2017年7月7日至9日，全球人工智能與機器人峰會CCF-GAIR大會在深圳成功舉辦。本次由CCF中國計算機學(xué)會主辦、雷鋒網(wǎng)與香港中文大學(xué)（深圳）承辦。來自全球30多位頂級院士、近300家AI明星AI企業(yè)，齊聚智能科技產(chǎn)業(yè)盛會。

菜鳥網(wǎng)絡(luò)高級算法專家朱禮君在CCF-GAIR 2017大會上發(fā)表了演講，主題是“大數(shù)據(jù)時代的物流優(yōu)化問題”，主要講解菜鳥網(wǎng)絡(luò)當(dāng)中的物流發(fā)展情況。朱禮君畢業(yè)于美國馬里蘭大學(xué)，獲得物理學(xué)博士學(xué)位，先后就職于Goldman Sachs、亞馬遜、Facebook等公司，于2014年回國加入阿里巴巴，領(lǐng)導(dǎo)菜鳥網(wǎng)絡(luò)倉配供應(yīng)鏈的算法團隊。

以下是朱禮君演講速記全文整理，雷鋒網(wǎng)在不改變原意的基礎(chǔ)上做了精編：

我來自菜鳥網(wǎng)絡(luò)，我將分享大數(shù)據(jù)時代的物流優(yōu)化問題，我們在做物流優(yōu)化的時候碰到了很多問題。物流其實是一個非常古老的行業(yè)，可以說有上千年的歷史，但是在這個大數(shù)據(jù)時代，我們發(fā)現(xiàn)很多傳統(tǒng)的運籌學(xué)優(yōu)化問題，在大數(shù)據(jù)時代被賦予了很多新意義，我們在這方面做了很多研究，碰到了很多有意思的問題，在運行的過程中也學(xué)到了很多的經(jīng)驗與大家進行分享。

菜鳥網(wǎng)絡(luò)是傳統(tǒng)行業(yè)和物流行業(yè)的融合

首先介紹一下菜鳥網(wǎng)絡(luò)，菜鳥網(wǎng)絡(luò)是一個物流平臺，協(xié)同物流合作伙伴為消費者和商家提供物流服務(wù)，包括快遞、倉配網(wǎng)絡(luò)、跨境、末端網(wǎng)絡(luò)，還有農(nóng)村物流網(wǎng)絡(luò)。值得一提的是這里面很多節(jié)點，像倉庫以及配送，最后一公里等，我們用的還是社會上的物流資源，是我們合作伙伴的資源，但是菜鳥網(wǎng)絡(luò)在這里面會起到全局優(yōu)化的作用。

剛才說到我們的一個特點就是傳統(tǒng)行業(yè)和物流行業(yè)的融合，因為物流行業(yè)是一個非常傳統(tǒng)的行業(yè)，但是我們是一家互聯(lián)網(wǎng)公司，是一家數(shù)據(jù)公司，所以數(shù)據(jù)是核心，技術(shù)是核心，很多的傳統(tǒng)物流優(yōu)化的問題在互聯(lián)網(wǎng)時代的確是被賦于了很多新的意義，而且在大數(shù)據(jù)和算法是這里面的核心。

物流優(yōu)化問題在大數(shù)據(jù)時代被賦予的新意義

在大數(shù)據(jù)時代，我們的物流優(yōu)化問題被賦于了哪些新的意義呢？經(jīng)過我們的研究發(fā)現(xiàn)，首先我們對很多物流優(yōu)化問題的計算性能要求遠(yuǎn)遠(yuǎn)大于以前，之前我們不太在乎優(yōu)化計算資源的使用的，因為以前的優(yōu)化是今天算了明天再用，現(xiàn)在是實時的，所以對算法有很大的挑戰(zhàn)。

另外，機器學(xué)習(xí)和人工智能被提到很高的高度，在物流領(lǐng)域以前用的是傳統(tǒng)運籌優(yōu)化的理論和算法，在大數(shù)據(jù)時代，這兩者需要得到更好的有機融合。還有一點也是我們最近在研究的方向，就是怎么用機器學(xué)習(xí)的思想來求解傳統(tǒng)物流優(yōu)化問題，這也是在學(xué)術(shù)界上非常有挑戰(zhàn)的一個新的方向，我們在這個過程中也有一些經(jīng)驗。

