余紅 張兵 宋艷

摘 要：隨著社會經(jīng)濟的蓬勃發(fā)展，消費者對生鮮農(nóng)產(chǎn)品的需求逐漸多樣化，且由于生鮮農(nóng)產(chǎn)品具有保鮮性強、時效性強等特點，冷鏈物流的作用愈發(fā)凸顯。為緩解此類現(xiàn)象，首先，本文以江蘇省徐州市H公司的實際數(shù)據(jù)構(gòu)建VRP模型。其次，在基礎(chǔ)人工魚群算法上全面分析步長和視野等參數(shù)，并設(shè)計改進算法，對改進算法進行驗證。最后，本文得出所建立的模型和算法能夠有效應(yīng)用到實際配送路徑優(yōu)化中，并具有一定的借鑒意義。

關(guān)鍵詞：車輛運輸模型；人工魚群算法；動態(tài)需求；冷鏈物流；配送服務(wù)

本文索引：余紅，張兵，宋艷.<變量 1>[J].中國商論，2023（13）：-087.

中圖分類號：F252 文獻標(biāo)識碼：A 文章編號：2096-0298（2023）07（a）--05

1 引言

隨著社會經(jīng)濟的蓬勃發(fā)展，我國對生鮮農(nóng)產(chǎn)品的需求越來越大，而生鮮農(nóng)產(chǎn)品具有時效性強、難保鮮的特性，其運輸和配送環(huán)節(jié)尤為重要。目前，關(guān)于單一溫層冷鏈物流配送靜態(tài)路徑優(yōu)化問題的研究較多，而在實際情況下，不同種類的生鮮農(nóng)產(chǎn)品往往需要不同的存儲溫度，客戶的需求也會出現(xiàn)動態(tài)變化。由此，Kuo等（2010）提出了多溫共配，即集多種溫度區(qū)域于一輛配送車同時執(zhí)行配送任務(wù)。將區(qū)塊鏈技術(shù)應(yīng)用到冷鏈物流中，對多溫層冷鏈物流配送動態(tài)路徑優(yōu)化問題進行研究。

2 動態(tài)路徑優(yōu)化模型構(gòu)建

2.1 問題描述

考慮到客戶需求存在新增和原有客戶服務(wù)時間改變情況下的動態(tài)信息變化，研究在配送車輛載重與車廂體積約束下的封閉式車輛路徑問題，以實現(xiàn)總配送成本最小的目標(biāo)。已知，m個客戶的位置、服務(wù)時間窗及每個客戶對生鮮農(nóng)產(chǎn)品的需求量和種類，構(gòu)建冷鏈物流配送路徑動態(tài)優(yōu)化模型。為了降低H公司生鮮農(nóng)產(chǎn)品配送過程中的腐爛率，同時降低配送成本，將采用常溫車結(jié)合蓄冷保溫箱的方式進行配送。

2.2 模型假設(shè)

在對H公司研究配送中心動態(tài)路徑優(yōu)化問題時進行如下假設(shè)：

（1）配送中心采用統(tǒng)一型號的車輛，且配送過程不考慮集貨環(huán)節(jié)；（2）一個配送中心和多個客戶的地理位置、服務(wù)時間窗已知；（3）所有配送車輛的起止點都為配送中心；（4）單個訂單的需求量不超過配送車輛的額定載重，單獨配送超過車輛額定載重的訂單；（5）單次配送的貨物總重量不超過車輛的額定載重，蓄冷保溫箱體積要小于車廂體積；（6）客戶訂單不能拆分，一個客戶只能提供一次服務(wù)；（7）超出客戶的服務(wù)時間窗將會產(chǎn)生懲罰成本；（8）具備區(qū)塊鏈技術(shù)的使用條件。

2.3 符號說明

符號說明如表1所示。

2.4 模型建立

模型建立時，主要考慮六部分的成本，即固定成本、運輸成本、制冷成本、貨損成本、懲罰成本和區(qū)塊鏈技術(shù)使用成本，由此構(gòu)成目標(biāo)函數(shù)，構(gòu)建的優(yōu)化模型如式（1）所示。

式（1）為目標(biāo)函數(shù)，表示六部分的成本之和；式（2）表示每個客戶只被提供一次服務(wù)；式（3）表示滿足所有客戶的訂單服務(wù)；式（4）表示所有配送車輛的起止點都為配送中心；式（5）表示配送車輛k每次運輸?shù)呢浳锟傊亓坎淮笥谂渌蛙囕v的最大載重量；式（6）表示配送車輛k裝載的蓄冷保溫箱的總體積不大于配送車輛車廂的體積；式（7）表示客戶服務(wù)的時間窗要求；式（8）表示配送過程是連續(xù)的。

