物流配送路徑優化研究與設計

李杰 蔣秀蓮 蔣國成

摘 要：物流配送路徑優化問題復雜度高，具有隨機性，而且多用戶配送路徑的選擇更為復雜，難以抉擇。研究的對象是一個貨物配送中心對應于多個客戶點，為解決物流配送路徑優化問題，采用蟻群算法進行路徑優化，并對物流配送路徑進行模擬。

關鍵詞：物流配送；路徑優化；蟻群算法

中圖分類號：G642 文獻標識碼：A

1 引言（Introduction）

物流配送在日常的生活里是非常常見的，因為它是由于社會分工深化和社會化大生產而產生的，物流涉及企業的生產與客戶的消費，是現代社會賴以存在的基本經濟活動之一。在現代社會中，物流，信息的傳播與流動，商品流通稱為三大經濟支柱，物流管理系統化、合理化產生巨大的經濟價值，基于此，物流被認為是 “第三利潤源泉”[1]。

目前物流產業兩個主要的發展的方向：①物流配送中資金的利用減少。②服務質量的提高。對應于物流發展方向，物流配送中資金的使用主要是兩個方面：一是早期的投資，如倉庫或者配送中心的建設費用；二是對貨物的管理和配送產生的成本。由此看出，貨物配送的最初理念就是在滿足一定客戶的需求下，進行配送成本的最小化，實現企業利潤的最大化。

現在物流配送最關鍵的問題就是如何利用現有的一些技術來降低物流運輸的成本，其中最關鍵的一個環節就是如何選擇最優的物流配送路徑，來達到運輸成本最低的目的[2]。優化的物流配送路徑包括很多，比如合理規劃車輛的配送途徑，增加貨物配送車輛的裝載率等，當企業在現實經營活動中成功的實現了這些措施時，就會大大節約運輸時間和成本，最大化的實現企業的經濟利潤。

2 主要的物流配送路徑優化求解算法（Algorithm

of logistics distribution path optimization）

物流配送中的車輛調度問題，求解的方法較多，大致分為兩大類：精確算法和啟發式算法。精確算法是指能夠求出最優解的算法，主要包括：動態規劃法、割平面法和分枝定界法等。因為精確算法的信息處理量大、數據分析量大，在實際中不常用。

主要的物流配送路徑優化求解算法有， 禁忌搜索算法、模擬退火算法、蟻群算法。

1986年，Glover提出了禁忌搜尋法（Tbau Search，簡稱 TS），該算法擴展了對局部領域的搜索，也是全局逐步尋優的一種方法，更是對人類智力過程的一種模擬。TS 算法在許多領域都取得了很大的成功，比如生產調度、電路設計、網絡等領域。模擬退火算法是啟發式的隨機優化方法的一種，是一種比較通用的而且在啟發式優化方法中也比較成熟的優化方法。蟻群算法屬于隨機搜索算法，該方法利用蟻群搜尋食物的過程與旅行商問題（TSP）之間的相似性，人為模擬螞蟻搜尋食物的過程（即通過個體之間的信息交流與相互協作最終找到從蟻穴到食物源的最短路徑）來求解TSP[3]。

3 物流配送路徑優化設計（Path optimization design

of logistics distribution）

蟻群算法具有通用性和魯棒性，是基于總體優化的方法，在解決旅行商問題（TSP）、作業安排調度問題（JSP）、二次分配問題（QAP）等組合優化問題上具有一定的合理性，故采用此算法。

設定車輛代表螞蟻，首先第一個車輛從某個配送點出發，選擇下一個配送點，然后移動到被選擇配送點，最后返回到最開始的配送點，則第一個車輛的配送任務完成。然后第二個車輛按照第一個車輛的方法進行配送。所有車輛依次配送完成后，保存當前最優路徑，更新環境信息素。然后所有車輛再模擬一次貨物的配送，配送完后再更新環境信息素。如此循環進行，直到達到設定的配送次數，輸出最后的最優路徑。

為了具體形象地描述模型，畫出其配送示意圖，假設有6個貨物配送點，這6個貨物配送點之間互通互達，車輛從貨物配送點A出發，在剩下的5個貨物配送點之間選擇一個貨物配送點作為下一個目標點，以此類推直到車輛完成貨物配送后回到A，在此期間，車輛所走的最短的路線就是當前最優的配送路線。

利用面向對象語言建立一個簡單的二位數組JLSZ用來記錄這六個配送點之間的距離，數據可以用測量工具在地圖上測量得到，把測量得到的數據再乘以地圖縮放比例即可得到現實的距離。

