客戶時間窗變化的物流配送干擾管理模型
——基于行為的視角

丁秋雷

(東北財經大學工商管理學院，遼寧 大連 116025 )

?

客戶時間窗變化的物流配送干擾管理模型
——基于行為的視角

丁秋雷

(東北財經大學工商管理學院，遼寧 大連 116025 )

針對客戶時間窗變化而導致的物流配送難以順利實施這一難題，運用干擾管理思想，以提高物流配送干擾管理決策過程的科學性為目標，結合行為科學中對人的行為感知的研究方法與運籌學中定量的研究手段，分析客戶時間窗變化這類干擾事件對客戶、物流配送運營商和配送業務員等受擾主體的影響，研究基于行為的擾動度量方法， 構建客戶時間窗變化的字典序多目標干擾管理模型，并給出快速高效的求解方法。實例結果表明：本文方法比已有的全局重調度方法和局部重調度方法更實用——能夠均衡各方的利益，獲得擾動最小的調整方案。

管理工程；物流配送；干擾管理；前景理論；多目標優化

1 引言

隨著社會的發展，人們在生活、工作上的節奏越來越快，時間不確定性也隨之越來越高，使得在物流配送過程中，經常有客戶臨時要求變更配送時間[1]。然而，隨著電子商務的普及，物流配送已呈現出送貨點分散且點多面廣、送貨批量小且成本高等特點，由于物流企業運力有限，因此難以適應客戶變更配送時間的要求，這就使正在執行的配送方案變得不可行，目前在大家電、貴重物品、重要文件等需要客戶親自簽收的快件配送上，已經產生了一系列問題。

因此，如何科學地對配送方案進行調整尤為重要！由于物流配送系統是一個典型的“人—機”系統，除了考慮降低成本損失之外，“人”的參與也必須受到重視。而人在面對擾動時做出的反應是不同的，因此當某一個客戶的時間窗發生變化后，需要調整剩余客戶的配送順序，這樣勢必導致連鎖反應，造成整個系統的混亂。此時就需要考慮擾動對整個物流配送系統的影響，生成使系統擾動最小的調整方案。在這種情況下，物流配送問題變得更加復雜，現有的方法和理論體系將難以勝任相關的研究工作。因此，如何有效地處理干擾事件，已成為影響現代物流產業發展的關鍵！

干擾管理[2]正是一種致力于實時處理這類問題的方法論，它需要針對各種實際問題和擾動的性質，建立相應的優化模型和有效的求解算法，通過對初始方案進行局部優化調整，實時生成使系統擾動最小的調整方案。這個調整方案不是針對擾動發生后的狀態完全徹底地重新進行建模和優化，而是以此狀態為基礎，通過對初始方案進行局部優化調整，快速生成使系統擾動最小的調整方案。

干擾管理自提出以來，已成功應用到航空[3]、機器調度[4]、供應鏈[5]、項目管理[6]等多個領域。在客戶時間窗變化的物流配送干擾管理研究上，Wang 等[7]針對中國郵路問題，采用模糊理論對客戶的時間窗進行表示，構建了服務水平最大化和任務完成時間最小化的數學模型；王明春等[8]針對需求變動和時間窗變化，構造了擾動模型對物流配送系統進行恢復；鐘石泉等[9]針對客戶時間窗和發貨量的變化，通過設計虛擬車場等方法實現車輛的緊急調度；王旭坪等[10]為解決由客戶時間變化引發的物流配送干擾問題，提出相應的擾動恢復策略；Hadjar 等[11]針對客戶時間窗變化問題，在考慮配送成本的情況下構建數學模型，并采用分支定界法進行求解；王征等[12]提出包含客戶配送時間總偏離度、配送總成本、路徑偏差量、最長行駛時間違反總量4 個因素的擾動程度度量方法，以系統整體擾動最小化為目標，建立問題的目標規劃數學模型；王旭坪等[13]采用時間窗模糊化處理方法定義客戶滿意度函數，根據干擾管理思想對車輛調度中組合性干擾事件進行分析，建立基于模糊時間窗的車輛調度組合干擾管理模型；楊文超等[1]以客戶時間窗變化這類干擾事件發生時的問題狀態為基礎，提出了新車增派策略和多車協作策略，并在此基礎上建立了問題擾動救援的啟發式算法。以上學者雖然為解決客戶時間窗變化的物流配送干擾問題開辟了新的思路，但是，由于物流配送系統是一個典型的“人— 機”系統，包括客戶、物流配送運營商、配送業務員等多個主體，現有研究過分重視物力、財力的調整與優化，而忽略人的行為因素，從而導致尋得的最優解往往在實踐中并不可行。因此，針對客戶時間窗變化的物流配送干擾管理這一多目標的、主觀與客觀相結合的優化難題，如何在考慮人的行為因素的情況下，通過權衡各方利益，形成一個多方滿意的調整方案，從而以盡量小的擾動，盡快恢復系統的正常運行，是目前該領域存在的主要難題。

