摘要：伴隨著城市規(guī)模的快速擴大和城市物流配送需求的快速增加，城市物流配送導(dǎo)致了溫室氣體排放問題日益嚴重，“綠色物流”成為城市配送轉(zhuǎn)型的目標(biāo)和方向。聚焦快時尚服裝行業(yè)基于快速反應(yīng)（Quick Response，QR） 機制的運作模式，能夠讓服裝消費者在第一時間獲得最新潮流時尚產(chǎn)品。同時，快時尚服裝產(chǎn)品的城市配送具有產(chǎn)品更新頻率快、配送次數(shù)多、單次配送量少等顯著的行業(yè)特點。文章重點考慮快時尚服裝產(chǎn)品“高頻少量”配送導(dǎo)致的嚴重碳污染這一現(xiàn)實情況，探究該行業(yè)領(lǐng)域?qū)崿F(xiàn)低碳城市配送的模型和方法，力圖促進該行業(yè)領(lǐng)域在經(jīng)濟、社會及環(huán)境方面的可持續(xù)發(fā)展。同時，在綜合分析快時尚服裝產(chǎn)品城市配送的顯著特點的基礎(chǔ)上，構(gòu)建城市綠色配送車輛路徑優(yōu)化模型，并提出改進的智能算法優(yōu)化求解過程。

關(guān)鍵詞：綠色物流；快時尚；低碳配送；車輛配送路徑優(yōu)化

中圖分類號：F251 文獻標(biāo)志碼： A"" DOI：10.13714/j.cnki.1002-3100.2023.20.004

Abstract： With the rapid expansion of urban scale and the rapid increase of urban logistics distribution demand， urban logistics distribution has led to increasingly serious greenhouse gas emissions， and \"green logistics\" has become the goal and direction of urban distribution transformation.The operation mode focusing on the fast fashion clothing industry based on the Quick Response （QR） mechanism enables clothing consumers to obtain the latest fashion products at the first time.At the same time，the urban distribution of fast fashion clothing products has prominent industry characteristics such as fast produet update frequeney，more distribution times， and less single distribution volume. This study focuses on the reality of serious carbon pollution caused by the \"high frequency and small amount\" distribution of fast fashion clothing products， explores the models and methods of realizing low-carbon urban distribution in this industry， and tries to promote the sustainable development of this industry in economic， social and environmental aspects. At the same time，on the basis of comprehensive analysis of the significant characteristicsof urban distribution of fast fashion clothing products， an urban green distribution vehicle routing optimization model is constructed， and an improved intelligent algorithm optimization solution process is proposed.

Key words：greenlogistics;fastfashion;low-carbondistribution;vehicle distribution route optimization

0引言

城市的常住人口急劇增長以及大量新商業(yè)模式的出現(xiàn)導(dǎo)致機動車保有量隨之上升，由此引發(fā)的車輛尾氣排放過多是造成城市空氣質(zhì)量惡化的重要原因之一。車載電池是電動汽車中價值最高的一部分，車載電池的價格約占整車價格的1/3，部分車型電池價格高達整車價格的45%。而電池是一個消耗品，電池使用情況決定了車輛壽命，對于物流企業(yè)來說，在國家“車補”政策取消的情況下會導(dǎo)致企業(yè)的運營成本過高，削弱企業(yè)購車積極性。目前來看，最適用于物流配送電動車的推廣方式就是“車電分離、分箱換電”，即電動汽車電池租賃的車電分離方式，從而降低購車成本。在換電策略下電池所有權(quán)以及相關(guān)的維護管理均為換電服務(wù)提供商，所以換電服務(wù)商必定需要考慮如何減少電池損耗。

