在一個物流網絡系統中，配送中心是非常重要的基礎設施，配送是最末端的環節，也是極為關鍵的環節。配送中心發揮著承上啟下的作用，對上承接來自發件網點貨物的集運任務，對下承接收件網點的配送運輸任務，其選址結果將會對配送路徑的規劃、運營成本、配送效率等產生直接的影響。由于生鮮冷鏈產品具有價值高、需求大、易腐敗、不宜長時間儲藏的特點，所以對于生鮮冷鏈產品來說，其配送中心選址就顯得尤為重要。
張于賢等人[1]利用DEA方法對已有配送中心的效率進行評估，根據評估的結果代入選址分析模型中，得到物流配送中心再選址的DEA評估規劃模型，以配送收益與物流成本之差作為目標函數，以供需均衡關系、配送中心流出量與流入量平衡、選址變量與流量內在聯系構建約束條件，通過算例并借助于MATLAB軟件驗證了模型的有效性。宋瑞敏等人[2]提出一種基于布谷鳥搜索算法求解平面選址問題，仿真結果表明，該算法具有平衡全局優化與局部搜索的優點，但不適用于多目標選址。生力軍[3]將量子進化算法融入經典粒子群算法中，采用量子理論中獨有的疊加態和概率幅特性，粒子最優位置的搜尋采用量子自旋門完成，粒子位置的多樣性變異采用量子非門完成，以免出現局部最優解和早熟收斂缺陷。李晶晶[4]運用灰色GM 1,(1)模型，預測太原市某地區未來五年的需求量，并分析降價銷售對顧客購買需求的影響，建立以滿足需求為前提、總成本最小為目標的冷鏈配送中心選址模型，并用lingo軟件求解。冉昊杰等[5]將遺傳算法與模擬退火算法融合，實現選址過程的整體優化。這些研究中，大多對智能算法進行了改進，使其更加適用于選址問題。
在上述學者研究內容的基礎上，本文將不同地段的建設價格、生鮮產品的運輸途中變質速度等因素考慮在內，建立生鮮產品冷鏈物流配送中心選址模型，并采用自適應的遺傳算法對模型求解。分析遺傳算法的原理和步驟，針對算例進行編碼，通過仿真，得出配送中心的選址與分配。
(1）一個生產基地可以給多個配送中心供貨；
(2）一個配送中心只能接收一個生產基地的貨物；
(3）一個配送中心可以服務于多個需求網點；
(4）一個需求網點只能被一個配送中心服務；
(5）生產基地的供貨量不超過配送中心倉儲的最大容量；
(6）配送中心的容量總和大于各需求網點的總需求量；
(7）運輸距離用單位運輸成本體現，二者線性相關；
(8）部分受運輸儲存影響的商品仍可以降價出售。
運輸過程如圖1所示。
本模型的變量及其釋義如表1所示。
本生鮮產品冷鏈物流配送中心選址模型涉及生產基地、配送中心、各需求網點這三層結構；模型目標是使得總成本最低，所考慮的3個影響因素分別是：固定成本、運輸成本、變質成本。
(1）固定成本：固定成本是冷鏈物流配送中心選址中起決定性作用的因素，它主要包括建設配送中心的土地費用和建設費用、冷鏈設備等大型機器的購置費用、配送中心每個運營周期所產生的維護費用。同時，地理位置不同，地價也會改變。交通便利，地理位置優越，環境良好的場地價格會高，反之則低。本文中固定成本由設備運營成本和地段建設成本共同決定，二者都與配送中心的容量有關。引入θj作為反映地價高低的系數，引入b作為反映購置冷鏈設備和維護的成本系數，則配送中心的總固定成本可用如下公式表示。
(2）運輸成本：運輸分為兩個階段，一是從生產基地到配送中心；二是從配送中心到各個需求網點。本文單位運輸成本指每單位重量的生鮮商品的運輸成本，運輸距離越遠，則單位運輸成本越高。在確定運輸線路的距離且不考慮交通擁堵和交通事故的情況下，假設運輸成本與運輸貨量成正比，可以得到如下公式。
(3）變質成本：生鮮商品的新鮮度是其最重要的屬性之一，直接影響商品的價格。在儲存和運輸過程中，生鮮產品會因時間、溫度、擠壓等因素而不再新鮮，甚至會變質。對于未完全腐敗，仍可以降價出售的生鮮產品，可以用變質成本來計算其損耗。假設變質成本與運輸時間有關，根據文中的假設7，兩地之間的單位運輸成本越高，兩地之間的距離就越遠，從而運輸的時間就越長，商品越容易變質。因此變質成本與單位運輸成本相關。生鮮產品變質對成本損耗是實時變化且沒有特定標準來衡量的，本文引入變質成本系數來表示生鮮產品的新鮮度隨運輸距離長短而變化的速率。
其中：q為變質成本系數。根據假設，對于新鮮度明顯降低的商品，其價格會降低，成本損失如下：
綜上所述，本模型的總成本C是C1,C2,C3之和，結合模型成本最小化的目標，可以得到如下函數：
自適應遺傳算法（Adaptive Genetic Algorithm,AGA）是對基本遺傳算法的一種改進，它通過對遺傳參數的自適應調整，大大提高了遺傳算法的收斂精度，加快了收斂速度。自適應遺傳算法在保持群體多樣性的同時，保證了遺傳算法的收斂性。自適應遺傳算法的遺傳參數是自適應的，提高了基本遺傳算法的收斂速度和收斂精度。該算法的實現步驟如下：
