基于多层复杂网络的农产品智慧冷链物流配送路径研究

刘雪雪

(陕西铁路工程职业技术学院，工程管理与物流学院， 陕西，渭南 714000)

0 引言

农产品冷链物流是一个非常重要的环节，从采摘到消费者手中有大量时间都在运输途中。因此，应用现代先进技术，综合考虑物流配送成本和影响因素，规划出高效率、低成本的配送路径具有重要意义。文献[1]通过分析实时路况信息，设置冷链配送接驳点，构建配送路径优化数学模型，并采用蚁群算法进行求解，实现物流配送路径优化。该方法能提高客户满意度，但冷链配送成本较高。文献[2]利用云计算技术，建立冷链物流配送优化模型。采用粗粒度遗传算法，对优化模型进行求解，实现冷链物流配送优化。该方法计算过程简便，但配送距离较长。

针对上述问题，提出基于多层复杂网络的农产品智慧冷链物流配送路径方法。利用多层复杂网络，将人工蜂群算法(artificial bee colony algorithm，ABC)[3]引入其中，对农产品智慧冷链物流配送路径展开深入研究。通过对比实验，验证了本文所提方法的有效性。

1 基于多层复杂网络的物流配送路径描述

假设某地的农产品冷链物流配送中心有一定数量的待配送客户以及若干辆车型、车质相同的配送车，在准确完成配送服务的基础上，实现车辆的最优路径规划。

本文通过构建无向图G=(V，N，A，C)来表示物流配送网络，将V定义为配送客户集合，i和j都表示集合V中的客户，N={1,2,…,n}表示待配送客户，A=[aij]则是无向图中的邻接矩阵。配送中心的位置对于每一位客户来说都是相对的，所以a0j=ai0=1。在物流配送过程中，会受到如交通堵塞、雨雪天气等不确定因素的影响，致使原来的配送路径发生改变，此时物流配送网络属于一个非全连通网络。如果客户i与客户j之间有一条直达线路，则aij=1，反之，aij=0。C表示无向图中各个顶点之间的距离矩阵，这时的物流配送网络就是一个多层复杂网络。

最小化目标函数[4]：

(1)

式中，cij表示客户i与客户j之间的距离大小。

约束条件：

(2)

(3)

(4)

(5)

(6)

2 农产品智慧冷链物流配送路径研究

人工蜂群算法在处理多峰值函数的寻优问题上，具有非常明显的优势，本文利用ABC算法优化农产品冷链物流配送路径。

2.1 初始化人工蜂群

ABC算法是利用人工智能技术模拟蜜蜂的真实采蜜行为，从根本上说属于一种寻优算法[6]。采蜜行为主要由蜂群中的引领蜂、跟随蜂和侦查蜂共同完成。采蜜行为同样也分为3种：寻找食物源、召唤跟随蜂、选择食物源。食物源所在的位置就是寻优问题的可行解，对食物源的选择看作是对可行解适应度函数的计算过程。

首先，算法随机生成Y个由侦查蜂构成的初始种群，Y代表蜂群的数量，也表示找到食物源的数量。Y有xi(i=1,2,…,Y)个解，为一个d维向量。

引领蜂遍历食物源信息[7]，当找到花蜜数量较多的食物源时通知其他蜂群，此时的食物源为一个适应度函数值较高的解。食物源被选择的概率值用式(7)表示为

(7)

其中，fs表示解s计算得到的适应度函数。

引领蜂遍历食物源的公式为

vib=xib+Rib(xib-xkb)

(8)

其中，k∈{1,2,…,Y}，b∈{1,2,…,d}为随机选择的2个常数项，k≠j，R为[-1，1]范围内随机选择的数值。

如果一个食物源在经过limit次的循环后依然没有被选择，说明该食物源已经被蜂群[8]放弃。引领蜂在找到食物源后转换为侦查蜂，转换过程如式(9)：

(9)