車輛路徑優(yōu)化問題（VRP，Vehicle Routing Problem）是運籌學(xué)中經(jīng)典旅行商問題（TSP，Traveling Salesman Problem）在具體領(lǐng)域及實際條件下的延伸與擴展。Montoya等\"針對電池充電水平與充電時間之間非線性關(guān)系的現(xiàn)狀，將非線性充電函數(shù)擴展到現(xiàn)有的E-VRP 模型中，并且評估非線性充電函數(shù)的重要性。Froger等叫利用非線性函數(shù)的分段線性逼近來真實地對電動汽車充電操作建模。充電站建設(shè)與換電服務(wù)發(fā)展均受重視，相應(yīng)的充換電策略研究也得到學(xué)者的重視。Pelletier等開發(fā)一個綜合的數(shù)學(xué)模型來評價與電動貨運汽車使用相關(guān)的大量特性，分析這些特性對電動汽車充電計劃的影響。Jie等叫提出了兩層級換電站下有容量限制的電動汽車路徑問題，探究不同層級下不同電動汽車的不同負載能力、電池行駛里程、能耗率和換電成本等因素。電動汽車電池能源消耗率的準(zhǔn)確計算與其不確定性研究將大大提高研究的現(xiàn)實價值。Pelletier等9考慮電動車輛在配送途中可能無法充電，且車輛能源消耗受天氣、道路條件和人工因素等較多不確定性因素的影響，所以提出一個魯棒優(yōu)化框架來考慮能源消耗不確定性問題。Basso等⑥通過考慮詳細的地形和速度分布來改進能耗估計，其次，提出一種綜合的兩階段法來得到一個較完整的正確行駛路線和準(zhǔn)確的能耗估計。

上述研究為電動汽車車輛路徑問題提供了很多基礎(chǔ)的研究，但較少看到把綠色低碳、產(chǎn)品配送特點、電動汽車車輛路徑問題三者聯(lián)系起來的研究。目前類似研究較多集中于冷鏈物流，然而，快時尚產(chǎn)品配送有明顯的配送特點，例如不同種類服裝對裝載空間的不同要求，配送時間的弱時效性等。且快時尚企業(yè)重視顧客滿意度和社會責(zé)任，眾多快時尚品牌已將可持續(xù)發(fā)展列為長期發(fā)展戰(zhàn)略，但針對快時尚產(chǎn)品特點和企業(yè)發(fā)展現(xiàn)狀，基于車輛路徑模型探析實際管理模式和思路依然有加強空間。

因此，本文針對服裝行業(yè)的快時尚產(chǎn)品，立足于探討以快時尚行業(yè)為背景的電動汽車車輛路徑問題，從快時尚企業(yè)，物流配送商和換電服務(wù)商這三個不同利益主體的角度出發(fā)，建立以包含顧客滿意度最大化、配送總成本及深度放電行駛距離最小化的多目標(biāo)整數(shù)規(guī)劃模型。

1問題描述與模型建立

1.1問題描述

本文立足于探討以快時尚產(chǎn)品配送為背景的電動車輛城市配送路徑問題，將配送路徑中的節(jié)點簡化為配送中心與換電站、快時尚門店。配送車輛以滿電狀態(tài)從配送中心出發(fā)，在滿足車輛電池深度放電行駛距離盡可能少的前提下，為各個門店節(jié)點提供配送服務(wù)，完成配送任務(wù)后回到配送中心，形成閉環(huán)網(wǎng)絡(luò)。重復(fù)上述步驟，直至滿足所有門店配貨需求。

1.2模型建立

為使研究的問題貼近實際情況并有利于模型的后續(xù)分析，現(xiàn)有如下假設(shè)：第一，車輛從配送中心出發(fā)時，裝載產(chǎn)品的總裝載空間不能超過車廂限制，裝載重量不能超過車輛最大載重；第二，任一車輛進行配送任務(wù)時，當(dāng)預(yù)估到下一個配送門店車輛電量會低于深度放電臨界點時，不再繼續(xù)配送任務(wù)，需去往換電站換電；第三，每個換電站每天可滿足車輛不限次數(shù)的訪問；第四，車輛滿電狀態(tài)下，電池電量可以滿足任意兩節(jié)點之間的配送需求；第五，每個門店配貨量必須得到滿足且每個門店只能由一輛車進行服務(wù)且只能被服務(wù)一次；第六，每輛車從配送中心出發(fā)，完成配送任務(wù)后返回配送中心，且每輛車一天只能執(zhí)行一次配送任務(wù)；第七，采取懸掛方式運輸?shù)囊路L度低于車廂高度。叫具體的符號與決策變量解釋如下。

