文/陳克瑩

1.跨境電子商務(wù)配送路線優(yōu)化

1.1 建立混合“集裝箱-快遞”物流需求回歸模型

構(gòu)建混合“集裝箱-快遞”物流需求的多元回歸模型，對跨境電子商務(wù)物流需求量的影響因素進行分析。經(jīng)過對于數(shù)據(jù)的提取與分析，獲得因變量與自變量之間的關(guān)系，并推測出影響變量的數(shù)據(jù)。在模型構(gòu)建過程中，通過分析兩個變量之間的關(guān)系，計算物流需求量，合理安排物流線路和運營[1]。同時，根據(jù)對于混合“集裝箱-快遞”物流需求，對其影響因素進行分析后得到跨境電子商務(wù)物流規(guī)模數(shù)據(jù)。設(shè)定自變量經(jīng)濟指標(biāo)為X，隨機變量為Y，回歸模型表示為：

公式中：δ 為回歸參數(shù)；δ 為隨機誤差。通過模型計算得到對應(yīng)的樣本數(shù)據(jù)，并形成對應(yīng)矩陣。將需求分析運用SPD軟件對數(shù)據(jù)進行提取，將初始數(shù)據(jù)進行歸一化處理后，對變量之間的參數(shù)關(guān)系進行分析。對模型進行擬合度檢驗，設(shè)定修正系數(shù)為R。經(jīng)過計算估計樣本的回歸方程，并得到擬合樣本的觀測值。設(shè)定樣本數(shù)據(jù)為原始序列，將原始序列進行累積，得到新的序列。并對累積的序列進行平滑處理。運用最小二乘法對參數(shù)矩陣的值進行計算，得到參數(shù)值為x，y，將兩個值代入序列中進行還原，得到預(yù)測函數(shù)[2]。根據(jù)預(yù)測函數(shù)計算模型的相對殘差值。比較殘差值與模型的精度誤差，判斷預(yù)測模型是否符合預(yù)測精度。將得到GM（1,1）預(yù)測模型中的w設(shè)定為組合權(quán)重系數(shù)。計算權(quán)重后進行比較，獲得模型的平均絕對誤差，以此來判斷混合“集裝箱-快遞”物流需求模型預(yù)測效果。

1.2 節(jié)約里程法計算最短距離優(yōu)化配送路線

設(shè)定物流配送車輛在起始點進行配貨，在完成后按照路線返回配送中心O。在路線中存在N個配送站點并規(guī)劃出n條起始線路[3]。選擇所有行駛路徑，并根據(jù)不同行駛路徑長度，按照順序?qū)⑦\輸問題中的回路設(shè)定為（0，…，i，0）和（0，…，j，0）。將兩個回路進行合并生成一個新的回路為（0，…，i，j，…，0），組合后得到新的車輛運輸路徑，并記錄相應(yīng)的距離變化。如果組合后的車輛總行駛距離較短，將與原有路徑之間的差值作為節(jié)約距離。計算獲得節(jié)約距離值，并將其進行排序。在符合車輛容量約束的條件下，按照計算得到的數(shù)值進行排序后依次安排對應(yīng)的配送連接點[4]。將所有的配送站點進行連接后，由配送中心P0分別向站點Pi和站點Pj兩點進行物流配送。選擇路徑A中的往返配送路線為P0-Pi-P0和P0-Pj-P0，配送距離長度表示為2（L1+L2）。選擇路徑B中的往返配送路線為P0-Pi-Pj-P0，配送距離長度為（L1+L2+L3），路線組合后車輛節(jié)約的行駛里程表示為：

