新零售背景下生鲜食品超市配送路径优化研究

李佳儒，王玉珍

(1.兰州财经大学 信息工程学院，甘肃 兰州，730020;2.兰州财经大学 丝绸之路经济研究院，甘肃 兰州，730020)

我国零售业已经进入“新业态取代旧业态”这一阶段，意味着线上线下+物流融合的新零售业的兴起，受到众多消费者和企业的喜爱。新零售将取代纯电商或线下实体店的传统零售业。新零售物流在满足消费者新要求和新体验下，实现消费者信息与物流商品数据的有效对接与共享，通过建立现代物流体系，提升物流周转效率与分析预测消费者需求[1]。新零售的到来使物流发生以下转变：从大批量少品种到小批量多品种的变化；从IT技术到DT大数据分析技术的变化；从机械化、自动化到智能化的变化[2]。新零售下的消费群体日益增加、对配送范围的界定，有效减少了物流和仓储成本，有助于食品的产、供、销的信息流共享，保障其每天的配送量。新零售下的现代物流体系的打造提升了物流配送效率和消费者体验。但是，因消费者对时间要求较高，大多数物流配送商品为生鲜产品，很容易腐烂变质。此外，对于冷链物流的投入成本很高，总的配送成本对物流配送的路线的选择显得尤为重要。黄海松等[3]通过引入位置——次序编码和二次搜索，提出改进的狼群算法求解最短路径，该算法在TSP问题离散域求解上做出了改进；高岳林等[4]通过引入自适应随机惯性权重，提出改进的鸟群优化算法求解农产品冷链物流最短路径，从标准函数的测试中表明该算法收敛快，精度高；梁喜等[5]在动态性物流网络下运用非支配排序改进遗传算法来求解考虑客户聚类的选址——路径问题混合整数优化模型，对重庆市某企业的实例验证表明该模型和算法求得的客户地址可以提高物流配送的效率；金祖进[6]运用梯度——坐标轮换法对煤矿搜救机器人进行路径优化，仿真结果表明，煤矿搜救机器人在避开障碍物的前提下，会自动选择最优搜救路径；王有鸿[7]通过分析农产品运输聚类结果，研究其外部相似性，采用遗传算法对生鲜农产品物流配送路线进行聚类优化，结果表明该方法能提高装载率；张文峰[8]以最大运输距离、产地的产量和网点容量为约束条件，采用量子粒子群算法对基于冷链物流网点建设成本和运营成本进行成本优化，结果得出运输配送总成本显著降低；田歆等[9]设计了自适应遗传算法对汽车配送公司进行车辆路径优化，结果表明，该方案能有效减少配送车辆数量。以上学者的研究是基于优化方法对物流配送路径的研究，然而以消费者为主体的新零售物流，考虑时间窗的物流配送路径优化对提升消费者体验和满意度有实际意义。宾松等[10]改变遗传算法的编码方法和交叉、变异的自适应机制，提出改进的遗传算法对基于软时间窗的车辆路径问题进行求解，并与传统遗传算法进行对比，验证了该算法简单有效；唐佩佩等[11]为求同城生鲜农产品的配送最短路径，将运输成本、惩罚成本和货损成本作为目标函数，采用遗传算法验证同城生鲜农产品物流配送模型的合理性；杨华龙[12]在以每个需求点的物流费用为目标函数基础上，引入腐烂指数求损失成本，求解最小物流费用；韩富状[13]采用GIS技术在路线顺畅和交通拥堵情况下对时间窗车辆路径问题模型仿真模拟，验证表明该方法可以节省费用和减少时间损耗等。

综上所述，在物流配送路径优化问题研究中，物流配送时间、物流配送距离及求解模型中的算法优化是该问题研究的主要方向。但是，与新零售生鲜食品配送相结合的研究并不多且还不完善。因此，文中在建立运输成本的物流配送优化模型基础上，加入软时间窗约束产生的惩罚成本，通过遗传算法在MATLAB中实现求解，设计出生鲜食品超市的物流配送路线，为公司的总成本节约和路线规划提供参考。

1 路径优化模型构建

1.1 问题提出

基于软时间窗的路径优化问题，在顾客地理位置、顾客需求量已知条件下，从配送中心出发，且物流配送的车辆为同一型号，在不能超过物流配送车辆额定载重量的前提下，根据顾客需求的时间区间，对其进行商品配送。在配送过程中，每位顾客只能被访问一次，每条配送路线仅由一辆车运输。每辆配送车辆在完成配送任务后，需返回配送中心。

