物流运输车辆多站点协同配送模式及运行路径优化

文/张琦可

0.引言：

在物流配送操作中，不仅要控制物流成本，增加利益，更需要降低碳排放量，保护环境。因此，物流运输车辆的配送方式与运行路径的设定与选择具有重要的理论意义与现实意义。

1.物流运输车辆多站点协同配送模式及运行路径优化方法设计

对比多种方法后，在本次研究中选择多目标优化技术以及遗传算法，对原有多站点协同配送模式及运行路径优化方法进行完善，完善的优化方法基本结构如图1所示。

图1 多站点协同配送模式及运行路径优化流程

根据图1中内容，本次研究将路径优化过程大致分为三部分。在物流运输车辆多站点协同配送模式设计结果基础上，设定路径优化目标函数，并构建物流运输车辆路径优化模型，以此完成整体优化过程。为保证上述设计结果具有研究价值，在理论部分完成后，将构建实验环节对其加以验证。

1.1 设定物流运输车辆多站点协同配送模式

在多站点协同配送模式的设定过程中，实现事先对此类配送问题展开基础要素描述。通过多轮分析后，确定了此问题中包含的数据信息。具体内容如下：

（1）用户数量以及具体地理位置；（2）配送车辆的类型、载重量以及运行成本；（3）用户的需求量以及可接受服务时间；（4）配送中心数量以及地理位置。根据以上数据信息，对物流运输车辆多站点协同配送模式进行假设：（1）物流车辆的起点与终点均为物流配送中心，且物流中心具有充足的物资供应量；（2）物流车辆的型号、载重能力以及供能方式均相同，车辆的配送过程中的运输速度为恒定数值；（3）物流车辆的充能时间相同，在物流配送点的停留时间可忽略不计；（4）用户需要的服务时间以及物资量为已知量；（5）物流配送中心、车辆充能中心以及用户位置为已知量。根据上述内容，设定配送模式选择过程中的约束条件，具体内容如下：（1）配送过程必须满足用户对物资的需求量以及配送时间要求；（2）物流车辆在配送过程中不得超载；（3）每个用户仅能享受一个物流中心以及物流车辆所提供的服务。根据上述内容，确定物流运输车辆多站点协同配送模式。

1.2 确定物流运输车辆多站点配送目标函数

在以往的研究中，大部分的学者对最短物流配送路线进行了细致的分析，因此在本次研究中不对此部分进行赘述，对其他两部分目标函数进行详细计算，则有：

（1）最短用户等待时间计算方程

其中，f表示运输时间计算系数；α表示车辆基本停留时间；ti表示物流车辆在第i个用户处的停留时间；s表示用户可接受的等待时间系数。使用上述公式，可以得到用户的最短等待时间，其计算结果将作为目标函数的组成部分之一。

（2）最低物流运行成本

在本次研究中，仅对物流车辆的运行成本展开计算，因此不计入物流企业其他部分的支出。车辆运行成本计算公式设定如下：

其中，C表示单位里程的运输成本；Aijk表示物流运输过程中的变量；dij表示物流运输过程中途径的路径长度。使用上述公式对物流成本展开计算。在本次研究中将物流运输路线长度设定为minD，对上述公式进行整合，得到本次研究中所需的目标函数：

minZ=minT+minC+minC（3）

其中，minZ表示目标函数。根据预先设定的物流运输车辆多站点协同配送模式中的约束条件，对上述公式的计算过程进行控制。根据此目标函数，完成物流运输车辆路径方案设定，并在全部方案中选择最优方案，完成物流配送。

1.3 构建物流运输车辆路径优化模型

由于物流车辆运输路线优化过程是一种多目标优化过程，在最优方案的选择过程中需要多个领域的因素。基于此计算特征，在本次研究中选择遗传算法构建物流运输车辆路径优化模型，通过模拟生活进化法则，获取最优车辆运输路线，完成整体分析过程。在以往的研究中也有部分学者采用此技术，完成车辆路径优化过程，但使用效果不佳。在本次研究中，设定适应度函数，对遗传算法的计算过程进行控制。适应度函数在遗传算法使用过程中可对目标函数进行优化，优化后目标函数可设定为：

上式中，f'i表示公式（3）所表示的目标函数；f''i表示车辆路径优化适应度函数。f'i与f''i成反比例关系，当f'i取值范围越大，f''i的取值范围则越小。在此公式基础上，确定优化过程中的算子，具体内容如下

