霍晴晴,郭健全
(1.上海理工大學(xué)管理學(xué)院,上海200093; 2.上海理工大學(xué)上海-漢堡國際工程學(xué)院,上海200093)
(?通信作者電子郵箱huoqingusst@126.com)
生鮮產(chǎn)品包括蔬菜、水果、禽、蛋、水產(chǎn)品、肉、奶制品等,由于其高易腐性和短生命周期性的特點,對物流網(wǎng)絡(luò)的要求相當(dāng)苛刻。據(jù)相關(guān)資料統(tǒng)計,我國生鮮產(chǎn)品損耗嚴(yán)重,僅水果蔬菜每年損失就達(dá)到1000億元以上,流通損耗率約為30%,而發(fā)達(dá)國家的損耗率低于5%[1]??茖W(xué)合理地規(guī)劃生鮮物流網(wǎng)絡(luò),不僅能減少其配送時間,最大限度地保證新鮮度,而且對實現(xiàn)整個物流網(wǎng)絡(luò)低成本、高效率運作均有較為重要的意義[2]。曹裕等[3]研究表明零售商與供應(yīng)商制定成本共擔(dān)契約可有效降低供應(yīng)鏈成本并提高生鮮供應(yīng)鏈保鮮水平;王勇等[4]考慮生鮮配送時效強的特征,構(gòu)建生鮮配送的物流成本和損失成本最小的優(yōu)化模型。現(xiàn)有文獻(xiàn)多在確定性條件下研究生鮮正向或逆向物流成本的最小化,然而不確定參數(shù)對物流網(wǎng)絡(luò)規(guī)劃具有重要影響[5],基于此,本文考慮生鮮產(chǎn)品退貨量的不確定性,統(tǒng)籌正逆向物流,構(gòu)建生鮮產(chǎn)品閉環(huán)物流網(wǎng)絡(luò)以最小化其成本。
大量的溫室氣體排放由車輛在駕駛時產(chǎn)生,對環(huán)境造成嚴(yán)重污染,低碳城市物流網(wǎng)絡(luò)配送系統(tǒng)在城市可持續(xù)發(fā)展中發(fā)揮著重要作用[6]。Aljohani等[7]考慮終端物流配送環(huán)節(jié)中車輛空載率高、配送路線不優(yōu)等問題,通過規(guī)劃其回收路徑,提高裝貨率,從而降低碳排放和物流配送成本;Tiwari等[8]考慮了物流區(qū)域發(fā)展過程中的碳排放問題,揭示了區(qū)域物流能源與碳排放之間的關(guān)系;李進(jìn)等[9]基于節(jié)能減排的視角,研究了低碳環(huán)境下由第三方提供運輸服務(wù)的車輛路徑問題。當(dāng)前對減少物流網(wǎng)絡(luò)碳排放的研究多集中在路徑規(guī)劃上,鮮少考慮其節(jié)點選址、運營過程的碳排放等,基于此本文考慮閉環(huán)物流網(wǎng)絡(luò)中節(jié)點選址、運營碳排放、路徑規(guī)劃,從整體上構(gòu)建其碳排放模型。
物流活動涉及社會、企業(yè)、客戶等多個利益主體,資源相對密集[10],基于現(xiàn)實背景的復(fù)雜性,在優(yōu)化其網(wǎng)絡(luò)時,除了考慮經(jīng)濟成本、碳排放之外,還需要考慮其創(chuàng)造的社會效益[11]。社會效益被認(rèn)為是增加職業(yè)機會和減少工作中的危害[12],雖然它對周圍人口福利的影響是重大的,但設(shè)計一個具有經(jīng)濟觀點的供應(yīng)鏈時,通常不會考慮社會效益[13]。Bal等[14]考慮社會效益的最大化,研究了廢棄電子電氣設(shè)備的物流和回收規(guī)劃;Meyer等[15]考慮社會效益,討論了阿根廷林業(yè)供應(yīng)鏈的優(yōu)化設(shè)計模型。基于上述研究,本文在考慮生鮮產(chǎn)品閉環(huán)物流網(wǎng)絡(luò)經(jīng)濟成本最小化、碳排放最小化的同時,以社會效益最大化為目標(biāo),構(gòu)建其多目標(biāo)閉環(huán)物流網(wǎng)絡(luò)模型。
