电子商务物流中心协作配送控制优化方法

童 婧

(湖南机电职业技术学院 经济贸易学院，湖南 长沙 410100)

随着互联网的高速发展，电子商务物流配送逐渐兴起。在物流货物配送过程中，电子商务物流具有优化区域分布、节省时间等优势，可以充分提高货物运输水平[1-2]。电子商务物流配送中，需要进行多次的方案优化才能更好地落实配送业务，其中最主要的方式就是物流车辆调度的优化问题，通过合理地对配送车辆进行调度，有效缩短物流的运送时间，提升工作效率，优化配送服务质量，降低物流运输及配送成本，可以增加企业的经济效益[3-4]。在物流配送发展进程中，电子商务物流配送中心的数量对配送的实际调度问题具有重要指导意义，可以按照具体的情况分为单独物流配送方案和多车辆配送方案[5-6]。现实中物流配送体系中，往往存在多个物流中心。因此，在信息化、电子化和网络化的迅速发展的进程中，电子商务物流配送具有重要的实际意义，可以对整个物流配送效率起到促进作用[7]。

电子商务物流中心是一个可以及时调度配送车辆，优化配送方案的指挥中心。通过协作配送可以有效控制配送车辆的运输问题，提高物流运输质量。在物流配送过程中，客户的数量逐渐增多与货物的运输时间逐渐延长，导致了多项式复杂程度的非确定性问题的产生，影响着物流的实际配送路径和效率[8]。Ge等[9]通过对城市的多物流中心进行合理规划，构建跨区域的联合配送优化方法，对配送车辆进行时段的约束控制，根据客户的配送信息和地理位置建立时间窗口，划分服务区域，以此达到高效配送的目的。但这种方法在应用过程中，物流配送路程较长，配送成本较高。Pei等[10]采用记忆函数的方式改进传统的模拟退火算法，结合GIS手段对电子商务物流配送的路径进行优化，运用SPSS聚类分析种群得出具体的初始种群、多类型种群和新生态种群，计算各个种群的实际路径，最终形成物流配送协作控制。但这种方法在配送过程中，有些配送点没有配送车辆经过或有多台配送车辆经过，影响配送效果。为此，提出电子商务物流中心协作配送控制优化方法研究。

1 电子商务物流中心协作配送控制优化方法

1.1 电子商务物流中心协作配送控制问题的数学模型

电子商务物流中心可以有效优化物流配送的路径，实现配送过程的有效处理，但是由于影响物流配送效率的因素较多，涉及面积较广，因此需要对物流控制方法进行简化处理。通过分解法，对电子商务物流中心的配送控制问题进行量化分析，简化计算过程，获取有效配送方案[11]。分解法可以将复杂的多因素物流配送问题分解为多个简单的协作物流配送问题，将计算过程较为繁琐的配送路径，拆分为多个路段的简单独立子路径，可以简化计算流程，将各个路段的子路径最优解合成为电子商务物流配送最优路径。通过分解法，可以有效简化路径计算过程，同时可以提高电子商务物流运输效率。由上述分析可知，如何决定每个配送中心服务的区域，即如何将各个客户分配给各个物流中心是分解法的关键。解决该问题常用方法有如下2种[12]：

1)最近距离分配法

客户的配送指定地点即为电子商务物流中心的协作配送最优方案。因此，通过计算客户与电子商务物流中心实际位置，可以有效得出最短配送时间，由此得出客户与各个配送点之间的关系，将配送任务分配至距离最近的配送站点，以减少运输成本，提高经济效益。

设di(h)(h=1,…，H，H为电子商务物流中心数量)为第i个客户到第h物流中心距离。记集合Di={di(h),h=1,…,H}，并选择dm=minDi，则将该客户分配给物流中心m。得到每个客户服务的物流中心后，也就得到了每个物流中心服务的具体客户。

