非满载物流运输中最优节能电子商务模型探讨

摘 要：研究非满载物流运输中电子商务模型的最优节能问题，可以提高经济效益。针对电子商务中顾客需求量小、分布分散的非满载运输特点，需要建立电子商务的物流配送优化数学模型来提高经济效益，传统的电子商务模型利用线性函数构建模型，不符合非满载物流运输的非线性特性，造成模型构建不准确，不能有效提高经济效益。为此，本文提出基于遗传算法的电子商务模型构建方法，通过将不同需求的客户分类，根据非满载运输特性建立非线性目标函数，对构建模型的NP-Hard性质采用遗传算法进行求解，得到最优节能电子商务模型。仿真实验表明，该方法能够针对非满载物流运输的特性建立准确的电子商务模型，提高经济效益。

关键词：电子商务；物流运输；最优节能

本文索引：王健.<变量 2>[J].中国商论，2023（08）：-095.

中图分类号：TP181 文献标识码：A 文章编号：2096-0298（2023）04（b）--03

伴随互联网、大数据平台的飞速发展，物流配送已成为企业商品运输的重要环节，其中很多大型企业采用电子商务作为物流配送核心，不仅加快了企业的经济增长，还提高了企业的运作效率，成为当前企业物流运输的主要方式。在日益普及和优化的物流配送中，传统的电子商务模式已不能满足企业客户对物流配送的新需求，众多个性化的电子商务模式逐渐出现。B2C型电子商务是为满足客户需求量少、需求品种多、客户分布较分散的个性化需求而产生的一种服务到客户终端的新型电子商务模式。对B2C型电子商务，因其需求量不大且客户分散等，相应的物流配送具有非满载特性。因此，如何得到非满载物流运输的最优节能电子商务模型，提高经济效益，成为新型电子商务需要解决的关键问题。

1 非满载物流运输的电子商务问题描述

对于B2C型的电子商务物流配送问题，需要考虑在销售期内客户对商品的需求量、客户地理位置和配送中心位置，通过最优节能求解确定配送中心数目、配送中心位置，以求达到总体物流配送成本最低，保证电子商务的经济效益。

将非满载物流运输的电子商务用数学模型表示，求最优节能解，需要对非满载物流运输做以下规定：

（1）对于配送中心的选择，需要选择最优的配送中心数目、位置，即满足配送中心最优原则：

式中：——配送中心需要滿足的原则目标函数；

Cij——配送中心数目；

——配送中心位置。

目标函数追求的目的是配送客户数量与中心位置形成最优的匹配。

（2）物流配送中，每个有配送需求的客户只有一个对应的配送中心负责为其服务。

（3）客户对物流配送的各类企业商品需求及对应物流运输中心供货量都可以进行前期成本预测，依据客户对货品的需求速率和配送中心对客户配送货品的供应速率满足恒值特性：

式中：——客户对货品的需求速率；

N——客户预测总数；

Gjv——配送中心供货速率；

M——预测配送中心数目。

（4）物流配送的周期是配送中心从供应货品点两次进行商品运输补充的间隔时间，企业商品运输中的计划周期、进货周期、配送周期按照图1所示周期关系。

图1中，纵坐标轴Q表示配送中心商品库存量，横坐标轴T表示时间，从图1可以清楚地辨别出企业商品运输中三种周期之间的递进增加关系。

在企业商品运输模型构建中，评价货品物流运输最优节能的关键指标有：配送中心对物流配送的费用投入、满足客户需求的配送中心需要进行配送的运输费用。其中，配送中心对物流配送的费用投入一般由配送中心的规模决定，其值变化不大，因此这项费用一般不作为评定节能指标使用。大多数企业商品运输中都选用配送成本和运输成本作为主要经济指标进行严格管控，以此费用为准核算电子商务模型运输成本及经济效益值。对于企业商品出现非满载物流运输的物流费用函数表示为：

式中，表示配送中心的物流配送费用函数，表示对此配送中心的临界运输费用；表示对于配送中心的建设投资系数，表示配送中心存货量饱和时的最大值；表示剩余资金指数（）。当企业商品运输过程中出现非满载状态时，v代表预估运输费用；v-代表预估剩余费用，其最优节能指标函数的变化曲线如图2所示。

由图2可知，对于非满载物流运输的电子商务最优节能指标函数，其满足非线性特性，因此传统的线性函数方法不能准确构建非满载的电子商务模型。为解决非满载物流运输的非线性问题，本文利用遗传算法及非线性函数构建电子商务最优节能模型，并利用仿真模型进行验证。

