黎智海 余海燕

(九江學(xué)院 江西九江 332005)

1研究背景

隨著電子信息現(xiàn)代化技術(shù)水平的迅猛發(fā)展，物流行業(yè)也表現(xiàn)出高速發(fā)展的態(tài)勢(shì)。目前，在大數(shù)據(jù)快速發(fā)展的前提下，國(guó)內(nèi)也先后推出了多項(xiàng)政策，對(duì)物聯(lián)網(wǎng)與各項(xiàng)物流管理方面結(jié)合的技術(shù)開(kāi)發(fā)提供相應(yīng)支持。國(guó)內(nèi)外所擁有的最先進(jìn)的智能物流管理系統(tǒng)，在進(jìn)行物流管理服務(wù)之時(shí)，上可達(dá)行業(yè)預(yù)測(cè)、市場(chǎng)調(diào)查、電子商務(wù)協(xié)助等，下可至物流管理系統(tǒng)設(shè)計(jì)、物流方案規(guī)劃、庫(kù)存管理及決策等[1]。

我國(guó)許多企業(yè)，尤其是三線(xiàn)及以下城市的物流企業(yè)，仍有不少采用傳統(tǒng)的人工與計(jì)算機(jī)結(jié)合的半自動(dòng)化的物流管理模式，其操作的復(fù)雜性導(dǎo)致企業(yè)出現(xiàn)低效、高錯(cuò)、慢速、高成本等問(wèn)題，不僅物流管理效率較低，其物流作業(yè)上的準(zhǔn)確性也無(wú)法得到完全保障[2]。如此一來(lái)，發(fā)展信息化水平更高、管理成本更低、效率更高的智能物流管理系統(tǒng)成為企業(yè)發(fā)展急需解決的問(wèn)題。在疫情中，盡管對(duì)各行業(yè)都有較大的影響，然而隨著人們居家的時(shí)間越來(lái)越長(zhǎng)，物流企業(yè)的業(yè)務(wù)量也隨之逐步增長(zhǎng)，導(dǎo)致物流運(yùn)輸市場(chǎng)的活力持續(xù)增長(zhǎng)[3]。物流運(yùn)輸中，理想的運(yùn)輸路線(xiàn)不僅可以達(dá)到降低企業(yè)在物流運(yùn)輸途中產(chǎn)生的成本，合理縮短運(yùn)輸時(shí)間，還能有助于提高物流企業(yè)的核心競(jìng)爭(zhēng)力。同時(shí)，優(yōu)化的運(yùn)輸路線(xiàn)減少了物流運(yùn)輸?shù)目偫锍虜?shù)，一定程度上可以有效緩解交通擁堵的發(fā)生。因此，如何借助現(xiàn)代化的信息技術(shù)智能選擇出低成本、高效率的物流運(yùn)輸路線(xiàn)具有重要的研究意義。

Koopmans早在第二次世界大戰(zhàn)期間便開(kāi)始物流運(yùn)輸路線(xiàn)規(guī)劃問(wèn)題的研究。往后，Dantzing(1959年)發(fā)現(xiàn)單純性方法，并將其應(yīng)用在國(guó)防問(wèn)題上[4]。Kuo等學(xué)者(2017年)則是充分考慮垃圾收集車(chē)輛的運(yùn)輸路線(xiàn)優(yōu)化的問(wèn)題，提出GACO算法優(yōu)勢(shì)[5]。而國(guó)內(nèi)的李軍教授(2001年)對(duì)車(chē)輛運(yùn)輸路線(xiàn)調(diào)度優(yōu)化深入分析其優(yōu)化算法，并且對(duì)車(chē)輛調(diào)度系統(tǒng)進(jìn)行基礎(chǔ)設(shè)計(jì)[6]。此后，運(yùn)輸路線(xiàn)優(yōu)化問(wèn)題得到快速發(fā)展，成為組合優(yōu)化、計(jì)算機(jī)技術(shù)應(yīng)用以及物流等領(lǐng)域的重點(diǎn)研究對(duì)象。同時(shí)計(jì)算方式也逐漸趨于多樣化，有路線(xiàn)規(guī)劃、遺傳算法、蟻群算法、兩段式算法等。

文章依托九江市志遠(yuǎn)物流運(yùn)輸有限公司，針對(duì)傳統(tǒng)物流管理模式中調(diào)度效率低的弊端，通過(guò)路線(xiàn)規(guī)劃及遺傳算法設(shè)計(jì)車(chē)輛的運(yùn)輸路線(xiàn)，優(yōu)化后的物流運(yùn)輸路線(xiàn)同時(shí)滿(mǎn)足客戶(hù)、司機(jī)和管理人員的三方需求，讓志遠(yuǎn)物流的車(chē)輛管理?yè)碛懈叩男逝c安全，同時(shí)大幅度節(jié)約成本，真正達(dá)到“節(jié)能高效”。

