順豐作為中國及亞洲最大、全球第四大綜合物流服務(wù)提供商，長期以來一直是物流行業(yè)的代表企業(yè)之一。

  物流，這個看上去依托密集的人工來提升效率的傳統(tǒng)實體行業(yè)，背后其實蘊(yùn)藏著人工智能、大數(shù)據(jù)、運籌等高新技術(shù)。

  而正是這些技術(shù)，讓物流的效率、成本、體驗，完成了超越人工極限的優(yōu)化。物流的核心問題之一就是資源與需求的匹配問題，它決定了你能不能準(zhǔn)時收到快件，決定了你的包裹它到底上哪趟車、哪架飛機(jī)、以及由哪個小哥來收派。順豐解決這個問題的關(guān)鍵，則是被稱為“順豐超腦”的順豐智能規(guī)劃調(diào)度平臺。

  這套大規(guī)模、高復(fù)雜度、鏈路長、涉及線上線下人員與設(shè)備眾多的規(guī)劃調(diào)度平臺，基于海量數(shù)據(jù)以及運籌、人工智能等技術(shù)，可以前置依據(jù)預(yù)測情況規(guī)劃好相關(guān)小哥、車輛、飛機(jī)的工作計劃，還可以在快件流轉(zhuǎn)的漫漫旅途中預(yù)測潛在延誤風(fēng)險，并及時推薦智能調(diào)整方案。簡單來說，這套平臺需要讓你準(zhǔn)時收到包裹，也要讓小哥、車輛、飛機(jī)的工作時間、路徑等方面的安排高效合理，同時盡可能地降低整體的運營成本。

  歷時8年，“順豐超腦”團(tuán)隊有怎樣的探索與思考?他們是怎么處理這樣復(fù)雜的問題的?如何理解數(shù)學(xué)世界與現(xiàn)實世界?未來的智能規(guī)劃調(diào)度會走向何方?我們對話順豐科技智能規(guī)劃調(diào)度平臺相關(guān)團(tuán)隊。讓我們在高考前夕，一起看看這個高考數(shù)學(xué)人均140分的團(tuán)隊的答案。以下是對話內(nèi)容原文：

  01

  “順豐超腦”運轉(zhuǎn)全過程

  Q1：順豐的智能規(guī)劃調(diào)度平臺讓千千萬萬個包裹按時抵達(dá)了收件人手中，可以簡單介紹一下整個平臺是怎么完成這個過程的嗎?

  順豐的物流可以大體分為收轉(zhuǎn)運派四個主要環(huán)節(jié)。我們就來先分別看一下這四個環(huán)節(jié)，我們都主要做了哪些工作吧。

  首先是收派，這兩個環(huán)節(jié)是類似但相反的過程。收是小哥從客戶手中攬件并送到網(wǎng)點，而派是小哥從網(wǎng)點拿到貨物然后上門送到客戶手中。這兩個過程中涉及的智能化包括小哥的排班、小哥收派區(qū)域的劃分、網(wǎng)點班次的設(shè)計等。舉個網(wǎng)點班次設(shè)計的例子吧。為了客戶能準(zhǔn)時收到快件，順豐的車其實不是“裝滿就發(fā)”，而是“到點就發(fā)”。

  我們需要給小哥設(shè)計他們收派的班次，既要兼顧收件的時效要求，又能滿足派件的時效要求，還要和來網(wǎng)點收件、送件的車輛時間能匹配串聯(lián)等等。其次就到“運”了。當(dāng)小哥把快件送到網(wǎng)點后，相關(guān)網(wǎng)點就會按照快件的班次，把快件集中運輸?shù)街修D(zhuǎn)場，這就是支線的運輸過程。支線運輸也會涉及很多智能算法，比如支線的線路規(guī)劃、網(wǎng)點和中轉(zhuǎn)場的選址、車輛、司機(jī)的儲備策略、實時動態(tài)調(diào)度等。等送到了中轉(zhuǎn)場，就進(jìn)入了“轉(zhuǎn)”的環(huán)節(jié)。貨物在這里集中分揀，然后被運送到它的目的地。這里涉及的智能部分就包含貨量預(yù)測、分揀計劃的制定、場內(nèi)設(shè)備布置優(yōu)化等問題。

