基于降本增效的農(nóng)村快遞物流最后一公里配送研究

孫慧 高皓雪

摘? 要：考慮到農(nóng)村快遞物流“低分布密度+長(zhǎng)運(yùn)輸線”[1]的實(shí)際情況，通過(guò)共同配送和眾包配送并結(jié)合車輛路徑優(yōu)化來(lái)解決農(nóng)村物流最后一公里配送問(wèn)題。根據(jù)最后一公里的配送特征，構(gòu)建滿足車輛容量最大化、配送成本最小化的模型，并在模型中加入配送人員工作時(shí)間這一約束條件，然后運(yùn)用自適應(yīng)遺傳算法對(duì)模型進(jìn)行求解，將設(shè)計(jì)的算法和構(gòu)建的模型實(shí)際應(yīng)用在農(nóng)村快遞物流最后一公里車輛路徑優(yōu)化上，確定最佳配送路徑，提高效率，節(jié)約成本，為相關(guān)配送網(wǎng)點(diǎn)提供參考。

關(guān)鍵詞：農(nóng)村快遞物流;最后一公里;自適應(yīng)遺傳算法;車輛路徑優(yōu)化

中圖分類號(hào)：F252.14??? 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： Considering the actual situation of“l(fā)ow distribution density+long transportation line”in rural express logistics， to solve the last kilometer distribution problem of rural express logistics through co-distribution and crowd-sourcing distribution combined with vehicle routing optimization. Based on the distribution characteristics of the last kilometer， building a model to maximize vehicle capacity and minimize distribution cost， and adding a constraint condition of working time of distribution personnel into the model， then using adaptive genetic algorithm to solve the model. Both the design and the model are applied to the vehicle path optimization of the last kilometer of rural express logistics to determine the optimal distribution path which will improve transportation efficiency and save cost， and then provide reference for related distribution network.

Key words： rural express logistics; last mile; adaptive genetic algorithm; vehicle path optimization

0? 引? 言

互聯(lián)網(wǎng)的迅速發(fā)展使得網(wǎng)購(gòu)在農(nóng)村地區(qū)越來(lái)越普遍，但目前農(nóng)村快遞物流還是藍(lán)海市場(chǎng)，有待開發(fā)，且農(nóng)村快遞物流存在客戶居住分散，送貨上門成本高等一系列問(wèn)題。在解決農(nóng)村快遞物流最后一公里的問(wèn)題上，不少學(xué)者也提出了相關(guān)的研究方案和解決策略。丁紅英[2]等分析我國(guó)農(nóng)村電商物流現(xiàn)狀，提出加大建設(shè)農(nóng)村物流基礎(chǔ)設(shè)施設(shè)備，選擇合理的配送網(wǎng)點(diǎn)等方法。李亞?wèn)|[3]通過(guò)剖析最后一公里的現(xiàn)有配送模式，提出綜合配送模式，充分考慮配送效率、配送成本和客戶體驗(yàn)性等多個(gè)因素。姚天姿[4]則提出要充分利用現(xiàn)有科技，在人工智能技術(shù)下利用無(wú)人機(jī)完成最后一公里的配送。

以上學(xué)者的方案對(duì)解決農(nóng)村快遞物流最后一公里具有很大的啟發(fā)作用，但想要實(shí)現(xiàn)高效、低成本的配送也絕非易事。在解決最后一公里的問(wèn)題上，要改變傳統(tǒng)的配送方式，采取同時(shí)共用分撥中心和終端網(wǎng)點(diǎn)的共同配送模式。或者采取部分眾包配送模式，由工廠人員兼職快遞員，將快遞順路送至各村落。為使配送中心的覆蓋面更廣，增強(qiáng)客戶體驗(yàn)，就必須以快遞的統(tǒng)一配送代替客戶自提，而農(nóng)村地區(qū)交通不便和客戶密度低等帶來(lái)的成本問(wèn)題使配送網(wǎng)點(diǎn)望而卻步。因此，要在共同配送和眾包配送的基礎(chǔ)上重點(diǎn)進(jìn)行車輛路徑規(guī)劃，優(yōu)化配送路徑，提高配送效率，使配送成本降到最低。