1.2.1集合

G： 表示配送網(wǎng)絡(luò)，G=（U，V）。

I：表示門店節(jié)點集合，I={0，1，…，n}。

J：表示換電站節(jié)點集合，J={n+1，n +2，…，N}。

F：表示節(jié)點集，U=[0，1，…，N]， 節(jié)點O表示配送中心，F(xiàn)=IU JU {0}。

V：表示弧集， V=（（：j）i≠jeF}。

1.2.2 決策變量

xg：0-1變量，其值為1表示車輛q從節(jié)點i行駛至下一個節(jié)點j， 否則為0。

y?：0-1 變量，其值為1表示門店i的配貨由車輛q完成，否則為0。

z：0-1 變量，其值為1表示門店i在第t 天接受配貨，否則為0。

H：0-1 變量，其值為1表示車輛到達換電站時電量高于深度放電闕值，否則為0。

1.2.3參數(shù)

r;： 表示門店i配送量。

d，： 表示從節(jié)點i到節(jié)點j的距離。

L： 表示車輛最大載重量。

X： 表示車輛車廂長度。

y?： 車廂用于懸掛衣服的空間寬度。

y?： 車廂用于裝載包裝箱的空間寬度。

Y： 表示車輛車廂寬度， Y= y?+y?。

H： 表示車輛車廂高度。

Z： 表示正方體形狀包裝箱子邊長。

r ：表示箱子裝滿時的重量。

w： 表示懸掛衣服的平均重量。

s ：表示懸掛衣服的平均厚度。

h： 表示懸掛衣服的寬度。

C：每輛車可懸掛的衣服件數(shù)，

B：車輛最多可以放置的箱子數(shù)，

g?：配送給門店i的懸掛衣服件數(shù)。

b?：門店i此次配送需要的箱子個數(shù)，

c?：表示電池處于正常放電狀態(tài)下的損耗成本。

c2：表示電池處于深度放電狀態(tài)下的損耗成本。

K：表示電池滿電狀態(tài)。

θ：表示電池深度放電閾值點。

y：表示車輛q到達點i的電量。

y？：表示車輛q離開點i的電量。

S： 表示車輛q從點i到點j的途中在深度放電狀態(tài)下的放電量，Sm=max（0K-y ））x。

L： 表示車輛q在弧（i，j） 上的深度放電行駛距離，

m?：車輛深度放電闕值以上的消耗電量。

t?：深度放電闕值以上電量消耗量的換電價格。

m?：深度放電闕值以下消耗的電量。

t?： 深度放電闕值以下電量消耗量的換電價格。

s：換電服務(wù)費用。

cy：表示電動車輛運輸固定成本。

cv：表示電動車輛運輸變動成本， cy=c?+c?+c?。

c?：表示車輛折舊費用。

c?： 表示電池損耗成本，

c?：表示車輛換電費用， c?=D?+D?。

f： 表示車輛行駛每公里的折舊成本。

Q：使用車銅數(shù)，

M：表示一個極大值。

城市配送中電動汽車能耗基本由車輛速度、車輛載重以及地形坡度3個主要因素決定，其中m=u+L?，u" 表示車輛q 在?。╥，j） 上的載重，分三個步驟來計算載重為m 的電動汽車q 在弧（i，j） 上的能耗b，（mg）： 首先計算車輛所需的動力 P， 然后計算相應(yīng)的電力P， 最后計算需從電池中提取的電量b，（ug）。

其中σ*表示p 和P 之間的轉(zhuǎn)換系數(shù)，φ*表示電池效率， v 表示車輛速度， t 表示車輛在?。╥，j） 上的行駛時間， c， 和c?分別表示滾動摩擦系數(shù)和空氣阻力系數(shù)， p 表示空氣密度，A表示車輛前側(cè)表面積，g表示地球引力常數(shù)， m 表示車輛 q在?。╥，j） 上的總質(zhì)量，α;表示地形坡度。

基于上述討論，構(gòu)建如下多目標(biāo)路徑優(yōu)化模型。

車輛總運營成本：

總顧客滿意度目標(biāo)：

約束條件：

式（5）表示最小化配送總成本；式（6）表示最大化門店的消費者滿意度；式（7）表示每輛車運輸線路中的每一個節(jié)點只有一個后繼點，后繼點可以為配送中心，換電站或者門店；式（8）表示預(yù)測車輛電量到下一門店時若低于深度放電闕值，則不能繼續(xù)配送任務(wù)；式（9）表示到達節(jié)點的車輛數(shù)量必須等于離開該節(jié)點的車輛數(shù)量；式（10）表示每輛車在一天內(nèi)只能完成一次配送任務(wù)，且必須從配送中心出發(fā)并回到配送中心；式（11）表示使用車輛數(shù)限制；式（12）表示車輛運輸路線訪問的門店順序以及相應(yīng)載重的變化；式（13）表示車輛回到配送中心時所裝載的貨物均配送完畢；式（14）表示車量配送載重限制；式（15）和式（16）表示車輛配送貨物的裝載空間限制；式（17）表示每個門店僅為一輛車服務(wù)，只能有一輛車到達和出發(fā)一次；式（18）表示車輛配送過程中電池電量情況；式（19）表示車輛以滿電狀態(tài)從配送中心出發(fā)每輛車在行駛過程中剩余的能源量；式（20）表示車輛進入換電站換電；式（21）表示車輛為門店配貨時不進行電池電量的補充；式（22）表示車輛是否訪問節(jié)點決定車輛在該節(jié)點的電量；式（23）表示門店配貨需要在一天內(nèi)完成；式（24）、式（25）、式（26）和式（27）表示0-1決策變量。

