某天中午，⼩編喜滋滋地點了⼀份⽜⾁飯外賣，然後翹⾸以盼等待配送⼩哥的到來。半個多⼩時過去了，軟件上的地圖顯⽰⼩哥離我只有三百⽶的距離，⽜⾁飯已經近在咫尺。然⽽左等右等⽜⾁飯也沒有到，再打開app⼀看，簡直兩眼發⿊：⼩哥的距離竟然從三百⽶變成了 ⼀千⽶！
相信⼤家都曾遇到過這樣的問題：外賣點的各種美⾷，或者跑腿購買的東西，還有淘寶的包裹，明明頁⾯顯⽰它們已經近在咫尺甚⾄只有⼏分鐘的路程，結果配送⼩哥⾮要繞遠去別的地⽅，
在家翹⾸以盼包裹到來的你等到花⼉都快謝了，讓你⽆語凝咽：軟件上的路線規劃完全是⼈⼯智障！然⽽，好奇⼼旺盛的⼩編陷⼊了沉思，爲何這路線規劃顯得如此智障呢，莫⾮這⾥⾯隱藏着某些不 爲⼈知的祕密？這究竟是⼈性的缺失還是算法的淪喪？
剛好，天池最後⼀公⾥配送問題⼤賽提供了配送機制以及這個問題需要的數據，讓我們來⼀探究竟。
-配送機制-
我們來看看淘寶的配送機制：
·配送⼈員從⽹點將包裹配送到客戶⼿上
·每個配送員最多隻能攜帶140個包裹
·送完所有的包裹回到⽹點
·配送點與⽹點的從屬關係固定
-數據介紹-
⽼樣⼦，使⽤pandas讀取並觀察數據：
import pandas as pd
tp1=pd.read_csv(r"F:\data\tianchi\peisong\peisongshuju\1.csv",sep=",")
tp2=pd.read_csv(r"F:\data\tianchi\peisong\peisongshuju\2.csv",sep=",")
tp3=pd.read_csv(r"F:\data\tianchi\peisong\peisongshuju\4.csv",sep=",")
tp1.head()# 點ID以及對應的經度和緯度
tp2.head()#配送點ID以及對應的經度和緯度
tp3.head()#訂單ID，配送點ID，點ID以及需要送配送點的電商包裹量
我們來看單個⽹點的路線規劃，先將A117⽹點數據整合在⼀張表⾥：
#整合A117點的整合A117點數據
tp1=tp1.set_index('Site_id')
a="A117"
a1=tp3[tp3.Site_id=="A117"]
a1=pd.merge(a1,tp2) #獲取對應配送點的座標
a1.Lng=a1.Lng-tp1.loc["A117"]["Lng"]
a1.Lat=a1.Lat-tp1.loc["A117"]["Lat"]
#以網點爲原點，只看配送點與點之間的相對座標
a1.head()
觀察配送點與⽹點的位置關係:
import pylab
pylab.plot([0],[0],"o")
pylab.plot(a1.Lat.values,a1.Lng.values,"o")
如圖所⽰，藍⾊的點是⽹點A117的位置，黃⾊的點是配送點的位置，配送⼩哥從藍⾊點出發，把包裹送到黃⾊點，每次攜帶的包裹不⼤於140個。當攜帶的包裹配送完後，配送⼩哥需要再次返回到 ⽹點取包裹。路線規劃所考慮的問題是：怎麼⾛才能使配送⼩哥⾛的路程最短呢？爲了簡化起見，我們將經緯度下的曲線距離⽤直線距離來代替。
路線規劃⼀：基於點的⾓度順序配送
物流配送路徑優化問題是⼀個很經典的問題，針對該問題有很多的解決⽅法。基於點的⾓度順序配 送是⼀個⽐較簡單且運⾏良好的算法。
如上圖所⽰，P0爲起始點，其它點爲配送需求點。
1. 採⽤極座標來表⽰各點的相對位置，然後以P0點爲座標原點，以P1爲起始點，定其⾓度爲零 度，以順時鐘或逆時鐘⽅向開始掃描各個點，獲得各點與原點連線P0Pn相對於P0P1的⾓度⼤ ⼩。
2. 根據⾓度⼤⼩確定其順序，直⾄掃描完畢。
3. 掃描結束後獲得的點的序列就是各點的配送順序。
瞭解了算法原理，我們來試驗⼀下，A117這個⽹點的配送順序是如何的。
下⾯，就開始路線規劃啦：
a1=pd.concat([a1,a1.Lng/a1.Lat],axis=1) #計算各個配送點的正切值 a1.rename(columns={0:"zhengqie"},inplace=True)
a1=pd.concat([a1,(a1.Lng**2+a1.Lat**2)**0.5],axis=1)#計算各個配送點與中點的距離
a1.rename(columns={0:"r"},inplace=True)
lu1=a1[a1.Lat>0].sort_values(["zhengqie"])
lu2=a1[a1.Lat<0].sort_values(["zhengqie"])
lu=pd.concat([lu1,lu2])
zz=0
x=[0]