遺傳算法(Genetic Algorithm,GA)作為發(fā)展較為成熟的元啟發(fā)式算法之一,具有全局搜索優(yōu)勢,在解決大規(guī)模路徑優(yōu)化、復(fù)雜約束等問題上表現(xiàn)出良好的性能[16],但其局部搜索能力差,迭代過程中可能錯過局部最優(yōu)解[17]。朱杰等[18]將遺傳算法與模擬退火算法融合,以改進(jìn)算法為立體倉庫優(yōu)化提供決策方法;裴小兵等[19]針對流水車間調(diào)度問題,提出了一種新型混合改進(jìn)遺傳算法進(jìn)行優(yōu)化求解。本文針對生鮮多目標(biāo)閉環(huán)物流網(wǎng)絡(luò)問題,提出了基于改進(jìn)優(yōu)先級的遺傳算法:首先,通過對賦予染色體隨機權(quán)重,產(chǎn)生各編碼列的等級;接著,判定其優(yōu)先級,從而提高其局部搜索能力;最后,通過與粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法的對比,驗證了本文所改進(jìn)遺傳算法的全局與局部搜索能力。
綜上所述,本文首先在退貨量不確定條件下以經(jīng)濟成本最小、碳排放最小、社會效益最大為目標(biāo)構(gòu)建了生鮮閉環(huán)物流網(wǎng)絡(luò)多目標(biāo)模型;其次考慮多目標(biāo)優(yōu)化問題,改進(jìn)遺傳算法,設(shè)計基于優(yōu)先權(quán)的遺傳編碼;最后結(jié)合上海市某生鮮企業(yè)閉環(huán)物流網(wǎng)絡(luò)實例,分別通過改進(jìn)的GA與PSO搜索多目標(biāo)的最優(yōu)解組合,通過算例分析與算法對比驗證所建模型的可行性及所改進(jìn)算法的有效性。
生鮮閉環(huán)物流網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,主要由農(nóng)戶、供應(yīng)商、配送中心、超市、客戶、回收中心、處理廠7部分組成。
圖1 生鮮產(chǎn)品閉環(huán)物流網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Closed-loop logisticsnetwork structureof fresh foods
在正向物流中,各農(nóng)戶將生鮮產(chǎn)品運送至供應(yīng)商處,供應(yīng)商對生鮮產(chǎn)品分類包裝統(tǒng)一運送至超市的配送中心,配送中心根據(jù)各門店需求預(yù)測進(jìn)行配送,客戶至超市門店購買產(chǎn)品。
在逆向物流中,超市將退貨品送至回收中心,回收中心對退貨品分類處理,將具有一定殘值的產(chǎn)品運送至供應(yīng)商處進(jìn)行再循環(huán)工序,將無殘值的退貨品殘渣送至處理廠統(tǒng)一處理[20]。
1.2.1 模型假設(shè)
1)供應(yīng)商、配送中心、超市、回收中心、處理廠的候選位置與數(shù)量已知。
2)供應(yīng)商分為大、小兩種供應(yīng)類型。
3)各節(jié)點之間的運輸成本與運輸距離和運輸量成正比。
4)節(jié)點之間的距離是貨車行駛的距離,并非兩點間的直線距離。
5)碳排放量與貨車運輸距離和運輸量成正比。
1.2.2 符號
m代 表 農(nóng) 戶 ,m∈{1,2,…,M};c代 表 供 應(yīng) 商 ,c∈ {1,2,…,C};d代表配送中心,d∈ {1,2,…,D};s代表超市,s∈ {1,2,…,S};i代表客戶,i∈ {1,2,…,I};r代表回收中心,r∈ {1,2,…,R};p代表處理廠,p∈ {1,2,…,P};k代表供應(yīng)商類型,k∈ {s,l};v代表運輸車輛,v∈V;l代表運輸路線,l∈ {1,2,…,L}。