2)边界分配法

设di(h)(h=1,…，H,H为电子商务物流中心数量)为第i个客户到第h物流中心的距离。记集合Di={di(h),h=1,2,…,H}。计算r(i)=minDi/Suub_minDi,minDi和Suub_minDi分别表示集合Di中的最小值和次小值，选取适当的σ，σ∈(0,1)，比较r(i)和σ的大小，当r(i)<σ时，客户由minDi物流中心配送，r(i)≥σ，i为物流配送的边界点，利用节约法对电子商务物流中心进行协作分配。

Sh(i,j)=Chl+Cih+Chj+Cjh-(Chi+Cjh+Cij)=Cih+Chj-Cij，

(1)

其中:j=1,…,Mh;Cij表示点i，j之间的距离。

(2)

即Shl为分界点i与配送中心h的其他配送点的距离节约值总和。如果

S(i,m)=max(Shl),(m=1,…,H)

(3)

边界点i分配给物流中心m。当σ大小发生变化时，可以改变i的数值。当σ=0时，客户均为边界点处；当σ=1时，i分配至邻近的m。分配法可以有效地将所有的配送物流中心纳入计算范围，得出配送路径最优解。

电子商务物流中心数量为H个，配送方案按照一个物流配送中心分配给多个客户的原则进行优化，将配送区域划分为H个区域，第h个配送中心对Lh(h=1,2,…,H)客户配送，有Kh台配送车辆，载重量为Qhk(k=1,2,…,Kh)，最大行驶距离为Dhk。第h个配送中心，第i个客户货物需求量为qhl(i=1,…,Lh)，客户i到j的运距为di j(i,j=1,2,…,Lh)，该配送中心到第j个客户的距离为dhj(h=1,…,H,j=1,2,…,Lh)，再设nhk为第h个配送中心中第k台车辆配送的客户数。其中，Rhk表示第h个区域中第k条路径，rhkl为客户rhki在第h区域中的路径，当rhk0=0时，为物流中心，引入目标函数构建电子商务物流中心协作数学模型，以完成物流车辆调度[13]，得出的配送总里程最短距离为

(4)

为了确保物流运输路径上的货物总数量低于最优值物流配送车辆的最大载重量，需要

(5)

对物流车辆的运输距离进行控制，将车辆的配送长度设定为

(6)

对运输路径的客户数量进行设定，确保物流运输路径客户小于总客户数：

0≤nhk≤Lh。

(7)

将所有配送分区的客户进行数量分析，得出具体分配路径，由此优化具体客户的物流配送服务:

(8)

(9)

将客户的组成路径构建为集合，以此获取最优路径：

Rhk={rhki|rhki∈{1,2,…,Lh},i=1,2,…,nhk}。

(10)

在获取最优路径后，限制每个客户的车辆配送方案，每个客户的货物仅由一辆物流运输车运送：

(11)

区域h中第k辆车服务的客户数≥1，表明车辆参与了物流配送服务，则Sign(nhk)=1；第k辆车服务的客户数<1时，表明车辆未使用，则Sign(nhk)=0。由此，得出电子商务物流具体车辆配送调度方案为

(12)

通过上述论述，以配送总里程最短为优化目标建立电子商务物流中心协作配送控制问题的数学模型，但这种模型的优化目标不是唯一的，根据其具体特点，还需要加入其他优化目标。

1.2 基于改进蚁群算法的电子商务物流中心协作配送控制

依据上述利用分解法求得的电子商务物流配送最优路径和电子商务物流具体车辆配送调度方案，在建立电子商务物流中心协作配送控制问题的数学模型的基础上，根据物流配送的要求，对物流车辆进行调度，利用软时间窗对车辆配送时间进行约束，由此构建软时间窗模型调度车辆[14]。采用惩罚函数表示客户对配送服务的满意程度，由此调度物流车辆优化车辆配送时间。例如，车辆配送时违反的软时间窗约束程度越强，其惩罚数值越大。因此，当惩罚数值达到一定程度时，表明客户对于货物的运输时间不满意，会拒绝签收货物或投诉。

