B2C環境下生鮮農產品物流配送路徑優化研究

何有世

▲ 基金項目：國家社會科學基金資助項目（16BGL088）

◆ 中圖分類號：F252 文獻標識碼：A

內容摘要：本文針對B2C環境下顧客需求的特點和生鮮農產品流通過程中易損耗的問題，構建了以物流配送總成本最小和顧客滿意度最高為目標的物流配送路徑優化模型，應用遺傳算法對模型求解，并利用某生鮮電子商務企業的配送數據驗證了模型的可行性和算法的有效性。研究結果表明，建立的優化模型可以減少農產品流通過程中的損耗，提升顧客滿意度，對優化B2C環境下生鮮農產品物流配送路徑具有重要意義。

關鍵詞：B2C電子商務 生鮮農產品 物流配送 路徑優化 遺傳算法

引言

隨著社會經濟的快速發展以及居民生活品質的提升，人們對生鮮農產品的需求量不斷增加。生鮮農產品電子商務平臺的出現和快速發展，給消費者提供了更加便捷、全面的選擇平臺，消費者可以直接在網絡上完成生鮮農產品的交易。根據中國電子商務研究中心監測數據顯示，2015年全國生鮮電商交易規模達到560億元，同比增長115.4%，平均客單價150元，但物流負擔成本已經占到了50%，而流通中的損耗率也高達20%-30%。高配送成本以及高流通損耗已經嚴重阻礙了生鮮電商的發展，因此，解決生鮮農產品的物流配送路徑問題（Vehicle Routing Problem，VRP），降低物流配送成本，減少生鮮農產品配送過程中的損耗，保證生鮮農產品的新鮮度及質量就非常重要。

目前，國內外學者主要對B2C電子商務、生鮮農產品配送和車輛路徑優化中的某一問題進行研究。B2C電子商務方面，常亞平等（2008）研究了B2C電商企業物流配送網絡，并改進了物流配送模型；李琳等（2010）建立了B2C環境下的多階段訂單配送模型，并利用禁忌搜索算法和插入算法相結合求解模型；吳金南等（2011）通過建立電子商務能力概念模型，分析了電子商務能力對供應鏈績效的影響。生鮮農產品配送方面，但斌等（2008）通過構造新鮮度衰減函數來表征生鮮農產品價值損耗，并分析生鮮農產品的供應鏈協調問題；繆小紅等（2011）建立了一個冷鏈配送中心、多個顧客的冷鏈物流配送模型，并提出用改進的遺傳算法進行求解；邵舉平等（2015）考慮了生鮮農產品在配送過程中易損耗和顧客滿意度，以此建立了生鮮農產品配送路徑多目標優化模型并進行了求解。車輛路徑優化問題方面研究成果豐富，張群和顏瑞（2012）建立了多配送中心、多車型、多產品的混合數學模型，并提出一種新的模糊遺傳算法進行求解；羅勇和陳治亞（2012）建立了以物流配送路徑總長度為優化目標的數學模型，并設計了改進的遺傳算法進行了求解。上述的研究文獻都只是從B2C電子商務、生鮮農產品配送、車輛路徑優化這三個方面中的某一角度進行研究，還沒有同時對這三個方面進行研究的文獻，而解決物流配送問題對促進生鮮農產品電商平臺的發展至關重要，所以，本文選擇對電子商務環境下生鮮農產品物流配送路徑優化進行研究。

針對B2C電子商務環境物流配送服務對象數量眾多、位置分散的特點，本文采用多個配送中心分區域進行配送的模式；考慮到生鮮農產品易腐性的特點，引入了生鮮農產品價值損耗函數來反映生鮮農產品在運輸過程中產生損耗的情況；并引入顧客滿意度函數來反映顧客對配送時間的滿意程度，構建以物流配送成本最小以及顧客滿意度最大化為目標的物流配送模型，并結合算例來驗證模型的有效性。