2.5 動態(tài)求解策略

2.5.1 動態(tài)信息處理策略

由于靜態(tài)路徑優(yōu)化研究具有一定的局限性，故結(jié)合區(qū)塊鏈技術(shù)，考慮配送過程中有新的客戶需求產(chǎn)生和原有的客戶時間窗發(fā)生動態(tài)變化兩種情況，對冷鏈物流動態(tài)路徑優(yōu)化問題進行研究，以期達到配送總成本最小的目標(biāo)。

對于上述兩種動態(tài)變化情況的處理方式有：立即處理、先匯總再處理，在對這兩種處理方式進行分析研究后，選用定時定量相結(jié)合的處理策略。通過預(yù)先設(shè)置的動態(tài)信息收集條數(shù)、平均時間段兩個參數(shù)對動態(tài)信息進行處理。當(dāng)達到動態(tài)信息收集條數(shù)的參數(shù)值時，無論時間是否到達，都會對配送路徑進行重新規(guī)劃；同時，當(dāng)設(shè)置的平均時間段內(nèi)有新的客戶需求產(chǎn)生或有客戶時間窗變化時，無論動態(tài)信息收集條數(shù)是否達到參數(shù)值，都會重新規(guī)劃配送路徑。

2.5.2 動態(tài)車輛路徑更新策略

本文對動態(tài)車輛路徑更新的策略有兩種：全局重新優(yōu)化策略和局部優(yōu)化策略。全局重新優(yōu)化策略是一種理想狀態(tài)下的優(yōu)化方法；而局部優(yōu)化策略是在初始配送路徑規(guī)劃的基礎(chǔ)上，結(jié)合動態(tài)信息進行局部配送路徑的優(yōu)化，雖然優(yōu)化的結(jié)果不如全局重新優(yōu)化策略的優(yōu)化結(jié)果，但其計算更簡便，也更適用于實際情況，因此采用局部優(yōu)化策略完成動態(tài)車輛路徑的更新。

（1）動態(tài)需求1：增加新的客戶需求

新增客戶需求發(fā)生時，初始路徑規(guī)劃已經(jīng)完成，部分車輛開始配送訂單。由于冷鏈貨物的易腐性和客戶服務(wù)時間窗的限制，將新增客戶需求分派給還未開始執(zhí)行配送任務(wù)的車輛，若配送中心已沒有滿足條件的車輛，則分派新的配送車輛執(zhí)行新增客戶的配送任務(wù)。在新增客戶需求產(chǎn)生之前，已經(jīng)開始配送訂單的車輛不服務(wù)新增客戶的訂單。

（2）動態(tài)需求2：原有客戶改變服務(wù)時間

對于客戶需求時間窗發(fā)生變化的情況，客戶可以聯(lián)系配送中心或在配送中心提供的服務(wù)平臺上提交新的服務(wù)時間窗。若此時承擔(dān)此客戶初始配送任務(wù)的車輛未開始執(zhí)行配送任務(wù)，則可以直接對配送路徑進行重新規(guī)劃；若此時相關(guān)配送車輛已經(jīng)開始執(zhí)行配送任務(wù)，利用區(qū)塊鏈技術(shù)及時獲取車輛的實時定位及配送任務(wù)完成情況，在不影響其他客戶時間窗要求的情況下，重新調(diào)整配送路徑，以滿足時間窗變化的客戶需求。

3 人工魚群算法

人工魚群算法簡稱AFSA，主要包括覓食行為、群居行為、追尾行為，是基于動物行為的群體智能優(yōu)化算法。AFSA相較其他算法，具有“包容性高”、并行性良好、收斂速度快、靈活性較強等特點，更適合求解大規(guī)模VRP動態(tài)問題，因此選用該算法對模型進行求解。但傳統(tǒng)的AFSA中參數(shù)的設(shè)置往往根據(jù)經(jīng)驗所得，而參數(shù)會在一定程度上影響算法求解的準(zhǔn)確性。為更好地求解公司路徑優(yōu)化問題，本文將對AFSA進行適當(dāng)?shù)母倪M。

3.1 改進的人工魚群算法設(shè)計

AFSA的參數(shù)主要有種群規(guī)模N、人工魚的視野Visual、步長Step、擁擠度因子、重復(fù)次數(shù)Trynumber，主要將視野和步長作為變量進行人工魚群算法的算法優(yōu)化，即在求解過程中，接近最優(yōu)值時，則使用較小的視野和步長；反之，未發(fā)現(xiàn)最優(yōu)值時，采取較大的視野和步長。