本文針對上述難題，通過結合行為科學中對人的行為感知的研究方法與運籌學中定量的研究手段，提出基于前景理論的擾動度量方法，構建客戶時間窗變化的物流配送干擾管理模型及其求解方法，以期為物流配送干擾管理的決策過程提供支持。

2 擾動的分析

干擾事件發生后，為了有效地生成使系統擾動最小的調整方案，需要對擾動造成的影響進行分析，從而確定目標函數。由于客戶、物流配送運營商以及配送業務員是使物流配送過程能夠順利運行的行為主體，三者的利益是研究的關鍵。因此， 本文首先分析擾動對上述行為主體的影響，確定各主體考慮的首要目標，具體如下：

(1)客戶：客戶是物流配送過程的接收者。當某個客戶的時間窗發生變化后，需要調整剩余客戶的配送順序，這樣勢必引起連鎖反應，影響后續一系列剩余貨物的配送，使得某些客戶無法按時收到貨物。因此，對于客戶來說，能否按時收到貨物， 是其考慮的首要目標。

(2)物流配送運營商：物流配送運營商是物流配送過程的主導者。擾動發生后，配送車輛的行車路線隨之發生變化，此時必然影響配送成本。由于在整個物流配送過程中，配送成本是物流配送運營商關注的核心，因此，在生成調整方案時，應適當兼顧成本因素，盡可能節省配送成本。

(3)配送業務員：配送業務員是物流配送過程的執行者。當系統發生擾動后，初始配送方案將變得不可行。在新的調整方案下，勢必需要更改行車路線，這就會影響配送業務員的工作情緒。如果新的行車路線與初始的行車路線具有較大偏差，將有可能導致配送業務員消極怠工。因此，調整方案與初始方案之間配送路線的偏差大小，是配送業務員考慮的首要目標。

本文通過分析上述三個行為主體面對擾動時所關注的目標，對三者的利益進行權衡，從而度量系統的擾動程度，以形成使系統擾動最小的調整方案。

3 基于前景理論的擾動度量方法

由第2 節可知，物流配送系統包含多個主體， 是一個典型的“人—機”系統，擾動必然會對人的行為產生影響。因此，現有在完全理性假設條件下的研究成果難以直接用于解決實際的物流配送干擾管理問題。

前景理論[14-15]是行為科學中具有重大影響的一種行為決策理論，它以人的有限理性為基礎，能夠更加真實的描述人在不確定條件下的決策行為。因此，本節以前景理論為基礎，提出系統擾動的度量方法。

3.1 價值函數的表示

擾動發生后，由于各主體考慮的目標不同，因此，基于前景理論，對各個目標的價值函數進行表示，其中目標i的價值函數Vi(x) 可表示為：

(1)

