摘 要：當(dāng)前，基于C2M模式的社區(qū)團(tuán)購(gòu)逐漸成為了人們生活中不可或缺的部分。社區(qū)團(tuán)購(gòu)配送模式中，多配送點(diǎn)對(duì)應(yīng)的多需求點(diǎn)問(wèn)題，會(huì)對(duì)配送時(shí)效性的要求更加嚴(yán)格。文章運(yùn)用改進(jìn)遺傳算法，以最短時(shí)間為優(yōu)化目標(biāo)，建立數(shù)學(xué)模型求解，最后結(jié)合算例對(duì)該問(wèn)題進(jìn)行仿真模擬。結(jié)果顯示，文章設(shè)計(jì)的基于改進(jìn)遺傳的算法可使社區(qū)團(tuán)購(gòu)配送模式的路徑實(shí)現(xiàn)最優(yōu)。

關(guān)鍵詞：社區(qū)團(tuán)購(gòu)；路徑優(yōu)化；遺傳算法

中圖分類號(hào)：F252.81 文獻(xiàn)標(biāo)志碼：A DOI：10.13714/j.cnki.1002-3100.2023.18.024

Abstract： At present， community group buying based on C2M mode has gradually become an indispensable part of people's life. In the community group buying delivery model， the problem of multiple delivery points corresponding to multiple demand points has stricter requirements for delivery timeliness. The paper uses an improved genetic algorithm to establish a mathematical model for solving the problem with the shortest time as the optimization objective. Finally， a numerical example is used to simulate the problem. The results show that the improved genetic algorithm designed in the paper can optimize the path of community group purchase delivery mode.

Key words： community group purchase; path optimization; genetic algorithm

收稿日期：2023-07-24

基金項(xiàng)目：廣州市哲學(xué)社科規(guī)劃項(xiàng)目“廣州加快低碳發(fā)展推動(dòng)綠色化轉(zhuǎn)型研究：‘雙碳’戰(zhàn)略下產(chǎn)業(yè)供應(yīng)鏈綠色低碳多重耦合協(xié)同演進(jìn)視角”（2022GZGJ85）

作者簡(jiǎn)介：張雪飛（1994—），男，遼寧錦州人，助教，碩士，研究方向：物流與供應(yīng)鏈管理；詹榮富（1975—），男，湖南衡陽(yáng)人，副教授，碩士，研究方向：物流與供應(yīng)鏈管理、區(qū)域經(jīng)濟(jì)；郭俊一（1993—），女，河南南陽(yáng)人，講師，碩士，研究方向：物流與供應(yīng)鏈管理。

引文格式：張雪飛，詹榮富，郭俊一．基于改進(jìn)遺傳算法的社區(qū)團(tuán)購(gòu)配送路徑優(yōu)化研究[J]．物流科技，2023，46（18）：89-94.

0" " 引" " 言

現(xiàn)金，網(wǎng)購(gòu)生鮮產(chǎn)品漸露頭角，但高成本與時(shí)間、人員限制等條件使個(gè)人生鮮網(wǎng)購(gòu)顯得過(guò)于奢侈。在這樣的背景下，基于C2M模式的社區(qū)團(tuán)購(gòu)大受歡迎。但鑒于社區(qū)零散的分布特征，且各個(gè)社區(qū)的需求量不固定，進(jìn)而造成了成本過(guò)高且無(wú)法滿足客戶需求的現(xiàn)狀，本文將針對(duì)該問(wèn)題，結(jié)合調(diào)研數(shù)據(jù)與所學(xué)知識(shí)，提出社區(qū)團(tuán)購(gòu)路徑的優(yōu)化方案。

C2M模式是一種通過(guò)在社區(qū)SNS平臺(tái)以及B2C平臺(tái)進(jìn)行操作的一種新的電子商務(wù)模式，同時(shí)也是依托社區(qū)和團(tuán)長(zhǎng)的社交關(guān)系實(shí)現(xiàn)生鮮商品流通的新零售模式。在C2M模式下，傳統(tǒng)企業(yè)即將進(jìn)入智能化個(gè)性生產(chǎn)模式，客戶可以根據(jù)自己的需求在工業(yè)互聯(lián)網(wǎng)平臺(tái)上發(fā)布自己的產(chǎn)品需求，也可以通過(guò)智能搜索，尋找到能夠加工自己產(chǎn)品的企業(yè)。

