做同城配送或者即时物流调度的朋友,应该都被同一类问题折磨过:客户预约上午十点收货,司机下午一点才按门铃;上周明明是李师傅负责这个小区,今天换了个新司机,连门禁卡在哪都要打电话问半天。这些问题的根源往往不在路线绕了多少公里,而是传统车辆路径优化(VRP)把“送完货”当成了唯一目标,完全忽略了服务人员和服务时间的稳定性。这篇文章要拆解的是专治这类问题的建模思路——同城配送一致性车辆路径优化模型(Consistent VRP,ConVRP),我会把模型目标、约束设计、求解算法和一份可以直接运行的示例代码完整梳理一遍。适合正在做物流调度算法、SaaS配送系统优化、运筹相关项目或比赛的同学参考,有VRP基础的话理解起来会非常顺。
1. 同城配送为什么需要“一致性”
1.1 传统VRP在真实配送中的三个盲区
传统VRP的核心逻辑很简单:给定一批订单、若干辆车,求一个总行驶成本最小的配送方案。这个逻辑放在“跑一趟是一趟”的场景里没问题,但同城配送是典型的重复性服务,每天都有客户下单,每天都有司机在路上跑。当同一个客户被反复服务时,传统VRP的短板就暴露出来了。
第一个盲区是司机熟悉度带来的效率被白白浪费。老司机知道哪个小区哪个门能进、哪个客户的货要放前台、哪栋楼的电梯要刷卡,这些隐性信息全都装在司机脑子里。传统VRP每次重新算路线时不会考虑历史分配,于是系统可能把一个老客户换给一个完全陌生的司机,新司机光是找路、找门、问物业就能多耗二十分钟。对平台来说,这二十分钟不是不可控的交通成本,而是自己亲手丢掉的经验资产。
第二个盲区是到达时间随当天订单结构剧烈波动。今天订单密度高,司机两点到;明天订单少,十一点就到了。客户如果天天被这样反复折腾,很容易默认服务不可靠,下次就直接换平台了。很多做生鲜、桶装水、药品配送的公司都有这个体会:客户投诉最多的不是“运费贵”,而是“你们到底几点能到,怎么天天不一样”。
第三个盲区是服务区域的碎片化。同一个司机今天跑城东、明天跑城西,对城市路况的把握永远停留在新手水平,车辆空驶率也居高不下。如果能让每个司机的服务范围相对固定,他对片区内的小路、拥堵时段、停车点位都会越来越熟,单位配送成本是能肉眼可见下降的。
1.2 一致性模型的三个核心维度
针对这些问题,学术圈和工业界形成了比较统一的建模方向,就是ConVRP(Consistent Vehicle Routing Problem),也叫一致性车辆路径问题。这个方向强调的不再是“单次最优”,而是“长期稳定”,核心约束和惩罚都围绕一致性展开。做落地时,通常拆成三个维度来度量。
第一个是人员一致性,英文叫person-oriented consistency,意思是同一个客户尽量由同一个司机服务。这是工业界最看重的一条,因为司机和客户之间的信任关系是长期服务效率的基础。在模型里,一般会给“本次司机与历史司机不同”加一个惩罚项,也就是鼓励系统沿用上次的服务人员。
第二个是时间一致性,英文是arrival time consistency,强调同一客户每次被服务的时间尽量相近。比如客户习惯下午一点收货,那系统就尽量别安排上午十点送达。落地时通常对比“本次预计到达时间”和“该客户的历史平均到达时间”,偏差越大惩罚越高。
第三个是区域一致性,area consistency,强调司机的工作范围保持稳定,不要今天城东明天城西。这个维度在单日模型中不太好直接体现,通常需要跨多日分配来建模,或者把“换区域”作为隐性成本纳入目标。
需要说明的是,实际项目里很少有人一次把三个维度全部上齐,成本和复杂性都太高。我见过的绝大多数同城配送系统,都是先做人员一致性,再做时间一致性,区域一致性更多是通过调度规则来保证,而不是塞进优化模型里。
