文章来源： https://tech.meituan.com/2020/02/20/meituan-delivery-operations-research.html
TODO list
- 算法学习
- 启发式定向搜索
- 遗传算法的迭代搜索算法
- 大规模邻域搜索算法
- 变领域搜索算法
- 问题学习
- 流水线调度问题
- 打车的调度是做司机和乘客的匹配，本质是 个二分图匹配问题，有多项式时间的最优算法:KM 算法
- paper阅读
智能配送的资源优化配置
既有线上的业务，也有线下的复杂运营。配送连 接订单需求和运力供给。为了达到需求和供给的平衡，不仅要在线下运营商家、运营 骑手，还要在线上将这些需求和运力供给做合理的配置，其目的是提高整体的效率。
资源优化配置的三个层级
- 基础层是结构优化，它直接决定了配送系统效率的上限。这种基础结构的优 化，周期比较长，频率比较低，包括配送网络规划、运力结构规划等等。
- 中间层是市场调节，相对来说是中短期的，主要通过定价或者营销手段，使供需达到一个相对理想的平衡状态。
- 再上层是实时匹配，通过调度做实时的资源最优匹配。 实时匹配的频率是最 高的，决策的周期也最短。
智能配送系统架构
- 机器学习系统、IoT 和 感知系统、LBS 系统：在配送过程中做精准的数据采集、感知、预估，为优化决策提供准确的参数输入
业务项目
智能区域规划
配送网络基本概念
- 商家配送范围：决定用户打开app，查看哪些商家可以点餐。
- 骑手配送区域边界：一些商家集合所对应的范围，决定用户在美团点外卖服务的骑手。影响末端配送效率最关键的点，是配送员对他所负责区域的熟悉程度。在传统物流领域，配送站或配送员，都会固定负责某几个小区，越熟悉，配送效率就会越高。另外，还有运营管理的诉求，如果有新商家上线，也很容 易确定由哪个配送站来提供服务。
区域规划影响配送效率
区域规划方案
优化目标
思考：区域规划主要影响的是什么？
->目标在于如何沟通区域内的供给和需求
->影响骑手的顺路性、空驶性，也就是骑手平均为每一单付出的路程成本
->骑手的单均行驶距离
->商家聚合度、订单的聚合度、订单重心和商家重心的偏离程度(大量区域和站点积累的数据)
约束
- 区域边界
- 如果有新商家上线到底属于哪个站点？
- 哪条路以东、哪条路以南 这样的表述方式，便于记忆和理解，提高管理效率
智能骑手排班
按组排班，把所有骑手分成几组，规定每个组的开工时段。然后大家可以按组轮岗，每个人的每个班次都会轮到。
建模过程
- 目标：运力需求满足订单量的时间单元最多（把时间做了离散化，以半小时为粒度。 对于一天来讲，只有 48 个时间单元，决策空间大幅缩减）
- 标准化模型
- 人数归一化： 班次人数/站点总人数
- 单量归一化：每个时间单元的进单量除以每天峰值时间单元的单量
- 定义运力满足
- 强约束：管理的诉求、骑手的体验、每个工作时段尽量连续、每个工作时段持续的时间不过短、不同工作时段 之间休息的时间不过短等
结论：
- 问题的约束太多，求最优解甚至可行解的难度太大。另外，站长在使用排班工具的时 候，希望能马上给出系统排班方案，再快速做后续微调，因此对算法运行时间要求也比较高。
- 基于约束条件，根据启发式算法构造初始方案，再用局 部搜索迭代优化。
- 求解速度快
- 归一化可给出任意站点的排班方案
骑手路径规划
业务场景
- 骑手端：给每个骑手推荐任务执行顺序。
- 用户端：点了外卖之后，美团会实时展示骑手当前任务还需要执行几分钟，提供更多预估信息。
- 业务场景诉求： 对时效要求非常高，算法运行时间要越短越好。
- 平台端：指派、改派、路径规划，要求优化效果稳定且效果好
场景方案
技术路线
基于随机迭代的搜索策略如类似遗传算法的迭代搜索算法、大规模邻域搜索算法存在强不确定性，因此技术路线如下：
- 只能做启发式定向搜 索，不能在算法中加随机扰动。不能允许同样的输入在不同运行时刻给出不一样的优 化结果。
- 不能用普通迭代搜索，必须把这个问题结构特性挖掘出来，做基于知识的定制化搜索。
技术方案
把它看作流水线调度问题:每个订单可以认为是 job;一个订单的两个任务取餐和送餐，可以认为是一个 job 的 operation。任意两个任务点之间的通行时间，可以认为是序列相关的准备时间。 每一单承诺的送达时间，包括预订单和即时单，可以映射到流水线调度问题中的提前 和拖期惩罚上。
订单智能调度
