一、引言
近年來，我國電商行業的蓬勃發展，使得網上購物成為人們的主要購物消費渠道，人們不僅在網上購買日用品、美妝產品，還購買生鮮食物產品。網購的渠道也從淘寶、京東等大型購物平臺，逐漸向直播帶貨平臺進行分流，此種網購趨勢使得對物流行業的需求逐漸增加。物流運輸作為整個網購流程的核心樞紐，占據著較為重要的位置。冷鏈物流是指在冷藏條件下進行的物流活動，它涉及食品、藥品等易腐、需要恒溫保存的商品。冷鏈物流配送路徑優化是物流管理中的一個重要環節，直接影響物流成本、時效和服務質量。遺傳算法作為一種啟發式搜索算法，具有良好的全局尋優能力，已被廣泛應用于各類優化問題。冷鏈物流配送路徑優化問題可描述為：在滿足冷藏商品質量約束的條件下，規劃一組最優的配送路徑，使得總的配送成本（包括運輸成本、冷藏成本、時間懲罰成本等）最小化。該問題具有多約束、非線性等特點，傳統的優化方法難以有效求解。
基于此，本文將以冷鏈物流配送路徑作為研究對象，通過優化配送車輛的路線，降低冷鏈運輸造成的成本問題，進而提高物流運輸的配送效率，且一定程度上減少碳排放量，降低物流運輸對環境的污染，具有較為重要的現實意義。本文中構建的模型算法設計，融合了遺傳算法和煙花算法，設計出一種改進型煙花遺傳算法（IFWGA），該算法可以有效地解決冷鏈物流配送的車輛路徑問題。借助Matlab2021a進行編碼運算，并通過算例對結果進行驗證，可得出此算法研究的應用結論。該算法能夠跟隨快速發展的物流行業趨勢，借助軟時間窗的約束條件，為冷鏈配送提供全新的優化路徑，借此增強物流企業的運輸效益，幫助電商企業降低運輸成本，使物流企業凝練核心競爭力，有效地推動物流行業的快速發展。
二、模型構建與算法設計
1. 問題描述
本文進行的冷鏈物流配送模型研究中，需要從多個成本方面進行考量，其中已知運送生鮮農產品的冷鏈物流配送車型及相關車型數量，同時要保證算法研究中能夠滿足客戶的運輸需求，并需在客戶要求的期望送達時間內完成運送。基于上述條件方可建立運輸路徑問題的數學模型。確保研究能夠將運輸成本控制在最低范圍內，并規劃和計算出科學的物流配送方案，借此降低運輸過程中產生的碳排放，并盡量減少由于車輛開關門造成的貨物損耗，其中需要從成本控制等方面創建模型，并從以下四個方面進行綜合考量。
(1）固定成本
本研究中固定成本主要有車輛費用、駕駛員人工費用及一系列車輛固定成本等，若該配送中心共有K輛車，則配送過程中的固定成本可用C1表示，見式（1）。
(2）運輸成本
由于本研究需要對運輸路徑進行規劃，因此運輸成本屬于變量，需要根據車輛的行駛距離進行確定，將由距離決定的運輸成本表示為C2，見式（2）。
式中：ckij是客戶i與客戶j由k車配送需要產生的成本；dij是客戶i與客戶j的間距。
(3）懲罰成本
該數學模型構建中，軟時間窗概念定義為客戶可接受的遲到時間范圍，懲罰成本C3見式(3)。
式（3）中：[eti,lti]為硬時間窗；[ei,li]為軟時間窗；yik的值決定j車是否派送了客戶i(i取值為0或1,1表示配送，0表示不配送）；P1為單價；tik是實際配送過程中k車到達坐標點i的時間；μ1、μ2是預先設置的懲罰系數；qi是i客戶對生鮮農產品的需求量；M表示一個極大值。
(4）制冷成本
