蔣叢萃

摘? 要： 傳統(tǒng)的電子商務(wù)物流配送路徑優(yōu)化算法存在尋找最優(yōu)路徑時(shí)間長的問題，為解決這一問題，設(shè)計(jì)一種大數(shù)據(jù)背景下的電子商務(wù)物流配送路徑優(yōu)化算法。首先采用聚類算法對物流配送區(qū)域進(jìn)行劃分;然后通過重量指數(shù)、時(shí)效指數(shù)、客戶重要度指數(shù)、時(shí)間窗口指數(shù)、總路徑指數(shù)五方面建立物流配送路徑優(yōu)化多目標(biāo)函數(shù);最后設(shè)置配送目標(biāo)權(quán)重，按照電子商務(wù)物流的不同需求找到目標(biāo)函數(shù)中較優(yōu)的配送路徑，以此完成電子商務(wù)物流配送路徑優(yōu)化。實(shí)驗(yàn)對比結(jié)果表明，此次設(shè)計(jì)的大數(shù)據(jù)背景下的電子商務(wù)物流配送路徑優(yōu)化算法比傳統(tǒng)算法尋找最優(yōu)路徑的時(shí)間短，能夠減少電子商務(wù)物流配送時(shí)間，具有一定的實(shí)際應(yīng)用意義。

關(guān)鍵詞： 大數(shù)據(jù); 電子商務(wù); 物流配送路徑; 區(qū)域; 多目標(biāo)函數(shù); 時(shí)效指數(shù)

中圖分類號： TN911.1?34; TP301? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）19?0130?04

Abstract： It takes a long time for the traditional e?commerce logistics distribution path optimization algorithm to find the optimal path. In view of this， an e?commerce logistics distribution path optimization algorithm under the background of big data is designed. The clustering algorithm is used to divide the logistics distribution area. Then， the multi?objective function of logistics distribution path optimization is established by weight index， time efficiency index， customer importance index， time window index and total path index. Finally， the weight of distribution goal is set. According to the different needs of e?commerce logistics， the optimal distribution path in the objective function is found to complete the e?commerce logistics distribution path optimization. The results of contrastive experiments show that under the background of big data， the designed e?commerce logistics distribution path optimization algorithm takes less time than the traditional algorithm to find the optimal path， and can reduce the e?commerce logistics distribution time. Therefore， it has a certain practical significance.

Keywords： big data; e?commerce; logistics distribution path; region; multiple?objective function; time efficiency index

0? 引? 言

在大數(shù)據(jù)背景下，電子商務(wù)企業(yè)能夠準(zhǔn)確預(yù)測客戶的未來需求，實(shí)現(xiàn)對客戶個(gè)性化服務(wù)。然而大部分企業(yè)卻未能有效利用這些數(shù)據(jù)進(jìn)行線路規(guī)劃，傳統(tǒng)的物流配送路徑無法應(yīng)對如今復(fù)雜的城市道路交通情況，已經(jīng)不能適用于消費(fèi)者的實(shí)際需要。為了滿足電子商務(wù)的發(fā)展要求，提高顧客滿意度，對電子物流配送路徑進(jìn)行優(yōu)化，以解決傳統(tǒng)電子商務(wù)物流配送路徑優(yōu)化算法尋找最優(yōu)路徑時(shí)間長的問題。

此次設(shè)計(jì)的方法首先采用聚類算法對物流配送區(qū)域劃分，并建立物流配送路徑優(yōu)化多目標(biāo)函數(shù)，主要包括重量指數(shù)、時(shí)效指數(shù)、客戶重要度指數(shù)、時(shí)間窗口指數(shù)、總路徑指數(shù)五個(gè)方面，并設(shè)置配送目標(biāo)權(quán)重，尋找最優(yōu)的目標(biāo)路徑，以實(shí)現(xiàn)對電子商務(wù)物流配送路徑優(yōu)化。

