張 睿(無錫職業(yè)技術學院,江蘇 無錫 214073)
流通領域中,許多物流配送企業(yè)借助外部經(jīng)濟的發(fā)展,實現(xiàn)了規(guī)模擴張與快速發(fā)展,但對如何控制成本,提高運營效率的迫切性并不強?,F(xiàn)在隨著經(jīng)營環(huán)境的變化,物流需求量更大,客戶、網(wǎng)絡更復雜,對服務的要求更多樣化。但面臨的競爭更加激烈,不管是從事跨區(qū)域配送還是城市配送,首先需要考慮顧客服務水平,贏得客戶的認可,然后考慮配送運營的成本問題,因而如何創(chuàng)新物流服務,提高運營效率和控制日常運營成本成為每個配送企業(yè)需要時刻思考的問題。
傳統(tǒng)的基于經(jīng)驗的方法,在企業(yè)規(guī)模有限,客戶數(shù)量不是非常多,配送網(wǎng)絡相對簡單的情況下,只要員工和管理者技能過關,執(zhí)行力好,都應該能夠較好地完成配送任務,獲得企業(yè)的發(fā)展。但是隨著銷售區(qū)域擴大,客戶數(shù)量的不斷增加,客戶需求持續(xù)增長,配送業(yè)務量大增,配送周期縮短,配送線路更復雜,并且需求的隨機性、變動性加大,光憑經(jīng)驗和手工安排,已無法做到配送計劃的優(yōu)化,必須借助于統(tǒng)計分析、利用數(shù)學模型和智能算法,才能獲得較好的配送計劃,節(jié)省時間,提高效率。本文就是針對這些問題,從企業(yè)應用的角度,提出先合理劃分配送區(qū)域,再優(yōu)化配送路線的方法,從而達到降低成本,提高競爭力的目標。
排單和車輛調(diào)度是整個配送計劃和作業(yè)實施的核心,是配送任務和客戶服務按時完成的有力保證。
傳統(tǒng)的訂單排單和車輛調(diào)度、路線安排都是由公司里業(yè)務能手來完成,送貨區(qū)域大了,客戶多了,這項工作的效率和完成工作的成本控制都會不理想,現(xiàn)在常用的智能優(yōu)化方法,把它作為一個典型的VSP問題,建立數(shù)學模型,利用智能化的算法,求解可行的配送路徑規(guī)劃,作為理論研究,這樣的做法是有意義的。但是有兩個問題:(1)這個模型數(shù)據(jù)的收集整理工作量特別大,計算過程也較長,因而成本不會低。(2)模型本身一定要適合實際的作業(yè)過程,這就需要有一個不斷測試和優(yōu)化的過程,并且還要適應每天的動態(tài)變化,否則反而會影響到日常的作業(yè)過程。許多研究理論完備、精深,但是在適應產(chǎn)業(yè)化運營時,工程上的可實現(xiàn)性還有待提高和完善。因而影響了這些很有價值的研究在企業(yè)實際中的運用。
本文的研究并不針對配送路徑規(guī)劃做理論上的深究,而是立足實際應用,在可接受的范圍內(nèi),利用較簡易實用的智能優(yōu)化方法,在較短的時間內(nèi),以較低的成本獲得相對優(yōu)化的配送路徑規(guī)劃方案。不求最佳,但求有效。為今后電子排單和送貨線路優(yōu)化軟件的開發(fā)和應用作必要的鋪墊。
具體設想:第一步,利用聚類分析法對配送區(qū)域進行合理分區(qū),先把復雜問題簡單化。第二步,每個分區(qū)內(nèi)就是個典型的TSP問題,有很成熟的解決辦法。在平衡好各分區(qū)工作時間安排后,就能很快獲得較理想的配送方案。
重點是第一步,分區(qū)時一定要考慮到客戶位置、需求量、車輛載重、作業(yè)時間均衡限制等因素,需要花費好多功夫。