1" " 問(wèn)題描述

在社區(qū)團(tuán)購(gòu)模式中平臺(tái)、團(tuán)長(zhǎng)、消費(fèi)者這三個(gè)角色各自著承擔(dān)不同的職能。平臺(tái)負(fù)責(zé)基于小程序、公眾號(hào)的社區(qū)團(tuán)購(gòu)系統(tǒng)的開(kāi)發(fā)，供應(yīng)鏈管理及物流的配送，同時(shí)還具備招募與管理團(tuán)長(zhǎng)的職能；團(tuán)長(zhǎng)由社區(qū)業(yè)主、寶媽、店主承擔(dān)，負(fù)責(zé)日常社群的建立、維護(hù)，包括商品的篩選與分享，訂單的提交、商品的售后及收貨的分發(fā)。消費(fèi)者通過(guò)自提的方式取得下單商品，目前存在兩種自提形式，包括去團(tuán)長(zhǎng)處自行取得，或通過(guò)無(wú)接觸式設(shè)備取得，具體流程見(jiàn)圖1。

社區(qū)團(tuán)購(gòu)的配送模式主要有三種。第一種形式是供應(yīng)商分品類提前將足量貨品存入對(duì)應(yīng)的共享倉(cāng)（冷凍/冷藏/常溫/生鮮二次包裝倉(cāng)等），平臺(tái)當(dāng)日截單后，就近將售賣(mài)數(shù)量的貨品調(diào)撥到區(qū)域分發(fā)中心，分揀投線員在區(qū)域分發(fā)中心內(nèi)分揀到服務(wù)站，后采用干線運(yùn)輸?shù)姆绞綄⒇浧愤\(yùn)送到各服務(wù)站，站點(diǎn)負(fù)責(zé)方在服務(wù)站內(nèi)二次分揀到團(tuán)長(zhǎng)，再采用城配的方式配送到團(tuán)長(zhǎng)處，消費(fèi)者到團(tuán)長(zhǎng)處自提。第二種形式是供應(yīng)商分品類提前將足量貨品存入對(duì)應(yīng)的共享倉(cāng)，按照顧客的訂單，通過(guò)城市配送將貨物配送至服務(wù)點(diǎn)，消費(fèi)者到團(tuán)長(zhǎng)處自提。第三種形式是從供應(yīng)商共享倉(cāng)中，直接將貨物存放至無(wú)接觸式設(shè)備中，由消費(fèi)者自提即可完成交易[1]。

社區(qū)團(tuán)購(gòu)配送要求的時(shí)效性強(qiáng)，且具有確定的時(shí)間窗[2]。社區(qū)團(tuán)購(gòu)需要不斷縮短用戶下單到送達(dá)間的時(shí)間，才能滿足客戶的需求。然而從目前的發(fā)展來(lái)看，社區(qū)團(tuán)購(gòu)正處于起步階段，對(duì)路徑優(yōu)化的問(wèn)題鮮有研究。本文以增城區(qū)社區(qū)團(tuán)購(gòu)配送點(diǎn)為例，一號(hào)社區(qū)團(tuán)購(gòu)配送點(diǎn)距離增城三聯(lián)物流公司最遠(yuǎn)，期間的路徑均為小道，縱橫交錯(cuò)，交通環(huán)境比較復(fù)雜，沒(méi)有科學(xué)的方法來(lái)規(guī)劃路徑會(huì)使物流成本過(guò)高，物流時(shí)間較長(zhǎng)，從而造成不必要的損耗和風(fēng)險(xiǎn)。物流倉(cāng)庫(kù)的配送是由10個(gè)不同社區(qū)團(tuán)購(gòu)配送點(diǎn)共同配送，這就需要采用科學(xué)嚴(yán)謹(jǐn)?shù)姆椒▉?lái)規(guī)劃路徑，以減少不必要的損失，做到客戶與企業(yè)的共贏。

