基于改進遺傳算法的社區團購配送路徑優化研究

摘 要：當前，基于C2M模式的社區團購逐漸成為了人們生活中不可或缺的部分。社區團購配送模式中，多配送點對應的多需求點問題，會對配送時效性的要求更加嚴格。文章運用改進遺傳算法，以最短時間為優化目標，建立數學模型求解，最后結合算例對該問題進行仿真模擬。結果顯示，文章設計的基于改進遺傳的算法可使社區團購配送模式的路徑實現最優。

關鍵詞：社區團購；路徑優化；遺傳算法

中圖分類號：F252.81 文獻標志碼：A DOI：10.13714/j.cnki.1002-3100.2023.18.024

Abstract： At present， community group buying based on C2M mode has gradually become an indispensable part of people's life. In the community group buying delivery model， the problem of multiple delivery points corresponding to multiple demand points has stricter requirements for delivery timeliness. The paper uses an improved genetic algorithm to establish a mathematical model for solving the problem with the shortest time as the optimization objective. Finally， a numerical example is used to simulate the problem. The results show that the improved genetic algorithm designed in the paper can optimize the path of community group purchase delivery mode.

Key words： community group purchase; path optimization; genetic algorithm

收稿日期：2023-07-24

基金項目：廣州市哲學社科規劃項目“廣州加快低碳發展推動綠色化轉型研究：‘雙碳’戰略下產業供應鏈綠色低碳多重耦合協同演進視角”（2022GZGJ85）

作者簡介：張雪飛（1994—），男，遼寧錦州人，助教，碩士，研究方向：物流與供應鏈管理；詹榮富（1975—），男，湖南衡陽人，副教授，碩士，研究方向：物流與供應鏈管理、區域經濟；郭俊一（1993—），女，河南南陽人，講師，碩士，研究方向：物流與供應鏈管理。

引文格式：張雪飛，詹榮富，郭俊一．基于改進遺傳算法的社區團購配送路徑優化研究[J]．物流科技，2023，46（18）：89-94.

0" " 引" " 言

現金，網購生鮮產品漸露頭角，但高成本與時間、人員限制等條件使個人生鮮網購顯得過于奢侈。在這樣的背景下，基于C2M模式的社區團購大受歡迎。但鑒于社區零散的分布特征，且各個社區的需求量不固定，進而造成了成本過高且無法滿足客戶需求的現狀，本文將針對該問題，結合調研數據與所學知識，提出社區團購路徑的優化方案。

C2M模式是一種通過在社區SNS平臺以及B2C平臺進行操作的一種新的電子商務模式，同時也是依托社區和團長的社交關系實現生鮮商品流通的新零售模式。在C2M模式下，傳統企業即將進入智能化個性生產模式，客戶可以根據自己的需求在工業互聯網平臺上發布自己的產品需求，也可以通過智能搜索，尋找到能夠加工自己產品的企業。

1" " 問題描述

在社區團購模式中平臺、團長、消費者這三個角色各自著承擔不同的職能。平臺負責基于小程序、公眾號的社區團購系統的開發，供應鏈管理及物流的配送，同時還具備招募與管理團長的職能；團長由社區業主、寶媽、店主承擔，負責日常社群的建立、維護，包括商品的篩選與分享，訂單的提交、商品的售后及收貨的分發。消費者通過自提的方式取得下單商品，目前存在兩種自提形式，包括去團長處自行取得，或通過無接觸式設備取得，具體流程見圖1。

社區團購的配送模式主要有三種。第一種形式是供應商分品類提前將足量貨品存入對應的共享倉（冷凍/冷藏/常溫/生鮮二次包裝倉等），平臺當日截單后，就近將售賣數量的貨品調撥到區域分發中心，分揀投線員在區域分發中心內分揀到服務站，后采用干線運輸的方式將貨品運送到各服務站，站點負責方在服務站內二次分揀到團長，再采用城配的方式配送到團長處，消費者到團長處自提。第二種形式是供應商分品類提前將足量貨品存入對應的共享倉，按照顧客的訂單，通過城市配送將貨物配送至服務點，消費者到團長處自提。第三種形式是從供應商共享倉中，直接將貨物存放至無接觸式設備中，由消費者自提即可完成交易[1]。

社區團購配送要求的時效性強，且具有確定的時間窗[2]。社區團購需要不斷縮短用戶下單到送達間的時間，才能滿足客戶的需求。然而從目前的發展來看，社區團購正處于起步階段，對路徑優化的問題鮮有研究。本文以增城區社區團購配送點為例，一號社區團購配送點距離增城三聯物流公司最遠，期間的路徑均為小道，縱橫交錯，交通環境比較復雜，沒有科學的方法來規劃路徑會使物流成本過高，物流時間較長，從而造成不必要的損耗和風險。物流倉庫的配送是由10個不同社區團購配送點共同配送，這就需要采用科學嚴謹的方法來規劃路徑，以減少不必要的損失，做到客戶與企業的共贏。