2.1 配送區(qū)域的初始劃分方法。配送區(qū)域優(yōu)化方法對最終優(yōu)化的結果有很大的影響,因而合理的劃分方法的選擇十分重要,目前常用的劃分方法有掃描法和聚類算法,在配送客戶有限、區(qū)域較小時運用掃描法就可以了,但是當客戶數(shù)量很多,區(qū)域較大,又要考慮約束條件時,聚類算法就是我們必然的選擇了,聚類算法中K-means比較成熟,操作簡單,原理是:把大量d維(二維)數(shù)據(jù)對象n個聚集成k個聚類(k<n),使同一聚類內(nèi)的對象相似性最大,不同聚類內(nèi)的對象相似性盡量的小。利用聚類算法分區(qū)可以使配送區(qū)域的劃分比較緊密并且實用。
在運用聚類分析法時有幾個問題要注意:第一,k的選擇,以一天送貨總量/單車載重量,也可以放寬一些,到:一天送貨總量/單車載重量+1。第二,k個聚類內(nèi)的密度,分區(qū)密度大,效率高,成本低。第三,每個分區(qū)內(nèi)工作時間大體相當,這樣便于運行的穩(wěn)定,進行成本控制和人員、車輛的考核。第四,每個聚類間不重合。做到這樣分區(qū)效果會比較好。
傳統(tǒng)的K-means聚類法,k個聚類區(qū)內(nèi),初始點是隨機產(chǎn)生的,運行時間長,收斂效果差?;诰饣紤],在配送對象分布不均勻時,用密度法效果較好,初始中心點以密度來定義,運用兩點間歐氏距離方法,求解所有對象間的相互距離,并求平均數(shù),用mean(D)表示,確定領域半徑n是對象數(shù)目,coefR是半徑調(diào)節(jié)系數(shù),0<coefR<1,經(jīng)驗表明,coefR=0.13時,效果最好。如果使用平均歐氏距離還不理想,可增加距離長度,甚至用最大距離選擇法,收斂速度比較快。
在配送對象分布較均勻時,可考慮用網(wǎng)格法,效果較好,整個配送區(qū)域劃分用k=Q/q,k為初始點個數(shù),假設k=mn,將地圖劃分成m行n列,以每格中心點為初始點,通過網(wǎng)格內(nèi)的反復聚類運算,達到收斂,獲得網(wǎng)格穩(wěn)定的聚類中心。
2.2 分區(qū)內(nèi)配送工作量的均衡。這樣就完成了配送區(qū)域的初步劃分,但是沒有考慮各個分區(qū)內(nèi)工作量的均衡問題,如果工作量不均衡,對于客戶服務水平的保證,成本的控制,作業(yè)的安排,人員、車輛的考核都存在問題。
在實際的物流企業(yè)配送作業(yè)過程中,一般一輛車一天也就送貨10多家或20來家,多余的時間要用于收款,與公司財務部門交賬,核算出車相關費用,所以不考慮同一車同一天出車多次的情況,多次出車待以后深入探討。那么就意味著每個分區(qū)就是一輛車一條線路,把問題大大簡化了,需要說明的是:這種方法對于配送規(guī)模不是特別大的單個城市配送是適用的,也具有廣泛性。
各分區(qū)內(nèi)的每日配送工作量是以配送作業(yè)耗用時間來衡量的,耗用時間有兩部分構成:(1)車輛行駛時間;(2)客戶服務時間。由于配送分區(qū)有限,每個分區(qū)內(nèi)的客戶數(shù)量不是很多,可以采用實地測時的方式,把每條線路的配送時間統(tǒng)計出來,這是一種手工辦法,但比較符合實際,各線路時間分別為T1,T2,T3,T4,…,Tk,從中選出最大值Tmax,最小值Tmin,用經(jīng)驗法確定允許的差值,然后來調(diào)整超過差值的分區(qū)內(nèi)的客戶,從而使得各區(qū)作業(yè)時間基本均衡。
如果客戶數(shù)量眾多,分區(qū)也較復雜,就需要借助統(tǒng)計學方法,通過對樣本線路車輛行駛時間以及服務時間,擬合出分區(qū)作業(yè)時間函數(shù),然后,計算出所有線路作業(yè)時間,即使分區(qū)重新調(diào)整,線路重新組合,仍可以很快計算出線路作業(yè)時間。本文不在這個方面進行深入探討。