實(shí)驗(yàn)對比結(jié)果表明，此次設(shè)計(jì)的優(yōu)化方法比傳統(tǒng)方法尋找最優(yōu)路徑的時(shí)間短，證明了電子商務(wù)物流配送路徑優(yōu)化算法的有效性。

1? 物流配送區(qū)域劃分

在對電子商務(wù)物流配送路徑優(yōu)化前，分析電子商務(wù)配送流程，如圖1所示。

在上述分析完成的基礎(chǔ)上，采用聚類算法對物流配送區(qū)域進(jìn)行劃分[1]，劃分過程如下所示：

Step1：選擇起始的聚類[2]中心，在該聚類中心所有的數(shù)據(jù)信息中找到[n]個(gè)數(shù)據(jù)，將[n=1，2，…，n]個(gè)數(shù)據(jù)信息作為聚類中心。根據(jù)電子商務(wù)物流配送中心的要求，將[n]個(gè)聚類中心的坐標(biāo)分別定為[（x1，y1）]，[（x2，y2）]，…，[（xn，xn）]，保證初始劃分區(qū)域不出現(xiàn)疊加情況。

Step2：采用距離公式求解上述每個(gè)聚類中心距每個(gè)數(shù)據(jù)的距離，計(jì)算公式如下所示：

式中：[Dk+1]代表配送區(qū)域劃分因子;[ga]代表聚類中心;[fa+1]代表聚類中心的數(shù)據(jù)。

按照式（1）計(jì)算數(shù)據(jù)距離[3]哪個(gè)聚類中心距離最近，就將它歸到那個(gè)聚類中心，目的是節(jié)省車輛運(yùn)送貨物在路上的時(shí)間。

Step3：修正聚類中心，因?yàn)榘艘恍?shù)據(jù)的[n]個(gè)聚類的中心往往發(fā)生變化，因此在Step2計(jì)算結(jié)果的基礎(chǔ)上重新修正聚類中心數(shù)據(jù)。

計(jì)算方法為：一個(gè)聚類內(nèi)所有點(diǎn)的經(jīng)度坐標(biāo)[4]相加除以點(diǎn)的個(gè)數(shù)，在此基礎(chǔ)上，所有點(diǎn)的維度坐標(biāo)相加并除以點(diǎn)的個(gè)數(shù)，以此得到新的聚類中心的經(jīng)緯度坐標(biāo)以及新的聚類中心的位置。目的是使配送工作量盡量保持均勻，避免出現(xiàn)不均衡現(xiàn)象，因此每個(gè)小區(qū)域的配送量要大致相等。

Step4：驗(yàn)證聚類中心，使用Step3中計(jì)算過的聚類中心進(jìn)行下一次迭代循環(huán)[5]，并將上述3個(gè)步驟計(jì)算得到的聚類中心位置與上一次求得的聚類中心對比，計(jì)算公式如下所示：

式中 ：[kg]代表物流配送區(qū)域的聚類對象;[aq]代表聚類規(guī)模大小;[f]代表聚類中心距離;[h]代表聚類中心對比參數(shù);[a]代表配送點(diǎn)密集程度[6]。

按照式（2）計(jì)算所得中心的位置，若相差較大，則再次計(jì)算，使每一輛配送車一次運(yùn)送的配送量大概保持相等。

2? 電子商務(wù)物流配送路徑優(yōu)化算法

在上述物流配送區(qū)域劃分的基礎(chǔ)上，對物流配送路徑進(jìn)行優(yōu)化，在優(yōu)化前，分析路徑設(shè)計(jì)過程[7]，路徑設(shè)計(jì)過程如圖2所示。

在此基礎(chǔ)上，建立物流配送路徑，優(yōu)化多目標(biāo)函數(shù)[8]，主要包括重量指數(shù)、時(shí)效指數(shù)、客戶重要度指數(shù)、時(shí)間窗口指數(shù)、總路徑指數(shù)，具體的計(jì)算過程如下所示。

重量指數(shù)[9]，在電子商務(wù)物流配送過程中，貨物重量是必須要考慮的因素，在一般情況下，應(yīng)優(yōu)先派送重量大的貨物，以減少配送過程中的油耗，重量指數(shù)表示為：