物流配送路徑優化模型

（一）問題描述

生鮮電商改變了人們消費生鮮農產品的方式，給消費者的生活帶來了便捷，實現生鮮產品到達終端消費者的過程則要依賴高效的流通環節，圖1描述了一個B2C環境下的生鮮農產品物流配送網絡，它由消費者、生鮮農產品電商平臺、供應商以及物流配送中心構成。

B2C環境下的物流配送與傳統的物流配送相比，面對的顧客數量多、位置分散，配送的難度也更高。顧客通常對物流配送有一個期望時間，超出期望時間的配送服務必然影響顧客滿意度，甚至對生鮮電商平臺的聲譽產生影響。因此，本文引入一個簡單的連續線性函數來反映顧客滿意度變化情況，函數圖像如圖2所示。

顧客對收貨時間的要求包括兩個階段，即期望收貨的時間段[ET`i，LT`i]和可接受的收貨時間段[ETi，LTi]，如果顧客在期望時間段內收貨，顧客的滿意度為100%；如果顧客在可接受的時間段收貨，滿意度會隨著實際收貨時間與期望收獲時間之間的差距增大而降低。對于顧客i來說，其收貨時間為Ti，顧客滿意度函數U（Ti）可以表示為：

根據上述分析，B2C環境下生鮮農產品物流配送路徑優化問題可做如下描述：多個配送中心向一定區域內分散的顧客進行物流配送，要求在顧客規定的時間窗內完成配送任務，早于或晚于顧客規定的時間窗都會產生懲罰費用，并且會影響顧客滿意度。結合顧客的具體位置，設計出合理的物流配送方案，使得物流配送成本最低和顧客滿意度最高。

（二）模型構建

基本假設。有多個配送中心，不考慮配送中心缺貨現象；每輛配送車的容量有限，不允許超過配送車容量的上限；每位顧客的位置、需求量已知，只能有一輛配送車為其服務；每位顧客的配送時間窗已知，必須在規定的時間窗內完成配送任務；考慮配送過程中生鮮農產品的腐壞情況。

符號解釋。M：顧客數目；N：配送中心數目集合；Fn：第n個配送中心服務的顧客數目；Kn：第n個配送中心配送車的數目；fnk：第n個配送中心的第k輛車服務的顧客數目；P：生鮮農產品單位價格；Q：配送車的最大運輸量；C：運輸車單位距離配送成本；dni：第n個配送中心服務的顧客i的需求量；Ti：配送車輛到達顧客i的時刻；tij：從顧客i到顧客j的時間；Lij：從顧客i到顧客j的距離（i，j=0，1，2，…，Fn；0表示配送中心）；[ETi，LTi]：顧客可接受的收貨時間段；[ET`i，LT`i]：顧客期望的收貨時間段；ω1：早于時刻ET`i 到達單位時間等待費用；ω2：晚于時刻LT`i 到達單位時間延遲費用；tb：生鮮農產品運輸時間；T：生鮮農產品的保質期；S（tb）：生鮮農產品損耗函數。考慮到生鮮農產品具有易損耗的特點以及極強的時效性，本文應用曹倩等（2015）研究中的生鮮度損耗函數，T為生鮮農產品的保質期，tb（tb

模型建立及解釋。主要從以下方面分析：

一是目標函數：

（1）

（2）

目標函數Z1為了實現生鮮農產品冷鏈物流配送過程總體成本最小，式（1）中第一項為配送過程的運輸成本，第二項為運輸過程中生鮮農產品新鮮度降低造成的價值損耗，第三項為配送車早于時間窗下界到達的損失成本，第四項為配送車晚于時間窗上界到達的損失費用；目標函數Z2表示配送路徑上的所有顧客的滿意度最高。

二是約束條件：

（3）

（4）

（5）

（6）

在約束條件中，式（3）表示車輛k承擔的配送總量不能大于配送車的最大運輸量；式（4）及式（5）的組合表示每個需求點只被一輛配送車服務一次，不存在重復的情況；式（6）表示配送車從配送中心出發完成配送任務后又回到配送中心。

