基于区块链技术和遗传算法的物流供应链优化

连 尧,丁 皓,马建华

(军事科学院系统工程研究院后勤科学与技术研究所，北京 100166)

0 引言

随着现代物流和物联网技术的发展，客户对物流周期要求更短，并要求提供专门的配送[1]。这使得物联网在物流供应链领域中得到了广泛的应用。物联网技术主要用于加强物流供应链信息化，实现货物监控[2]。但是，随着物流供应链需求越来越复杂，采用物联网技术解决数据中心化存储的不足会出现以下问题：①运输过程不透明；②数据存储不透明；③资源共享难度大。

引入区块链的概念以后，供应链领域中大量使用了区块链技术。区块链技术能够打破当前物联网技术的局限性，对物流业的发展具有重要意义[3]。因此，在物流供应链中使用区块链技术，已成为物流领域发展的方向。

本文研究了基于物联网背景下区块链技术对物流信息协调管理的优化以及遗传算法，优化了物流供应链网络，从而促进了供应链效率的提高以及成本的下降，提升了综合物流管理水平。

1 基于遗传算法的供应链网络建模

1.1 区块链系统架构

区块链是信息技术领域的术语。区块链本质上属于共享数据库，在其中存放的数据或者信息是不可伪造、全程留痕、保持公开的。在2009年，序号为0的第一个区块产生。随后，序号为1的区块也随之产生，并与序号为0的区块相互链接形成链状。这标志着区块链的产生[4]。区块链起源于比特币。在比特币中，将区块看作一个存储数据的空间，用于存储每个区块在某一时间段的所有通信内容。每个区块通过随机哈希实现链接。前面区块的哈希值在后面区块中也被记录。随着信息量的增加，区块和区块间彼此链接，因此被称为区块链[5]。区块链系统架构如图1所示。

图1 区块链系统架构图

区块链系统通常由六个层组成，具体介绍如下。

①应用层。应用层对区块链的诸多应用场景和案例进行了封装处理。如OKLink平台，其承载的任务是跨境支付，而其应用层便是基于区块链实现的。目前经常提到的“区块链+”就是所谓的应用层。

②合约层。合约层包括智能合约、算法机制、脚本代码等，如比特币。比特币本质上是一类支持编程的货币。而在合约层的具体脚本内容中，针对比特币关联的交易机制、条件等作了具体界定。

③激励层。激励层主要承载的现实职能是给予激励，为节点更好地深度参与区块链提供诱导条件。需要注意的是，并非所有区块链结构中都有激励层。激励层结构往往只存在于公有链。究其原因，是数据维护需要全网节点共同参与。因此，保障性的激励干预是必不可缺的。

④共识层。站在区块链的视域，可以将共识层简单地概括为统一的、所有人都认可的规则。所有参与主体都是在这个共识的基础上，去做好总账本的维护、更新。区块链的一个核心内容，即让极为分散的节点在区块链中获得高度共识。这种共识也是区块链社区管理的一种依据。共识层的主要功能是封装网络节点的各类共识算法。在实现的过程中，如何在分布式系统中高效地达成共识是分布式计算领域的重要研究课题。在决策权高度分散的去中心化系统中，可以通过各节点高效地对区块数据的有效性达成共识。

⑤网络层。网络层承载的任务是打通区块链中存在的节点，让其顺利实现信息交互。区块链网络本质上是P2P型，每个节点不仅是信息的接收主体，还是生产主体，节点之间的通信实现是基于共同的区块链网络进行的。在这类网络中，任何节点都是支持新的区块创设操作的。在创设之后，网络层可以面向其他节点以广播的方式传递信息；而其他节点会基于一定的机制来完成验证。若被整个区块链中超出51%的用户给予验证，则这个新创立的区块会出现在主链中。

⑥数据层。数据层主要展示区块链关联的物理内容。区块链设计的最初节点被定义为“创世区块”。在数据层最初节点的基础上，基于同样的规则设置新的区块，并搭建链式结构，从而完成对接。这些主要的链式结构是主链条。随着运行时间越来越长，新区块经过验证，逐渐被引入到主链中。在区块中存在着很多规则与技术，如保障区块是基于时间次序连接的时间戳技术等[6]。

