（華南理工大學(xué) 經(jīng)濟(jì)與貿(mào)易學(xué)院，廣東 廣州 510006）

0 引言

近年來(lái)，互聯(lián)網(wǎng)電子商務(wù)在農(nóng)村地區(qū)發(fā)展迅速。據(jù)統(tǒng)計(jì)，2019年全國(guó)農(nóng)村網(wǎng)絡(luò)零售額達(dá)17 000億元，同比增長(zhǎng)19.1%；全國(guó)農(nóng)產(chǎn)品網(wǎng)絡(luò)零售額達(dá)3 975 億元，同比增長(zhǎng)27%[1]。然而，作為農(nóng)村電子商務(wù)的支柱性產(chǎn)業(yè)，農(nóng)村快遞物流業(yè)卻依舊存在資源配置失衡、資源閑置與資源瓶頸并存的怪象。雖然基礎(chǔ)路網(wǎng)設(shè)施不完善是導(dǎo)致這一現(xiàn)象的根本性原因，但在現(xiàn)有條件下，如何提高“最后一公里”配送資源的有效性，完善配送網(wǎng)絡(luò)，解決當(dāng)前農(nóng)村快遞配送服務(wù)中存在的碎片化、高成本等問(wèn)題[2]，是降低農(nóng)村物流成本，響應(yīng)中央“快遞下鄉(xiāng)”工程，推動(dòng)消費(fèi)品下鄉(xiāng)，促進(jìn)農(nóng)村電子商務(wù)加速發(fā)展的關(guān)鍵。

在地區(qū)中心城市或人口規(guī)模較大的鄉(xiāng)鎮(zhèn)開(kāi)設(shè)網(wǎng)點(diǎn)，并由單一物流企業(yè)獨(dú)立完成其末端的配送業(yè)務(wù)是當(dāng)前農(nóng)村快遞物流的主要模式。而在一定時(shí)期內(nèi)，由于各物流企業(yè)擁有的資源相對(duì)固定，因此該運(yùn)營(yíng)模式僅適于需求穩(wěn)定、訂單量大、客戶地理分布相對(duì)集中的地區(qū)。我國(guó)農(nóng)村人口分布較為零散，人口密度遠(yuǎn)低于城市，同時(shí)村落之間距離遠(yuǎn)大于城市社區(qū)間距離。因此，各物流企業(yè)獨(dú)立完成配送服務(wù)的運(yùn)營(yíng)方式是導(dǎo)致當(dāng)前農(nóng)村快遞配送出現(xiàn)需求難以及時(shí)滿足而供給方資源配置失衡、利用率不高、配送成本居高不下等問(wèn)題的原因之一。

共同配送[3]模式是目前從資源配置角度解決上述問(wèn)題的主要策略。該策略強(qiáng)調(diào)通過(guò)物流資源的共享和集中調(diào)度來(lái)最大化資源收益。我國(guó)農(nóng)村地區(qū)的公路網(wǎng)大多以地級(jí)市為中心呈星狀射線分布，同一片區(qū)域的鄉(xiāng)鎮(zhèn)運(yùn)輸車(chē)輛都會(huì)經(jīng)過(guò)該區(qū)域的主干道路往返于地級(jí)市與所屬鄉(xiāng)鎮(zhèn)。因此，同區(qū)域內(nèi)的鄉(xiāng)鎮(zhèn)具備協(xié)同聯(lián)合運(yùn)輸?shù)臈l件。目前已有學(xué)者對(duì)共同配送模式在農(nóng)村物流中的應(yīng)用展開(kāi)研究。宋麗敏[4]以河南省某農(nóng)村為例，實(shí)證分析了農(nóng)村電商共同配送模式，發(fā)現(xiàn)共享物流下農(nóng)村電商共同配送模式可對(duì)配送點(diǎn)的實(shí)際物流需求產(chǎn)生精確響應(yīng)，從而提高配送效率。盛虎宜等[5]引入共同配送策略，構(gòu)建以總配送費(fèi)用最少為目標(biāo)的多中心共同配送的車(chē)輛路徑模型，有效減少了農(nóng)村配送過(guò)程中車(chē)輛的使用數(shù)量，降低了總配送費(fèi)用。趙廣華[6]提出基于要素共享、契約分包等四種農(nóng)村電商共同配送模式，并分析了其在不同情境下的適用范圍。