2.3 重新組合客戶,確定最終區(qū)域劃分。觀察各線路作業(yè)時間超過允許差值的部分,由大到小來調(diào)整,將離聚類中心最遠的數(shù)據(jù)點彈出,使本區(qū)T值下降,直至在差值以內(nèi),將彈出點加入到臨近的不足均衡作業(yè)時間的分區(qū)內(nèi),如果臨近分區(qū)作業(yè)時間超過允許差值,這個點就不能彈出,只能彈出另外的次遠數(shù)據(jù)點,以此類推,任何一個數(shù)據(jù)點只能彈出一次,直到所有數(shù)據(jù)點和分區(qū)調(diào)整完畢。
這樣最終確定的分區(qū),既能做到區(qū)域劃分緊密,效率、成本更低,又能做到各區(qū)作業(yè)時間均衡,便于工作指派,車輛、人員核算。
以上是本文的第一部分工作,也是最有意義的工作,確定好合理的區(qū)域劃分,不僅是配送作業(yè)合理化的重要步驟,也是業(yè)務人員訪銷工作和客戶服務的重要依據(jù)。
分區(qū)內(nèi)線路安排,就是一輛送貨車由DC出發(fā),依次經(jīng)過分區(qū)內(nèi)每一個客戶點,完成送貨后返回DC,求出近似最優(yōu)的行車順序,這是個典型的旅行商問題(Traveling Salesman Problem,TSP),TSP是NP完全問題,解法很多,有精確算法,也有啟發(fā)式算法,目前許多智能算法就屬于啟發(fā)式算法,可以解決較復雜的線路優(yōu)化問題,對于一般線路優(yōu)化也能做得更準確,這里介紹蟻群算法解決實際問題。原因是蟻群算法與其他啟發(fā)式算法相比,在求解性能上,具有較強的魯棒性和搜索較好解的能力,是一種分布式的并行算法,一種正反饋算法,易于與其它方法結合??朔舅惴ㄈ秉c,改善算法性能。
3.1 蟻群算法簡介。蟻群算法(Ant Colony Algorithm,ACA)是由意大利學者M.Dorigo等人于20世紀90年代初提出的一種新的模擬進化算法,其真實地模擬了自然界螞蟻群體的覓食行為。M.Dorigo等人將其用于解決旅行商問題TSP,并取得了較好的實驗結果。
蟻群算法用于解決優(yōu)化問題的基本思路是:用螞蟻的行走路徑表示待優(yōu)化問題的可行解,整個螞蟻群體的所有路徑構成待優(yōu)化問題的解空間。路徑較短的螞蟻釋放的信息素數(shù)量較多,隨時間推移,較短路徑上積累的信息素濃度逐步增高,選擇該路線的螞蟻數(shù)量也越來越多,最終整個螞蟻會在正反饋的作用下集中到最佳線路上,這個路線就是最有解。
3.2 用蟻群算法解決分區(qū)線路優(yōu)化問題。以下用數(shù)學語言描述蟻群算法的整個過程:設螞蟻數(shù)量為m,分區(qū)內(nèi)客戶數(shù)量為n,m≤n,客戶點i與客戶點j之間距離用dij(i,j=1,2,3,…,n)表示,t時刻i與j連接路徑上的信息素濃度為τij(t)。初始時刻各路徑上的信息素濃度相同。
位于客戶點i的第k只螞蟻選擇客戶點j的概率為:
其中:
τ(i,j)表示邊(i,j)上的信息素濃度;
η(i,j)是啟發(fā)信息,d是客戶點i和j之間的距離;α和β反映了信息素與啟發(fā)信息的相對重要性;
tabuk表示螞蟻k已經(jīng)訪問過的城市列表。
當所有螞蟻完成周游后,按以下公式進行信息素更新。
其中:ρ為小于1的常數(shù),表示信息的持久性。
其中:Q為常數(shù);lk表示第k只螞蟻在本次迭代中走過的路徑,Lk為路徑長度。
