考虑生鲜食品新鲜度的全渠道配送路径优化

王开轩 杨斌

摘 要：针对全渠道零售模式下消费者线上下单、零售门店配送的消费模式，利用生鲜食品质量衰减原理，设计了一种考虑新鲜度水平的全渠道生鲜食品配送模式，建立双目标数学模型对配送路径及冷链各环节温度选择进行优化研究，在尽可能满足顾客对生鲜食品最低新鲜度要求的同时降低冷链配送总成本。为验证模型有效性，分别用改进粒子群算法和改进遗传算法对不同规模的算例进行求解。实验结果表明，本文建立的混合整数规划模型能够较好解决全渠道模式下考虑生鲜食品新鲜度的配送路径优化问题。此外，相较于改进粒子群算法，改进遗传算法更具优势。

关键词：路径优化;改进粒子群算法;改进遗传算法;生鲜食品;全渠道零售;新鲜度;满意度

中图分类号：F252.14文獻标识码：A文章编号：1008-4428（2019）05-0017-05

一、 引言

随着零售模式不断升级，全渠道零售应运而生，通过整合线上线下多种渠道，使消费者能在任何时间、任何地点享受到无差别的线上、线下购物体验。

全渠道零售模式被认为是能打破传统线上与线下模式的一种新兴业态，而生鲜食品销售与消费模式是最符合新零售模式发展的一种品类。生鲜食品种类多且具有易腐败性、保质期短和易受环境影响等特点，在配送过程中需要通过低温的环境降低自身代谢和微生物的生长，从而抑制生鲜食品的腐败速度。

目前，越来越多的生鲜电商企业开始重视线下门店集体验、销售、前置仓、服务等为一体的功能，支持消费者线上下单、门店自取以及周边社区送达的服务。但不可忽视的是，线下门店的背后是高额的房租成本和人工成本，成本结构相对固定。生鲜食品种类多、易受环境影响、保质期短等特点，也对生鲜食品企业的选址能力、运输能力等提出了更高层面的要求。

因此，在全渠道零售模式下研究生鲜食品配送优化问题具有重要意义。现有的针对全渠道的研究多为定性研究，针对全渠道背景下的路径优化问题研究较少。M.M.S Abdulkader提出了一种全渠道零售背景下的车辆路径模型，这也是第一篇解决这类问题的文章。本文在此基础上，针对网上下单、门店配送的模式，利用生鲜食品质量衰减原理，以“消费者对生鲜食品品质的满意度”和“物流成本”为目标，构建考虑食品新鲜度的全渠道生鲜食品配送模型，运用改进粒子群算法和改进遗传算法求解，通过设计不同规模的算例，优化配送路线和温度选择，验证模型有效性和算法优劣性，以期为生鲜企业实际运营提供决策支持。

二、 模型建立

（一）问题描述

消费者在网上购买生鲜食品时，一般不会接受新鲜度水平不足预期的产品。而生鲜食品在存储和运输的过程中产品新鲜度水平会逐渐下降，其下降的速度与运输环境密切相关。在生鲜食品冷链过程中，温度显然是控制食品新鲜度衰减最重要的因素，生鲜食品质量衰减速率θ遵循阿伦尼乌斯方程：

全渠道生鲜食品配送网络由两部分构成：从配送中心到零售门店的补货配送和从零售门店到消费者的线上订单配送。企业通过使用同一车队整合零售商配送系统和消费者配送系统，订单的分配由距离和零售商库存等因素决定，在给零售商门店进行补货的同时配送各零售商分配到的消费者订单。基于以上描述，构建全渠道生鲜食品配送路径优化模型。

（二）基于遗传算法的模型求解

根据本文建立的模型，建立改进的遗传算法进行求解。其编码设计与粒子编码相同，对交叉、变异算子、适应度函数等要素进行设计，并采用轮盘赌法选择子代个体。

1. 交叉算子

遗传算法中交叉操作如图2所示。首先在父代1中随机挑选3个基因位上的基因值，将其复制到子代染色体同基因位上。然后在父代2中剔除与父代1中已选择的基因值相同的基因，将剩余基因位上的基因值按次序复制到子代中。

2. 变异算子

遗传算法通过变异算子对染色体的局部进行修改，按一定变异概率在某一基因位上用新的基因值替代旧的基因值，从而保持种群多样性。如图3所示，父代第3和第8基因位上的基因值互换后形成了子代。

3. 适应度函数

在构建适应度函数时，采用加权求和的方式将双目标函数变为单目标函数，权系数为Q。为保证成本和满意度为相同的数量级，给满意度函数乘以一定的放大系数S。

四、 算例分析

（一）参数设计

1. 基本参数

假设某生鲜食品企业在某区域有1个配送中心，坐标位置为（0，0）。本文中不考虑配送中心库存和存储温度，并假设配送中心的生鲜食品初始新鲜度水平均为100%。

现假设在（0，100）内有4个零售商需求点和20个顾客需求点，各零售商和消费者对两种生鲜食品的补货需求在（30，120）和（1，10）千克内随机产生。

零售商与顾客均对生鲜食品新鲜度有要求，因有存储需求，故零售商对生鲜食品新鲜度要求较高，在（80%，95%）之间随机产生，而顾客对新鲜度要求在（70%，95%）之间随机产生。