y=[0]
ju=0
lat=0
lng=0
for i in lu.iterrows():
zz=zz+i[1]["Num"]
if zz>140:
x.append(0)
y.append(0)
pylab.plot(x,y,"-o")
ju=ju+(lat**2+lng**2)**0.5 #加回程距離
lat=0
lng=0
x=[0]
y=[0]
zz=i[1]["Num"]
ju=ju+((i[1]["Lat"]-lat)**2+(i[1]["Lng"]-lng)**2)**0.5#加 了路徑長度的計算
lat=i[1]["Lat"]
lng=i[1]["Lng"]
x.append(lat)
y.append(lng)
ju=ju+((0-lat)**2+(0-lng)**2)**0.5
x.append(0)
y.append(0)
print(ju)
pylab.plot(x,y,"-o")
pylab.show()
通過這份路線規劃圖，就不難明⽩配送⼩哥爲何會繞遠了。以順時針⽅向進⾏配送 假設你在圖中1的位置， 配送⼩哥正在2的位置進⾏配送， 按照實際距離來講，快遞⼩哥離你最近，下⼀個應該⾸先爲你進⾏配送，但是根據⾓度⼤⼩來規劃路線，快遞⼩哥卻去了更遠的3這個位置！
我餓着肚子癡癡地等待着我的牛肉飯，明明我是最近的，卻讓我白白地多等了半個小時，就因爲我家地理位置的正切值比別人家的大？這路線規劃一點兒也不合理！別急，我們來看看另一種路線規劃方法。
路線規劃⼆：環形掃描法
由於僅僅按照⾓度順序分配，導致徑向距離來回的浪費。因此我們把點分爲不同徑向長度的環，環內按照⾓度排序，減少徑向⾏⾛。
def c1(a):#點與配送點的數據準
a1=tp3[tp3.Site_id==a]
a1=pd.merge(a1,tp2)
a1.Lng=a1.Lng-tp1.loc[a]["Lng"]
a1.Lat=a1.Lat-tp1.loc[a]["Lat"]
a1=pd.concat([a1,a1.Lng/a1.Lat],axis=1)
a1.rename(columns={0:"zhengqie"},inplace=True)
a1=pd.concat([a1,(a1.Lng**2+a1.Lat**2)**0.5],axis=1)
a1.rename(columns={0:"r"},inplace=True)
return a1
def c2(a1):#⻆度排序
lu1=a1[a1.Lat>0].sort_values(["zhengqie"])
lu2=a1[a1.Lat<0].sort_values(["zhengqie"])
return pd.concat([lu1,lu2])
def c3(lu):#按照最140的負荷佈置路徑
zz=0
x=[0]
y=[0]
ju=0
lat=0
lng=0
for i in lu.iterrows():
zz=zz+i[1]["Num"]
if zz>140:
x.append(0)
y.append(0)
pylab.plot(x,y,"-o")
ju=ju+(lat**2+lng**2)**0.5
lat=0
lng=0
x=[0]
y=[0]
zz=i[1]["Num"]
ju=ju+((i[1]["Lat"]-lat)**2+(i[1]["Lng"]-lng)**2)**0.5
lat=i[1]["Lat"]
lng=i[1]["Lng"]
x.append(lat)
y.append(lng)
ju=ju+((0-lat)**2+(0-lng)**2)**0.5
x.append(0)
y.append(0)
pylab.plot(x,y,"-o")
pylab.show()
return ju
p1=c1(a) #數據處理
r0=p1.r.mean()#配送點與 點的平均距離
h0=p1[p1.r<r0]
p2=c2(h0)
p3=c3(p2)
print(p3)
使用環形掃描法 基本的掃描法效果好了很多。配送哥少跑了很多冤枉路，但是可以看到，它仍然法完全解決你的困擾！
若爲順時針掃描，假設你在位置1，配送⼩哥正在位置2，雖然你距離他很近，但仍然，他需要先到 達更遠的位置3，再到你的位置！ 事實上，通過其他算法也可以得到或近似得到配送⼩哥的最短路徑規劃⽅案。但不論如何，配送⼩哥距離你的位置最近就⼀定會爲你最先配送嗎？ 答案是否定的！畢竟考慮到配送⼩哥⼯作量如此之⼤，在家嗷嗷待哺的我們就稍微耐⼼⼀點吧！
想要獲取更多數據科學知識乾貨，歡迎關注我們的公衆號【DC黑板報】