2" " 建立社區團購配送路徑模型

2.1" " 配送點坐標選取

結合目前社區的團購現狀與配送點現狀，可以發現倉庫到達配送點/需求點的路徑較為散亂，隨著人們線上購物需求的日益增加，傳統線路逐漸難以承擔大量提高的運輸需求，運輸成本高，運輸時間長成為了重點問題。相比起傳統路徑配送體系，遺傳算法通過迭代篩選模式，在固定車輛、配送點需求量等數據約束條件下，計算出了全局最優解，針對目前的配送路徑進行優化，為傳統路徑提供新的運輸路線，提高企業的管理效率。

2.2" " 數據收集與預處理

本文將選取增城區三聯物流倉庫與10個需求點為研究對象，已知該區域有1個物流倉庫，表1所列為配送點需求點的基本信息，其中包括配送點需求點的位置坐標、時間窗、裝載時間、卸載時間以及需求數量等信息。

模型的建立以減少物流運輸總時間為優化目標對物流運輸環節進行改善，通過設計遺傳算法對數學模型進行求解，以找到最優物流運輸方案，減少物流運輸的總時間，實現準時化的物流供應，提高社區團購配送的工作效率。

本文結合實際生產情況并分析物品在運輸過程中存在的主要問題，對物流倉庫物品從出庫運輸到配送點建立數學規劃模型，運用MATLAB編程軟件來編寫遺傳算法程序，在保證物流倉庫不缺物流商品的前提下，以運輸總時間最短為目標。本文為方便問題的研究對模型做出以下假設：

a.各需求點的位置坐標、運輸到達時間以及物品需求量是已知的。

b.不考慮運輸貨車在物流運輸作業過程中出現的車輛碰撞和路徑沖突等外力因素，所有運輸貨車的最大載重量、行駛速度和車輛類型均相同且運輸貨車保持勻速行駛。

c.在每條物流配送路徑中，每個需求點都只有一輛運輸貨車提供服務，不再由第二輛運輸貨車提供服務，并且只有一輛運輸貨車訪問一次。

為了建立模型，涉及的變量及相關參數如下。

i，j：i，j∈V，V={0，1，...，n}表示需求點集合，當i或j為0時，表示物流倉庫；M：第M輛運輸貨車編號M=（1，2，...，m）；tiM，tM：運輸貨車小車M分別到達需求點i和需求點j的時間點；tei：運輸貨車到達需求點的最早時間點；tli：運輸貨車到達需求點i的最晚時間點；Gi：配送點需求點i所需要的裝載時間；Si：需求點i所需要的卸載時間；dij：需求點i和j之間的距離；v：運輸貨車的平均行駛速度；Q：運輸貨車的最大裝載量；qi：表示第i個需求點的需求量；xijM為決策變量，；yiM為決策變量，；ziM為決策變量，；tij：tij=，表示從需求點i到j的行駛時間。

本文所研究的物品運輸總時間主要包括車輛的行駛時間、裝載時間以及卸載時間。以物品運輸總時間最短建立數學模型如下。

目標函數式（1）表示物品總運輸時間最短；式（2）表示m輛運輸貨車從物流倉庫出發，為各需求點提供物品運輸服務；式（3）表示每個需求點均由一輛車運輸；式（4）和式（5）表示每個需求點有且只有一輛車提供一次運輸服務；式（6）表示運輸貨車從物流倉庫出發，完成任務后返回物流倉庫并且途中無缺貨現象；式（7）表示每條路徑上需求點所需物品量的總數不能超過運輸貨車的容量限制；式（8）表示每個需求點離開的車輛數量和到達的車輛數量保持一致；式（9）表示在同一條運輸路徑上兩個連續的需求點之間，前一個配送點需求點車輛的到達時間不能超過后一個配送點需求點車輛的到達時間；式（10）表示車輛運輸需求點的數目小于等于配送點的總數。

3" " 設計求解算法

3.1" " 遺傳算法

基于生物進化論和自然選擇理論形成的遺傳算法，經過不斷地發展逐漸得到了完善，所以算法中很多概念名詞都是仿照生物學上的概念命名的。表2簡要介紹了生物學中遺傳概念與遺傳算法概念的對應關系。遺傳算法遵循“適者生存、優勝劣汰”的準則，在進化的過程中能夠確保種群的多樣性，使遺傳算法能夠在復雜的環境中進行全局尋優，提高算法的搜索能力[3]。

