基于多目标优化与鸡群算法的跨境电商物流配送优化研究
2021-04-12黄娟
黄娟
摘 要：针对跨境电商在物流配送过程中因地域与商品体量的不同，以及物流选择的差异等导致的物流配送成本与物流配送时间各异的问题，为了提高顾客满意度及提升跨境电商创新运营水平，综合考虑物流配送的时效性与物流配送成本，以客户花最少运费在期望运送时间内送达客户指定的地点为优化目标，基于多目标优化方法构建一个跨境电商物流配送优化模型，并基于鸡群算法求解该优化模型。最后，以某个客户所购的一批商品为例进行仿真分析。仿真结果表明，在满足客户期望时效性的前提下，实际物流配送成本明显低于客户期望物流配送成本，验证了所提出方法的有效性。
关键词：跨境电商;多目标优化;鸡群算法;物流配送优化
中图分类号：F252 文献标志码：A 文章编号：1673-291X（2021）03-0034-04
引言
跨境电商的迅速发展，客户从经济性与时效性两方面同时对跨境电商提出了进一步的要求，货物能否及时且经济地送到客户手中成为赢得顾客满意的条件之一。按照客户要求以最小成本和最快速度将货物送到客户指定的地点已成为跨境电商创新运营的重要途径之一。物流配送费用性价比高与时效性好，尽可能让客户花最少的运费并能随时了解物品运送状态，以及商品能够在客户期望的运送时间内送达，已成为电商选择物流配送的关键，同时也是关系电商进一步发展的关键命脉之一。因此，探寻在尽量满足客户对商品时效性要求下，尽可能降低客户物流配送成本的优化方法已成为研究跨境电商创新运营的热点之一。
在跨境电商不断发展壮大的带动下，跨境物流成本随之增加，导致难以为电商企业提供出能让客户非常满意的优质服务[1]。随着跨境电商的深入发展以及网络的普及，多样化国际物流的快速发展为跨境电商的物流配送提供了多样化的选择空间[2]。针对跨境电商和跨境物流相互融合面临的困境，寻求它们两者之间互相融合与发展的策略及优化方法已迫在眉睫[3]。杜志平、郭承丽等基于演化博弈的模型分析了跨境电商与跨境物流的协同策略，但是并未分析在协同策略下如何提高客户满意度[4]。丁锋、陈军等针对国际贸易与跨境商快速增长从供应链角度出发，基于异化战略研究了提升跨境电商竞争力与提高利润的方法，但是其并未提供相应的数学模型，缺乏数学理论的支持[5]。
赢得顾客满意是跨境电商创新运营的核心问题之一，而如何让货物能够及时且经济地送到客户手中是赢得顾客满意的关键所在。针对跨境电商在物流配送过程中因不同平台、不同体量、不用物流配送等导致了物流配送成本与物流配送时间各异的问题，为了提高顾客满意度及拓展跨境电商运营模式。本文综合考虑物流配送时效性与物流配送成本，基于多目標优化方法，构建了一个跨境电商物流配送优化模型，并基于鸡群算法求解该优化模型。
一、优化问题建模
地域与商品体量的不同，导致了跨境电商在物流配送过程中因物流选择差异造成的物流配送成本与物流配送时间各不相同，因此在兼顾物流配送时效性与物流配送成本情况下探寻跨境电商物流配送优化方法，解决因物流配送的盲目选择而导致物流配送成本高与时效性差的问题，为提升客户满意度提供了新的途径，也是一个研究跨境电商创新运营模式的重要课题之一。为了提高客户满意度，综合考虑客户对商品的时效性与商品的物流配送成本，以客户花最少的运费并能在客户期望的运送时间内送达客户指定的地点为优化目标，本文构建的跨境电商物流配送多目标优化模型如下：
式中，F表示优化目标函数，M表示商品种类数，N表示可选择的物流公司数量，Lij表示商品i在物流公司j的物流配送单价，Tij表示商品i在物流公司j的物流配送时间，Ls表示客户期望的总运费，Ts表示客户期望的物流配送时间，Rij表示商品i是否选择物流公司j，α和β表示权重，Pi表示第i种商品的数量。从目标函数看，优化模型中的第一项关注物流配送成本的优化，即使实际物流配送成本满足客户期望物流配送成本，第二项关注物流配送时间优化;即使实际物流配送时间满足客户期望物流配送时间，显然该物流配送优化问题实际上是一个多目标优化问题。权重α和β分别表示对物流配送成本优化与物流配送时间优化的看重程度，它们的取值范围是到1，且α+β=1。
二、优化问题求解
跨境电商物流配送优化问题是一个非线性有约束且没有数学解析优化规律的组合优化问题。由于组合优化有问题的决策变量被限制为某个范围内的整数序列，变量空间由一组有限的离散点组成。因此，最直接的方法是详尽列举所有的解决方案，并选择一个最有价值的解作为全局最优，但在实际生活中随着试样数量越来越多，这种解决方式通常不可行。动态规划方法和分支定界的方法等传统求解方法，在解决此类问题时也遇到同样的难题。模仿特定自然现象的混合群智能优化算法为解决这类问题提供了新途径。