其中：αi、βi、λi為參數。

函數的形狀如圖1 所示(Oi為目標i的參照點)。

圖1 目標i 的價值函數

由圖1 可知，人們在開始決策時，首先需要選擇一個價值為0的參照點，進而才能判定結果到底是盈利還是虧損。由于人們在決策選擇時只注意其差異，如果保持現狀就等于沒有選擇，它本身的價值為0，因此，本文選擇現狀作為參照點。

3.2 不滿意隸屬函數的確定

由于各目標的主體是人，而人又是主觀的，對擾動的感知是模糊的。因此，需要對各目標進行模糊化處理。

設xi的不滿意隸屬函數為μi(xi)， 當μi(Ri) =1時，基于前景理論，此時人們面臨的是虧損，表現出來的是風險追求，根據式(1)可知：

μi(Ri)=-Vi(-Ri+Oi)=-[-λi(-(-Ri+Oi))β i]=λi(Ri-Oi)βi

(2)

由μi(Ri) =1，可知Ri=Oi+(1/λi)1/βi。因此，μi(xi) 可分為以下三段來表示：

(1)當xi≥Ri時，μi(xi) =1 ；

(2)當Oi≤xi

(3)當0≤xi

綜上，xi的不滿意隸屬函數可表示為：

(3)

函數形狀如圖2 藍色曲線所示。因為Ri由βi和λi來決定，而對于不同主體，βi和λi是不同的， 因此Ri也是不同的。可采用實證研究的方法，通過對各主體進行問卷調查，以確定上述參數。

圖2 xi的不滿意隸屬函數

3.3 擾動度量函數的構建

根據3.2 節，對各目標采用不滿意的隸屬度進行度量。目標i的不滿意度越小，對主體i的擾動越小。因此，目標i的擾動度量函數為：

di(xi)= minμi(xi)i=1,…，n

(4)

4 客戶時間窗變化的物流配送干擾管理模型

本節首先建立初始方案的數學模型。當系統發生擾動后，在該模型的基礎上，構建調整方案的干擾管理模型。

4.1 初始方案的數學模型

4.1.1 問題界定

本文對要研究的物流配送問題描述如下：

(1)每輛車從配送中心出發，沿著一條路線把裝載的貨物配送到指定客戶后，返回配送中心；

(2)每輛車可以服務多個客戶，但每個客戶的貨物只能由一輛車配送；

(3)每輛車所載貨物不能超過裝載能力，為簡化問題，假設所有車輛的裝載能力相同；

(4)每個客戶都有其接受服務的時間窗，即客戶對貨物到達時間的要求是在某個時間段上。

要求合理安排車輛配送路線和行車時間，使得目標函數最優，即準時到達和成本最低。

4.1.2 參數及變量說明

n：客戶總數量；

V：客戶點集合，V={v0,v1,…,vn}，v0代表配送中心，其他代表客戶點；

K：車輛總數；

Cij：車輛從vi到vj的配送成本；

tij：車輛從vi到vj的行駛時間；

qi：vi的需求量；

Q：車輛的裝載能力；

[ETi，LTi]：vi的時間窗。其中，ETi是客戶要求到貨時間段的始點，LTi是客戶要求到貨時間段的終點；

ti：車輛到達vi的時間；

wi：車輛對vi的服務時間；

4.1.3 數學模型

根據以上描述，建立物流配送初始方案的數學模型如下：

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

ETi≤ti+wi≤LTii=1,…，n

(13)

上述模型中，式(5)為目標函數，表示總配送成本最低；式(6)為車輛裝載的貨物總量不大于車輛的裝載能力；式(7)為每輛車都從配送中心出發；式(8)為每個客戶只由一輛車配送并且所有客戶都得到服務；式(9)為車輛對客戶服務完畢后，返回配送中心；式(10)和(11)表示變量之間的關系；式(12)和(13)表示滿足客戶要求的時間窗。

