多目标生鲜电商联合配送车辆动态路径优化研究

甘赞菲

在信息化技术以及高速网络逐渐完善的背景下，国内的电子商务环境得到了很大的改善。这篇文章主要研究的就是生鲜电商配送路径的相关问题。以介绍生鲜配上路径优化的重要作用作为切入点，详细阐述了生鲜配送车辆动态路径优化的具体方式。

一、引言

互联网的高速发展让服务行业的行为模式产生了巨大的变革。而作为服务行业的重要组成部分之一，物流行业的发展更是呈现出迅猛的势头。本文以物流行业与生鲜电商的结合作为例子，说明了物流行业的发展对群众的实际生活所产生的影响与改变。

二、动态车辆路径含义及特点

想要了解多目标动态路径的优化方式，我们先要了解的就是动态这两路径的基本概念以及特点。简单来说，所谓的动态路径就是通过合理地安排运送车辆的路线来满足客户的实际需求，以实时追踪系统作为基础，用更为科学的根据道路实时情况优化配送线路的模式来取代传统的既定配送路线模式。这种方式所体现出的最大特点就是时效性以及灵活性，一方面借助实时路况分析技术为配送车辆规划处最优的行进路线，另一方面可以根据货物类型以及车辆的状态来对路线进行合理调整，对于生鲜产品配送工作来说，使用这种模式可以大大缩短物流运输时间，保证生鲜产品的质量。

三、多目标联合配送路径相关问题

（一）多目标路径构成要素

为了降低运输过程中所产生的成本，物流公司就要对多目标路径进行优化，其主要的目的就是运用尽可能少的时间来为更多的客户进行服务。从总体上来说，影响多目标路径优化的因素主要包括以下几个方面。首先是服务的客户，客户是物流企业生存的基础，想要在市场竞争中占有更大的市场份额，就必须要重视客户。一方面要不断挖掘新的客户，另一方面要维持老客户。因此物流企业要不断提高自身的服务质量，就物流车辆行驶路径而言，需要将每一个客户都看做是配送网络中的一个节点，同时对于每一条运输线路上所有客户的需求量进行汇总，形成总货物量数据。其次是货物，对于配送工作来说，将货物安全且完整地运动到目的地是首要任务，在进行多目标路径规划的时候就需要对收获地区、货物的体积重量以及交货时间等元素进行综合性的考量。最后是运输路线，运输路线是由配送中心、行驶线路以及交付地点三个要素组成，在进行多目标路径规划的时候一般采用由节点和线段组成的有有向图进行表示。

（二）联合配送路径计算方式

就目前的技术手段来看，对于联合配送路径的计算主要有两种方式。第一种是分解法，针对单车场的VRP，其解法相对简单，而多车场的VR计算则是一个比较复杂的问题，需要考虑的因素非常多，因此要将多车场VRP分解为多个相对独立的单车场VRP，通过计算这些独立VRP来寻找最佳的解决方案。第二种就是整体法，这种方式与分解法的作用逻辑正好相反，是将多车场问题看成一个整体来进行处理，不再将每一个车场分配给对应的客户，在这种计算方式下，行驶线路将会变得更加复杂，而且由于中间环节的增多，联合配送路径的计算量也随之增加，为了加快计算效率，可以采用以下方式：首先创建一个虚拟车场，虚拟车场到每个实际车场不需要成本，然后把真实的车场假想为客户，这样车量必须在虚拟车场出发，经过实际的配送车场来向客户进行交付，最后在交付完成后让车辆返回实际车场。通过这种方式可以大大简化计算步骤，提高路径计算的效率。

四、配送动态路径优化具体方式

（一）动态配送模式建设

想要让动态路径优化技术稳定地运行下去，就必须要通过计算机技术建立起相关的模型。为了保证模型更加严谨，在建设之前要进行充分的假设。第一，在创建模型的时候只考虑了路况发生改变时车辆速度动态变化的情况，其他的情况不在考虑范围之中。第二，物流车辆的速度随着时间的推移而发生改变。第三，模型中计算的配送时间仅代表车辆的行驶时间，不计算搬运货物以及泊车等事件所花费的时间。在进行充分假设之后，就要对于速度的变化进行计算，一方面是要考虑交通拥堵的情况，这也是影响配送时间的一个非常重要的因素，因此可以将路况分为拥堵、一般、通畅三类，将物流车辆分配到“通畅”类型的路段。另一方面就是对于动态速度的计算，针对三种路况进行独立分析。通过对三种路况车流量、交通密度等元素的分析得出车辆速度分布函数，并且通过公式得出行驶时间函数表达式：，运用该模型可以迅速计算出物流车辆行驶的实际时间。

（二）使用遗传算法

遗传算法是配送动态路径优化技术的一大特点，也是该技术保证“实时性”的重要前提。一方面我们要弄清遗传算法的特点，第一，与传统的优化算法相比，遗传算法运用并行方式进行计算，让优化工作变得更具全面性，通过对于计算范围的不断扩大来对整个路径配置系统进行优化。第二，遗传算法可以针对不同种群中的元素进行统一处理，这种处理方式可以很好地降低遇到局部困境的概率，提高并行化计算的效率。第三，遗传算法具有强大的自适应能力，借助优化过程中所获取的信息，让适应性比较高的基因可以更好地适应周围的环境，增加其生存的几率。第四，遗传算法中不需要用到辅助知识或者是辅助信息，在使用该算法的时候只要确定搜索路径上的目标函数以及适应度函数就可以进行遗传运算。与其他函数结构相比，适应度函数对于数据的连续性没有要求，并且其搜索的范围可以随意设定，这与物流行业具有很高的契合度，因此被应用与动态路径优化技术中。

（三）遗传算法与动态路径优化的结合

首先，要列出n个有顺序的自然数，在计算的时候每一个解就是由n个自然数所组成的一个数组。每一个数组就代表着一种物流车辆行进的线路，使用这种方式可以更为高效地尋找到最优结果。使用数组来代表运输路线部件方便计算软件的读取，而且也方便对于路线进行修改。其次，使用随机生成的方式生成n个客户点，并且根据车辆的荷载限制与配送时间制定初始染色体，如果，同时满足，那么就可以在地ili个客户与ili+1个客户之间插入0 ，如果无法插入就将客户的向前、向后移动一个位置再进行插入，重复这一步骤，一直等到产生了足够规模的种群之后再停止插入。再次，根据设计出来的站群，使用适度函数对于目标记性评价，以此来筛选个体中的优良基因，个体的适应性越高，那么它遗传给下一代的几率也就越大，反之则遗传的几率就变得越小。最后通过遗传算子设计来制定出实时的配送最优路线。可以使用交叉算子、选择算子以及变异算子根据种群的特点进行独立计算，依靠父代染色体与变异后染色体之间的遗传关系来对不同运输路径进行优先级评定，最终完成动态路径的优化工作。

五、结语

信息化技术的不断成熟为电子商务打开了新的局面，特别是对于生鲜行业来说，依靠电子商务可以将商业范围进行空间上的快速扩张，而想要保证服务质量，就必须要运用物流动态路径优化技术来缩短生鲜产品运输的时间，通过这种全新的配送方式来满足越来越大的市场需求。（作者单位：贵州省黔南职业技术学院，大数据与电子商务系）