  此外，路由規(guī)劃是一個重要的命題。怎么規(guī)劃路由，其實需要考慮很多問題。比如我從深圳去北京，既可以走航空，也可以走陸運;我走陸運的話，既可以在天津中轉(zhuǎn)一次，也可以直接去北京。什么情況下該發(fā)航空、什么情況下該發(fā)陸運，這里就涉及航轉(zhuǎn)陸、陸轉(zhuǎn)航的一些轉(zhuǎn)換策略。

  再比如，貨量突然暴增該怎么辦?我可以選擇臨時調(diào)度更多車來運輸這個方向的貨物;也可以修改分揀計劃，讓一部分貨物先運輸?shù)截浟扛俚牧飨蛏先?。在路由?guī)劃中，經(jīng)常牽扯這種到底選擇哪種策略的過程。這里還會涉及資源儲備的策略，比如我們要多少自有資源、多少外包資源，才能在保證整個運輸網(wǎng)絡(luò)穩(wěn)定性的同時，以一定的彈性資源應(yīng)對貨量的變化?如果是外包資源，又涉及到智能招采和競價策略了。最后就是調(diào)度的一些策略了，這些策略主要是做臨時的異常處理，收轉(zhuǎn)運派4個環(huán)節(jié)，調(diào)度策略都會涉及到。

  02

  從規(guī)劃調(diào)度出發(fā)，思考直營快遞的挑戰(zhàn)與優(yōu)勢

  Q2：順豐作為直營快遞的代表，相較于加盟式的快遞，特殊的業(yè)務(wù)場景為智能規(guī)劃調(diào)度的技術(shù)層面帶來了哪些主要挑戰(zhàn)?你們是如何應(yīng)對的?

  從我們技術(shù)的角度出發(fā)，總體來說直營快遞在技術(shù)層面是有很大優(yōu)勢的。但是這個優(yōu)勢也是挑戰(zhàn)。

  第一個優(yōu)勢與挑戰(zhàn)是數(shù)據(jù)。說是優(yōu)勢，是因為直營讓我們擁有了全環(huán)節(jié)的數(shù)據(jù)。我們的訂單怎么進(jìn)來的、進(jìn)來以后誰負(fù)責(zé)處理、每一個流程、環(huán)節(jié)，我們都有數(shù)據(jù)，這些大量的數(shù)據(jù)都是我們算法的支撐。但是加盟式就比較難做到。說是挑戰(zhàn)，是因為數(shù)據(jù)的整合和處理本身也存在挑戰(zhàn)。

  我們有大量的訂單信息、車輛位置、交通狀況、車輛的日志等等數(shù)據(jù)，要想更高效地應(yīng)用他們，需要非常注重數(shù)據(jù)底盤建設(shè)。我們有大量的公共的數(shù)據(jù)服務(wù)，比如地圖信息、場地運轉(zhuǎn)的信息、各種訂單底表等，這些公共服務(wù)是智能化的基礎(chǔ)建設(shè)，而好的數(shù)據(jù)基礎(chǔ)建設(shè)能讓算法更加高效地研究、迭代和應(yīng)用，這為優(yōu)質(zhì)服務(wù)帶來更穩(wěn)定、可靠的保障。

  第二個優(yōu)勢與挑戰(zhàn)是統(tǒng)一規(guī)則與個性化需求相結(jié)合的精細(xì)化規(guī)劃調(diào)度。因為是直營，所以大家總體來說SOP是差不多的，這讓我們整體的服務(wù)質(zhì)量會有更好的保障;但是在小的地方又需要考慮一些特殊的地區(qū)情況，結(jié)合當(dāng)?shù)氐奶攸c，不能統(tǒng)一全國一刀切。例如，同樣的路程在重慶可能需要更長的時間，因為它有很多需要上上下下的地方。這樣的特點會讓我們在做智能化落地的時候需要關(guān)注更多細(xì)節(jié)的地方，也更能幫助車輛、小哥等在細(xì)節(jié)之處配合，讓全國各地的客戶，擁有更為可控、穩(wěn)定、貼心的服務(wù)。第三個優(yōu)勢與挑戰(zhàn)是鏈條更長的規(guī)劃調(diào)度。