在物流配送过程中，具有软时间窗的惩罚约束函数具有成本优化特点。其中的成本分为两种，一种为距离产生的配送成本，另一种为时间产生的客户拒签或投诉惩罚成本。以往的研究仅对行驶成本进行探讨，但事实上，在车辆配送过程中由于客户投诉产生的惩罚成本逐渐占据主要地位。因此，在考虑车辆调度问题时有必要将时间效应成本[15]纳入到考虑的范围之中。当配送中心的车辆无法满足顾客时间窗的约束时，需要将惩罚成本进行函数表达，得出物流车辆的行驶时间，进而优化配送控制方案。在具体的物流配送过程中，惩罚成本由客户与物流中心的实际交易金额界定，因此运输中的约束偏离时间越长，惩罚成本越高。由此可知，对惩罚成本进行简化分解后，可以更好地优化物流配送方案。

设定惩罚成本函数[16]为

(13)

式中：p(i)为物流运输车辆在si时间内客户i产生的惩罚成本，运输车辆在软时间窗(ETi,LTi)内运输时无惩罚成本；fia为车辆在客户i产生的成本最低值；fib为车辆在客户i处的最低惩罚成本值；aia为物流运输车辆时间提前的惩罚成本；aib为物流运输车辆时间迟到的惩罚成本，客户的软时间窗宽度越窄时其惩罚成本数值越高。

构建车辆调度多目标函数如下：

1)总等待时间。Tkw代表车辆路径k的总等待时间，等于k服务该行车路线上的顾客时，由于早于相应时间窗而需要的等待时间，即

(14)

2)总运输成本。运输成本和行驶里程是成正比的，Tkl代表车辆路径k的总行驶里程：

(15)

本文研究的软时间窗车辆调度问题选取的目标函数形式，可以表示为

(16)

即

(17)

这里约束条件有：

①某一辆车最多只能从某一任务点出发一次的约束条件可以表示为

(18)

②车辆承担的任务量之和不大于车辆的最大载重量的约束条件可以表示为

(19)

③车辆数目为整数的约束条件可以表示为

xijk=0或1；

(20)

④快件数量为整数的约束条件可以表示为

yik=0或1；

(21)

⑤将惩罚约束消除后，可以以此构建不完整的车辆运输优化条件

(22)

⑥每辆车都从物流中心出发的约束条件可以表示为

(23)

⑦每个物流配送中心仅有一辆车辆进行货物运输，同时保证所有的客户都可以得到配送服务

(24)

⑧物流运输车辆对客户完成服务后，返回物流配送中心。其约束条件为

(25)

带时间窗的车辆路径问题考虑了车辆容量限制、每位顾客的时间窗限制与物流中心的时间窗限制，因此带时间窗的车辆路径问题可以有效地将单一问题分解为多个TSP问题，由此便可对其进行求解。求解过程如下：

如果q≤q0，按先验知识选择路径，则有

(26)

否则J由下式进行计算：

(27)

路径中的蚂蚁根据设定的方案进行路线迁移，依照不同的规律择定下一次落脚点。式中ak=(0,1,…,n-1)-tk为k下一次的物流配送点,可用来记录所有未访问的客户。tk(k=1,…,m)为禁忌表，记录k途径的物流配送点。公式(26)中τi j(t)表示t时刻在ij连线上残留的信息素轨迹量函数，ηi j(t)表示边(i,j)的能见度，反映由i点转移到j点的路径距离。α为信息启发式因子，反映在实际运输过程中信息素在蚂蚁移动时的作用，数值越大，表明蚂蚁协作效果越强。β为期望启发式因子，为物流运输过程中启发信息在路径选择上的受重视程度，数值越大，则转移概率越接近贪婪规则。其中q0是一个常数，q0∈[0,1]，而q是在[0,1]区间均匀分布的随机数。第k只蚂蚁按照状态转移公式从i点选择了j后，分析蚂蚁到达j点后，判断蚂蚁到达j点时的容量是否超过容量限制，若超出车辆容量，则a(k,j)=0，记录j点，重新将j点加入ak表中；否则，判断时间窗约束是否满足，若不满足，则a(k,j)=0，并将j点重新加入ak表中，若满足时间窗则将j点加入禁忌表中，开始从j点开始按概率转移公式选择下一节点。