2" " 建立社區(qū)團(tuán)購(gòu)配送路徑模型

2.1" " 配送點(diǎn)坐標(biāo)選取

結(jié)合目前社區(qū)的團(tuán)購(gòu)現(xiàn)狀與配送點(diǎn)現(xiàn)狀，可以發(fā)現(xiàn)倉(cāng)庫(kù)到達(dá)配送點(diǎn)/需求點(diǎn)的路徑較為散亂，隨著人們線上購(gòu)物需求的日益增加，傳統(tǒng)線路逐漸難以承擔(dān)大量提高的運(yùn)輸需求，運(yùn)輸成本高，運(yùn)輸時(shí)間長(zhǎng)成為了重點(diǎn)問(wèn)題。相比起傳統(tǒng)路徑配送體系，遺傳算法通過(guò)迭代篩選模式，在固定車輛、配送點(diǎn)需求量等數(shù)據(jù)約束條件下，計(jì)算出了全局最優(yōu)解，針對(duì)目前的配送路徑進(jìn)行優(yōu)化，為傳統(tǒng)路徑提供新的運(yùn)輸路線，提高企業(yè)的管理效率。

2.2" " 數(shù)據(jù)收集與預(yù)處理

本文將選取增城區(qū)三聯(lián)物流倉(cāng)庫(kù)與10個(gè)需求點(diǎn)為研究對(duì)象，已知該區(qū)域有1個(gè)物流倉(cāng)庫(kù)，表1所列為配送點(diǎn)需求點(diǎn)的基本信息，其中包括配送點(diǎn)需求點(diǎn)的位置坐標(biāo)、時(shí)間窗、裝載時(shí)間、卸載時(shí)間以及需求數(shù)量等信息。

模型的建立以減少物流運(yùn)輸總時(shí)間為優(yōu)化目標(biāo)對(duì)物流運(yùn)輸環(huán)節(jié)進(jìn)行改善，通過(guò)設(shè)計(jì)遺傳算法對(duì)數(shù)學(xué)模型進(jìn)行求解，以找到最優(yōu)物流運(yùn)輸方案，減少物流運(yùn)輸?shù)目倳r(shí)間，實(shí)現(xiàn)準(zhǔn)時(shí)化的物流供應(yīng)，提高社區(qū)團(tuán)購(gòu)配送的工作效率。

本文結(jié)合實(shí)際生產(chǎn)情況并分析物品在運(yùn)輸過(guò)程中存在的主要問(wèn)題，對(duì)物流倉(cāng)庫(kù)物品從出庫(kù)運(yùn)輸?shù)脚渌忘c(diǎn)建立數(shù)學(xué)規(guī)劃模型，運(yùn)用MATLAB編程軟件來(lái)編寫(xiě)遺傳算法程序，在保證物流倉(cāng)庫(kù)不缺物流商品的前提下，以運(yùn)輸總時(shí)間最短為目標(biāo)。本文為方便問(wèn)題的研究對(duì)模型做出以下假設(shè)：

a.各需求點(diǎn)的位置坐標(biāo)、運(yùn)輸?shù)竭_(dá)時(shí)間以及物品需求量是已知的。

b.不考慮運(yùn)輸貨車在物流運(yùn)輸作業(yè)過(guò)程中出現(xiàn)的車輛碰撞和路徑?jīng)_突等外力因素，所有運(yùn)輸貨車的最大載重量、行駛速度和車輛類型均相同且運(yùn)輸貨車保持勻速行駛。

c.在每條物流配送路徑中，每個(gè)需求點(diǎn)都只有一輛運(yùn)輸貨車提供服務(wù)，不再由第二輛運(yùn)輸貨車提供服務(wù)，并且只有一輛運(yùn)輸貨車訪問(wèn)一次。

為了建立模型，涉及的變量及相關(guān)參數(shù)如下。

i，j：i，j∈V，V={0，1，...，n}表示需求點(diǎn)集合，當(dāng)i或j為0時(shí)，表示物流倉(cāng)庫(kù)；M：第M輛運(yùn)輸貨車編號(hào)M=（1，2，...，m）；tiM，tM：運(yùn)輸貨車小車M分別到達(dá)需求點(diǎn)i和需求點(diǎn)j的時(shí)間點(diǎn)；tei：運(yùn)輸貨車到達(dá)需求點(diǎn)的最早時(shí)間點(diǎn)；tli：運(yùn)輸貨車到達(dá)需求點(diǎn)i的最晚時(shí)間點(diǎn)；Gi：配送點(diǎn)需求點(diǎn)i所需要的裝載時(shí)間；Si：需求點(diǎn)i所需要的卸載時(shí)間；dij：需求點(diǎn)i和j之間的距離；v：運(yùn)輸貨車的平均行駛速度；Q：運(yùn)輸貨車的最大裝載量；qi：表示第i個(gè)需求點(diǎn)的需求量；xijM為決策變量，；yiM為決策變量，；ziM為決策變量，；tij：tij=，表示從需求點(diǎn)i到j(luò)的行駛時(shí)間。