聚焦物流供应链领域，引入区块链可以缩减物流成本、追踪货物的生产和传输过程，并提升物流供应链的管理效率。因此，区块链技术在物流领域中有很广阔的应用前景[7]。

1.2 供应链优化

供应链优化主要是指在有限资源的基础上进行决策的方案。供应链的优化按范围可分为两类，分别是整体优化和局部优化。整体优化是从大量可选方案中找到最佳方案。然而，在现实中可能不存在最好的方案，所以需要局部优化。局部优化则是指在很多相似的方案中找出最好的。这个方法的关键是最初解。最初方案不同，则优化结果也不同[8]。

供应链优化由三个元素构成，即决策层面的变量、目的函数与具体的约束条件。供应链优化的决策变量表示企业要作出的决策，如什么时间需要购买物资等。目标函数则指的是目的，如达到多少利润等。约束条件指的是要满足的条件，如企业生产货物的能力等。

供应链优化有多种方法，但不是所有的优化方法都要有相关的技术。如在一定的时间内需要得到的最优方案，可以采用遗传算法。遗传算法的计算过程简单、实施便利。优化时，采用遗传算法能够获得比较好的方案。

1.3 遗传算法

遗传算法是由美国的Holland按照自然界中生物进化理论提出的。它的计算模型是按照生物进化论中的自然选择和遗传机制模拟自然进化中最优解的方法。该算法采用数学的形式，把求解问题的过程转变成生物进化中基因的变异和交叉相似的过程[9]。在复杂的优化求解过程中，和其他优化算法相比，遗传算法一般可以很快地得到较好的优化效果。遗传算法已在应用组合、信号处理、机器学习等领域中被大量使用。本文将遗传算法应用于物流供应链的优化过程中。遗传算法基本流程如图2所示。图2中：G为种群第一代。

图2 遗传算法基本流程图

遗传算法基本流程执行步骤如下。

①编码。因为问题中的各种参数不能直接被遗传算法处理,要采用编码的形式将要求解的问题模拟成遗传中的染色体或者个体。这种转换的方式被称为编码。

②适应度函数。适应度在生物进化论中表示的是某个个体对于所处环境的适应能力，也代表着个体对于后代的繁殖能力。适应度函数是按照问题求解的目标函数来评价个体好坏的指标，也被称为评价函数。

③初始群体选取。在遗传算法的计算过程中采用的是任意个体。初始群体可用以下方法来设定。首先，按照对问题的已有了解，尽可能掌握最佳解在所有问题中所占的空间领域，在所占的空间范围中设置初始群体。其次，在初始群体中加入随机生成的多个个体中的最优者。然后，不断循环上述过程。最后，保持个体数和群体的预定数目的一致。

④选择。选择是在群体中选择最优的个体的过程。选择是为了利用配对交叉的方式将优化的个体形成新的个体或传递给后代[10]。选择的基础是个体的适应度评估。选择算子一般又被称作再生算子。一般遗传算法包含的算子选择方法有任意循环抽样法、适应度比例方法和局部选择法等。

⑤交叉。在生物进化领域中，遗传基因的重新组合起到了关键作用。而在遗传算法的计算中，交叉算子是关键[11]。交叉是指将父代个体的一些优良结构进行重新组合，从而形成新个体的过程。遗传算法利用交叉使得其搜索能力得到了快速提升。

⑥变异。变异是将群体中的个体的某些基因值进行改变。通常，变异算子的基本操作步骤是：①用原本就设置好的变异概率对群体中的全部个体进行判定，以确认其是否进行变异；②随着选择变异的个体进行变异。

1.4 物流信息协同管理的优化

通过物流信息的协同管理，可促进配送成本的下降，并可快速响应和提升综合效益。因此，本研究将区块链技术应用于传统的物流信息协调管理的优化。

通过区块链技术设计和改进订单处理流程，可有效解决物流供应链中的效率过低、成本过高，以及误差过大等突出问题。从根本上看，提升物流供应链的协同处理能力就是提升其综合效益。

物流信息协同管理优化流程执行步骤如下。

①经销商采购部工作者要制定出一些比较完善的需求订单，并将其共享到基于区块链的供应链信息协同系统中。

②对于制造商而言，其配置的智能合约1，在收取到客户订单信息的前提下，会实现合约内容的触发，自动转入至合同执行阶段。基于合约1给出的机制与方式，会针对订单全部数据作出遍历，判断其数据是否达到了充分条件。若订单数据不充分，则需返回，由经销商需作出调整。满足标准的订单则会添加到供应链系统中。

