大數據背景下的電子商務物流配送路徑優化算法

蔣叢萃

摘? 要： 傳統的電子商務物流配送路徑優化算法存在尋找最優路徑時間長的問題，為解決這一問題，設計一種大數據背景下的電子商務物流配送路徑優化算法。首先采用聚類算法對物流配送區域進行劃分;然后通過重量指數、時效指數、客戶重要度指數、時間窗口指數、總路徑指數五方面建立物流配送路徑優化多目標函數;最后設置配送目標權重，按照電子商務物流的不同需求找到目標函數中較優的配送路徑，以此完成電子商務物流配送路徑優化。實驗對比結果表明，此次設計的大數據背景下的電子商務物流配送路徑優化算法比傳統算法尋找最優路徑的時間短，能夠減少電子商務物流配送時間，具有一定的實際應用意義。

關鍵詞： 大數據; 電子商務; 物流配送路徑; 區域; 多目標函數; 時效指數

中圖分類號： TN911.1?34; TP301? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）19?0130?04

Abstract： It takes a long time for the traditional e?commerce logistics distribution path optimization algorithm to find the optimal path. In view of this， an e?commerce logistics distribution path optimization algorithm under the background of big data is designed. The clustering algorithm is used to divide the logistics distribution area. Then， the multi?objective function of logistics distribution path optimization is established by weight index， time efficiency index， customer importance index， time window index and total path index. Finally， the weight of distribution goal is set. According to the different needs of e?commerce logistics， the optimal distribution path in the objective function is found to complete the e?commerce logistics distribution path optimization. The results of contrastive experiments show that under the background of big data， the designed e?commerce logistics distribution path optimization algorithm takes less time than the traditional algorithm to find the optimal path， and can reduce the e?commerce logistics distribution time. Therefore， it has a certain practical significance.

Keywords： big data; e?commerce; logistics distribution path; region; multiple?objective function; time efficiency index

0? 引? 言

在大數據背景下，電子商務企業能夠準確預測客戶的未來需求，實現對客戶個性化服務。然而大部分企業卻未能有效利用這些數據進行線路規劃，傳統的物流配送路徑無法應對如今復雜的城市道路交通情況，已經不能適用于消費者的實際需要。為了滿足電子商務的發展要求，提高顧客滿意度，對電子物流配送路徑進行優化，以解決傳統電子商務物流配送路徑優化算法尋找最優路徑時間長的問題。

此次設計的方法首先采用聚類算法對物流配送區域劃分，并建立物流配送路徑優化多目標函數，主要包括重量指數、時效指數、客戶重要度指數、時間窗口指數、總路徑指數五個方面，并設置配送目標權重，尋找最優的目標路徑，以實現對電子商務物流配送路徑優化。

實驗對比結果表明，此次設計的優化方法比傳統方法尋找最優路徑的時間短，證明了電子商務物流配送路徑優化算法的有效性。

1? 物流配送區域劃分

在對電子商務物流配送路徑優化前，分析電子商務配送流程，如圖1所示。

在上述分析完成的基礎上，采用聚類算法對物流配送區域進行劃分[1]，劃分過程如下所示：

Step1：選擇起始的聚類[2]中心，在該聚類中心所有的數據信息中找到[n]個數據，將[n=1，2，…，n]個數據信息作為聚類中心。根據電子商務物流配送中心的要求，將[n]個聚類中心的坐標分別定為[（x1，y1）]，[（x2，y2）]，…，[（xn，xn）]，保證初始劃分區域不出現疊加情況。

Step2：采用距離公式求解上述每個聚類中心距每個數據的距離，計算公式如下所示：

式中：[Dk+1]代表配送區域劃分因子;[ga]代表聚類中心;[fa+1]代表聚類中心的數據。

按照式（1）計算數據距離[3]哪個聚類中心距離最近，就將它歸到那個聚類中心，目的是節省車輛運送貨物在路上的時間。

Step3：修正聚類中心，因為包含了一些數據的[n]個聚類的中心往往發生變化，因此在Step2計算結果的基礎上重新修正聚類中心數據。

計算方法為：一個聚類內所有點的經度坐標[4]相加除以點的個數，在此基礎上，所有點的維度坐標相加并除以點的個數，以此得到新的聚類中心的經緯度坐標以及新的聚類中心的位置。目的是使配送工作量盡量保持均勻，避免出現不均衡現象，因此每個小區域的配送量要大致相等。

Step4：驗證聚類中心，使用Step3中計算過的聚類中心進行下一次迭代循環[5]，并將上述3個步驟計算得到的聚類中心位置與上一次求得的聚類中心對比，計算公式如下所示：

