基于動態混合遺傳算法的物流運輸配送路徑優化策略研究

摘 要：社會經濟水平的提高與人們消費能力的升級，推動了農產品市場需求的增長。在農產品行業內部競爭加劇及綠色發展呼聲高漲的時代背景下，物流運輸配送路徑的選擇不僅關系著企業的經濟效益，也對生態環境產生重要影響。例如，根據《中國綠色物流發展報告（2023—2024）》，我國物流業碳排放占全國碳排放總量的9%左右。其中，貨物運輸及配送活動是物流業碳排放的三大來源之一。因此，優化配送路徑以減少碳排放，成為推動經濟社會可持續發展的重要手段；運用科學的方法優化物流運輸配送路徑、成為企業的迫切要求。文章以X企業為例，綜合考慮農產品特性和客戶需求等因素，旨在通過設計基于動態混合遺傳算法的優化模型，求解出最佳的物流運輸配送路徑，實現物流運輸成本最小化和效率的最大化。

關鍵詞：農產品；物流運輸；配送路徑；遺傳算法

中圖分類號：F252；TP18 文獻標志碼：A DOI：10.13714/j.cnki.1002-3100.2025.06.016

Research on Optimization Strategy of Logistics Transportation and Distribution Route Based on Dynamic Hybrid Genetic Algorithm

LI Guijie， MENG Ying

（Lanzhou Bowen College of Science and Technology， Lanzhou 730030， China）

Abstract： The improvement of socio-economic level and the upgrading of people's consumption ability are driving the growth of demand in the agricultural product market. In the context of intensified competition within the agricultural product industry and the rising call for green development， the choice of logistics transportation and distribution routes not only affects the economic benefits of enterprises， but also has a significant impact on the ecological environment. For example， according to China Green Logistics Development Report （2023—2024）， the carbon emissions of China's logistics industry account for about 9% of the country's total carbon emissions， with cargo transportation and distribution activities being one of the three major sources of carbon emissions in the logistics industry. Therefore， optimizing delivery routes to reduce carbon emissions has become an important means of promoting sustainable economic and social development. Using scientific methods to optimize logistics transportation and distribution paths has become an urgent requirement for enterprises. This article takes Enterprise X as an example， comprehensively considering factors such as agricultural product characteristics and customer demand， aiming at designing an optimization model based on dynamic hybrid genetic algorithm to solve the optimal logistics transportation and distribution path， and minimize logistics transportation costs and maximize efficiency.

Key words： agricultural products; logistics transportation; distribution routes; genetic algorithm

物流運輸配送環節的設計優劣，直接關系著物流成本、企業利潤，以及整體環境質量的改善程度。作為世界第二大經濟體，我國有責任致力低碳減排，為全球環境保護貢獻力量。本文旨在滿足客戶需求的時間限制，并確保農產品新鮮度的前提下，探索實現農產品物流運輸配送成本最小化的途徑。通過引入動態混合遺傳算法，對農產品物流配送中的車輛路徑優化問題進行了深入剖析，以探索更為高效、環保且符合客戶需求的物流運輸配送路徑優化方案。

1" " 物流運輸配送主要模式

物流運輸配送指企業根據客戶要求，在配送中心或其他物流節點對貨物進行加工、分揀、包裝等作業，并按照約定時間將其送至指定地點的物流活動，包含“配”和“送”兩層含義。

1.1" " 自營配送

自營配送模式指企業自行組建配送團隊、采購配送車輛和設備，直接將農產品從倉庫配送到客戶手中的配送方式。該配送模式使企業能更精準地掌控配送流程，靈活調整配送時間與路線，確保產品的質量和安全。這有助于提高客戶的滿意度，提升企業的市場地位。但是，企業需要投入大量的資金和人力，包括建設倉庫、購買車輛、雇傭司機等，同時也應具備較強的管理能力，給企業帶來了一定挑戰[1]。

1.2" " 第三方物流配送

第三方物流配送模式指企業將農產品配送業務委托給第三方物流企業，由這些企業將農產品從倉庫運送到消費者手中的配送方式。在此模式下，企業不需要自行配送農產品。第三方物流企業通常擁有專業的物流團隊和設備，配送范圍較廣，能夠為企業提供更加高效、安全的物流服務[2]。然而，外包配送業務給第三方企業，雖減輕了企業負擔，但也在一定程度上減弱了對配送過程的控制，可能導致貨物丟失、損壞或延誤，進而影響企業掌握運輸情況和配送進度，最終干擾銷售計劃。

1.3" " 共同配送

共同配送模式指多個企業聯合在一起，整合所有的物流資源共同使用物流設施和設備，承擔農產品配送任務的方式。在此模式下，不同企業間共享倉庫、運輸車輛等資源，可實現物流設施和設備的最大化利用。同時，企業間通過合作協議共同承擔風險和責任，有助于提高物流服務的穩定性和可靠性。然而，在實施共同配送模式前，企業需精心挑選合作伙伴，清晰界定各方權責，構建科學的管理機制及配送方案，以達到最優物流成效[3]。

2" " 基于動態混合遺傳算法的物流運輸配送模型

遺傳算法是一種基于生物進化原理的優化算法，從原始種群開始，通過選擇、交叉和變異等操作，不斷迭代更新種群，以逐步逼近問題的最優解。為高效求解物流運輸配送的最優路徑問題，本文對遺傳算法予以改進，納入精英保留策略，并融入動態混合鄰域搜索，以期提升算法的搜索效率及求解精度。動態混合遺傳算法設計過程如下[4]。

