NVIDIA cuOpt
加速的 AI 物流和路线优化
NVIDIA® cuOpt™ 是一个用于运筹学优化的 API，它使用 AI 帮助开发者设计复杂、实时车队路线规划方案。这些 API 可用于解决具有多种限制的复杂路线问题，并提供新的功能，如动态路线、作业调度和机器人仿真，以及亚秒级求解器响应时间。
在云端或本地开始使用，或在 LaunchPad 上试用实战实验。
开始使用 在 LaunchPad 上试用AI 物流和路线优化
NVIDIA cuOpt 是一款由 GPU 加速的物流算法求解器，它依赖于启发式算法、元启发式算法和优化技术来计算在各种约束下的复杂的车辆路线规划问题。NVIDIA cuOpt 提供依赖于 NVIDIA® CUDA® 库和 RAPIDS™ 基元的 Python 接口。通过不对称模式对距离和时间矩阵提供原生支持，可实现与主流地图引擎的平滑集成。可在 LaunchPad、NGC™ 和所有主流公有云平台上使用。
cuOpt 特性
动态重规划路线
在 SLA 时间限制下，重新运行模型并进行调整，以应对驾驶员缺席、车辆无法操作、交通中断/恶劣天气和新增订单等变化。
超高准确性
达到超高准确性，根据 Gehring & Homberger 基准，误差间隙为 2.98%。
无缝扩展
可扩展到 1000 多个节点，支持计算密集型的用例。NVIDIA cuOpt 的表现优于当前最佳的解决方案，可以解决其它方案尚无法解决的新型用例。
实时分析
在 10 秒内而不是 20 分钟内即可完成规划 1000 个包裹的路线（速度达到原来的 120 倍），而准确度相同。
快速开始使用
在 Github 探索 NVIDIA cuOpt Notebook 和相关指南。
节省数百万美元
动态重规划路线可将行程时间和燃料成本降低 15%，从而为公司节省数百万美元。
解决物流和路线优化挑战
最后一公里配送
2020 年，全球包裹运输量超 1310 亿件，到 2026 年可能会增加一倍以上（来源：Pitney Bowes Parcel Shipping Index）。
运输和物流公司也面临着由疫情和行业内不断变化的经济和地缘政治格局引起的多项新挑战。
由于这些条件的影响，最后一公里配送 (LMD) 已成为物流运营链中非常昂贵的一环，占零售、速食餐厅 (QSR)、消费品 (CPG) 和制造业等行业总供应链成本的 41% 以上（来源：Capgemini Research Institute，The Last-Mile Delivery Challenge）。
基于这些条件，最后一公里配送面临着配送时间线缩短、盈利能力问题、扩展问题和众多不断变化的配送选项的挑战。
解决这些挑战对于企业全面优化运输旅程最后一段以及降低总体运送成本已至关重要。
车辆路线规划问题
考虑到车辆路线规划问题 (VRP) 提出：“向一组指定客户送货时，车队行驶的优化路线是什么？” 它泛化了著名的旅行推销员问题 (TSP)。
解决更大规模的运筹学 (OR) 和物流问题需要极高的计算密集度且成本高昂。随着目的地数量逐步增加，相应的往返次数甚至超出速度最快的超级计算机的运算能力。
如果有 10 个目的地，那么往返路线的排列组合数可超过三百万个。如果有 15 个目的地，那么路线数可能超过一万亿。
由于恶劣天气、司机生病、车辆维护和新订单而调整这些参数的变化会大大增加问题的范围。
对路线问题的剖析
在这个简单的送餐示例中，披萨店计划将披萨送到四个不同的地址，然后返回商店。此问题表示为包含五个节点的图形，包括仓库（披萨店）。边缘表示在给定成本下从一个位置到另一个位置的能力。求解器支持多个成本或重量尺寸（例如距离和时间）。成本可能是不对称的，无需三角形不平等合规性。从那里，选择披萨配送应用模型，并通过以下步骤解决问题：
- 查询映射应用，确定此列表中任意两个地址之间的距离。
- 披萨必须在规定的时间窗口内交付给客户。此代码已编码到此距离矩阵和约束元组中。对交易时间和每个地址的披萨数量也进行了编码。
- 使用车辆属性（重量容量）将车队信息编码入第二个元组。容量维度的数量是任意的。
- 将结果传递给 NVIDIA cuOpt，发现可选的方法是向一名驾驶员发送位置一和位置二，向另一名驾驶员发送位置三和位置四。