具体零售商、顾客信息如表1、2所示，配送中心、零售商、顾客分布图如图4所示。

模型假设从配送中心到零售商的运输成本cij的运输费率为10（元/吨·公里），从零售商到顾客的运输成本c'ij的运输费率为15（元/吨·公里），平均车速为40（公里/小时）。在整个供应链中因新鲜度不达预期会产生食品废弃成本，不同食品的废弃成本系数不同，本文假定生鲜食品A、B的废弃成本系数分别为10和15（元/千克）。不同温度下的车辆固定冷却费用不同，温度越低，冷却费用越高。具体车辆信息如表3所示。

2. 食品质量衰减

王晶等等根据蔬菜类生鲜食品保质期及质量衰减函数计算出蔬菜类生鲜食品每天新鲜度衰减量，如表4所示：

（二）求解结果

1. 改进粒子群算法求解结果

利用改进粒子群算法求解的运输路线如图5所示，每条路径的运输温度、各类型生鲜食品运量如表5所示。其中，种群规模设置为100，最大迭代次数设置为200，学习因子为1，最大权重为0.8，最小权重为0.5。

以路线1为例，表示将C14的订单分配给R3，将C6、C7、C8、C9、C12、C15、C16、C21的订单分配给R4，根据先零售商后顾客的配送原则，依次进行配送。在这条线路中，由于配送链条长，并且C7、C15和R4对食品新鲜度要求高，所以在这条配送线路上温度选择较低（2℃）。

2. 改进遗传算法求解结果

利用改进遗传算法求解的运输路线如图6所示，每条路径的运输温度、各类型生鲜食品运量如表6所示。其中，种群规模设置为100，最大迭代次数设置为200，交叉概率0.8，变异概率0.1。

从结果中可以看出，由于路线2和路线3的配送路线链条均较短，故在配送路线温度选择上相对灵活，在保证新鲜度水平的前提下可选择较高的配送温度（10℃），以降低车辆冷却成本。路线1的配送链条较长，且由于R3和R4被分配到的消费者平均最低满意度要求均较高，分别约为86.17%和84.43%，所以这条配送路线上的温度选择较低（4℃）。

3. 算法结果对比与分析

基于以上算例，利用改进粒子群算法和改进遗传算法进行求解，适应度值分别为-29973和-36731，总成本分别为48363元和38269元，运行时间分别为14.6219s和18.2113s，满意度分别为97.92%和93.75%，算法的收敛情况如图7所示。由收敛结果可知，针对此整数规划问题，相较于改进粒子群算法，改进遗传算法收敛速度更快、收敛精度更高。

为了进一步验证改进粒子群算法和改进遗传算法在本问题上的有效性和优劣性，本文列举了两个新的算例。其中，算例B中增加了1种蔬菜类的生鲜食品，算例C中扩大了生鲜食品配送模型中的节点数量，增加了2个零售商节点和20个消费者节点，并通过两种算法对成本、运输时间、满意度等指标进行对比分析。由表7结果可以看出，当算例规模较大时，相较于改进粒子群算法，改进的遗传算法更具优势。

五、 总结与展望

本文在全渠道零售配送系统的基础上，结合生鲜食品质量衰减规律，综合考虑配送总成本和消费者满意度等目标，构建考虑新鲜度的全渠道生鲜食品配送系统，并设计改进粒子群算法和遗传算法进行求解，对配送路线及温度选择进行优化。为了进一步验证模型的可行性，本文对算例规模进行调整，算法对比结果表明该模型可有效在降低配送总成本的同时提高客戶满意度。此外，当算例规模扩大时，改进的遗传算法更具优势。

本文在构建全渠道生鲜食品配送系统时，仅考虑了消费者线上下单、零售门店配送的情况。在未来的研究中，可以考虑增加全渠道背景下的其他配送模式，如同城众包模式等，研究不同种生鲜品适合的配送模式。

参考文献：

[1]Norbert Beck， David Rygl. Categorization of multiple channel retailing in Multi-，Cross-，and Omni-Channel Retailing for retailers and retailing[J]. Journal of Retailing and Consumer Services， 2015（27）： 170-178.

[2]范宇. 全渠道零售模式下水产品销售与冷链配送的创新研究[J]. 现代经济信息， 2018（8）： 169-170.

[3]M.M.S. Abdulkader， Yuvraj Gajpal， Tarek Y. ElMekkawy. Vehicle routing problem in omni-channel retailing distribution systems[J].International Journal of Production Economics， 2018（196）： 43-55.

[4]Ghare P M， Schrader G F. A model for exponentially decaying inventories[J]. Journal of Industrial Engineering， 2007（80）： 465-475.

[5]Shi Y H， Eberhart R C. Empirical study of particle swarm optimization[C]// Proceeding of IEEE International Conference on Evolutionary Computation （CEO 1998）， Piscatawany， NJ， 1998： 69-73.

[6]王晶， 刘昊天， 赵然. 基于食品安全的生鲜食品冷链运营优化研究[J]. 系统工程理论与实践， 2018， 38（1）： 122-134.

作者简介：

王开轩，男，辽宁大连人，上海海事大学物流科学与工程研究院硕士研究生，研究方向：车辆路径优化;

杨斌，男，山东青岛人，上海海事大学教授，博士生导师，研究方向：物流企业战略与商业模式。