【技术实现步骤摘要】
本专利技术属于物流服务质量领域，涉及一种多指标协同优化方法、装置、介质及设备。
技术介绍
1、物流服务作为企业供应链的核心组成部分，其效率和质量直接影响到企业的市场竞争力和客户满意度。因此，提升物流服务的效率和质量显得十分重要。
2、目前，由于物流服务的效率和质量主要由服务质量、运营效率以及客户满意度等方面因素影响。因此，如何在保证服务质量、运营效率以及客户满意度等方面因素的情况下，提升物流服务的效率和质量日益成为研究重点。
3、在现有技术中，普遍采用主成分分析的方法来分析服务质量、运营效率、客户满意度以及成本之间，与物流服务的效率和质量的关系。但是，这种方法得到的分析结果并不理想。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种多指标协同优化方法及装置，提升物流服务的效率及质量。
2、为达到上述目的，本专利技术提供如下技术方案：
3、方案1：
4、一种多指标协同优化方法，具体包括以下步骤：
5、s1：确定主指标，以及确定主指标的各分指标；
6、s2：获取各分指标对应的物流文本数据，并对其进行预处理；
7、s3：根据各分指标对应的物流文本数据进行多项式拟合，确定针对主指标的指标多项式；
8、s4：根据指标多项式，构建主指标对应的多指标协同优化模型；
9、s5：通过预设的求解方法，对多指标协同优化模型进行求解，确定针对主指标的优化解集，优化解集至少由各分指
10、s6：根据优化解集确定多指标协同优化策略，以根据多指标协同优化策略执行物流服务。
11、进一步，步骤s1中，物流服务质量、客户满意度、运营效率以及成本控制中的部分能作为主指标；影响主指标的因素，则作为主指标的分指标；主指标个数不限制，在主指标为多个的情况下，针对每个主指标，确定该主指标的各分指标；
12、主指标为物流服务质量f1的分指标可为物流服务质量投诉率x1、卷烟破损率x2、分拣差错率x3和送货破损率x4；主指标为客户满意度f2的分指标可为投诉处理平均时长x5、配送人员对客户配比x6和高素质人员占比x7；主指标为运营效率f3的分指标可为分拣设备有效使用率x8、万箱送货配车x9、异形状烟占比x10、户均送货里程x11和库存周转次数x12；主指标为成本控制f4的分指标可为单箱仓库费用x13、单箱分拣费用x14、单箱配送费用x15和单箱人工费用x16。
13、进一步，步骤s2中，将各分指标对应的物流文本数据进行预处理，预处理包括对异常文本数据进行识别和处理，补全缺失的物流文本数据。
14、对异常文本数据进行识别和处理，具体是：异常值可能是由于数据录入错误、传感器故障或其他非正常情况造成的。本专利技术采用了统计分析方法，如箱线图(boxplot)和z分数，来识别这些异常值。对于识别出的异常值，本专利技术根据其上下文和业务逻辑，选择删除、替换或进行更正。
15、补全缺失的物流文本数据，具体是：对于少量缺失值，本专利技术采用了简单删除的方法。对于较大比例的缺失，本专利技术则采用了均值、中位数或众数填充，以及更高级的插值方法，如k最近邻(k-nn)或多重插值方法。
16、进一步，步骤s3中，多项式拟合的方法是采用多元线性回归拟合和使用反向传播(backpropagation，bp)神经网络进行拟合；
17、当确定指标多项式线性拟合时，重新根据各分指标对应的物流文本数据确定针对主指标的指标多项式，直至指标多项式不线性拟合为止。
18、进一步，步骤s4中，针对物流服务质量f1、客户满意度f2、运营效率f3以及成本控制f4，可根据它们分别的指标多项式，确定各自的多指标协同优化模型：
19、
20、其中，c、e、d、g分别为分指标系数，n1、n2、n3、n4分别为主指标f1、f2、f3、f4对应的分指标数量，α、β、χ、δ分别为根据专家经验和历史数据分析所得出的常数项；
21、构建主指标对应的多指标协同优化模型为：max(f1,f2,f3,-f4)。
22、进一步，步骤s5中，根据非支配排序遗传算法，对多指标协同优化模型进行求解，确定针对主指标的各优化解集。
23、进一步，步骤s6中，在主指标为多个的情况下，按照预设的优化解集中各主指标的权重比例，确定多指标协同优化策略；
24、根据优化解集确定多指标协同优化策略，具体包括：
25、针对每个优化解集，将该优化解集输入训练完成的预测模型，得到预测模型输出的主指标的预测值；判断预测值是否达到预设的指标阈值；若是，则根据该优化解集，确定多指标优化策略；否则丢弃该优化解集；
26、训练预测模型，具体包括：获取训练解集，并将训练解集的历史预测值作为标注；将训练解集输入待训练的预测模型，得到待训练的预测模型输出的预测值；根据待训练的预测模型输出的预测值与标注之间的差异，确定损失值，并以损失值最小为优化目标，训练待训练的预测模型，所述差异与所述损失值呈正相关。