2模型求解

本文擬用改進蟻群算法對上述多目標(biāo)規(guī)劃模型進行求解。蟻群算法是基于對自然界真實蟻群中集體覓食行為的研究，模擬真實的蟻群的協(xié)作過程，通過在解路徑上遺留并不斷交換信息素提高解的質(zhì)量，進而達到不斷優(yōu)化路徑的目的。蟻群算法在求解性能上，具有很強的魯棒性和搜索較優(yōu)解的能力，近年來在眾多領(lǐng)域得到了廣泛應(yīng)用。但是也存在收斂速度慢，易陷入局部最優(yōu)、初始信息素匱乏、搜索時間長等問題。故本文針對蟻群算法的狀態(tài)轉(zhuǎn)移概率的設(shè)置和信息素更新策略進行改進，下面依次進行數(shù)理闡釋。

2.1初始信息素的設(shè)置

實現(xiàn)A*算法依靠的是估價函數(shù)： f（n）=g（n） +h（n）。表示從配送中心經(jīng)由客戶點n 到目標(biāo)客戶點的估計代價，g（n） 表示從配送中心到客戶點n 的實際代價，而h（n） 表示從客戶點n 到目標(biāo)客戶點的預(yù)估代價。結(jié)合本文研究實際背景，本研究將客戶點之間的曼哈頓距離作為客戶點之間的距離，估價函數(shù)設(shè)置為f（n）=g（n），"" 其中g(shù)（n） 表示車輛從當(dāng)前點n到下一個點的路徑成本。D表示配送中心，將所有門店節(jié)點放入open表中。

具體步驟如下所示。

stepl：初始化變量，q=1，V 為open表；

step2：令closelist[]=φ，L（q）=0，B（q）=0，C（q）=0，a=D;

step3：判斷， V=φ， 是轉(zhuǎn)11，否則轉(zhuǎn)4;

step4：調(diào)用估價函數(shù)搜索從a點出發(fā)，估價函數(shù)值最小的客戶點i;

step5：判斷L（q）=L（q）+r，≤L且B（q）=B（q）+b，≤B且C（q）=C（q）+c，≤C， 是轉(zhuǎn)7，否則轉(zhuǎn)6;

step6：根據(jù)估值函數(shù)大小判斷其他客戶點i，L（q）=L（q）+r≤L" 且B（q）=B（q）+b，≤B 且C（q）=C（q）+c，≤C， 是則轉(zhuǎn)7，否則車輛返回配送中心轉(zhuǎn)10;

step7：L（g）=L（q）+q?，B（q）=B（q）+b，" 且C（q）=C（q）+c，a=i;

step8：將客戶點i放入closelist[g]中，并從V中刪除；

step9：返回步驟3;

step10：q=q+1，" 轉(zhuǎn)步驟2;

step11：結(jié)束。

車輛q 訪問客戶點順序為closelist[g]中節(jié)點排列順序，將A*算法尋找到各個車輛的closelist[g]表中節(jié)點連接起來，得到較優(yōu)配送路徑方案。將較優(yōu)路徑上的初始信息素賦值為T =λr 。， 其中λgt;1，其他路徑的信息素設(shè)為r。

2.2狀態(tài)轉(zhuǎn)移概率設(shè)計

本文研究的是既要提高顧客滿意度，又要降低車輛電池損耗的多目標(biāo)綠色車輛路徑問題，因此，設(shè)置狀態(tài)轉(zhuǎn)移概率時既要考慮顧客滿意度，又要刻畫電池損耗因素，故簡單將傳統(tǒng)的路徑距離設(shè)置為啟發(fā)信息不符合本文要求，將影響對最優(yōu)路徑策略的尋找。