然而，新的模式也會(huì)帶來(lái)新的問(wèn)題，例如資源的統(tǒng)籌安排與合理調(diào)度、利益分配[7]、責(zé)任分割等。其中，配送車(chē)輛的調(diào)度是提高配送效率與共同運(yùn)營(yíng)收益、降低農(nóng)村配送成本的關(guān)鍵環(huán)節(jié)。而該領(lǐng)域已有的研究成果更多關(guān)注的是單個(gè)配送企業(yè)在城市路網(wǎng)中的優(yōu)化調(diào)度，針對(duì)多個(gè)配送企業(yè)基于農(nóng)村路網(wǎng)特點(diǎn)的統(tǒng)一調(diào)度研究較少。

車(chē)輛統(tǒng)一調(diào)度決策是一個(gè)考慮了重量、體積、訂單、路徑等約束情況，以利潤(rùn)最大化為目標(biāo)的調(diào)度優(yōu)化問(wèn)題。其實(shí)質(zhì)是求解一個(gè)多約束的多背包問(wèn)題，解空間維度相當(dāng)高，在優(yōu)化領(lǐng)域?qū)儆贜P-hard 的難題。當(dāng)前，學(xué)者們多傾向于采用人工智能算法來(lái)解決該難題[8-12]，而改進(jìn)遺傳算法是其中一個(gè)主流方法。Rezoug 等[13]通過(guò)采用基于效率的方法對(duì)問(wèn)題數(shù)據(jù)進(jìn)行預(yù)分析，獲得先驗(yàn)知識(shí)來(lái)對(duì)后續(xù)遺傳操作進(jìn)行引導(dǎo)，提出了啟發(fā)式的引導(dǎo)遺傳算法來(lái)求解多維背包問(wèn)題，使遺傳算法具有較高的搜索效率。Manicassamy 等[14]通過(guò)抑制環(huán)境中的沖突基因來(lái)修復(fù)遺傳算法交叉變異過(guò)程中產(chǎn)生的非可行解，提高搜索效率，對(duì)于求解多目標(biāo)背包問(wèn)題有良好效果。標(biāo)準(zhǔn)遺傳算法處理多約束且解空間維度較高的優(yōu)化問(wèn)題時(shí)，會(huì)進(jìn)化出大量非可行解的個(gè)體，嚴(yán)重影響尋優(yōu)的效率。合理引導(dǎo)進(jìn)化過(guò)程，并且及時(shí)對(duì)非可行解進(jìn)行糾正是目前改進(jìn)遺傳算法的重要措施。

因此，本文從我國(guó)農(nóng)村電商發(fā)展的實(shí)際問(wèn)題出發(fā)，在借鑒前人研究的基礎(chǔ)上，重點(diǎn)研究共同配送模式下的農(nóng)村快遞車(chē)輛調(diào)度優(yōu)化問(wèn)題。構(gòu)建考慮農(nóng)村路網(wǎng)特性、統(tǒng)一決策的快遞車(chē)輛調(diào)度模型，并運(yùn)用遺傳算法求解該問(wèn)題，根據(jù)模型特點(diǎn)在原算法基礎(chǔ)上提出隨機(jī)修復(fù)非可行解策略以及多種群策略來(lái)提高算法的求解效率和效果。最后通過(guò)仿真實(shí)驗(yàn)來(lái)驗(yàn)證算法的一般適用性。

