基于客户满意度的服装业车辆调度研究

2010-07-24 13:33孙琼玲南京财经大学江苏南京210046

物流科技 2010年6期

孙琼玲，王亮（南京财经大学，江苏南京 210046）

0 引言

20世纪60年代，欧美学术界就已提出 “服务中心”理论，该理论主要观点是企业进行物流管理和决策不能仅仅强调节约消耗，降低成本，而应该立足于在保持和提高企业对客户的服务水平的基础上，通过寻求物流成本与服务之间的平衡点，保持企业的竞争优势。

在服装业这个时效性很强的行业里，若配送不能在零售商要求的时间内到达，会造成产品脱销，给零售商造成利润损失，从而降低客户满意度。配送到达时间的准时与否，已成为客户衡量配送服务水平的高低。准确的到达时间需要配送中心合理的车辆调度方案，这就要求企业从客户的角度去考虑问题。

据罗兰·贝格与中国连锁经营协会在2003年对国内多个连锁零售企业调查结果显示：其缺货问题是配送中的重要症结，每年因缺货导致损失近四成消费机会。与生产企业不同，服装门店多分布在商业区，竞争激烈，顾客停留时间短，缺货时顾客等待可能性小，给零售商造成损失，在销售旺季节，损失会更严重。

目前分别针对客户满意度和物流配送车辆路径调度的研究成果很多，但大多是局限在二者范围内研究，前者仅有对客户满意度评价的一些研究，后者仅在算法方面作专门研究，总目标选取得大都简单，有很多目标项没有考虑到，没有针对性地给出配送调度方案。本文以服装业的配送问题作为研究对象，在日益激烈的市场竞争中，服装企业的成败不仅取决于其成本，还取决于其服务水平。

1 客户满意度

根据服装行业的特点，客户满意度的高低是个模糊概念，所以使用模糊度对评价指标进行描述有利于模型的研究。这里定义：物流配送客户满意度用介于0与1的数值进行表示，0表示客户对配送服务完全不满意，1表示客户对配送服务完全满意。

1.1 送货准时性对客户满意度的模糊描述

送货准时性反映了客户对货物到达时间的要求。在物流配送过程中，客户通常限定交货时间，货物必须在某一时间段内送达、卸货，如果过早或过迟，都会使客户满意度下降，从而影响客户满意度。时间段［Tei,Tli］，表示客户所能接受的服务时间段；时间段［TEi,TLi］表示客户最满意的服务时间段。配送时间准时与否对客户满意度的影响可以通过图1表示出来。

1.2 构建客户满意度模糊函数

图1 客户满意度示意图

2 模型描述与设计

模型的假设条件：（1）单配送中心；（2）各配送点只被一辆车服务，而一辆车能为多配送点服务；（3）配送中心的车都是同一型号，即具有同样的最大配送量；（4）配送中心的产品能满足所有客户的需求。

设i=0表示配送中心，i=1,2…n表示第n个客户，hij表示客户i与客户j之间的距离，Ti表示配送到达客户i处的时间，si表示配送在客户i处的服务时间，tij表示从客户i行驶到客户j所需要的时间，Q为每辆车配送的最大配送量，F为每辆车配送的固定成本，di为客户i的需求量。

xijk=1表示第k辆车配送时，配送完点i后配送点j，否则xijk=0

rk=1表示第k辆车进行了配送，否则rk=0

约束条件：

式中， i、j=1,2,…,n,k=1,2,…,K。

（1）表示成本最小化的目标；（2）表示客户满意度最大化的目标；（3）每个配送点只被一辆车服务的约束；（4）表示到达客户j的时间要晚于到达客户i的时间、为客户i服务的时间及客户i到客户j间的行驶时间之和；（5）车辆不允许超载；（6）、（7）表示各个车辆从配送中心出发，服务客户后回到配送中心。

3 算法设计

本文先以配送成本最小为第一个目标函数，求解配送路线的客户组合，再以客户满意度最大为次目标，求解配送组合的客户配送顺序以及每次配送从配送中心出发的时间。用遗传算法求解的步骤：

（1）染色体编码。本文采用自然编码，即序数编码。车辆调度的一条可行线路可以编成长度为n+k的染色体，（0,i11,i12,…,i1s,…,0,i21,…,i2t,0,iml,…,imw），其中ikj表示第ikj个配送点。可以理解为车辆从配送中心出发，经过配送点i11,i12,...,i1s后，回到配送中心，形成子路径l；而第二辆车也是从配送中心出发，经过i21,...,i2t后，返回配送中心0，从而形成子路径2；如此反复，直到所有的客户都被访问到。这样，使染色体具有子路径内部有序，而各个子路径之间无序的特性。

（2）适应度函数。在车辆优化调度问题中，目标函数值越小越好（即在满足载重量和时间约束的基础上，行车线路的总运距越小越好），而在遗传算法中，个体适应度越大，表示个体的性能越好，一般适应度函数要求非负，所以将目标函数通过变换fi=bz′zi转化为适应度函数。其中fi为染色体i的适应度；b为一常数；z′为初始群体中最好染色体的运输成本；zi为染色体i对应的运输成本。

（3）产生初始种群。由于基于某一特定的初始化策略会降低种群的多样性，一般采用随机生成的方法产生初始种群。初始种群是随机产生一个门店的全排列，并将第一位和最后一位置为0，表示从配送中心出发并最终回到配送中心，如（0,i1,i2,…i1,0 ）。

（4）遗传算子。遗传算子主要包括交叉算子和变异算子。交叉算子是把两个父代个体的部分结构加以替换重组，而生成新个体，在遗传算法中起核心作用。交叉算子的设计一般与所求解的具体问题有关，而且要和编码方式相协调，就本文而言，对于染色体（0,i11,i12,…,i1s,…,0,i2l,…,i2t,0,iml,…,imw），可以采用遗传算法标准的一点交叉（one－point crossover）、两点交叉（two－point crossover）等。变异算子是对染色体的某些基因座上的基因值做变动，作用是维持群体的多样性。与二进制编码的变异操作不同，这里的变异是对个体某个基因的值随机产生。

用遗传算法对第一目标进行求解后，用客户满意度隶属函数UT（Ti）进行优化取得优化值。