鸡群算法是一种集成了遗传算法、粒子群算法与蝙蝠算法等的优化特性，模拟鸡群生活规律抽象化得出的一种新的群智能全局优化算法，具有强的自适应能力和多子群协同搜索等优点，已被广泛用于解决多种实际问题。它模拟了鸡群等级制度和鸡群行为，根据不同鸡遵循不同移动规律、鸡群的等级制度、鸡群间的竞争、母鸡孵化后代以及小鸡成长为公鸡或母鸡等行为而实现的群智优化算法。该算法已成为科研领域的研究热点，为解决大量存在于计算科学、工程科学、管理科学等领域的全局优化问题提供了新的求解途径。
设觅食空间为D维，鸡群所含个体总数量为pop，公鸡数量为rNum，母鸡数量为hNum，小鸡数量为cNum。公鸡、母鸡和小鸡的觅食行为如下：
为了保持鸡群算法优秀的进化机制和充分利用鸡群算法的出色优化特性，一种基于混合编码方案的鸡群算法将被用于求解兼顾成本与时效性的跨境电商物流配送优化问题。混合编码的改进鸡群算法将二元组
yij=ceil（xij）
其中，xij的范围是0.001至N-0.001，yij的范围是1—N，函数ceil（x）表示返回大于或者等于x的最小整数;xij表示第i个个体在第j维的位;yij是第i个个体在第j维上所对应的物流公司编号;N表示可选择的物流公司数量。
鸡群算法与其他群智能算法一样，也面临着寻优能力差和容易陷入局部最优等问题。为了克服此现象的发生，结合改进的鸡群位置更新公式，一种变异过程将被用于鸡群算法，构建一种改进鸡群算法。其变异过程是将鸡群种群按照适应度进行排序，随机选取一小部分适应度比较差的鸡群个体，对所选个体的解空间进行取反操作。综合考虑优化问题的目标函数并引入归一化思想以避免大数吃小数问题，基于混合编码方案的鸡群算法的个体适应度计算式构造形式如下：
式中，f表示鸡群个体的适应度;M表示商品种类数;N表示可选择的物流公司数量;Lij表示商品i在物流公司j的物流配送单价;Tij表示商品i在物流公司j的物流配送时间;Ls表示客户期望的总运费;Ts表示客户期望的物流配送时间;Rij表示商品i是否选择物流公司j;α和β表示权重，取值范围是0—1，且α+β=1;Pi表示第i中商品的数量;Lmax表示所有可选的物流公司中最大的物流配送单价;Tmax表示所有可选的物流公司中最大的物流配送时间;ε表示一个很小的常数，它的引入增强了数值计算的稳定性。优化问题求解过程描述如下：步骤一，设置鸡群种群规模及优化问题求解的最大迭代次数;步骤二，根据搜索空间范围初始化鸡群各个个体的各个维度;步骤三，根据鸡群个体各维度值计算解空间;步骤四，计算和排序鸡群个体适应度，记录最优鸡群个体;步骤五，根据鸡群个体适应度大小划分鸡群个体等级;步骤六，根据改进鸡群算法中鸡群个体位置更新公式，更新鸡群个体位置;步骤七，判断优化过程是否最大迭代数，若是则转步骤八，否则转步骤三;步骤八，将鸡群最优个体位置解码，获取优化结果。
三、仿真分析
为了验证本文所构建的物流配送优化模型及求解算法的有效性，本文通过算例分析，选取某个客户所购的一批商品及其物流配送为例进行验证。表1为该客户所选购的商品信息表，下页表2为物流配送到客户指定地点的各个物流公司的配送单价报价信息表。客户期望的物流配送时间是3.5天，期望的物流配送运费为1 300美元。物流配送优化目标函数中两个权重值α和β分别取0.5，ε取0.000001，鸡群算法迭代100次，本文所提出方法的优化结果如下页表3所示。经过本文所提出方法优化之后，该客户的这一批商品总运费为1 200.5美元，整批商品平均物流配送时间是3.5天。从优化结果看，整批商品平均物流配送时间与客户期望的3.5天相当，但是整批商品的物流配送费用明显比客户期望的要低很多。
四、总结与展望
赢得顾客满意是跨境电商创新运营的核心问题之一，而如何讓货物能够及时且经济地送到客户手中是赢得顾客满意的关键所在。针对跨境电商在物流配送过程中因地域不同、商品体量不同、物流配送平台不同等导致的物流配送成本与物流配送时间各异的问题，本文综合考虑物流配送时效性与物流配送成本，以客户花最少运费并在期望运送时间内送达客户指定的地点为优化目标构建了一个跨境电商物流配送多目标优化模型并基于鸡群算法求解该优化模型。仿真结果显示，在满足客户期望时效性的前提下，实际物流配送成本明显低于客户期望物流配送成本，表明本文所提出方法用于解决该类问题行之有效，也为解决类似的实际应用问题提供了新的参考。
参考文献：
[1] 华丹，郑雪玲.跨境电商多元模式下跨境物流企业服务功能整合优化[J].今日财富（中国知识产权），2019，（1）.
[2] 骆瑞都.跨境电商环境下国际物流模式的改进与发展[J].中小企业管理与科技，2019，（12）：56-57.
[3] 胡正维，冯天尧.跨境电商与物流融合的困境及对策研究[J].环渤海经济瞭望，2019，（2）.
[4] 杜志平，郭承丽，等.基于演化博弈的跨境电商物流联盟合作分析[J].数学的实践与认识，2019，（10）.
[5] 丁锋，陈军，等.基于差异化战略的跨境电商竞争策略研究[J].运筹与管理，2019，（6）.
[责任编辑 文 娇]