式中 ：[kg]代表物流配送區域的聚類對象;[aq]代表聚類規模大小;[f]代表聚類中心距離;[h]代表聚類中心對比參數;[a]代表配送點密集程度[6]。

按照式（2）計算所得中心的位置，若相差較大，則再次計算，使每一輛配送車一次運送的配送量大概保持相等。

2? 電子商務物流配送路徑優化算法

在上述物流配送區域劃分的基礎上，對物流配送路徑進行優化，在優化前，分析路徑設計過程[7]，路徑設計過程如圖2所示。

在此基礎上，建立物流配送路徑，優化多目標函數[8]，主要包括重量指數、時效指數、客戶重要度指數、時間窗口指數、總路徑指數，具體的計算過程如下所示。

重量指數[9]，在電子商務物流配送過程中，貨物重量是必須要考慮的因素，在一般情況下，應優先派送重量大的貨物，以減少配送過程中的油耗，重量指數表示為：

式中：[Sg]代表需要配送的地點數量;[if]代表配送的貨物重量;[g]為物流配送的地點順序;[i]為第[i]個地點需要配送的貨物重量;tu為重量指數計算因子。

在上述重量指數計算完成的基礎上，計算時效指數[10]，由于電子商務配送中會出現越來越多的冷鮮，對物流配送時間要求越來越高，因此建立時效指數反映貨物時效性要求，計算公式如下：

式中：[ti]代表第[i]個配送點貨物的保鮮時間;[Tfs]代表配送該貨物所需時間;[ta]為配送出發時間;[1N]代表配送過程中的影響因子;[St]為貨物應到達時間。

客戶作為電子商務物流公司生存的前提，為保證客戶量，優先考慮重要客戶的貨物，則客戶重要度指數[11]表示為：

式中：[1N]代表重要客戶貨物的順序;[mj]為優先選擇因子;[N]代表重要程度劃分因子;[i]為優先客戶量。

最后，計算電子商務物流配送的總路徑指數[12]，因為不同的物流配送路徑不同，為提高配送效率，計算總路徑指數，計算公式如下：

式中：[Sk]代表第[k]個配送點之間的路程;[1F]代表配送完成后返回的路程;[hy?j]為總路徑的調節系數;[n]為總路徑指數值。

在上述重量指數、時效指數、客戶重要度指數、時間窗口指數、總路徑指數建立的基礎上，完成物流配送路徑優化目標函數的建立。

由于電子商務物流配送中心貨物配送目標的重視程度不同，因此對配送目標設置權重[13]，在設置之前，對上述得到的目標函數進行無量綱化[14]處理，計算公式如下：

式中：[xe]代表任意方案中的某一評價指標值;[M]代表[m]中的最小值;[x]代表[n]中的最大值。

在上述無量綱化處理的基礎上確定權重，采取兩兩因素比較的方式進行相對重要度的評價，評價方式如表1所示。

基于上述物流配送指標函數以及權重，對配送路徑進行優化：

式中：[W1]，[W2]，[W3]，[W4]，[W5]分別代表重量指數、時效指數、客戶重要度指數、時間窗口指數、總路徑指數的總權重;[η]為正比例增益系數[15]。

根據式（8）計算出各個函數的重要程度，從而找到目標函數中較優的配送路徑，以此完成電子商務物流配送路徑優化。

3? 仿真測試

為驗證上述設計的電子商務物流配送路徑優化算法的有效性，將傳統的算法與此次設計的算法進行實驗對比，對比兩種方法尋找最優路徑的時間。

3.1? 測試數據

實驗數據由某電子商務物流配送中心提供，在該物流中心的一次物流配送任務中，共需配送10個貨物，這10個貨物的基本信息如表2所示。

分析表2可知，10個配送任務重量、重要度以及卸貨時間都不同，分別使用兩種方法尋找這10個貨物配送的最優路徑，對比兩種方法尋找最優路徑的時間。

3.2? 實驗結果分析

此次設計的電子商務物流配送路徑優化算法和傳統算法尋找最優路徑的時間結果如表3所示。

分析表3可知，此次設計的優化算法尋找最優路徑的時間都在2 min以下，而傳統算法尋找最優路徑時間都在3 min以上，最高達到4.6 min。對比可知，傳統算法在10次尋找最優路徑中所需要的時間均高于此次設計的算法。