4.2 干擾管理模型的構建

4.2.1 問題描述

在某個客戶的時間窗發生變化后，以各配送車輛所在位置作為虛擬的配送中心，是擾動后配送的起點，初始配送中心為配送的終點，即車輛對客戶服務完畢后，返回初始配送中心。

另外，如果配送中心有多余的配送車輛，可以協助在途車輛進行配送，但實際上，配送中心往往并沒有多余的配送車輛。因此，本文在制定調整方案時，假設剩余的任務只由原配送車輛完成。

4.2.2 參數及變量說明

m：未完成配送任務的客戶總數量；

V：客戶點集合，V={v0,v1,…,vm+K}，v0代表初始配送中心；v1,…,vm代表未完成配送任務的客戶；vm+1,…,vm+K代表當前配送車輛所在的位置，即虛擬的配送中心；

μ2：物流配送運營商對配送成本的不滿意度；

μ3：配送業務員對新路段個數的不滿意度；

其他參數及變量與前文相同。

4.2.3 擾動的度量函數

(1) 客戶擾動的度量

根據第2 節，對于客戶而言，最關心的是貨物的到達時間。因此，建立客戶i的價值函數為：

(14)

根據公式(3)，客戶i對貨物到達時間的不滿意隸屬函數可表示為：

(15)

(2) 物流配送運營商擾動的度量

根據第2 節，對于物流配送運營商而言，在制定調整方案時最關心的是配送成本。因此，建立物流配送運營商的價值函數為：

(16)

其中：選擇現狀，即沒有發生擾動時，初始方案的總配送成本f0為參照點，如果調整方案的配送成本f>f0，意味著物流配送運營商虧損(x<0) ； 反之， 意味著物流配送運營商盈利(x≥0) 。

根據公式(3)，物流配送運營商對配送成本的不滿意隸屬函數可表示為：

(17)

其中：β2、λ2為參數；R2=f0+(1/λ2)1/β2。

(3) 配送業務員擾動的度量

根據第2 節，對于配送業務員而言，最關心的是配送路線的偏差，主要體現在新路段的個數上。

因此，建立配送業務員的價值函數為：

V3(x)=-λ3(-x)β3,x<0

(18)

其中：由于初始方案中沒有新路段，因此函數的參照點為0，如果調整方案的新路段個數g>0， 意味著配送業務員虧損(x<0) ；而g不可能小于0，說明配送業務員不可能盈利(x≥0) 。

根據公式(3)，配送業務員對新路段個數的不滿意隸屬函數可表示為：

(19)

其中：β3、λ3為參數；R3=(1/λ3)1/β3。

4.2.4 干擾管理模型

以各行為主體的擾動度量函數為基礎，采用字典序多目標規劃的方法，構建干擾管理模型如下：

(20)

P1?P2?P3

(21)

(22)

(23)

(24)

(25)

ETi≤ti+wi≤LTii=1,…，m

(26)

式(20)為目標函數，表示調整方案與初始方案的偏離最小，即系統的擾動程度最小。在本模型中，客戶擾動之和的最小化為第一級目標，物流配送運營商擾動的最小化為第二級目標，配送業務員擾動的最小化為第三級目標；式(21)為不同目標的優先級，決策者可針對實際情況，調整不同目標的優先級順序；式(22)為車輛裝載的貨物總量不大于車輛的裝載能力；式(23)為每輛車都從虛擬的配送中心出發；式(24)為車輛對客戶服務完畢后，返回初始配送中心；式(25)和(26)表示滿足客戶要求的時間窗。

5 干擾管理模型的求解方法研究

由于干擾管理模型以初始方案的數學模型為基礎，而該數學模型是NP-hard 的，因此干擾管理模型也是NP-hard 的。加之，干擾管理模型還需考慮干擾事件對整個物流配送系統的影響，相對來說更加復雜，求解起來也更加困難。而物流配送實時性很強，需要快速處理干擾事件。在這種背景下，由于蟻群算法具有正反饋、分布式計算以及貪婪的啟發式搜索等特點，為求解上述問題提供了可能。但是，該算法仍然存在著容易陷入局部優化、搜索速度較慢等缺陷，因此本文提出改進的蟻群算法——混合蟻群算法(Hybrid Ant Colony Optimization, HACO)，對干擾管理模型進行求解。

