图解 LangChain 物流优化，三天不睡只为你设计最优配送路径

我爱学大模型

于 2025-04-11 15:16:16 发布

阅读量1k

点赞数 27

文章标签： langchain 人工智能 AI大模型 AI LLM 大模型优化大模型应用

本文链接：https://blog.csdn.net/python1234_/article/details/147144856

版权

基本功能

1. 链接组件

from langchain.agents import load_tools, initialize_agent
from langchain.llms import OpenAI
# 初始化语言模型
llm = OpenAI(temperature=0)
# 加载必要工具
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 创建物流助手代理
物流代理 = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

2. 数据处理

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
# 加载配送点数据
配送点数据 = [
    "北京市朝阳区建国路 87 号",
    "上海市黄浦区南京路 125 号",
    "广州市天河区天河路 385 号"
]
# 向量化地址数据
embeddings = OpenAIEmbeddings()
地址向量库 = FAISS.from_texts(配送点数据, embeddings)
# 相似度查询
相似地址 = 地址向量库.similarity_search("北京朝阳区", k=1)

实用功能

1. 路径优化计算

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
# 定义路径优化提示模板
路径模板 = PromptTemplate(
    input_variables=["配送点列表", "起点", "车辆数"],
    template="""
    计算从{起点}出发，用{车辆数}辆车访问所有以下配送点的最优路径:
    {配送点列表}
    考虑距离最短原则，每辆车负载平衡，并返回每辆车的行驶路线。
    """
)
# 创建路径优化链
路径优化链 = LLMChain(llm=llm, prompt=路径模板)
# 计算最优路径
结果 = 路径优化链.run({
    "配送点列表": "\n".join(配送点数据),
    "起点": "物流中心",
    "车辆数": 2
})

2. 时间窗口处理

from langchain.chains import SequentialChain
from langchain.memory import ConversationBufferMemory
# 时间窗口分析链
时间窗口模板 = PromptTemplate(
    input_variables=["配送点", "时间窗口"],
    template="分析配送点{配送点}在时间窗口{时间窗口}内的最佳到达时间"
)
时间分析链 = LLMChain(
    llm=llm,
    prompt=时间窗口模板,
    output_key="时间分析"
)
# 路线调整链
调整模板 = PromptTemplate(
    input_variables=["时间分析", "原路线"],
    template="根据{时间分析}调整原路线{原路线}"
)
调整链 = LLMChain(
    llm=llm,
    prompt=调整模板,
    output_key="调整后路线"
)
# 组合链
全流程 = SequentialChain(
    chains=[时间分析链, 调整链],
    input_variables=["配送点", "时间窗口", "原路线"],
    output_variables=["调整后路线"]
)

3. 多目标优化

# 多因素权重计算
def 计算配送优先级(地址列表, 时间窗口列表, 包裹重量列表):
    结果_列表 = []
    for i, 地址 in enumerate(地址列表):
        # 计算时间紧急度（1-10分）
        时间限制 = 时间窗口列表[i]
        紧急度 = 物流代理.run(f"计算{时间限制}的紧急程度，返回1-10的分数")
        # 计算距离因子
        距离因子 = 物流代理.run(f"估算从配送中心到{地址}的距离系数")
        # 计算综合优先级
        优先级 = 物流代理.run(f"""
        根据以下因素计算配送优先级:
        1. 时间紧急度: {紧急度}
        2. 距离因子: {距离因子}
        3. 包裹重量: {包裹重量列表[i]}kg
        返回最终的优先级分数(1-100)
        """)
        结果_列表.append({
            "地址": 地址,
            "优先级": int(优先级)
        })
    # 按优先级排序
    return sorted(结果_列表, key=lambda x: x["优先级"], reverse=True)

Generated Image

常见任务示例

1. 多站点配送规划

from langchain.document_loaders import TextLoader
from langchain.chains.summarize import load_summarize_chain
import numpy as np
def 规划多站点配送(站点文件, 车辆数, 物流中心):
    # 加载站点数据
    loader = TextLoader(站点文件)
    站点数据 = loader.load()
    # 提取关键信息
    doc_chain = load_summarize_chain(llm, chain_type="map_reduce")
    站点摘要 = doc_chain.run(站点数据)
    # 构建距离矩阵
    站点列表 = 站点摘要.split("\n")
    站点数 = len(站点列表)
    距离矩阵 = np.zeros((站点数, 站点数))
    for i in range(站点数):
        for j in range(i+1, 站点数):
            # 使用LLM估算距离
            距离查询 = f"估算从{站点列表[i]}到{站点列表[j]}的行驶距离(公里数)"
            距离 = float(物流代理.run(距离查询).strip())
            距离矩阵[i][j] = 距离矩阵[j][i] = 距离
    # 使用LLM进行路径优化
    路径结果 = 物流代理.run(f"""
    有{站点数}个配送站点和{车辆数}辆配送车。
    距离矩阵如下:
    {距离矩阵}
    从{物流中心}出发，规划最优的配送路线。
    要求:
    1. 每个站点只访问一次
    2. 所有站点都必须访问
    3. 总行驶距离最短
    4. 每辆车负载尽量平衡
    """)
    return 路径结果

Generated Image

2. 实时路况调整

from langchain.agents import Tool
from langchain.memory import ConversationBufferWindowMemory
def 创建实时路况调整系统():
    # 定义工具集
    路况查询工具 = Tool(
        name="路况查询",
        func=lambda x: "当前路段拥堵指数7，预计延迟15分钟",  # 实际应接入实时API
        description="查询指定路段的实时交通状况"
    )
    天气查询工具 = Tool(
        name="天气查询",
        func=lambda x: "中雨，能见度低，道路湿滑",  # 实际应接入天气API
        description="查询指定地区的实时天气状况"
    )
    # 创建代理记忆
    记忆 = ConversationBufferWindowMemory(k=5)
    # 初始化智能代理
    路况代理 = initialize_agent(
        tools=[路况查询工具, 天气查询工具],
        llm=llm,
        agent="conversational-react-description",
        memory=记忆,
        verbose=True
    )
    # 使用函数
    def 调整配送路线(原路线, 当前位置):
        return 路况代理.run(f"""
        我的车辆当前在{当前位置}，原计划路线是{原路线}。
        请根据实时路况和天气情况，建议是否需要调整路线。
        如需调整，请提供详细的新路线规划。
        """)
    return 调整配送路线

Generated Image