整個遺傳算法的求解過程就像生物界的自然進化一樣，種群中的染色體不斷進行優化，產生的子代具有比父代更好的性能，更接近待求解問題的結果，不斷循環下去直到算法收斂到最適應環境的解[4]。遺傳算法的兼容性較強，能和其他多種智能優化算法相結合，從而形成求解能力更強的混合優化算法，可以不斷增強其解決實際問題的能力從而得到更好的解。

3.2" " 改進遺傳算法

3.2.1" " 染色體編碼和解碼

遺傳算法的求解過程完全模擬生物界中所有個體的自然選擇過程，因此，在求解問題的過程中需將解轉化成可識別的染色體串。

由于筆者選取增城區作為調研對象，因此以下數據皆以調研數據為主，部分缺失數據以合理假設進行填補。以所有社區團購配送點作為解的編碼方式，染色體中的每一個基因表示對應的一個配送點，每條染色體表示所有配送點的一組運輸路線[5]。把所有配送點按照數字的順序進行編號，通過自然數編碼的方式將所有配送點按照求解問題的約束條件分為不同的染色體。在解碼過程中，用編號0表示增城區三聯物流倉庫，因為運輸貨車從物流倉庫出發，在完成物流服務后仍需回到三聯物流倉庫中。在對遺傳算法進行解碼時，0的數量要比物流倉庫中運行的最大車輛數多1，在染色體中插入代表物流倉庫的0以劃分每一條子路徑。通過反復運行該算法，選出符合約束條件的最優解方案，確定物品運輸車輛所服務的配送點和需求點的順序。通過這樣直接對配送點需求點進行相關編碼，有利于求得問題的最優解。

3.2.2" " 初始化種群

遺傳算法區別于其他智能優化求解算法的主要特征是它需要從一個初始種群開始，根據一定的求解規則不斷迭代產生新的種群。遺傳算法后續的遺傳操作都是在這個初始種群的基礎上繼續進行的，初始種群的好壞將直接影響求解的質量，其中種群的數目表示種群規模的大小。

3.2.3" " 適應度函數

種群中的每個個體都會影響可行解的優劣，根據實際問題對種群中的個體進行評價就需要設計對應的適應度函數，以此來作為后續遺傳操作的依據，有利于求得最優解[6]。當種群中的個體適應度函數值越高時，則該可行解就越接近最優解。根據配送點需求點到達時間窗的要求，對車輛到達時間過早或者過晚的情況加以懲罰，相應的懲罰函數如下：

3.2.4" " 選擇操作

本文將采取輪盤賭策略和最佳保留策略相結合的方式進行選擇操作，輪盤賭選擇策略如圖2所示。若其中個體的值為i，其對應的適應度函數值為Fi，種群的大小用L表示，從而得到的個體在其中某次選擇操作中被選中的概率如式（12）所示。

在每次選擇操作過程中都會選出介于[0，1]區間的一個隨機數，為了能夠從種群中選擇出高質量個體進行接下來的交叉操作，需要進行多次的選擇操作來獲取適應度函數值較好的個體，并將選出的數值保留下來。輪盤賭選擇策略存在一定的局限性，由于該策略是從種群中隨機選擇個體，質量最優的個體有可能沒有被選擇。為了有效規避這種局限性，本文決定采用輪盤賭選擇策略和最佳保留策略相結合的模式，來提高種群的適應性。在每次選擇策略的過程中讓適應度函數值最大的個體有效保留到下一代種群中，從而讓該個體保留到最終結果中，確保種群朝著高質量的方向發展，從而提高算法的尋優能力和搜索效率。

3.2.5" " 交叉操作

在生物界的遺傳過程中，兩個不同染色體之間基因的交叉是非常關鍵的一步，能將不同染色體的優秀基因遺傳到下一代中[7]。其設計方法對算法的尋優能力和收斂速度有較大的影響，也是對遺傳算法進行優化最重要的環節。

3.2.6" " 變異操作

在生物學的遺傳過程中，基因可能會受外界環境的影響而產生變異。在遺傳算法求解的過程中進行變異操作主要有兩個作用，一是增加算法的局部隨機搜索能力，使算法避免陷入局部最優解；二是能夠提高求解的多樣性，規避過早收斂得到局部最優解的現象。

