed to combine large-scale cargo with emergency scattered cargo for collaborative distribution， and build a car owner's profit maximization.The two-stage vehicle-cargo matching recommendation model makes full use of the remaining space generated by the staged delivery of goods，and considers timeliness， expectations， incentives，cargo damage and other realistic factors in the model to improve the implementability of the model. In order to obtain the optimal matching recommendation scheme for collaborative delivery among different types of goods，an improved Artificial Rabbit Optimization Algorithm （ARO） is proposed to solve it， and the performance is improved by introducing chaotic anti-learning，simulated annealing and adaptive disturbance factors， and then through simulation experiments to verify the effectiveness of the model and algorithm，and finally build a vehicle and cargo recommendation system based on the preferences of both the supply and demand sides to recommend a delivery plan.

Key words：vehicle-cargomatching：two-stage;ARO;chaoticmapping：reverse learning; simulated annealing： disturbance factor

0引言

近年來，隨著物流行業(yè)的不斷發(fā)展，車貨匹配技術(shù)也得到了快速的發(fā)展，并成為物流企業(yè)提高運(yùn)輸效率和降低運(yùn)輸成本的重要手段。車貨匹配是一種將貨物和車輛進(jìn)行精準(zhǔn)匹配的技術(shù)，是物流行業(yè)的重要組成部分。在傳統(tǒng)的物流模式中，貨物通常需要通過中間商或物流企業(yè)來運(yùn)輸，這種模式存在著運(yùn)輸時(shí)間長、運(yùn)輸成本高、信息不透明等問題。而車貨匹配技術(shù)通過利用信息技術(shù)手段，將貨物和車輛進(jìn)行直接匹配，可以大幅提高物流運(yùn)輸?shù)男屎徒档瓦\(yùn)輸成本。XIE Kunwei等\"把車貨匹配應(yīng)用到應(yīng)急救援中，研究了應(yīng)急車輛與待運(yùn)輸物資之間的一對(duì)多雙邊匹配問題，基于配送雙方的滿意度構(gòu)建應(yīng)急車輛匹配優(yōu)化模型并通過改進(jìn)的NIMP算法求解驗(yàn)證了災(zāi)害背景下車貨匹配的可行性。ZHONG Jiuwu等把推薦系統(tǒng)應(yīng)用到車貨匹配中，通過基于內(nèi)容和標(biāo)簽的協(xié)同過濾算法對(duì)貨主推薦貨車司機(jī)。SHANTHIT 等鑒于現(xiàn)有車貨匹配在訂單和發(fā)貨細(xì)節(jié)等數(shù)據(jù)的存儲(chǔ)安全上存在不足，提出將區(qū)塊鏈應(yīng)用到匹配過程之中，通過深度信任網(wǎng)絡(luò)（DBN）選擇合適的車輛和貨物。倪少權(quán)等提出了一個(gè)多目標(biāo)優(yōu)化的多方匹配模型，該模型同時(shí)考慮了送達(dá)時(shí)效滿意度、貨運(yùn)成本和平臺(tái)收益，通過改進(jìn)的遺傳算法求解得到滿足供需雙方以及平臺(tái)的綜合匹配方案。研究者們采用了不同的方法對(duì)車貨匹配問題進(jìn)行了研究，不僅提高了車輛和貨物匹配的效率，還為物流企業(yè)提供了理論參考。

現(xiàn)有研究將貨物和合適的車輛進(jìn)行匹配，實(shí)現(xiàn)更高效、更節(jié)約、更可靠的物流運(yùn)輸。但是現(xiàn)代物流業(yè)務(wù)日益多樣化和細(xì)分化，物流配送的需求量以及配送方式也不斷增多，所以如何高效地整合多種配送方式以及考慮不同種類貨物間的配送關(guān)系以最大程度地降低物流成本和提高配送效率，成為現(xiàn)代物流行業(yè)需要解決的一個(gè)重要問題。王爽等⑥提出一種眾包車輛和物流公司協(xié)同配送模式，通過引入眾包物流概念緩解配送運(yùn)能不均問題并通過閑置資源的充分利用降低運(yùn)輸成本提高運(yùn)輸效率。王思睿等針對(duì)貨物之間的異質(zhì)性導(dǎo)致的聯(lián)合運(yùn)輸成本高問題，構(gòu)建了一種異質(zhì)貨物協(xié)同補(bǔ)貨配送優(yōu)化模型并通過實(shí)驗(yàn)驗(yàn)證通過協(xié)同配送策略可以節(jié)約配送成本。劉長石等M考慮到疫情期間應(yīng)急物資供應(yīng)成本高、配送困難，提出了一種卡車與無人機(jī)結(jié)合的協(xié)同配送模式，該模式不僅在風(fēng)險(xiǎn)區(qū)進(jìn)行無接觸式配送還有效縮短了應(yīng)急物資配送時(shí)間。