公式中：L為線路里程。根據(jù)節(jié)約里程法得到配送路線的出發(fā)點，并選擇對應(yīng)的配送運輸車輛的特征，按照不同站點到配送中心的距離進行最優(yōu)線路配送規(guī)劃。設(shè)定配送中心的物流工作為t，運用節(jié)約里程法對配送路徑進行尋優(yōu)，尋找線路中的最優(yōu)路徑[5]。在路線數(shù)據(jù)中隨意生成了1×10條路徑，并重復(fù)N次。將第i次生成的粒子放入一個規(guī)模為N×L種群的第i行中，使得其能夠包含N個粒子規(guī)模的初始種群。運用對粒子群從第1列開始進行累加的計算方法，計算對應(yīng)配送站點的貨物信息，并將得到的信息進行累加。根據(jù)粒子群的搜索能力進行最優(yōu)解搜索。不斷進行迭代，后期粒子群收斂速度減弱，會發(fā)生陷入局部收斂而無法產(chǎn)生最優(yōu)解。所以設(shè)定粒子迭代次數(shù)為N，得到的權(quán)重wmax。隨機生成不同解，獲得原始種群。計算粒子的適應(yīng)度函數(shù)值，并對當(dāng)前粒子群進行排序，獲得極值。增加混沌數(shù)，對粒子群進行更新。確定迭代次數(shù)是否達(dá)到最大值，并輸出最優(yōu)解。將目標(biāo)函數(shù)的倒數(shù)定義為適應(yīng)度函數(shù)，設(shè)定配送中的變量，并對交叉點中的補集進行隨機排列，根據(jù)更新后的位置進行交換，從而獲得交換后的最佳點位置，得到最優(yōu)路徑。如果在某個站點中的貨物信息累加結(jié)果超過了車輛載物的最大重量，或者超出了最大容積，則在該點之后添加0。如果沒有超過車輛配送承載量，則需計算出從配送中心到此配送站點的距離，再加上從該站點返回配送中心的距離[7]。與車輛總行駛距離閾值進行比較，如果超出閾值范圍，則需要在位置后面添加0，并將貨物的信息重置為0。不斷重復(fù)上述步驟，直到完成所有站點的配置。

2.實驗測試與分析

為測試配送線路方法的優(yōu)化程度，對不同算法的最優(yōu)路徑配送任務(wù)中，需要的車輛所行駛距離進行統(tǒng)計。設(shè)置四個小組，運用PSO算法、APSO算法、KMND算法的小組為對照組，運用本文方法的小組為實驗組進行最優(yōu)路徑求解，將其與三種傳統(tǒng)算法進行對比測試。

2.1 搭建實驗環(huán)境

運用Matlab進行編程求解。搭建實驗所用的硬件環(huán)境，主機的運行內(nèi)存8G，主頻325.4GHz，Intel i7 CPU為622GB。測試數(shù)據(jù)源自Solom on數(shù)據(jù)庫，其中有200個車輛路徑規(guī)劃的實際數(shù)據(jù)。配送問題的路徑優(yōu)化數(shù)據(jù)規(guī)模為20～30之間，結(jié)合實際情況對目標(biāo)進行約束后，確定運用數(shù)據(jù)規(guī)模20作為實驗測試規(guī)模。對數(shù)據(jù)集中的數(shù)據(jù)進行處理，使得數(shù)據(jù)樣例滿足一定的離散性，能夠使用不同配送站點需求的特征。設(shè)置實驗所用的物流配送車輛為標(biāo)準(zhǔn)的配送車輛，凈載貨量在150～200kg，結(jié)合實際需求滿足車輛裝載上限為180kg。設(shè)置粒子群的迭代次數(shù)為1100代，計算得到的SSE值為2，初始慣性權(quán)重因子5.00，兩個學(xué)習(xí)因子邊界設(shè)置為3和0。

2.2 結(jié)果與分析

運用PSO 算法對照1組求解后得到的最優(yōu)路徑為：0-11-17-15-3-5-9-12-18-20-2-4-1-19-16-14-10-6-7-8-13-0。最優(yōu)解顯示需要3輛車來完成配送任務(wù)，每輛車行駛的路徑上的網(wǎng)點編號為：