該成本計算可引入轉化系數作為參考，將熱負荷作為關門狀態下制冷劑的消耗成本，其中用Qk1來表示k車運行中產生的熱負荷，Qk2表示k車開門狀態產生的熱量，C51表示關門狀態下的制冷成本，C52表示開關門過程中的制冷成本，見式（4）-式（7）。
式（4）-式（7）中：P2表示標準距離行駛成本；S為車廂的表面積；Sw、Sn分別為外、內部的車廂面積；R表示傳熱系數；Tw、Tn分別為外、內部的溫度；tij表示客戶i到客戶j的時間；α代表了開門的頻率，其取值見表1。
表1 開門頻度系數 下載原圖
因此，總制冷成本C5見式（8）。
2. 改進遺傳算法設計
由于車輛路徑問題中具有多種構成因素，且跟隨構成因素的不同組合，可形成不同的目標。本研究中選擇遺傳算法進行改進設計，是因為遺傳算法作為具有較強全局搜索能力的強智能算法，其應用范圍更為廣泛。因此在傳統遺傳算法基礎上引入改進策略，可有效避免遺傳操作過程中丟失潛在的最優解，且能夠借此彌補出現的局部搜索不到位情況，另外該算法中存在的易早熟收斂、局部陷落等不足之處，可通過煙花算法進行補足，借助其自身具有的高強尋優能力，輔助遺傳算法的改進。
所謂遺傳算法是模仿自然界中繁衍的數學運算方法，其具有操作簡單，尋優能力強的特性。本文采用遺傳算法為主框架，力求利用遺傳算法優勢特點，結合煙花算法爆炸性優勢，進行巧妙的改進，在眾多解決方式中選擇最接近最優解的途徑，并進行綜合比較選擇適宜的路徑。本研究中的煙花算法的變異算子設計為兩種步長，根據步長長短分別定義為LSMO和SSMO。將在后文中進行變異算子的形態切換，用以計算動態概率值，且研究中根據迭代規律，前期將多使用LSMO，后期多使用SSMO。
3. 算法操作
遺傳算法作為常用的全局搜索算法之一，可將可行性解決方案按照一定的編碼順序進行組合編碼，形成染色體組合，并在計算中針對每個染色體進行適應度的計算，最終通過交叉、變異等操作得出全新的結論，此研究過程中可發現具有最大適應度函數的染色體。此種算法操作過程，在種群的不斷繁衍中，能夠逐漸淘汰適應度低的個體，而將適應度高的個體進行保存，便于后續進行復制操作。因此，遺傳算法也包含上述染色體復制繁殖的特性。
(1）染色體編碼
作為遺傳算法的第一步驟，其需根據實際問題進行相應的數據處理，便于選擇編碼方式，為后續的交叉等操作提供依據。其中函數模型構建中，常用的編碼方式有二進制編碼、自然數編碼、浮點數編碼等。其中利用數字1和0進行組合的二進制編碼較為容易實現，但編碼長度會受到搜索效率的影響，而自然數編碼也較為常用，能夠對問題進行直接編碼，能夠使編碼結果明確清晰，亦具有更大的操作空間，搜索效果較好。因此，對遺傳算法進行改進中，本研究采用的編碼方式為自然數編碼。
(2）選擇
該操作亦是遺傳算法中的染色體復制環節，符合優勝劣汰標準，被選中的個體可直接進行復制，考量個體方案的適應度，其中適應度大的方案被選擇的幾率相應升高，常見的選擇操作方法有輪盤賭選擇策略、精英保留策略、錦標賽選擇策略等，本研究中選擇采用輪盤賭選擇策略，并在適當的時候引入精英保留策略。其中輪盤賭選擇策略能夠對具有較高適應度的個體進行選擇，但其亦存在錯選的概率，易導致優秀的路徑被遺漏，此選擇方法的最大優勢是可使局部最優化。而精英保留策略則主要是為了保證最優秀的個體存留，采用直選的方式，防止優秀的方案被交叉變異，此種選擇方法雖能夠解決局部最優，但易使全局的搜索能力變差。將上述兩種操作方法進行組合，可形成優勢互補效果。