本文受上述研究的啟發(fā)，通過研究不同種類貨物之間的聯(lián)合配送方法，提出了一種大件貨物與應(yīng)急零散貨物協(xié)同配送的兩階段車貨匹配方法及推薦系統(tǒng)，本文的主要研究意義如下。

在大件貨物優(yōu)先配送的基礎(chǔ)上，利用貨物階段性送達(dá)產(chǎn)生的剩余空間，進(jìn)行應(yīng)急零散貨物的二階段車貨匹配，提高貨車運(yùn)輸效率和收益，并給應(yīng)急零散貨物提供額外配送資源。

把車貨匹配和協(xié)同配送進(jìn)行結(jié)合，并在模型中加入激勵(lì)、補(bǔ)貼、懲罰和貨損等因素以貼合實(shí)際，提高模型可實(shí)施性。整合需求偏好和匹配模型構(gòu)建車貨推薦系統(tǒng)，為供需雙方提供多種配送方案。

1模型構(gòu)建

1.1問題描述

大件貨物接貨中心存在待配送貨物若干，待配送貨車若干，同城存在待配送應(yīng)急零散貨物若干。貨物具有不同的目的地以及重量、體積和種類等，貨車具有不同的速度、載重和空間等?，F(xiàn)要對(duì)貨車和貨物進(jìn)行車貨匹配，在完成大件貨物配送的要求的基礎(chǔ)上盡可能多配送應(yīng)急零散貨物，在匹配過程中綜合考慮配送時(shí)間、成本、收益、補(bǔ)貼、貨損等因素生成貨車的接貨匹配方案，最大化配送收益。車主和貨主的匹配流程如圖1所示。

1.2模型假設(shè)

為了方便構(gòu)建數(shù)據(jù)模型針對(duì)上述問題做出如下假設(shè)：一是，接貨中心貨車數(shù)量足夠配送所有大件貨物；二是，貨物裝卸要求通過重量和空間計(jì)算；三是，應(yīng)急零散貨物時(shí)間緊迫，貨車接到應(yīng)急貨物之后需要立即配送；四是，貨物時(shí)間窗要求分為期望送達(dá)時(shí)間和最遲送達(dá)時(shí)間，在最遲送達(dá)時(shí)間內(nèi)送到就可交貨，但是超過期望送達(dá)時(shí)間就會(huì)產(chǎn)生懲罰；五是，貨物信息匹配前可知并且不可變。

1.3符號(hào)說明

本文模型構(gòu)建需要的符號(hào)及其說明如表1所示。

1.4模型建立

本文的車貨匹配模型分為兩個(gè)階段，第一階段以配送收益最大為目標(biāo)，對(duì)貨車和大件貨物進(jìn)行車貨匹配。第二階段以配送收益最大為目標(biāo)，對(duì)裝有大件貨物的貨車與應(yīng)急零散貨物進(jìn)行車貨匹配，平衡應(yīng)急零散貨物的運(yùn)費(fèi)、補(bǔ)貼和大件貨物的期望送達(dá)時(shí)間和激勵(lì)。

1.4.1一階段目標(biāo)分析

1.4.1.1貨物貨款

貨物貨款包括基本貨款P， 和按時(shí)送達(dá)的激勵(lì)E 。當(dāng)貨物在期望時(shí)間內(nèi)送達(dá)，車主可以獲得額外的激勵(lì)，否則只能獲得基本貨款。

1.4.1.2 配送成本

一階段配送成本包括運(yùn)輸成本C 、特種貨物貨損C 、裝卸成本C 、折舊C 、時(shí)間成本C 。總成本C如式（1）所示。

運(yùn)輸成本C， 由發(fā)車成本和油費(fèi)構(gòu)成，不同車型具有不同的發(fā)車價(jià)格和單位油費(fèi)，計(jì)算如式（2）所示。

