摘 要：社會(huì)經(jīng)濟(jì)水平的提高與人們消費(fèi)能力的升級(jí)，推動(dòng)了農(nóng)產(chǎn)品市場需求的增長。在農(nóng)產(chǎn)品行業(yè)內(nèi)部競爭加劇及綠色發(fā)展呼聲高漲的時(shí)代背景下，物流運(yùn)輸配送路徑的選擇不僅關(guān)系著企業(yè)的經(jīng)濟(jì)效益，也對(duì)生態(tài)環(huán)境產(chǎn)生重要影響。例如，根據(jù)《中國綠色物流發(fā)展報(bào)告（2023—2024）》，我國物流業(yè)碳排放占全國碳排放總量的9%左右。其中，貨物運(yùn)輸及配送活動(dòng)是物流業(yè)碳排放的三大來源之一。因此，優(yōu)化配送路徑以減少碳排放，成為推動(dòng)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展的重要手段；運(yùn)用科學(xué)的方法優(yōu)化物流運(yùn)輸配送路徑、成為企業(yè)的迫切要求。文章以X企業(yè)為例，綜合考慮農(nóng)產(chǎn)品特性和客戶需求等因素，旨在通過設(shè)計(jì)基于動(dòng)態(tài)混合遺傳算法的優(yōu)化模型，求解出最佳的物流運(yùn)輸配送路徑，實(shí)現(xiàn)物流運(yùn)輸成本最小化和效率的最大化。

關(guān)鍵詞：農(nóng)產(chǎn)品；物流運(yùn)輸；配送路徑；遺傳算法

中圖分類號(hào)：F252；TP18 文獻(xiàn)標(biāo)志碼：A DOI：10.13714/j.cnki.1002-3100.2025.06.016

Research on Optimization Strategy of Logistics Transportation and Distribution Route Based on Dynamic Hybrid Genetic Algorithm

LI Guijie， MENG Ying

（Lanzhou Bowen College of Science and Technology， Lanzhou 730030， China）

Abstract： The improvement of socio-economic level and the upgrading of people's consumption ability are driving the growth of demand in the agricultural product market. In the context of intensified competition within the agricultural product industry and the rising call for green development， the choice of logistics transportation and distribution routes not only affects the economic benefits of enterprises， but also has a significant impact on the ecological environment. For example， according to China Green Logistics Development Report （2023—2024）， the carbon emissions of China's logistics industry account for about 9% of the country's total carbon emissions， with cargo transportation and distribution activities being one of the three major sources of carbon emissions in the logistics industry. Therefore， optimizing delivery routes to reduce carbon emissions has become an important means of promoting sustainable economic and social development. Using scientific methods to optimize logistics transportation and distribution paths has become an urgent requirement for enterprises. This article takes Enterprise X as an example， comprehensively considering factors such as agricultural product characteristics and customer demand， aiming at designing an optimization model based on dynamic hybrid genetic algorithm to solve the optimal logistics transportation and distribution path， and minimize logistics transportation costs and maximize efficiency.

Key words： agricultural products; logistics transportation; distribution routes; genetic algorithm

物流運(yùn)輸配送環(huán)節(jié)的設(shè)計(jì)優(yōu)劣，直接關(guān)系著物流成本、企業(yè)利潤，以及整體環(huán)境質(zhì)量的改善程度。作為世界第二大經(jīng)濟(jì)體，我國有責(zé)任致力低碳減排，為全球環(huán)境保護(hù)貢獻(xiàn)力量。本文旨在滿足客戶需求的時(shí)間限制，并確保農(nóng)產(chǎn)品新鮮度的前提下，探索實(shí)現(xiàn)農(nóng)產(chǎn)品物流運(yùn)輸配送成本最小化的途徑。通過引入動(dòng)態(tài)混合遺傳算法，對(duì)農(nóng)產(chǎn)品物流配送中的車輛路徑優(yōu)化問題進(jìn)行了深入剖析，以探索更為高效、環(huán)保且符合客戶需求的物流運(yùn)輸配送路徑優(yōu)化方案。

1" " 物流運(yùn)輸配送主要模式

物流運(yùn)輸配送指企業(yè)根據(jù)客戶要求，在配送中心或其他物流節(jié)點(diǎn)對(duì)貨物進(jìn)行加工、分揀、包裝等作業(yè)，并按照約定時(shí)間將其送至指定地點(diǎn)的物流活動(dòng)，包含“配”和“送”兩層含義。