通过limit次的循环，可将引领蜂转换为侦查蜂，在一定程度上避免了算法陷入局部最优，起到了收敛作用。

2.2 规划路径优化求解

2.2.1 构造食物源编码

ABC算法以实数编码的形式对食物源进行编码，但是对于农产品冷链物流配送路径的研究，本文采用自然数编码的方式对食物源(需求点)进行编码。1条食物源的信息可用(0,t11,t12,…,t1n;0,t21,t22,…,t2u;0,tm1,tm2,…,tmw)表示。其中，食物源代表配送客户，候选食物源代表待配送客户。从中可以得到，物流配送车辆均由0点出发，第1辆车到达t11,t12,…,t1n后直接返回配送中心，第2辆车则是到达t11,t12,…,t1n后返回；以此类推，第m辆车从0点出发，到达tm1,tm2,…,tmw后返回配送中心[9]。

2.2.2 生成候选食物源

利用交换领域点的方式在食物源中随机选取2个邻域点，完成交换后即可得到候选食物源，如图1所示。

图1中，在有3辆配送车辆、9个需求点的情况下，通过交换邻域点得到新的食物源信息。通过食物源的交换在可以确保自身优良性能的前提下，增加食物源选择的多样性。

2.2.3 适应度函数

根据式(1)求得的目标函数值，再计算其适应度函数，将其代入到式(10)中：

f=1/minZ=

(10)

其中，C0表示两配送客户最短距离，dij表示两待配送客户距离，Gj表示第j个配送客户的物流配送网络，Qi表示所有客户源，gi表示被放弃的客户源，p表示物流配送网络中心与客户之间的距离。

2.2.4 算法步骤

综上所述，利用ABC算法对农产品冷链物流配送路径的研究过程可分为以下几步。

(1) 给定一定数量的食物源，引领蜂通过遍历评估每个食物源，计算其适应度函数值fxi。

(2) 对食物源进行limit次的循环，以及Mcyc次的迭代计算，每个解的循环次数为li=0。

(4) 跟随蜂对引领蜂找到的食物源进行概率值pi的计算，概率值越大说明该食物源越优，对比新旧食物源，丢弃较差的食物源。

(6) 迭代计算次数的最大值为Mcyc，当达到该值时，终止计算，输出结果，此时结果为最优解；如果迭代次数不够，则返回步骤(3)继续计算。

上述中引领蜂表示对客户线路的分析计算，侦查蜂表示搜寻符合配车路径的客户。

通过ABC算法对农产品冷链物流配送路径进行研究的流程如图2所示。

图2 农产品智慧冷链物流配送ABC算法实现过程

图2中，cyc表示迭代次数，Mcyc表示最大迭代次数。通过上述步骤，实现农产品智慧冷链物流配送路径。

3 仿真实验

为了验证本文所提方法对于农产品冷链物流配送是否合理有效，与文献[1]、文献[2]两种方法进行比较实验。实验在某电商基地进行，拥有4个专门调度农产品冷链物流的配送中心。由于周围人群的不同，4个配送中心拥有的车辆数目不同，但选用的车型是一样的。通过配送中心对车辆进行集中调度以及路径规划，比较3种方法，得出配送路径最优且成本最低的方法。

实验中共有15名需配送的客户，所有数据处理均由SQL Server 2000数据库实现。4个配送中心的具体情况如表1所示。

表1 配送中心概况

15位待配送客户的信息如表2所示。

为了验证本文所提方法的收敛性，与文献[1]、文献[2]方法进行比较。3种方法所得配送路线如表3所示。

表2 待配送客户信息

表3 3种方法所得物流配送路线

从表3中可以看出，3种方法对于4个配送中心、15个代配送客户的配送路线是相同的，均为4条路线。本文所提方法、文献[1]方法和文献[2]方法所得物流配送路线如图3～图5所示。

图3 本文所提方法所得物流配送路线图

图4 文献[1]方法所得物流配送路线图

图5 文献[2]方法所得物流配送路线图

通过图3～图5比较可知，运用本文所提方法得到的配送路线更加合理，且行驶距离最短，并且遵循合理调度的原则，将配送成本控制在最低。本文将ABC算法初始化，避免了算法陷入局部最优，通过初始化的ABC算法对农产品配送路径进行了优化，可以节省配送车辆运输路程，节约了运输成本，从而实现了农产品智慧冷链物流配送路径研究。

4 总结

本文引入多层复杂网络，对物流配送网络的复杂性进行分析。考虑到物流配送网络为非全连通网络，采用ABC算法进行寻优处理，通过模拟蜂群寻找食物源的行为，找到概率值最大的食物源，即最优配送路径。通过仿真实验验证了本文所提方法对于规划物流配送路径具有非常明显的优势。