在HACO 中，采用信息素調整策略、最優個體交叉及變異策略來防止陷入局部優化，改善搜索結果；采用目標節點選擇策略、集成其他算法策略來減少計算量，提高搜索速度。

5.1 信息素調整策略

(1)蟻群算法中，蟻群運動總是趨近于信息量最強的路徑，但是如果該路徑離最優解相差較遠， 將會導致信息量得到不應有的增強，使得后續的螞蟻難以發現更好的全局最優解，這說明信息量最強的路徑不一定能反映出最優的路徑。為了提高算法的全局搜索能力，本文采用確定性選擇和隨機性選擇相結合的策略，即當搜索陷入局部最優時，對路徑上的信息量進行動態調整，縮小最好和最差路徑上信息量的差距，并適當加大隨機選擇的概率，以利于對解空間更完全地搜索。

(2)由于信息素的更新作用，每條路徑上信息量可能在某次搜索后出現極大值或極小值的現象， 極大值將使搜索早熟，極小值則不利于全局搜索， 因此本文吸收了最值螞蟻算法[16]的思想，將信息素水平限制在最大值和最小值之間，同時在搜索前， 將所有邊的信息素水平設為最大值，從而使螞蟻在搜索初期具有更大的搜索范圍。另外，當各邊信息素水平相差很大時，將各邊信息素水平與信息素的最大值進行加權平均，從而使信息素差異相對減少，有利于產生新的搜索路線。

(3)當問題規模較大時，由于信息素保留系數ρ的存在，那些從未被搜索到的邊，信息量會逐漸減小到接近于0，降低了算法的全局搜索能力。為解決這一問題，本文采用自適應改變ρ的方法[17]。

5.2 最優個體交叉及變異策略

遺傳算法通過交叉和變異操作，能夠增加種群的多樣性，防止算法早熟。因此在HACO 中，通過借鑒上述思想，可有效擴大搜索空間，避免得到局部最優解。

(1)交叉策略

當搜索陷入停滯時，將最優個體和次優個體的編碼進行交叉操作，假設兩組編碼分別為A1和A2， 交叉規則如下：

①隨機生成交叉段的長度和交叉段起始位置。假設A1：B1|B2|B3，A2：C1|C2|C3，B2和C2分別為A1和A2的交叉段；

②將C2插入到A1中，位于B2前面，這樣形成新的編碼A3：B1|C2|B2|B3；

③在A3中，刪除B1、B2、B3中與C2重復的節點，從而形成新的交叉編碼A3；

④對A2采用相同的方法，生成新的編碼A4；

⑤從A1、A2、A3、A4中選出最優編碼。

(2)變異策略

當算法傾向于局部收斂時，對最優個體進行變異，即在這個局部最優路徑上取任意一段或幾段， 讓信息素減少至最小值。于是下次不得不跳出此路徑，而去尋找另外可能的更好路徑。實驗表明，對于規模較大的問題，在引入變異后可明顯看到求解結果出現震蕩，然后向更好解的方向變化。

5.3 目標節點選擇策略

對于一個較復雜的最短路徑問題，節點i在選擇下一個旅行節點j時，不可能是離i較遠的那些節點。而蟻群算法中，螞蟻在選擇下一個節點時， 需要計算所有未走過節點的轉移概率，耗費較長的計算時間。

根據上述分析，螞蟻對下一個節點的選擇僅局限于離當前節點較近的部分節點，只對這些節點計算轉移概率即可，這樣能大幅度提高算法的搜索速度。因此本文引入目標節點選擇策略，其原理是分別以n個節點為起點，根據該節點與其他n-1個節點的距離，建立n個距離由短到長的排序表，選擇其中前若干個建立該節點的候選節點列表，螞蟻對下一個節點的選擇只在候選節點列表中產生。