1? 農(nóng)村快遞物流車輛路徑優(yōu)化模型的建立

1.1? 問(wèn)題描述

農(nóng)村地區(qū)交通不發(fā)達(dá)，客戶居住分散，快遞員經(jīng)常為了十幾件快遞在村落之間重復(fù)往返，來(lái)回穿梭。效率不高，成本增加。矛盾在于快遞網(wǎng)點(diǎn)想盡量縮短配送路徑，使配送成本最小化。因此，如何進(jìn)行合理的路徑規(guī)劃是我們應(yīng)該考慮的問(wèn)題。

1.2? 模型假設(shè)

（1）車輛從配送中心出發(fā)結(jié)束后返回配送中心;

（2）村落的位置、數(shù)量和送貨量均已知，且在配送中心的配送范圍之內(nèi);

（3）配送車輛類型相同，且均保持勻速行駛;

（4）每輛車可為多個(gè)村落提供配送服務(wù)，但其僅有一條配送路線;

（5）每個(gè)村落的服務(wù)車輛不得超過(guò)一輛;

（6）農(nóng)村地區(qū)很少有網(wǎng)絡(luò)商家入駐，由農(nóng)村地區(qū)寄出的快遞可忽略不計(jì)，因此此模型不涉及取貨問(wèn)題，僅考慮單純的送貨問(wèn)題。

1.3? 模型參數(shù)說(shuō)明

（1）Z：配送成本;

（2）K：服務(wù)車輛集合，K=1，2，…，n;

（3）J：客戶點(diǎn)集合，J=1，2，…，m，其中1為配送中心;

（4）s：車輛k的固定成本;

（5）s：車輛單位運(yùn)輸成本;

（6）l：客戶i和j之間的距離;

（7）t：客戶點(diǎn)j處的服務(wù)時(shí)間;

（8）v：車輛行駛速度;

（9）T：配送人員的最長(zhǎng)工作時(shí)間;

（10）Q：客戶j的需求量;

（11）Q：車輛最大載重量;

（12）u：表示車輛k是否被使用，是為1，否為0;

（13）x：表示車輛k是否從客戶i行駛至客戶j，是為1，否為0;

（14）y：表示客戶j是否由車輛k服務(wù)，是為1，否為0。

1.4? 模型建立

目標(biāo)函數(shù)：

MinZ=su+slx????????????????????????????????????? （1）

約束條件：

x=1， ？坌j∈J?????????????????????????????????????????? （2）

y=1， ？坌j∈J???????????????????????????????????????????? （3）

x-x=0， ？坌k∈K ????????????????????????????????????????（4）

x≤1， ？坌k∈K??????????????????????????????????????????? （5）

ty+x≤T???????????????????????????????????????? （6）

Qy≤Q????????????????????????????????????????????? （7）

y∈0，1， ？坌i∈J， ？坌k∈K?????????????????????????????????????? （8）

x∈0，1， ？坌i，j∈J， ？坌k∈K?????????????????????????????????????? （9）

式（1）為目標(biāo)函數(shù)，表示配送總成本最小化;式（2）、式（3）指每個(gè)客戶有且僅有一輛車提供服務(wù)且僅有一條服務(wù)路徑;式（4）為進(jìn)出平衡約束，保證每個(gè)節(jié)點(diǎn)到達(dá)和離開的車輛相同;式（5）保證每輛車從配送中心出發(fā)返回配送中心，且只有一條服務(wù)路徑;式（6）表示配送人員的工作時(shí)間約束，保證每輛車的運(yùn)行時(shí)間要少于車輛和司機(jī)的工作時(shí)間;式（7）代表容量約束，保證每輛車服務(wù)的客戶總需求量不超過(guò)車輛的最大裝載量;式（8）和式（9）為決策變量屬性。

1.5? 模型求解

自適應(yīng)遺傳算法是遺傳算法的改進(jìn)，此算法可在搜索過(guò)程中自適應(yīng)調(diào)整[5]交叉、變異概率，解決了遺傳算法容易陷入局部最優(yōu)[6]這一缺陷。本文利用自適應(yīng)遺傳算法結(jié)合MATLAB進(jìn)行模型求解。

在自適應(yīng)遺傳算法中，對(duì)變異概率p和交叉概率p調(diào)整如下：

p=???????????????????????????????????????? （10）

p=???????????????????????????????????????? （11）

上式中，f為種群的平均適應(yīng)值，f為種群最大的適應(yīng)值，f為要變異個(gè)體的適應(yīng)值，f為將要進(jìn)行交叉的兩個(gè)個(gè)體適應(yīng)值的大者，k，k，k，k∈0，1。