物流算法應(yīng)用案例

下面分享一下我們在菜鳥網(wǎng)絡(luò)做過的一些物流算法應(yīng)用的案例。

第一個問題是供應(yīng)鏈倉儲配送網(wǎng)絡(luò)的優(yōu)化問題，這是非常傳統(tǒng)的問題，我們有一些客戶在全國或者全世界有一個區(qū)域的分布，我們到底要選哪些倉庫布點，把貨囤到哪些倉庫，從供應(yīng)商那里運到倉庫，最后再運到用戶哪里，這里的核心是我們選擇哪個倉庫，每個倉庫負(fù)責(zé)哪個區(qū)域的用戶，這是傳統(tǒng)的問題。

為什么我們認(rèn)為在現(xiàn)在這個大數(shù)據(jù)時代有它的新的意義呢？在阿里的電商平臺上，商家其實都是負(fù)責(zé)自己的貨，之前他會用自己的倉儲網(wǎng)絡(luò)，我們會對每個商家做優(yōu)化，比如說優(yōu)化以后，有些貨可以放到菜鳥倉庫里，幫它配送，它會覆蓋一些范圍。

舉個例子，深圳的一個商家以前可能在深圳有倉庫，北京的用戶他就需要遠(yuǎn)程發(fā)貨，但是菜鳥在北京有倉庫，我們就可以推薦這個商家用我們的倉庫囤在北京附近貨。這里面需要考慮的一些優(yōu)化的目標(biāo)非常多。除了成本以外，還會考慮時效，次日達(dá)的體驗對用戶來說非常重要，還有鋪貨成本，就是從供應(yīng)商運到倉庫大概要多少錢，一般我們會用混合規(guī)劃的模型來解決這個問題，所以這里面要求非常快，我們專門設(shè)計一些算法來解決這個問題，我們有成千上萬的商家，對每個商家都要單獨求解，這樣用傳統(tǒng)優(yōu)化的算法會有一定的局限性。

當(dāng)商家選了我們的倉庫之后，我們要告訴他們怎么分倉，我在北京的倉庫要放多少貨，上海的倉庫要放多少貨，這個問題看似簡單，其實不然，就算我根據(jù)歷史的數(shù)據(jù)，用機器學(xué)習(xí)的模型預(yù)測出北京的銷量是多少，上海的銷量是多少，這還是不夠，因為機器學(xué)習(xí)的模型是有非常多的不確定性因素，它預(yù)測的未來銷量會有很大的波動，我們也知道特別在中國的電商會有很多的促銷，這個波動會變得更大，我們?nèi)绾伟堰@些波動考慮進去，使得我們在一些不確定的環(huán)境下，都能保證我補貨的量比較合適，不會有缺貨的情況出現(xiàn)，也不會有滯銷的情況出現(xiàn)。所以要考慮鋪貨的成本、倉儲的成本，然后要考慮周期性補貨，到底是一個星期一次，還是兩個星期一次，還是一個月一次是最優(yōu)化。最重要的一點是要考慮銷量的波動性，因為銷量非常不穩(wěn)定。

然后整個補貨量確定之后，我們建立這樣一個模型，用魯棒優(yōu)化的算法來計算每個倉庫大概要補多少量，這個算法也是對每一件商品、每一個商家都是個性化計算的，所以這也是一個難點。

