摘要：文章針對(duì)物流配送中心的配送車輛在運(yùn)輸過程中的裝卸貨時(shí)長(zhǎng)、配送車輛行駛時(shí)長(zhǎng)以及車輛的裝載率等問題，構(gòu)建以配送中心的運(yùn)營(yíng)后成本為目標(biāo)的車貨匹配模型，在模型中考慮了裝卸貨時(shí)長(zhǎng)、車輛行駛時(shí)長(zhǎng)以及車輛的裝載率等現(xiàn)實(shí)因素，通過對(duì)該模型的求解為配送中心提供最優(yōu)匹配方案。該模型先將貨物的配送點(diǎn)進(jìn)行聚類，隨后通過對(duì)蟻群算法螞蟻選擇下一節(jié)點(diǎn)的概率公式進(jìn)行了改進(jìn)，將下一節(jié)點(diǎn)需要配送貨物的重量加入了考量，并采用了一種獎(jiǎng)懲機(jī)制用作蟻群算法信息素的更新策略和一種隨迭代次數(shù)而變化的信息素?fù)]發(fā)因子，用于提高傳統(tǒng)的蟻群算法的收斂速度。用于求解該車貨匹配模型。然后通過仿真實(shí)驗(yàn)驗(yàn)證模型和算法的有效性，為物流配送中心的車貨匹配提供了一個(gè)新的解決思路。

關(guān)鍵詞：車貨匹配；聚類；蟻群算法；信息素

中圖分類號(hào)： F49;U492.3" 文獻(xiàn)標(biāo)志碼： A"" DOI：10.13714/j.cnki.1002-3100.2023.20.012

Abstract： This article focuses on the issues of loading and unloading time， driving time， and loading rate of distribution vehiclesl in logistics distribution centers during transportation. A vehicle cargo matching model is constructed with the goal of post-operationall costs of the distribution center. The model takes into account practical factors such as loading and unloading time， vehicle drivingl time， and vehicle loading rate. By solving the model， the optimal matching scheme is provided for the distribution center. Thel model first clusters the distribution points of goods， and then improves the probability formula of ant colony algorithm ants selectingl the next node， taking into account the weight of goods to be distributed at the next node， and uses a reward and punishmentl mechanism as a new strategy of ant colony algorithm pheromone and a pheromone volatilization factor that changes with the numberl of iterations to improve the convergence speed of traditional ant colony algorithm and to solve the vehicle cargo matching model. Then， the effectiveness of the model and algorithm was verified through simulation experiments， providing a new solution for thel vehicle cargo matching in logisties distribution centers.

Key words： vehicle cargo matching; clustering; ant colony algorithm; pheromone

0引言

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展，越來(lái)越多的企業(yè)開始著眼于物流運(yùn)輸領(lǐng)域的發(fā)展，以滿足不斷增長(zhǎng)的物流需求。商品、服務(wù)和信息的流通速度也在不斷提升，這對(duì)于快速、準(zhǔn)確地滿足消費(fèi)者需求至關(guān)重要。而車貨匹配作為物流行業(yè)中的重要環(huán)節(jié)，直接關(guān)系到物流成本和服務(wù)質(zhì)量，是物流運(yùn)作中不可或缺的一部分。

車貨匹配問題是一個(gè)NP-hard 問題，它具有很高的復(fù)雜度。它需要考慮多種因素，如貨物的重量、體積、數(shù)量，車輛的載重、運(yùn)輸速度、行駛路線等。不同的貨主和運(yùn)輸公司對(duì)于物流服務(wù)的需求也存在差異，需要根據(jù)實(shí)際情況進(jìn)行匹配。除此之外，車貨匹配還需要考慮到實(shí)際運(yùn)營(yíng)的情況。求解難度大，用于求解該問題的算法的優(yōu)劣也將直接影響求解的優(yōu)劣和效率。為了更好地求解車貨匹配問題，研究者們提出了多種算法和模型。

