基于AI算法及大数据分析的物流中心优化调度系统

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于AI算法及大数据分析的物流中心优化调度系统。

背景技术

目前，调度系统是作为物流中心在进行物流过程中对货物进行运输的系统，在物流运输过程中起着重要的作用；

然而，传统的物流中心调度系统存在调度效率低下、资源利用率不高从而无法应对复杂的运输需求；而且传统的调度系统主要采用规则和启发式策略确定调度测类，从而缺乏灵活性以及智能性，无法实现调度任务的具体化分析，从而无法实现为调度任务配置专门的调度策略，进而无法提高物流中心货物调度的智能性与运营效率；

因此，为了克服上述技术问题，本发明提供了一种基于AI算法及大数据分析的物流中心优化调度系统。

发明内容

本发明提供一种基于AI算法及大数据分析的物流中心优化调度系统，用以通过确定物流中心的调度项目，并通过对物流中心的调度项目进行整合，获得调度项目节点，并将调度流程数据添加至对应的调度项目数据节点中，从而有效保障数据的完整性与准确性，从而为基于AI算法构建调度模型奠定基础，通过对调度模型的构建，从而有效基于调度模型对调度任务识别，进而输出对应的调度策略，通过AI算法对多个调度策略进行分析，从而有效生成最优调度策略，可以实现在物流中心对调度任务进行执行的有效性，确保货物能够及时配送，从而提高物流中心货物调度的智能性与运营效率。

一种基于AI算法及大数据分析的物流中心优化调度系统，包括：

数据获取模块，用于获取物流中心的调度项目，并确定调度项目中的调度流程数据；

数据整合模块，用于将调度项目进行项目整合，获得调度项目数据节点，同时，将调度流程数据添加至对应的调度项目数据节点中，并将添加后的调度项目数据节点进行节点整合，构建调度项目数据管理库；

模型构建模块，用于基于AI算法对调度项目数据管理库中的数据进行学习，构建调度模型；

调度模块，用于：

当系统接收到调度任务时，基于调度模型对调度任务进行处理，并基于处理结果输出多个调度策略；

基于AI算法对多个调度策略进行分析，输出最优调度策略，并基于最优调度策略在物流中心执行调度任务。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，数据获取模块，包括：

已有调度信息获取单元，用于获取物流中心的已有调度信息；

信息读取单元，用于对已有调度信息进行读取，确定每一次调度的调度对象，同时，获得调度对象的中心类型；

归类单元，用于基于调度对象的中心类型对调度对象进行归类，且基于归类结果确定物流中心的调度项目；

信息划分单元，用于基于调度项目对已有调度信息中的调度参数进行划分，且基于划分结果确定物流中心中每个调度项目对应的调度流程数据。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，归类单元，包括：

类型属性确定子单元，用于对调度对象进行读取，确定已有调度信息的类型属性，同时，基于已有调度信息的类型属性获得每个调度对象的中心向量；

向量距离确定子单元，用于基于每个调度对象的中心向量，计算每相邻两个调度对象的中心向量距离；

分类子单元，用于基于每相邻两个调度对象的中心向量对调度对象进行归类。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，归类子单元，包括：

获取预设向量距离；

确定中心向量距离与预设向量距离之间的差异度值；

当差异度值达到限定条件时，则判定相邻两个调度对象为同一类型；

否则，则判定相邻两个调度对象不为同一类型；

对判定结果进行整合，完成对调度对象的归类。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，数据整合模块，包括：

整合单元，用于对调度项目进行同类型项目整合，获得多个调度项目节点；

数据添加单元，用于将调度项目对应的调度流程数据在调度项目节点中进行添加；

所述整合单元，还用于将调度项目节点进行节点整合，获得调度项目数据节点，并基于整合结果构建调度项目数据管理库。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，整合单元，包括：

标签构建子单元，用于：

获取调度项目的项目关键因子，同时，基于项目关键因子构建调度项目的身份标识；

根据调度项目的身份标识建立调度项目节点；

项目添加子单元，用于基于身份标识将对应的调度项目添加至对应的调度项目节点中并进行整合生成调度项目数据节点。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，模型构建模块，包括：