27、方案2：
28、一种多指标协同优化装置，包括：
29、确定模块，用于确定主指标，以及确定主指标的各分指标；
30、获取模块，用于获取各分指标对应的物流文本数据；
31、拟合模块，用于根据各分指标对应的物流文本数据进行多项式拟合，确定针对主指标的指标多项式；
32、构建模块，用于根据指标多项式，构建主指标对应的多指标协同优化模型；
33、求解模块，用于通过预设的求解方法，对多指标协同优化模型进行求解，确定针对主指标的优化解集，优化解集至少由各分指标中部分分指标组成；
34、制定模块，用于根据优化解集，确定多指标协同优化策略，以根据多指标优化策略执行物流服务。
35、方案3：
36、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现方案1方法。
37、方案4：
38、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现方案1的方法。
39、本专利技术的有益效果在于：本专利技术通过对主指标对应的各分指标的数据进行多项式拟合，进而确定指标多项式，能够通过指标多项式展示分指标与主指标之间的关系。更进一步的，通过指标多项式总结出多指标协同优化模型，能够确定哪些分指标对主指标的影响最大，还能够揭示不同分指标之间的模式和关系。之后根据确定出的最优解集，制定协同优化策略，优化并提升物流服务的效率及质量。
40、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获本文档来自技高网...
【技术保护点】
1.一种多指标协同优化方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤S1中，物流服务质量、客户满意度、运营效率以及成本控制中的部分能作为主指标；影响主指标的因素，则作为主指标的分指标；主指标个数不限制，在主指标为多个的情况下，针对每个主指标，确定该主指标的各分指标；
3.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤S2中，将各分指标对应的物流文本数据进行预处理，预处理包括对异常文本数据进行识别和处理，补全缺失的物流文本数据。
4.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤S3中，多项式拟合的方法是采用多元线性回归拟合和使用反向传播神经网络进行拟合；
5.根据权利要求2所述的多指标协同优化方法，其特征在于，步骤S4中，针对物流服务质量F1、客户满意度F2、运营效率F3以及成本控制F4，可根据它们分别的指标多项式，确定各自的多指标协同优化模型：
6.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤S5中，根据非支配排序遗传算法，对多指标协同
7.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤S6中，在主指标为多个的情况下，按照预设的优化解集中各主指标的权重比例，确定多指标协同优化策略；
8.一种多指标协同优化装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述权利要求1～7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述权利要求1～7任一项所述的方法。
...【技术特征摘要】
1.一种多指标协同优化方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤s1中，物流服务质量、客户满意度、运营效率以及成本控制中的部分能作为主指标；影响主指标的因素，则作为主指标的分指标；主指标个数不限制，在主指标为多个的情况下，针对每个主指标，确定该主指标的各分指标；
3.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤s2中，将各分指标对应的物流文本数据进行预处理，预处理包括对异常文本数据进行识别和处理，补全缺失的物流文本数据。
4.根据权利要求1所述的多指标协同优化方法，其特征在于，步骤s3中，多项式拟合的方法是采用多元线性回归拟合和使用反向传播神经网络进行拟合；
5.根据权利要求2所述的多指标协同优化方法，其特征在于，步骤s4中，针对物流服务质量f1、客户满意度f2、运营效率f3...
【专利技术属性】
技术研发人员：郭亮，谢海晶，李康，谢滨，程卫，胡晓林，邹迪，
申请(专利权)人：中国烟草总公司重庆市公司物流分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。