1.2.3 參數(shù)
代表供應(yīng)商(類型為k)的固定建設(shè)成本;Fd代表配送中心的固定建設(shè)成本;Fs代表超市的固定建設(shè)成本;Fr代表回收中心的固定建設(shè)成本;Fp代表處理廠的固定建設(shè)成本代表供應(yīng)商(加工容量為k)的運營成本;Od代表配送中心的運營成本;Os代表超市的運營成本;Or代表回收中心的運營成本;Op代表處理廠的運營成本;U代表單位運輸成本;qCO2代表貨車載重單位重量的產(chǎn)品行駛單位距離排放的CO2;為類型k的供應(yīng)商創(chuàng)造的工作崗位數(shù)量;fd、fs、fr、fp為配送中心、超市、回收中心、處理廠創(chuàng)造的工作崗位數(shù)量;Hck為類型k的供應(yīng)商的員工因工傷請假的天數(shù);Hd、Hs、Hr、Hp為配送中心、超市、回收中心、處理廠的員工因工傷請假的天數(shù);wf、wH分別為創(chuàng)造的工作崗位,員工因工傷請假天數(shù)所占的權(quán)重;discd、disds、dissr、disrp、disrc分別代表兩節(jié)點之間的距離;Qcd、Qds、Qsr、Qrp、Qrc分別代表兩節(jié)點間的運輸量、cad、cas、car、cap分別代表各節(jié)點的最大處理能力;α代表退貨品的處理率;β代表退貨品的循環(huán)率;res代表超市s的生鮮產(chǎn)品退貨量,模糊值。
1.2.4 決策變量
Yck為0-1變量,若選擇候選供應(yīng)商,則Yck=1,否則為0;Yd為0-1變量,若選擇候選配送中心,則Yd=1,否則為0;Ys為0-1變量,若選擇候選超市,則Ys=1,否則為0;Yr為0-1變量,若選擇候選回收中心,則Yr=1,否則為0;Yp為0-1變量,若選擇候選處理廠,則Yp=1,否則為0;YvL為0-1變量,若車輛V在第L條路線運輸,則,否則為0為0-1變量,若車輛在兩節(jié)點間運輸時選擇第L條路線,則為1,否則為0。
1.2.5 模型構(gòu)建
1)生鮮閉環(huán)物流網(wǎng)絡(luò)多目標(biāo)優(yōu)化模型的第1個目標(biāo)為經(jīng)濟成本最小化??偨?jīng)濟成本E1由各網(wǎng)點固定建設(shè)成本、運營成本及物流過程中的運輸成本構(gòu)成,運輸成本為貨車在所選節(jié)點間運輸距離與運輸量及單位運輸費用的乘積之和。其目標(biāo)函數(shù)為:
2)生鮮閉環(huán)物流網(wǎng)絡(luò)多目標(biāo)優(yōu)化模型的第二個目標(biāo)為碳排放E2最小化。碳排放目標(biāo)的設(shè)定考慮到了閉環(huán)物流網(wǎng)絡(luò)運輸過程中產(chǎn)生的 CO2排放量[21],即 CO2排放最少,CO2排放量為車輛在所選節(jié)點間的行駛路程與運載量及單位距離CO2排放量的乘積之和。其目標(biāo)函數(shù)為:
3)生鮮閉環(huán)物流網(wǎng)絡(luò)多目標(biāo)優(yōu)化模型的第三個目標(biāo)為產(chǎn)生的社會效益E3最大。本文參考文獻(xiàn)[22],選取為員工提供的工作機會與員工因工傷請假的天數(shù)作為社會效益的指標(biāo)。工作機會為所選各節(jié)點提供的工作崗位數(shù)量之和,請假天數(shù)為所選各節(jié)點員工因工傷請假的天數(shù)之和。其目標(biāo)函數(shù)為:
最大社會效益E3max:
式(4)~(8)表示流量均衡約束;式(9)~(11)表示容量約束;式(12)~(16)表示至少選擇一個供應(yīng)商、配送中心、超市、回收中心、處理廠;式(17)表示至少有一輛車完成整個物流網(wǎng)絡(luò)的運輸;式(18)表示運輸量非負(fù)。