(3）交叉
交叉操作的本質是重組，即對兩個個體進行交叉操作，使其能夠形成全新的算法，通過此種交叉方式能夠對問題的解法空間進行不斷的搜索，便于得出最優答案，并且此種交叉操作能夠便于個性化的設計。常見的交叉方式有單點、多點、均勻交叉等。其中單點交叉操作較為簡單，只需進行一次交叉，針對某一節點和條件進行交叉即可，適應性較小。多點交叉則是在單點交叉基礎上進行的交叉點的變量增加，能夠進行全局的優化操作。均勻交叉主要指增加問題的多樣性條件，并基于全局搜索能力的考量，進行交叉選擇，此種交叉結果的質量難以控制。本研究中采用多點交叉的方式，進行反復對比選擇。
(4）變異
變異操作中為增強個體方案的適應度，可對全局進行搜索，并給予交叉操作，進行有效的交叉變異，其往往與交叉共同利用，形成對遺傳算法的改進，提升其全局搜索能力及局部搜索能力。其中常用的變異方式有基本位變異、均勻變異、高斯變異等。
(5）煙花算法
利用煙花算法對遺傳算法進行改進。具體步驟如下。
①計算爆炸數目。
爆炸數目的確定及半徑的計算需根據煙花種群及適應度進行計算，其中爆炸數目越多，適應度越強，呈正比關系。爆炸火花數目si見式（9）。
公式（9）中：f(xi)表示個體的適應度值；ymax是當前種群中適應度的最大值；M為控量常數（M≤10）；常數ε為防止除數為0而存在。
其中Smax為最大火花數目，Smin為最小火花數目，見式（10）、式（11）。
②計算爆炸半徑。
為常量值，爆炸半徑Ai見式（12）。
③產生變異火花。
變異火花可根據路徑優化特點，起到平衡搜索能力的作用。因此本研究中涉及兩種步長差異條件，第一種變異算子步長為1(SSMO），第二種變異步長為6(LSMO）。其中maxgen表示最大迭代次數，計算見式（13）。
4. 改進要素
(1）約束條件
在改進遺傳算法進行車輛路徑問題研究中，需要將約束條件作為求解問題的限定標準，算法的改進需在約束條件基礎上進行操作，不得出現超出約束條件的情況。約束條件的存在，使不同問題求解的方法有了限定標準。在車輛路徑問題研究中，常見的約束條件有：①車輛載重約束。裝載的貨物不得超出車輛的最大載物重量，此為國家標準的運輸硬性要求。②車輛行駛距離約束。此要求主要是限定車輛的行駛距離，確保運送路線規劃中不超出最大行駛距離，避免影響配送效率。③客戶點服務約束。需要根據整體的運送要求，確保每個客戶點都能夠有運輸的車輛，保證冷鏈運輸的覆蓋率。④車輛出發點約束。所有車輛的起始點都應從貨物中心出發，并在完成運輸任務后即刻返回中心停車區域。⑤客戶服務時間約束。對于客戶特定規定的配送運輸時間，要進行單獨的算法設定，不可過早或過晚，避免影響冷鏈運輸的服務質量。
(2）目標函數
在遺傳算法改進過程中，設定的目標函數需要跟最終的運輸目標具有一致性，并根據不同的運輸條件及需求，建立不同的函數目標，函數目標具有不唯一性，可由一個或多個組成，在改進算法中常見的目標函數有：①配送距離最短化。該目標主要是要求所有車輛在運輸過程中能夠保證總距離最短。②配送成本最小化。此目標是優化運輸路徑的最終目的，即降低運輸成本，其中成本包括車輛維護的固定成本，車輛運輸成本，以及其他成本等。③車輛數目最少化。該目標力求在完成配送任務過程中，盡量提升車輛的裝載能力，利用最少的車輛數目完成運輸任務。
(3）客戶需求