文獻(xiàn)[1]綜合考慮了車輛和貨物的不同屬性對(duì)匹配方案的影響，提出了一種基于車輛和貨物屬性的“一對(duì)多”車輛和貨物匹配模型，在滿足每輛車重量限制的情況下獲得最高的整體利潤(rùn)。文獻(xiàn)[2]將車貨匹配度定義為屬性匹配度和環(huán)境影響度兩部分，并通過AHP （層次分析法）方法量化兩者的重要性，并將車輛、貨物、匹配組合和時(shí)間映射到貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)來(lái)構(gòu)建靜態(tài)貝葉斯網(wǎng)絡(luò)和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，提出了IDBN的求解算法。文獻(xiàn)[3]建立了貨物運(yùn)輸020平臺(tái)的車輛路徑模型。將傳統(tǒng)車輛路徑問題中車輛來(lái)源的差異，以及貨主提貨點(diǎn)和交貨點(diǎn)之間的一一對(duì)應(yīng)關(guān)系，將半開放、多個(gè)倉(cāng)庫(kù)、多車輛類型、起訖點(diǎn)對(duì)、裝載限制和軟時(shí)間窗約束等約束條件引入所提模型并用一種改進(jìn)遺傳算法作為求解工具。文獻(xiàn)[4]研究開發(fā)并評(píng)估了在車輛貨物匹配（VCM）平臺(tái)上聯(lián)合使用改進(jìn)方法對(duì)卡車和貨物進(jìn)行配對(duì)。文獻(xiàn)[5]將車貨匹配問題轉(zhuǎn)為雙重序列決策問題，提出高效算法。構(gòu)建數(shù)學(xué)模型，抽象成雙重序列決策，應(yīng)用雙重指針網(wǎng)絡(luò)算法求解。文獻(xiàn)[6]在分析車貨匹配參與方需求基礎(chǔ)上，建立了多目標(biāo)優(yōu)化模型，目標(biāo)包括最大化送達(dá)時(shí)效滿意度、最小化運(yùn)輸成本和最大化平臺(tái)收益。采用改進(jìn)的帶精英保留策略的快速非支配排序遺傳算法，引入精英選擇系數(shù)增加種群多樣性，結(jié)合自適應(yīng)思想調(diào)整迭代過程中的交叉變異概率。文獻(xiàn)[7]從多車零擔(dān)配送過程中裝卸環(huán)節(jié)對(duì)配送影響的角度出發(fā)，研究了裝箱組合問題。在確保車輛容積和載重滿足要求的前提下，采用聚類算法，并根據(jù)配送目的地之間的相對(duì)距離對(duì)貨物進(jìn)行組合配送。文獻(xiàn)[8]將公有區(qū)塊鏈的相關(guān)技術(shù)運(yùn)用到車貨匹配系統(tǒng)的交易過程，并通過數(shù)據(jù)模擬了在車貨匹配平臺(tái)中進(jìn)行的一次全過程交易。

研究者們采用了不同的方法對(duì)車貨匹配問題進(jìn)行了研究，不僅提高了車輛和貨物匹配的效率，還為物流企業(yè)提供了理論參考?？傮w來(lái)看，發(fā)現(xiàn)車貨匹配的研究難點(diǎn)主要在于如何建立高效的匹配模型和匹配算法，同時(shí)兼顧運(yùn)輸成本和運(yùn)輸效率的優(yōu)化，解決實(shí)時(shí)匹配的問題，提高匹配的準(zhǔn)確性和效率等方面。而當(dāng)下眾多研究集中在物流信息平臺(tái)上，主要聚焦于技術(shù)架構(gòu)和商業(yè)運(yùn)營(yíng)等領(lǐng)域，平臺(tái)核心的車貨匹配業(yè)務(wù)方面的探討相對(duì)較少。特別是目前車貨匹配研究主要聚焦在物流配送、貨物運(yùn)輸、整車運(yùn)輸和城市配送等領(lǐng)域，對(duì)于配送中心的末端配送研究較少，且考慮因素大多也較為簡(jiǎn)略。大部分研究實(shí)際應(yīng)用效果并不明顯，存在著與實(shí)際情況的脫節(jié)，這一方面可能與模型構(gòu)建不足和算法設(shè)計(jì)的不夠成熟有關(guān)。因此本文針對(duì)配送中心現(xiàn)存的問題進(jìn)行分析，從而提出一種基于聚類與改進(jìn)蟻群搜索的車貨匹配方法。