式中：[Sg]代表需要配送的地點(diǎn)數(shù)量;[if]代表配送的貨物重量;[g]為物流配送的地點(diǎn)順序;[i]為第[i]個(gè)地點(diǎn)需要配送的貨物重量;tu為重量指數(shù)計(jì)算因子。

在上述重量指數(shù)計(jì)算完成的基礎(chǔ)上，計(jì)算時(shí)效指數(shù)[10]，由于電子商務(wù)配送中會出現(xiàn)越來越多的冷鮮，對物流配送時(shí)間要求越來越高，因此建立時(shí)效指數(shù)反映貨物時(shí)效性要求，計(jì)算公式如下：

式中：[ti]代表第[i]個(gè)配送點(diǎn)貨物的保鮮時(shí)間;[Tfs]代表配送該貨物所需時(shí)間;[ta]為配送出發(fā)時(shí)間;[1N]代表配送過程中的影響因子;[St]為貨物應(yīng)到達(dá)時(shí)間。

客戶作為電子商務(wù)物流公司生存的前提，為保證客戶量，優(yōu)先考慮重要客戶的貨物，則客戶重要度指數(shù)[11]表示為：

式中：[1N]代表重要客戶貨物的順序;[mj]為優(yōu)先選擇因子;[N]代表重要程度劃分因子;[i]為優(yōu)先客戶量。

最后，計(jì)算電子商務(wù)物流配送的總路徑指數(shù)[12]，因?yàn)椴煌奈锪髋渌吐窂讲煌?，為提高配送效率，?jì)算總路徑指數(shù)，計(jì)算公式如下：

式中：[Sk]代表第[k]個(gè)配送點(diǎn)之間的路程;[1F]代表配送完成后返回的路程;[hy?j]為總路徑的調(diào)節(jié)系數(shù);[n]為總路徑指數(shù)值。

在上述重量指數(shù)、時(shí)效指數(shù)、客戶重要度指數(shù)、時(shí)間窗口指數(shù)、總路徑指數(shù)建立的基礎(chǔ)上，完成物流配送路徑優(yōu)化目標(biāo)函數(shù)的建立。

由于電子商務(wù)物流配送中心貨物配送目標(biāo)的重視程度不同，因此對配送目標(biāo)設(shè)置權(quán)重[13]，在設(shè)置之前，對上述得到的目標(biāo)函數(shù)進(jìn)行無量綱化[14]處理，計(jì)算公式如下：

式中：[xe]代表任意方案中的某一評價(jià)指標(biāo)值;[M]代表[m]中的最小值;[x]代表[n]中的最大值。

在上述無量綱化處理的基礎(chǔ)上確定權(quán)重，采取兩兩因素比較的方式進(jìn)行相對重要度的評價(jià)，評價(jià)方式如表1所示。

基于上述物流配送指標(biāo)函數(shù)以及權(quán)重，對配送路徑進(jìn)行優(yōu)化：

式中：[W1]，[W2]，[W3]，[W4]，[W5]分別代表重量指數(shù)、時(shí)效指數(shù)、客戶重要度指數(shù)、時(shí)間窗口指數(shù)、總路徑指數(shù)的總權(quán)重;[η]為正比例增益系數(shù)[15]。

根據(jù)式（8）計(jì)算出各個(gè)函數(shù)的重要程度，從而找到目標(biāo)函數(shù)中較優(yōu)的配送路徑，以此完成電子商務(wù)物流配送路徑優(yōu)化。

3? 仿真測試

為驗(yàn)證上述設(shè)計(jì)的電子商務(wù)物流配送路徑優(yōu)化算法的有效性，將傳統(tǒng)的算法與此次設(shè)計(jì)的算法進(jìn)行實(shí)驗(yàn)對比，對比兩種方法尋找最優(yōu)路徑的時(shí)間。