1.1" " 自營配送

自營配送模式指企業(yè)自行組建配送團(tuán)隊(duì)、采購配送車輛和設(shè)備，直接將農(nóng)產(chǎn)品從倉庫配送到客戶手中的配送方式。該配送模式使企業(yè)能更精準(zhǔn)地掌控配送流程，靈活調(diào)整配送時(shí)間與路線，確保產(chǎn)品的質(zhì)量和安全。這有助于提高客戶的滿意度，提升企業(yè)的市場地位。但是，企業(yè)需要投入大量的資金和人力，包括建設(shè)倉庫、購買車輛、雇傭司機(jī)等，同時(shí)也應(yīng)具備較強(qiáng)的管理能力，給企業(yè)帶來了一定挑戰(zhàn)[1]。

1.2" " 第三方物流配送

第三方物流配送模式指企業(yè)將農(nóng)產(chǎn)品配送業(yè)務(wù)委托給第三方物流企業(yè)，由這些企業(yè)將農(nóng)產(chǎn)品從倉庫運(yùn)送到消費(fèi)者手中的配送方式。在此模式下，企業(yè)不需要自行配送農(nóng)產(chǎn)品。第三方物流企業(yè)通常擁有專業(yè)的物流團(tuán)隊(duì)和設(shè)備，配送范圍較廣，能夠?yàn)槠髽I(yè)提供更加高效、安全的物流服務(wù)[2]。然而，外包配送業(yè)務(wù)給第三方企業(yè)，雖減輕了企業(yè)負(fù)擔(dān)，但也在一定程度上減弱了對(duì)配送過程的控制，可能導(dǎo)致貨物丟失、損壞或延誤，進(jìn)而影響企業(yè)掌握運(yùn)輸情況和配送進(jìn)度，最終干擾銷售計(jì)劃。

1.3" " 共同配送

共同配送模式指多個(gè)企業(yè)聯(lián)合在一起，整合所有的物流資源共同使用物流設(shè)施和設(shè)備，承擔(dān)農(nóng)產(chǎn)品配送任務(wù)的方式。在此模式下，不同企業(yè)間共享倉庫、運(yùn)輸車輛等資源，可實(shí)現(xiàn)物流設(shè)施和設(shè)備的最大化利用。同時(shí)，企業(yè)間通過合作協(xié)議共同承擔(dān)風(fēng)險(xiǎn)和責(zé)任，有助于提高物流服務(wù)的穩(wěn)定性和可靠性。然而，在實(shí)施共同配送模式前，企業(yè)需精心挑選合作伙伴，清晰界定各方權(quán)責(zé)，構(gòu)建科學(xué)的管理機(jī)制及配送方案，以達(dá)到最優(yōu)物流成效[3]。

2" " 基于動(dòng)態(tài)混合遺傳算法的物流運(yùn)輸配送模型

遺傳算法是一種基于生物進(jìn)化原理的優(yōu)化算法，從原始種群開始，通過選擇、交叉和變異等操作，不斷迭代更新種群，以逐步逼近問題的最優(yōu)解。為高效求解物流運(yùn)輸配送的最優(yōu)路徑問題，本文對(duì)遺傳算法予以改進(jìn)，納入精英保留策略，并融入動(dòng)態(tài)混合鄰域搜索，以期提升算法的搜索效率及求解精度。動(dòng)態(tài)混合遺傳算法設(shè)計(jì)過程如下[4]。

2.1" " 染色體編碼

編碼作為動(dòng)態(tài)混合遺傳算法中的重要環(huán)節(jié)，是將問題潛在解轉(zhuǎn)化為染色體的過程。本文將以X企業(yè)為案例，詳細(xì)分析其物流運(yùn)輸配送的最優(yōu)路徑，以實(shí)現(xiàn)物流行業(yè)的高質(zhì)量發(fā)展。根據(jù)X企業(yè)農(nóng)產(chǎn)品配送特點(diǎn)，將采用自然數(shù)編碼的方式。假定配送中心的冷藏車數(shù)量為K、客戶數(shù)量為N時(shí)，數(shù)字0表示配送中心，數(shù)字1，2，...，N表示各個(gè)客戶，染色體形如（0，l11，l12，...，lla，0，l21，l22，...，l2b，0，lk1，lk2，...，lkc，0），長度為K+N+1。其中，基因代表各個(gè)物流節(jié)點(diǎn)，即配送中心和客戶。此時(shí)，每條染色體對(duì)應(yīng)一種配送方案，相鄰兩個(gè)0之間的基因片段代表一條物流運(yùn)輸配送路徑，表明配送中心既是起點(diǎn)也是終點(diǎn)。

