文/陳澤平

0.引言

傳統(tǒng)物流配送路徑規(guī)劃耗時(shí)較長(zhǎng)，成本隨之增加，設(shè)計(jì)基于智慧交通的物流最優(yōu)配送路徑規(guī)劃方法。采集智慧交通車(chē)流量數(shù)據(jù)，解決物流數(shù)據(jù)精準(zhǔn)一致性問(wèn)題；構(gòu)建物流最優(yōu)配送模型，縮短最優(yōu)路徑迭代時(shí)間；基于智慧交通劃分區(qū)域擁堵相關(guān)指標(biāo)，提高路徑規(guī)劃的真實(shí)有效性；進(jìn)而實(shí)現(xiàn)最優(yōu)物流配送路徑。利用仿真實(shí)驗(yàn)，驗(yàn)證新方法規(guī)劃時(shí)間更短，極具推廣價(jià)值。

隨著網(wǎng)絡(luò)的發(fā)展，物流業(yè)開(kāi)始興起。在城市道路交通的快速建設(shè)的環(huán)境下，具體交通規(guī)劃逐漸增加，導(dǎo)致物流車(chē)輛缺乏管理經(jīng)驗(yàn)。要想解決上述問(wèn)題，實(shí)時(shí)了解交通情況是重中之重[1]。目前，物流人員的角色定位相對(duì)簡(jiǎn)單，通過(guò)車(chē)輛存儲(chǔ)設(shè)備，分析經(jīng)濟(jì)損失和效益，受到數(shù)據(jù)分析和處理技術(shù)的限制，導(dǎo)致數(shù)據(jù)傳輸缺乏可靠性、一致性[2]。此外，隨著智能化的到來(lái)，物流車(chē)輛在城市地區(qū)貨物配送中，發(fā)揮著越來(lái)越重要的作用。由于傳統(tǒng)路徑規(guī)劃方法規(guī)劃時(shí)間長(zhǎng)，無(wú)法解決物流車(chē)隊(duì)配送時(shí)效性問(wèn)題，最優(yōu)路徑規(guī)劃增加了各項(xiàng)指標(biāo)的計(jì)算強(qiáng)度?；诖?，本文提出了一種改進(jìn)的基于智慧交通的物流最優(yōu)配送路徑規(guī)劃方法，并將其應(yīng)用于智慧交通中，旨在縮短物流規(guī)劃最優(yōu)路徑的時(shí)間，提高規(guī)劃路徑的實(shí)時(shí)性，為物流業(yè)的發(fā)展創(chuàng)造條件。

1.基于智慧交通的物流最優(yōu)配送路徑規(guī)劃設(shè)計(jì)

1.1 采集智慧交通車(chē)流量數(shù)據(jù)

為了更好地規(guī)劃物流路徑，需要根據(jù)智能交通，采集車(chē)流大數(shù)據(jù)，并對(duì)交通進(jìn)行實(shí)時(shí)監(jiān)測(cè)、采集、分析和計(jì)算處理，進(jìn)而獲得客觀、規(guī)律的數(shù)據(jù)結(jié)果，作為規(guī)劃路徑的依據(jù)。本文采集指揮家通查流量數(shù)據(jù)是基于ApacheHadoop技術(shù)的平臺(tái)，采用內(nèi)存為ApacheSpark的大數(shù)據(jù)框架采集，替代傳統(tǒng)方法中Hadoop的基礎(chǔ)低效MapReduce框架[3]。本文采集數(shù)據(jù)的過(guò)程中，可以提供離線數(shù)據(jù)處理和真實(shí)的數(shù)據(jù)處理集成解決方案。當(dāng)交通道路上行駛的車(chē)輛與基站建立鏈路時(shí)，基站可以通過(guò)車(chē)載系統(tǒng)進(jìn)行交互，進(jìn)而采集行駛數(shù)據(jù)信息。由于交通環(huán)境的限制，采集數(shù)據(jù)時(shí)通常無(wú)法提供多輛物流車(chē)輛之間的數(shù)據(jù)傳輸，對(duì)實(shí)時(shí)數(shù)據(jù)傳輸造成影響，本文摒棄以上缺點(diǎn)，編寫(xiě)一個(gè)數(shù)據(jù)模擬程序，模擬行車(chē)數(shù)據(jù)寫(xiě)入特定文件，通過(guò)ApacheFlume監(jiān)控目標(biāo)車(chē)輛的變化，寫(xiě)入消息隊(duì)列Kafka集群[4]。進(jìn)而接收車(chē)輛發(fā)送的數(shù)據(jù)，確保數(shù)據(jù)的準(zhǔn)確性和完整性，解決數(shù)據(jù)冗余性與一致性問(wèn)題。