本文所研究的物品運(yùn)輸總時(shí)間主要包括車輛的行駛時(shí)間、裝載時(shí)間以及卸載時(shí)間。以物品運(yùn)輸總時(shí)間最短建立數(shù)學(xué)模型如下。

目標(biāo)函數(shù)式（1）表示物品總運(yùn)輸時(shí)間最短；式（2）表示m輛運(yùn)輸貨車從物流倉(cāng)庫(kù)出發(fā)，為各需求點(diǎn)提供物品運(yùn)輸服務(wù)；式（3）表示每個(gè)需求點(diǎn)均由一輛車運(yùn)輸；式（4）和式（5）表示每個(gè)需求點(diǎn)有且只有一輛車提供一次運(yùn)輸服務(wù)；式（6）表示運(yùn)輸貨車從物流倉(cāng)庫(kù)出發(fā)，完成任務(wù)后返回物流倉(cāng)庫(kù)并且途中無(wú)缺貨現(xiàn)象；式（7）表示每條路徑上需求點(diǎn)所需物品量的總數(shù)不能超過(guò)運(yùn)輸貨車的容量限制；式（8）表示每個(gè)需求點(diǎn)離開(kāi)的車輛數(shù)量和到達(dá)的車輛數(shù)量保持一致；式（9）表示在同一條運(yùn)輸路徑上兩個(gè)連續(xù)的需求點(diǎn)之間，前一個(gè)配送點(diǎn)需求點(diǎn)車輛的到達(dá)時(shí)間不能超過(guò)后一個(gè)配送點(diǎn)需求點(diǎn)車輛的到達(dá)時(shí)間；式（10）表示車輛運(yùn)輸需求點(diǎn)的數(shù)目小于等于配送點(diǎn)的總數(shù)。

3" " 設(shè)計(jì)求解算法

3.1" " 遺傳算法

基于生物進(jìn)化論和自然選擇理論形成的遺傳算法，經(jīng)過(guò)不斷地發(fā)展逐漸得到了完善，所以算法中很多概念名詞都是仿照生物學(xué)上的概念命名的。表2簡(jiǎn)要介紹了生物學(xué)中遺傳概念與遺傳算法概念的對(duì)應(yīng)關(guān)系。遺傳算法遵循“適者生存、優(yōu)勝劣汰”的準(zhǔn)則，在進(jìn)化的過(guò)程中能夠確保種群的多樣性，使遺傳算法能夠在復(fù)雜的環(huán)境中進(jìn)行全局尋優(yōu)，提高算法的搜索能力[3]。

整個(gè)遺傳算法的求解過(guò)程就像生物界的自然進(jìn)化一樣，種群中的染色體不斷進(jìn)行優(yōu)化，產(chǎn)生的子代具有比父代更好的性能，更接近待求解問(wèn)題的結(jié)果，不斷循環(huán)下去直到算法收斂到最適應(yīng)環(huán)境的解[4]。遺傳算法的兼容性較強(qiáng)，能和其他多種智能優(yōu)化算法相結(jié)合，從而形成求解能力更強(qiáng)的混合優(yōu)化算法，可以不斷增強(qiáng)其解決實(shí)際問(wèn)題的能力從而得到更好的解。

3.2" " 改進(jìn)遺傳算法

3.2.1" " 染色體編碼和解碼

遺傳算法的求解過(guò)程完全模擬生物界中所有個(gè)體的自然選擇過(guò)程，因此，在求解問(wèn)題的過(guò)程中需將解轉(zhuǎn)化成可識(shí)別的染色體串。