读取单元，用于对调度项目数据管理库进行读取，确定调度项目数据管理库中的关键字段，其中，关键字段包括：调度项目、调度项目节点以及调度流程数据；

学习链路构建单元，用于基于AI算法确定调度项目节点的节点标识，并根据节点标识构建学习节点；

捕捉单元，用于基于AI算法对调度项目节点中的调度项目进行捕捉，并基于捕捉结果确定调度项目节点与调度项目的依赖关系；

主支路生成单元，用于基于调度项目节点与调度项目的依赖关系构建调度项目在学习节点中的主支路；

编码单元，用于基于AI算法对调度项目中的调度流程数据进行学习，确定调度项目中调度流程数据的调度行为习惯，并将调度行为习惯进行数字化表示，获得每个调度项目中调度行为习惯的习惯编码；

子依赖关系确定单元，用于基于习惯编码确定调度项目与调度流程数据的子依赖关系；

从支路生成单元，用于根据子依赖关系构建调度项目基于学习链路中主支路的从支路；

调度模型生成单元，用于根据学习节点、学习节点的主支路以及主支路对应的从支路生成AI学习网络，同时，基于AI学习网络生成调度模型。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，调度模型生成单元，还包括：

数据读取子单元，用于对调度项目数据管理库进行读取，确定调度项目数据库的数据类型以及数据格式；

模板生成子单元，用于根据调度项目数据库的数据类型与数据格式生成数据转换模板；

模型优化子单元，用于将数据转换模板在调度模型中进行优化封装，完成对调度模型的优化。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，调度模块，包括：

任务接收单元，用于对调度任务进行接收；

执行判定单元，用于：

对调度任务对应的任务数据进行读取，确定任务数据中的关键数据；

获取调度项目数据管理库的库表信息，并将关键数据与库表信息进行匹配，判断关键数据是否在库表信息中存在；

当关键数据存在于库表信息中时，则调度任务可以执行；

当关键数据不存在于库表信息时，则生成反馈信号，并将反馈信号传输至监控端，同时，若监控端输出授权信号时，则调度任务可以执行，若监控端没有输出授权信号时，则调度任务不可以执行；

数据标准化单元，用于当调度任务可以执行时，获取调度模型的数据转换模板，并根据调度模型的数据转换模板对调度任务的任务数据进行格式转换，且基于格式转换结果生成标准任务数据；

调度策略输出单元，用于将标准任务数据输入至调度模型中进行分析，并输出调度任务对应的多个调度策略。

优选的，一种基于AI算法及大数据分析的物流中心优化调度系统，调度模块，包括：

策略读取单元，用于对同一类别物品的多个调度策略进行读取，确定每个调度策略对应的调度执行步骤，并基于AI算法对调度策略对应的调度执行步骤进行分析，确定调度策略中每个执行步骤对应的执行效率；

分类单元，用于基于执行环节特征将所有调度策略中的执行步骤进行分类，获得每个执行环节对应的执行步骤集，同时，在每个执行环节对应的执行步骤集中摘取执行效率最高的目标执行步骤；

虚拟调度策略确定单元，用于将执行效率最高的目标执行步骤进行拼接，获得虚拟调度策略；

最优调度策略获取单元，用于：

将虚拟调度策略在计算机中基于AI算法进行模拟，获得对调度任务进行调度的模拟执行结果，同时，获取调度任务的目标结果；

判断模拟执行结果与目标结果是否相同；

当模拟执行结果与目标结果相同时，则将虚拟调度策略作为最优调度策略；

当模拟执行结果与目标结果不相同时，则在虚拟调度策略中对错误目标执行步骤进行定位并在对应执行步骤集中将错误目标执行步骤进行剔除，同时，基于执行步骤对应的执行效率在对应执行步骤集中重新选取执行效率最高的执行步骤，并基于选取结果在虚拟调度策略中进行更新；

