深度学习在实时配送路径优化中的应用研究

冉龄玉

(重庆交通大学经济与管理学院 重庆 400041)

一、引言

随着信息技术和科技水平的不断发展，以及经济全球化程度的不断加深，深度学习技术发展迅速，应用前景不断拓展。然而，信息社会促使物流市场各企业面临着一个共同的问题——实时物流配送路径优化。当今各行各业都包含不同程度上的物流配送，因而各企业必须重视实时物流配送环节。将信息技术用于寻找更优的、更加科学合理的动态物流配送柔性路径，可以增强物流企业的核心竞争力。实时物流配送路径的合理制定可以在一定程度上降低物流成本，提升运营效率。当今，深度学习已逐渐运用于各行各业。本文从理论角度出发，将深度学习运用于制定实时物流配送路径优化问题，为物流企业的配送路径安排提供参考，具有非常重要的实际意义。

实时车辆路径问题是简单车辆路径问题(VPR)的延伸，它需要同时考虑配送车辆的时空性质和客户单元的实时需求。配送车辆的时空性包含配送车辆在空间上以及时间上的实际状况。实时车辆路径问题与动态交通路况有着很强的关联。目前，国内外学者对该类问题进行了广泛研究。Mingyao qi(2012)[1]将聚类算法结合遗传算法，进一步从时间和空间上分析配送车辆需要符合的条件，从而对VRPTW进行寻优。在Mahmoudi(2016)[2]等人的研究中，只结合前向动态规划的拉格朗日松弛法，这似乎是一种精确解法。陈迎欣(2012)[3]、许星(2006)[4]将遗传算子中的选择操作融入到蚁群算法，构造的混合算法得到了问题的更优解。国外学者将简单车辆路径问题进行多方面多维度延伸，Schmitt(1996)[5]通过改进遗传算法中的选择和变异操作有效解决了有容量限制的配送车辆和客户点时间窗要求的车辆路径问题；Montané(2006)[6]以禁忌搜索算法为主体，同时运用领域操作和聚类算法得到了VRPPD的更优解。Ho(2007)[7]用两种不同的混合遗传算法找到简单VPR的更优解。从现存文献来看，处理车辆路径问题最有效的是禁忌搜索算法，但该方法在设定禁忌期限时较为困难。总之，面对当前的物流市场现状，单一的算法已经无法满足企业的车辆路径优化，混合算法往往能够得到更优解。深度学习为物流车辆配送路径优化问题提供了一种新的思路。

二、深度学习与物流配送路径问题

当前深度学习在各个领域被广泛应用。深度学习的学习能力极其强大，可以学习任何可学的行为，因而应用范围极其广泛。例如，Zięba[8]基于深度学习提出了一种新颖的破产预测方法，该方法利用极端梯度增强来学习决策树的合成。总之，在当前信息科技日益昌盛的社会，深度学习可以结合各种情况的数据进行学习和训练。各行各业要想抓住市场的发展机遇，就需要从大数据中捕获各种信息，需要用更加科学合理的方法优化自身的生产运作安排。

物流配送主要分为两种：中端物流配送和终端物流配送。中端物流配送层级通常高于终端物流配送，一般指对固定客户的稳定需求量进行配送，这里的客户通常指零售店类型的客户。而终端物流配送则处于整个物流配送流程的末端，比如快递配送、外卖配送等等。现在我国物流市场高速发展，客户订单需求时变性极强，交通压力居高不下，从而各企业在设定配送路径时必须要考虑道路交通状况对物流配送路径选择的影响。

在传统物流配送路径设定中，通常在很大程度上是由司机根据经验或者同事的建议，自选路径。如果增加新的配送客户，那么司机需要花一些时间去选择行驶路径。而且传统配送车辆的行驶路径在设定时基本没有在理论上考虑到实时的交通车流情况。当将理论路径付诸于实践时，由于交通路况动态变化和客户量的增减，导致理论路径难以与实际情况完美契合。

三、深度学习与物流配送的结合

很多国外学者已将深度学习应用于基于道路实况的物流配送路径优化研究当中，且取得了显著成果。Yu(2019)[9]通过一种基于深度强化学习的神经组合优化策略高效的找到了最佳路径。Wang(2018)[10]提供了一个全面的调查，重点是利用深度学习模型来提高运输系统的智能水平,进而说明如何将各种深度学习模型应用于多种运输应用。王珂等(2018)[11]证明用深度学习中的机器人训练方法获得的路径规划更加合理,而且算法寻优速度也更快。在客户需求和交通路况动态变化的情况下,通过深度学习的方式,对时变环境进行训练式探索,是一种针对物流配送路径优化较好的求解方向。张湘博,李文敬(2017)[12]基于深度学习，构建基于自编码网络的模型的物流配送路径优化算法。谭娟，王胜春(2015)[13]也通过深度学习对交通流量的状况进行了短期预测。

四、实时车辆路径优化问题在深度学习方面的挑战

一方面，深度学习本身在发展过程中有着一些尚未解决的问题。另一方面，随着国家经济的快速发展，国内交通在越来越四通八达的同时，车流量也越来越大。如何让实时物流配送路径进一步优化到适应当前的经济、交通现状的程度，对各种算法提出了更高的要求。第一，因为深度学习目前没有用系统完整的数学语言归纳描述，深度学习的过程难以可视化，难以解释。第二，交通车流的千变万化，要求各种算法在运行时需要同步考虑配送区域的道路情况，对算法的鲁棒性和通用性提出了更高的要求。第三，客户需求的动态变化要求算法能在更短时间内得到的配送路径。最后，将深度学习推广到社会市场需要一定的时间。

五、结语

针对信息时代大数据的爆发式增长，信息技术与工业生产、各类经济活动之间的联系愈发紧密。当代物流市场迅猛发展，各企业的配送业务中，其配送路径的优化安排是整个企业物流活动中的关键点。将深度学习融合于信息技术，可以有效解决各类实际生产活动中的计划安排。虽然深度学习现在仍处于研究阶段，其理论支撑薄弱，但其在很多应用型研究领域已展现出其强大的学习能力和发展潜力。相信深度学习技术可以为实时物流配送路径优化问题的研究提供更加科学高效的解决方式。