由于筆者選取增城區(qū)作為調(diào)研對(duì)象，因此以下數(shù)據(jù)皆以調(diào)研數(shù)據(jù)為主，部分缺失數(shù)據(jù)以合理假設(shè)進(jìn)行填補(bǔ)。以所有社區(qū)團(tuán)購(gòu)配送點(diǎn)作為解的編碼方式，染色體中的每一個(gè)基因表示對(duì)應(yīng)的一個(gè)配送點(diǎn)，每條染色體表示所有配送點(diǎn)的一組運(yùn)輸路線[5]。把所有配送點(diǎn)按照數(shù)字的順序進(jìn)行編號(hào)，通過(guò)自然數(shù)編碼的方式將所有配送點(diǎn)按照求解問(wèn)題的約束條件分為不同的染色體。在解碼過(guò)程中，用編號(hào)0表示增城區(qū)三聯(lián)物流倉(cāng)庫(kù)，因?yàn)檫\(yùn)輸貨車從物流倉(cāng)庫(kù)出發(fā)，在完成物流服務(wù)后仍需回到三聯(lián)物流倉(cāng)庫(kù)中。在對(duì)遺傳算法進(jìn)行解碼時(shí)，0的數(shù)量要比物流倉(cāng)庫(kù)中運(yùn)行的最大車輛數(shù)多1，在染色體中插入代表物流倉(cāng)庫(kù)的0以劃分每一條子路徑。通過(guò)反復(fù)運(yùn)行該算法，選出符合約束條件的最優(yōu)解方案，確定物品運(yùn)輸車輛所服務(wù)的配送點(diǎn)和需求點(diǎn)的順序。通過(guò)這樣直接對(duì)配送點(diǎn)需求點(diǎn)進(jìn)行相關(guān)編碼，有利于求得問(wèn)題的最優(yōu)解。

3.2.2" " 初始化種群

遺傳算法區(qū)別于其他智能優(yōu)化求解算法的主要特征是它需要從一個(gè)初始種群開(kāi)始，根據(jù)一定的求解規(guī)則不斷迭代產(chǎn)生新的種群。遺傳算法后續(xù)的遺傳操作都是在這個(gè)初始種群的基礎(chǔ)上繼續(xù)進(jìn)行的，初始種群的好壞將直接影響求解的質(zhì)量，其中種群的數(shù)目表示種群規(guī)模的大小。

3.2.3" " 適應(yīng)度函數(shù)

種群中的每個(gè)個(gè)體都會(huì)影響可行解的優(yōu)劣，根據(jù)實(shí)際問(wèn)題對(duì)種群中的個(gè)體進(jìn)行評(píng)價(jià)就需要設(shè)計(jì)對(duì)應(yīng)的適應(yīng)度函數(shù)，以此來(lái)作為后續(xù)遺傳操作的依據(jù)，有利于求得最優(yōu)解[6]。當(dāng)種群中的個(gè)體適應(yīng)度函數(shù)值越高時(shí)，則該可行解就越接近最優(yōu)解。根據(jù)配送點(diǎn)需求點(diǎn)到達(dá)時(shí)間窗的要求，對(duì)車輛到達(dá)時(shí)間過(guò)早或者過(guò)晚的情況加以懲罰，相應(yīng)的懲罰函數(shù)如下：

3.2.4" " 選擇操作

本文將采取輪盤(pán)賭策略和最佳保留策略相結(jié)合的方式進(jìn)行選擇操作，輪盤(pán)賭選擇策略如圖2所示。若其中個(gè)體的值為i，其對(duì)應(yīng)的適應(yīng)度函數(shù)值為Fi，種群的大小用L表示，從而得到的個(gè)體在其中某次選擇操作中被選中的概率如式（12）所示。

在每次選擇操作過(guò)程中都會(huì)選出介于[0，1]區(qū)間的一個(gè)隨機(jī)數(shù)，為了能夠從種群中選擇出高質(zhì)量個(gè)體進(jìn)行接下來(lái)的交叉操作，需要進(jìn)行多次的選擇操作來(lái)獲取適應(yīng)度函數(shù)值較好的個(gè)體，并將選出的數(shù)值保留下來(lái)。輪盤(pán)賭選擇策略存在一定的局限性，由于該策略是從種群中隨機(jī)選擇個(gè)體，質(zhì)量最優(yōu)的個(gè)體有可能沒(méi)有被選擇。為了有效規(guī)避這種局限性，本文決定采用輪盤(pán)賭選擇策略和最佳保留策略相結(jié)合的模式，來(lái)提高種群的適應(yīng)性。在每次選擇策略的過(guò)程中讓適應(yīng)度函數(shù)值最大的個(gè)體有效保留到下一代種群中，從而讓該個(gè)體保留到最終結(jié)果中，確保種群朝著高質(zhì)量的方向發(fā)展，從而提高算法的尋優(yōu)能力和搜索效率。