1 基于共同配送的農(nóng)村快遞物流改進(jìn)模式

當(dāng)前農(nóng)村快遞物流多在地區(qū)中心城市或人口規(guī)模較大的鄉(xiāng)鎮(zhèn)開(kāi)設(shè)網(wǎng)點(diǎn)，并由單一物流企業(yè)獨(dú)立完成末端配送業(yè)務(wù)，即配送人員、車(chē)輛與客戶訂單等均隸屬于某個(gè)特定的物流公司，本文將該模式定義為獨(dú)立配送模式（如圖1所示）。在貨品抵達(dá)地區(qū)中心城市的倉(cāng)庫(kù)后，農(nóng)村地區(qū)的貨主需要委托當(dāng)?shù)剜l(xiāng)鎮(zhèn)運(yùn)輸企業(yè)將其貨物托運(yùn)回來(lái)。鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)是末端配送業(yè)務(wù)的實(shí)際服務(wù)方。在獨(dú)立配送模式下，物流公司的投入大、日常運(yùn)營(yíng)成本負(fù)擔(dān)重、對(duì)資金流管理的要求較高[15]，鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)往往經(jīng)營(yíng)困難，需要大量資金的扶持。

圖1 農(nóng)村物流獨(dú)立配送模式

因此，對(duì)于當(dāng)前農(nóng)村物流業(yè)務(wù)量少、客戶點(diǎn)分布密度特別小的現(xiàn)狀，本文綜合考慮適用于超低密度配送區(qū)域的三級(jí)、四級(jí)共同配送模式的運(yùn)行方式[16]，提出以整合同一區(qū)域鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)資源為核心策略的農(nóng)村物流共同配送模式，如圖2所示。

圖2 農(nóng)村物流共同配送模式

農(nóng)村物流共同配送模式與傳統(tǒng)獨(dú)立配送模式的區(qū)別在于：

（1）運(yùn)輸資源的集中調(diào)度。對(duì)各鎮(zhèn)運(yùn)輸資源和力量進(jìn)行整合，聯(lián)合各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)共同成立第三方物流公司，以加強(qiáng)各鎮(zhèn)訂單資源需求信息的共享，形成集中調(diào)度的決策機(jī)構(gòu)。原各鄉(xiāng)鎮(zhèn)的運(yùn)輸企業(yè)分別負(fù)責(zé)不同線路的配送任務(wù)。新成立的第三方物流公司統(tǒng)一接受流通渠道上游物流企業(yè)的委托，管理并運(yùn)營(yíng)各線路鄉(xiāng)鎮(zhèn)級(jí)快遞配送業(yè)務(wù)。

（2）網(wǎng)點(diǎn)資源的整合。在地區(qū)中心城市或鄉(xiāng)鎮(zhèn)建立一個(gè)農(nóng)村物流共同配送中心，使其成為各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)存放農(nóng)村貨物的倉(cāng)庫(kù)，形成統(tǒng)一的倉(cāng)儲(chǔ)基地與共有的網(wǎng)點(diǎn)資源。

2 農(nóng)村快遞車(chē)輛調(diào)度模型構(gòu)建

2.1 問(wèn)題描述

基于共同配送模式，第三方物流公司負(fù)責(zé)某一農(nóng)村區(qū)域的配送工作。公司目前有有限的n輛車(chē)與眾多件貨物，貨物數(shù)量遠(yuǎn)大于車(chē)的容納量，特定目的地的貨物只可以由其目的鎮(zhèn)以及附近鎮(zhèn)的車(chē)輛裝載，在成本與運(yùn)力約束的情況下，公司需根據(jù)當(dāng)天所有貨物訂單的運(yùn)輸價(jià)格與成本，合理規(guī)劃車(chē)輛配送方案，使運(yùn)輸?shù)奈锲穬r(jià)值最大，即當(dāng)天配送獲得的總利潤(rùn)最高。

2.2 條件假設(shè)

