杉數科技（北京）有限公司（以下簡稱「杉數科技」）成立於2016年7月，由羅小渠、葛冬冬、王子卓、王曦四位畢業於史丹福大學的博士聯合創立，團隊包括多位十餘年經驗的業務專家和幾十位海內外名校博士，並配備超過20位海內外一流大學教授組成的科學家顧問團隊。該團隊不僅在學術界具有深厚影響力，還曾為谷歌、IBM、波音、美國能源部、中國電網等機構及企業解決運營決策、優化問題。
作為國家高新技術企業，杉數科技一直致力於產學研結合，成立僅三年，獲得及在申智慧財產權達數十項，並有望在五年內超過百項。杉數科技的目標是以世界一流的人工智慧決策技術，讓中國每一個企業擁有定製最優化決策的能力。
杉數科技成立三年多以來，通過以「杉數優化求解器（COPT）」為核心的優化技術與產品平臺已經服務了包括順豐、京東、德邦、中外運、滴滴、中國商飛、百威、寶潔等在內的諸多標杆企業，基於高效的數學建模及求解運算能力幫助他們提升在供應鏈管理、物流管理、生產調度、銷售管理等核心運營環節中的決策效果。
在日常休閒娛樂過程中，很多人都會選擇啤酒作為消遣的飲品，百威英博是全球領先的啤酒釀造商，一直佔據國內高端啤酒市場龍頭地位。啤酒銷量不斷增加的同時，百威英博運輸業務規模也在不斷擴大，運輸優化問題就成了百威啤酒制約業務發展的重要環節。尤其是上海地區，考慮到避免多次過河/過橋、遵循車輛的單行/限行政策、嚴格滿足客戶收貨時間窗等實際限制條件，如何合理分配車輛資源，安排配送順序，降低運輸成本，成為了百威啤酒提高運輸效率，節省經營成本的關鍵瓶頸。
選擇一個好的運輸優化平臺十分重要，經過多方對比，百威英博最終選擇與具有豐富運輸優化經驗的杉數科技合作，攜手解決百威英博運輸調度優化的實際問題。
杉數科技是一家怎樣的平臺呢？
杉數科技是一家真正意義上的人工智慧決策公司，依託於世界領先的深層次數據優化算法和複雜決策模型的求解能力，杉數科技致力於為企業在海量數據環境下的複雜問題提供解決方案，利用數據為企業帶來收益及成本端的顯著變化，真正讓每一個企業擁有定製最優化決策的能力。
杉數科技自主研發的杉數智慧鏈™優化解決方案平臺，利用運籌學和機器學習等前沿技術將企業的實際問題轉化為數學模型求解，在杉數求解器（COPT）的驅動下，解決生產、倉儲、配送、銷售等一系列場景中的優化問題，實現數據驅動的人工智慧決策。
杉數科技PonyPlus（小馬駕駕）運輸優化系統，專門針對物流優化問題，能夠為同城運輸、支幹線運輸等場景提供配送任務分配、路線規劃建議，通過杉數算法提取車輛、訂單、地點等信息，賦予企業車輛路徑優化、智能訂單匹配、智能物流配送等能力，節省運輸車輛、降低運輸裡程數、節省調度時間。
一、物流運輸優化面臨的問題：
物流領域，運輸成本與排班調度是一個亟待解決的問題，過往沿用的人工排班方式在大規模業務需求下日趨困難。首先，多目標優化難以實現，人工排班難以同時實現減少用車數量及減少車輛行駛距離的多目標優化；對企業來講要考慮裝載、路線等問題，但無法去通盤考慮整個流程，車輛的利用率不高。其次，配送場景複雜，人工排班難以綜合考慮複雜多變的城市配送場景，比如儘量避免多次過河/過橋、遵循車輛的單行/限行政策、滿足不同客戶的收貨時間窗要求等限制約束；需要充分的了解城市分區分車型分時段的限行、禁行約束情況，了解到哪裡有限重、限高、限寬、限速，哪裡需要調頭、左拐、過河/跨橋，哪裡的站點接近司機住址等等。第三，排班時間長，人工調度排班用時長達一小時，人工排班耗時較長，會導致整體的裝車、排車作業時間很長，響應速度不夠快，業界也比較頭疼沒有辦法得到一個比較精確的時長。第四，排程誤差大，車輛在每個站點的停留時長人工預測精度低，路線排程誤差大，人工排班無法考慮到客戶訂單、網點信息與時間窗、路線模版、車輛信息、運輸費率、裝卸效率等信息。
