基于混沌烟花算法的多车型供应链物流运输调度方法

吕雅丽

（内蒙古自治区交通运输事业发展中心，内蒙古 呼和浩特 010010）

0 引言

供应链是围绕生产企业、销售企业及用户展开的一种功能网链结构。随着全球经济的高速增长，电子商务市场竞争愈发剧烈，尤其是供应链与供应链之间的较量，如何高效管理供应链是当下电子商务领域中需要重点解决的难题。近些年来，我国众多学者将目光聚焦在供应链物流调度研究上，应毅等[1]为解决物流派件调度区域划分不合理等问题，利用聚类与二分图算法设计了一种派件调度分配方法，有效提升了物流配送效率；曾艾婧等[2]为达到物流配送远程运维目的，通过数字孪生技术建立了一个物流配送结构模型，实现了更高效的物流配送。一般情况下，供应链中的产品成本是固定不变的，所以要想提升供应链的市场竞争力，需要从物流运输角度入手。因此，该文在此基础上对供应链物流运输调度方法进行深入研究，为推动我国电子商务发展做出了一定贡献。

1 计算空间兼容量

空间兼容量就是在供应链的物流运输环节，全部车型车辆可以承受的最大运输量。如果该数值较大，则代表供应链中各车型的运输能力较强，所以在设计多车型供应链物流运输调度方法[3]时需要获取空间兼容量。假设全部车型车辆的调度编码条件是m，在供应链中，调度编码条件一直在非负整数集合R内，那么空间兼容量的计算公式如公式（1）所示。

式中：K为调度全部车型运输车辆可以承受的最大运输量；η为供应链中物流运输系数；T为各车型的运输车辆核心调度特征向量；αm为当调度编码条件为m时，各车型运输车辆自身的调度能力；φm为当调度编码条件为m时，各车型运输车辆自身的运输能力，也是设计多车型供应链物流运输调度方法[4]的关键参数；P为单位时间内各车型运输产品的均值。

一般情况下，在供应链物流运输调度过程中，如果干扰因子不出现变化，那么根据公式（1）求得的空间兼容量数值越大，说明该车型运输车辆的调度能力与产品运输能力越强，而多车型供应链物流运输调度方法的设计工作需要在满足车辆调度能力与运输能力的基础上进行。随着如今经济全球化和电子商务的快速普及，复杂产品的供应链物流运输调度问题始终随着企业的整个生命流程。在多重供应链物流运输调度的基础上，考虑以最小化采购、加工和运输成本为目标，建立复杂产品的供应链物流运输调度是最需要解决的问题。

2 基于混沌烟花算法的运输路径决策

为了满足供应链物流的不同需求，考虑多种车型、车辆容量、车辆油耗以及车辆最大配送距离等约束条件，以最小油耗、最短配送距离为目标，建立多车型供应链物流运输调度模型，运输路径决策是多车型供应链物流运输调度方法中的关键。这种大规模复杂优化问题通常可以利用蚁群、遗传等算法来解决，但多车型运输路径决策时易受编码机制选择的影响，造成这些算法发生“早熟”状况，所以该文引入一种新颖的混沌烟花算法来实现供应链物流运输路径的决策。混沌烟花算法[5]将各个烟花当成运输路径的可行解，那么全部烟花就可以构成一个解空间，然后通过烟花爆炸产生火花的过程进行解空间的全局搜索，进而寻求到最优解，也就是最佳供应链物流运输路径。由于每个烟花爆炸的半径与火花数量均不相同，而只有爆炸半径较大的烟花才拥有全局搜索能力，反之如果半径较小，仅拥有局域搜索能力，因此需要利用适应度来选择烟花，进而实现运输路径解空间的全局搜索。假设烟花总数为Y，根据公式（2）来求得烟花爆炸半径。

式中：rn为第n个烟花的爆炸半径参数；R为烟花的基本爆炸半径参数；Sn为第n个烟花的适应度参数；Smin为全部烟花适应度的最小值；τ为防止发生除零操作的机器最小值。

利用上面的方式求解出烟花爆炸的半径之后，已知烟花爆炸出现火花的过程本质上就是爆炸火花位置随机生成的过程，如公式（3）所示。

式中：Mnw为烟花随机选取出维度w中火花位置出现移动的过程；V（-1，1）为在[-1，1]的均匀分布。

而在混沌烟花算法的寻优过程中，一般也会根据赌轮盘规则进行最优个体的选择，那么物流运输路径被选择的概率如公式（4）所示。

式中：g（Mn-Mu）为解空间内运输路径Mn与其他路径Mu之间的距离。

由此可以看出，该距离数值越大，该运输路径被选择的概率也就越大。在此基础上，使用混沌搜索机制进行解空间的全局搜索。在混沌搜索过程中，当搜索到最佳运输路径时，会用该路径位置取代烟花n的初始位置，直到满足终止条件即停止搜索，将物流运输路径[6]决策结果输出。

