考虑车辆均衡性约束的物流多路径配送仿真

张 岚,赵 芳

(湖北工业大学工程技术学院,湖北 武汉 430068)

1 引言

由于近年来电商行业发展迅速,物流运输物品种类和数量逐渐增加,为物流配送工作带来巨大挑战[1]。与此同时,用户对物流的时速也提出了更高的要求,促使当前物流企业选择多路径配送方式进行商品运输。从物流多路径配送方法的研究现状来看,当前发展较为成熟的研究成果包括:基于数字孪生的物流配送方法、基于基于双层规划模型的配送方法以及基于改进K-means聚类方法的配送方法等,然而在实际的应用过程中,现有的配送方法存在明显的车辆调度均衡性差的问题。车辆调度指的是按照既定路线使车辆在满足一定的约束条件下,有序的通过各个配送点达到一定目标的方式。而当前配送方法存在的车辆调度均衡性问题主要是无法同时满足运输路程最短、成本小以及耗时短等条件。

为了解决上述现有物流多路径配送方法存在的问题,在考虑车辆调度均衡性的前提下,对配送方法进行优化设计。以期能够在满足用户需求的同时,最大程度提升车辆调度的均衡度,进而保证物流配送效率。

2 物流多路径配送方法设计

2.1 整合物流多路径配送信息

在开始物流配送之前首先需要了解基本的配送信息,具体包括配送物品、配送中心位置、配送终点位置等。利用扫描器等硬件设备可以直接得出配送物品的信息,同时通过配送系统相关位置信息数据的调取,也可以初始物流配送信息的采集结果[2]。然而在实际的信息数据采集过程中由于操作失误或环境因素的影响可能会出现数据采集错误的情况,因此在配送信息整合之前需要从冗余数据去除和数据噪声消除两个方面对初始数据进行预处理。在冗余数据的处理过程中,首先利用式(1)计算任意两个配送数据之间的相似度。

(1)

式中X和Y分别表示初始采集的配送数据,若式(1)的计算结果Sim(X,Y)取值为1,则判定X和Y为相互冗余数据,需要删除X或Y数据,若Sim(X,Y)计算结果低于1,则认为X与Y不冗余可以进行下一组数据的消除处理[3]。而数据噪声消除使用的是小波分解与重构去噪法,也就是通过对信号进行小波变换。定义冗余处理后的数据为x(t),则小波变换分解结果可以表示为

(2)

式中αj,k和βj,k分别表示尺度系数和小波分解系数,参量j为小波分解的层数,n为初始采集的配送数据量[4]。经过小波分解后将初始数据中的噪声数据去除,并得到最终的去噪结果。在综合考虑数据格式、内容等因素下,完成对初始配送信息的整合操作,并得出最终的整合结果。

2.2 确定调度车辆实时位置

利用GPS定位设备结合三角定位原理,确定目标调度车辆的实时移动位置[5]。利用GPS设备测得的传播延时t正比于卫星与用户之间的距离,即:

d=vc·t

(3)

式中vc为电波信号的传播速度。而三角定位原理如图1所示。

图1 调度车辆定位原理图

图1中A、B和C分别为三个参考点,其位置坐标已知分别为(xA,yA)、(xB,yB)和(xC,yC),那么存在如下关系式

(4)

式中(xo1,yo1)表示A、C两点对应圆的圆心坐标,r1和θ1分别为半径和A、C之间夹角[6]。同理可以得出A、B以及B、C之间的位置关系,得出圆形交点D的坐标求解结果。结合GPS信号的输出结果,对交点坐标值进行调整,最终得出的结果即为物流配送车辆的当前位置坐标定位结果。

2.3 度量配送车辆调度均衡性

配送车辆调度的均衡性指的是各个配送车辆需要执行的配送任务量,由于各配送路径上的配送距离和配送点数量不同,导致无法直接进行工作负荷对比[7]。因此,在这种物流多路径配送优化方法中,考虑到每条配送路线上多个因素条件,用来衡量各送货线路的工作量大小。具体表述如下

(5)

其中Wi为物流配送车辆i的工作量,Li、Ui和Ni分别对应的是配送路径长度、送货量和用户数量,ωi为变量Li、Qi和Ni的权重值[8]。为了均衡各配送线路的工作量设置一个允许均衡误差为

|Wi-W0|≤εequilibrium

(6)

式(6)中参数W0和εequilibrium分别表示工作量的预设值以及设置的均衡误差。在实际配送执行过程中W0的具体取值根据当日的总配送任务量和调度车辆数量决定[9]。由此完成对车辆调度均衡性的度量任务。

2.4 规划物流调度车辆配送路径

将上述流程得出的均衡性度量结果作为车辆配送路径规划的约束条件,结合物流配送中心和收件位置规划合理的配送路径[10]。首先利用图2表示流程生成配送环境地图。

图2 配送环境地图生成流程图

在配送环境地图中标记配送中心和收件位置坐标[11]。以配送中心为起点搜索可行路径,直到达到收件位置,并选择路程最短路径作为最终的配送规划路径。

2.5 判别物流配送路线交通状态

车辆流量状况判别是进行物流车辆调度的前提和条件,对判定规划物流调度车辆配送路径的可行性,解决交通拥挤问题具有重要意义[12]。为保证物流配送路线交通状态的判断质量,应用了神经网络模型,通过输入层和隐含层的反复交替迭代,直到神经网络模型达到收敛为止。定义物流车辆样本集合为CAR,初始化神经网络过程为