1模型構(gòu)建

1.1問題描述

本文研究單個(gè)配送中心向多地點(diǎn)進(jìn)行貨物配送，因其具有分散性、差異性和多樣性等特點(diǎn)，這種配送存在大量的人工裝卸、高裝卸成本、高耗時(shí)、對(duì)司機(jī)身體素質(zhì)考驗(yàn)大以及貨損等問題。卸貨順序很大程度上會(huì)影響車輛行駛路線，因此針對(duì)這種情況下的車貨匹配應(yīng)綜合考慮卸貨順序和裝載率等因素，制定合理送貨路線，提高效率降低成本。當(dāng)下的物流中心配送區(qū)域性較強(qiáng)、交通條件較好，運(yùn)輸里程相較于其他物流運(yùn)輸短，特別是在當(dāng)下新能源汽車在物流行業(yè)中應(yīng)用廣泛。配送過程中可以不用太過關(guān)注單次配送的里程對(duì)用車成本的影響問題，應(yīng)著重關(guān)注裝載率、裝卸時(shí)長(zhǎng)等因素，針對(duì)以上情況，本文構(gòu)建了一個(gè)考慮集中送貨的車貨匹配模型，該模型先將貨物的配送點(diǎn)用DBSCAN聚類算法“進(jìn)行聚類，然后再將聚類的結(jié)果合理地分配到各配送車輛。在該模型中，司機(jī)在選擇下一個(gè)配送點(diǎn)時(shí)更加具有靈活性，因?yàn)樗麄儾恍枰ㄙM(fèi)太多時(shí)間在往返路程上，這可以減少總里程和提高司機(jī)靈活性。

1.2模型假設(shè)

為了方便構(gòu)建數(shù)據(jù)模型，針對(duì)上述問題作出如下假設(shè)：貨物均可以混裝；每個(gè)貨物的體積和重量都小于單臺(tái)貨物的載重和容積；待匹配車輛的運(yùn)輸能力等性質(zhì)已知；待匹配貨物的運(yùn)輸需求等性質(zhì)已知；待匹配貨物的出發(fā)地和目的地均在待匹配車輛的行駛能力范圍內(nèi)；過程中除了要考慮配送車輛的載重和容積的限制還要考慮裝卸貨的順序；某單個(gè)配送中心有若干件待配送的貨物；配送中心有配送中心所屬車輛若干，社會(huì)車輛若干；要求將這批貨物在當(dāng)日配送完畢。

1.3模型參數(shù)及變量的定義

本文模型構(gòu)建需要的參數(shù)說明如表1所示。

假設(shè)某貨物物流平臺(tái)有p輛待匹配的車輛，記車輛集合C={c?，c?，…，c，}， 每輛貨車c，的最大載重為W， 最大容積為;有；個(gè)待匹配的貨物，記貨物集合G={G，G?，…，G，…，G}，" 記貨物i與貨物j配送目的地之間的距離為d， 記車輛c，和貨物i之間的一個(gè)匹配關(guān)系為X。

由所有匹配關(guān)系X 構(gòu)成的p行j列的矩陣為車貨匹配問題的一個(gè)匹配方案，即為問題的一個(gè)解，記作

的第p 行向量表示車輛c，的匹配方案，第j列向量表示貨物；的匹配方案。

從上文的問題分析中可知，對(duì)于這一問題，我們?cè)谲囏浧ヅ溥^程中，要盡可能使匹配方案中的貨物集中，可對(duì)貨物的配送點(diǎn)進(jìn)行聚類，本文采取DBSCAN聚類，聚類后，原貨物集合G則可表示為g={gy，g?，…，g}。其中g(shù).表示聚類后的某一個(gè)簇，根據(jù)DBSCDN聚類的規(guī)則，將輸出的每一個(gè)噪聲點(diǎn)都當(dāng)作一個(gè)簇，則該簇中可能有多個(gè)配送點(diǎn)或者只有一個(gè)配送點(diǎn)，并計(jì)算含有多個(gè)貨物點(diǎn)的簇中心坐標(biāo)。