2.2" " 初始化種群

種群是若干染色體的集合；產(chǎn)生初始種群是后續(xù)操作的基礎(chǔ)。種群規(guī)模對(duì)動(dòng)態(tài)混合遺傳算法的性能具有顯著影響。較小的種群規(guī)?？赡軙?huì)限制搜索空間，導(dǎo)致次優(yōu)的優(yōu)化結(jié)果，而較大的種群規(guī)模雖然能增加搜索空間，但可能導(dǎo)致算法收斂速度變慢，需要更多的計(jì)算資源和時(shí)間。因此，需要權(quán)衡搜索能力、計(jì)算效率等因素，以確定適當(dāng)?shù)姆N群規(guī)模。本文采用隨機(jī)生成的方法，產(chǎn)生一定規(guī)模的初始種群。

2.3" " 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)用于評(píng)價(jià)個(gè)體的優(yōu)劣，反映個(gè)體在種群中的生存能力。個(gè)體的適應(yīng)度值越高，表明其表現(xiàn)越優(yōu)秀，生存能力也越強(qiáng)，在迭代尋優(yōu)過程中越容易被選中保留。本文目標(biāo)函數(shù)為X企業(yè)總配送成本最小，而在后續(xù)選擇操作時(shí)需要挑選適應(yīng)度值大的個(gè)體。因此，將適應(yīng)度函數(shù)設(shè)為目標(biāo)函數(shù)的倒數(shù)。

式中，fi為染色體的適應(yīng)度值；Zi為染色體的目標(biāo)函數(shù)值；S為種群規(guī)模。

2.4" " 選擇操作

選擇操作旨在從當(dāng)前種群中篩選出優(yōu)良個(gè)體，使其參與到繁殖進(jìn)程中。本文采用精英保留策略與輪盤賭法相結(jié)合的方式。首先，使用精英保留策略，依據(jù)染色體的適應(yīng)度值進(jìn)行降序排列，并按照預(yù)設(shè)的精英比例，將高適應(yīng)度的染色體直接傳承至下一代[6]。其次，利用輪盤賭法選擇剩余的染色體，通過轉(zhuǎn)動(dòng)輪盤，指針?biāo)赶虻奈恢眉创肀贿x中的染色體。具體步驟如下。

第一步：計(jì)算個(gè)體i被選中的概率pi，為該個(gè)體適應(yīng)度值與全部個(gè)體適應(yīng)度值總和的比值：

第二步：計(jì)算個(gè)體累積概率tpi：

第三步：在[0，1]區(qū)間內(nèi)隨機(jī)生成一個(gè)實(shí)數(shù)r，將其作為輪盤的指針，從而確定被選個(gè)體。如果tpi-1＜r＜tpi，那么個(gè)體i被選中。

第四步：重復(fù)上述步驟多次，得到一定數(shù)量的個(gè)體。

2.5" " 交叉操作

通過交叉操作，能夠產(chǎn)生新的個(gè)體。本文采用部分匹配交叉（Partially Matched Crossover，PMX）的方法，具體步驟如下。

從種群中選取兩個(gè)父代染色體A、B，隨機(jī)選擇交叉的起點(diǎn)a和終點(diǎn)b。

在交叉點(diǎn)a和b之間，將兩個(gè)父代染色體的基因片段進(jìn)行互換，從而生成子代染色體A和B。

交換的兩組基因之間構(gòu)成映射關(guān)系，按照映射關(guān)系對(duì)染色體中交叉區(qū)域外的重復(fù)基因進(jìn)行替換。當(dāng)交叉操作導(dǎo)致子代染色體A中出現(xiàn)兩個(gè)相同的基因10時(shí)，在交叉區(qū)域之外將其中一個(gè)基因10替換為基因5，并持續(xù)此過程，直至染色體中無重復(fù)基因存在，從而得到優(yōu)化后的新子代染色體A和B。