3.2.5" " 交叉操作

在生物界的遺傳過(guò)程中，兩個(gè)不同染色體之間基因的交叉是非常關(guān)鍵的一步，能將不同染色體的優(yōu)秀基因遺傳到下一代中[7]。其設(shè)計(jì)方法對(duì)算法的尋優(yōu)能力和收斂速度有較大的影響，也是對(duì)遺傳算法進(jìn)行優(yōu)化最重要的環(huán)節(jié)。

3.2.6" " 變異操作

在生物學(xué)的遺傳過(guò)程中，基因可能會(huì)受外界環(huán)境的影響而產(chǎn)生變異。在遺傳算法求解的過(guò)程中進(jìn)行變異操作主要有兩個(gè)作用，一是增加算法的局部隨機(jī)搜索能力，使算法避免陷入局部最優(yōu)解；二是能夠提高求解的多樣性，規(guī)避過(guò)早收斂得到局部最優(yōu)解的現(xiàn)象。

3.2.7" " 終止條件

當(dāng)算法運(yùn)行到一定步數(shù)以后，計(jì)算結(jié)果將會(huì)收斂于一個(gè)近似最優(yōu)解的值。這時(shí)算法再繼續(xù)運(yùn)行也無(wú)法得出更好的結(jié)果了，此時(shí)運(yùn)算可以終止。終止條件一般可分為以下三種情況，第一種情況是在設(shè)計(jì)遺傳算法時(shí)，設(shè)置最大遺傳代數(shù)，當(dāng)算法經(jīng)過(guò)選擇、交叉和變異的遺傳操作產(chǎn)生的迭代次數(shù)超過(guò)了初始設(shè)置的最大遺傳代數(shù)，則算法停止運(yùn)行；第二種情況是運(yùn)行時(shí)間限制，在算法開(kāi)始時(shí)設(shè)置最長(zhǎng)運(yùn)行時(shí)間，當(dāng)運(yùn)行時(shí)間超過(guò)初始設(shè)定時(shí)間時(shí)，算法停止；第三種情況是種群中某個(gè)個(gè)體的解達(dá)到了算法的收斂條件，則停止尋優(yōu)得到最優(yōu)解。本文采用第一種情況作為算法的終止條件。圖3為本文所采用的遺傳算法的流程圖。

4" " 增城區(qū)社區(qū)團(tuán)購(gòu)配送點(diǎn)路徑優(yōu)化案例應(yīng)用

4.1" " 問(wèn)題背景

對(duì)三聯(lián)物流倉(cāng)庫(kù)10個(gè)配送點(diǎn)需求點(diǎn)的物品運(yùn)輸現(xiàn)狀進(jìn)行研究。由于不同的配送點(diǎn)對(duì)運(yùn)輸貨品的需求量不同，因此需要進(jìn)行不同的路徑優(yōu)化，同時(shí)配合有限的車輛資源進(jìn)行運(yùn)輸。圖4是三聯(lián)物流倉(cāng)庫(kù)的物流運(yùn)輸路徑方案，其中初始運(yùn)輸路徑的結(jié)果如表3和圖4所示。

查詢網(wǎng)上資料并結(jié)合分析三聯(lián)物流倉(cāng)庫(kù)的實(shí)際作業(yè)情況可知，其車輛的行駛速度為60km/h，假設(shè)出動(dòng)運(yùn)輸貨車4輛。在考慮需求時(shí)間窗和需求點(diǎn)需求量約束的前提條件下，結(jié)合研究問(wèn)題的實(shí)際情況，對(duì)運(yùn)行結(jié)果進(jìn)行分析。