  比如小哥收件的時候，忽然發(fā)現(xiàn)我這個城市出現(xiàn)了一個新的大網(wǎng)紅，帶貨特別厲害，件量激增。我在收的環(huán)節(jié)就發(fā)現(xiàn)了異常，于是我以最迅速的方式把這個信息同步給了收轉(zhuǎn)運派所有環(huán)節(jié)，那么我們其他環(huán)節(jié)就會提前幾個小時知道貨很多，于是支線的運輸、干線的運輸、中轉(zhuǎn)場、包括收件地都會趕緊做好應(yīng)對的準(zhǔn)備。這樣精細(xì)的規(guī)劃調(diào)度，能讓資源聯(lián)動的更為緊密，節(jié)約時間與成本;同時讓我們在突發(fā)情況下，也可以提前快速在響應(yīng)客戶需求，保證服務(wù)更加及時、靈活。最后一個優(yōu)勢與挑戰(zhàn)是全局角度看各環(huán)節(jié)。

  因為我們是直營公司，我們要對收轉(zhuǎn)運派的每個環(huán)節(jié)都要負(fù)責(zé)，不僅需要把各環(huán)節(jié)串聯(lián)起來看、還要平衡時效和成本，綜合提高物流效率和客戶滿意度，盡可能地讓客戶的錢“花的值”、買到最好的服務(wù)體驗。在加盟的情況這種情況下，你可能只用關(guān)注自己所做的一件事就好了，而直營需要同時關(guān)注一個很大的范圍、去整體的思考整件事如何最優(yōu)，這會讓智能決策的復(fù)雜度變得很高，當(dāng)然全局最優(yōu)的最終結(jié)果也會價值巨大。

  03

  直面復(fù)雜場景，先“切割”再“串聯(lián)”

  Q3：面對包含多個城市、多種交通工具、多人交接的路徑規(guī)劃、運單匹配等工作是特別復(fù)雜的優(yōu)化問題，你們是怎么做到對如此復(fù)雜的問題進(jìn)行求解的?

  當(dāng)我們平時遇到一個特別復(fù)雜的問題的時候，你會怎么辦?我們一般會說，抽絲剝繭，需要從一團(tuán)亂麻中找到一個線頭。對于這個問題，我們首先需要把這個特別復(fù)雜的問題切割變成一個個相互獨立、但相互之間又有關(guān)聯(lián)的問題，同時通過一些指標(biāo)讓他們聯(lián)動起來。這在數(shù)學(xué)上其實是一種“分而治之”的理念。舉個例子，順豐中轉(zhuǎn)場的班次就是一個我們用于“切割”問題的指標(biāo)?！皫讉€小時是一個班次”這個指標(biāo)，其實一邊鏈接著干線運輸，一邊又連接著支線運輸;一邊負(fù)責(zé)讓其他城市的貨物到這里，并給這個城市的網(wǎng)點派單;一邊面對著這個城市的網(wǎng)點，把自己的貨物放到這里，送到發(fā)到全國各地去。無論是支線、干線以及中轉(zhuǎn)場的工作時間計劃，都要需要按照中轉(zhuǎn)場班次這個時間進(jìn)行切割，每個部分都需要在規(guī)定時間內(nèi)完成。這樣我們剛剛“一條線”的大問題，通過一個班次設(shè)計，就切割成了三個小問題。這三個小問題里面可能又有各種各樣的切割方式，把這個問題從大變小。除了切割，我們還要聯(lián)動。什么是指標(biāo)聯(lián)動?我們剛剛雖然把這個問題切割成了支線、干線、中轉(zhuǎn)的三個小問題，但是我們還要把總時長串聯(lián)起來。這個整體的時間就是一個聯(lián)動指標(biāo)，它貫穿了我們切割的3個小問題。有了聯(lián)動指標(biāo)，我們再來看每個環(huán)節(jié)應(yīng)該怎么做。比如中轉(zhuǎn)場就需要在規(guī)定的班次里完成中轉(zhuǎn)、盡量提高中轉(zhuǎn)效率;支線就需要按照班次設(shè)計，看如何在規(guī)定的時間下，盡可能優(yōu)化線路、提升裝載率和整體運輸效率。當(dāng)某一個子問題發(fā)現(xiàn)它無論如何可能都滿足不了相應(yīng)要求的時候，我們再來看在切割問題的指標(biāo)上是不是要做一些調(diào)整。例如中轉(zhuǎn)場現(xiàn)在覺得時間很寬裕、支線覺得很緊張，那么我們就需要調(diào)整一下相關(guān)切割的方式，讓各方都覺得可以接受。在這個過程中，聯(lián)動指標(biāo)與切割本身也在不斷優(yōu)化，在不斷的結(jié)合、調(diào)整中，最終達(dá)到有機(jī)結(jié)合的狀態(tài)。那前面這些主要是一個思考的方式，到具體的問題中，我們會根據(jù)問題的復(fù)雜度和規(guī)模應(yīng)用不同的算法進(jìn)行求解。比如比較簡單的問題一般通過整數(shù)規(guī)劃模型、精確求解的方式。特別復(fù)雜的問題，我們就會舍棄這種精確的解，轉(zhuǎn)而應(yīng)用啟發(fā)式算法或是搜索的一些算法。比如在支線規(guī)劃應(yīng)用了ruin-recreate的大鄰域搜索算法，可在分鐘級完成2000+條線路規(guī)劃，且在大多數(shù)算例下，能與精確解的Gap在1%以內(nèi)。還有一些很復(fù)雜的問題我們會通過一些預(yù)測或者分類的方式去解決，就是把很復(fù)雜的問題終究歸成幾個分類的問題。部分問題我們會應(yīng)用一些經(jīng)典算法的變種，比如推演端到端路由的時候，會在經(jīng)典最短路算法(Dijkstra或A*)上做部分改造;在任務(wù)指派或調(diào)度問題上會通過改造圖論中的二分圖算法迅速找到最優(yōu)解等等。