車輛路徑行駛成本的變動成本考慮了電池損耗成本及車輛折舊費用、換電費用，從而綜合反映電池損耗和行駛距離的因素，而且在螞蟻路徑尋找過程中，客戶滿意度與需求盡快得到滿足的門店數(shù)量緊密相關(guān)。

為此，本文將車輛行駛路徑距離和門店配送量作為啟發(fā)信息引入到狀態(tài)轉(zhuǎn)移概率的計算公式中，令。在本文背景中，車輛每完成一個門店配送任務(wù)后都需要根據(jù)車輛的剩余電量來決定是繼續(xù)對門店進行配送還是前往換電站進行換電，故設(shè)置式（28）作為螞蟻狀態(tài)轉(zhuǎn)移規(guī)則。

allowed，={I-tabu，}表示螞蟻q位于客戶點i時接下來需進行配送的門店集合，tabu， 表示車輛q的路徑禁忌表， p;表示當(dāng)螞蟻q 在點i處時，離i點越近、門店配送量越少、信息素濃度越大的節(jié)點j越容易被選擇，T， 表示螞蟻在路徑（i，j） 上所釋放的信息素濃度，α的大小表示對每個結(jié)點上信息素重視的程度，β，y，δ的大小表示啟發(fā)信息受重視的程度。

2.3信息素更新策略

為有效防止算法求解陷入停滯，這時可使用下面信息素更新方法幫助算法跳出局部最優(yōu)解區(qū)間。對螞蟻所經(jīng)過的路徑實行信息素全局更新，并對各路徑上的信息素濃度設(shè)置最大最小限制。

信息素更新方式為r，（t+1）=（1-p）r，（I）+λ（t）A r， 其中△r為常數(shù)，參數(shù)p 表示信息素的揮發(fā)因子。

D（1）和S（I）表示第t次迭代的深度放電距離和顧客滿意度的最優(yōu)解， D.…和S 分別為前t-1次迭代中深度放電行駛總距離和總顧客滿意度的最優(yōu)解。

為了防止某些路徑上的信息素濃度過高而導(dǎo)致算法過早收斂或停滯不前。為避免此類問題，為路徑上的信息素濃度含量設(shè)置下界和上界 ，當(dāng)路徑（i，j） 上的信息素濃度Tggt;T 時，令Tg=T; 當(dāng) T;lt;T 時，令

2.4 改進蟻群算法的步驟

基于上述分析，本文所提出的改進式蟻群算法步驟如下。

stepl：初始化算法參數(shù)，構(gòu)建最初較優(yōu)解，初始化各節(jié)點之間全局信息素，設(shè)置最大迭代次數(shù)NC…和迭代次數(shù)變量 NC=0。

step2：讓每只螞蟻都從配送中心出發(fā)。

step3：按式（28）的轉(zhuǎn)移概率選擇下一個配送門店。

step4：判斷車輛約束條件。若所有可能門店節(jié)點的配送需求均不符合車輛約束，則返回配送中心，完成一只螞蟻的路徑構(gòu)造，轉(zhuǎn)step6;否則將此客戶加入到禁忌表中，轉(zhuǎn)step5。

step5：判斷車輛是否應(yīng)該進行換電。需換電則選擇距離最短的換電站進行換電，轉(zhuǎn)step3;否則轉(zhuǎn)step6。 step6：檢查禁忌表是否包含了所有門店，若沒有則轉(zhuǎn)step2;否則轉(zhuǎn)step7。

step7：計算當(dāng)前迭代得到的最優(yōu)配送方案的車輛運營總成本、深度放電總距離和顧客滿意度，將當(dāng)前解與算法執(zhí)行以來的最優(yōu)解進行比較，根據(jù)式（19）更新路徑上的信息素濃度，并記錄算法執(zhí)行以來最優(yōu)解為當(dāng)前最優(yōu)解。

step8：令NC=NC+1， 如果NC≤NC，" 轉(zhuǎn) step2， 否則循環(huán)結(jié)束，輸出算法記錄的最優(yōu)解。

3實證分析與算法驗證

3.1實證數(shù)據(jù)收集

為了驗證算法的有效性，本文再次采用快時尚品牌E品牌上海門店的某一周配送數(shù)據(jù)，并實地考察上海某物流配送商使用的配送電動車輛類型，獲得了表1的車輛貨廂具體參數(shù)以及表2的車輛行駛參數(shù)。相較于充電站建設(shè)速度快、數(shù)量多的特點，由于換電站建設(shè)成本高、各方面配套基礎(chǔ)設(shè)施多，早期國家未重視、缺少扶持政策等原因，目前換電行業(yè)的發(fā)展在中國還處于起步階段，而上海還沒有相關(guān)換電站設(shè)施，故從現(xiàn)實角度考慮，假設(shè)將當(dāng)前使用頻率較高的充電站位置作為換電站建設(shè)地址。