根據(jù)以上數(shù)據(jù)統(tǒng)計(jì)的物品運(yùn)輸方案的相關(guān)信息，可以得出初始方案結(jié)果如下。

運(yùn)輸總時(shí)間：28.2+25.2+22.7=76.1（min）。

總行駛距離：28.3+27.4+25.6=81.4（km）。

4.2" " 遺傳算法改進(jìn)模型求解

在對(duì)已建立的社區(qū)團(tuán)購(gòu)路徑的優(yōu)化模型進(jìn)行分析后，綜合考慮作業(yè)過(guò)程中的各種約束條件并設(shè)計(jì)相應(yīng)的遺傳算法，并運(yùn)用MATLAB軟件對(duì)數(shù)學(xué)規(guī)劃模型進(jìn)行求解，再通過(guò)多次不斷地運(yùn)行MATLAB程序以及分析解的質(zhì)量和運(yùn)行效率，基本參數(shù)設(shè)置為：初始種群規(guī)模為50，染色體交叉的概率為0.8，變異的概率為0.2，最大迭代次數(shù)為200代，可以得出較好的結(jié)果。圖5表示評(píng)價(jià)函數(shù)的變化曲線，能夠證明該算法適合此類問(wèn)題的求解。圖6表示遺傳算法得到的最優(yōu)運(yùn)輸路徑方案。表4為最優(yōu)運(yùn)輸路徑的結(jié)果。

在通過(guò)遺傳算法求解后，經(jīng)統(tǒng)計(jì)得到的物品運(yùn)輸方案相關(guān)信息的記錄如下。

運(yùn)輸總時(shí)間：22.4+24.1+19.4=65.9（min）。

總行駛距離：25.3+27.3+24.5=77.1（km）。

分析統(tǒng)計(jì)數(shù)據(jù)可以得出，通過(guò)與初始物品運(yùn)輸方案相比較，在運(yùn)用遺傳算法進(jìn)行模型求解后，運(yùn)輸總時(shí)間由76.1min減少到了65.9min，減少了13.4%；總行駛距離由81.4公里減少到了77.1，減少了5.2%。新的物流運(yùn)輸路徑優(yōu)化方案減少了相關(guān)作業(yè)的時(shí)間和距離。

5" " 結(jié)" " 論

在科學(xué)技術(shù)與電子商務(wù)飛速發(fā)展的今天，快遞行業(yè)發(fā)展前景非常廣闊，社區(qū)團(tuán)購(gòu)也異軍突起。本文針對(duì)城市社區(qū)團(tuán)購(gòu)路徑的優(yōu)化問(wèn)題展開(kāi)研究，改進(jìn)跟不上需求增長(zhǎng)的傳統(tǒng)配送路徑，在綜合考慮物流配送中心及配送點(diǎn)需求點(diǎn)的坐標(biāo)位置、運(yùn)輸貨車路線、貨物需求量、卸貨用時(shí)、裝貨用時(shí)等因素的基礎(chǔ)上，設(shè)計(jì)車輛與物流倉(cāng)庫(kù)的優(yōu)化路線，從全局出發(fā)對(duì)物流資源進(jìn)行優(yōu)化配置，以運(yùn)輸距離，運(yùn)輸時(shí)間為優(yōu)化目標(biāo)，建立城市社區(qū)團(tuán)購(gòu)配送路徑的優(yōu)化配送模型，并通過(guò)增城區(qū)的實(shí)際案例進(jìn)行調(diào)研仿真實(shí)驗(yàn)，得到較好的實(shí)驗(yàn)分析結(jié)果。

參考文獻(xiàn)：

[1] 劉暢，姚建明．社區(qū)團(tuán)購(gòu)場(chǎng)景下供應(yīng)鏈末端配送資源整合優(yōu)化研究[J]．管理學(xué)報(bào)，2022，19（8）：1231-1239.

[2] 丁秋華，張世新．疫情影響下的社區(qū)團(tuán)購(gòu)線上推廣與線下服務(wù)整合與重塑[J]．商業(yè)經(jīng)濟(jì)研究，2022（11）：90-92.

[3] 賓厚，張路行，王素杰，等．基于改進(jìn)多目標(biāo)遺傳算法的農(nóng)村低碳物流配送路徑優(yōu)化[J]．中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，28（7）：224-237.

[4] 解永亮．基于混合蟻群的多溫區(qū)冷鏈物流配送路徑優(yōu)化算法[J]．沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2022，44（5）：552-557.

[5] 張思穎，陳寧，李延暉，等．低碳視角下城市冷鏈物流配送系統(tǒng)優(yōu)化決策研究[J]．工業(yè)工程與管理，2022，27（1）：56-64.

[6] 豆丹丹，李利英．基于社區(qū)團(tuán)購(gòu)的縣域生鮮農(nóng)產(chǎn)品流通體系優(yōu)化[J]．商業(yè)經(jīng)濟(jì)研究，2021（20）：135-138.

[7] 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(jì)算機(jī)工程與應(yīng)用，2020，56（1）：224-231.