在倉儲領(lǐng)域，我們知道在倉庫里面，用戶下了訂單以后，倉庫里面會有倉庫的工作人員，在倉庫的貨架走一圈，把用戶下的訂單都揀過來，再打包發(fā)給用戶。這里面非常重要的問題就是任務(wù)怎么切分和路徑怎么優(yōu)化。任務(wù)切分就是哪個訂單應(yīng)該派給哪個人，路徑優(yōu)化是怎么派給這個人，這兩個問題是相互融合的，它是一個類似于車輛路徑規(guī)劃的問題。這里面的難點就是，特別是像電商這樣的平臺，訂單是不斷下發(fā)的，我們需要知道到底在什么時候我要做一個決定，哪些訂單把它大爆發(fā)給一個工作人員，讓他去貨架上揀，所以這是一個需要實時做決策的問題，它對計算性能的要求也非常高，因為倉庫里的工作基本上是連軸轉(zhuǎn)，中間不會停，因此需要迅速計算出下一個任務(wù)到底要發(fā)給誰，然后訂單也是不斷下發(fā)，這是一個非常動態(tài)的問題，所以用一些傳統(tǒng)的運籌優(yōu)化算法解這種問題比較難。

箱型推薦問題

在倉儲領(lǐng)域還有一個比較有意思的問題，可能大家會覺得這個問題看上去比較簡單，其實不然，就是箱型推薦問題。比如說用戶在這個網(wǎng)站上買了8件商品，一個用戶買8個東西或者10個東西，這是很正常的，這些東西有它的長寬高、重量，我知道我倉庫里備的箱子的大小和它能承重多少，問題是在訂單下發(fā)的那一刻，我要知道這些商品要怎么壘，然后放到哪個箱子里，或者最大的箱子也放不下，我要放到哪幾個箱子里，這個問題為什么這么重要呢？如果能一個箱子裝下，它就是一個包裹，而如果我把它分成了兩個包裹，它就會需要兩個包裹運輸，增加了配送的費用，而且這個箱子的包材也有浪費，所以這個算法可以發(fā)揮空間很大。這個問題在學(xué)術(shù)界是一個傳統(tǒng)的三維裝箱問題，這是一個非常難的問題。它的約束是物品累積在一起的時候，它的長寬高不能高于那個箱子的長寬高，這是大家都能想到的約束條件。一般的傳統(tǒng)的做法是用構(gòu)造性的算法求解，就是我去嘗試各種不同的擺放形式，或者不同的擺放順序，然后我們在這里面需要做一些語言啟發(fā)算法，就是把一些啟發(fā)式的算法整合起來，做一些分層的算法設(shè)計。假設(shè)你有100個商品，一個復(fù)雜的算法很可能是算不過來，因為我們需要很短的時間內(nèi)把這個計算出來，在訂單下發(fā)的過程中就計算出來，如果你沒有計算出來，后面就會卡住，所以這個算法的挑戰(zhàn)很大。

我們把這個問題解完了以后，后來自己考慮了一下，這里有一個很重要的約束，就是商品累積在一起，它的長寬高不能高于這個箱子的長寬高，然后我們就自己問自己，這個約束是一定要的嗎？其實不然。因為我們可以根據(jù)歷史的一些數(shù)據(jù)來重新分析一下每個倉庫它到底要怎么樣準(zhǔn)備它的箱子，這其實是一個新問題，我們提出了一個新的問題，在歷史上，傳統(tǒng)的學(xué)術(shù)界沒有做過，因為現(xiàn)在電商積累了這么多的商品數(shù)據(jù)、訂單數(shù)據(jù)，我知道每一個倉庫發(fā)貨的時候，用戶喜歡把什么東西買在一起，然后訂單里面的那些組成的商品成分是什么，它們的長寬高是什么，有一個分布，那個分布我知道，我的確可以從數(shù)據(jù)的角度反推出來最優(yōu)的箱子的形狀是什么，然后我們就做了這個事情，這也是一個非常有意思的問題，剛才說到，假設(shè)我給定箱子長寬高以后，我要解這個問題，其實是一個非常難的問題。在這里我們根本不能夠用傳統(tǒng)優(yōu)化算法里面的求梯度，用梯度下降的方法去做，因為你根本算不出它的梯度是什么，所以我們做了一些無梯度的算法。