2模型建立

2.1模型設(shè)計(jì)

文章選用志遠(yuǎn)物流企業(yè)一日的實(shí)際物流配送的24個(gè)訂單數(shù)據(jù)，研究物流運(yùn)輸路線(xiàn)的求解目標(biāo)函數(shù)及約束條件選擇路線(xiàn)規(guī)劃和遺傳算法，并對(duì)遺傳算法進(jìn)行優(yōu)化改進(jìn)，達(dá)到最優(yōu)物流運(yùn)輸路線(xiàn)，即總運(yùn)輸成本最低，結(jié)合Matlab運(yùn)算，最終設(shè)計(jì)出符合企業(yè)的最佳運(yùn)輸路線(xiàn)及調(diào)度方案，模型假設(shè)見(jiàn)表1。

表1 模型假設(shè)

已知志遠(yuǎn)物流派專(zhuān)車(chē)由物流中心途徑各個(gè)客戶(hù)，最終回到物流中心進(jìn)行運(yùn)輸。車(chē)輛的固定啟動(dòng)費(fèi)用為60元，車(chē)輛每公里的成本費(fèi)用為1元，車(chē)速為20km/h。且物流中心坐標(biāo)為(0，0)。每個(gè)訂單客戶(hù)位置標(biāo)記為：2～25；由上至下由左至右共24組數(shù)據(jù)。

2.2運(yùn)輸模型

2.2.1路線(xiàn)規(guī)劃 為達(dá)到最低運(yùn)輸成本的目的，即設(shè)計(jì)最優(yōu)物流運(yùn)輸路線(xiàn)，常規(guī)的模型建立思路是構(gòu)建含有約束條件的規(guī)劃模型。運(yùn)輸途中總的運(yùn)輸成本為車(chē)輛運(yùn)輸產(chǎn)生的固定成本與車(chē)輛在運(yùn)輸中的行駛成本之和。

車(chē)輛運(yùn)輸固定成本(C：車(chē)輛運(yùn)送過(guò)程中的固定成本；m：總客戶(hù)數(shù))：

(1)

車(chē)輛運(yùn)輸行駛成本(h：?jiǎn)挝痪嚯x內(nèi)的運(yùn)輸成本；d：兩客戶(hù)間的運(yùn)輸距離)：

(2)

兩客戶(hù)(xi,yi)、(xj,yj)節(jié)點(diǎn)之間的距離：

(3)

總運(yùn)輸成本：

(4)

因此，目標(biāo)函數(shù)為：

(5)

表2 約束條件

2.2.2遺傳算法 ①編碼：用0代表物流中心，以數(shù)字的先后順序表示物流車(chē)輛的運(yùn)輸途徑。②種群初始化：編碼完成后，依具體問(wèn)題選擇初始種群數(shù)量，作為初始解。③適應(yīng)度值：是計(jì)算所有染色體的目標(biāo)函數(shù)值，再取倒數(shù)為所需適應(yīng)度值：

(6)

④選擇操作：選擇適應(yīng)度值占比較大的個(gè)體，是指利用各個(gè)適應(yīng)度占總適應(yīng)度的比值：

(7)

⑤交叉、變異操作：適應(yīng)度值在進(jìn)化的初期是比較大的，可以選用較大的Pc和Pm，且為定值。進(jìn)化的中后期，Pc和Pm會(huì)根據(jù)個(gè)體的適應(yīng)度在平均適應(yīng)度和最小適應(yīng)度之間滿(mǎn)足下列線(xiàn)性關(guān)系：

(8)

(9)

其中：Pcmax>Pcmin∈[0,1],Pmmax>Pmmin∈[0,1]。

2.2.3算法改進(jìn) 針對(duì)遺傳算法容易受到局部收斂的影響。文章將在原有遺傳算法的基礎(chǔ)上從以下兩方面進(jìn)行改善：①改善交叉操作，即對(duì)父代的個(gè)體依據(jù)目標(biāo)函數(shù)大小進(jìn)行配對(duì)，然后采用序列確定交叉點(diǎn)的位置，對(duì)所確定的位置進(jìn)行交叉。②改善的變異操作是依據(jù)給定的變異率，然后在2～25間隨機(jī)的選取兩個(gè)整數(shù)，再進(jìn)一步對(duì)所選中的這兩個(gè)數(shù)所對(duì)應(yīng)的位置進(jìn)行基因改變，以當(dāng)前的基因值作為初始值，然后采用x(n+1)=4x(n)(1-x(n))進(jìn)行迭代，經(jīng)過(guò)一定的迭代次數(shù)得到新基因值，進(jìn)而得到新染色體。

3運(yùn)算與分析

3.1常規(guī)遺傳算法

3.1.1參數(shù)設(shè)置 遺傳算法中初始化參數(shù)如表3所示。

表3 參數(shù)設(shè)置

3.1.2算法結(jié)果 采用Matlab R2020a軟件以及遺傳算法計(jì)算出符合上述模型的最優(yōu)路線(xiàn)(將物流中心出發(fā)位置標(biāo)記為1，結(jié)束位置記為26)。

