陳楚欣

(太原科技大學(xué) 交通與物流學(xué)院，山西 太原 030024)

1 引言

近年來，廢棄物的不斷增多，使得回收物流成為人們關(guān)注的焦點。于冬梅提出了由垃圾產(chǎn)生源頭進行分類的垃圾分類回收模式，運用GBRT模型進行垃圾量的預(yù)測，采用免疫算法進行濕垃圾中轉(zhuǎn)中心的選址，并運用遺傳-模擬退火算法進行路徑優(yōu)化。李倩茜等針對村鎮(zhèn)生活垃圾中轉(zhuǎn)站的選址問題，建立多目標(biāo)規(guī)劃模型，并利用遺傳算法進行求解，達到了成本最小、環(huán)境負效應(yīng)最低的目標(biāo)。孫芬芬,羊英以上海市為例，構(gòu)建了廢棄手機的回收物流網(wǎng)絡(luò)模型，并對該模型進行了靈敏度分析。

現(xiàn)有研究大多集中于構(gòu)建回收物流網(wǎng)絡(luò)模型以及回收站的選址問題，而回收物流的路徑問題有待研究。文章參考正向物流中配送路徑優(yōu)化方法對回收路徑進行優(yōu)化。藺士文等通過建立VRP模型，運用節(jié)約里程法進行配送路線的優(yōu)化，并進行碳排放和運耗油成本分析驗證了節(jié)約里程法的可行性。郭圓圓,李靜宜通過構(gòu)建RFM模型對客戶進行分類，運用節(jié)約里程法優(yōu)化果品同城配送方案，提高了服務(wù)水平。宋賽鳳等運用節(jié)約里程法優(yōu)化某大型水果超市物流中心向其10個分店配送的路線，并用聚類分析改進復(fù)雜配送網(wǎng)絡(luò)模型，保證該方法的高效性和便利性。

針對回收物流的特點，擬采用節(jié)約里程法進行回收路徑的優(yōu)化。文章以太原市萬柏林區(qū)某回收轉(zhuǎn)運站為研究對象，先將其周邊100個小區(qū)進行分類，應(yīng)用SPSS軟件中K均值聚類分析方法將其分為9個小區(qū)群，并對這9個小區(qū)群的回收路線進行實例分析，驗證了節(jié)約里程法在回收物流的路徑優(yōu)化中的可行性。

2 理論依據(jù)

2.1 節(jié)約里程法

節(jié)約里程法是啟發(fā)式算法的一種，用來優(yōu)化配送路線問題。其運算依據(jù)是三角形兩邊之和大于第三邊，將兩個以上往返里程合并為回路，直到達到一輛車的裝載和運距限制時，再對下一輛汽車的配送路線進行優(yōu)化。利用節(jié)約里程法確定配送路線時，需要綜合考慮以下三個方面的因素：配送方的配送能力、配送中心與客戶之間的距離以及客戶與客戶之間的距離。在此基礎(chǔ)上制定使配送車輛的總周轉(zhuǎn)量達到或接近最小的配送方案以實現(xiàn)節(jié)約的目的。因此，本方法需要滿足以下3個前提：①配送的是同一種或相類似的貨物；②各個用戶的地理位置及需求量已知；③配送方有足夠的配送能力。

除上述之外，還需要滿足3個條件：①方案能滿足所有用戶的時間要求；②配載量不超過車輛的載重；③每輛車每天的總運行時間及里程數(shù)滿足規(guī)定的要求。

其基本原理如下：為配送中心，，表示客戶。到和的距離為0和0，客戶和之間的距離為。配送中心的配送方案只有兩種：一種是由配送中心向客戶和分別配送；另一種是配送中心先向()配送，再由()向()配送。

圖1 節(jié)約里程法

(1)方案一的配送路線如圖中(b)所示，為:

→→→→

(1)

配送距離為:

=2+2

(2)

(2)方案二的配送路線如圖中(c)所示，為:

→→→

(3)

配送距離為:

=++

(4)

若不考慮其他因素的影響，兩種方案的里程之差(如式5)即為里程節(jié)約量。

=+-

(5)

2.2 K均值聚類分析

聚類是指將相似的事件聚合在一起。聚類分析屬于描述性數(shù)據(jù)挖掘，是劃分類別的過程，且所要劃分的類是未知的。而K均值聚類分析是一種基于樣本均值的計算方法，在聚類的過程中通過計算類中各對象的屬性均值，作為類的中心點。對象和類的距離是該對象和類中心點的距離。對組內(nèi)對象的調(diào)整是通過計算最小方差的方法，即最終目標(biāo)是生成總體方差最小的K個類。聚類的步驟如下：