為便于建模，提出如下假設(shè)：

（1）假設(shè)各物流快遞件兼容性良好，可混裝，不考慮任意兩種貨品無(wú)法放置于同一車(chē)輛的特殊情況；

（2）假設(shè)各物流快遞件均為規(guī)則的長(zhǎng)方體，車(chē)輛有效容積等于車(chē)輛載貨體積；

（3）不考慮貨物在車(chē)內(nèi)擺放情況，包括裝車(chē)順序、堆碼的層次與方式等；

（4）每單貨物的重量不超過(guò)運(yùn)輸車(chē)輛的額定載重，貨物的體積不超過(guò)運(yùn)輸車(chē)輛的有效容積。

2.3 車(chē)輛調(diào)度模型構(gòu)建

優(yōu)化模型的目標(biāo)為當(dāng)日配送利潤(rùn)最大，該利潤(rùn)與運(yùn)輸訂單的總收入正相關(guān)，與發(fā)車(chē)成本負(fù)相關(guān)，具體如式（1）所示：

同時(shí)該模型受如下約束：

式（1）～式（6）中：xijz為1，表示運(yùn)往j地的第i單貨物采用z車(chē)運(yùn)輸，若運(yùn)往j地的第i單貨物不采用z車(chē)運(yùn)輸，則xijz為0；pij為運(yùn)往j地的第i單貨物的利潤(rùn)；Bz為1，表示當(dāng)天啟用z車(chē)，若不啟用，則Bz為0；Cz為z車(chē)每趟的運(yùn)輸成本；wij為運(yùn)往j地的第i單貨物重量；Wz為z車(chē)的額定載重；vij為運(yùn)往j地的第i單貨物體積；Vz為z車(chē)的有效載貨容積；I為鄉(xiāng)鎮(zhèn)企業(yè)每日接收訂單數(shù)的上限；J為鄉(xiāng)鎮(zhèn)總數(shù)；n為車(chē)輛總數(shù)；Rz為z車(chē)的不可配送集合，集合中的元素j表示j地的貨物無(wú)法用z車(chē)運(yùn)輸，M為無(wú)窮大。

式（2）～式（3）分別為重量與體積約束，即每輛車(chē)所裝貨物的總重量不能超過(guò)該車(chē)的額定載重，總體積不能超過(guò)該車(chē)的有效容積。式（4）為訂單約束，即同一訂單的貨物只能指派其中一輛車(chē)運(yùn)輸，同時(shí)存在當(dāng)日訂單不被配送的情況。式（5）為發(fā)車(chē)約束，若當(dāng)天決策不啟用z車(chē)進(jìn)行運(yùn)輸作業(yè)，則z車(chē)無(wú)法配送任何貨物。式（6）為路徑約束，表示不在z車(chē)最短往返路徑途中的鄉(xiāng)鎮(zhèn)的貨物無(wú)法由z車(chē)順路捎帶運(yùn)輸。

3 算法設(shè)計(jì)

3.1 基于隨機(jī)修復(fù)策略的混合遺傳算法

上文描述的模型是一個(gè)多背包決策模型，其決策變量的數(shù)目會(huì)隨貨物數(shù)量增長(zhǎng)而增加，已被證明是NP-hard 問(wèn)題。傳統(tǒng)的方法并不適用于解決解空間維度較高的大規(guī)模優(yōu)化問(wèn)題。而仿生智能算法中的遺傳算法可用于求解這類(lèi)有約束最優(yōu)化問(wèn)題的近似解，其在近幾年被廣泛運(yùn)用于求解訂單分配及調(diào)度問(wèn)題。遺傳算法具有較強(qiáng)的全局搜索能力，在解空間維度較高的優(yōu)化問(wèn)題時(shí)有著良好的求解效果及穩(wěn)定性。但是遺傳算法的局部搜索能力較弱，容易得到次優(yōu)解以及部分違反約束的非可行解。為了提高求解的效率和效果，對(duì)于解空間維度較高的問(wèn)題應(yīng)盡可能使算法在可行域內(nèi)尋優(yōu)。因此，本文在標(biāo)準(zhǔn)遺傳算法的基礎(chǔ)上提出隨機(jī)修復(fù)策略來(lái)糾正遺傳過(guò)程中產(chǎn)生的非可行解，用于本研究的模型求解，其關(guān)鍵算法步驟描述如下。