Step1：編碼。將問題的候選解用染色體表示，實現解空間向編碼空間的映射過程。將空間的決策變量轉換成由基因按一定結構組成的染色體。編碼方式有很多，如二進制編碼、實數向量編碼、整數排列編碼、通用數據結構編碼等。本文將采用二進制編碼的方式，將十進制的變量轉換成二進制，用0和1組成的數字串模擬染色體，可以很方便地實現基因交叉、變異等操作。
Step2：種群初始化。產生由n條染色體（Chromosome）組成的初始群體。群體（Population）的規模（即n值）設置的過小很可能會導致過早收斂，最終不能獲取到全局最優解；而如果群體規模設置過大又會影響計算時間。
Step3：計算個體適應度。利用適應度函數（Fitness Function）計算各個個體的適應度大小。適應度函數值越大，則種群中優良基因作為父代基因遺傳到下一代的可能性越大；否則可能性越小。目標函數為最小時，建立如下與目標函數之間存在映射關系的適應度函數：
Cmax為fx()的最大值，并且會隨著遺傳的代數不斷變化。
Step4：選擇、交叉和變異。通過選擇、交叉、變異，產生出代表新的解集的群體。
(1）選擇（Selection）：根據個體適應度大小，按照優勝劣汰的原則，淘汰不合理的個體。最常見的選擇方法是輪盤賭法，假設種群數目n,某個個體其適應度為fi,則其被選中的概率為：
其中：n為種群規模，fi為個體i的適應度。
(2）交叉（Crossover）：將交叉算子作用于群體，對選中的成對個體，以某一概率交換它們之間的部分染色體，產生新的染色體，也叫做基因重組。如圖2所示，即是最簡單的一種交叉。
交叉的概率決定著交叉算子操作效果的好與壞。交叉概率如果很大，會使得模型收斂速度過快，從而導致局部收斂；交叉概率如果很小，則收斂速度又會過慢。因此，本文引入自適應交叉算子操作，計算過程中交叉概率會隨著適應度函數值的不同而自動調整，其計算公式如下：
其中：Pc為自適應交叉概率，fmax為群體中個體最大的適應度函數值，favg為每代群體的平均適應度函數值，f為產生交叉的兩個個體其中一個個體為較大的適應度函數值，C1,2為區間0,(1)的常數。
(3）變異（Mutation）：將變異算子作用于群體，對選中的個體，以某一概率改變某一個或一些基因值為其他的等位基因，類似于基因突變。如圖3所示，即是最簡單的一種變異。
當變異概率過小時，不利于染色體新個體結構的產生；當變異概率過大時，染色體結構遭到破壞的可能性會增大，遺傳算法搜索的有效性隨之降低。針對變異算子操作中的尋優問題，本文引入自適應變異算子操作，其計算公式如下。
其中：Pm為自適應變異概率，C3,C4為區間0,(1)的常數。
Step5：循環操作并判斷終止。當達到預先設定的最大迭代次數Tmax時，終止迭代。
為了驗證改進的自適應遺傳算法模型在生鮮冷鏈物流配送中心選址中的可靠性，本文結合算法模型設計了具體的算例，通過對算例的求解來驗證遺傳算法模型在配送中心選址問題研究中的有效性和實用性。以廈門市某地為例，設生產基地共有3處，分別記為A1,A2,A3；可供選擇配送中心地址共有6處，分別記為B1,B2,B3,B4,B5,B6；需求網點有12處，分別為C1,C2,C3,C4,C5,C6,C7,C8,C9,C10,C11,C12?？晒┻x擇的配送中心的容量和固定成本如表2至表5所示：
設變質成本系數q=0.005，生鮮產品單價p=25，采用自適應遺傳算法，運用MATLAB編程進行仿真,具體參數為：初始種群規模N=100，設置最大迭代次數Mmax=1 000，基因交叉的概率Pi=0.7，基因變異的概率Pc=0.07，經過求解，得出的結果如圖4和表6、表7所示。
配送中心B1為需求網點C1,C4,C6提供服務，配送中心B2為需求網點C7提供服務，配送中心B4為需求網點C5,C8,C9,C12提供服務，配送中心B6為需求網點C3,C10,C11提供服務，配送中心B3,B5將不被考慮。遺傳算法迭代了150次左右時，解已經趨于穩定。
本文采用自適應遺傳算法對生鮮產品冷鏈物流配送中心選址的問題進行了研究，將影響選址的成本因素分為固定成本、運輸成本和變質成本，建立了生鮮產品冷鏈物流中心選址模型并用自適應遺傳算法進行求解，仿真結果表明該模型和算法可以較好地應用于實際選址問題當中。在構建最小成本目標函數時；地段價格系數來體現不同地段建設配送中心的地價不同；用單位運輸成本來體現運輸距離和運輸時長；引入變質成本系數來控制生鮮產品在運輸途中變質造成損失的速率。
由于配送中心選址是一個相對多樣且復雜的研究問題，本文在理論和實例研究部分還有諸多不足，有待進一步深入研究。
滬公網安備 31011202008041號