對(duì)于某一輛車，其裝載率（ZR）， 這里定義滿載為1，其計(jì)算公式如下。

而對(duì)于某一匹配方案S的裝載率（SZR）為所有貨車的裝載率之和與匹配關(guān)系之和的比，具體計(jì)算公式如下。

通過上文的分析，對(duì)于某一配送車輛，因?yàn)槠渑渌拓浳锏木奂潭容^高，在配送的過程中可以忽略其裝卸時(shí)間對(duì)車輛配送時(shí)長(zhǎng)的影響，可將時(shí)長(zhǎng)問題簡(jiǎn)化為僅考慮車輛的行駛時(shí)長(zhǎng)。則有，某一車輛的行駛時(shí)長(zhǎng)！公式為：

某一方案的行駛時(shí)長(zhǎng)為St，，

1.4 模型建立

本節(jié)以降低物流配送中心車貨匹配的運(yùn)營(yíng)成本作為主要研究方向，通過上文的分析，本節(jié)主要就配送中心配送車次、配送車輛的行駛時(shí)長(zhǎng)以及配送車輛的裝載率來(lái)衡量配送中心的運(yùn)營(yíng)成本。以配送中心發(fā)出車次最少、配送車輛的行駛時(shí)長(zhǎng)最短和配送車輛的最大裝載率作為目標(biāo)。設(shè)一共可供選擇的方案?jìng)€(gè)數(shù)有n個(gè)。優(yōu)化目標(biāo)為最小化車次乙、最少配送時(shí)長(zhǎng)Z?和最大化裝載率Z， 模型如式（6）—（17） 所示。

在模型的約束條件中，式（8）和式（9）表示在匹配的過程中，將聚類簇當(dāng)成一個(gè)配送點(diǎn)進(jìn)行匹配，該簇中的所有貨物的體積和重量不能超過當(dāng)前車輛的剩余載重和容積。式（10）表示對(duì)于每一輛貨車，所裝載的貨物的總質(zhì)量，不超過貨車的額定載重；式（11）表示對(duì)于每一輛貨車，所裝載的貨物的總體積，不超過貨車的額定容積。式（12）表示所有貨物必須裝載完畢。式（13）和（14）表示車輛合并到不能合并為止，即任意兩臺(tái)車無(wú)法繼續(xù)合并，任意車輛cn、C 貨物合并后其裝載貨物的體積不超過c 、Cz的額定容積或者額定載重。式（15）表示納入車貨匹配的車輛必須在調(diào)度中心的可調(diào)度范圍之內(nèi)。式（16）表示每一貨物只能裝入一輛車。

2算法設(shè)計(jì)

2.1算法選擇分析

結(jié)合本文提出的車貨匹配模型的特點(diǎn)選取蟻群算法（AOC）作為模型求解的基礎(chǔ)算法，并在算法信息素的更新過程中提出了一種獎(jiǎng)懲機(jī)制來(lái)對(duì)其進(jìn)行優(yōu)化。

蟻群算法（AOC）四的基本思想是利用信息素來(lái)引導(dǎo)螞蟻選擇路徑，從而找到優(yōu)化問題的最優(yōu)解。螞蟻尋找食物的行為是蟻群算法的基礎(chǔ)。螞蟻在搜索過程中會(huì)根據(jù)環(huán)境中的信息素強(qiáng)度做出決策，同時(shí)在其行走的路徑上釋放信息素，從而影響其他螞蟻的選擇。信息素的強(qiáng)度會(huì)根據(jù)路徑的優(yōu)劣進(jìn)行更新，使得經(jīng)過優(yōu)質(zhì)路徑的信息素強(qiáng)度增加，從而吸引更多螞蟻?zhàn)咄瑯拥穆窂健?/p>

2.2傳統(tǒng)的蟻群算法

蟻群算法的基本思想是利用信息素來(lái)引導(dǎo)螞蟻選擇路徑，在t 時(shí)刻螞蟻k從節(jié)點(diǎn)i轉(zhuǎn)移到節(jié)點(diǎn)j的概率為