3.1.1 編碼方式與初始種群生成

在遺傳算法中，不同的編碼方式?jīng)Q定決策變量在染色體基因上不同的映射情況，進(jìn)而影響算法的執(zhí)行效率。由于本文的決策變量均為0-1 變量，因此采取二進(jìn)制編碼方式最為契合。種群的初始化是隨機(jī)地為每個(gè)個(gè)體的基因賦值0或1。

3.1.2 適應(yīng)度函數(shù)與適應(yīng)度值的分配

本文將模型的目標(biāo)函數(shù)定義為適應(yīng)度函數(shù)，如下式所示：

同時(shí)，基于排序來(lái)為個(gè)體確定適應(yīng)度的分配值。其方法是按適應(yīng)度函數(shù)值對(duì)個(gè)體進(jìn)行排序，然后按線性排序的方法計(jì)算個(gè)體的選擇概率。

3.1.3 選擇交叉變異操作

本文采取輪盤(pán)賭的選擇機(jī)制，并對(duì)選擇出的個(gè)體進(jìn)行單點(diǎn)交叉以及反轉(zhuǎn)位值的變異操作。

3.1.4 非可行解的修復(fù)

在每次交叉遺傳變異后，必須對(duì)新種群中的非可行個(gè)體進(jìn)行糾正，以保證算法在可行域內(nèi)尋優(yōu)。對(duì)于多背包問(wèn)題，若采用某種貪心規(guī)則來(lái)糾正非可行解，雖可加快算法收斂速度，但是在多約束條件下，這樣的處理容易導(dǎo)致種群后代產(chǎn)生偏向，減少種群多樣性，使算法陷入局部最優(yōu)解，產(chǎn)生早熟現(xiàn)象。因此，本文采取隨機(jī)修復(fù)策略來(lái)糾正非可行解，具體的修復(fù)步驟如下。

步驟1：對(duì)種群中的每個(gè)個(gè)體進(jìn)行約束檢驗(yàn)，若檢驗(yàn)到某個(gè)個(gè)體違反了約束j，找出與該約束相關(guān)的那段基因序列vj[i]，即找出造成違反約束的關(guān)聯(lián)決策變量。

步驟2：以滿足約束條件的方向作為序列改進(jìn)的方向s[i]，以α作為改進(jìn)的步長(zhǎng)，對(duì)vj[i]進(jìn)行糾正：

其中，改進(jìn)步長(zhǎng)α的取值為1。當(dāng)個(gè)體違反某個(gè)約束時(shí)，將會(huì)隨機(jī)地把該約束對(duì)應(yīng)的基因序列上的其中一個(gè)位置為1 的基因改為0（如圖3所示）。

圖3 非可行解修復(fù)示意圖

步驟3：重新判斷改進(jìn)后的個(gè)體是否滿足約束j，若滿足，則修復(fù)結(jié)束，進(jìn)入下一個(gè)約束檢驗(yàn)；否則返回步驟2。

3.1.5 算法中止規(guī)則

本文結(jié)合最優(yōu)個(gè)體中的記錄，采用最優(yōu)個(gè)體最少保持代數(shù)作為中止依據(jù)。若最優(yōu)個(gè)體連續(xù)10代保持不變，則算法中止。

3.2 多種群機(jī)制的補(bǔ)充

對(duì)非可行解進(jìn)行修復(fù)的遺傳算法比較容易陷入局部最優(yōu)解，采用隨機(jī)修復(fù)策略能一定程度上減少偏向性的副作用，但無(wú)法完全消除，同時(shí)會(huì)在一定程度上影響算法本身的求解效率。因此，本文在上述算法的基礎(chǔ)上引入多種群機(jī)制，利用其優(yōu)秀的全局搜索能力以及協(xié)同進(jìn)化的思想進(jìn)一步優(yōu)化求解算法。具體的設(shè)計(jì)如下：