5.4 集成其他算法策略

蟻群算法易與傳統啟發式算法相結合的特點， 決定其具有很強的耦合性，因此將節約法、交換法兩種簡潔高效的優化算法集成到蟻群算法中，可大幅度提高算法的求解速度。

6 算例驗證及結果分析

由于物流配送干擾管理問題尚未有標準的測試數據集，因此，算例驗證包括兩部分：第一部分采用測試題庫對算法進行測試；第二部分首先設計一個具體算例，以配送成本最低為目標，得到初始方案。之后將此方案作為客戶時間窗變化的物流配送干擾管理問題的背景，運用本文方法進行求解。通過與全局重調度方法、局部重調度方法的結果進行對比，驗證本文方法的有效性。

6.1 算法驗證

(1) 實驗結果

本節采用典型的測試題庫——Benchmark Problems[18]對算法進行測試。在該題庫所列的六類例題中，每一類隨機選取兩個問題組成測試數據集，采用傳統蟻群算法(ACO)、改進蟻群算法[19-20]、改進遺傳算法[21]、改進禁忌搜索算法[22]和HACO算法進行求解，如表1 所示。

(2)對比分析

在求解上述12 個例題中，根據表1 的實驗結果，HACO 得到的結果100%優于傳統蟻群算法得到的結果，92%優于或接近于改進蟻群算法——IACS-SA 得到的結果，75%優于或接近于改進蟻群算法——MACS-IH 得到的結果，100%優于或接近于改進遺傳算法——GenSAT 得到的結果，92%優于或接近于改進禁忌搜索算法——SATabu 得到的結果。

分析結果表明，HACO 的求解結果已有部分優于文獻中已有的最好結果， 特別是在RC1-03 上表現顯著，其他則與最好結果非常接近，因此HACO 在求解NP-hard 問題時是非常有競爭力的。由于HACO 中的參數選擇是憑多次試驗而定的，沒有理論依據，因此求出的解不是算法所能取得的最好解。將算法中各參數設置成最優，其最終解還有進一步改進的余地。

表1 HACO 和其他算法的實驗結果

6.2 干擾管理模型驗證

(1)算例設計

某配送中心坐標為(0.7,0.7)，在0 時向周圍的24 個客戶配送貨物，為計算方便，假設客戶的信息無量綱，如表2 所示。設車輛的裝卸貨時間不計，即服務時間為0。

根據上述條件，得出初始方案的配送路線如下。路線1：0→19→16→20→11→12→6→ 22→23→13→14→7→0；路線2：0→3→9→10→1→17→8→24→0；路線3：0→21→18→15→5→2→4→0。此時總配送成本為5.7，即目標函數最優。

(2)實驗結果

本節采用兩種情況來評價干擾管理模型， 即：

情況1：當t=0.25時，客戶12 的時間窗由[0, 1.5]變為[1.3, 3]；

情況2：當t=0.3時，客戶1 的時間窗由[1, 2]變為[1.5, 2.5]。

根據Tversky 等[15]，取β=0.88、λ=2.25。分別采用本文方法、全局重調度方法和局部重調度方法進行求解，結果如表3 所示。

(3)對比分析

對表3進行分析，得出的主要結論如下：

①從客戶的擾動來看，本文方法得到的結果明顯優于其他兩種方法得到的結果， 這說明干擾管理模型在降低客戶不滿意度上的效果是非常顯著的；

②從物流配送運營商的擾動來看，本文方法得到的結果劣于其他兩種方法得到的結果，但是相差不多，說明干擾管理模型得到的配送成本在物流配送運營商可以接受的范圍之內；

③從配送業務員的擾動來看，本文方法得到的結果與其他兩種方法得到的結果相同，這說明干擾管理模型在抑制配送路線的偏差上不劣于其他兩種方法。

綜上，在考慮人的行為因素的情況下，本文方法以犧牲較小的配送成本，換來了客戶不滿意度較大幅度的降低。因此， 與全局重調度方法和局部重調

表2-1 客戶信息

表2-2 客戶信息

表3 不同方法的求解結果

度方法相比，本文方法得到的結果更為實用。另外，雖然從短期看，物流配送運營商犧牲了一定的成本，但從長期的戰略角度看，有利于擁有穩定的客戶群并吸引更多的新客戶，進而擴大企業的影響力，促進企業的可持續發展。