這六個點測量得到的具體數據如表1，即二維數據JLSZ表。

利用面向對象語言建立一個簡單的二位數組XXSSZ用來記錄這六個配送點之間的環境信息素，剛開始的時候沒有車輛還沒有進行配送，所以這6個貨物配送點之間的信息素的值是相同的，假設6個貨物配送點之間初始信息素值為2。車輛隨機選擇下一個貨物配送點，以此類推，不停的選擇移動，直到把剩下的5個配送點全部遍歷過后返回起配送點A才結束。

先假設第一個車輛的大概配送路線為：

A→B→C→D→E→F→A，車輛走過的配送路線長度為：1.5+3.1+2.2+3.3+2.3+3.9=16.3；設定了4個車輛，因而進行4次配送，則接下來的3個車輛的依次進行配送，直到所有的車輛配送完成。假定第二個車輛走的線路是A→C→E→F→B→D→A，車輛走過的配送路線長度為2+4.3+2.3+3.5+3.4+3.2=18.7；假定第三個車輛走的線路是A→B→E→F→D→C→A，車輛走過的配送路線長度為1.5+2.2+2.3+1.6+2.2+2=11.8；假定第四個車輛走的線路是A→E→B→D→C→F→A，螞蟻走過的配送路線長度為3.5+2.2+3.4+2.2+3.6+3.9=18.8。

定義的這4個車輛都配送完成后，第一次循環就完成了，此時要做的就是更新各個貨物配送點之間的信息素，更新信息素的時候，要減去部分信息素在貨物配送過程的揮發。

盡管環境中的信息素有一定程度的揮發，但是每個車輛在貨物配送點之間移動時也會留下信息素，車輛在貨物配送點之間留下的信息素的量還要依據車輛完成全部配送點后長度的值來計算。

值得注意的是，數組是對稱的，在更新貨物配送點A→B之間的信息素的時候，也要更新貨物配送點B→A之間的信息素。

當第二個車輛完成他的貨物配送后，第三個車輛出發，第三個車輛貨物配送完成后，第四個車輛出發，當第四個車輛完成配送后，則完成了一次循環。從四個車輛配送距離的具體值可以清楚看到第三個車輛的配送路線是最短的，則第一次循環的最短是11.8，記錄下當前的最短路徑，為了方便與下一次循環所產的最短路徑值進行比較，得出最優路徑。

設定了迭代次數為6次，目前所有車輛才進行了一次循環，按照以上步驟進行第二次循環，在這第二次循環中會得到一個數值R，把數值R與第一次循環得到數值進行比較，如果R值比11.8小，那么更新最短路徑的值為R；如果R值比11.8大，那么不需要更新最優路徑的值，進行剩下的4次循環，依次比對車輛路徑值，更新貨物配送最短值。

4 結論（Conclusion）

蟻群算法是一種較新的模擬進化算法，在求解復雜問題方面具有一定的優越性。本文對物流配送路徑優化問題進行研究，分析物流配送問題產生的原因，確定物流配送路徑優化的方法，并根據當前物流現狀，結合物流配送問題與蟻群算法，采用面向對象語言編寫程序，對物流配送路徑進行模擬，得出最優路徑的設計方案。本文研究的對象是一個貨物配送中心對應于多個客戶點，這時候只需要考慮如何把貨物從配送中心運到客戶的手中，但是隨著客戶點的增多，客戶點不聚集，散落在配送中心的周圍，這樣必然導致物流配送中心的增加，在不同區域內分布著多個配送中心，那么如何協調好多個配送中心之間貨物調配以及周轉，是未來面對的難題，同時解決這一難題的方法會更復雜，更加繁瑣。

參考文獻（References）

[1] 孫艷霞.網絡零售企業網點式物流配送模式探討[J].現代管理

科學，2012，26（5）：1145-1147.

[2] 陳以，萬梅芳.RBF神經網絡在物流系統中的應用[J].計算機

仿真，2010，27（4）：100-104.

[3] 李金漢，杜德生.一種改進蟻群算法的仿真研究[J].計算機應

用，2008，18（25）：31-34.

作者簡介：

李 杰（1994-），男，本科生.研究領域：信息管理與信息系統.

蔣秀蓮（1968-），女，碩士，副教授.研究領域：信息管理與信

息系統.

蔣國成（1995-），男，專科生.研究領域：智能運輸.