特種貨物貨損C。分為四類： C?、C 、C?、C 。C?為普通貨物，沒有貨損。C?為危險(xiǎn)品，在貨車中待的時(shí)間越長貨損越大。C?為活體貨物，在貨車中待的時(shí)間超過閾值之后貨損會(huì)劇烈上升。C?為貴重貨物，貨物不僅具有持續(xù)貨損，還存在額外的基礎(chǔ)貨損。計(jì)算公式如（3）所示。

裝卸成本C;通過貨物的重量和體積與單位裝卸成本cl計(jì)算得到，計(jì)算公式如式（4）所示。

折舊C：為單次運(yùn)輸折舊費(fèi)，貨車配送一次貨物就產(chǎn)生一次折舊費(fèi)，計(jì)算公式如式（5）所示。

時(shí)間成本C;為貨車從開始配送到全部貨物送達(dá)產(chǎn)生的時(shí)間成本，貨車配送過程中每個(gè)單位時(shí)間就會(huì)產(chǎn)生c的;成本，計(jì)算公式如（6）所示。

1.4.2 一階段模型建立

一階段模型為多車對(duì)多貨的多對(duì)多匹配模型，優(yōu)化目標(biāo)為最大化接單貨款Z 和最小化配送成本Z2， 模型如式（7）—（12）所示：

式（9）表示貨物重量不能超過貨車額定載重，式（10）表示貨物空間不能超過貨車額定容積，式（11）表示貨物必須在期望時(shí)間內(nèi)送達(dá)，式（12）表示貨物不可拆分。

1.4.3二階段目標(biāo)分析

1.4.3.1貨物貨款

貨物貨款包括基本貨款p 、貨主紅包激勵(lì)E 、特殊路段補(bǔ)貼SD 、大件貨物按時(shí)送達(dá)激勵(lì)E 。當(dāng)貨物在期望時(shí)間內(nèi)送達(dá)，車主可以獲得紅包激勵(lì)，否則只能獲得基本貨款。當(dāng)應(yīng)急散貨配送路段包含特殊路段時(shí)會(huì)獲得路段補(bǔ)貼。

1.4.3.2 配送成本

二階段配送成本包括運(yùn)輸成本C 、超時(shí)懲罰C 、特種貨物貨損C 、裝卸成本C 、折舊C 、特種貨物貨損C 、時(shí)間成本C?？偝杀綜如式（13）所示。

二階段運(yùn)輸成本C。僅含有油費(fèi)，計(jì)算如式（14）所示。

超時(shí)罰款C 用來平衡大件貨物的按時(shí)送達(dá)激勵(lì)和應(yīng)急貨物的配送貨款，為了提升大件貨物的配送優(yōu)先級(jí)對(duì)大件貨物的超時(shí)進(jìn)行額外懲罰，計(jì)算公式如（15）所示。

特種貨物貨損C 分類同一階段相同，但是在二階段需要同時(shí)考慮大件貨物和應(yīng)急零散貨物的特種貨物貨損。計(jì)算公式如（16）所示。

裝卸成本C;與一階段計(jì)算方法相同，計(jì)算公式如式（17）所示。

折舊C：為單次運(yùn)輸折舊費(fèi)，計(jì)算方式和一階段模型的折舊費(fèi)相同，公式同式（5）。

特殊路段折損C，為車輛經(jīng)過特殊路段的固定折損費(fèi)，應(yīng)急貨物配送路徑中含有特殊路段就會(huì)產(chǎn)生折損，計(jì)算公式如式（18）所示。

時(shí)間成本C，為貨車從開始送達(dá)到全部貨物送達(dá)產(chǎn)生的時(shí)間成本，貨車配送過程中每過單位時(shí)間就會(huì)產(chǎn)生c，的成本，計(jì)算公式如（19）所示。

1.4.4 二階段模型建立

二階段模型為多車對(duì)多貨的多對(duì)多匹配模型，優(yōu)化目標(biāo)為最大化接單貨款Z 和配送成本Z， 模型如式（20）—（26）所示。

式（22）表示應(yīng)急散貨重量不能超過貨車剩余載重，式（23）表示應(yīng)急散貨空間不能超過貨車剩余容積，式（24）表示大件貨物必須在最遲配送時(shí)間內(nèi)送達(dá)，式（25）表示貨物不可拆分，式（26）表示應(yīng)急貨物接單之后需要直接配送。

2算法設(shè)計(jì)