7 結語

本文針對客戶時間窗變化的物流配送干擾管理問題，結合行為科學、運籌學等相關理論， 做了較深入的研究工作，具體體現在：

(1) 提出客戶時間窗變化問題基于行為的擾動度量方法，為物流配送系統中涉及人的行為感知的擾動度量提供了新工具，為解決干擾管理領域擾動度量這一關鍵問題提供了新思路。

(2) 將人的行為因素考慮在內，構建物流配送干擾管理的多目標優化模型，并提出改進的蟻群算法——混合蟻群算法的基本原理，為快速求解干擾管理模型這一NP-hard 問題提供了新思路，為尋找擾動最小的物流配送調整方案提供較為實用的定量分析工具。

本文方法在理論層面上，通過將人的行為因素考慮在內，能夠獲得較為實用的擾動最小的調整方案，這不僅有利于豐富干擾管理理論和方法，也能夠促進行為運籌學、行為運作管理等新興學科的發展；在實際層面上，本文構建的干擾管理模型具有較強的實際操作性，各個目標之間的優先級別能夠非常靈活地進行轉變，適用范圍較廣泛，這有利于促進現代物流產業的發展。

為了研究的方便，本文采用Tversky 和Kahneman[14-15]給出的β、λ 值進行算例驗證，如何確定上述參數的實際值，從而完善物流配送干擾管理模型，是下一步研究的重點。另外，物流配送系統中存在著大量的干擾事件，客戶時間窗變化僅僅是眾多干擾事件之一，如何將本文方法進一步深化，使其應用于需求變動、運力受擾等其他干擾事件的處理，也是值得研究的重要方向，有利于干擾管理的發展與普及。

[1] 楊文超, 胡祥培, 王征. 顧客時間窗變化的物流配送問題干擾管理方法研究[J]. 大連理工大學學報, 2012, 52(2): 290-296

[2] Yu Gang, Qi Xiantong. Disruption management: Framework, models and applications [M].Singapore: World Scientific Publishing, 2004.

[3] Clausen J, Larsen A, Larsen J, et al.. Disruption management in the airline industry-concepts, models and methods[J]. Computers & Operations Research, 2010, 37(5): 809-821.

[4] Jiang Yang, Sun Wei, Ding Qiulei, et al. A model of disruption management for solving machine disruption in single machine scheduling[J]. ICIC Express Letter, 2012, 6(12): 3143-3148.

[5] Qi Xiangtong, Bard J F, Yu Gang. Supply chain coordination with demand disruptions[J].Omega, 2004, 32(4): 301-312.

[6] Zhu Guidong, Bard J F, Yu Gang. Disruption management for resource-constrained project scheduling[J]. Journal of the Operational Research Society, 2005, 56(4): 365-381.

[7] Wang H F, Wen Yupin. Time-constrained Chinese postman problems[J]. Computers & Mathematics with Applications, 2002, 44(34): 375-387.

[8] 王明春, 高成修, 曾永廷. VRPTW的擾動恢復及其TABU SEARCH算法[J]. 數學雜志, 2006, 26(2): 231-236.

[9] 鐘石泉, 杜綱, 賀國光. 有顧客時間窗和發貨量變化的緊急車輛調度研究[J]. 管理工程學報, 2007, 21(4): 114-118.

[10] 王旭坪, 許傳磊, 胡祥培. 有顧客時間窗和發貨量變化的車輛調度干擾管理研究[J]. 管理科學, 2008, 21(5): 111-120.