全程為：81144km；

詳細(xì)路線(xiàn)為：1→11→9→15→12→8→6→7→4→5→3→25→21→2→17→23→18→24→20→19→22→16→13→10→14→26。運(yùn)輸路線(xiàn)如圖1所示。

圖1 物流運(yùn)輸路線(xiàn)圖

車(chē)輛從物流中心出發(fā)，依次按照上述路線(xiàn)完成各個(gè)客戶(hù)點(diǎn)的配送任務(wù)，最后返回物流中心。其中第15個(gè)客戶(hù)點(diǎn)到第19個(gè)客戶(hù)點(diǎn)的配送路線(xiàn)交錯(cuò)較多，說(shuō)明運(yùn)輸途中消耗較多，導(dǎo)致配送服務(wù)質(zhì)量下降，消耗的總成本也較高。因此，這段配送路線(xiàn)仍需改進(jìn)。

3.2改進(jìn)遺傳算法

針對(duì)上述問(wèn)題，改進(jìn)后的遺傳算法中的交叉操作是用單點(diǎn)交叉，不僅保證了算法的收斂精度，還能削弱和避免因交叉強(qiáng)度大而導(dǎo)致的尋優(yōu)不穩(wěn)定性。同時(shí)變異操作采用多點(diǎn)變異，恰好彌補(bǔ)之前過(guò)早收斂的缺陷。各自染色體采用Logistic序列對(duì)父代染色體A進(jìn)行0～1間隨機(jī)數(shù)列進(jìn)行編碼，再進(jìn)行交叉操作，產(chǎn)生子代B。

改善的變異操作是依據(jù)所給變異率，任意取兩個(gè)整數(shù)，在2～25之間，對(duì)所取出的兩個(gè)數(shù)的位置基因采取變異操作，進(jìn)而得到新的染色體。為了避免局部收斂，采用發(fā)生三對(duì)變異操作(交換位置)產(chǎn)生子代C。

根據(jù)改進(jìn)的遺傳算法，采用Matlab運(yùn)算出符合上述模型的最優(yōu)路線(xiàn)。

全程為：80328km。

詳細(xì)路線(xiàn)為：1→11→9→15→12→8→6→7→4→5→3→25→21→2→17→19→20→23→18→24→22→16→13→10→14→26，如圖2所示。

圖2 改進(jìn)后的物流運(yùn)輸路線(xiàn)圖

此時(shí)消耗總成本為：W=4076.4元。

改進(jìn)后的遺傳算法由物流中心出發(fā)到前14位客戶(hù)點(diǎn)的運(yùn)送路線(xiàn)均不變，由第15位客戶(hù)點(diǎn)到第19位客戶(hù)點(diǎn)的運(yùn)輸路線(xiàn)發(fā)生變化，交叉路線(xiàn)有所減少，運(yùn)輸成本也隨之減少。因此，改進(jìn)后的遺傳算法尋優(yōu)效果更好，得到的運(yùn)輸路線(xiàn)更優(yōu)。

4結(jié)論

針對(duì)志遠(yuǎn)物流企業(yè)，運(yùn)輸途中產(chǎn)生的成本與車(chē)輛選擇的運(yùn)輸路線(xiàn)有著重要的直接關(guān)系，文章將運(yùn)輸總成本達(dá)到最低設(shè)為目標(biāo)函數(shù)，同時(shí)構(gòu)建路線(xiàn)規(guī)劃模型尋找目標(biāo)函數(shù)的最優(yōu)值解。運(yùn)用Matlab，并結(jié)合遺傳算法的優(yōu)勢(shì)，利用交叉、變異的概率自動(dòng)調(diào)整策略，進(jìn)而增強(qiáng)全局的尋優(yōu)能力，最后針對(duì)實(shí)際問(wèn)題改進(jìn)遺傳算法。顯然改進(jìn)后的遺傳算法計(jì)算出的運(yùn)輸路線(xiàn)，交叉路線(xiàn)減少，總里程及總成本均有所下降，更有效地給出最優(yōu)運(yùn)輸路線(xiàn)。企業(yè)在物流車(chē)輛的調(diào)度管理中，智能算法的運(yùn)用將很大程度地提高路線(xiàn)規(guī)劃的合理性，從而有效降低運(yùn)輸途中產(chǎn)生的成本，同時(shí)縮短運(yùn)輸時(shí)間，提高客戶(hù)的滿(mǎn)意度。更加貼合企業(yè)自身業(yè)務(wù)特色和管理制度的智能物流管理系統(tǒng)，能夠?yàn)槠髽I(yè)帶來(lái)更高的管理水平，提升企業(yè)效益，增強(qiáng)企業(yè)的核心競(jìng)爭(zhēng)力。