生鮮產(chǎn)品的退貨量res為模糊參數(shù),模糊機會約束規(guī)劃方法(Fuzzy Chance Constrained Programming Method,F(xiàn)CCP)可有效規(guī)避模糊參數(shù)對此類約束條件不清晰的規(guī)劃問題的影響[23]。首先將退貨量res設(shè)為三角模糊參數(shù),記res=(res1,res2,res3),其中res1與res3分別為企業(yè)給定的置信水平α的上下界,res2為α的最可能值。其次應(yīng)保證約束條件成立概率控制在企業(yè)制定的置信水平之上,根據(jù)決策者制定的置信水平,將模糊規(guī)劃轉(zhuǎn)化為等價的清晰約束。其模糊隸屬函數(shù)如下表示:
與單目標(biāo)優(yōu)化問題不同,多目標(biāo)的各子目標(biāo)間往往存在沖突,在改進(jìn)某個目標(biāo)函數(shù)的同時也會引起其他子目標(biāo)性能的降低,很難實現(xiàn)多個子目標(biāo)同時達(dá)到最優(yōu)[25]。模糊多目標(biāo)規(guī)劃能使各子目標(biāo)盡量達(dá)到最優(yōu),從而獲得多目標(biāo)的最優(yōu)組合[26]。選擇合適的隸屬度函數(shù)是模糊優(yōu)化的前提[27],參考文獻(xiàn)[28-29]的做法,選擇如下隸屬度函數(shù),gs表示越小越優(yōu)型目標(biāo)函數(shù),gv表示越大越優(yōu)型目標(biāo)函數(shù),隸屬函數(shù)表示為:
式中:μg(x)表示E的隸屬度函數(shù),μ(0≤μ≤1)的大小反映了優(yōu)化結(jié)果的滿意度,λ和γ分別表示形狀系數(shù),gvmin、gvmax和gsmin、gsmax分別表示gv和gs的最小值、最大值,λ、γ>0且不為1。引入變量ζ,將原目標(biāo)函數(shù)轉(zhuǎn)化為約束條件,即μg(x)≥ζ(0≤ζ≤1),則此時模型可轉(zhuǎn)化為maxξ的單目標(biāo)函數(shù)。根據(jù)上述原理,本文所構(gòu)建的多目標(biāo)模型可表示為maxξ,此時約束條件除包括式(4)~式(18),還包括:
先求出各子目標(biāo)在所有約束條件下的最優(yōu)解,再利用這些最優(yōu)解確定隸屬度函數(shù),使交集的隸屬度函數(shù)取最大值,即為多目標(biāo)問題的最優(yōu)解。
2.3.1 改進(jìn)的GA
本文所建模型是一個大規(guī)模規(guī)劃模型,為避免傳統(tǒng)的GA在迭代過程中錯過局部最優(yōu)解,從而影響最優(yōu)近似解的精確性[30],參考文獻(xiàn)[31-33],本文采用基于優(yōu)先權(quán)的GA來求解閉環(huán)物流網(wǎng)絡(luò)的多目標(biāo)模糊規(guī)劃模型,具體操作如下:
步驟1 染色體編碼與初始化。染色體數(shù)組表示節(jié)點C、D、S、R、P是否被選擇,車輛V是否在路線L上運輸,節(jié)點間生鮮產(chǎn)品運輸量。首先賦予每個節(jié)點及路線隨機權(quán)重,隨機產(chǎn)生各個節(jié)點及路線的等級;接著判定每個節(jié)點間線路的優(yōu)先級,根據(jù)鄰接矩陣確定節(jié)點間的連接關(guān)系,連接記為1,不連接記為0。對于連接的點,由起點開始依次選擇節(jié)點權(quán)值大的節(jié)點組成路徑,且路線不重復(fù),如圖2所示。
圖2 基于優(yōu)先級的編碼及解碼Fig.2 Priority based codingand decoding