1.2 構(gòu)建物流最優(yōu)配送模型

通過(guò)數(shù)據(jù)采集，可以保證規(guī)劃路徑的數(shù)據(jù)真實(shí)有效，本文將進(jìn)一步構(gòu)建出物流最優(yōu)配送模型。本文引入軟時(shí)間窗口，以客戶的需求為準(zhǔn)，建立出最佳路徑。軟時(shí)間窗口示意圖如下圖1所示。

圖1 懲罰函數(shù)圖

如圖1所示，[ETi，LTi]表示最佳配送路徑的時(shí)長(zhǎng)；[Ei，ETi]與[LTi，Li]為配送過(guò)程中，產(chǎn)生超時(shí)或延時(shí)的情況；M 為懲罰成本。具體的懲罰函數(shù)如下所示。

式（1）中，其中，F(xiàn)i表示物流人員在路徑i中，產(chǎn)生的懲罰成本；Tik表示物流車(chē)輛k到達(dá)路徑i的時(shí)間；ETi為最佳路徑配送時(shí)間；Ei為交通故障產(chǎn)生的成本；LTi為最遠(yuǎn)路徑配送時(shí)間[5]；C2表示客戶單位時(shí)間等待成本；C3表示單位時(shí)間物流車(chē)輛遲到成本?；诖藙?chuàng)建出的最優(yōu)配送模型如下：

式（3-9）中，qi為物流車(chē)輛的裝載貨物重量/t；Cap為物流車(chē)輛的規(guī)定載重/t；Tik為物流車(chē)輛到達(dá)路徑i的時(shí)間；tok為車(chē)輛k從配送中心出發(fā)的時(shí)刻；v為物流車(chē)輛的行駛速度；tk為車(chē)輛k一天的工作量。

1.3 實(shí)現(xiàn)最優(yōu)物流配送路徑

為了實(shí)現(xiàn)最優(yōu)路徑規(guī)劃，本文根據(jù)上文中的設(shè)計(jì)分析，得出物流配送最優(yōu)路徑的關(guān)鍵要素是：配送中心、商品、客戶點(diǎn)、配送車(chē)輛、配送路徑、目的函數(shù)，以及約束條件等。物流配送中心，也就是整個(gè)物流服務(wù)的調(diào)度中心，配備專(zhuān)門(mén)的物流相關(guān)設(shè)施，主要負(fù)責(zé)物流卸貨、調(diào)度，以及物流規(guī)劃。由于運(yùn)輸?shù)呢浳镱?lèi)型及服務(wù)的客戶不同，各個(gè)配送中心也可能不同[7-8]。商品，也就是貨物，貫穿整個(gè)配送過(guò)程，是物流配送規(guī)劃路徑的核心。本文設(shè)計(jì)的配送中心會(huì)針對(duì)不同的產(chǎn)品，選擇不同的配送方式，以及相應(yīng)的配送路徑?？蛻酎c(diǎn)，也就是物流配送的終點(diǎn)。由于每個(gè)客戶都有不同的貨運(yùn)要求，以及可配送時(shí)間，物流中心會(huì)在服務(wù)時(shí)間內(nèi)合理規(guī)劃，盡可能滿足客戶需求的物流路線，也就是最佳路徑。

2.仿真實(shí)驗(yàn)

針對(duì)本文構(gòu)建的配送模型，對(duì)物流最優(yōu)配送路徑進(jìn)行仿真，采用1.4GHz四核IntelCorei5，運(yùn)行內(nèi)存8GB，仿真平臺(tái)為MATLAB2020a，仿真過(guò)程及結(jié)果如下所示。

2.1 實(shí)驗(yàn)過(guò)程

本文以客戶點(diǎn)規(guī)模50為例，假設(shè)1個(gè)配送中心擁有25輛配送車(chē)輛，需要服務(wù)的科目個(gè)數(shù)為50個(gè)，沒(méi)輛物流車(chē)輛最大載重為20t，耗損費(fèi)用為500元/天/車(chē)。物流配送服務(wù)的最早時(shí)間為早上6：00，最晚為8：00，物流人員最長(zhǎng)工作時(shí)長(zhǎng)為8小時(shí)，超過(guò)8小時(shí)，則提供加班費(fèi)。根據(jù)客戶需求，制定配送時(shí)間，無(wú)論超時(shí)或是提前均會(huì)產(chǎn)生懲罰費(fèi)用。