遺傳算法求解

遺傳算法（Genetic Algorithms）是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應全局優化概率搜索算法，它最早是由美國的Holland教授提出，針對本文中的問題，采用遺傳算法進行求解，生成最優的路徑。以下是算法的設計過程：

（一）染色體編碼

編碼是設計遺傳算法的一個關鍵步驟，主要的編碼方法有二進制編碼、自然數編碼、浮點數編碼，本文采用自然數編碼的方法進行編碼。給每一位顧客分配1-M之間的一個編號，配送中心編號為“0”，顧客編號構成一條染色體，并表示一種配送方案。例如染色體“013602450”表示兩條子配送路徑，一條路徑為“配送中心0→顧客1→顧客3→顧客6→配送中心0”，另一條路徑為“配送中心0→顧客2→顧客4→顧客5→配送中心0”。

（二）群體初始化

遺傳算法是對群體進行的進化操作，需要起始搜索點的初始群體數據。按照顧客編碼的順序，依次分配給配送車直到所配送顧客需求量di的總和達到該配送車最大運輸量Q，形成第一輛配送車所服務的顧客的子串“m11，m12…m1i”，按照要求接著操作直到最后一個編碼分配到配送車中，形成第一條染色體r1=[0，m11，m12，…m1i，0，m21…mnm，0]。對上述過程重復進行操作，直到滿足初始群體的規模G。

（三）適應度計算

遺傳算法中根據每個個體適應度的大小來評定個體的優劣程度，本文利用個體適應度來表示相應配送方案的優劣，個體適應度值越大，表示該配送方案越好，反之表示相應的配送方案越差。考慮到本文中的優化模型是為實現配送方案總成本最小的目標，因此采用函數來表示個體適應度，其中Zi表示染色體i的配送成本，表示所有染色體配送成本的總和。

（四）選擇運算

選擇運算是把當前群體中適應的較高的個體按照一定的規則遺傳到下一代群體中，要求適應度高的個體遺傳到下一代的概率更高。本文采用比例選擇，具體操作過程為：根據所有的個體適應度值fi，計算群體中個體的適應度值的總和，然后計算出每個個體的適應度值與群體適應度值總和的比例，確定每個個體遺傳到下一代的概率；采用賭盤選擇，為了使適應度高的個體盡可能保留到下一代群體中，群體中適應度最高的個體不參加選擇，直接保留到下一代中，在[0，1]之間產生一個隨機數μ，如果，個體k會被選中。

（五）交叉運算

交叉操作是遺傳算法中產生新個體的主要操作過程，以一定的概率交換兩個個體的部分染色體。考慮遺傳操作過程中的隨機性，保留適應度最高的個體不參加交叉運算。由于配送中心基因為“0”，在一條染色體中有多個0存在，如果采用普通的交叉操作，會造成多個配送中心相連的情況，產生不可行解，因此本文采用最大保留交叉法。具體操作步驟如下：在要進行配對的兩個個體上各自選取兩個交叉點，形成匹配段；兩個交叉點對應的基因均為0，直接采用順序交叉，交叉點對應基因值不全為0，則將交叉點左（右）移直到對應位置基因為0，再采用順序交叉。

（六）變異運算

在遺傳算法中，變異操作是對個體基因串上某個或某些基因按照一定的概率進行改變，也是產生新個體的主要操作方法。本文采用均勻變異的方法進行變異操作，具體步驟為：通過隨機選擇的方式確定個體基因串上某個基因mk為變異點；假設變異點mk的取值范圍為[Ukmin，Ukmax]，同時在[0，1]之間生成一個隨機數α，通過計算m`k=Ukmin+α*（Ukmax-Ukmin）產生新的基因m`k。