2.1算法選擇分析

本文提出的模型是兩階段的多車與多貨的匹配模型，結(jié)合模型特點(diǎn)選取人工兔優(yōu)化算法ARO°作為模型求解的基礎(chǔ)算法，并在算法的初始化種群階段通過circle混沌映射四和反向?qū)W習(xí)叫進(jìn)行優(yōu)化，在搜索最優(yōu)解階段使用模擬退火策略進(jìn)行調(diào)優(yōu)。 ARO 算法是一種群智能算法，它模擬了兔子在自然界中的行為，通過迭代更新群體中每個(gè)個(gè)體的位置來尋找最優(yōu)解。該算法適用于多變量、非線性和多峰函數(shù)優(yōu)化問題，同時(shí)具有較好的全局搜索能力和快速收斂的特點(diǎn)。對(duì)于多對(duì)多的車貨匹配問題，求解時(shí)可以將車輛和貨物看作不同的兔子個(gè)體，并根據(jù)目標(biāo)函數(shù)更新它們的位置和速度，從而進(jìn)行車貨匹配。

2.2 算法改進(jìn)策略

為了改善ARO算法由于初始種群的隨機(jī)性導(dǎo)致求解的不穩(wěn)定和容易陷入局部最優(yōu)解等問題，本文選取混沌和反向?qū)W習(xí)融合改進(jìn)初始種群，并使用模擬退火策略對(duì)算法得到的最優(yōu)解進(jìn)行調(diào)優(yōu)，從而提高算法的搜索性能和精度。

2.2.1混沌反向?qū)W習(xí)初始化

對(duì)隨機(jī)生成的初始種群先進(jìn)行circle混沌映射，獲得優(yōu)化映射后的種群。映射公式如式（27）所示。

式中： a 和b為circle映射系數(shù)， x， 為初始種群個(gè)體， x 為混沌映射后的個(gè)體。

再根據(jù)反向?qū)W習(xí)策略生成一個(gè)反向種群，然后從兩個(gè)種群中分別取出個(gè)體進(jìn)行適應(yīng)度計(jì)算，最后把適應(yīng)度更高的個(gè)體放到最終的初始化種群中，得到改進(jìn)后初始解。

2.2.2 融合模擬退火策略

在ARO 算法每次迭代后利用模擬退火策略進(jìn)行調(diào)優(yōu)。在求得的基礎(chǔ)解的領(lǐng)域內(nèi)隨機(jī)選擇新解并計(jì)算適應(yīng)度值，通過 metropolis 準(zhǔn)則對(duì)基礎(chǔ)解進(jìn)行更新并繼續(xù)迭代，通過一定概率接受差解使算法避免陷入局部最優(yōu)提高算法性能。新解的接收概率如式（28）所示。

式（28）中： E為適應(yīng)度值， xu 為基礎(chǔ)解， x 為新解。

2.2.3自適應(yīng)擾亂因子

在算法迭代過程中加入自適應(yīng)擾亂因子，讓算法在迭代過程中自動(dòng)調(diào)整勘探距離，提高算法前期搜索廣度和后期搜索精度。增加的擾亂因子如式（29）所示。

式（29）中： v;為兔子迭代后的侯選位置， x;為種群中兔子當(dāng)前位置， r;為隨機(jī)數(shù)， n?為符合正態(tài)分布的隨機(jī)數(shù)， T …為最大迭代次數(shù)， t 為當(dāng)前迭代次數(shù)，δ為擾亂因子系數(shù)。

2.3算法步驟

改進(jìn)的ARO算法具體步驟如下，算法的流程如圖2所示。

Stepl：設(shè)定ARO 參數(shù)和混沌參數(shù)并隨機(jī)生成初始化種群；

Step2：對(duì)隨機(jī)初始化種群的個(gè)體進(jìn)行混沌映射得到新種群；

Step3：構(gòu)建反向種群，通過反向個(gè)體適應(yīng)度對(duì)比挑選優(yōu)秀個(gè)體組成最終初始化種群；

Step4：判斷是否達(dá)到最大迭代數(shù)，若達(dá)到則算法結(jié)束并輸出最優(yōu)解；

Step5：計(jì)算能量因子A， 若A 大于1，則隨機(jī)選擇一只兔子進(jìn)行繞道覓食，若A小于等于1，則生成d 個(gè)地洞隨機(jī)選擇一個(gè)進(jìn)行躲藏；

Step6：計(jì)算適應(yīng)度值，對(duì)基礎(chǔ)解進(jìn)行模擬退火；

Step7：利用metropolis 準(zhǔn)則更新基礎(chǔ)解然后降溫；

Step8：判斷是否降至最低溫度，沒有達(dá)到則進(jìn)入Step4;