在前期視野和步長較大，利用函數(shù)在區(qū)間單調(diào)遞減的特點，將該函數(shù)與視野Visual和步長Step相結(jié)合，可以達到快速收斂到全局最優(yōu)解的目的。在后期求解過程中，當(dāng)視野和步長逐步減小時，能有效避免陷入局部搜索和出現(xiàn)震蕩的情況。在求解過程中，令表示某一人工魚的適應(yīng)度值；表示平均適應(yīng)度值；表示最優(yōu)適應(yīng)度值，且，令中。

改進的自適應(yīng)步長如式（9）所示，表示初始步長。如果優(yōu)于，則表示人工魚狀態(tài)良好，算法將出現(xiàn)全局最優(yōu)值，此時可以適當(dāng)調(diào)整步長，提高最優(yōu)解的準(zhǔn)確性；相反，如果處于劣勢，則表示人工魚狀態(tài)不好，此時需要增大步長，以獲取最優(yōu)解。

同理，改進的自適應(yīng)視野如式（10）所示：

改進的FASA基本流程如圖1所示。

3.2 算法改進前后對比

在基礎(chǔ)人工魚群算法中設(shè)以下參數(shù)：

（1）人工魚群規(guī)模NN；

（2）最大迭代次數(shù)NC=200；

（3）最大嘗試次數(shù)Try-number=6；

（4）步長Step=0.5；

（5）視野Visual=5。

改進后的人工魚群算法的步長和視野按照式（9）、93-20動態(tài)變化。利用MATLAB進行運算，并得出對比圖，如圖2所示。

由圖2可知，改進后的人工魚群算法能夠更精確、更快地收斂到最優(yōu)值。

4 案例介紹

本文以徐州市H公司冷鏈物流配送中心為例進行研究，H公司主要為徐州市內(nèi)的一些中小型生鮮超市提供生鮮農(nóng)產(chǎn)品及配送服務(wù)，且可供選擇的產(chǎn)品種類豐富。隨著經(jīng)濟與科技的飛速發(fā)展，該公司原有的配送模式相對落后，已無法滿足配送中心現(xiàn)有的業(yè)務(wù)需求，因此該公司期望在區(qū)塊鏈技術(shù)的支持下，對配送路徑進行優(yōu)化，以實現(xiàn)優(yōu)化配送模式、降低配送成本的目標(biāo)。目前，H公司擁有10輛能夠提供配送服務(wù)的常溫配送車，且該公司的配送業(yè)務(wù)一般都在凌晨進行，所以對H公司進行配送動態(tài)路徑優(yōu)化研究時忽略交通擁堵的情況。

4.1 信息收集

根據(jù)實地調(diào)查，H公司冷鏈物流車采用“常溫車+蓄冷保溫箱+蓄冷器”三合一的模式，依次滿足不同溫需的生鮮農(nóng)產(chǎn)品的配送，H公司客戶動態(tài)變化信息如表2所示。

4.2 參數(shù)設(shè)置

通過實際調(diào)研，收集H公司冷鏈物流配送中心配送過程中的相關(guān)數(shù)據(jù)，對模型中涉及的參數(shù)進行取值，如表3所示。

根據(jù)上文對改進人工魚群算法的分析，該算法的相關(guān)參數(shù)的取值如表4所示。

5 MATLAB軟件求解

本文主要研究H公司配送中心客戶需求出現(xiàn)新增和原有客戶的服務(wù)時間改變的兩種情況。

5.1 客戶需求出現(xiàn)新增

當(dāng)客戶需求出現(xiàn)新增時，選擇使用定時定量策略進行決策，只需要確定車輛更新周期T及客戶動態(tài)需求信息的數(shù)量N，便可以為其提供新的配送路線。調(diào)查可知，H公司當(dāng)T≤30min，N≥3時便進行路徑更新，或T≥30min時進行路徑更新。該公司平臺在凌晨3：30開放。表5是利用模型和算法對新增客戶需求求解得出的路徑更新結(jié)果。

局部規(guī)劃得出，無需增加配送車輛，車輛2的配送路徑由0-16-11-0變成0-16-11-22-0；車輛1的配送路徑由0-13-6-14-9-0變成0-16-9-14-21-0。另外在重新規(guī)劃的配送路徑中，車輛1和車輛2都能在規(guī)定的時間內(nèi)完成任務(wù)，均未產(chǎn)生時間懲罰成本，有效地降低該公司的配送成本，提高公司的客戶滿意度。

