深入解析供应链产品经理在运输管理系统（TMS）路径规划中的关键挑战与解决方案，本文将指导你如何结合业务规则、算法和数据，打造一套切实可行的路径规划策略，并提供源码以供参考。

今天这篇文章，我想解决一个供应链产品经理在运输管理系统（TMS）路径规划上的核心痛点：如何从业务调研到算法实现，完成一套可落地的路径规划方案？

起因：最近在帮地区龙头超市优化食百大仓的便利店配送体系时，发现他们的部分场景运输成本居高不下——同一街道配送3家店和5家店的运费几乎相同，但实际运营效率却天差地别。更头疼的是，业务方提的需求往往是“能不能让系统自动算最优路线”，但到底什么算“最优”？是成本最低？时效最快？还是车辆装载率最高？

结论：TMS的路径规划绝不是简单调用高德API画条线，而是业务规则+算法+数据的三重结合。

本文将围绕以下核心脉络展开：

• 业务场景穿透：为什么便利店计费的“趟次加点”规则会影响算法设计？
• 数据建模：如何从零构建主数据表（含Python模拟数据代码）？
• 算法选择：遗传算法、禁忌搜索、OR-Tools怎么选？
• 汇报逻辑：如何向领导证明你的方案能省下30%运费？（附可视化代码）

一、业务场景穿透：从“趟次加点”到算法约束

为什么业务规则决定算法设计？

物美的配送有一个关键规则：

“趟次加点”：同一街道配送≤3家店算一趟（固定运费），每多1家店额外加50元。

这意味着：

算法目标不仅是缩短距离，还要尽量让同一街道的配送门店数接近3的倍数（如3家、6家）。

约束条件包括：车辆载重（板数）、门店收货时间窗口、车型匹配（如四环外可用全天时段）。

业务方案≠产品方案：

业务方可能说“系统自动排线就行”，但产品经理要拆解出量化指标：

• 成本维度：单趟运费、加点费用、空驶率；
• 效率维度：车辆装载率、门店等待时间。
• 主数据建模：6张表决定路径规划上限

路径规划依赖高质量的主数据，以下是核心表结构（附Python生成代码）：

（1）街道办管辖信息表

import pandas as pdimport random

# 模拟北京/河北街道办数据

streets = [“朝阳区望京街道”, “海淀区中关村街道”, “东城区东华门街道”, “通州区梨园街道”, “燕郊镇迎宾路街道”]data = {

“街道办名称”: streets,

“管辖范围”: [(39.9 + random.random()*0.1, 116.4 + random.random()*0.2) for _ in streets]

# 模拟经纬度范围

}df_street = pd.DataFrame(data)

（2）门店信息表

（关键字段）stores = []for i in range(60):

store_code = f”ST{random.randint(1000,9999)}”

street = random.choice(streets)

lat, lon = 39.9 + random.random()*0.5, 116.3 + random.random()*0.6

# 模拟经纬度

stores.append({

“门店编码”: store_code,

“门店地址”: f”北京市{street.split(‘区’)[0]}区{street}路{random.randint(1,100)}号”,

“门店经纬度”: (lat, lon),

“限定车型”: random.choice([“T4.2”, “T5.6”, “T7.6”]),

“收货时段”: “4:00-7:00” if “朝阳” in street else “全天”

})df_stores = pd.DataFrame(stores)

二、算法实战：如何用Python实现最优路径规划？

1. 算法选型：为什么用OR-Tools？

遗传算法：适合复杂约束，但调参难；

禁忌搜索：局部优化强，但全局性弱；

OR-Tools：Google开源，支持时间窗、载重等约束，最适合业务规则明确的场景。

2. 核心代码逻辑

from ortools.constraint_solver import routing_enums_pb2from ortools.constraint_solver import pywrapcp

# 1. 定义距离矩阵（计算门店间驾车距离）def create_distance_matrix(locations):

# 调用高德API或OSRM计算实际距离

return distance_matrix

# 2. 设置OR-Tools求解器

def optimize_routes(data):

manager = pywrapcp.RoutingIndexManager(len(data[‘distance_matrix’]), data[‘num_vehicles’], data[‘depot’])

routing = pywrapcp.RoutingModel(manager)

# 添加距离约束

def distance_callback(from_index, to_index):

return data[‘distance_matrix’][manager.IndexToNode(from_index)][manager.IndexToNode(to_index)]

transit_callback_index = routing.RegisterTransitCallback(distance_callback)

routing.SetArcCostEvaluatorOfAllVehicles(transit_callback_index)

# 添加载重约束（板数）

def demand_callback(from_index):

return data[‘demands’][manager.IndexToNode(from_index)]

routing.AddDimensionWithVehicleCapacity(

demand_callback_index, 0, data[‘vehicle_capacities’], True, ‘Capacity’)

# 设置搜索参数

search_parameters = pywrapcp.DefaultRoutingSearchParameters()

search_parameters.first_solution_strategy = routing_enums_pb2.FirstSolutionStrategy.PATH_CHEAPEST_ARC

# 3. 求解并输出    solution = routing.SolveWithParameters(search_parameters)

return solution

四、汇报呈现：用数据说服领导的3个技巧

4.1 具象案例对比

旧方案：燕郊线日均里程182km，运费¥2100

新方案：通过街道拼单，里程降至145km（↓20%），运费¥1750

4.2 量化改进价值指标

优化前优化后降幅日均总里程680km540km20.60%趟次加点费用¥950¥60036.80%门店投诉率12%3%75%

4.3 风险预判

技术风险：高德API日均调用量超限？→ 本地缓存路径矩阵。

业务风险：司机拒接新路线？→ 上线前用“影子模式”对比新旧方案。

总结：TMS路径规划的“三重思维”

1. 业务穿透力：识别“趟次加点”等隐性规则，比算法本身更重要。
2. 数据驱动力：用主数据表构建最小可行业务单元（如街道办多边形）。
3. 战略对齐力：将路径优化与公司“降本30%”目标挂钩，而非单纯技术升级。