Step9：輸出最優(yōu)解。

3實(shí)驗(yàn)分析

3.1模型數(shù)據(jù)

文本選取10輛不同車型車輛作為貨車集，10件具有不同大小和目的地的大件貨物作為大件貨物集，59件不同大小和起始地的應(yīng)急零散貨物作為散貨集進(jìn)行實(shí)驗(yàn)，由于應(yīng)急散貨數(shù)據(jù)較多，本文只展示部分?jǐn)?shù)據(jù)，具體的屬性信息如表2—5所示。

3.1.1車輛信息

3.1.2大件貨物信息

3.1.3部分應(yīng)急零散貨物信息

3.1.4其他信息

3.2算法參數(shù)設(shè)置（見表6）

3.3結(jié)果分析

本文采用matlab r2020b軟件進(jìn)行問題建模和求解，為了驗(yàn)證模型和改進(jìn)的ARO算法的有效性，選取煙花算法（FWA）、人工蜂鳥算法（AHA）、人工兔優(yōu)化算法（ARO）與本文提出的算法進(jìn)行對(duì)比實(shí)驗(yàn)。算法迭代的一、二階段結(jié)果分別如圖3（a）、（b） 所示。

模型的兩階段匹配結(jié)果如表7所示，一階段求解到的最優(yōu)的車貨匹配方案總成本為6692.685元，大件貨物的總貨款為31849.89元，大件貨物按時(shí)送達(dá)的激勵(lì)為3184.989元。二階段求解到最優(yōu)的車貨匹配方案總成本為23026.0521元，應(yīng)急零散貨物的總貨款為63741.39元，大件貨物按時(shí)送達(dá)的激勵(lì)和應(yīng)急零散貨物的紅包激勵(lì)為2867.092元。

3.3.1收斂分析

如圖3所示， FWA算法求解時(shí)收斂速度較慢，并且算法容易陷入局部最優(yōu)解。AHA算法收斂速度較FWA有明顯提升，但是也容易嵌入局部最優(yōu)解， ARO算法收斂速度較快，并且可以快速找到較好的解。改進(jìn)的ARO算法收斂速度較改進(jìn)前有明顯提升，并且在第二階段搜索到了比ARO更好的全局最優(yōu)解。通過對(duì)比收斂圖可以看出，本文提出的改進(jìn)策略可以有效提升算法的收斂速度并且保持全局最優(yōu)解的搜索能力。

3.3.2匹配結(jié)果分析

如表7所示，車輛cl 至c6具有更低的發(fā)車成本和運(yùn)輸成本，并且已經(jīng)足夠運(yùn)輸所有大件貨物，相較于增加運(yùn)輸車輛，充分利用剩余空間可以節(jié)約成本和提升運(yùn)輸效率，所以車輛c7至c10沒有匹配到貨物符合預(yù)期。并且車輛c1和c3由于運(yùn)輸成本低以及配送路線更符合應(yīng)急零散貨物的運(yùn)輸路線，所以匹配到了更多的應(yīng)急零散貨物。而車輛c4、c5、c6由于運(yùn)輸成本更高所以匹配到的貨物較少，貨車c2由于大件貨物和應(yīng)急散貨路線差距過大導(dǎo)致只能優(yōu)先配送大件貨物所以沒有匹配到應(yīng)急散貨，匹配結(jié)果與預(yù)期相符。

4推薦系統(tǒng)

4.1系統(tǒng)結(jié)構(gòu)

結(jié)合車貨匹配模型構(gòu)建車貨雙邊推薦系統(tǒng)，系統(tǒng)結(jié)構(gòu)如圖4所示。

4.2雙邊推薦

貨源與車源信息以及貨主車主雙方需求和偏好的繁雜導(dǎo)致車貨雙方匹配困難，本文提出的雙邊推薦模塊貨主和車主雙方需求和偏好生成多種車貨列表方案，根據(jù)雙方對(duì)信譽(yù)、服務(wù)、時(shí)效等因素的傾向權(quán)重和需求對(duì)車貨進(jìn)行分類劃分，得到不同側(cè)重的車貨列表。具體雙邊推薦結(jié)構(gòu)如圖5所示。