[11] Hadjar A, Soumis F. Dynamic window reduction for the multiple depot vehicle scheduling problem with time windows[J]. Computers & Operations Research, 2009, 36(7): 2160-2172.

[12] 王征, 王建軍, 楊文超. 顧客時間窗變化的多車場車輛調度干擾管理模型研究[J]. 管理科學, 2010, 23(3): 103-112.

[13] 王旭坪，阮俊虎，張凱，等. 有模糊時間窗的車輛調度組合干擾管理研究[J]. 管理科學學報, 2011, 14(6): 2-15.

[14] Kahneman D, Tversky A. Prospect theory: An analysis of decision under risk[J]. Econometrica, 1979, 47(2): 263-291.

[15] Tversky A, Kahneman D. Advances in prospect theory: Cumulative representation of uncertainty[J]. Journal of Risk and uncertainty, 1992, 5(4): 297-323.

[16] Stützle T, Hoos H. Improvements on the ant system: Introducing MAX-MIN ant system [M]//Kurkova V,Steele N C,Neruda R,et al.Artificial Neural Networks and Genetic Algorithms, Vienna:Springer,1998.

[17] 王穎，謝劍英. 一種自適應蟻群算法及其仿真研究[J]. 系統仿真研究, 2002, 14(1): 31-33.

[18] Solomon M M. Algorithms for the vehicle routing and scheduling problems with time window constraints[J]. Operations research, 1987, 35(2): 254-265.

[19] Chen C H, Ting C J. A hybird ant colony system for vehicle routing problem with time windows[J]. Journal of the Eastern Asia Society for Transportation Studies, 2005, 6: 2822-2836.

[20] Balseiro S R, Loiseau I, Ramonet J. An ant colony algorithm hybridized with insertion heuristics for the time dependent vehicle routing problem with time windows[J]. Computers & Operations Research, 2011,38(6): 954-966.

[21] Thangiah S R, Osman I H, Sun Tong. Hybrid genetic algorithm, simulated annealing and tabu search methods for vehicle routing problems with time windows[R]. Technical Report, Institute of Mathematics & Statistics, University of Kent, Canterbury, UK, 1994.

[22] Tan K C, Lee L H, Ou K. Artificial intelligence heuristics in solving vehicle routing problems with time window constraints. Engineering Applications of Artificial intelligence, 2001, 14(6): 825-837.

Model of Disruption Management for the Change of Time Window Based on Human Behavior in Logistic Distribution

DING Qiu-lei

(School of Business Administration, Dongbei University of Finance and Economics, Dalian 116025, China)

It is difficult to generate the new plan effectively for minimizing the negative impact when the time window of customer changes in logistic distribution. Based on disruption management, this research aims to improve the science of the decision making of disruption management in logistic distribution by combining the behavioral perception in prospect theory with the quantitative analysis in operations research. At the beginning, the method to measure the deviation based on prospect theory is studied by analyzing the effects of the change of time window on customers, logistics providers and drivers. Then, the multi-objective model of disruption management is constructed and an improved ant colony optimization is demonstrated. The computational result of the model proves that, due to the tradeoff between all parties involved in logistic distribution, our approach is more practical than global rescheduling and local rescheduling. This research contributes to the theory and method of disruption management, which can be used in other fields, such as production planning problems, flight scheduling, supply chain management, etc.

management engineering; logistic distribution; disruption management; prospect theory; multi-objective optimization

1003-207(2015)05-0089-09

10.16381/j.cnki.issn1003-207x.2015.05.012

2013-04-09；

2013-10-27

國家自然科學基金資助項目(71301020)；遼寧省教育廳優秀人才項目(WJQ2014030)；遼寧省教育廳科學研究一般項目(L2014216)

丁秋雷(1980-)，男(漢族)，山東汶上人，東北財經大學工商管理學院，博士，講師，研究方向：干擾管理、電子商務與物流管理、生產運作管理.

C93；TP18

A