在路徑問題構成中，其可作為算法函數的限定條件，為求解問題進行特殊性設定，計算中需依據不同客戶需求進行算法調整，建立算法模型。其中客戶需求可總結如下：①確定客戶需求量。貨物需求量決定著車輛運輸的路徑及車輛數目，其能夠決定車輛的實際算法設定。②貨物裝載需求。該需求決定著車輛的路徑，在交叉篩選中，可設定可裝載和不裝載兩種限定條件，并分別制定路線規劃，其中裝載的卸貨時間需計算在總體規劃內容中。③客戶的時間窗需求。該需求決定著路線規劃問題，可作為算法中的必要條件和優先級，為路線整體算法進行時間范圍限定。④多輛車服務需求。客戶有權利要求進行單車冷鏈運輸服務，此種服務要求一定程度上增加了車輛的運輸成本，但也會同樣減少多車服務的條件限定。
三、實例分析
1. 實驗數據
實驗以某生鮮連鎖超市為載體，利用IFWGA算法嘗試優化超市的生鮮貨物物流配送路徑問題，探究此種算法的優化可行性。由于該生鮮連鎖超市根據GPS導航地圖數據反饋，檢索出分店區域范圍，選定中點位置為配送中心，并模擬設定客戶需求及時間窗，根據市面上對于生鮮冷鏈的配送要求進行配送，保證每日上午完成配送。因此，時間可限定為6:00-12:00之間，并根據車容量實載情況，隨機生成需求量派單，貨物運送的計數單位為噸。
2. 實驗結果
實驗中根據不同算法截取的不同結果路徑圖（圖1），分別代表著GA、FWA-EI、IFWGA和FWGA算法的結果路徑演示結果，且進行了十次求解，便于進行數據對比。
質量結果對比分析可發現IFWGA多次求解均獲得最優解，相比GA、FWA-EI和FWGA結果都有明顯的優化，僅一次略遜于FWGA的運行結果；總成本結果分析中（表2),IFWGA比GA優化了39.8%，比FWA-EI優化了16.9%，比FWGA優化了16.2%，具有較大的成本控制優勢。運行時間對比可見表3。各算法的平均運行時間如下：GA=54.38s;FWA-EI=76.23s;FWGA=65.72s;IFWGA=63.44s。IFWGA運行時間較FWGA及FWA-EI算法有明顯優化效果，但卻比GA運行時間稍長，但IFWGA在實際運行中的求解質量高于其他算法。
表2 總成本對比
圖1 4種算法路徑圖
四、結語
通過對遺傳算法進行改進，借助適應度的調整及煙花算法的優化，能夠通過上述函數總結出種群的最優解，為實驗尋求到最佳適應度方案。通過時間結果對比分析，可發現傳統遺傳算法收效甚微，只能得出局部最優解，且求得的質量不高。而采用煙花算法對遺傳算法進行改進之后，能夠得到多數函數收斂，更具適應性，可實現全局搜索能力和局部搜索能力的提升，增強算法的性能。
基于上述算法模型的改進研究，將其應用到物流運輸領域中，可以有效的解決車輛路徑規劃問題，為生鮮冷鏈的運輸尋求到最佳運輸路徑。通過將改進后的遺傳算法應用到冷鏈物流配送路徑優化中，在容量約束條件下，若客戶未提出加急服務要求，可應用此改進算法進行路線規劃；該算法的應用能夠有效的為物流行業提供全新的配送思路，增強冷鏈運送的服務質量；并通過改進算法應用，為物流運輸尋找到更加高效的配送方式，借助數據模型的計算，能夠快速為物流公司提供最佳配送路線，減少規劃路線的時間，減少運輸成本，有助于提高物流冷鏈的收益。此外，此種路線上的優化，能夠有效的增加客戶冷鏈運送的滿意度，優化客戶的消費體驗。
滬公網安備 31011202008041號