運用APSO 算法對照2組求解后的最優(yōu)路徑為：0-12-15-4-9-11-17-20-5-13-16-8-1-7-14-6-19-3-7-19-3-10-2-18-1-16-0。最優(yōu)解顯示需要3輛車來完成配送任務(wù)，每輛車行駛的路徑上的網(wǎng)點編號為：

運用KMND算法對照3組求解后的得到的最優(yōu)路徑為：0-9-19-15-10-1-18-7-5-4-17-14-16-12-8-20-3-6-13-11-2-0。最優(yōu)解顯示需要3車來完成配送任務(wù)，每輛車行駛的路徑上的網(wǎng)點編號為：

運用本文算法實驗組求解后得到的最優(yōu)路徑為：0-3-18-10-11-1-9-7-6-20-8-15-17-16-14-5-13-19-2-4-12-0。最優(yōu)解顯示需要2輛車來完成配送任務(wù)，每輛車行駛的路徑上的網(wǎng)點編號為：

根據(jù)需要完成配送任務(wù)的車輛數(shù)，進行仿真實驗后測得車輛的總行駛距離結(jié)果，如下表所示：

表1 車輛行駛距離

由實驗結(jié)果可知，不同算法最優(yōu)路徑規(guī)劃后，算法收斂速度緩慢使得對照組總車輛數(shù)較多，車輛行駛距離較長。而相比對照組，實驗組算法在規(guī)劃最優(yōu)路徑后，算法收斂速度明顯增加，總車輛數(shù)減少1輛，行駛距離為155km，為四組中的最短距離。說明運用本文方法能夠有效縮短車輛運行距離，獲得較好優(yōu)化結(jié)果。

綜上所述，與傳統(tǒng)路徑規(guī)劃方法相比，本算法在求解過程中受到的值界影響較小，所占的內(nèi)存空間小，獲得更高求解速度。通過對于算法的優(yōu)化，減少了對求解結(jié)果依賴性，更好處理了搜索速度慢的問題，緩解了早熟的產(chǎn)生。在選擇初始數(shù)據(jù)過程中，減少了計算開銷，加大對于全局收斂性的計算，縮短車輛行駛距離，獲得較好結(jié)果，驗證了本文方法的有效應(yīng)用。通過對混合“集裝箱-快遞”物流需求的跨境電子商務(wù)配送路線優(yōu)化問題進行研究，建立優(yōu)化模型，充分完善在快遞配送問題中的車輛行駛距離問題，提升了配送效率，增加了車輛裝載率。在處理大量需求的VRP問題的同時，可以對問題進行數(shù)據(jù)轉(zhuǎn)化降維處理，不能夠加快對于算法的計算速度，還能有效降低算法求解過程中陷入局部最優(yōu)解的問題發(fā)生。運用多種算法對配送路徑進行最優(yōu)路徑結(jié)果比對，獲得最佳結(jié)果，體現(xiàn)了本文方法的實用性和有效性。在跨境電子商務(wù)配送過程中，能夠有效減短車輛的行駛距離，提升了用戶的滿意程度，擴大了電子商務(wù)的運營范圍，得到較好應(yīng)用。

3.結(jié)束語

此次從跨境電子商務(wù)配送線路入手，研究了基于混合“集裝箱-快遞”物流需求的跨境電子商務(wù)配送路線優(yōu)化方法。根據(jù)跨境電子商務(wù)配送路線的整體策略，選擇混合物流需求，通過不斷改進算法實現(xiàn)配送路線優(yōu)化，為今后的研究提供了方向。但方法中還存在一些不足之處，例如部分算法尚未明確和簡化，車輛的調(diào)配問題，采集數(shù)據(jù)單一等。今后應(yīng)更加重視算法，提升配送中心服務(wù)水平和成本，滿足用戶配送需求，提升配送服務(wù)質(zhì)量。豐富企業(yè)選址和路徑優(yōu)化。結(jié)合實際問題進行分析，實現(xiàn)基于混合“集裝箱-快遞”物流需求的跨境電子商務(wù)配送路線的全方位優(yōu)化。