  04

  預(yù)測推演，保障全鏈路環(huán)節(jié)

  Q4:快遞的鏈路很長，中間也會經(jīng)歷多次的交接轉(zhuǎn)換環(huán)節(jié)，無論是飛機(jī)延誤還是堵車，難免會遇到一些突發(fā)狀況，你們是如何比較準(zhǔn)確地預(yù)估配送時間、并保證配送時間相對準(zhǔn)確的?

  這個問題其實我們在事前、事中、事后都有做一些技術(shù)層面的措施，主要是在預(yù)測推演方面，來進(jìn)行保障。事前我們就會先想辦法預(yù)測，比如對貨量的預(yù)測，再結(jié)合整體發(fā)車貨量的大小等信息，事前預(yù)估能否準(zhǔn)時到達(dá)。根據(jù)預(yù)估的結(jié)果，在快件還沒發(fā)出的時候，就做一些相關(guān)的應(yīng)對措施。事中主要會實時監(jiān)控一些數(shù)據(jù)，然后配套一些智能的解決方案。

  比如運輸環(huán)節(jié)會監(jiān)控到每一輛車的實時信息，例如車輛是否按時行駛到預(yù)期地點、有沒有異常停留;中轉(zhuǎn)場會實時監(jiān)控它的貨量等等。一旦發(fā)現(xiàn)可能有問題，就會智能推送一些調(diào)度處理方案。例如，原本走陸運的快件，可能因為一些原因如果繼續(xù)走陸運的話，就趕不上客戶要求的時間了。那我們的算法就會判斷推送，讓它去趕對應(yīng)的航空班次;

  還有比如某個本來要去的中轉(zhuǎn)場目前的預(yù)期貨量已經(jīng)很大了，那么我們就會推薦他們換一個中轉(zhuǎn)場走，進(jìn)行分流。當(dāng)然還有一些事后的復(fù)盤。例如我們發(fā)現(xiàn)某一次遲到是因為其中的某個環(huán)節(jié)出錯而發(fā)生，那么我們事后就會去看出錯的具體原因，并且對這個具體環(huán)節(jié)進(jìn)行提升。所以事前、事中事后我們都會有相應(yīng)的一些手段和策略來保證我們能按準(zhǔn)確地按預(yù)估的配送時間來送達(dá)，配送時間相對準(zhǔn)確。

  這個過程中，會有一些問題還是挺難的。有時候感覺，數(shù)學(xué)是一種哲學(xué)。柏拉圖麥穗的典故大家可能都聽說過?，F(xiàn)在有一片麥田，你需要拿到最大的那個麥穗，但你不能走回頭路，只能拿一次，你應(yīng)該拿哪個?這是一個很復(fù)雜的問題，我們在做調(diào)度的時候也同樣會遇到。簡單來說，就是這一刻我接到的信息不是全部信息，等一等我可能有更好的選擇，那我到底是這一刻就要做出選擇還是等一等?舉個大家熟悉的例子，打網(wǎng)約車的時候，現(xiàn)在沒有司機(jī)愿意接去某個地方的單，作為平臺，那我是再等一等看有沒有愿意的司機(jī)，還是直接指派一個司機(jī)去?其次，像這種調(diào)度問題，任務(wù)和任務(wù)之間并不獨立，而是會產(chǎn)生蝴蝶效應(yīng)。