其中， r（t） 為信息素濃度；α為信息素啟發(fā)因子，β為期望啟發(fā)因子，η，=1/d， 為啟發(fā)信息，d， 為路徑長(zhǎng)度。η，為城市i到城市j的啟發(fā)式因子； allowed.為螞蟻k下一步被允許訪問的節(jié)點(diǎn)集合。

螞蟻會(huì)在行走的路徑上釋放信息素，從而影響其他螞蟻的選擇，因此需要對(duì)信息素進(jìn)行更新，更新公式如下。

式中，p 為信息素?fù)]發(fā)因子，△r（t） 為螞蟻的信息素的整量，m為螞蟻數(shù)量，式中Q為常量表示信息素的強(qiáng)度，△r（t） 為第k只螞蟻的信息素整量，L?為螞蟻在本次迭代中所走過的路徑長(zhǎng)度。

2.2算法改進(jìn)策略

2.2.1選擇概率改進(jìn)

在配送中心配送貨物的過程中，一般來(lái)說車輛都是從配送中心出發(fā)，配送完貨物之后再回到配送中心，所以在用蟻群算法對(duì)其進(jìn)行求解的時(shí)候，不能簡(jiǎn)單地直接用歐式距離求解當(dāng)前時(shí)刻的位置到終點(diǎn)的距離。同時(shí)，配送的時(shí)候僅僅考慮距離問題是遠(yuǎn)遠(yuǎn)不夠的，因?yàn)楫?dāng)前配送點(diǎn)距離接下來(lái)的兩個(gè)配送點(diǎn)距離相同或接近，出于對(duì)車輛節(jié)能的考慮，應(yīng)當(dāng)先派送較重的貨物。故此，本文將蟻群算法的選擇概率進(jìn)行了改進(jìn)，公式如下。

μ、λ是對(duì)傳統(tǒng)蟻群算法中螞蟻k在t 時(shí)刻選擇下一個(gè)節(jié)點(diǎn)的概率和考慮下一個(gè)節(jié)點(diǎn)貨物重量的影響設(shè)置的權(quán)重，滿足μ+λ=1。p（（t） 是綜合考慮后螞蟻選擇下一個(gè)節(jié)點(diǎn)的概率，p（t） 是僅考慮貨物的總量從而選擇下一個(gè)節(jié)點(diǎn)的概率。m，表示下一個(gè)節(jié)點(diǎn)j的待配送貨物的重量， W 為配送車輛的額定載重。

2.2.2改進(jìn)信息素更新策略

為了改善蟻群算法的收斂速度，本文提出了一種獎(jiǎng)懲機(jī)制來(lái)更新路徑上的信息素。具體來(lái)說，我們采用獎(jiǎng)勵(lì)措施來(lái)增加最優(yōu)路徑上的信息素，同時(shí)采取懲罰措施來(lái)減少最差路徑上的信息素。這種方法可以加速算法的收斂速度。其信息素更新策略公式如下。

其中，L?、L%分別為當(dāng)前迭代中最優(yōu)路徑和最差路徑的長(zhǎng)度， L，為當(dāng)前迭代的第k只螞蟻?zhàn)哌^的路徑長(zhǎng)度，Q為常量。

2.2.3改進(jìn)信息素?fù)]發(fā)因子

因?yàn)槁窂揭?guī)劃具有特殊性，所以在不同的階段中，需要采用不同的信息素?fù)]發(fā)因子p的取值。如果p 取值過大，會(huì)導(dǎo)致路徑上的信息素?fù)]發(fā)過快，從而不利于算法的收斂。相反，如果信息素長(zhǎng)時(shí)間積累，算法則可能會(huì)陷入局部最優(yōu)解。因此，本文采用一種動(dòng)態(tài)調(diào)整的方法來(lái)改進(jìn)p 的取值。在算法的初始階段，設(shè)定一個(gè)較大的p 值，以擴(kuò)大搜索范圍；在后續(xù)的迭代中，則采用不斷減小p 的方式，以加快算法的收斂速度。改進(jìn)公式如下。