本文的實驗算例樣本由一個物流配送中心，5個換電站和25個客戶點組成，即1={1，2，…，25}， J={26，27，…，30}， 配送中心坐標(biāo)為（50，80），相關(guān)門店坐標(biāo)和相應(yīng)配送量如表3所示。配送車輛自重L?=3.1噸，最大載重負荷量L=1.2噸，衣服重量 w=2千克/件，裝滿衣服的箱子重量r=15千克， C，=350元輛， f=1 元/公里，c?=1.5元公里， c2=1.5元公里， e=0.4元/公里， t?=1元/千瓦時， t?=2元/千瓦時， s=0.40元/千瓦時。考慮到現(xiàn)實中城市配送車輛行駛速度一般較慢，變化不大，且在本文中速度不是決定變量，設(shè)置固定速度v=50千米/小時。基于文獻[13]的分析，設(shè)定CSI=8.4，CSI?=7.1，CSD=7.6。

數(shù)據(jù)來源：實地調(diào)研。

采用本文設(shè)計改進蟻群算法求解該快時尚品牌的最優(yōu)路徑方案，相關(guān)參數(shù)設(shè)置如下：α=1，β=2， y=3，σ=1，p=0.5，λ=1.8，T=1，θ=2，θ?=1.2，θ=0.8，θ=0.4，△r =1， 蟻群算法最大迭代次數(shù)NC=100， 螞蟻數(shù)量定為10。

3.2 算法正確性測試

在實驗所用硬件環(huán)境為Intel Processor 5Y10 CPU@0.80GHz，8.0GB內(nèi)存，64位Windows7操作系統(tǒng)的情況下應(yīng)用MATLAB 編程求解，編程計算得到如下結(jié)果：得到5條車輛路徑，車輛深度放電行駛距離為82.68km， 配送總成本為5256.44元，顧客滿意度為193.5，5輛車輛配送路徑規(guī)劃如圖1所示。由圖1可知，本研究的模型和算法是正確的，具體配送方案為：兩天內(nèi)從配送中心出發(fā)5輛車，車輛配送完成后均返回配送中心。第一天出發(fā)的第一輛車按順序為第4，21，12，24，6門店配貨，第二輛車為第7，8，20，19，16門店配貨，第三輛車為第13，18，11，9，17門店配貨；第二天的第一輛車路徑規(guī)劃為22，5， 2，26，10，15， 并需在26號換電站進行換電；第二輛車為3，14，1，28，25，23，并需在28號換電站進行換電。證明該模型與算法對于解決快時尚產(chǎn)品配送問題具有可行性，能夠應(yīng)對實際需求。

3.3算法有效性測試

將改進蟻群算法（A）、改進信息素更新策略的蟻群算法（B）、基本蟻群算法（C）進行對比，利用上述實證參數(shù)，各算法的最優(yōu)配送策略下的成本構(gòu)成如表4所示，算法運行后的對比結(jié)果如表5所示。

從各算法最優(yōu)配送策略的成本構(gòu)成上來看，相比于改進信息素更新策略的蟻群算法，雖然成本降低不明顯，但由于利用了 A*算法的全局搜索能力以及搜索速度快等優(yōu)勢，算法運行速度得到一定程度的提高，為以后快時尚公司應(yīng)用到城際運輸?shù)雀蠓秶姆b產(chǎn)品配送中去解決車輛路徑規(guī)劃問題打下良好基礎(chǔ)。相比于基本蟻群算法，不僅運營總成本明顯降低，而且電池損耗成本和換電成本的大幅度降低有助于提高電動車的使用率和環(huán)境保護，為將來擴大快時尚企業(yè)規(guī)模，增加零售店鋪，增加配送款式等提供可能性，同時，總體上降低供應(yīng)鏈上的運輸成本，有助于快時尚公司帶動供應(yīng)鏈其他企業(yè)協(xié)同發(fā)展。