（七）終止判斷

本文設定最大進化代數Max（gen），算法運行到Max（gen）時，算法終止運行，否則重復上述步驟，算法繼續運行。當算法終止時，群體中適應度值最大的個體對應的配送方案就是最優的方案。

算例分析

（一）算例描述

本文以某生鮮電子商務企業為研究對象，選擇該企業為某地區網購顧客配送任務為例。該地區有3個配送中心A（6km，15km）、B（14km，12km）、C（4km，8km）分別向所負責區域的顧客進行配送，配送中心A、B、C所負責配送的顧客的位置、需求量以及配送時間要求分別如表1、表2、表3所示。

配送中心每天8﹕00開始配送工作，每個配送中心有配備有載重量為100kg的電動車，配送車在每個配送點停留10min；配送車的速度為15km/h，配送成本為1元/km；生鮮農產品平均價格為20元/kg，保質期為48h；配送過程中早于顧客期望收貨時間到達的懲罰費用為ω1=30/h，晚于顧客期望收貨時間到達的懲罰費用ω2=40/h。

（二）仿真分析

采用遺傳算法求解本文中的問題，在遺傳算法中，設定種群規模N=60，交叉概率Pc=0.5，變異概率Pm=0.06，進化代數gen=300，并利用MATLAB軟件進行仿真計算，得到一個最優的配送方案如表4所示。

由表4可知，在整個配送任務中，配送中心A有3輛配送車參與了配送任務，配送車Ⅰ依次對顧客A7、A9、A2進行配送，配送車Ⅱ依次對顧客A8、A5、A4進行配送，配送車Ⅲ依次對顧客A3、A1、A6進行配送；配送中心B有2輛車參與了配送任務，配送車Ⅰ依次對顧客B1、B5、B7、B2進行配送，配送車Ⅱ依次對顧客B3、B4、B6、B8進行配送；配送中心C有3輛車參與了配送任務，配送車Ⅰ依次對顧客 C6、C7、C2、C8進行配送，配送車Ⅱ依次對顧客C3、C9、C1進行配送，配送車Ⅲ依次對顧客C4、C5進行配送；具體的配送路線如圖3所示。

在整個配送任務中，顧客需求總量為684kg，配送的總距離為150.9km，部分需求點在配送過程中存在超出期望收貨時間的情況，會產生懲罰成本，生鮮農產品在運輸過程中會產生損耗，依據構建的模型，計算出配送過程中的總成本為558.8元，顧客滿意度為93.3%。比較以往的研究，降低了物流配送成本，同時考慮了顧客的滿意度最大化，也證明了本文所構建的模型是科學有效的。

參考文獻：

1.常亞平，呂彪.基于B2C環境的物流配送配送模型改進[J].工業工程與管理，2008（4）

2.李琳，劉士新，唐加福.B2C環境下帶信息流的多階段訂單配送問題[J].控制理論與應用，2010，27（10）

3.吳金南，仲偉俊.電子商務能力影響供應鏈績效的機理研究[J].中國管理科學，2011，19（1）

4.但斌，陳軍.基于價值損耗的生鮮農產品供應鏈協調[J].中國管理科學，2008，16（5）

5.繆小紅，周新年，林森，方萬春，王秀明，林麗娟.第三方冷鏈物流配送路徑優化研究[J].運籌與管理，2011，20（4）

6.邵舉平，曹倩，沈敏燕，孫延安.生鮮農產品配送中帶時間窗的VRP模型與算法[J].工業工程與管理，2015，20（1）

7.張群，顏瑞.基于改進模糊遺傳算法的混合車輛路徑問題[J].中國管理科學，2012，20（2）

8.羅勇，陳治亞.基于改進遺傳算法的物流配送路徑優化[J].系統工程，2012，30（8）

9.曹倩，邵舉平，孫延安.基于改進遺傳算法的生鮮農產品多目標配送路徑優化[J].工業工程，2015，18（1）

10.周明，孫樹棟.遺傳算法原理及應用[M].國防工業出版社，1996