3 设计多车型供应链物流运输调度模型

配送车辆调度问题是运输领域比较热点的一个话题，而多车型配送车辆调度问题是车辆调度问题中的一个分支。一般情况下，企业为了配合客户的各种问题，都会通过各种方式去降低配送成本，而多车型供应链物流运输调度[7]的目的在于寻求满足运输路径畅通、运输成本较低以及车辆油耗较低等条件的最佳运输调度策略，所以该文在这些约束条件的基础上设计了一个调度模型，完成供应链中配送起点与配送目标之间的最优调度运输。使用畅通度约束因子D1（t）来描述物流运输路径的畅通程度，其表达式如公式（5）所示。

式中：Ct为运输车辆到节点t时行驶路径的畅通程度；Ctmax为车辆对路径畅通程度可以接受的限值。

公式（5）所求畅通度因子的数值越大，代表该运输路径越畅通。使用运输成本约束因子D2（t）来描述物流运输调度中的运输成本，其表达式如公式（6）所示。

式中：Bt为供应链物流中，运输车到节点t时实际产生的运输成本最大值；Btmax为供应链物流中，运输车到节点t时预计产生的运输成本最大值。

公式（6）所求运输成本约束因子的数值越大，代表该调度策略中物流运输所需的成本越高。运输成本主要包括油耗费、通行费等。使用运输时间约束因子D3（t）来描述物流运输调度中的运输时间，其表达式如公式（7）所示。

式中：Et为在供应链物流环节，多车型运输车到节点t时实际消耗时间的最大值；Etmax为在供应链物流环节，多车型运输车到节点t时消耗时间的最大值。

该式所求运输时间约束因子的数值越大，代表该调度策略中物流运输所耗费的时间越长。由于在实际的供应链物流环节中每种车型运输车的油耗情况存在一定差异，因此该文使用单位运输路径的油耗约束因子D4来描述各运输车辆的油耗，其表达式如公式（8）所示。

式中：miny为油耗最小；dtj为节点t、j之间运输路径长度；lqjt为运输车辆q的决策标量；I为供应链中配送目标点集合；J为供应链中配送起点集合；Q为运输车辆的车型集合。

综上所述，该文所建立的物流运输调度模型如公式（9）所示。

式中：ω1、ω2、ω3、ω4分别为各约束因子的权重。

通过该文建立的运输调度模型，可实现在多约束条件下供应链物流运输中的多车型选取以及运输路径更新，达到最优物流运输调度的目的。

4 算例分析

为了验证该文所设计的多车型供应链物流运输调度方法的可行性，进行运输调度的模拟试验。同时为提升试验的合理性，选取基于聚类算法的运输调度方法、基于数字孪生的运输调度方法与该文方法一起进行模拟试验，并详细分析试验的对比结果。为了使模拟试验环境更接近真实物流运输环境，该文于Intel Xeon E5 CPU 的计算机上搭建试验硬件平台，使用Visual Studio 2019 编写试验软件程序。通过随机生成方法获得模拟算例：1 个供应商与20 个零售网点的多车型供应链物流运输调度问题，该供应商与零售网点的信息见表1 和表2。

表1 供应商信息表

表2 零售网点信息表

在此基础上使用该文上述3 种调度方法，实现该供应商与12 个零售网点之间的运输调度，结果见表3 和图1~图3。

图1 基于混沌烟花算法的调度方法下运输路径图

图3 基于数字孪生的调度方法下运输路径图

表3 物流运输调度结果

从以上模拟试验结果可以看出，在基于聚类算法的调度方法下，全部零售网点的运输最少需要2 种以上车型才可以实现，而最终的总运输距离为6122km，总油耗为589.74L；在基于数字孪生的调度方法下，全部零售网点的运输也需要2 种车型才可以实现，最终总运输距离为5208km，总油耗为688.44L，虽然运输距离比第一种方法更具优势，但其油耗却大大提升了；在该文设计的调度方法下，全部零售网点的运输需要3 种车型来实现，最终总运输距离为5081km，比对照组降低1041km、127km，总油耗为525.84L，比对照组降低63.9L、162.6L。由此可知，无论是物流运输距离还是车辆油耗，该文设计方法均比试验对照组方法更具优势，因此在混沌烟花算法基础上设计的多车型运输调度方法具有更强的寻优能力，在实际的运营过程中也更有优势。

5 结语

针对供应链中多车型的运输调度，该文引入混沌烟花算法并设计了一种调度方法，该方法在适应多车型运输环境的同时，可以有效调度物流进行及时运输。试验结果表明，该文设计的调度方法可以获得最优的运输距离与车辆油耗调度结果，实现了供应链高效率物流运输。然而，该文引入的混沌烟花算法虽然可以寻求到最优解，但其运行时间较长，易陷入局部最优情况。因此今后将在不影响求解质量的基础上，对如何提升混沌烟花算法的运算效率做进一步的深入研究。

图2 基于聚类算法的调度方法下运输路径图