3.2.7" " 終止條件

當算法運行到一定步數以后，計算結果將會收斂于一個近似最優解的值。這時算法再繼續運行也無法得出更好的結果了，此時運算可以終止。終止條件一般可分為以下三種情況，第一種情況是在設計遺傳算法時，設置最大遺傳代數，當算法經過選擇、交叉和變異的遺傳操作產生的迭代次數超過了初始設置的最大遺傳代數，則算法停止運行；第二種情況是運行時間限制，在算法開始時設置最長運行時間，當運行時間超過初始設定時間時，算法停止；第三種情況是種群中某個個體的解達到了算法的收斂條件，則停止尋優得到最優解。本文采用第一種情況作為算法的終止條件。圖3為本文所采用的遺傳算法的流程圖。

4" " 增城區社區團購配送點路徑優化案例應用

4.1" " 問題背景

對三聯物流倉庫10個配送點需求點的物品運輸現狀進行研究。由于不同的配送點對運輸貨品的需求量不同，因此需要進行不同的路徑優化，同時配合有限的車輛資源進行運輸。圖4是三聯物流倉庫的物流運輸路徑方案，其中初始運輸路徑的結果如表3和圖4所示。

查詢網上資料并結合分析三聯物流倉庫的實際作業情況可知，其車輛的行駛速度為60km/h，假設出動運輸貨車4輛。在考慮需求時間窗和需求點需求量約束的前提條件下，結合研究問題的實際情況，對運行結果進行分析。

根據以上數據統計的物品運輸方案的相關信息，可以得出初始方案結果如下。

運輸總時間：28.2+25.2+22.7=76.1（min）。

總行駛距離：28.3+27.4+25.6=81.4（km）。

4.2" " 遺傳算法改進模型求解

在對已建立的社區團購路徑的優化模型進行分析后，綜合考慮作業過程中的各種約束條件并設計相應的遺傳算法，并運用MATLAB軟件對數學規劃模型進行求解，再通過多次不斷地運行MATLAB程序以及分析解的質量和運行效率，基本參數設置為：初始種群規模為50，染色體交叉的概率為0.8，變異的概率為0.2，最大迭代次數為200代，可以得出較好的結果。圖5表示評價函數的變化曲線，能夠證明該算法適合此類問題的求解。圖6表示遺傳算法得到的最優運輸路徑方案。表4為最優運輸路徑的結果。

在通過遺傳算法求解后，經統計得到的物品運輸方案相關信息的記錄如下。

運輸總時間：22.4+24.1+19.4=65.9（min）。

總行駛距離：25.3+27.3+24.5=77.1（km）。

分析統計數據可以得出，通過與初始物品運輸方案相比較，在運用遺傳算法進行模型求解后，運輸總時間由76.1min減少到了65.9min，減少了13.4%；總行駛距離由81.4公里減少到了77.1，減少了5.2%。新的物流運輸路徑優化方案減少了相關作業的時間和距離。

5" " 結" " 論

在科學技術與電子商務飛速發展的今天，快遞行業發展前景非常廣闊，社區團購也異軍突起。本文針對城市社區團購路徑的優化問題展開研究，改進跟不上需求增長的傳統配送路徑，在綜合考慮物流配送中心及配送點需求點的坐標位置、運輸貨車路線、貨物需求量、卸貨用時、裝貨用時等因素的基礎上，設計車輛與物流倉庫的優化路線，從全局出發對物流資源進行優化配置，以運輸距離，運輸時間為優化目標，建立城市社區團購配送路徑的優化配送模型，并通過增城區的實際案例進行調研仿真實驗，得到較好的實驗分析結果。

參考文獻：

[1] 劉暢，姚建明．社區團購場景下供應鏈末端配送資源整合優化研究[J]．管理學報，2022，19（8）：1231-1239.

[2] 丁秋華，張世新．疫情影響下的社區團購線上推廣與線下服務整合與重塑[J]．商業經濟研究，2022（11）：90-92.

[3] 賓厚，張路行，王素杰，等．基于改進多目標遺傳算法的農村低碳物流配送路徑優化[J]．中國農業大學學報，2023，28（7）：224-237.

[4] 解永亮．基于混合蟻群的多溫區冷鏈物流配送路徑優化算法[J]．沈陽工業大學學報，2022，44（5）：552-557.

[5] 張思穎，陳寧，李延暉，等．低碳視角下城市冷鏈物流配送系統優化決策研究[J]．工業工程與管理，2022，27（1）：56-64.

[6] 豆丹丹，李利英．基于社區團購的縣域生鮮農產品流通體系優化[J]．商業經濟研究，2021（20）：135-138.

[7] 趙志學，李夏苗，周鮮成，等．考慮交通擁堵的冷鏈物流城市配送的GVRP研究[J]．計算機工程與應用，2020，56（1）：224-231.