3.1? 測試數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)由某電子商務(wù)物流配送中心提供，在該物流中心的一次物流配送任務(wù)中，共需配送10個(gè)貨物，這10個(gè)貨物的基本信息如表2所示。

分析表2可知，10個(gè)配送任務(wù)重量、重要度以及卸貨時(shí)間都不同，分別使用兩種方法尋找這10個(gè)貨物配送的最優(yōu)路徑，對比兩種方法尋找最優(yōu)路徑的時(shí)間。

3.2? 實(shí)驗(yàn)結(jié)果分析

此次設(shè)計(jì)的電子商務(wù)物流配送路徑優(yōu)化算法和傳統(tǒng)算法尋找最優(yōu)路徑的時(shí)間結(jié)果如表3所示。

分析表3可知，此次設(shè)計(jì)的優(yōu)化算法尋找最優(yōu)路徑的時(shí)間都在2 min以下，而傳統(tǒng)算法尋找最優(yōu)路徑時(shí)間都在3 min以上，最高達(dá)到4.6 min。對比可知，傳統(tǒng)算法在10次尋找最優(yōu)路徑中所需要的時(shí)間均高于此次設(shè)計(jì)的算法。

通過上述實(shí)驗(yàn)?zāi)軌蜃C明，本文設(shè)計(jì)的大數(shù)據(jù)背景下的電子商務(wù)物流配送路徑優(yōu)化算法比傳統(tǒng)算法尋找最優(yōu)路徑的時(shí)間短，能夠滿足電子商務(wù)物流配送路徑優(yōu)化需求。

對比采用此次設(shè)計(jì)的優(yōu)化算法與傳統(tǒng)算法后，該電子商務(wù)物流配送中心1年內(nèi)物流配送費(fèi)用結(jié)果如表4所示。

分析表4可知，采用此次設(shè)計(jì)的優(yōu)化算法尋找最優(yōu)路徑條件下，電子商務(wù)物流配送中心一年內(nèi)物流配送費(fèi)用總計(jì)為109.4萬元，而采用傳統(tǒng)算法尋找最優(yōu)路徑條件下，電子商務(wù)物流配送中心一年內(nèi)物流配送費(fèi)用總計(jì)達(dá)到134.3萬元。相比之下采用此次設(shè)計(jì)的優(yōu)化算法尋找最優(yōu)路徑一年物流配送費(fèi)可節(jié)省24.9萬元。

基于上述實(shí)驗(yàn)結(jié)果可知，此次設(shè)計(jì)的大數(shù)據(jù)背景下的電子商務(wù)物流配送路徑優(yōu)化算法與傳統(tǒng)算法相比，可節(jié)省大量物流配送費(fèi)用，符合電子商務(wù)物流配送路徑優(yōu)化的經(jīng)濟(jì)效用。

為更清晰地描述不同算法優(yōu)化結(jié)果，將不同算法的路徑優(yōu)化結(jié)果與實(shí)際最優(yōu)路徑相比，所得各項(xiàng)誤差用表格形式描述，結(jié)果如表5所示。

分析表5可得，兩種不同優(yōu)化算法中，此次設(shè)計(jì)的電子商務(wù)物流配送路徑優(yōu)化算法優(yōu)化后得到的路徑與實(shí)際最優(yōu)路徑相比，各項(xiàng)誤差值均低于傳統(tǒng)算法優(yōu)化結(jié)果。

以上實(shí)驗(yàn)結(jié)果表明此次設(shè)計(jì)的電子商務(wù)物流配送路徑優(yōu)化算法優(yōu)化后得到的路徑與實(shí)際最優(yōu)路徑一致度更高，驗(yàn)證了此次設(shè)計(jì)的電子商務(wù)物流配送路徑優(yōu)化算法的精度。