2.2 實(shí)驗(yàn)結(jié)果

為了求證本文設(shè)計(jì)的方法是否有效，對(duì)傳統(tǒng)規(guī)劃方法與本文設(shè)計(jì)的規(guī)劃方法作對(duì)比，在客戶為25位時(shí)，路徑變化如下圖2所示。

如圖2所示，傳統(tǒng)方法在迭代次數(shù)為80時(shí)，路徑最優(yōu)；而本文設(shè)計(jì)的規(guī)劃方法，在迭代次數(shù)為20時(shí)，路徑即達(dá)到最優(yōu)，相比傳統(tǒng)方法，本文設(shè)計(jì)的方法耗時(shí)明顯較少?；诖?，在客戶為50位時(shí)，路徑變化如下圖3所示。

圖2 兩種方法的路徑變化圖

如圖3所示，當(dāng)客戶達(dá)到50位時(shí)，傳統(tǒng)方法在迭代次數(shù)為90時(shí)，路徑達(dá)到最優(yōu)；本文設(shè)計(jì)的規(guī)劃方法在迭代次數(shù)為60時(shí)，路徑達(dá)到最優(yōu)。由此可知，無(wú)論客戶量大或小，本文設(shè)計(jì)的方法在路徑最優(yōu)規(guī)劃過(guò)程中，均可以減少時(shí)間，進(jìn)而達(dá)到規(guī)劃路徑最優(yōu)的目的，符合本文研究目的。

圖3 兩種方法的路徑變化圖

結(jié)束語(yǔ)

物流配送路徑在物流業(yè)中至關(guān)重要，可以影響到物流企業(yè)的配送效率與服務(wù)效率。因此，規(guī)劃物流配送最優(yōu)路徑極具現(xiàn)實(shí)意義。本文通過(guò)對(duì)智慧交通數(shù)據(jù)的采集，構(gòu)建出相應(yīng)的模型，進(jìn)而設(shè)計(jì)相關(guān)指標(biāo)，實(shí)現(xiàn)規(guī)劃最優(yōu)路徑的目的。并對(duì)此進(jìn)行試驗(yàn)，得出本文設(shè)計(jì)的規(guī)劃方法耗時(shí)較短的結(jié)論。本文針對(duì)物流業(yè)的經(jīng)濟(jì)效益與客戶滿意度，設(shè)計(jì)將智慧交通應(yīng)用于物流最優(yōu)路徑規(guī)劃中，旨在提高配送效率，加快尋找最優(yōu)路徑的時(shí)間，為物流業(yè)的發(fā)展創(chuàng)造條件。C

引用出處

[1]趙輝.基于混合量子遺傳算法的外貿(mào)企業(yè)物流配送車(chē)輛優(yōu)化調(diào)度[J].齊齊哈爾大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,37(01):26-30+35.

[2]任長(zhǎng)安,黃銀珍,羅慶云,等.基于改進(jìn)螢火蟲(chóng)算法的物流配送路徑規(guī)劃系統(tǒng)[J].現(xiàn)代電子技術(shù),2020,43(20):105-108.

[3]王金妹,尹顯龍.乳制品冷鏈物流配送中心選址及配送路徑優(yōu)化[J].福州大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版),2020,34(01):45-53.

[4]吳征,王維娜.多模糊信息條件下電子商務(wù)物流配送路徑規(guī)劃研究[J].蘭州文理學(xué)院學(xué)報(bào)(自然科學(xué)版),2019,33(02):56-61.

[5]馬龍,王春嬉,張正義,等.多目標(biāo)多時(shí)間窗車(chē)輛路徑問(wèn)題的鴿群-水滴算法[J].計(jì)算機(jī)工程與應(yīng)用,2021,57(02):237-250.

[6]吳征,王維娜.多模糊信息條件下電子商務(wù)物流配送路徑規(guī)劃研究[J].蘭州文理學(xué)院學(xué)報(bào)(自然科學(xué)版),2019,33(02):56-61.

[7]趙志學(xué),李夏苗,周鮮成,等.考慮交通擁堵的冷鏈物流城市配送的GVRP研究[J].計(jì)算機(jī)工程與應(yīng)用,2020,56(01):224-231.

[8]鄒娟平,袁鑫,駱金鴻.雙層蟻群優(yōu)化算法的艦船應(yīng)急物流路徑規(guī)劃方法研究[J].艦船科學(xué)技術(shù),2019,41(16):205-207.