通過上述實驗能夠證明，本文設計的大數據背景下的電子商務物流配送路徑優化算法比傳統算法尋找最優路徑的時間短，能夠滿足電子商務物流配送路徑優化需求。

對比采用此次設計的優化算法與傳統算法后，該電子商務物流配送中心1年內物流配送費用結果如表4所示。

分析表4可知，采用此次設計的優化算法尋找最優路徑條件下，電子商務物流配送中心一年內物流配送費用總計為109.4萬元，而采用傳統算法尋找最優路徑條件下，電子商務物流配送中心一年內物流配送費用總計達到134.3萬元。相比之下采用此次設計的優化算法尋找最優路徑一年物流配送費可節省24.9萬元。

基于上述實驗結果可知，此次設計的大數據背景下的電子商務物流配送路徑優化算法與傳統算法相比，可節省大量物流配送費用，符合電子商務物流配送路徑優化的經濟效用。

為更清晰地描述不同算法優化結果，將不同算法的路徑優化結果與實際最優路徑相比，所得各項誤差用表格形式描述，結果如表5所示。

分析表5可得，兩種不同優化算法中，此次設計的電子商務物流配送路徑優化算法優化后得到的路徑與實際最優路徑相比，各項誤差值均低于傳統算法優化結果。

以上實驗結果表明此次設計的電子商務物流配送路徑優化算法優化后得到的路徑與實際最優路徑一致度更高，驗證了此次設計的電子商務物流配送路徑優化算法的精度。

4? 結? 語

針對傳統的電子商務物流配送路徑優化算法存在尋找最優路徑時間長的問題，本文設計了一種大數據背景下的電子商務物流配送路徑優化算法。首先采用聚類算法對物流配送區域劃分，然后建立物流配送路徑優化多目標函數，主要包括重量指數、時效指數、客戶重要度指數、時間窗口指數、總路徑指數五個方面，最后設置配送目標權重，找到目標函數中較優的配送路徑，以此完成電子商務物流配送路徑優化。實驗對比結果表明，此次設計的大數據背景下的電子商務物流配送路徑優化算法比傳統算法尋找最優路徑的時間短，能夠滿足電子商務物流配送需求。在實際應用該算法時，應不斷結合城市道路的發展，不斷更新該算法。

參考文獻

[1] 葛顯龍，薛桂琴.不確定環境下多品類共同配送路徑優化[J].計算機工程與應用，2019，55（9）：270?276.

[2] 王恒，徐亞星，王振鋒.基于道路狀況的生鮮農產品配送路徑優化[J].系統仿真學報，2019，31（1）：134?143.

[3] 周正博，冷飛，張航暢.移動網絡電子商務物流信息實時提取方法研究[J].計算機仿真，2018，35（8）：152?155.

[4] 張艷偉，黃志紅.考慮貨物類別的電動汽車路徑優化問題研究[J].武漢理工大學學報（信息與管理工程版），2018，40（1）：79?84.

[5] 鄧友均，李明，余千，等.基于實時信息感知的電動汽車物流配送路徑優化與充電導航[J].南方電網技術，2017，11（2）：41?49.

[6] 李杰，趙旭東，王玉霞.面向電商終端物流配送的電動車配置與路徑集成優化[J].運籌與管理，2018，27（10）：23?30.

[7] 王先慶，彭雷清.物流革命與物流創新的方向、路徑及策略[J].中國流通經濟，2017，31（7）：120?126.

[8] 葉威惠，張飛舟.真實路況下的快遞配送路徑優化研究[J].計算機工程與科學，2017，39（8）：1530?1537.

[9] 秦書婷，張著洪.基于物流配送路線規劃的改進型果蠅優化算法[J].計算機工程與設計，2019，40（7）：2007?2012.

[10] 鄧必年.基于蟻群優化算法的物流配送路徑研究[J].現代電子技術，2017，40（15）：167?170.

[11] 肖超，張立毅，費騰.冷鏈低碳物流配送路徑優化的細菌覓食：蟻群算法研究[J].數學的實踐與認識，2017，47（21）：100?109.

[12] 王力鋒，楊華玲.物流配送車輛最優網絡路徑選取仿真[J].計算機仿真，2018，35（5）：156?159.

[13] 盧甲東，張世斌.基于時空相似測度的冷鏈物流分區配送路徑優化[J].上海海事大學學報，2018，39（4）：35?40.

[14] 杜鵑，陳良庚.基于ASD與LBS的移動農資物流配送系統研究[J].現代電子技術，2017，40（1）：167?170.

[15] 李存兵，謝林君，楊金欣.面向低碳的雙層遺傳算法煙草物流路徑優化[J].煙草科技，2018，51（1）：90?97.