從表4和表5的實驗結(jié)果來看，對于考慮深度放電損耗的快時尚產(chǎn)品電動車輛城市配送問題，本文的改進蟻群算法所規(guī)劃的路徑結(jié)果優(yōu)于改進信息素更新策略的蟻群算法、基本蟻群算法。相較于改進信息素更新策略的蟻群算法、基本蟻群算法，雖然運行時間相較于基礎(chǔ)蟻群算法增加了約40%，但均使用了5輛電動汽車，固定成本相同的情況下，車輛運營總成本分別減少了約2%、11%，電池損耗成本則減少了約9%、17%。這證明了改進蟻群算法的相對優(yōu)勢，該算法可以較好地解決考慮深度放電損耗的快時尚產(chǎn)品電動車輛城市的配送問題，從而驗證了本文提出的模型和算法對于提升快時尚產(chǎn)品的城市配送車輛路徑規(guī)劃的表現(xiàn)是有幫助的。

4結(jié)語

本文將換電服務(wù)作為車輛配送過程中的能耗補充方式，針對快時尚產(chǎn)品城市配送電動車輛路徑優(yōu)化問題建立了一個E- VRPBL模型。E-VRPBL 模式考慮車輛配送過程中深度放電下的電池損耗因素，要求盡可能減少深度放電情況下的電池損耗。此外，模型還考慮了顧客滿意度目標(biāo)，將其表示為與快時尚產(chǎn)品配送車輛配送到達門店時間和快時尚服裝款式相關(guān)的線性函數(shù)。

改進了蟻群算法的初始信息素設(shè)置以及路徑信息素更新方式，設(shè)計了求解E-VRPBL 模型的改進蟻群算法。將所提出的算法應(yīng)用于實證算例的求解，結(jié)果表明改進蟻群算法具有良好的求解性能和效率。E-VRPBL 模型考慮了車輛電池損耗，在減少了車輛運營成本的情況下，仍能順利完成配送任務(wù)，且沒有降低顧客滿意度，未來物流配送公司的決策者在規(guī)劃弱時效性行業(yè)的配送安排時要考慮車輛電池損耗因素，這是必不可少的。

參考文獻：

[1] MONTOYA A，GUERET C，MENDOZA J E，etal.The electric vehicle routing problem with nonlinear charging function [J].Transportation Research Part B，2017，103：87-110.

[2] FROGER A，MENDOZA JE，JABALI O，etal.Improved formulations and algorithmic components for the electric vehicle rouing problem with nonlinear charging functions[J].Computers and Operations Research，2019，104：256-294.

[3] PELLETIER S，JABALI O，LAPORTE G.The electric vehicle routing problem with energy consumption uncertainty[J]. Transportation Research Part B，2019，126：225-255.

[4] JIE Wanchen，YANGJun，ZHANGMin，etal.The two-echelon capacitated electric vehicle routing problem with battery swapping stations：Formulation and efficient methodology[J].European Journal of Operational Research，2019，272（3）：879-904.

[5] PELLETIER S，JABALI O，LAPORTE G.Charge scheduling for electric freight vehicles[J].Transportation Research Part B， 2018，115：246-269.

[6] BASSO R，KULCSAR B，EGARDT B，etal.Energy consumption estimation integrated into the electric vehicle routing problem[J].Transportation Research Part D，2019，69：141-167.

[7]方文婷，艾時鐘，王晴，等.基于混合蟻群算法的冷鏈物流配送路徑優(yōu)化研究[J].中國管理科學(xué)，2019，27（11）：107-115.

[8]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].計算機工程與應(yīng)用，2020，56（1）：224-231.

[9] REIL S，BORTFELDT A，MONCH L.Heuristics for vehicle routing problems with backhauls，timewindows，and 3D loading constraints[J].European Journal of Operational Research，2018，266（3）：877-894.

[10]GOEKE D，SCHNEIDER M.Routing a mixed fleet of electric and conventional vehicles [J].European Journal of Operational Research，2015，245：81-99.

[11]余良，秦虎.帶相容性約束的車輛路徑問題及其混合蟻群算法[J].重慶師范大學(xué)學(xué)報（自然科學(xué)版），2018，35（2）：1-9.

[12]唐慧玲，唐恒書，朱興亮.基于改進蟻群算法的低碳車輛路徑問題研究[J].中國管理科學(xué)，2021，1（1）：1-9.