若更新后的虚拟调度策略的模拟执行结果与目标结果一致时，则将更新后的虚拟调度策略作为最优调度策略；

调度单元，用于基于最优调度策略在物流中心执行调度任务。

与现有技术相比，本发明的有益效果为：

1.通过确定物流中心的调度项目，并通过对物流中心的调度项目进行整合，获得调度项目节点，并将调度流程数据添加至对应的调度项目数据节点中，从而有效保障数据的完整性与准确性，从而为基于AI算法构建调度模型奠定基础，通过对调度模型的构建，从而有效基于调度模型对调度任务识别，进而输出对应的调度策略，通过AI算法对多个调度策略进行分析，从而有效生成最优调度策略，可以实现在物流中心对调度任务进行执行的有效性，确保货物能够及时配送，从而提高物流中心货物调度的智能性与运营效率。

2.通过对同一类别物品的多个调度策略进行读取，并根据读取结果对每一调度策略中的调度执行步骤进行解析，实现对每一调取执行步骤的执行效率进行准确有效的确定，其次，通过将不同和调度策略中执行效率最高的调度执行步骤进行拼接，实现对虚拟调取策略进行有效获取，且在计算机中对虚拟调度策略执行调度任务的执行结果进行可靠模拟，实现对虚拟调度策略的模拟执行结果进行准确有效的确定，最后，将得到的模拟执行结果与调度任务的目标结果进行比较，实现对虚拟调度策略中包含的调度执行步骤的有效性进行准确有效的校验，并在不满足要求时，重新调取最后执行步骤对虚拟调度策略进行更新和完善，实现对物品进行准确有效的调度，确保了执行调度任务的准确可靠性，提高了物流中心货物调度的智能性与运营效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在本申请文件中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于AI算法及大数据分析的物流中心优化调度系统结构图；

图2为本发明实施例中一种基于AI算法及大数据分析的物流中心优化调度系统中归类单元结构图；

图3为本发明实施例中一种基于AI算法及大数据分析的物流中心优化调度系统中调度模块结构图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1：

本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，如图1所示，包括：

数据获取模块，用于获取物流中心的调度项目，并确定调度项目中的调度流程数据；

数据整合模块，用于将调度项目进行项目整合，获得调度项目数据节点，同时，将调度流程数据添加至对应的调度项目数据节点中，并将添加后的调度项目数据节点进行节点整合，构建调度项目数据管理库；

模型构建模块，用于基于AI算法对调度项目数据管理库中的数据进行学习，构建调度模型；

调度模块，用于：

当系统接收到调度任务时，基于调度模型对调度任务进行处理，并基于处理结果输出多个调度策略；

基于AI算法对多个调度策略进行分析，输出最优调度策略，并基于最优调度策略在物流中心执行调度任务。

该实施例中，物流中心的调度项目是根据调度商品的类型等确定的，不同的商品类型由于摆放位置的不同以及商品本身的属性（如外形、大小以及材质等的不同）因此在调度过程中的调度步骤也是不相同的，因此，一个类型的商品对应于一个调度项目。

该实施例中，调度项目中的调度流程数据可以是对调度项目进行调度时的流程步骤对应的数据。

该实施例中，对调度项目进行项目整合可以是根据调度项目的项目类型等进行整合的结果，即将同类型的调度项目进行整合。

该实施例中，调度项目数据节点可以是对调度项目进行整合后，每个类型对应的调度项目数据存储于一个调度项目数据节点。

该实施例中，调度项目数据管理库可以是包含：调度项目数据节点、调度项目以及调度流程数据，其中，调度项目数据节点包括：同类型的多个调度项目以及每个调度项目对应一个调度流程数据。

该实施例中，AI算法可以对调度项目数据管理库中的数据进行学习，从而有效构建调度模型，即通过调度模型可以实现对调度任务的识别分析，从而输出多个调度策略。

该实施例中，最优调度策略可以是最适合对当前调度任务进行调度的策略，是基于AI算法对多个调度策略进行分析后得到的最佳调度策略。

上述技术方案的工作原理及有益效果是：通过确定物流中心的调度项目，并通过对物流中心的调度项目进行整合，获得调度项目节点，并将调度流程数据添加至对应的调度项目数据节点中，从而有效保障数据的完整性与准确性，从而为基于AI算法构建调度模型奠定基础，通过对调度模型的构建，从而有效基于调度模型对调度任务识别，进而输出对应的调度策略，通过AI算法对多个调度策略进行分析，从而有效生成最优调度策略，可以实现在物流中心对调度任务进行执行的有效性，确保货物能够及时配送，从而提高物流中心货物调度的智能性与运营效率。