因為這個問題比較特殊，它對這個箱子的長寬高沒有太多約束，所以我們就可以做一些無梯度的優(yōu)化算法，把每個箱子的長寬高的參數(shù)空間做一些切分，然后看最后總成本的函數(shù)大概是多大，然后會平衡全局的搜索和局部的搜索，找到一個最優(yōu)解，這樣做對成本也是非常大的節(jié)約。這里給我們一個啟示，在物流行業(yè)很多時候你把一個算法做好了非常好，但是你要找到這里面你可以打破的約束可能更重要。

我們更進一步研究這個問題，因為傳統(tǒng)的優(yōu)化問題一般用的方法就是運籌學(xué)里的一些方法，比如說整數(shù)規(guī)劃的問題，或者是一些啟發(fā)式的算法。但是現(xiàn)在人工智能、深度學(xué)習(xí)、機器學(xué)習(xí)都是非?；鸬念I(lǐng)域，的確有一些新的思想可以用在傳統(tǒng)的問題里面。像在機器翻譯這個領(lǐng)域，以前我們用的都是一些傳統(tǒng)的機器學(xué)習(xí)方法，后來有人提出來用深度神經(jīng)網(wǎng)絡(luò)的方法，用LSTM的網(wǎng)絡(luò)結(jié)構(gòu)做機器翻譯，后來也有一些學(xué)術(shù)上的言怎么把這種LSTM的網(wǎng)絡(luò)結(jié)構(gòu)用在解TSP的問題，我們就嘗試了把這種網(wǎng)絡(luò)結(jié)構(gòu)用來解箱型推薦的問題。這里面的目標(biāo)是說，我們要預(yù)測商品放進去的時候那個順序到底怎樣，使得它最后的面積最小，這的確是我們要解決的問題。傳統(tǒng)的優(yōu)化的方法就是不停地去試順序到底是怎么樣的，然后找到一個順序。用機器學(xué)習(xí)或者深度學(xué)習(xí)的方法，我就直接預(yù)測出那個順序，當(dāng)然這里面會牽扯到很多數(shù)據(jù)，我們會用歷史數(shù)據(jù)，這里輸入的數(shù)據(jù)是物品的長寬高，輸出的數(shù)據(jù)是它的順序的數(shù)據(jù)，中間有一些模型跟機器翻譯的模型網(wǎng)絡(luò)結(jié)構(gòu)非常像，當(dāng)然我們做的時候也是用它的歷史數(shù)據(jù)訓(xùn)練，做下來有5%的提升。雖然這個運籌優(yōu)化還是比較古老的領(lǐng)域，但是在人工智能這個時代，機器學(xué)習(xí)和深度學(xué)習(xí)的算法的確可以用。

車輛的路徑規(guī)劃問題

在物流這個行業(yè)有一個非常重要的問題是車輛的路徑規(guī)劃問題。這個問題的定義其實非常簡單，就是我們在地理上有一些需要去服務(wù)的點，要配送的包裹，或者是需要攬收的貨物，它在地理上分布在不同地方，我需要從一個總的中心派幾輛車，分別去攬收，或者分別去派送這些貨物或者是包裹，這個問題體現(xiàn)在兩個層面：

第一，怎么派活，哪些點的服務(wù)要派給哪輛車，用什么樣的車。

第二，每輛車要怎么走，它的路徑要怎么優(yōu)化，這個跟倉庫里面的揀貨優(yōu)化路徑類似，這一大類問題是車輛路徑規(guī)劃問題。它有很多變種，比如說CVRP，就是有的車有限重。還有VRPTW，就是它有一個時間窗的約束。還有VRPPD，你去一個地方拿東西，然后再去另一個地方配送。還有一些其他組合，所以問題其實非常多，但是總的框架還是比較類似，無非是說我要派一些車去一些服務(wù)點，然后每輛車怎么走，這個問題在數(shù)學(xué)上抽象起來還算比較清晰。

傳統(tǒng)的方法大概兩類：

第一，有一些精確的解法，這些算法一般在超過100個服務(wù)點的時候很難在優(yōu)先的時間里面解出來；

第二，傳統(tǒng)的算法里面還有很多近似算法，像ALNS、VNS，這些都是流域搜索的算法，還有基因算法。現(xiàn)在的一些比較前沿的研究是如何把這些優(yōu)化算法與深度學(xué)習(xí)的一些技巧聯(lián)合起來。