2.6" " 動(dòng)態(tài)混合鄰域搜索

動(dòng)態(tài)混合鄰域搜索算法是一種局部搜索算法。其借鑒了變鄰域搜索算法（VNS）的思想，可通過動(dòng)態(tài)改變當(dāng)前解的鄰域結(jié)構(gòu)，在不同的鄰域結(jié)構(gòu)中進(jìn)行搜索，提升解的質(zhì)量。本文采用2種鄰域結(jié)構(gòu)，包括插入鄰域結(jié)構(gòu)和逆轉(zhuǎn)鄰域結(jié)構(gòu)。具體的搜索流程是：首先，在一個(gè)鄰域結(jié)構(gòu)內(nèi)嘗試尋找更優(yōu)解，若未能如愿，則轉(zhuǎn)移到下一個(gè)鄰域結(jié)構(gòu)繼續(xù)搜索，這一過程將持續(xù)進(jìn)行，直至達(dá)到預(yù)設(shè)的鄰域搜索次數(shù)上限；其次，插入鄰域結(jié)構(gòu)，在染色體中隨機(jī)選取兩個(gè)位置a和b，將第一個(gè)位置a上的基因插入到第二個(gè)位置b上的基因之后，逆轉(zhuǎn)鄰域結(jié)構(gòu)，并在染色體中隨機(jī)選取兩個(gè)位置a和b，將這兩個(gè)位置及其之間的基因順序顛倒。

2.7" " 終止條件

基于動(dòng)態(tài)混合遺傳算法的終止條件為最大迭代次數(shù)。當(dāng)?shù)螖?shù)達(dá)到該值時(shí)運(yùn)算終止，輸出最終的結(jié)果。

3" " 基于動(dòng)態(tài)混合遺傳算法的物流運(yùn)輸配送最優(yōu)路徑實(shí)現(xiàn)

3.1" " 配送中心及客戶需求信息

X企業(yè)采用自營配送的物流模式，當(dāng)前設(shè)有一個(gè)配送中心，并購置10輛冷藏車，以滿足現(xiàn)實(shí)業(yè)務(wù)需求。冷藏車每天上午4點(diǎn)從配送中心出發(fā)，為Y市內(nèi)32個(gè)客戶配送農(nóng)產(chǎn)品，并在任務(wù)完成后返回配送中心。這些客戶遍布市內(nèi)，農(nóng)產(chǎn)品需求量和配送時(shí)間要求各異[7]。X企業(yè)需確保在約定時(shí)間內(nèi)送達(dá)，超時(shí)則貨物被拒收。為便于敘述，將物流運(yùn)輸配送中心編號(hào)為0；各客戶點(diǎn)分別編號(hào)為1至32。

3.2" " 模型及算法參數(shù)

根據(jù)X企業(yè)提供的信息，基于動(dòng)態(tài)混合遺傳算法的物流運(yùn)輸配送模型參數(shù)取值如下。

與固定成本相關(guān)的參數(shù)：X企業(yè)使用的冷藏車輛型號(hào)均相同，采購冷藏車的價(jià)格約為10萬元/輛，使用年限約為6年，則每天的折舊費(fèi)用約為46元；司機(jī)日工資為150元；加上日常維修及保養(yǎng)費(fèi)用，冷藏車固定成本定為200元。

與運(yùn)輸成本相關(guān)的參數(shù)：X企業(yè)冷藏車的額定載重為1 495千克，燃油種類為柴油。根據(jù)行業(yè)數(shù)據(jù)，冷藏車空載行駛時(shí)燃油消耗量為0.12升/千米，滿載行駛時(shí)燃油消耗量為0.18升/千米?？紤]到近期柴油價(jià)格的上漲，本月柴油價(jià)格已達(dá)到7.78元/升，將對(duì)冷藏車的運(yùn)營成本產(chǎn)生顯著影響。

與制冷成本相關(guān)的參數(shù)：為保障行人和車輛的安全，市區(qū)的道路設(shè)有限速。冷藏車在市區(qū)配送農(nóng)產(chǎn)品時(shí)，車速需按規(guī)定控制在40千米/時(shí)以內(nèi)。估算顯示，行駛時(shí)制冷設(shè)備油耗為1.5升/時(shí)；卸貨時(shí)則為2升/時(shí)。

與貨損成本相關(guān)的參數(shù)：X企業(yè)農(nóng)產(chǎn)品種類繁多，各種產(chǎn)品價(jià)格不同。為便于計(jì)算將農(nóng)產(chǎn)品的平均價(jià)格設(shè)定為16元/千克；農(nóng)產(chǎn)品新鮮度以0.002的系數(shù)衰減。