2 基于遗传算法的最优节能电子商务模型

2.1 最优节能电子商务模型构建

由上文可知，非满载的物流运输，节能指标函数为非线性，传统的函数计算方式不能准确描述企业商品运输中的电子商务模型状态，因此需要根据客户需求、物流运输费用、货物配送等具体指标内容计算运输及配送两个指标值，得到最终非线性最优节能数学模型表达式：

（4）

式中：Za——非满载物流运输的费用；

Xa——投入指标；

Ya——运输费用；

L、U——权重系数。

当企业商品运输过程中出现非满载状态时，将非满载物流运输的电子商务过程进行数学描述，根据B2C反馈的电子商务活动中客户分散、需求量减少但需求频率增大时，构建最优非满载电子商务物流运输模型函数表达式：

式中，是构建的非满载物流运输的最优节能电子商务模型；Hij表示从配送中心货品所生成的成本；为根据模糊加法所得最优数学模型非线性指标函数；Cij代表配送中心i配送到目的地过程中配送车辆所产生的运输费用；Sij代表非满载物流运输的车辆冗余费用；为运输过程中的其他风险费用。上述所有指标在模型中形成最小数值配置时，表示节能效果实现最优。

非满载物流运输的电子商务模型，要实现最优节能目标，根据所构建数学模型增加约束条件，让企业商品运输出现非满载状态时运输节能最优，针对非满载电子商务物流运输模型函数表达式重新构建模型，同时加载所罗列各项约束条件得函数模型：

式中：表示非满载物流运输的耗能系数，需要满足耗能小于最优节能的运输费用指标，并且非满载物流的所有运输费用的和要小于最优节能阈值P。

2.2 采用遗传算法及非线性函数构建最优电子商务模型

在上文构建的非满载物流运输电子商务模型的基础上，采用遗传算法及非线性函数求解最优电子商务模型，利用与遗传相似的近邻特性可求解电子商务模型，从而得到更准确的最优节能解。

（1）根据企业商品运输过程中非满载物流运输状态下，为达到最优节能指标，设定遗传粒子的初始状态值为：

（3）根据遗传规则内容可知，利用遗传粒子的遗传迭代算法，采用非线性函数计算，对企业商品运输中非满载状态下电子商务模型进行构建，求得最优节能值，依据实际模型计算准则，经过遗传迭代后所得值为最优节能解。

3 仿真实验及实验结果对比分析

实验采用Linux操作系统，利用OpenGL仿真软件构建非满载物流运输的电子商务仿真场景，基于Visual C++编程软件实现传统方法和基于遗传算法的电子商务最优节能优化模型构建的方法编程。实验选取某一地区的实际物流配送过程作为仿真环境，得到的仿真图如图3所示。

根据实际的物流配送环境，将物流环境抽象成节点配送图，如图4所示。

fKYVBYnXqZC7yECDVJJnFQ==

根据仿真实验测試要求，分别进行采用传统的线性函数和基于遗传算法的非线性函数电子商务模型构建，利用Matlab工具对两者的节能特性进行数据对比分析。

本文对上述实验结果数据进行对比分析，由最终结果可知：传统的非满载物流运输电子商务模型构建方法是根据线性目标函数搭建并求解的，对非满载的非线性问题不能准确构建电子商务模型。采用遗传算法的电子商务模型分析方法通过非线性目标函数构建，利用与非满载物流运输问题具有相同近邻特性更为精准地计算出非满载物流运输中节能电子商务模型，求最优节能解，其模型准确率和最优解准确率明显优于传统方法，取得较好的结果。

4 结语

基于遗传算法，本文提出在物流运输过程中电子商务模型的构建方法，依据客户的不同需求进行严格分类，依据物流运输非满载特性建立非线性目标函数，有效规避了传统计算方法中电子商务模型不准确的弊端，通过模拟仿真得出最优节能电子商务模型，并求得最优节能解，保证企业电子商务过程中的经济效益。

参考文献

郝蓉蓉.基于创新扩散理论的农产品电子商务发展评价模型构建[J].南方农业，2021，15（29）：133-135.

贺慧芳.跨境电子商务的多元市场价值链模型构建及推进策略[J].商业经济研究，2021（18）：103-107.

曲理萍.电子商务物流末端共同配送联盟成本分摊模型构建：以石家庄市鹿泉区为例[J].财会通讯，2020（16）：171-176.

朱茜.B2C跨境电子商务物流的服务评价与决策模型构建研究[J].安徽广播电视大学学报，2020（2）：8-13.

关博，王立杰.基于MILP模型的 C2C电子商务第三方退换货逆向物流网络构建[J].商业经济研究，2020（9）：115-118.