步驟2 適應(yīng)度評估與選擇。染色體的適應(yīng)度反映了被選擇的概率,在滿足約束條件的情況下,利用目標(biāo)函數(shù)(1)、(2)、(3)計算各個體的適應(yīng)度值,適應(yīng)度值可直觀反映染色體對應(yīng)規(guī)劃方案的優(yōu)劣。選擇適應(yīng)度大的個體復(fù)制到子代,重復(fù)進(jìn)行,直至形成整個子代種群。
步驟3 交叉與變異。交叉使子代同時繼承父母代的基因,保持更高的適應(yīng)性。變異使某個基因以一定的概率隨機發(fā)生突變。交叉和變異不僅產(chǎn)生新個體,而且提高種群局部搜索能力。先隨機將父代染色體兩兩分組,再隨機選擇染色體的某一節(jié),交換后半段,具體操作如圖3所示。
圖3 單點交叉變異示例Fig.3 Example of single point cross variation
步驟4 終止條件。若達(dá)到預(yù)先設(shè)定的最大進(jìn)化代數(shù),終止算法,否則轉(zhuǎn)向步驟2。設(shè)置最大迭代次數(shù)為400,交叉概率為0.8,變異概率為0.05。
2.3.2 PSO算法
粒子群優(yōu)化(PSO)算法作為一種智能尋優(yōu)算法,不需要選擇、交叉、變異等復(fù)雜操作[34],通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu),粒子收斂速度快,可高效尋找到多目標(biāo)選址、路徑規(guī)劃問題的最優(yōu)解[35]。具體操作步驟如下:
1)初始化算法的各項基本參數(shù)。
2)對各節(jié)點間的路徑進(jìn)行搜索,根據(jù)各節(jié)點間路徑的比較,確定節(jié)點的選址。
3)按照約束條件,每只螞蟻構(gòu)建路徑對選中的節(jié)點與相應(yīng)路徑進(jìn)行調(diào)整。
4)檢查每只螞蟻的函數(shù)值,并進(jìn)行排序,得到最小值,即為此次迭代的最優(yōu)解。
5)判斷最優(yōu)解是否滿足終止條件,若滿足條件則停止搜索,輸出最優(yōu)解;否則繼續(xù)執(zhí)行步驟3)。設(shè)置最大迭代次數(shù)為400,螞蟻數(shù)量50。
本文以上海市某生鮮企業(yè)為例,由企業(yè)調(diào)研得知,2家候選供應(yīng)商c1、c2坐標(biāo)分別為(10.5,4.2)、(3.7,52.1);2個配送中心d1、d2坐標(biāo)分別為(14.5,25.2)、(5.7,41.0);2個回收中心r1、r2坐標(biāo)分別為(8.2,50.0)、(12.1,14.2);2個處理廠p1、p2坐標(biāo)分別為(2.5,20.2)、(17.7,8.1)。5個超市門店s1、s2、s3、s4、s5位置坐標(biāo)及退貨量的三角模糊量如表1所示,其他參數(shù)數(shù)值見表2。
表1 超市位置坐標(biāo)及退貨模糊量Tab.1 Supermarket location coordinatesand return fuzzy numbers
表2 其他相關(guān)參數(shù)數(shù)據(jù)Tab.2 Other relevant parameter data
利用Matlab2018a分別編寫基于優(yōu)先級的GA代碼與PSO代碼??紤]退貨量的三角模糊量對企業(yè)最優(yōu)決策的影響,采用均勻分布法對企業(yè)制定的置信水平影響αr賦值70%、80%、90%,在不同置信水平下將單目標(biāo)與多目標(biāo)優(yōu)化結(jié)果進(jìn)行對比,并給出PSO算法的Pareto最優(yōu)結(jié)果與改進(jìn)的GA滿意度。