其中，n表示物流车辆数量；i表示某个物流用户点；f''i表示两者之间的适应度。使用上述两公式，计算各个物流用户点与物流车辆之间的适应度，而后确定两个节点在同一路线中的概率，如此该概率较高，连接此两点得到配送路径。由于遗传算法是一种搜索型算法，其计算规则需要在计算前对计算单元进行设定，避免过度运算。因此，本次计算中，需要预先设定迭代次数，以此对计算效率以及计算结果的精准度进行把控。通过上述计算得到全部配送路线后，根据预设的目标函数，对全部配送方法进行计算。

2.实验论证分析

在本次研究中提出了一种新型物流运输车辆多站点协同配送模式及运行路径优化方法，为验证此方法的使用效果符合当前路线优化要求，构建实验环节对此方法的应用性能进行验证。

2.1 实验准备

在本次实验中，将城市中的某个区域作为实验范围。此实验区域内含有3个配送中心，采用新能源物流车在此区域内进行协同配送，给用户提供配送服务。考虑到物流车的配送成本相对较高，此次研究中采用物流平台统一租用车辆方式控制配送成本，避免车辆闲置的问题，降低物流企业运行风险。此次选用的电动物流车最大载重量为500kg，此车辆具有轻巧、低能耗的优点，在电池充满电后可持续行驶200km。车辆的运行过程中，选用快充充电方式，充电时长约为1小时，没错充电价格控制在30元左右。此物流车的其他运行参数如表1所示。

表1 物流车运行参数

在三个配送中心存在10位用户等待服务，为了便于后续实验操作，降低计算难度，将用户与配送中心的距离采用欧氏距离表示，同时对用户的需求信息、位置以及可操作时间进行统计，使用表2表示。

表2 用户基本配送信息

将上述两表格内容作为本次实验中的基础信息以及数据基本构成，在此实验准备结果基础上设定实验方案获取实验结果，并完成分析过程。

2.2 实验方案

实验准备环节完成后，对采集到的数据进行处理，为后续的实验环节提供便利。在本次实验中，将实验数据处理环节设定为两部分，首先根据数据完成地图标注，将全部用户点绘制到预设的地图中。经过多轮对比后，选择MATLAB软件完成此部分操作，对预先设定的数据进行扫描，并将其录入到实验设备中。在此过程中需要注意，用户需求点的位置不能被实际环境中的障碍物遮挡，且不可重复标记，标记点不得与地图背景使用相同颜色。而后，在地图标记完成后，将配送中心位置设定为z1、z2以及z3，同时标注出车辆的出发点。对用户位置进行排序，分别为01-10。

在MATLAB软件编程中，输入文中方法对此实验区域的配送过程进行求解，为控制计算参数对实验结果的影响，将计算参数设定如下：种群大小：500；最大迭代次数：300；交叉计算概率；0.8；变异概率：0.2。根据此参数结合原始路径优化方法获取最佳物流配送方案，将其作为路径优化前对照组，具体信息如表3所示。

表3 路径优化前配送路径基本信息

对上表中内容进行分析可以看出，使用原有优化对配送路径进行完善后，此区域的物流配送路径可分为5部分，以此为区域内的全部用户提供服务。如果对此区域内的用户提供全年服务，物流公司的全年配送成本约为251495.7元。统计上述数据作为本次实验的对照组，通过对比分析的形式，确定文中方法的使用效果。

2.3 实验结果分析

按照预设的实验方案，使用文中方法对路径进行优化，所得实验结果如表4所示。

表4 路径优化后配送路径基础信息

根据上表中内容完成配送后，对实验区域的全年运输成本进行统计，所得结果为201562.5元。将上表中的内容与表3中所得数据进行对比可以发现，本文方法从配送路线、实际载重、实载率以及运行总成本方面均得到提升。除去上述因素，文中方法使用后，配送的整体运行时间得到缩减，更加证实了文中方法与原有方法相比具有优势。综合上述分析结果可以确定，文中方法的使用效果优于原有方法。

3.结束语

随着物流业的高速发展，当前物流运输车辆多站点协同配送模式及运行路径优化方法已经无法满足物流企业与用户的需求，因此，在本次研究设计了一种新的优化方法，以此缓解当前方法在应用中的不足。C