实施例2：

在实施例1的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，数据获取模块，包括：

已有调度信息获取单元，用于获取物流中心的已有调度信息；

信息读取单元，用于对已有调度信息进行读取，确定每一次调度的调度对象，同时，获得调度对象的中心类型；

归类单元，用于基于调度对象的中心类型对调度对象进行归类，且基于归类结果确定物流中心的调度项目；

信息划分单元，用于基于调度项目对已有调度信息中的调度参数进行划分，且基于划分结果确定物流中心中每个调度项目对应的调度流程数据。

该实施例中，已有调度信息可以是在物流中心进行调度的历史调度信息，包括：调度对象以及调度参数。

该实施例中，调度对象可以是执行调度的物品。

该实施例中，调度对象的中心类型可以是对调度对象的物品类型。

该实施例中，调度项目可以是将多个调度对象进行同类型划分后获得项目。

该实施例中，调度参数包括调度执行数据，即在已有调度信息中确定与调度项目相匹配的调度参数，从而实现对调度参数的划分，进而确定物理中心中每个调度项目对应的调度流程数据。

上述技术方案的工作原理及有益效果是：通过将已有调度信息进行读取，从而确定已有调度信息对应的调度对象，进而通过对调度对象的分类确定每个类型对应的调度项目，通过调度项目对已有调度信息的调度参数进行划分，划分到具体每个调度项目中，从而有效获得每个调度项目对应的调度流程数据，有效保障对物流中心的调度项目以及调度流程数据获取的准确性与有效性。

实施例3：

在实施例2的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，如图2所示，归类单元，包括：

类型属性确定子单元，用于对调度对象进行读取，确定已有调度信息的类型属性，同时，基于已有调度信息的类型属性获得每个调度对象的中心向量；

向量距离确定子单元，用于基于每个调度对象的中心向量，计算每相邻两个调度对象的中心向量距离；

分类子单元，用于基于每相邻两个调度对象的中心向量对调度对象进行归类。

该实施例中，类型属性可以是对已有调度信息包含的全部调度对象类型，且每个调度对象类型对应一个中心向量，是提前设定好的。

上述技术方案工作原理及有益效果是：通过确定已有调度信息的类型属性，从而有利于准确确定每个调度对象的中心向量，通过基于每相邻两个调度对象的中心向量距离，有利于实现对调度对象类型的数据化，以及每两个相邻对象类型的关联程度，进而实现对调度对象的有效划分，提高了调度对象归类的准确性。

实施例4：

在实施例3的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，归类子单元，包括：

获取预设向量距离；

确定中心向量距离与预设向量距离之间的差异度值；

当差异度值达到限定条件时，则判定相邻两个调度对象为同一类型；

否则，则判定相邻两个调度对象不为同一类型；

对判定结果进行整合，完成对调度对象的归类。

该实施例中，预设向量距离可以是提前设定好的，用来衡量相邻两个调度对象是否为同一类型的衡量标准。

上述技术方案的有益效果是：有效保障对调度对象进行归类的便捷性有效性以及准确性，极大的提高了对调度对象进行归类的效率。

实施例5：

在实施例1的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心调度系统，数据整合模块，包括：

整合单元，用于对调度项目进行同类型项目整合，获得多个调度项目节点；

数据添加单元，用于将调度项目对应的调度流程数据在调度项目节点中进行添加；

所述整合单元，还用于将调度项目节点进行节点整合，获得调度项目数据节点，并基于整合结果构建调度项目数据管理库。

该实施例中，调度项目节点可以是包含多个相同类型的调度项目。

该实施例中，调度项目数据节点中包含多个调度项目节点，以及每个调度项目节点中对应的调度流程数据，其中，每个调度项目节点包括多个同类型调度项目，且每个调度项目包含多个调度流程数据。