不同置信水平下單目標(biāo)與多目標(biāo)的對比結(jié)果如表3所示;PSO算法對應(yīng)的多目標(biāo)規(guī)劃方案的Pareto前沿的結(jié)果如圖4所示,改進(jìn)的GA滿意度水平如圖5所示;最優(yōu)置信水平下各子目標(biāo)的選址路徑如圖6(a)~6(c)所示,多目標(biāo)優(yōu)化的選址路徑如圖6(d)所示。
表3 不同置信水平下各目標(biāo)函數(shù)值及選址方案Tab.3 Objectivefunction valuesand siteselection schemes at different confidencelevels
從模糊角度分析可知:1)各節(jié)點退貨量隨著對應(yīng)三角模糊量的置信水平αr的增加而增加,退貨量的增加可能需要更多的車輛運輸,碳排放也會隨運輸量及運輸車輛增加而相應(yīng)增加,節(jié)點也需要雇傭更多的勞動力。經(jīng)濟、碳排放、社會目標(biāo)的值隨之上升。2)隨著置信水平的改變,節(jié)點選址及配送路徑也做出靈活變化,三角模糊量的置信水平變化對其最優(yōu)規(guī)劃有顯著影響。最優(yōu)解;本文結(jié)合兩種互補的優(yōu)化算法,有效尋求最優(yōu)解。2)改進(jìn)的GA滿意度在迭代次數(shù)達(dá)到200之前增長頻率較低,但達(dá)到200后增長頻率顯著上升,說明其更適合大規(guī)模問題的求解。
圖4 Pareto前沿分布Fig.4 Pareto front distribution
圖5 GA收斂性Fig.5 Convergenceof GA
圖6 各目標(biāo)優(yōu)化路徑Fig.6 Optimization path of each objective
綜上,生鮮產(chǎn)品可持續(xù)閉環(huán)物流網(wǎng)絡(luò)模糊多目標(biāo)優(yōu)化使企業(yè)成本優(yōu)化的同時,兼顧環(huán)境影響和社會責(zé)任,實現(xiàn)企業(yè)總體決策滿意度最優(yōu),而且降低了不確定參數(shù)的影響,更符合企業(yè)實際決策。改進(jìn)的GA能有效解決該類大規(guī)模求解問題。
從多目標(biāo)角度分析可知:1)與單目標(biāo)最優(yōu)相比,多目標(biāo)最優(yōu)方案的各子目標(biāo)均做出一定讓步,但多目標(biāo)最優(yōu)方案兼顧了三個子目標(biāo),優(yōu)化滿意度達(dá)到了0.92。2)隨著置信水平的上升,多目標(biāo)優(yōu)化增長的幅度低于單目標(biāo)最優(yōu)的增長幅度,即多目標(biāo)優(yōu)化方案能更好地應(yīng)對不確定參數(shù)的影響,對企業(yè)實際決策更有益。
從算法的角度分析:1)對于PSO而言,其收斂速度過快易陷入局部最優(yōu);對于GA而言,其尋找全局最優(yōu)時易錯過局部
本文以生鮮產(chǎn)品為研究對象,考慮不確定環(huán)境下閉環(huán)物流網(wǎng)絡(luò)最小經(jīng)濟成本、最小碳排放、最大社會效益,設(shè)計了生鮮產(chǎn)品可持續(xù)閉環(huán)物流網(wǎng)絡(luò)模糊多目標(biāo)模型。改進(jìn)的GA計算結(jié)果表明,多目標(biāo)總體滿意度高于單目標(biāo)最優(yōu)且大于0.90,從而驗證了本文模型的有效性。
本文在多目標(biāo)求解方面僅考慮了改進(jìn)遺傳算法(GA)、粒子群算法(PSO),處理多目標(biāo)的方法是多樣的,下一步可考慮如何將鯨魚算法、螢火蟲算法等應(yīng)用到模型中;且生鮮產(chǎn)品閉環(huán)物流網(wǎng)絡(luò)的不確定參數(shù)有多種形式,如何同時考慮多種不確定性還待進(jìn)一步探討。