在物流路径段中更新信息素，利用独立的路径段内的信息素参数改变物流配送方案。将l通过的路径进行行为约束，则

τij=(1-ε)·τij+ε·φ(t)。

(28)

物流配送路径中通过信息素更新配送方案，其中ε∈(0,1)是信息素挥发参数。从而实现所有的m只蚂蚁都完成构造分解。

对更新后的物流配送方案进行信息素值改变。设m个蚂蚁生成了m个解，且存在唯一最短路径。将属于这条路线上的所有路径相关联的信息素值按下式进行排列：

(29)

式中：ρ为路径信息素，0<ρ<1；Lgb为最优路径参数；τij(t+1)表示t+1时刻(i,j)上的信息素。

通过上述论述，对电子商务物流中心协作配送数学模型进行优化，引入软时间窗概念，利用改进蚂蚁算法对配送模型进行计算，根据求解结果，实现电子商务物流中心协作配送控制优化。

2 实验结果与分析

为了证明本文所提出的基于改进蚁群算法的电子商务物流中心协作配送控制优化方法的可行性和实际应用效果，进行一次实验。实验过程中，使用VC++6.0开发软件平台，设定物流车辆最大承重为10 t，最大行驶距离为70 km，耗油量为0.5 L/km。在行驶路段上设定A、B、C 3个配送站点，(10.73 km，5.16 km)为A站点，(9.24 km，4.76 km)为B站点，(3.91 km，6.47 km)为C站点。按照客户需求量，分配最优配送路径，产生最小耗油量，具体用户需求信息如表1所示。

表1 用户需求信息

实验过程中，引入文献[10]中方法，比较本文方法和文献[10]中方法的电子商务物流中心协作配送控制结果，如表2所示。

表2 不同方法配送调度结果对比

通过表2可以看出，利用本文方法进行电子商务物流中心协作配送控制，行车的路线较少，且在配送过程中，汽车的实载率较高，并且没超过汽车的最大承载力，因此配送的效果较好，行车距离较短，降低了物流成本。因此本文所提方法的配送效果较好。

对本文方法中电子商务物流配送控制的速度进行分析。实验过程中，采用表1中的用户需求信息，设定每个物流中心派出1辆车进行配送，得到的结果如表3所示。

表3 基于速度的车辆配送策略

通过表3可以看出，本文所提算法能够进行配送，配送的耗时整体较为均匀，保证能够在规定的时间内将快件配送到客户手中，而文献[9]和文献[10]方法在配送过程中，有些线路能够在较短的时间内实现物流配送，但有些线路需要的配送时间较长，难以保证其在规定时间内完成配送，因此本文方法配送的效果较好。

对本文方法的配送区域进行实验，引入文献[9]和文献[10]方法，通过对比实验，得到的物流中心车辆配送结果如图1所示。

图1中，A表示物流中心，通过分析图1可以得出，本文所提方法能够将快件配送到目标区域，而文献[9]和文献[10]方法在配送线路制定过程中，存在2条线路有同一目标的情况，如文献[9]方法配送线路中A—4—3—2—7—6线路与A—12—10—11—6线路的同一目标是6，因此本文方法配送的效果较好。

对电子商务物流中心协作配送进行实验，设定有3个物流中心A、B、C，得到的结果如图2所示。

分析图2可以得出，根据文献[9]方法对物流进行配送控制，存在配送点重复经过配送车辆的情况，如物流中心B—19—13—18—1—9—5—22—21，物流中心B—5—22—21，其中5配送点重复配送了2次，配送效果较差。文献[10]方法中18配送点和1配送点重复配送了2次。而本文所提方法对物流进行配送控制，保证了所有配送点都有配送的车辆经过，且每个配送点仅有1台车辆经过，如物流中心C—14—18—1—9—4—3—2—16—17—15，因此配送的效果较好。

3 结语

针对当前电子商务物流中心协作配送控制优化方法存在的车辆配送距离较长、配送的效率较差的问题，本文提出了一种基于改进蚁群算法的电子商务物流中心协作配送的方法，实验结果表明，所提方法能够降低配送距离，提高配送的质量，为该课题向应用研究领域发展提供了理论依据。