生鲜食品的新鲜度放置时间过长容易腐烂变质，物流配送公司因错过顾客要求的时间区间送达而产生的配送服务成本与损坏成本为惩罚成本；物流配送距离产生的成本为运输成本。因此，对物流配送路径选择的标准是使运输成本与惩罚成本达到最小化。

1.2 假设条件

文中对生鲜食品物流配送过程中出现的问题和实际情况，提出如下假设。

生鲜食品单向流向，顾客没有退货情况；只有一个配送中心，所有的配送车辆从配送中心开始，直至完成配送任务后返回配送中心；在客户要求的时间窗区间之内送达不存在惩罚成本；配送车辆的行驶路线道路顺畅、平稳，行驶速度相同。

1.3 约束条件

1)配送车辆承运生鲜食品的总量不得超过配送车辆的最大装载量；

2)单个客户仅对应一个配送车辆的服务；

3)车辆需要在客户期望的时间窗内和可接受的时间窗内进行送货。

1.4 目标函数

文中构建的总成本包括车辆运输成本及惩罚成本。

1)运输成本

运输成本是指车辆在运输过程中支出的成本。主要包括油耗成本，它和运输的距离有关。用Ct表运输成本，则

(1)

公式(1)中：C1代表每公里行驶的运费；

dij代表客户i与客户j之间的距离；

xijk代表0-1变量，若车辆k在路段(i，j)上行驶，则为1，否则为0。

2)惩罚成本

惩罚成本是指没有在约定的时间将商品送到顾客手中，但是也不会造成顾客拒绝收货，但会造成满意度下降，以此作为惩罚成本。文中以软时间窗计算惩罚成本。软时间窗对应的惩罚函数如图1所示：

图1 软时间窗对应的惩罚函数Fig.1 Penalty function corresponding to soft time window

如图，p0为最大惩罚成本，区间[ETi，LTi]为零惩罚成本即消费者期望的商品送达时间段，区间[a，b]为消费者可接受的送达时间段[11]。则惩罚成本Cp为

(2)

公式(2)中：ETi代表客户期望最早时间；

LTi代表客户期望最晚时间；

p1代表早到惩罚因数；

p2代表晚到惩罚因数；

ti代表客户i收到货物的时间；

[ETi，LTi]代表顾客期望的时间窗；

[ai，bi]代表顾客可接受的时间窗。

综上所述，文中生鲜食品超市的路径优化模型为

(3)

s.t.

(4)

(5)

(6)

ai≤ti≤bi

(7)

(8)

(9)

公式(3)表示目标函数，由配送车辆的运输成本和惩罚成本构成；s.t.代表约束条件。

公式(4)表示车辆承载的重量不得超过车辆最大载重量Q；

公式(5)表示当值取K时表示生鲜食品配送中心拥有K个可以使用的配送车辆，当值取1时表示一个客户只能分配给一辆车；

公式(6)表示配送车辆结束配送任务后需要回到配送中心；

公式(7)表示配送车辆必须在客户可接受的时间窗内提供服务；

公式(8)和公式(9)为研究问题的决策变量。

2. 生鲜食品超市实证分析

以生鲜食品超市为物流配送中心，对其附近5 km范围内，在顾客期望的30 min到1 h这个时间内送达。目前该生鲜食品超市物流配送成本高，生鲜食品配送时间长。文中以生鲜食品超市的一次实际物流配送为例，求解生鲜食品物流配送路径的优化解决方案。并采用遗传算法对比分析，验证算法在模型中降低生鲜食品超市的物流配送成本的有效性。

2.1 数据收集

表1 配送中心及客户位置与需求量

Table 1 Demand corresponding to location of distribution center and customer

编号X坐标/kmY坐标/km需求量/kg012 143.9683 118.043115.5112 143.8453 118.45759.5212 144.7303 116.04194.5312 143.8153 119.326136.5412 144.0133 120.514101.5512 144.3473 120.366154.0612 145.7823 120.30766.5712 145.9423 117.321136.5812 140.2323 118.098164.5912 142.9573 117.235143.51012 141.5733 118.859178.51112 141.8603 117.618108.51212 140.9703 116.910115.51312 142.5943 116.416105.01412 142.1193 119.06038.51512 140.9323 117.96556.01612 140.6873 116.19059.51712 140.2333 117.08870.01812 145.3903 116.04166.51912 144.9993 116.78121.02012 145.6153 118.30180.5