③订单通过智能合约1后，经销商对应的智能合约2将自动执行。通过系统界定具体的时间戳，得到客户信息，并给予比对。这个过程主要关注的是数据是否存在更改。若数据更改过，则需发经销商再次处理。

④经智能合约2处理的订单，会转入到智能合约3中进行处理。智能基于合约规范与内容，可以从系统中调取库存、财务等具体数据，查看是否达到要求，并针对信用数据作出分析，判定客户信誉状况。若审核不通过，则同样需要退至经销商处理。若审核通过，方可将订单信息，传入区块链数据库。

⑤在智能合约3内容处理妥善的前置条件下，制造商财务部关联的智能合约4会转入执行阶段。这里存在着约束条件，承担着具体的财务数据审核功能。符合要求的订单将被存储；不符合要求的订单则需退回。

⑥智能合约4执行完后，触发执行智能合约5，并自动响应。首先，给出产品出货单，并存入供应链协同系统中。然后，制造商的仓储部门会按照出货单详细规格与参数完成发货。

横向观察优化前后的物流协同状况，可以清晰地了解到，在协同管理系统中引入区块链技术后，无论是在数据安全、去中心化方面还是在流程衔接等方面，优化后的物流协调明显超出了传统方式。由此，通过物流系统结合物流信息，完成Stackelbe模型搭建，并关注区块链为内核的供应链协同系统的现实作用。

1.5 Stackelbe模型构建

销售商可以通过应用信息协同系统动态洞察市场需求，并将产品数量确定为q，通过系统进行订单配送，发给制造商。制造商则可以按采购订单的规模来界定销售商采购数量，并确定单价。单价设定为pl，产品单位成本则设定为c。对于销售商而言，其销售产品的单价则设定为p2。基于此，存在以下函数：

q=a-bp2+β

(1)

式中：a、b为常数。

制造商和销售商的收益分别为：

P1=(p1-c1)q=(p1-c1)(a-bp2+β)

(2)

P2=(p2-p1)q=(p2-p1)(a-bp2+β)

(3)

式中：p1为制造商产品售价；q为销售商采购产品数量；p2为销售商单位产品售价；β为采购数量波动参数；c1为制造商单位产品生产成本；c2为制造商额外库存成本；P1为制造商收益；P2为销售商收益；

通过应用逆向归纳的数学思维，可以求解出最优参数：

(4)

(5)

(6)

(7)

(8)

1.6 物联网供应网络优化

A物流分公司配送快递是基于m个配送中心，并经过n条线路来实现的。在优化网络之前，按照其到每个配送中心的实际距离、单位运输成本，以及各配送中心经每个线路的实际距离、耗费的单位成本、配送的具体业务量等数据，针对线路业务比重给予评估，从而更好把握配送中心的配送状况、能力。

以下搭建关联的模型。设m个配送中心到每条配送路线的成本为f(Xmn),有：

(9)

式中：cm为到达m个配送中心时在每单位量中的配送成本；dmn为从m个配送中出发经过每条配送线路每单位量的配送成本。

假定以j条路为运输所选择的路径，在优先权上，设定为wj；以第i个配送中心为准，其运输路经过j条路，实现的配送量具体设定为Pij。在相关要求上，给出配送效率参数cij=wijPij。则有：

(10)

优化问题求解流程如下。

①确定决策限制条件和变量。其中：限制条件为1≤i≤m、1≤j≤m；决策变量为Pij、wj。

②建立优化模型。优化模型按照式(9)建立。

③界定编码方式。选用BaseV=crthase(r，k)作为区域扫描器，用于描述染色体的解释和表达。染色体用十进制编码表示。用函数crtbp创建一个初始群体，然后生成k个长度为r的十进制Chrom矩阵。

④确定个体测量方法。通过式(10)可知，一般函数的值域是正数。将最大值作为优化目标，则个体的适应度即为目标函数，即：

F(D)=f(D)

(11)

⑤设计遗传算子。选择算子用于选择某些良好的个体，并使这些良好的个体在下一代群体中被继承。一般比例算子就是选择算子。个体被选择同时被下一代继承的概率和适应度成正比的就被称为比例选择算子。设x为群体、y为个体、Wj为个体适应度、pjs为某个体被选上的概率，则：