上述技术方案的工作原理及有益效果是：通过对调度项目进行项目整合，可以有效获取调度项目数据节点，进而有效将调度流程数据添加至调度项目数据节点后，实现对调度项目数据管理库的有效构建，提高了对调度项目数据管理库构建的全面性。

实施例6：

在实施例5的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心调度系统，整合单元，包括：

标签构建子单元，用于：

获取调度项目的项目关键因子，同时，基于项目关键因子构建调度项目的身份标识；

根据调度项目的身份标识建立调度项目节点；

项目添加子单元，用于基于身份标识将对应的调度项目添加至对应的调度项目节点中并进行整合生成调度项目数据节点。

该实施例中，项目关键因子可以用来表征调度项目的项目特征的表达，例如是通过调度项目的项目类型、项目中的调度对象的对象信息等确定；从而通过项目关键因子有效构建调度项目的身份标识，从而实现对调度项目与其余调度项目的区分。

该实施例中，基于身份标识将对应的调度项目添加至对应的项目节点中，生成调度项目数据节点，是为了有效区分每个项目节点，提高了项目节点的分辨率。

上述技术方案的工作原理及有益效果是：通过确定项目关键因子，从而有效实现对调度项目的身份标识的确定，从而有利于准确实现对生成的调度项目数据节点中对每个调度项目的项目节点的识别，提高了调度项目的分辨率。

实施例7：

在实施例1的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，模型构建模块，包括：

读取单元，用于对调度项目数据管理库进行读取，确定调度项目数据管理库中的关键字段，其中，关键字段包括：调度项目、调度项目节点以及调度流程数据；

学习链路构建单元，用于基于AI算法确定调度项目节点的节点标识，并根据节点标识构建学习节点；

捕捉单元，用于基于AI算法对调度项目节点中的调度项目进行捕捉，并基于捕捉结果确定调度项目节点与调度项目的依赖关系；

主支路生成单元，用于基于调度项目节点与调度项目的依赖关系构建调度项目在学习节点中的主支路；

编码单元，用于基于AI算法对调度项目中的调度流程数据进行学习，确定调度项目中调度流程数据的调度行为习惯，并将调度行为习惯进行数字化表示，获得每个调度项目中调度行为习惯的习惯编码；

子依赖关系确定单元，用于基于习惯编码确定调度项目与调度流程数据的子依赖关系；

从支路生成单元，用于根据子依赖关系构建调度项目基于学习链路中主支路的从支路；

调度模型生成单元，用于根据学习节点、学习节点的主支路以及主支路对应的从支路生成AI学习网络，同时，基于AI学习网络生成调度模型。

该实施例中，关键字段包括：调度项目、调度项目节点以及调度流程数据。

该实施例中，节点标识可以是用来区分不同调度项目节点，学习节点可以是基于节点标识构建的，即可以保障学习节点与调度项目节点一一对应。

该实施例中，调度项目节点与调度项目的依赖关系，其中，由于调度项目节点是为了存储同一类型的调度项目，因此，调度项目与调度项目节点的依赖关系即为调度项目的项目类型是否与调度项目节点的存储类型是否为一致，当一致时，则调度项目与调度项目节点相互依赖。

该实施例中，习惯编码可以是每个调度项目中调度行为习惯对应的数据表达，为计算机可以识别的编码。

该实施例中，调度项目与调度流程数据的子依赖关系可以是基于习惯编码确定调度项目的调度行为，并根据调度行为确定对应的调度流程数据，进而确定调度项目与调度流程数据之间的子依赖关系。

上述技术方案的工作原理及有益效果是：通过构建学习网络的主支路与从支路，从而有效保障对获得的AI学习网络的构建，提高了对调度模型进行构建的有效性与全面性，从而有利于基于调度模型实现对调度任务识别的准确性及时性。