其中， p…為信息素?fù)]發(fā)因子的最小值，N為當(dāng)前迭代， N.為最大迭代數(shù)。

2.3算法步驟

改進(jìn)的蟻群算法具體步驟如下，算法流程如圖1所示。

Stepl：初始化算法中的各個(gè)參數(shù)。

Step2：將所有螞蟻置于起點(diǎn)，并將該點(diǎn)加入禁忌表。

Step3：利用式（21）計(jì)算轉(zhuǎn)移轉(zhuǎn)態(tài)概率，并選擇下一個(gè)節(jié)點(diǎn)，如果該節(jié)點(diǎn)滿足模型Z?、Z?、Z，約束條件，則選擇，并將該節(jié)點(diǎn)加入禁忌表，反之不選。并記錄每只螞蟻?zhàn)叩穆窂絃。

Step4：計(jì)算本次迭代的最優(yōu)解，并對(duì)在對(duì)應(yīng)的匹配矩陣中的X;賦值為X，=1， 得到第n次迭代中第a 個(gè)螞蟻的匹配方案，若優(yōu)于歷次迭代，則替代當(dāng)前的最優(yōu)解。

Step5：按照式（23）更新路徑的信息素，按照式（25）更新信息素?fù)]發(fā)系數(shù)。

Step6：判斷是否達(dá)到最大迭代次數(shù)，若是，輸出最優(yōu)解。若否，返回Step2。

Step7：輸出匹配方案。

3實(shí)驗(yàn)分析

3.1實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)的運(yùn)行環(huán)境為Windows10操作系統(tǒng)、CPU3.3GHz、內(nèi)存12GB， 使用python的sklearn對(duì)上文提到的車貨匹配模型進(jìn)行仿真求解。本文選取一個(gè)配送中心，共有配送車輛5輛，每輛車的信息如表2所示，有50件不同的待配送的貨物，由于數(shù)據(jù)較多，只展示部分?jǐn)?shù)據(jù)如表3所示。算法參數(shù)設(shè)置如表4所示。

送貨地點(diǎn)分布如圖2所示，中心位置點(diǎn)為配送中心所在位置。

3.3結(jié)果分析

首先聚類結(jié)果如圖3所示。

圖中黑色點(diǎn)表示聚類輸出的噪聲點(diǎn)，即在該配送點(diǎn)附近，沒有與之集中的貨物。根據(jù)算法步驟的設(shè)計(jì)，使用改進(jìn)的蟻群算法對(duì)其進(jìn)行求解，得出最優(yōu)匹配方案，匹配結(jié)果如表5所示。

為了驗(yàn)證模型和改進(jìn)的AOC算法的有效性，選取標(biāo)準(zhǔn)的蟻群算法和遺傳算法與本文提出改進(jìn)的算法進(jìn)行對(duì)比。算法迭代對(duì)比如圖4所示。

各算法計(jì)算的匹配方案配送貨物的車輛行駛時(shí)長(zhǎng)、車次、裝載率見表6，行駛時(shí)長(zhǎng)與裝載率對(duì)比如圖5所示。

由以上可知，相較于遺傳算法和傳統(tǒng)的蟻群算法，在改進(jìn)的蟻群算法求解出的匹配方案中，每輛貨車的裝載率更高、配送總路徑在保證裝載率的同時(shí)也相對(duì)更短，配送車輛的行駛時(shí)長(zhǎng)也較短。

3.3.1匹配結(jié)果分析

如表5所示，改進(jìn)蟻群算法求解該問題，從匹配結(jié)果來(lái)看，每輛車的裝載率足夠大，同時(shí)通過貨物的配送順序以及貨物的分布圖，也可直觀地看到，在配送過程中，距離當(dāng)前配送點(diǎn)相近的配送點(diǎn)之間的配送順序是先配送重量大的貨物，由此可知，算法的改進(jìn)是有效的。