我們自己開發(fā)了一個車輛路徑規(guī)劃非常強大的引擎。因為剛才提到這是物流行業(yè)經(jīng)常出現(xiàn)的問題，我們從算法的層面來說，這里面最重要的一個點是用了機器學(xué)習(xí)里的一個思想。每一個我要優(yōu)化的問題它會有不同的約束，比如在農(nóng)村，約束車的數(shù)量不變，如果外賣，可能會有時間窗，所以每一類問題的約束還是多種多樣的，我要是單獨做一個算法還好，但是我要算法適應(yīng)各種不同的約束，就非常難。而且我們知道機器學(xué)習(xí)、強化學(xué)習(xí)里面會有一些自適應(yīng)的方法，我們會根據(jù)這個問題的特殊的結(jié)構(gòu)識別出來我到底要怎么解決這個問題，這里我們用的是比較傳統(tǒng)的Bandit Learning思想，各種問題會有一些不同的解法，有一些算子，我會試一下，看看兩兩交換、三三交換，能不能把這個解做得更好，把一些解做一個變換，看看能不能做得更好。不同的問題，不同的策略會使它更快的收攬，所以我們會去試，比如說這次好，下次會再試一下其他方式，比如說兩兩交換不好，我可以試一下三三交換，這樣算下來，每個個體會找到特定的算子，到底什么樣的算子、算法最優(yōu)。

我們的應(yīng)用案例也很多，像一些生鮮配送的應(yīng)用、農(nóng)村淘寶、城市門店配送、倉庫揀選路徑優(yōu)化。應(yīng)用的場景很多，同一個算法引擎可以用到很多場景中，原因就是因為它有自適應(yīng)的學(xué)習(xí)過程。

大數(shù)據(jù)智能分單

下面分享我們做的大數(shù)據(jù)智能分單。傳統(tǒng)物流的情況是說我們需要把包裹收上來以后，按照全國的流向去分，比如說我會按北京、上海、廣州流向去分，以前是人在分的，如下圖，有一個人在看快遞地址，然后把它放到對應(yīng)的口，全國可能有200多個口，人工分揀起來很難。未來我們肯定希望做到自動化，自動化比較重要的一個點就是數(shù)據(jù)化，首先我們需要把這個地址數(shù)據(jù)化，然后把它編碼。以前是人工會寫一個碼，我會看這個地址。現(xiàn)在菜鳥電子面單，在商家發(fā)貨的時候，會寫上對應(yīng)的碼，操作員只需要看這個碼就行了，非常方便，因為識別一個碼比識別一個手寫的地址更簡單。

一個地址應(yīng)該去哪個站點配送呢？快遞公司有多規(guī)則去分，比如說深圳福田區(qū)的一個網(wǎng)點它到底要服務(wù)哪一個區(qū)域，它有一些很復(fù)雜的規(guī)則，這些規(guī)則你很難把它數(shù)字化，我們用了一個什么樣的方法呢？我們用的是大規(guī)模機器學(xué)習(xí)方法，我不知道你的規(guī)則什么樣，也不需要描述，我把它挖過來，這是機器學(xué)習(xí)的非常簡單的應(yīng)用，原來你是怎么學(xué)習(xí)的我不知道，我只要有歷史數(shù)據(jù)，我就可以通過機器學(xué)習(xí)的挖掘把它利用出來。這里面會用到一些分詞、地理圍欄的特征，還有規(guī)則的特征，我們用大數(shù)據(jù)的模型學(xué)習(xí)，最終把訂單都分到它對應(yīng)的點。

據(jù)雷鋒網(wǎng)了解，中國有很多物流提供商、很多快遞公司，也有很多配送公司都有各自的優(yōu)劣，每個公司在各自的區(qū)域優(yōu)勢不一樣。