算法參數(shù)的取值對(duì)搜索能力和收斂效果至關(guān)重要。經(jīng)過反復(fù)試驗(yàn)，最終確定合適的算法參數(shù)取值：種群規(guī)模為60，交叉概率為0.9，變異概率為0.1，精英比例為0.1，動(dòng)態(tài)混合鄰域搜索次數(shù)為10，最大迭代次數(shù)為300。

3.3" " 物流運(yùn)輸配送結(jié)果分析

在模型參數(shù)和算法參數(shù)不變的前提下，將傳統(tǒng)遺傳算法和基于動(dòng)態(tài)混合遺傳算法各運(yùn)行10次。利用精英保留策略和動(dòng)態(tài)混合鄰域搜索操作實(shí)現(xiàn)對(duì)傳統(tǒng)遺傳算法的改進(jìn)。兩種算法運(yùn)行10次的結(jié)果統(tǒng)計(jì)如表1所示。

研究發(fā)現(xiàn)，優(yōu)化后固定成本、運(yùn)輸成本、制冷成本、貨損成本均減少，不僅能夠幫助企業(yè)減少成本支出，還能使客戶獲得高質(zhì)量的配送服務(wù)，在規(guī)定時(shí)間內(nèi)收取更高新鮮度的農(nóng)產(chǎn)品。

4" " 結(jié)" " 語

本文以X企業(yè)為例，通過融合動(dòng)態(tài)混合遺傳算法，精心構(gòu)建了農(nóng)產(chǎn)品物流運(yùn)輸配送的最優(yōu)路徑模型，旨在有效降低配送成本。本研究采用的方法和技術(shù)不僅適用于其他農(nóng)產(chǎn)品供應(yīng)企業(yè)的配送路徑優(yōu)化，還可為制造企業(yè)、零售企業(yè)、餐飲企業(yè)、快遞企業(yè)等提供配送優(yōu)化的新思路，助力這些企業(yè)提升運(yùn)作效率和服務(wù)質(zhì)量，推動(dòng)實(shí)現(xiàn)綠色、高質(zhì)量的發(fā)展目標(biāo)。

參考文獻(xiàn)：

[1] 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]．中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，28（7）：224-237.

[2] 陳鑫影，李依琳，肖司義．基于改進(jìn)遺傳算法的生鮮農(nóng)產(chǎn)品物流配送路徑優(yōu)化[J]．大連交通大學(xué)學(xué)報(bào)，2022，43（5）：97-102，111.

[3] 馬昌喜，薛凡松，麻存瑞，等．時(shí)變路網(wǎng)下基于混合調(diào)整策略的生鮮品配送路徑優(yōu)化研究[J]．交通運(yùn)輸系統(tǒng)工程與信息，2023，23（4）：298-306.

[4] 李楠，辛春陽．基于聚類-Floyd-遺傳算法的“車輛+無人機(jī)”城市物流配送路徑優(yōu)化[J]．科學(xué)技術(shù)與工程，2024，6（21）：147-149.

[5] 邵泳兵．混合遺傳算法在物流配送路徑優(yōu)化上的應(yīng)用[J]．物流工程與管理，2022，44（12）：32-34.

[6] 張穎，王琦．基于顧客滿意度的網(wǎng)購物流配送路徑優(yōu)化研究[J]．湖北民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，40（2）：226-231.

[7] 王天德．基于混合遺傳算法的高校末端配送路徑優(yōu)化研究[J]．中國儲(chǔ)運(yùn)，2023，8（3）：54-55.

基金項(xiàng)目：2024年蘭州博文科技學(xué)院應(yīng)用基礎(chǔ)研究“供應(yīng)鏈可持續(xù)發(fā)展中的運(yùn)籌學(xué)技術(shù)的應(yīng)用”（2024BWKY022）

作者簡介：李貴杰（1987—），男，甘肅慶陽人，蘭州博文科技學(xué)院，講師，碩士，研究方向：運(yùn)籌學(xué)。

引文格式：李貴杰，孟瑛．基于動(dòng)態(tài)混合遺傳算法的物流運(yùn)輸配送路徑優(yōu)化策略研究[J]．物流科技，2025，48（6）：60-62.