二、小馬駕駕系統介紹
小馬駕駕流程簡單來講，就是會把訂單發到計算平臺上，算完之後會把結果推送到司機的APP裡，司機會用APP去做執行，執行過程中，會記錄實際到站和實際裡程，通過執行端的數據收集回來之後，做一些反補，通過機器學習深度學習做一些參數，整體上是閉環流程。比如平時開1個小時的時間，為什麼司機開了一個半小時，然後分析是不是路程有點堵，通過機器學習去學習一些事情，比如擁堵係數、裝卸時長，將這樣的參數學進行學習。
（1）滿足常規限制條件，引入優化策略
首先，通過獨立設計的智能優化算法，杉數科技能夠將零售客戶的收貨時間窗要求、車輛的裝載上限、最大行駛裡程、分區限行規則、車輛跟商品的對應關係、運輸地點和車型的對應關係等作為限制條件引入優化計算過程中，確保這些常規限制條件的滿足，引入優化策略，根據不同的業務場景，配置不同的優化策略，滿足業務需求，快速響應業務變化，小馬駕駕多達20多個自定義參數，和近15個優化策略形成一套組合拳，向運輸優化的各個場景，提供有力支持並實現短時間內處理大量的運輸任務的需求，將調度決策過程智能化、系統化。
不同於傳統的算法以車次最少或裡程最短為目標，小馬駕駕引入了相關費率的計算，使得優化以總成本最低為目標，切實為企業降低運輸費用。
（2）將實際交通情況納入優化限制約束中
通過實時調取高德地圖的汽車導航數據，杉數科技可以將城市的實際交通狀況及相關規定（例如限行、單行、禁止左轉、禁止掉頭等）充分納入到優化的限制約束中進行考慮。
通過設計定製化的算法內部懲罰機制，小馬駕駕能夠使優化出的結果線路儘可能避免出現過河/過橋等實際落地中需要規避的道路情況。
三、小馬駕駕功能模塊
（1、訂單管理：訂單一鍵上傳，訂單手工調整）
（2、運力管理：多種車型維護、承運商資源維護，）
（3、調度管理：派車優化、路徑優化、參數配置）
（4、路線管理：路線可視化、固定路線、路線調整）
四、小馬駕駕優化層面及案例
小馬駕駕智能運輸平臺可以從四個層面進行優化，從對運費節省由低到高來排，依次是執行跟蹤層、運作層優化、戰術層優化、戰略層優化。
路徑優化問題即尋求由起點出發通過所有給定的需求點之後，最後再回到原點的最短路徑，又可分為旅行商問題和車輛調度問題。根據上面兩類問題，衍生出多類變種問題。比如在很多場景下，用戶的需求會實時的產生（包括取貨和送貨需求），因此需要適應性的解決方案；某些貨物需要在某一時間段送到或某些取貨要在某個時間窗口取；同時出現多個取貨和送貨的需求，如何安排多個送貨員（車輛）和出發點。這些問題複雜而多變，需要深入的建模和求解能力。
有多少優化的問題，就會有多少優化的角度。如，可以通過考慮多種模式，單點提多點送，多點提單點送，多點提多點送等模式，提升配送效率；可以通過城市分區分車型分時段的限行、禁行約束情況，了解到哪裡有限重、限高、限寬、限速，哪裡需要調頭、左拐、過河/跨橋，哪裡的站點接近司機住址等等，從而提升業務的響應速度和達到時間窗的嚴格約束。