表2 客户时间窗与服务时间

Table 2 Customer time window and service time

编号期望时间窗可接受时间窗服务时间/min00109:30-10:0009:10-10:1010209:30-10:0009:20-10:105310:00-10:3009:50-10:409410:00-10:3009:40-10:5012509:00-09:3009:00-10:009610:00-10:3009:50-10:5014709:00-09:3009:00-09:506810:30-11:0010:10-11:2012910:30-11:0010:20-11:10151011:00-11:3010:40-11:40131111:30-12:0011:10-12:20161212:00-12:3011:50-12:40101311:30-12:0011:20-12:10101410:30-11:0010:50-11:2091512:30-13:0012:20-13:1031611:00-11:3010:50-11:4051712:30-13:0012:40-13:2051812:00-12:3011:40-12:5061910:30-11:0010:10-11:1062011:00-11:3010:40-11:502

表3 遗传算法参数

Table 3 Parameters for genetic algorithm

遗传算法参数参数大小染色体长度 21.00交叉率 0.60变异率 0.01最大迭代次数500.00

2.2 实验结果分析

根据配送中心和各个客户的地理位置、客户要求的时间窗及需求量等基本信息，采用MATLAB2014a进行编程，运用遗传算法实现对模型进行求解。

遗传算法优化之前的配送成本和路线如表4和表5所示。

表4 优化之前的配送成本

Table 4 Distribution cost before optimization

总成本/元运输成本/元惩罚成本/元运输距离/km运输时间/h1 034.8119.54915.2676.634.87

表5 优化之前的配送路线

Table 5 Distribution routes before optimization

车辆1车辆2车辆3路线0-4-7-10-19-16-2-15-1-8-00-12-18-6-14-11-3-17-00-9-5-20-13-0

结合表4可知，配送路线共使用3辆小型冷藏车对20个客户进行物流配送服务。配送花费的运输时间为4.87h，运输距离为76.63km，运输成本为119.54元，惩罚成本为915.26元。配送路线图如图2所示。

图2 优化前的配送路线Fig.2 Distribution routes before optimization

遗传算法优化之后的配送成本和路线如表6和表7所示。

表6 优化之后的配送成本

Table 6 Distribution cost after optimization

总成本/元运输成本/元惩罚成本/元运输距离/km运输时间/h882.49104.24778.2566.824.62

表7 优化之后的配送路线

Table 7 Distribution routes after optimization

车辆1车辆2车辆3路线0-3-4-7-10-19-16-2-15-8-00-11-14-6-12-9-5-20-00-1-17-13-18-0

结合表6可知，使用遗传算法优化之后的配送路线共使用3辆小型冷藏车对20个客户进行物流配送服务。配送花费的运输时间为4.62h，运输距离为66.82km，运输成本为104.24元，惩罚成本为778.25元。配送路线图如图3所示。

图3 优化后的配送路线Fig.3 Distribution routes after optimization

运用MATLAB软件得到的适应度函数曲线如图4所示。

图4 遗传算法求得的适应度函数曲线图Fig.4 The fitness function trace obtained by GA

从图4可以看出，随着迭代次数的增加，得到的解会慢慢趋于一个稳定值[15]。稳定后的总成本为882.49元。因此，经遗传算法求得的生鲜食品超市的最优物流配送路线为

第一辆车：0—3—4—7—10—19—16—2—15—18—0。

第二辆车：0—11—14—6—12—9—5—20—0。

第三辆车：0—1—17—13—18— 0。

3 结论

在新零售背景下，车辆配送路径的选择影响到企业的成本和效益。基于此，文中采用遗传算法对生鲜食品超市物流配送路径问题进行实例验证。结果显示，配送时间提前了5.13%，配送里程节约了12.8%，配送总成本降低了14.72%。因此，文中用遗传算法求解生鲜食品超市物流路径优化模型得出的车辆配送路线，可以提高生鲜食品超市的经济效益，降低物流配送成本，为增强企业的核心竞争力提供有效的参考。