4.3推薦結(jié)果生成

針對(duì)配送雙方的需求需要對(duì)匹配模型進(jìn)行微調(diào)，若列表中車貨都需要直達(dá)，則只進(jìn)行一階段的匹配，若需要順路配送，則對(duì)車貨進(jìn)行兩階段的車貨匹配。通過雙邊推薦得到的不同側(cè)重車貨列表具有相同的側(cè)重，如以服務(wù)為主的車貨列表，經(jīng)過匹配后會(huì)給期望得到好服務(wù)的貨主推薦服務(wù)水平高的車主進(jìn)行貨物配送。最后所有車貨列表經(jīng)過匹配生成多個(gè)推薦結(jié)果供車主和貨主雙方選擇。

5結(jié)語

本文針對(duì)大件貨物和應(yīng)急零散貨物的協(xié)同配送進(jìn)行了研究，并建立了兩階段車貨匹配模型。然后使用混沌反向?qū)W習(xí)、模擬退火策略和自適應(yīng)擾亂因子改進(jìn)ARO算法并通過實(shí)驗(yàn)驗(yàn)證模型和算法的有效性，最后基于供需雙方的偏好建立車貨推薦系統(tǒng)為其提供多種配送方案。同時(shí)，本文還存在很大的進(jìn)步空間，今后的研究可以考慮三維裝卸因素，以及研究協(xié)同配送與取送貨結(jié)合的車貨匹配和推薦方法。

參考文獻(xiàn)：

[1] XIE Kunwei，XUHeying，LYUHongxia.Two-sided matching on comprehensive transpor-tation network emergency vehicles'allocation[J].Journal of Advanced Transportation，2021（1）：1-13.

[2] ZHONG Jiuwu，YANGZhaojun，SUNJun.A hybrid approach with joint use of tag and rating for vehicle and cargo match- ing[C//2021 IEEE International Conference on Industrial Engineering and Engineering Management（IEEM）.IEEE，2021：1397-1401.

[3] SHANTHI T，RAMPRASATH M，KAVITHA A，etal.Deep learning based autonomous transport system for secure vehicle and cargo matching[J].Intelligent Automation amp;Soft Computing，2023，35（1）：957-969.

[4] WANG Zhihong，LIYangyang，GUFu，etal.Two-sided matching and strategic selection on freight resource sharing platforms[J/OL].Physica A：Statistical Mechanics and Its Applications，2020，559.[2023-01-25].https：//doi.org/10.1016/j.phy- sa.2020.125014.

[5] 倪少權(quán)，羅軒，肖斌.考慮三方利益的車貨匹配優(yōu)化[J].西南交通大學(xué)學(xué)報(bào)，2023，58（1）：48-57.

[6]王爽，陳淮莉.眾包模式參與下“最后一公里”協(xié)同配送研究[J].計(jì)算機(jī)應(yīng)用與軟件，2022，39（10）：315-321.

[7]王思睿，王林，彭璐，等.基于Lipschitz連續(xù)性的異質(zhì)品聯(lián)合補(bǔ)貨-配送協(xié)同優(yōu)化研究[J/OL].中國管理科學(xué)：1-12.[2023-03-23].https：//doi.org/10.16381/j.cnki.issn1003-207x.2021.1101.

[8]劉長石，吳張，周愉峰，等.疫區(qū)應(yīng)急物資供應(yīng)的卡車-無人機(jī)動(dòng)態(tài)協(xié)同配送路徑優(yōu)化[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2022，42（11）：3027-3043.

[9] WANG Liqing，CAOQingjiao，ZHANGZhenxing，etal.Artificial rabbits optimization：A new bio-inspired meta-heuristic algorithm for solving engineering optimization problems[J/OL].Engineering Applications of Artificial Intelligence，2022，114.[2023-01-25].https：//doi.org/10.1016/j.engappai.2022.105082Get rights and content.

[10]ZHENGWeimou.Kneading plane of the circle map[J].Chaos，Solitonsamp;Fractals，1994，4（7）：1221-1233.

[11]TIAHOOSH H R.Opposition-based learning：A new scheme for machine intelligence[C]//International Conference on Computational Intelligence for Modelling，Control and Automation and International Conference on Intelligent Agents，Web Technologies and Internet Ccommerce（CIMCA-IAWTIC'06）.IEEE，2005，1：695-701.

[12]KIRKPATRICK S，GELATT C D Jr，VECCHI M P.Optimization by simulated annealing[J].Science，1983，220（4598）：671-680.

[13]METROPOLIS N，ROSENBLUTH A W，ROSENBLUTH M N，etal.Equation of state calculations by fast computing machines[J].The Journal of Chemical Physics，1953，21（6）：1087-1092.