基于云计算的生产企业物流车辆路径规划平台应用难题分析

摘 要：社会经济与电子商务的快速发展促使我国现代物流面临重大变革，企业层面的大量物流数据要求其必须匹配一个现代化的数据处理平台，实现订单、车辆、轨迹等数据的快速处理。为探究生产企业物流车辆路径问题，本文引入云计算技术，将现代物流与云计算及相关算法融合，构建生产企业物流车辆路径规划平台，解决其应用难题，并提出针对性的建议。

关键词：生产物流 云计算 路径规划 工作流

随着现代物流业的快速发展，物流数据越来越呈现大数据趋势，对物流大数据的处理效果，直接影响物流配送的速度和效率。在对物流大数据处理的过程中，除了物流数据处理，物流车辆路径规划也十分重要。物流业从传统的快递模式发展到目前的互联网物流配送模式，衍生出物流数据的处理和运算问题，通过物流数据运算规划最合理的物流车辆路径，将直接影响生产企业物流配送成本和效益，而借助云平台，运用云计算技术，能够很好的处理物流数据，并实现物流车辆路径规划的目的。

1.车辆路径规划云平台简述

传统的物流车辆路径规划计算方法存在耗时长、效率低的弊端，而引入云计算技术，发挥云计算扩展性强的优势，改善物流车辆路径规划的算法，具有积极的效果。根据企业物流需求，建立车辆路径规划平台，将物流数据上传到该平台，然后平台对路况数据进行处理，进行路径规划和成本计算，最终输出路径规划结果。根据这些要求，云平台需要设计工作流模块、路径规划模块、成本计算模块，云平台系统架构包括数据层、业务逻辑层、服务层、应用层。同时，云计算平台又根据服务所在封装的内容不同，分为基础设施云服务、平台云服务和软件云服务三个层次。

2.生产企业物流车辆路径规划平台应用

（1）车辆路径规划改进遗传算法

物流车辆路径规划是指通过对物流数据处理对车辆进行安排，将每辆车行驶路径、每个点装载订单信息等，做详细规划，已获得物流业务最优化，提高效率、节省成本。在云计算平台上，需要有合适的路径规划算法，常用的比如启发式算法、最短路径算法、遗传算法等。在现代物流研究领域，遗传算法被大量学者研究，并结合实际需求对算法进行适当的改进，然后运用于实践中，取得良好效果。

遗传算法是一种自然界中环境选择适者生存和遗传机制衍生出来的一种算法，其在实践中解决实际问题时具有可进化的特点，能够与实际问题中的变量、限制条件对应起来，通过“淘汰适应度低的个体解、保留适应度高的个体解”的运算方法，经过多次迭代，最终获得一个近似最优解。其中个体解的选择概率表达为：

在物流大数据的云计算实践中，针对遗传算法收敛速度慢的特点，结合启发式算法求解快速的优势，对遗传算法进行改进，使其能够快速规划出合理的车辆路径。在物流车辆路径规划的改进遗传算法中，先对物流数据进行整理和绘制表格，包括车辆信息表、订单信息表、配送点信息表、网点距离信息表等。物流数据整理完成后，开始进行物流数据处理，包括预处理、算法处理、结果展示，物流数据处理需要满足如下约束條件：①同路径、同时刻货物重量不大于汽车最大负载量;②每条路径由一辆物流车配送，且满足货物量与时间要求;③每次配送均有起点至终点后返回，其只有一个配送中心;④满足时间约束要求。由此约束条件，在改进遗传算法下，算法模型与约束条件如下：

其中，T1 为物流车辆到达取货点i的时间，Tsi 为车辆在i点的装车时间，t0 为规定时间，T0 为到达工厂的时间，Tsi 为卸车时间。

当确定物流车辆路径规划的云计算数学模型与约束条件后，进行路径规划的整个过程。首先进行节约算法，在车辆满载、车辆数与时间考虑的基础上，将所有节约算法中生成的路径排列，大量个体形成初始种群;其次进行分割线路算法，按照时间反推的方式，以车辆不能超载为必须条件，调整路线与时间规划;再次进行个体选择，依据个体被选的概率计算，选择比重高的个体，比重越高说明适应度越高。在实践中，每个订单就是算法中的个体;然后进行交叉算子确定，得到子色体的基因序列;最后考虑基因突变，基因突变采用的是随机多次对换基因的方式进行。

在企业物流实际项目中，每个订单数据对应遗传算法中的一个基因，一条路径构成遗传算法中的个体，对应的路径集合构成一个群落，通过启发式规划路径计算初始群落，结合初始计算结果，改变订单位置顺序，形成新的路径集合，衡量函数为最终路径结合的总费用。在改进遗传算法的云计算平台中，通过不断迭代计算，最终获得一个费用相对低的结果。在实验中发现，改进遗传算法在物流车辆路径计算中，能够加快算法的收敛速度，更快的获得结果。

（2）应用难点与实践

改进遗传算法的依据必须要是满足企业物流项目的实际情况，在企业生产中，物流项目面临更为复杂的形势，影响物流车辆路径规划的因素众多，这是实践运用中容易遇到的难题。比如时间约束在企业物流车辆路径规划的云计算中常见应用难点，多目标的路径实现时，还需要考虑多收货点的时间窗，以及多种类货物发货的时间窗等因素。此外，还需要考虑客户接收货物的时间约束，不同客户对货物接收的时间约束存在差异，这些都是实践应用中的难点。针对这些难点，改进遗传算法中着重考虑时间约束要素，在车辆路径规划中满足时间窗约束条件，这样能够获得很好的结果。

在生产企业的物流项目中，考虑生产企业的物流系统中，每个点既可以是取货点，也可以是送货点，在车辆路径规划中增加了时间窗约束的复杂度，因此在实践运用中要根据生产商的约束条件要求，结合改进遗传算法的原理，对物流车辆路径规划的云计算算法进行重新规划。改进遗传算法后的业务流程如下：

选择最早出发时间的网点A→筛选所有需要网点A货物的网点→按与网点A的距离排序→计算网点是否符合时间窗要求→评价网点货物累加是否超过车辆装载→生成一部分路线X→筛选需求第一个配送点B货物的网点→按与线路X的终点的距离排序→生成完整路线。

3.结语

随着“互联网+”的快速发展，物流行业同样需要进一步创新“互联网+”，高效运用大数据技术、云计算技术，提升企业物流能力。在本文的研究中，结合生产企业物流项目的实际情况，充分考虑云计算应用难点，针对性的提出改善遗传算法，并应用于实践。实践表明，改进遗传算法下的企业物流车辆路径规划能够取得更好的效果，具有较高的合理性。

参考文献：

[1]林美，何竹峰.基于云计算的物流车辆路径规划方法[J].电子测量技术.2019.13

[2]高志高.基于GIS的带容量限制物流车辆路径规划与系统实现[D].哈尔滨工业大学.2019

[3]赵建峰，袁细国，梁伯栋，陈球霞.基于车联网及云计算的电动物流车智能调度算法[J].公路交通科技.2019.6

[4]赵晓琴.基于云计算的物流企业配送模式研究[J].物流工程与管理.2018.6

基金项目 ：邵阳市科技局科研项目（2018GX23，2019ZD23）

作者简介：邓波，男，硕士，讲师。研究方向：计算机网络、大数据。

（邵阳学院信息工程学院  湖南 邵阳  422004）