在城市配送中會遇到很多業務挑戰，如車輛人員資源匹配不合理、時間窗約束嚴格、城市分區分車型分時段限行、業務模式複雜多變、手工調度造成效率低下等。這些問題可能會出現在整個城市配送鏈條的各個環節上，而運輸優化的目標是優化整個鏈條，減少運輸成本，提升資源利用率和業務響應速度。那麼，如何達到優化目標呢？將客戶訂單、網點信息與時間窗、路線模版、車輛信息、運輸費率、裝卸效率等信息輸入運輸優化引擎，通過杉數特有的優化算法，在考慮以上多種業務約束的同時，全局統籌規劃所有資源，為企業提供各層面業務的智能優化解決方案。
比如杉數為某快遞物流企業制定的快遞配送優化方案，是智能運輸的一個應用場景。即一個區域內的快遞送件/取件訂單，在較大的合理時間範圍內，在定人、定區快遞員及周邊小範圍快遞員內中選擇出合適的快遞員，經過合理的路徑規劃，完成消費者/商家處的訂單服務。該場景的難點在於不同的訂單優先級，催收、催派動態影響到時間窗；在途時間受到天氣、交通狀況、車輛類型的影響；裝、卸貨效率需根據重量、體積、收貨方式、有無電梯、樓層等決定。另外，快遞員每時每刻會通過手持設備發起實時優化，如何解決高並發也是落地難點之一。
通過對某次快遞配送路徑的優化，得到了兩種路徑結果輸出：圖一為純路徑最短，僅考慮開行時間最短及影響開行時間的因素（天氣、路況、客戶服務時長），忽略客戶時間窗、忽略客戶/訂單等級、投訴、催收催派因素；圖二為滿足客戶服務的路徑最短，考慮開行時間最短及影響開行時間的因素（天氣、路況、客戶服務時長）、客戶時間窗、客戶/訂單等級、催收催派、投訴等因素。
另外一個經典的案例是杉數為某大型家具公司制定的城市配送優化方案，場景難點很多，如北京市複雜的道路限行約束、訂單分布較散、客戶嚴格並且有大時間段的收貨時間窗、家具安裝時間波動從10分鐘到10小時、近百種車組服務/運輸能力差異較大等。那麼，如何在滿足客戶時間窗的要求下，將任務合理地分配到合適的車組，並保證路線少跨區、裡程數穩定呢？最終杉數通過優化引擎，在滿足各類約束條件下，將調度時間從3小時壓縮至15分鐘，使企業用車成本下降近25%。
同時，在企業的一些難點需求上也提出了對應的優化策略，達到了很好的效果。如，遠郊區縣房山，為了按業務要求派一輛車，且避免從市中心穿過的情況，杉數採用了先五環內再五環外的訂單優化方式，縮小了遠郊跨區距離，使去往遠郊區縣的車儘量在市區外圍沿路接單。
同樣的城市配送案例，還有杉數為某跨國快消品牌在上海定製的城市配送系統，上線3個月時間，系統在支持該公司的每日排單調度任務上，將計劃時間從2小時壓縮至30分鐘；在用車數量保持不變的情況下，將車輛平均行駛裡程縮短了12.53%；在門店配送上，每車次配送門店數最高增加了53.3%，每車次配送箱數最高增加了54.2%。該案例裡面有一些定製化的需求，如交通狀況變差或遇到突發情況，通過手持設備可以一鍵進行途中路線實時再優化操作，計算出當下最優路徑及每個站點預計到達的時間。
合理的分配每個司機的行駛時間和距離，使任務儘量均衡。同時，杉數將機器學習成功的應用在傳統的VRP問題上並進行落地，由於前期對每個站點停留時間預估不準確，積累一段時間數據後，通過對司機畫像、站點屬性、站點卸貨條件、卸貨商品大類及數量進行學習，杉數得到了不同的店、不同司機、不同配送貨物情況下卸貨時間的預測模型，到貨準時率提升了近30%，使得客戶滿意度大大提升。