蟻群算法解決TSP問題具體步驟:(1)基本參數(shù)設置:包括螞蟻數(shù)m,信息素重要程度因子0≤α≤5,啟發(fā)函數(shù)重要因子1≤β≤5,信息素消逝參數(shù)0.1≤ρ≤0.99,信息素釋放總量10≤Q≤10 000,最大迭代次數(shù)iter_max,迭代次數(shù)初值iter=1。用試驗方法確定α、β、ρ、Q值,以獲得較優(yōu)的組合,有助于改進基本蟻群算法,提高整體優(yōu)化效果,并縮短運算時間。(2)初始解的求解:利用最近鄰算法,以縮短算法運算時間,并以此算法產(chǎn)生初始解的路徑長度作為產(chǎn)生初始信息素的基礎。(3)構建解空間:將各個螞蟻隨機地置于不同出發(fā)點,對每個螞蟻,按公式(1)計算其下一個待訪問的網(wǎng)點,直到所有螞蟻訪問完區(qū)域內(nèi)所有網(wǎng)點。(4)更新信息素:計算各個螞蟻經(jīng)過的路徑長度Lk(k=1,2,…,m),記錄當前迭代次數(shù)中的最優(yōu)解。同時,根據(jù)(2)式和(3)式對各個網(wǎng)點連接路徑上的信息素濃度進行更新。(5)判斷是否終止:若iter<iter_max,則令iter=iter+1,清空螞蟻經(jīng)過路徑的記錄表,并返回步驟2,否則終止計算,輸出最優(yōu)解。
蟻群算法如結合其他啟發(fā)式算法,建立混合算法,能夠解決許多現(xiàn)實問題,達到較好運算效果,結合具體問題,可以深入研究。
本文的研究更多地從實際運用和操作的便利角度出發(fā),因而力求方法簡便,運算效率較高,然而實際問題遠比設想復雜,物流系統(tǒng)的優(yōu)化應該是整體性的優(yōu)化。本文只是做了配送區(qū)域的合理劃分,在此基礎上,對區(qū)域內(nèi)配送路徑進行優(yōu)化,只是送貨過程的優(yōu)化,完整的過程還包括客戶服務水平,合理的庫存水平,以及配送中心選址,服務地點(卸貨點)的設置等,只有這些因素都考慮到了,才能真正實現(xiàn)配送系統(tǒng)的優(yōu)化。另外,還有靜態(tài)分析和動態(tài)分析的區(qū)別,大區(qū)域劃分保持相對靜態(tài),區(qū)域間根據(jù)每日具體的業(yè)務需求做必要的動態(tài)調(diào)整,這部分可借助人工安排,也可參考軟件,保持一定的靈活性。整個配送系統(tǒng)的研究千頭萬緒,在進一步的研究中,首先需要把銷售系統(tǒng)的優(yōu)化結合進來,客戶前端的需求和庫存決定著后面的訂單以及配送,業(yè)務員對零售網(wǎng)點的訪銷,一方面對接客戶服務,體現(xiàn)公司的客戶服務水平,另一方面,對接訂單的處理以及最終的配送工作,業(yè)務人員訪銷作業(yè)的系統(tǒng)性安排,以及客戶、配送中心信息的一體化都有賴于業(yè)務訪銷與配送作業(yè)的綜合優(yōu)化。
因而,配送區(qū)域合理劃分、送貨線路優(yōu)化以至于整個物流系統(tǒng),銷售系統(tǒng)、供應系統(tǒng)的不斷優(yōu)化,對于物流企業(yè)、社會物流以及整個經(jīng)濟運行系統(tǒng)是非常有意義的,對于眾多轉(zhuǎn)型中,缺乏專業(yè)知識和技術的中小物流企業(yè),有著普遍意義,值得重視。
[1] 陳子俠,等.杭煙物流與送貨路線優(yōu)化[J].物流技術,2003(8):38-40.
[2] 王勇,池吉.物流配送路線及配送時間的優(yōu)化分析[J].重慶交通大學學報,2008(4):647-650.
[3] 楊弋,顧幸生.物流車輛優(yōu)化調(diào)度的綜述[J].東南大學學報,2003(增刊):105-111.
[4] 陳文,鄭少鋒.基于蟻群算法的配送路徑規(guī)劃研究[J].物流科技,2013(7):45-47.