(12)

由式(12)可知，某个体被选上的概率随着个体在群体中适应程度的增大而升高、减小而降低。

⑥明确遗传算法的相关变量。M为群体大小，指个体在种群中的数量；T为终止循环次数；G为代沟。

2 物流供应链优化结果分析

2.1 区块链技术对物流供应链的优化

本文采用Stackelbe模型，分析论证基于区块链供应链物流信息协同系统的优化效果。首先，选择A公司为制造商、B公司为销售商。以2020年数据为准，查看当年第三、第四季度B面向A订购的产品E具体参数。A制造商在第三季度的单位生产成本、单位库存成本、销售均价分别增长了21.1元、1.2元、28元。实际的第三季度的单位生产成本、单位库存成本、销售均价的平均值分别为1 273.4元、85.8元、1 624.7元。A制造商在第四季度的单位生产成本、销售均价分别降低了121.9元、255.6元，单位库存成本增加了1.7元。实际第四季度的单位生产成本、单位库存成本、销售均价的平均值分别为1 293.9元、81.0元、1 650.97元。B经销商在第三季度共订阅了18 500台产品，平均销售价格为2 165.2元，销售均价上涨了45.8元。B经销商在第四季度共订阅了17 800台产品，平均销售价格为2 208.7元，销售均价下降了234.3元。根据以上数据，可以求解出是制造商与经销商最佳售价，给出最佳订货量参数，继而把握在这种供应链彼此作用的条件下的总收益。

已知优化前物流供应链信息协同系统的效益为3 101 161.74元。根据式(1)，可以获取a、b参数的具体结果，a=27 500、b=9.8。在此假设波动的区间β的取值为200，根据式(8)，求得引入区块链开展优化之后的效益结果，具体表现为3 926 893.76元。横向对比未优化之前的数据，发现整体效益大幅增长，增长幅度达到了26.63%。基于实际数据来判定，在供应链协同管理中，引入区块链技术的效益是显著的。

2.2 遗传算法对物流供应链优化

设A物流分公司的配送中心有5个，配送路径有30条。首先，测量了每个配送中心在达到每条配送路径终端的坐标，具体可以参考表1。在遗传算法进行计算的时候，将个体数量(x)设定为90、最大循环数量(T)设定为300、染色体维度设定为30、代沟变量G设定为0.9，且设定最适应的个体一直都是会传递给后代的。利用遗传算法确定中间变量、追踪遗传算法的性能，就能够得到最优质的结果和所需要的目标函数值。多次循环后，可获得最佳方案。

表1 每个配送中心到各销点的坐标值

通过计算配送中心到各销点的距离，可评估各销点的配送能力和需求程度。通过500次的遗传循环后，物流优化方案如图3所示。

图3 物流优化方案

由上述分析可知，遗传算法能够快速获得物流网络最佳方案。这可为企业管理者提供一些新的理论决策依据，以改善企业的工作效率、降低运输成本、提升服务质量。

3 结论

本文通过对物联网背景下基于区块链和遗传算法的物流供应链进行优化，进一步采用遗传算法对物流信息协同管理系统网络进行构建与性能提升。通过Stackelbe模型分析论证基于区块链供应链物流信息协同系统的优化效果，从中得出区块链对物流信息协调管理的优化可以提升物流供应链整体效益。对其基于物流供应链的配送网络实施了改进，建立了基本的优化模型，遵循配送效率最大化这一原则，引入一定的遗传算法来提取最佳策略。通过改进这些供应链物流网络，采用A企业作为研究对象。研究结果表明，优化后的系统降低了运输成本，提升了工作效率，促进了A企业管理水平和经济效益的提升，全面提高了企业的综合实力。

但本研究也存在不足，物流供应链中使用区块链技术最大的困难，在于如何让企业对去中心化的平台产生信任并接受。这就要求实现信息资源共享和协作。而遗传算法目前还没有办法解决算法中的局部最优问题以及收敛速度慢的缺点。所以后续研究将持续关注区块链技术的发展和遗传算法的改进，从而将以上不足之处作为研究重点，开展更为深入的分析，全面挖掘区块链技术和遗传算法在物流供应链领域中的价值。