（1）增加種群個(gè)數(shù)

突破單種群進(jìn)行遺傳設(shè)計(jì)的框架，引入多個(gè)種群同時(shí)進(jìn)行優(yōu)化搜索。

（2）引入移民機(jī)制

各種群的遺傳操作是獨(dú)立進(jìn)行的，但彼此之間可以通過(guò)移民機(jī)制來(lái)聯(lián)系。本文采用閉環(huán)串行式移民機(jī)制，即從第一個(gè)種群開(kāi)始，不斷地用前一個(gè)種群的最優(yōu)個(gè)體替換當(dāng)前種群中的最差個(gè)體，直到所有種群都引入完畢為止。

（3）設(shè)置精華種群

在進(jìn)化的每一代，都會(huì)把各種群的歷史最優(yōu)個(gè)體選入精華種群加以存儲(chǔ)。為確保進(jìn)化過(guò)程中，各種群的最優(yōu)個(gè)體不會(huì)被丟失或遺忘，不對(duì)精華種群進(jìn)行選擇、交叉、變異等遺傳操作。

3.3 算法流程

算法流程如圖4所示。

圖4 算法流程圖

4 算例驗(yàn)證與結(jié)果分析

本文選取湖北省天門(mén)市中西部的農(nóng)村地區(qū)作為分析對(duì)象，結(jié)合實(shí)踐調(diào)研所獲得的樣本數(shù)據(jù)進(jìn)行算例驗(yàn)證，通過(guò)與獨(dú)立配送模式的調(diào)度方案對(duì)比，評(píng)價(jià)基于共同配送的農(nóng)村快遞車(chē)輛調(diào)度模型的有效性。同時(shí)設(shè)計(jì)多組不同訂單規(guī)模的仿真算例，分別使用標(biāo)準(zhǔn)遺傳算法以及本文提出的改進(jìn)遺傳算法進(jìn)行求解，對(duì)比算法的求解性能。

4.1 算例描述

已知Z 物流快遞公司的集散倉(cāng)庫(kù)位于天門(mén)市城區(qū)的某個(gè)物流園中。其在西線的末端配送業(yè)務(wù)主要覆蓋黃潭、漁薪、汪場(chǎng)、蔣場(chǎng)、拖市、多寶、張港等7 個(gè)天門(mén)市的下屬鎮(zhèn)。鎮(zhèn)與鎮(zhèn)之間的路網(wǎng)通達(dá)，目前分布有S106,S49,S214 等3 條省道，以及X105,X009等多條縣道，如圖5所示。

圖5 天門(mén)市七鎮(zhèn)路網(wǎng)示意圖

該物流快遞公司尚無(wú)力建立末端配送體系，因此采取與各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)合作的方式。各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)的貨車(chē)司機(jī)只負(fù)責(zé)所屬鄉(xiāng)鎮(zhèn)的配送業(yè)務(wù)，在自身利潤(rùn)最大化的目標(biāo)導(dǎo)向下，自行選擇所要運(yùn)輸?shù)呢浳铩８鬣l(xiāng)鎮(zhèn)運(yùn)輸企業(yè)的配送車(chē)輛以中小型貨車(chē)為主，如表1 所示。其中，車(chē)輛取送快遞的固定成本是15 元/次，另根據(jù)不同的車(chē)型，再收取1～2.5 元/km 左右的燃油費(fèi)。由此計(jì)算得出各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)的貨車(chē)每次的出車(chē)成本，如表2所示。該地區(qū)的快遞訂單以多品種、小件、小批量類(lèi)型為主，外觀是規(guī)整的長(zhǎng)方形箱體。每個(gè)訂單的運(yùn)費(fèi)取決于貨物的體積、重量、數(shù)量以及運(yùn)輸距離，單件運(yùn)價(jià)在1.5～50 元之間。調(diào)研搜集了30位客戶訂單數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表3所示。