1.3 一致性带来的长期收益
从司机端看,服务区域固定之后,司机对路况和客户习惯越来越熟,单均配送时间会持续下降,收入也会有正向反馈。从客户端看,熟悉的面孔和稳定的到达时间,会直接拉高服务体验和复购率,尤其对独居老人、孕妇这类对服务敏感的人群,价值非常大。从平台端看,长期来看总行驶里程可能会比纯成本最优方案高一点点,但换来的却是投诉率下降、司机留存率上升、以及更高的客户生命周期价值,这笔账在绝大多数场景下都是划算的。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数学模型怎么搭:目标函数与约束逐条拆解
2.1 问题定义与集合符号
要把ConVRP写成一个可求解的数学模型,第一步是定义清楚输入。假设我们处理的是单日调度,且当天订单已经确定,仓库有一个统一发货点,记作节点0。当天需要服务的客户集合为C=1,2,...,n,配送车队有V辆车,每辆车从仓库出发,服务完分配到的客户后再返回仓库。
每个客户i需要声明几个属性:需求量q_i(体积或重量,用于车辆容量约束)、服务时间s_i(卸货交接耗时)、允许的服务时间窗[e_i, l_i](最早开始服务时间和最晚开始服务时间),以及一组一致性历史数据,包括历史偏好司机p_i和历史平均到达时间t_i^hist。这些历史数据可以来自系统近三十天的统计,也可以来自前一天,项目初期用统计均值更稳。
路网数据用一个距离矩阵D来表示,D_ij表示从节点i到节点j的行驶距离。这里要注意,同城配送如果直接算欧氏距离会失真,建议用地图API获取的真实道路距离,至少也得按路网折减系数修正一下。
2.2 目标函数怎么定:三部分成本一次说清
模型的目标函数我习惯写成三部分叠加,这样每一项都有明确的业务语义,调参也方便。第一部分是总行驶距离成本,对应传统VRP的核心目标;第二部分是人员一致性惩罚,每有一个客户被分配给了非偏好司机,就记一次惩罚;第三部分是时间一致性惩罚,用“本次到达时间与历史平均到达时间的绝对偏差”来量化。
用数学符号表达就是:
min Z = w_d * Σ_ij D_ij * x_ijk + w_p * Σ_i change_i + w_t * Σ_i |a_i - t_i^hist|
其中x_ijk是0-1变量,表示车辆k是否从节点i行驶到节点j;change_i是0-1变量,表示客户i是否被分配给了非偏好司机;a_i是连续变量,表示客户i的预计到达时间。w_d、w_p、w_t分别是三个目标的权重,这个权重的调法我后面会专门讲,这里先按住不表。
这里有一个非常关键的设计选择:一致性到底是作为硬约束还是软约束。我的建议是,初期一定做成软约束,也就是通过惩罚进目标函数,而不是写死“客户i必须由司机p_i服务”。原因很简单:同城配送的订单每天都在变,如果某天偏好司机的容量已经满了,硬约束会导致模型直接无解。用惩罚项,系统可以在“多跑一公里”和“换一个司机”之间做理性权衡,大多数时候会倾向沿用老司机,但不会为了一致性牺牲整个方案的可行性。
2.3 约束条件逐条解读
基础约束和标准VRP基本一致,这里我按落地优先级排个序。第一条是流守恒约束:每辆车从仓库出去后,服务完所有客户必须回到仓库,且每个客户恰好被一辆车服务一次。这条保证了方案的合法性和完整性。
第二条是车辆容量约束:每辆车上装载的客户需求量总和不能超过车辆的最大容量Q。这里有一个工程上的小坑——同城配送经常混装多种品类的货,建议需求量统一折算成“托盘数”或“占位体积”,而不是用订单笔数,否则很容易出现“数没超但装不下”的情况。
第三条是时间窗约束:每个客户的开始服务时间必须在[e_i, l_i]范围内。实际业