如上圖，左邊公司和右邊公司，它的配送的時間有差距，可以看見比如說在北方，右邊那個公司就沒有左邊這個公司好。

一個商家要發(fā)貨的時候，它對每一條線路都要做一個選擇，比如說商家如果在杭州，杭州到上海需要誰來發(fā)，杭州到廣州、北京、武漢分別用誰來發(fā)，下面又有很多的配送公司，這是一個組合優(yōu)化的問題，我怎么樣對每一條線路，用什么樣的配比分配我的訂單最終最優(yōu)化，這個事情用人做非常難，而且簡單粗暴，他不會細(xì)到每條線路怎么分，但是交給算法來做，就會很精細(xì)。我們做了一個引擎，考慮時效、服務(wù)、成本等等，把所有的因子考核到一起，求一個最優(yōu)的分配方案，然后自動地為這個商家提供一個智能發(fā)貨的解決方案。

我剛才提到很多算法，我們是一家互聯(lián)網(wǎng)公司，以技術(shù)為核心，我們希望通過整合社會化物流，提升整個中國的物流水平。積累下來的技術(shù)，希望能夠開放，給整個社會上的物流公司使用，能夠提升整個中國社會的物流水平。如路徑規(guī)劃的算法的引擎，我們已經(jīng)在跟多個合作伙伴對接，剛才提到的箱型推薦的算法已經(jīng)開放出來了，還有地址庫，地址怎么分類，地址的聚合的服務(wù)，標(biāo)準(zhǔn)化的服務(wù)，還有只能分單的算法，對每個配送公司怎么去分他的訂單，這些算法我們都對外開放，提供給所有物流合作伙伴。以該方式來提升整個中國物流的效率。

未來發(fā)展方向

從技術(shù)的方面來講，我們覺得未來的發(fā)展方向是這樣的：第一點是從Model-driven的方法到Data-driven的方法。剛才說到傳統(tǒng)的物流優(yōu)化一般用的是運籌優(yōu)化的模型，運籌優(yōu)化一般會有一個目標(biāo)函數(shù)，比如成本，然后我有約束，比如當(dāng)日達(dá)訂單比例是多少，這個倉庫訂單不能超過多少，這輛車裝的東西不能超過多少，這些約束列好以后，需要把它求解，這是一個以模型為中心解決問題的方法。

但是在互聯(lián)網(wǎng)時代積累了非常多的數(shù)據(jù)問題。

一類問題可能我們解了很多，它們有一點不一樣，但是有很多地方是一樣的，比如說農(nóng)村配送，我每天要配送的村點其實不會變，但是它的量會變，所以我昨天求解的路徑規(guī)劃和今天求解的路徑規(guī)劃應(yīng)該是有很大的關(guān)聯(lián)，而傳統(tǒng)的模型驅(qū)動的方法，我把這個關(guān)聯(lián)性就丟掉了，我昨天的解沒有用。我解了同樣的一類問題幾次以后，我應(yīng)該是可以總結(jié)歸納出一些方法，為明天求解同樣的問題或者類似的問題會有幫助，這是采用Data-driven的方法解決問題。我們也用一些深度學(xué)習(xí)或者是機器學(xué)習(xí)的方法做這方面的研究，這的確是一個非常讓人激動得方向，它的確是把傳統(tǒng)的領(lǐng)域注入了一些新的活力。

第二類是算法一定要產(chǎn)品化。算法做得再深，不考慮各種各樣的邊角料的情況肯定不行，特別是物流行業(yè)，我要應(yīng)用到實操有很多環(huán)節(jié)需要不斷地打磨。就像剛才提到的路徑規(guī)劃的算法，在運行過程中得到非常多的反饋，那些反饋我們又會加回去。我們把算法平臺化，不會為單獨一個問題解一個算法，因為問題實在太多，單獨為每個問題建模，在可擴展性上會遇到很大問題。剛才也提到大部分的算法已經(jīng)對外開放，所以未來也會繼續(xù)在這方面努力把我們的算法能力，把我們?nèi)斯ぶ悄芊矫娴哪芰ν忾_放，提升物流行業(yè)的智能化。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。