  比如，我因為A任務(wù)快遲到了，所以把很遠(yuǎn)的B車調(diào)過來，但最后有可能A任務(wù)按時完成了，但B車原本的其他任務(wù)又會遲到。局部的決策很有可能會影響全局。我們曾經(jīng)就有過因為解決一個訂單遲到，導(dǎo)致更多訂單遲到的案例，原因就是你在不停尋找不合適的車去承接這個任務(wù)，會產(chǎn)生連鎖反應(yīng)，進(jìn)而影響更多的任務(wù)時效。

  05

  相比計算結(jié)果，理解透徹業(yè)務(wù)更重要

  Q5:你覺得數(shù)學(xué)會騙人嗎?如何看待計算結(jié)果在實際中的應(yīng)用?

  這個問題讓我想到了一個馬克吐溫的名言：世界上有三種謊言，謊言、該死的謊言和統(tǒng)計結(jié)果。這三個是依次遞進(jìn)的，也就是說統(tǒng)計結(jié)果比該死的謊言還可怕。我覺得很多數(shù)字其實并不能代表真實的結(jié)果。數(shù)字本身不會騙人，但是有人會別有用心地變換口徑和方法來制造結(jié)論，所以不能完全看數(shù)字或某一個結(jié)果，而是需要把大家的經(jīng)驗和數(shù)學(xué)結(jié)果結(jié)合起來看待。有一個例子我還挺感慨的。

  我們曾經(jīng)給小哥做派送的最優(yōu)路徑的時候，算出來的路徑常常是一圈一圈的，類似一個花瓣，這樣是最短的路。但實際小哥日常喜歡走這種葉子形狀的路徑，走到一個“葉子”以后，在這個區(qū)域內(nèi)來回走完成各種任務(wù)，再去下一個“葉子區(qū)域”。

  為什么會出現(xiàn)這樣的情況?結(jié)合現(xiàn)實問題就知道了。在第一種情況下，當(dāng)小哥派第二個訂單的時候，“花瓣”上最遠(yuǎn)的第六單突然催他怎么辦?他如果過去了，是不是第3-5個訂單要折返回去送?但如果都在一個“葉片”區(qū)域，那我多走一點就能過去。所以，雖然計算出來“花瓣”是數(shù)學(xué)上最簡單、最快的，但是實際中一旦不按照你預(yù)期的計劃進(jìn)行時，它的風(fēng)險就會立刻增大。換句話說，“花瓣”方案的魯棒性不夠。

  所以，我們覺得一個模型的抽象很重要。做好模型的抽象，需要能徹底理解業(yè)務(wù)場景，而不是盲目崇拜數(shù)學(xué)結(jié)果。

  06

  未來智能規(guī)劃調(diào)度會更注重聯(lián)動

  Q6:你覺得未來順豐智能規(guī)劃調(diào)度會向什么方向優(yōu)化與發(fā)展?怎么看待大模型對傳統(tǒng)求解方式帶來的影響與變化?

  我覺得會更加注重聯(lián)動，智能規(guī)劃調(diào)度會向更加端到端、全鏈路的方式去發(fā)展。前面有個問題提到了，現(xiàn)在其實是大問題切割成小問題，小問題去求最優(yōu)解再進(jìn)行相互聯(lián)動。

  未來，我們希望能夠讓這些小問題的模型之間也可以互相交流，大家共用一些參數(shù)特征同時做一些優(yōu)化調(diào)整，去端到端統(tǒng)一解決整體問題，使得從全局角度看效率更高、成本更低、體驗更好。至于大語言模型，我們也研究過一些相關(guān)的資料來看結(jié)合的可能。例如，它可以作為一個“裁判”，來幫助我們確定運籌優(yōu)化的模型計算結(jié)果的好壞，讓模型更高效地不斷向更好的方向迭代發(fā)展，這方面的探索提升空間還有很多。

  本文來源于物流指聞，不代表九州物流網(wǎng)(http://www.zgslfm.com)觀點，如有侵權(quán)可聯(lián)系刪除，文章所用圖片來源于網(wǎng)絡(luò)，文章圖片如有侵權(quán)可聯(lián)系刪除。