4? 結(jié)? 語

針對傳統(tǒng)的電子商務(wù)物流配送路徑優(yōu)化算法存在尋找最優(yōu)路徑時(shí)間長的問題，本文設(shè)計(jì)了一種大數(shù)據(jù)背景下的電子商務(wù)物流配送路徑優(yōu)化算法。首先采用聚類算法對物流配送區(qū)域劃分，然后建立物流配送路徑優(yōu)化多目標(biāo)函數(shù)，主要包括重量指數(shù)、時(shí)效指數(shù)、客戶重要度指數(shù)、時(shí)間窗口指數(shù)、總路徑指數(shù)五個(gè)方面，最后設(shè)置配送目標(biāo)權(quán)重，找到目標(biāo)函數(shù)中較優(yōu)的配送路徑，以此完成電子商務(wù)物流配送路徑優(yōu)化。實(shí)驗(yàn)對比結(jié)果表明，此次設(shè)計(jì)的大數(shù)據(jù)背景下的電子商務(wù)物流配送路徑優(yōu)化算法比傳統(tǒng)算法尋找最優(yōu)路徑的時(shí)間短，能夠滿足電子商務(wù)物流配送需求。在實(shí)際應(yīng)用該算法時(shí)，應(yīng)不斷結(jié)合城市道路的發(fā)展，不斷更新該算法。

參考文獻(xiàn)

[1] 葛顯龍，薛桂琴.不確定環(huán)境下多品類共同配送路徑優(yōu)化[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（9）：270?276.

[2] 王恒，徐亞星，王振鋒.基于道路狀況的生鮮農(nóng)產(chǎn)品配送路徑優(yōu)化[J].系統(tǒng)仿真學(xué)報(bào)，2019，31（1）：134?143.

[3] 周正博，冷飛，張航暢.移動網(wǎng)絡(luò)電子商務(wù)物流信息實(shí)時(shí)提取方法研究[J].計(jì)算機(jī)仿真，2018，35（8）：152?155.

[4] 張艷偉，黃志紅.考慮貨物類別的電動汽車路徑優(yōu)化問題研究[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2018，40（1）：79?84.

[5] 鄧友均，李明，余千，等.基于實(shí)時(shí)信息感知的電動汽車物流配送路徑優(yōu)化與充電導(dǎo)航[J].南方電網(wǎng)技術(shù)，2017，11（2）：41?49.

[6] 李杰，趙旭東，王玉霞.面向電商終端物流配送的電動車配置與路徑集成優(yōu)化[J].運(yùn)籌與管理，2018，27（10）：23?30.

[7] 王先慶，彭雷清.物流革命與物流創(chuàng)新的方向、路徑及策略[J].中國流通經(jīng)濟(jì)，2017，31（7）：120?126.

[8] 葉威惠，張飛舟.真實(shí)路況下的快遞配送路徑優(yōu)化研究[J].計(jì)算機(jī)工程與科學(xué)，2017，39（8）：1530?1537.

[9] 秦書婷，張著洪.基于物流配送路線規(guī)劃的改進(jìn)型果蠅優(yōu)化算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（7）：2007?2012.

[10] 鄧必年.基于蟻群優(yōu)化算法的物流配送路徑研究[J].現(xiàn)代電子技術(shù)，2017，40（15）：167?170.

[11] 肖超，張立毅，費(fèi)騰.冷鏈低碳物流配送路徑優(yōu)化的細(xì)菌覓食：蟻群算法研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2017，47（21）：100?109.

[12] 王力鋒，楊華玲.物流配送車輛最優(yōu)網(wǎng)絡(luò)路徑選取仿真[J].計(jì)算機(jī)仿真，2018，35（5）：156?159.

[13] 盧甲東，張世斌.基于時(shí)空相似測度的冷鏈物流分區(qū)配送路徑優(yōu)化[J].上海海事大學(xué)學(xué)報(bào)，2018，39（4）：35?40.

[14] 杜鵑，陳良庚.基于ASD與LBS的移動農(nóng)資物流配送系統(tǒng)研究[J].現(xiàn)代電子技術(shù)，2017，40（1）：167?170.

[15] 李存兵，謝林君，楊金欣.面向低碳的雙層遺傳算法煙草物流路徑優(yōu)化[J].煙草科技，2018，51（1）：90?97.