半岛全站app菜鸟网络算法专家朱礼君：物流优化问题在大数据时代被

　　2017年7月7日至9日，全球人工智能与机器人峰会CCF-GAIR大会在深圳成功举办。本次由CCF中国计算机学会主办、雷锋网与香港中文大学（深圳）承办。来自全球30多位院士、近300家AI明星AI企业，齐聚智能科技产业盛会。

　　菜鸟网络高级算法专家朱礼君在CCF-GAIR 2017大会上发表了演讲，主题是“大数据时代的物流优化问题”，主要讲解菜鸟网络当中的物流发展情况。朱礼君毕业于美国马里兰大学，获得物理学博士学位，先后就职于Goldman Sachs、亚马逊、Facebook等公司，于2014年回国加入阿里巴巴，领导菜鸟网络仓配供应链的算法团队。

　　我来自菜鸟网络，我将分享大数据时代的物流优化问题，我们在做物流优化的时候碰到了很多问题。物流其实是一个非常古老的行业，可以说有上千年的历史，但是在这个大数据时代，我们发现很多传统的运筹学优化问题，在大数据时代被赋予了很多新意义，我们在这方面做了很多研究，碰到了很多有意思的问题，在运行的过程中也学到了很多的经验与大家进行分享。

　　首先介绍一下菜鸟网络，菜鸟网络是一个物流平台，协同物流合作伙伴为消费者和商家提供物流服务，包括快递、仓配网络、跨境、末端网络，还有农村物流网络。值得一提的是这里面很多节点，像仓库以及配送，最后一公里等，我们用的还是社会上的物流资源，是我们合作伙伴的资源，但是菜鸟网络在这里面会起到全局优化的作用。

　　刚才说到我们的一个特点就是传统行业和物流行业的融合，因为物流行业是一个非常传统的行业，但是我们是一家互联网公司，是一家数据公司，所以数据是核心，技术是核心，很多的传统物流优化的问题在互联网时代的确是被赋于了很多新的意义，而且在大数据和算法是这里面的核心。

　　在大数据时代，我们的物流优化问题被赋于了哪些新的意义呢？经过我们的研究发现，首先我们对很多物流优化问题的计算性能要求远远大于以前，之前我们不太在乎优化计算资源的使用的，因为以前的优化是今天算了明天再用，现在是实时的，所以对算法有很大的挑战。

　　另外，机器学习和人工智能被提到很高的高度，在物流领域以前用的是传统运筹优化的理论和算法，在大数据时代，这两者需要得到更好的有机融合。还有一点也是我们最近在研究的方向，就是怎么用机器学习的思想来求解传统物流优化问题，这也是在学术界上非常有挑战的一个新的方向，我们在这个过程中也有一些经验。

　　第一个问题是供应链仓储配送网络的优化问题，这是非常传统的问题，我们有一些客户在全国或者全世界有一个区域的分布，我们到底要选哪些仓库布点，把货囤到哪些仓库，从供应商那里运到仓库，最后再运到用户哪里，这里的核心是我们选择哪个仓库，每个仓库负责哪个区域的用户，这是传统的问题。

　　为什么我们认为在现在这个大数据时代有它的新的意义呢？在阿里的电商平台上，商家其实都是负责自己的货，之前他会用自己的仓储网络，我们会对每个商家做优化，比如说优化以后，有些货可以放到菜鸟仓库里，帮它配送，它会覆盖一些范围。

　　举个例子，深圳的一个商家以前可能在深圳有仓库，北京的用户他就需要远程发货，但是菜鸟在北京有仓库，我们就可以推荐这个商家用我们的仓库囤在北京附近货。这里面需要考虑的一些优化的目标非常多。除了成本以外，还会考虑时效，次日达的体验对用户来说非常重要，还有铺货成本，就是从供应商运到仓库大概要多少钱，一般我们会用混合规划的模型来解决这个问题，所以这里面要求非常快，我们专门设计一些算法来解决这个问题，我们有成千上万的商家，对每个商家都要单独求解，这样用传统优化的算有一定的局限性。

　　当商家选了我们的仓库之后，我们要告诉他们怎么分仓，我在北京的仓库要放多少货，上海的仓库要放多少货，这个问题看似简单，其实不然，就算我根据历史的数据，用机器学习的模型预测出北京的销量是多少，上海的销量是多少，这还是不够，因为机器学习的模型是有非常多的不确定性因素，它预测的未来销量会有很大的波动，我们也知道特别在中国的电商会有很多的促销，这个波动会变得更大，我们如何把这些波动考虑进去，使得我们在一些不确定的环境下，都能保证我补货的量比较合适，不会有缺货的情况出现，也不会有滞销的情况出现。所以要考虑铺货的成本、仓储的成本，然后要考虑周期性补货，到底是一个星期一次，还是两个星期一次，还是一个月一次是最优化。最重要的一点是要考虑销量的波动性，因为销量非常不稳定。