由式中可以看出，分母越大，即個(gè)體適應(yīng)度分散時(shí)，交叉和變異的概率越小;反之則交叉和變異的概率越大。由此可見，此算法中交叉和變異概率會(huì)根據(jù)種群的適應(yīng)度進(jìn)行調(diào)整。

2? 實(shí)例驗(yàn)證

2.1? 數(shù)據(jù)處理

將提出的算法應(yīng)用在以下車輛路徑問(wèn)題中：某鎮(zhèn)下轄13個(gè)行政村，由于村落快遞量少，為了盡可能平衡配送成本和客戶滿意度，在跟客戶協(xié)商之后，以三天為一次配送周期，車輛由鎮(zhèn)郵政支局（配送中心）出發(fā)為13個(gè)村提供配送服務(wù)。現(xiàn)任意選取三天，各村的送貨量如表1所示。

客戶點(diǎn)的抽象網(wǎng)絡(luò)圖如圖1所示。

各農(nóng)村客戶點(diǎn)的距離（單位：km）如表2所示。

各客戶點(diǎn)的坐標(biāo)如表3所示。

2.2? 參數(shù)設(shè)定

表4和表5分別為農(nóng)村快遞物流車輛路徑優(yōu)化模型的相關(guān)參數(shù)和自適應(yīng)遺傳算法的相關(guān)參數(shù)。

2.3? 數(shù)據(jù)求解

運(yùn)用MATLABR2018a編程求解最后一公里路徑優(yōu)化問(wèn)題，參數(shù)設(shè)定完畢后將程序代碼導(dǎo)入到MATLABR2018a中，得到相應(yīng)的配送方案如圖2所示。

根據(jù)優(yōu)化后的運(yùn)行結(jié)果顯示，從配送中心同時(shí)安排三輛車進(jìn)行貨物配送最合理，具體配送方案信息如表6所示。

由表6可知，三種配送方案均是由配送中心出發(fā)，配送任務(wù)完成后返回配送中心。且每輛車均無(wú)超載現(xiàn)象，配送人員工作時(shí)長(zhǎng)也在規(guī)定時(shí)間內(nèi)，此時(shí)所產(chǎn)生的配送成本最低，為188.7元。

3? 結(jié)束語(yǔ)

本文綜合考慮了農(nóng)村快遞物流的制約因素，首先簡(jiǎn)要提出解決農(nóng)村快遞物流最后一公里的兩種配送方式，其次將設(shè)計(jì)的自適應(yīng)遺傳算法中加入配送容量和配送人員最長(zhǎng)工作時(shí)間這兩個(gè)約束條件，以成本最小化為目標(biāo)進(jìn)行車輛路徑規(guī)劃。通過(guò)實(shí)際案例，優(yōu)化配送路徑，提高配送效率，使配送方案在成本最小化的基礎(chǔ)上達(dá)到了整體最優(yōu)。該算法適應(yīng)度高，為解決農(nóng)村快遞物流最后一公里問(wèn)題提供了新思路。

參考文獻(xiàn)：

[1] 郭月. 農(nóng)村電商物流最后一公里車輛路徑問(wèn)題研究[D]. 北京：北京交通大學(xué)（碩士學(xué)位論文），2019.

[2] 丁紅英. 農(nóng)村電子商務(wù)“最后一公里”物流配送問(wèn)題及對(duì)策[J]. 技術(shù)與市場(chǎng)，2020，27（11）：146-147.

[3] 李亞?wèn)|. 快遞“最后一公里”配送模式改進(jìn)研究[J]. 科技創(chuàng)新導(dǎo)報(bào)，2020，17（19）：165-166，169.

[4] 姚天姿. 人工智能下的農(nóng)村快遞物流最后一公里配送探討[J]. 產(chǎn)業(yè)創(chuàng)新研究，2020（9）：103，105.

[5] 朱鰲鑫. 遺傳算法的適應(yīng)度函數(shù)研究[J]. 系統(tǒng)工程與電子技術(shù)，1998（11）：60-64.

[6] 葛繼科，邱玉輝，吳春明，等. 遺傳算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2008（10）：2911-2916.