实施例8：

在实施例7的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，调度模型生成单元，还包括：

数据读取子单元，用于对调度项目数据管理库进行读取，确定调度项目数据库的数据类型以及数据格式；

模板生成子单元，用于根据调度项目数据库的数据类型与数据格式生成数据转换模板；

模型优化子单元，用于将数据转换模板在调度模型中进行优化封装，完成对调度模型的优化。

该实施例中，数据类型可以是调度项目数据库中对数据进行存储的类型，如int型。

该实施例中，数据格式可以是调度项目数据库中对数据进行统一存储的格式。

上述技术方案的工作原理及有益效果是：通过确定调度项目数据库的数据类型以及数据格式，从而有效生成数据转换模板，进而通过对调度模型进行优化封装（即对调度模型进行规范化），有效保障调度模型的统一化，从而为提高对数据分析处理提供便捷性，保障了分析的效率。

实施例9：

在实施例1的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，如图3所示，调度模块，包括：

任务接收单元，用于对调度任务进行接收；

执行判定单元，用于：

对调度任务对应的任务数据进行读取，确定任务数据中的关键数据；

获取调度项目数据管理库的库表信息，并将关键数据与库表信息进行匹配，判断关键数据是否在库表信息中存在；

当关键数据存在于库表信息中时，则调度任务可以执行；

当关键数据不存在于库表信息时，则生成反馈信号，并将反馈信号传输至监控端，同时，若监控端输出授权信号时，则调度任务可以执行，若监控端没有输出授权信号时，则调度任务不可以执行；

数据标准化单元，用于当调度任务可以执行时，获取调度模型的数据转换模板，并根据调度模型的数据转换模板对调度任务的任务数据进行格式转换，且基于格式转换结果生成标准任务数据；

调度策略输出单元，用于将标准任务数据输入至调度模型中进行分析，并输出调度任务对应的多个调度策略。

该实施例中，任务数据可以是调度任务表征的需要调度的物品类型以及需要调度的物品的数量等。

该实施例中，关键数据可以是能够表征任务数据需要表达的具体调取要求数据片段，例如可以是能够表征物品类型的数据参数等。

该实施例中，调度项目数据管理库可以是包含：调度项目数据节点、调度项目以及调度流程数据，其中，调度项目数据节点包括：同类型的多个调度项目以及每个调度项目对应一个调度流程数据。

该实施例中，库表信息可以是能够记录项目数据管理库中记录的各项信息的数据报表。

该实施例中，反馈信号可以是当关键数据与库表信息不匹配时，生成的不匹配结果通信信息。

该实施例中，授权信号可以是监控端对当前接收到的反馈信号进行解析判断后，确定该调度任务可执行时发出的执行信号。

该实施例中，数据转换模板是提前已知的，用于对调度任务的任务数据进行格式转换。

该实施例中，标准任务数据可以是通过数据转换模板对任务数据进行格式转换后得到的最终的数据。

上述技术方案的工作原理及有益效果是：通过对调度任务进行解析，实现对调度任务的任务数据以及任务数据中的关键数据进行准确有效的获取，其次，将得到的关键数据与调度项目数据管理库的库表信息进行匹配，实现堵当前调度任务是否能够被执行进行准确有效的判断，最后，将得到的任务数据进行格式转换，并将转换后得到的标准任务数据输入至调度模型进行分析，实现对调度任务的多个调度策略进行准确有效的确定，实现在物流中心对调度任务进行执行的有效性，确保货物能够及时配送。

实施例10：

在实施例1的基础上，本实施例提供了一种基于AI算法及大数据分析的物流中心优化调度系统，调度模块，包括：

策略读取单元，用于对同一类别物品的多个调度策略进行读取，确定每个调度策略对应的调度执行步骤，并基于AI算法对调度策略对应的调度执行步骤进行分析，确定调度策略中每个执行步骤对应的执行效率；

分类单元，用于基于执行环节特征将所有调度策略中的执行步骤进行分类，获得每个执行环节对应的执行步骤集，同时，在每个执行环节对应的执行步骤集中摘取执行效率最高的目标执行步骤；

虚拟调度策略确定单元，用于将执行效率最高的目标执行步骤进行拼接，获得虚拟调度策略；

最优调度策略获取单元，用于：

将虚拟调度策略在计算机中基于AI算法进行模拟，获得对调度任务进行调度的模拟执行结果，同时，获取调度任务的目标结果；

判断模拟执行结果与目标结果是否相同；

当模拟执行结果与目标结果相同时，则将虚拟调度策略作为最优调度策略；

当模拟执行结果与目标结果不相同时，则在虚拟调度策略中对错误目标执行步骤进行定位并在对应执行步骤集中将错误目标执行步骤进行剔除，同时，基于执行步骤对应的执行效率在对应执行步骤集中重新选取执行效率最高的执行步骤，并基于选取结果在虚拟调度策略中进行更新；