　　然后整个补货量确定之后，我们建立这样一个模型，用鲁棒优化的算法来计算每个仓库大概要补多少量，这个算法也是对每一件商品、每一个商家都是个性化计算的，所以这也是一个难点。

　　在仓储领域，我们知道在仓库里面，用户下了订单以后，仓库里面会有仓库的工作人员，在仓库的货架走一圈，把用户下的订单都拣过来，再打包发给用户。这里面非常重要的问题就是任务怎么切分和路径怎么优化。任务切分就是哪个订单应该派给哪个人，路径优化是怎么派给这个人，这两个问题是相互融合的，它是一个类似于车辆路径规划的问题。这里面的难点就是，特别是像电商这样的平台，订单是不断下发的，我们需要知道到底在什么时候我要做一个决定，哪些订单把它大爆发给一个工作人员，让他去货架上拣，所以这是一个需要实时做决策的问题，它对计算性能的要求也非常高，因为仓库里的工作基本上是连轴转，中间不会停，因此需要迅速计算出下一个任务到底要发给谁，然后订单也是不断下发，这是一个非常动态的问题，所以用一些传统的运筹优化算法解这种问题比较难。

　　在仓储领域还有一个比较有意思的问题，可能大家会觉得这个问题看上去比较简单，其实不然，就是箱型推荐问题。比如说用户在这个网站上买了8件商品，一个用户买8个东西或者10个东西，这是很正常的，这些东西有它的长宽高、重量，我知道我仓库里备的箱子的大小和它能承重多少，问题是在订单下发的那一刻，我要知道这些商品要怎么垒，然后放到哪个箱子里，或者最大的箱子也放不下，我要放到哪几个箱子里，这个问题为什么这么重要呢？如果能一个箱子装下，它就是一个包裹，而如果我把它分成了两个包裹，它就会需要两个包裹运输，增加了配送的费用，而且这个箱子的包材也有浪费，所以这个算法可以发挥空间很大。这个问题在学术界是一个传统的三维装箱问题，这是一个非常难的问题。它的约束是物品累积在一起的时候，它的长宽高不能高于那个箱子的长宽高，这是大家都能想到的约束条件。一般的传统的做法是用构造性的算法求解，就是我去尝试各种不同的摆放形式，或者不同的摆放顺序，然后我们在这里面需要做一些语言启发算法，就是把一些启发式的算法整合起来，做一些分层的算法设计。假设你有100个商品，一个复杂的算法很可能是算不过来，因为我们需要很短的时间内把这个计算出来，在订单下发的过程中就计算出来，如果你没有计算出来，后面就会卡住，所以这个算法的挑战很大。

　　我们把这个问题解完了以后，后来自己考虑了一下，这里有一个很重要的约束，就是商品累积在一起，它的长宽高不能高于这个箱子的长宽高，然后我们就自己问自己，这个约束是一定要的吗？其实不然。因为我们可以根据历史的一些数据来重新分析一下每个仓库它到底要怎么样准备它的箱子，这其实是一个新问题，我们提出了一个新的问题，在历史上，传统的学术界没有做过，因为现在电商积累了这么多的商品数据、订单数据，我知道每一个仓库发货的时候，用户喜欢把什么东西买在一起，然后订单里面的那些组成的商品成分是什么，它们的长宽高是什么，有一个分布，那个分布我知道，我的确可以从数据的角度反推出来最优的箱子的形状是什么，然后我们就做了这个事情，这也是一个非常有意思的问题，刚才说到，假设我给定箱子长宽高以后，我要解这个问题，其实是一个非常难的问题。在这里我们根本不能够用传统优化算法里面的求梯度，用梯度下降的方法去做，因为你根本算不出它的梯度是什么，所以我们做了一些无梯度的算法。

　　因为这个问题比较特殊，它对这个箱子的长宽高没有太多约束，所以我们就可以做一些无梯度的优化算法，把每个箱子的长宽高的参数空间做一些切分，然后看最后总成本的函数大概是多大，然后会平衡全局的搜索和局部的搜索，找到一个最优解，这样做对成本也是非常大的节约。这里给我们一个启示，在物流行业很多时候你把一个算法做好了非常好，但是你要找到这里面你可以打破的约束可能更重要。

　　我们更进一步研究这个问题，因为传统的优化问题一般用的方法就是运筹学里的一些方法，比如说整数规划的问题，或者是一些启发式的算法。但是现在人工智能、深度学习、机器学习都是非常火的领域，的确有一些新的思想可以用在传统的问题里面。像在机器翻译这个领域，以前我们用的都是一些传统的机器学习方。