“一带一路”倡议下跨境电商物流配送网络优化

2018-12-22毕岚

信阳农林学院学报 2018年4期

毕岚

(安徽工业经济职业技术学院财经学院，安徽合肥 230051)

跨境电商的发展有利于推动“一带一路”倡议的建设；但由于跨境电子商务具有配送距离长、成本高等特点，使跨境电商的物流配送存在风险[1]。为了促进“一带一路”沿途国家的经济发展[2]，对“一带一路”倡议下跨境电商物流配送网络的设计进行了研究。在电商网站购物时，部分客户会对配送时效性有较高的要求；同时，还有客户需要较低的物流配送价格。为了满足不同类型客户对物流配送的需求，将物流配送设计问题建模为一个多目标的优化问题，并应用改进后的文化基因算法求解该问题。

1 配送网络的多目标问题建模

物流网络分为六个部分：接收订单、揽货、运货至仓库、运输到目的仓库、仓库配送、终端配送。本文所考虑的跨境电商物流配送网络如图1所示。

图1 跨境电商物流配送网络概念模型

我们将物流配送网络的设计问题建模为一个多目标的优化问题，以同时最小化配送时间和物流成本为目标，优化问题的目标函数如下所示。

P1: minmizeαT+βC

(1)

其中，T代表配送时间，C代表物流成本，α、β是权重。T和C的计算方式分别如式(2)和式(3)所示。

(2)

(3)

在电子商务网站购物时，部分客户会对配送时效性有较高的要求，因此在建模时需要最小化配送时间T；同时，还有客户需要较低的物流配送价格，所以需要最小化物流成本C。根据物流节点的流守恒、运输数量和到达数量的守恒、第三方物流提供商物流容量的限制、仓库容量的限制、总体配送过程时间的限制以及决策变量的定义域，本优化问题的约束条件如下所示。

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

约束条件(4)是第三方物流公司的物流容量限制，约束条件(5)是原始仓库揽货的处理容量限制，约束条件(6)是原始仓库传输容量的处理能力限制，约束条件(7)是目的仓库传输容量的处理能力限制，约束条件(8)是第三方物流公司的终端配送能力限制。约束条件(9)是第三方物流公司揽货和向原始仓库发货的总数量的守恒，约束条件(10)是原始仓库的流量守恒，约束条件(11)是目的仓库的流量守恒，约束条件(12)是客户收据总金额及其需求之间的守恒，约束条件(13)是原始仓库发货数量与目的仓库收货数量之间的守恒。约束条件(14)是决策变量的取值，约束条件(15)是变量的非负约束。

2 优化问题求解

优化问题P1是一个经典的混合整数规划模型，利用分支限定法[3]、切割平面法、启发式算法等都可以有效地解决这类问题。此外，也可以使用优化软件工具(如MATLAB)来解决此类问题。对于实际问题，可以用上述方法进行有效的求解。本文使用改进后的多目标文化基因算法来对优化问题P1进行求解。

2.1 染色体编码

采用基于优先级的编码方法，针对本文的优化问题对已有方法[4]进行修改，改进后的算法如下所示。

算法1 基于优先级的染色体编码输入:原始仓库集合K,目的仓库集合J,目的仓库需求bj,原始仓库容量Ckn,配送成本Costkj输出:染色体编码1: Initialize gkj=0; //初始化2: l = RandomSelectNode(); //从物流配送网络中随机选择一个节点l;3: if l∈K then //节点l是原始仓库4: j = SelectMinCost(); //选择最小成本的目的仓库j5: else6: k = SelectMinCost(); //选择最小成本的原始仓库k7: end if8: gkj=min(Ckj,bj);9: Ckj=Ckj-gkj;bj=bj-gkj; //更新仓库容量和需求10: if Ckj= 0 then 11: v(1,k) = 0;12: end if13: if bj= 0 then14: v(1,j) = 0;15: end if

2.2 适应度评估

我们利用随机权重法对染色体的适应度进行评估。在给定n个目标函数的情况下，结合目标函数，得到适应度函数如下：

(16)

根据染色体的适应度值，从当前的染色体群体中选择适应度值较高的并将其存储起来，以产生新的种群。新种群中的个体是通过使用交叉算子和本地搜索算子的进化循环生成的。

2.3 交叉算子以及选择

本文采用了基于分段的交叉算子，以相同概率随机选择从父母染色体中选择相应的分段。交叉算子将染色体分成5个部分，每次使用交叉算子时，都会生成两个后代染色体。根据这两个染色体的适应度值，选择其中一个进入本地搜索阶段。采用了著名的轮盘选择方法来从旧种群中选择父母染色体，父母染色体被选择的概率与它的适应度值成正比。假设S表示种群大小，P表示临时后代的数量，那么每次迭代的内部循环必须重复S - P次，以生成足够的个体来形成新的种群。

3 性能评估

为了评估本文算法求解优化问题P1的性能，将本文算法与GA_A1[5]算法进行比较，所使用的测试数据集如表1所示。对于每一个数据集，算法运行分别运行10次，结果取平均值。性能评估的结果如表2所示。表2表明，本文算法的最优解比率更高，这说明了本文算法能得到更高质量的解。尤其是当问题规模较大时，本文算法的优势更加明显。本文算法具有较强的搜索能力，能更仔细地探索到高质量解，从而导致计算时间比GA_A1略长。