5.2 原有客戶的服務(wù)時間改變

H公司的初始客戶需求時間窗發(fā)生變化時，選擇定時定量策略和局部路徑更新策略進行決策。表6是利用模型對該動態(tài)變化求解得出的路徑更新結(jié)果。

布局優(yōu)化后，車輛5的算法改進路線由0-4-5-15-12-8-0更新為0-15-4-12-8-0，客戶5會比預(yù)期時間晚完成3min，同時產(chǎn)生60元的時間窗懲罰成本。但如果按照原路線，客戶9會比預(yù)期完成時間晚5min，產(chǎn)生50元的時間窗懲罰成本的同時，配送成本還會增加12.42元。車輛1的冷鏈貨物的算法改進路線從0-1-2-3-7-20-10-0變成0-1-2-3-7-10-20-0，到達客戶8的時間提前了9分鐘，并未產(chǎn)生時間懲罰成本，雖然算法改進路線后配送成本增加了6元，但增加的配送成本比時間懲罰成本低。

5.3 小結(jié)

綜合上文兩種客戶需求發(fā)生變化時，得到新的配送路線如圖3所示，雖然動態(tài)需求改變時，配送成本可能增加，但是滿足了客戶的需求，避免了客戶的流失。從長遠(yuǎn)角度考慮，增加了企業(yè)的經(jīng)濟效益，擴大了市場影響力，更有利于企業(yè)的長遠(yuǎn)發(fā)展。

6 結(jié)語

綜上所述，將區(qū)塊鏈技術(shù)應(yīng)用到冷鏈物流配送環(huán)節(jié)中，采用常溫車加蓄冷保溫箱的配送模式，同時考慮增加新的客戶需求與原有客戶改變服務(wù)時間兩種動態(tài)變化，對冷鏈物流配送路徑進行優(yōu)化研究，構(gòu)建冷鏈物流車輛路徑優(yōu)化模型。分別運用定時定量處理策略、局部優(yōu)化策略進行動態(tài)信息的處理和動態(tài)車輛路徑的更新，對基本人工魚群算法中的參數(shù)進行改進，利用改進人工魚群算法對模型進行求解。本文以徐州市H公司冷鏈物流配送中心為實例，通過實地調(diào)研獲取數(shù)據(jù)代入模型進行求解，得出優(yōu)化后的配送成本與配送路徑。

參考文獻

常海平，李婉瑩，董福貴，等.基于NSGA-Ⅱ的冷鏈物流配送路徑多目標(biāo)優(yōu)化[J].交通科技與經(jīng)濟，2022，24（2）：8-17.

段雪凝.帶時間窗的冷鏈物流車輛路徑多目標(biāo)優(yōu)化問題研究[D].沈陽：東北大學(xué)，2014.

Kuo， Ju-Chia，Chen， Mu-Chen. Developing an advanced Multi-Temperature Joint Distribution System for the food cold chain[J]. Food Control，2010，21（4）.

Shu-yun Wang，Min Zhao. Impetus of Multi-temperature Joint Distribution Based on Storage-type Cold-chain Logistics[J]. Journal of Highway and Transportation Research and Development （English Edition），2013，7（2）.

馮亮，梁工謙.基于GPS/GIS協(xié)同的動態(tài)車輛調(diào)度和路徑規(guī)劃問題研究[J].計算機科學(xué)，2017，44（9）：272-276+285.

曾勝.冷鏈物流車智能監(jiān)控與調(diào)度系統(tǒng)的設(shè)計與實現(xiàn)[D].杭州：中國計量大學(xué)，2019.

王淑云，孫虹.需求變動下的冷鏈品配送路徑規(guī)劃[J].公路交通科技，2014，31（8）：144-150.

劉波.帶時間窗的冷鏈物流配送動態(tài)車輛路徑優(yōu)化方法研究[D].北京：北京交通大學(xué)，2018.

劉敏.隨機需求下冷鏈品城市物流配送優(yōu)化研究[D].北京：北京交通大學(xué)，2016.

Nanotechnology - Quantum Dots; Data from Nanchang University Advance Knowledge in Quantum Dots （Cdse/zns Quantum Dots Impaired the First Two Generations of Placenta Growth In an Animal Model， Based On the Shh Signaling Pathway）[J]. Biotech Week，2019.

李曉磊.一種新型的智能優(yōu)化方法：人工魚群算法[D].杭州：浙江大學(xué)，2003.