带装载量约束的物流配送车辆路径优化研究

赵世安

(百色学院数学与统计学院，广西百色533000)

1 物流配送车辆的路径优化问题

物流配送车辆路径优化问题(Vehicle Routing Problem，VRP)，最早在1959年由Dantizg与Ramser提出。主要是指对于一系列的发货点与收货点，调用车辆物流，组织调整出适当的行车路线，有效地确保车辆可以有序地访问收货、发货点，并能够在满足特定约束条件之下，实现一定工作目标［1］。在物流系统中，物流配送成为直接与消费者相连的环节。在物流配送业务中，基于JIT(Just－In－Time)管理模式，通过制定合理的配送路径，在特定的时间将特定的商品送给特定的顾客，已经成为物流管理中的必然趋势。同时，车辆路径优化问题也是典型带约束的组合优化问题，由于其复杂性，更具路径优化意义。

2 物流配送车辆路径优化问题的复杂性

2.1 物流货物复杂

在物流车辆配送中，一个配送中心其往往需向几个不同顾客的运送货物，每个用户又会对货物有不同的需求，这将造成配送复杂性［2］。每天都会有不同的订货需求，并且配送车辆的货物也不尽相同，要考虑配送的可行性，这就给物流配送车辆路径优化带来难度。

2.2 物流配送路线多样

在物流车辆允许通行的时间内，物流路线也是不同的;配送货物，不仅要确保实际的载货量不超过最大允许量，还要避免引起安全事故发生［3］。同时，在配装发车之后，要保证车辆最小行使路线，也要保证可以把货物及时送到用户位置。

2.3 车辆路径寻址难

在选择、交叉和变异等方面，物流车辆路径选址需要改进基本遗传算法，基于余弦函数交叉算子，根据遗传代数的变化而变化，采用C语言完成算法实现。

3 优化物流配送车辆路径的意义

在带装载量约束的物流配送车路径优化中，设计优化物流配送车辆路径优化方案，能够提高企业经济效益与社会效益。

3.1 满足客户物流需求

优化当前物流配送车辆路径，不仅可以满足客户的需求，还可以提升物流配送中对货物配送的速度，满足物流实际需求，产生可观的经济效益［4］。并且，从一个物流中心向多个客户送货，能够满足客户需求。

3.2 提升物流车载量

优化物流配送系统路径可以提高配送效率，满足物理车辆配送车载需求。每台物流配送车辆是不允许超载的［5］。在实际物流配送时，要优化配送中心车辆的路径，实现其货物在配送过程中的相互混装［6］，满足各个客户的不同需求，将不同的货物装在同一各配车辆内，提升车载量。

3.3 强化提升物流配送中心的运力

在物流配送过程中，充分考虑交通路线问题，综合考虑约束路径运输的条件，选择最佳物流配送路径，提高物流货物配送效率［7］。物流配送中心应提高车辆利用率，优化车辆路线，优化车辆调度，不仅满足物流配送任务，也使车辆的运行总里程达到最短，降低成本。

4 优化带装载量约束的物流配送车辆路径的措施

4.1 建立物流路径模糊评价矩阵

在配送中心选址时，应选用RBF网络。下面以某物流配送中心为例进行分析，该中心每天向不同客户运送箱装啤酒，有关数据如表1所示。

表1 物流情况表

针对某物流配送车辆路径优化属于非满载车辆封闭路径优化问题，应用AHP－模糊综合评价法，进行层次分析，确定车辆路径优化中的各影响因素权重，对此建立模糊评价矩阵，然后作出模糊综合评价。可以有效地利用RBF神经网络，以在线训练模糊评价矩阵数据，评价多个物流配送车辆路径方案。

定义Lagrange函数:

样本集为(y1，x1)，…，(yl，xl)，x∈Rn，y∈R，通过求最小极值得出函数，设定惩罚因子值，运用不敏感损耗函数，在下列约束条件下通过优化方程求解:

得回归系数和常数项

4.2 评价物流选址方案

建立物流配送车辆调度模型构建数学模型，定义变量:

得到配送调度模型如下:

目标函数:

约束条件:

其中，ωi(ti)表示顾客i开始时间为ti时，车辆在顾客i处的等待时间，ti=tj+utj+dij/vij，j为i的前一个站点，当 ti＜ 12 且 tj≧12，或 ti＜ 18 且 tj≧18，有 tj=tj+0.5;wtpq=min(t'0－ t0，8)，eωtpq=max(t'0－ t0－8，0)，t0为发车时间，t0=eti－d0i/v0i，t'0为收车时间。从模型中可知，该模型是一个单目标多约束条件的优化模型，以配送时间最小化为目标，将车型、车辆装载量、服务到达的时间要求等综合考虑在内，使配送路径为最优选择。由此可以得出，将哪些客户分配到一条回路上，以及每条路线上客户的绕行次序。通过计算得出车辆物流选址如图1所示。

图1 物流选址

4.3 改进动态选址方法

改进物流选址方法，实现动态选址，可以随机选择较少样本作初始样本集，在路径问题求解后从结果内去掉非支持数据信息，再根据训练结果对剩余的路径样本数据进行检验，将不符合优化条件的样本、数据合并，使其成为新训练样本集，重新训练，直到获得最优结果。应用C语言进行编码，其程序设计步骤如图2所示。

图2 程序编码步骤

在坐标平面中设待定仓库坐标为(X0，Y0)

struct xuanzhi

同时，在车辆路径优化中，应用基于余弦函数交叉算子，计算车辆动态选址调度作用。

表2 车辆调度作用

可以看出，以路径最短、费用最小等直观的因素为目标、为条件，更多地考虑配送中心长期效益，A类车辆11行驶路径为0→2→10→3→0，车辆12行驶路径为0→7→12→11→6→0;B类车辆21行驶路径为0→5→8→0，车辆22行驶路径为0→9→1→4→0。动态选址可以提升车辆路径优化效益。

4.4 效益可行性分析

通过以上案例分析可知，应用动态选址可以缩短路径选择时间，优化车辆路径选择。并且，根据具体实际情况可以证实该方法的可行性。选取有效的车辆配送路径，不仅可以有效地加快当前物流行业的配送速度，也可以满足客户对物流速度的需求，有效地提高当前行业的物流服务质量，降低服务商运作成本，取得最大效益。

5 结语

综上所述，利用RBF神经网络，选择最短优化路径，可以提升当前物流行业配送车辆路径的优化效率。制定合理的配送路径，能够解决物流配送路径优化问题，从而快速、经济地将货物送到用户手中。

［1］何小年，谢小良.带装载量约束的物流配送车辆路径优化研究［J］.计算机工程与应用，2009，45(34):236－238.

［2］鲍建成.推理神经网络对物流路径最优选择方法分析［J］.物流技术，2013，32(12):157－159.

［3］黄敏，崔妍，林婉婷，等.带有费用折扣的多任务第4方物流路径优化问题［J］.控制与决策，2013(7):997－1001.

［4］王蕾.基于动态最优保留进化的物流路径规划［J］.物流技术，2013，32(8):112－114.

［5］何泉.粒子群算法求解物流路径优化问题［J］.科技视界，2014(29):8－9.

［6］张士金.白音华煤炭物流路径优化与经济效益分析［J］.内蒙古煤炭经济，2014(2):72－73.

［7］谢泗薪，王文峰.绿色物流路径:物流绿色化改造的战略选择［J］.中国流通经济，2010，24(5):15－18.