(1)從N個樣本對象中，任意選定k個對象作為k個類中的初始對象。

(2)從剩余N-k個樣本對象中任意選擇一個對象，計算其和K個類的相似度(距離)，并將其歸并到相似度最高的類中。

(3)重新計算已歸并的各對象和k個類之間的相似度，根據(jù)相似度調(diào)整并歸類。

(4)重復(fù)步驟(2)直至所有對象歸并到k個類中。

2.3 實例分析

文章選取了太原市萬柏林區(qū)某回收轉(zhuǎn)運站附近100個小區(qū)為研究對象，驗證該模型的有效性。首先根據(jù)實地調(diào)查，收集100個小區(qū)的回收次數(shù)和回收量。其次對小區(qū)進行聚類分析，將100個小區(qū)分為9個小區(qū)群。目前由轉(zhuǎn)運站直接派車每天定時向每個小區(qū)進行清運。轉(zhuǎn)運站備有兩種廂式貨車：1.5～2T和4～6T的廂式貨車，均為電動車，由于電量限制，其最大行駛里程分別為20km和50km。現(xiàn)有回收模式為，回收司機分別對每個小區(qū)進行回收作業(yè)，回收作業(yè)完成后遂返回回收轉(zhuǎn)運站。根據(jù)實地調(diào)查，該種回收方式下常常導(dǎo)致汽車空載。因此需要對回收路徑進行優(yōu)化。回收時司機將廢棄物品統(tǒng)一裝入編織袋進行打包，所以可視為相似物品。詳細的優(yōu)化步驟如下。

(1)文章記錄了回收轉(zhuǎn)運站周邊100個小區(qū)最近一個月的回收次數(shù)和回收量，并對其進行規(guī)范化處理，處理公式為:

并應(yīng)用SPSS軟件中的K均值聚類分析將其分為9個小區(qū)群，如表1所示。

表1 小區(qū)群細分結(jié)果

鑒于其位置的復(fù)雜性，將其進行微調(diào)，并將9個小區(qū)群進行編號，每個小區(qū)群包含的小區(qū)個數(shù)及其日均清運量等具體內(nèi)容如表2所示。

表2 9個小區(qū)群具體內(nèi)容

(2)回收轉(zhuǎn)運站P和9個小區(qū)群的地理位置及其之間的距離(連線上的數(shù)字，單位：km)和其日均清運量(括號中的數(shù)字，單位：kg)如圖2所示。

圖2 轉(zhuǎn)運站與9個小區(qū)的位置關(guān)系及日清運量

(3)根據(jù)上述數(shù)據(jù)，計算回收轉(zhuǎn)運站P到各個小區(qū)群以及各小區(qū)群之間的最短距離，如表3所示。

表3 任意兩點之間的最短距離

(4)利用節(jié)約里程公式(見式5)計算出各小區(qū)的節(jié)約里程數(shù)并進行降序排列，得到節(jié)約里程排序表，如表4所示。

表4 節(jié)約里程數(shù)排序

根據(jù)上述節(jié)約里程排序表，首先將節(jié)約里程數(shù)最大為17的小區(qū)節(jié)點C、D連接起來，形成回路P-C-D-P，此時回路總運量2.8t，總運距21km，均小于汽車載重和運距的限制。其次將節(jié)約里程數(shù)第二為11的小區(qū)節(jié)點B、C連接起來，形成回路P-B-C-D-P，此時回路總運量4.9t，總運距22km，仍均小于汽車載重和運距的限制。最后將節(jié)約里程數(shù)第三為10的小區(qū)節(jié)點A、B連接起來，形成回路P-A-B-C-D-P，此時回路總運量5.52t，總運距30km，此時運距達到最大，得到優(yōu)化后的第一條清運路線，同時把涉及A、B、C、D這四個小區(qū)節(jié)點的路線刪除掉。重復(fù)上述步驟，最終形成3條清運路線，如表5所示。

表5 倉儲中心運輸路線情況

優(yōu)化路線前，回收轉(zhuǎn)運站每天需要派出7輛1.5～2t的車和2輛4～6t的車，總行駛里程為136km。優(yōu)化后，需要2輛4～6t的車和1輛1.5～2t的車，總行駛里程為77km，共節(jié)省59km的行駛里程。通過優(yōu)化，不僅大大減少了汽車的空載率，而且減少了汽車的總行駛里程，提高了清運效率。

3 結(jié)論

回收物流在現(xiàn)代物流中占據(jù)不可忽視的一環(huán)。文章采用SPSS軟件中的K均值聚類分析將回收轉(zhuǎn)運站附近100個小區(qū)分為9個小區(qū)群，通過節(jié)約里程法為回收物流的回收路徑問題提供了新的解決思路，并且通過實例分析，驗證了其可行性。但是隨著AI智能技術(shù)、物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，回收柜逐漸走進了眾小區(qū)?；厥展竦谋憷葍?yōu)勢不斷改變著人們的觀念，當(dāng)人們更愿意選擇回收機處理廢舊物品之后，回收物流的新問題將會隨之出現(xiàn)，如何在繁雜的回收節(jié)點中選擇最優(yōu)的回收路線，也是今后研究的方向。