3.3.2收斂分析

圖4為三種算法求解該模型的收斂對(duì)比圖，由此可以看出，本文采用的隨迭代次數(shù)自適應(yīng)變化的放大系數(shù)，在求解該問題時(shí)，相較于遺傳算法、傳統(tǒng)的蟻群算法有良好的效果。算法的收斂速度較之更快。

4結(jié)語(yǔ)

本文以城鄉(xiāng)配送中心車輛的配送行駛時(shí)長(zhǎng)、車輛的裝載率以及配送中心發(fā)出的車次為優(yōu)化目標(biāo)，提出了一種基于城鄉(xiāng)配送中心的車貨匹配模型，進(jìn)而提出了一種基于聚類與改進(jìn)蟻群搜索的車貨匹配方法，將聚類的思想和蟻群算法相結(jié)合，并對(duì)螞蟻選擇下一節(jié)點(diǎn)的概率公式做了改進(jìn)，將下一節(jié)點(diǎn)需要配送貨物的重量加入了考量，并采用了一種獎(jiǎng)懲機(jī)制用作蟻群算法信息素的更新策略和一種隨迭代次數(shù)而變化的信息素?fù)]發(fā)因子，用于提高傳統(tǒng)的蟻群算法的收斂速度，在很大程度上增加了螞蟻選擇最優(yōu)路徑的可能性。算法后期，可以減小啟發(fā)信息帶來(lái)的影響，有效避免了局部最優(yōu)情況的發(fā)生。

實(shí)驗(yàn)結(jié)果表明，本文提出的基于聚類改進(jìn)蟻群搜索的車貨匹配方法擁有良好的求解效率，同時(shí)能夠得到比傳統(tǒng)的蟻群算法更優(yōu)的匹配方案，能夠在節(jié)約配送成本的基礎(chǔ)上，提高配送中心的配送效率。并為配送中心的車貨匹配業(yè)務(wù)提供了技術(shù)支撐。

參考文獻(xiàn)：

[1] HE Xinyun，ZHANGYuan，LEZhu，etal.Research on \"one-to-many\"vehicle and cargo matching optimization problem based on improved genetic algorithm[C]/20227th International Conference on Intelligent Information Technology.NewYork：Association for Computing Machinery，2022：7-15.

[2] TIAN Ran，WANGChu，MAZhongyu，etal.Research on vehicle-cargo matching algorithm based on improved dynamic Bayesian network[J/OL].Computers amp;Industrial Engineering，2022，168.[2023-02-23].https：//doi.org/10.1016/j.cie.2022.108039.

[3] LIU M L，ZHANG C，WU Q L，etal.Vehicle routing problem with soft time windows of cargo transport O20 platforms[J].International Journal of Simulation Modelling，2021，20（2）：351-362.

[4] ZHONG Jiuwu，YANGZhaojun，SUNJun.A hybrid approach with joint use of tag and rating for vehicle and cargo matching [C]/2021 IEEE International Conference on Industrial Engineering and Engineering Management （IEEM）.IEEE，2021：1397-1401.

[5]蔡岳，王恩良，孫哲，等.基于雙重指針網(wǎng)絡(luò)的車貨匹配雙重序列決策研究[J].計(jì)算機(jī)科學(xué)，2022，49（S2）：111-119.

[6]倪少權(quán)，羅軒，肖斌.考慮三方利益的車貨匹配優(yōu)化[J].西南交通大學(xué)學(xué)報(bào)，2023，58（1）：48-57.

[7]田攀，傅世勇，王紅蕾.城市配送的零擔(dān)車貨匹配問題研究[J].科技資訊，2020，18（29）：222-227.

[8] 王維祺，葉春明.區(qū)塊鏈技術(shù)在車貨匹配平臺(tái)上的應(yīng)用[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（11）：72-78.

[9] ESTER M，KRIEGEL H P，SANDER J，etal.A density based algorithm for discovering clusters in large spatial databases with noise[C]/Proceeding of the 2nd the International Conference on Knowledge Discovery and Data Mining.Portland： AAAI Press，1996，226：231.

[10]DORIGO M，GAMBARDELLA L M.Ant colony system：A cooperative learning approach to the traveling salesman problem J].IEEE Transactions on evolutionary computation，1997，1（1）：53-66.