(7)

式中Z和b分别表示输入层和隐含层节点的数量。在初始结果获取的前提下,可以将神经网络的训练误差表示为

(8)

其中变量μ为节点完整性系数[13]。结合上述,物流车辆配送路线的交通状态判别函数为

P(CAR)=ε(δ+ν(b))

(9)

式(9)中变量δ和ν(b)分别表示拥堵时长和拥堵调控参数。设置判断阈值为ηtraffic,公式9的计算结果若高于ηtraffic,则表示交通拥堵,否则证明交通畅通。

2.6 实现物流多路径调度与配送

假设存在K个配送点为n个客户提供物流配送服务,配送方将根据实际情况确定是否建立分配点。假设顾客的物料需求是已知的,现在选择了已有的适当地点来满足每一需求点的产品输出,从而使从该分配点向顾客的产品配送成本最低,同时寻求最大的配送时间可靠性[14]。定义每个客户对应的需求量为qi,配送点i到j的综合配送成本为cij。由于每辆车不得超过最大容量限制,因此设置最优物流车辆多路径调度配送问题的目标函数如下

(10)

同时设置配送方法的约束条件为

(11)

式中Q表示每辆物流配送车辆的最大容量[15]。根据规划配送路径以及交通状态的判定结果,最终确定实际的配送路线,并在考虑车辆调度均衡性的前提下,完成车辆的物流多路径配送任务。

3 仿真分析

为了测试设计的物流多路径配送的应用效果设计测试实验,由于物流配送需要消耗大量的人力和物力,真实的实验场景可能会影响正常的物流作业,因此此次实验选择以仿真的方式进行,并通过与传统配送方法的对比,体现出设计方法的性能优势。

3.1 配置仿真环境

利用计算机设备和MATLAB软件构建仿真环境,根据某城市主城区的道路分布作为实验路网数据,区域内建筑物等面状地物作为仿真环境中道路规划的障碍物。最终构建的仿真场景共包含8条街和10条路。为了最大程度的还原实际物流车辆配送过程,在不同的位置上设置车辆限速数据,在默认状态下城市道路上的平均行驶速度为10m/s。

3.2 准备物流配送算例

在配置好的实验环境下,选择三个配送中心位置,并以随机生成的方式在建筑区域内部设置多个用户端。准备的物流配送算例包括一次物流运输的所有配送任务,表1为算例1中的所有配送任务数据。

表1 算例1物流配送任务数据表

同理可以得出实验中设置的其它算例的配送任务设置情况,由此将实验划分成5个组别。在仿真环境中生成4个车辆节点,作为物流配送工具。

3.3 设置仿真测试指标与对比项

此次仿真分别从车辆调度均衡性、配送耗时和配送成本,其中车辆调度均衡性指标的数值结果为

(12)

ΔT=|tarrive-tout|

(13)

式中变量tarrive和tout分别为商品配送到达时间和调度车辆离开配送中心的时间。另外配送成本的数值结果为

Ctotal=Ccar+Closs+Cother

(14)

其中Ccar、Closs和Cother分别为运输车辆成本、货损成本和其它成本。最终计算得出的车辆调度均衡性越高、配送时间开销和成本越低,说明对应配送方法的应用性能越优。

为了体现出优化设计方法的应用优势,仿真设置基于数字孪生、基于基于双层规划模型的配送方法作为实验的两个对比方法,将其转换成计算机可以直接识别和运行的程序代码,并保证三个方法处理的配送任务相同。

3.4 仿真结果分析

通过配送方法的运行以及公式12的计算,得出配送方法车辆调度均衡性的测试对比结果,如图3所示。

图3 不同配送方法车辆调度均衡性对比曲线

从图3中可以直观的看出,与其它传统配送方法相比,设计方法的车辆调度均衡性更接近4,即设计方法的调度均衡性更高。另外四种配送方法的配送耗时与成本统计结果如表2所示。

表2 配送耗时与成本测试结果

表2中ΔT数据为公式13的计算结果,三个方法的平均配送耗时分别为98.2min、83.6min和56.8min。另外将表2中的Ccar、Closs和Cother统计数据代入到公式14中,可以得出配送成本的平均值为1.25万元、1.19万元和0.69万元。综上所述,与传统方法相比,设计配送方法的平均耗时和配送成本更低,由于用户满意度与配送耗时之间存在负相关关系,设计方法配送耗时更短,对应的用户满意度更高。由此说明设计的考虑车辆调度均衡性的物流多路径配送方法在应用方面具有更高优势。

4 结束语

物流作为互联网时代的产物,其服务质量直接影响了行业的发展速度。通过对配送车辆调度均衡性的充分考虑,可以有效的提高配送方法的应用性能,即在缩短配送时间的同时降低配送成本。然而由于设计实验采用的是仿真的方式,缺少实际数据,所以在今后的研究工作中应该考虑在一定的调研和调查的基础上,利用实际数据对分析结果进行验证。