表1 車(chē)輛參數(shù)

表2 出車(chē)成本

表3 訂單數(shù)據(jù)

4.2 模型分析

根據(jù)調(diào)研情況和相關(guān)數(shù)據(jù)，運(yùn)用基于共同配送模式的農(nóng)村快遞車(chē)輛調(diào)度模型進(jìn)行車(chē)輛與貨物的匹配，得到實(shí)現(xiàn)當(dāng)天配送工作利潤(rùn)最大化的共同配送方案。

在共同配送方案中，啟用了汪場(chǎng)、拖市、多寶、張港四鎮(zhèn)的貨車(chē)運(yùn)輸貨物。沒(méi)有發(fā)車(chē)的鄉(xiāng)鎮(zhèn)，如漁薪鎮(zhèn)的部分貨物交由拖市、多寶、張港鎮(zhèn)的貨車(chē)運(yùn)輸，黃潭鎮(zhèn)的貨物交由汪場(chǎng)和多寶鎮(zhèn)的貨車(chē)運(yùn)輸；而張港鎮(zhèn)的貨車(chē)除了運(yùn)輸本鎮(zhèn)及漁薪鎮(zhèn)的貨物以外，還會(huì)運(yùn)輸蔣場(chǎng)的部分貨物。最終所獲得的收入為2 274.5元，總成本為221.6元，凈利潤(rùn)為2 052.9元。

基于同樣的訂單數(shù)據(jù)，各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)獨(dú)立決策安排車(chē)輛進(jìn)行配送，即只要當(dāng)天該鎮(zhèn)的貨物運(yùn)輸所能獲得的收入大于發(fā)車(chē)成本便安排車(chē)輛配送。獨(dú)立配送方案啟用了所有貨車(chē)進(jìn)行運(yùn)輸，最終收入為1 919.5 元，總成本為317.9 元，凈利潤(rùn)為1 601.6元。

如表4所示，通過(guò)兩個(gè)方案的對(duì)比可以發(fā)現(xiàn)，基于共同配送模式的農(nóng)村快遞車(chē)輛調(diào)度模型所得到的優(yōu)化方案的利潤(rùn)比各鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)分散決策的配送方案提高了25%。另外，前者在減少了出車(chē)數(shù)量、總配送成本降低了約30%的同時(shí)，高效地配送了更多的貨物，提高了服務(wù)水平。

表4 配送模式對(duì)比結(jié)果

4.3 算法性能分析

為了更好地展示算法性能的改進(jìn)程度，本文基于調(diào)研訂單數(shù)據(jù)，采用隨機(jī)模擬的方式生成訂單數(shù)量分別為25,50,75,100的多組仿真算例。算例訂單隨機(jī)生成的過(guò)程為：（1）在調(diào)研樣本數(shù)據(jù)中隨機(jī)抽取一位客戶i；（2）在客戶i送貨需求量di的區(qū)間[di-10,di+10]內(nèi)隨機(jī)產(chǎn)生該客戶的訂單需求量；（3）隨機(jī)為該客戶分配一個(gè)送貨目的地，由此得到一個(gè)新的訂單數(shù)據(jù)。重復(fù)步驟（1）～步驟（3），直到滿足算例規(guī)模要求的訂單數(shù)量。

對(duì)于每個(gè)仿真算例，分別使用基于罰函數(shù)法處理約束的標(biāo)準(zhǔn)遺傳算法以及本文提出的多種群隨機(jī)修復(fù)遺傳算法進(jìn)行求解，在MATLAB R2013a環(huán)境下進(jìn)行10 次同樣條件下的運(yùn)行實(shí)驗(yàn)。其中，基本參數(shù)設(shè)置為：迭代次數(shù)為2 000，最優(yōu)個(gè)體最少保持代數(shù)為10，雜交率為0.9，變異率為0.005，代溝為0.9?；诹P函數(shù)法的遺傳算法種群個(gè)數(shù)為1，群內(nèi)個(gè)體數(shù)目為40。引入多種群機(jī)制的遺傳算法種群個(gè)數(shù)為15，群內(nèi)個(gè)體數(shù)為40。