若更新后的虚拟调度策略的模拟执行结果与目标结果一致时，则将更新后的虚拟调度策略作为最优调度策略；

调度单元，用于基于最优调度策略在物流中心执行调度任务。

该实施例中，调度执行步骤可以是每个调度策略中对物品或对象进行调度时依据的具体调度方法，包括全流程执行数据，即限定了包含的所有执行步骤以及每一执行步骤中包含的执行方案。

该实施例中，执行效率可以是表征通过调度执行步骤执行调度任务时，完成调度任务所用的时间长短情况。

该实施例中，执行环节特征可以是每一调度策略中包含的执行环节对应的执行特点，例如调度策略A、B、C，其中，调度策略A中包含执行步骤a1、b1、c1；调度策略B中包含执行步骤a2、b2、c2；调度策略C中包含执行步骤a3、b3、c3；

其中，调度策略A、B、C中每一执行步骤要实现的调度目的是相同的；

a1、a2、a3分别为调度策略A、B、C中的第一执行步骤，即为不同调度策略中对应的相同执行环节。

该实施例中，执行步骤集可以是调度策略中对同一种物品进行调度的所有执行步骤，其中，一种类型的物品可以对应多种不同的执行步骤。

该实施例中，目标执行步骤可以是同类型中的执行步骤集中，执行效率最高的执行步骤，是执行步骤集中的一个。

该实施例中，虚拟调度策略可以是将不同调取策略中同一执行环节中执行步骤效率最好的执行步骤进行汇总后得到的一个完整的调度策略，其中，每一执行步骤的执行效率是所有调度策略中执行效率最高的执行步骤，例如：

调度策略A、B、C中，分别包含执行步骤a1、b1、c1；a2、b2、c2；a3、b3、c3；

其中，若调取策略A中的执行步骤a1的执行效率大于a2和a3，则a1为挑选出的执行效率最高的目标执行步骤之一；

同理，若调取策略B中的执行步骤b2的执行效率大于b1和b3，则b2为挑选出的执行效率最高的目标执行步骤之一；

若调取策略C中的执行步骤c3的执行效率大于c1和c2，则c3为挑选出的执行效率最高的目标执行步骤之一；

最后得到的虚拟调度策略即为a1、b2、c3，将a1、b2、c3汇总的过程即为将执行效率最高的目标执行步骤进行拼接。

该实施例中，模拟执行结果可以是将虚拟调度策略在计算机中进行模拟执行后得到的结果。

该实施例中，目标结果可以是调度任务对应的标准调度结果，是提前已知的。

该实施例中，错误目标执行步骤可以是影响虚拟调度策略执行调度任务的结果的执行步骤，是虚拟调度策略中的至少一个执行步骤。

该实施例中，最优调度策略可以是将重新选取的执行步骤在虚拟调度策略中进行同步更新后得到的能够有效执行调取任务的最终调度策略。

上述技术方案的工作原理及有益效果是：通过对同一类别物品的多个调度策略进行读取，并根据读取结果对每一调度策略中的调度执行步骤进行解析，实现对每一调取执行步骤的执行效率进行准确有效的确定，其次，通过将不同和调度策略中执行效率最高的调度执行步骤进行拼接，实现对虚拟调取策略进行有效获取，且在计算机中对虚拟调度策略执行调度任务的执行结果进行可靠模拟，实现对虚拟调度策略的模拟执行结果进行准确有效的确定，最后，将得到的模拟执行结果与调度任务的目标结果进行比较，实现对虚拟调度策略中包含的调度执行步骤的有效性进行准确有效的校验，并在不满足要求时，重新调取最后执行步骤对虚拟调度策略进行更新和完善，实现对物品进行准确有效的调度，确保了执行调度任务的准确可靠性，提高了物流中心货物调度的智能性与运营效率。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。