實(shí)驗(yàn)結(jié)果如表5 所示，展示了10 次求解中的最優(yōu)解、最差解、平均解以及算法的平均計(jì)算時(shí)間?！啊北硎緮?shù)據(jù)缺失，原因是在10 次運(yùn)行中均無(wú)法找到可行解。

表5 算法對(duì)比實(shí)驗(yàn)結(jié)果

由表5 可知，基于罰函數(shù)法來(lái)處理約束，隨著訂單數(shù)量的提高，遺傳算法的求解結(jié)果變得越來(lái)越不理想。在客戶訂單數(shù)達(dá)到100 時(shí)，已經(jīng)無(wú)法找出不違反模型約束的可行解。而基于隨機(jī)修復(fù)策略的多種群遺傳算法在各個(gè)算例中的平均求解結(jié)果均優(yōu)于標(biāo)準(zhǔn)遺傳算法，并且其求解的時(shí)間遠(yuǎn)少于標(biāo)準(zhǔn)遺傳算法，求解的效率較高。隨著訂單數(shù)量的增大，基于隨機(jī)修復(fù)策略的多種群遺傳算法的求解性能依舊保持在較高的水平，求解的穩(wěn)定性與時(shí)間均在可接受范圍內(nèi)。

5 結(jié)語(yǔ)

農(nóng)村電商物流是農(nóng)村互聯(lián)網(wǎng)購(gòu)物、電商農(nóng)產(chǎn)品進(jìn)城的關(guān)鍵所在。為降低農(nóng)村物流成本，本文綜合分析了農(nóng)村快遞配送的特性，引入共同配送模式，構(gòu)建以車(chē)輛運(yùn)營(yíng)總利潤(rùn)最大化為目標(biāo)的農(nóng)村快遞車(chē)輛調(diào)度模型。鑒于農(nóng)村快遞車(chē)輛調(diào)度模型的求解是一個(gè)多約束的多背包問(wèn)題，本文在標(biāo)準(zhǔn)遺傳算法的基礎(chǔ)上，提出采用隨機(jī)修復(fù)策略來(lái)處理約束的混合遺傳算法求解該模型，減少了糾正非可行解過(guò)程中偏向性的影響。并且，為了提高算法的求解效率，引入多種群機(jī)制對(duì)該算法作進(jìn)一步改進(jìn)。最后，通過(guò)某農(nóng)村地區(qū)物流企業(yè)實(shí)際算例，驗(yàn)證了共同配送模式下農(nóng)村快遞車(chē)輛調(diào)度模型良好的資源配置性能，與獨(dú)立配送模式相比，該模式可以有效地降低配送成本和減少發(fā)車(chē)數(shù)量；并通過(guò)設(shè)計(jì)仿真實(shí)驗(yàn)證明了基于隨機(jī)修復(fù)策略的多種群遺傳算法具有更好的最優(yōu)解搜索能力與更快的求解速度。

由于農(nóng)村共同配送體系涉及快遞公司、鄉(xiāng)鎮(zhèn)運(yùn)輸企業(yè)等多個(gè)參與主體，因此如何平衡多方的利益訴求，同時(shí)兼顧公平和效益，將是維持物流聯(lián)盟穩(wěn)定和加強(qiáng)合作關(guān)系的重點(diǎn)。而本文的模型更專(zhuān)注于效益和成本問(wèn)題的優(yōu)化，對(duì)于效益的分配以及合作的博弈考慮不足，在未來(lái)的研究中還可以繼續(xù)對(duì)模型進(jìn)行優(yōu)化完善。