2.1" " 染色體編碼

編碼作為動態混合遺傳算法中的重要環節，是將問題潛在解轉化為染色體的過程。本文將以X企業為案例，詳細分析其物流運輸配送的最優路徑，以實現物流行業的高質量發展。根據X企業農產品配送特點，將采用自然數編碼的方式。假定配送中心的冷藏車數量為K、客戶數量為N時，數字0表示配送中心，數字1，2，...，N表示各個客戶，染色體形如（0，l11，l12，...，lla，0，l21，l22，...，l2b，0，lk1，lk2，...，lkc，0），長度為K+N+1。其中，基因代表各個物流節點，即配送中心和客戶。此時，每條染色體對應一種配送方案，相鄰兩個0之間的基因片段代表一條物流運輸配送路徑，表明配送中心既是起點也是終點。

2.2" " 初始化種群

種群是若干染色體的集合；產生初始種群是后續操作的基礎。種群規模對動態混合遺傳算法的性能具有顯著影響。較小的種群規模可能會限制搜索空間，導致次優的優化結果，而較大的種群規模雖然能增加搜索空間，但可能導致算法收斂速度變慢，需要更多的計算資源和時間。因此，需要權衡搜索能力、計算效率等因素，以確定適當的種群規模。本文采用隨機生成的方法，產生一定規模的初始種群。

2.3" " 適應度函數

適應度函數用于評價個體的優劣，反映個體在種群中的生存能力。個體的適應度值越高，表明其表現越優秀，生存能力也越強，在迭代尋優過程中越容易被選中保留。本文目標函數為X企業總配送成本最小，而在后續選擇操作時需要挑選適應度值大的個體。因此，將適應度函數設為目標函數的倒數。

式中，fi為染色體的適應度值；Zi為染色體的目標函數值；S為種群規模。

2.4" " 選擇操作

選擇操作旨在從當前種群中篩選出優良個體，使其參與到繁殖進程中。本文采用精英保留策略與輪盤賭法相結合的方式。首先，使用精英保留策略，依據染色體的適應度值進行降序排列，并按照預設的精英比例，將高適應度的染色體直接傳承至下一代[6]。其次，利用輪盤賭法選擇剩余的染色體，通過轉動輪盤，指針所指向的位置即代表被選中的染色體。具體步驟如下。

第一步：計算個體i被選中的概率pi，為該個體適應度值與全部個體適應度值總和的比值：

第二步：計算個體累積概率tpi：

第三步：在[0，1]區間內隨機生成一個實數r，將其作為輪盤的指針，從而確定被選個體。如果tpi-1＜r＜tpi，那么個體i被選中。

第四步：重復上述步驟多次，得到一定數量的個體。

2.5" " 交叉操作

通過交叉操作，能夠產生新的個體。本文采用部分匹配交叉（Partially Matched Crossover，PMX）的方法，具體步驟如下。

從種群中選取兩個父代染色體A、B，隨機選擇交叉的起點a和終點b。

在交叉點a和b之間，將兩個父代染色體的基因片段進行互換，從而生成子代染色體A和B。

交換的兩組基因之間構成映射關系，按照映射關系對染色體中交叉區域外的重復基因進行替換。當交叉操作導致子代染色體A中出現兩個相同的基因10時，在交叉區域之外將其中一個基因10替換為基因5，并持續此過程，直至染色體中無重復基因存在，從而得到優化后的新子代染色體A和B。

2.6" " 動態混合鄰域搜索

動態混合鄰域搜索算法是一種局部搜索算法。其借鑒了變鄰域搜索算法（VNS）的思想，可通過動態改變當前解的鄰域結構，在不同的鄰域結構中進行搜索，提升解的質量。本文采用2種鄰域結構，包括插入鄰域結構和逆轉鄰域結構。具體的搜索流程是：首先，在一個鄰域結構內嘗試尋找更優解，若未能如愿，則轉移到下一個鄰域結構繼續搜索，這一過程將持續進行，直至達到預設的鄰域搜索次數上限；其次，插入鄰域結構，在染色體中隨機選取兩個位置a和b，將第一個位置a上的基因插入到第二個位置b上的基因之后，逆轉鄰域結構，并在染色體中隨機選取兩個位置a和b，將這兩個位置及其之間的基因順序顛倒。

2.7" " 終止條件

基于動態混合遺傳算法的終止條件為最大迭代次數。當迭代次數達到該值時運算終止，輸出最終的結果。

3" " 基于動態混合遺傳算法的物流運輸配送最優路徑實現

3.1" " 配送中心及客戶需求信息

X企業采用自營配送的物流模式，當前設有一個配送中心，并購置10輛冷藏車，以滿足現實業務需求。冷藏車每天上午4點從配送中心出發，為Y市內32個客戶配送農產品，并在任務完成后返回配送中心。這些客戶遍布市內，農產品需求量和配送時間要求各異[7]。X企業需確保在約定時間內送達，超時則貨物被拒收。為便于敘述，將物流運輸配送中心編號為0；各客戶點分別編號為1至32。

3.2" " 模型及算法參數

根據X企業提供的信息，基于動態混合遺傳算法的物流運輸配送模型參數取值如下。

與固定成本相關的參數：X企業使用的冷藏車輛型號均相同，采購冷藏車的價格約為10萬元/輛，使用年限約為6年，則每天的折舊費用約為46元；司機日工資為150元；加上日常維修及保養費用，冷藏車固定成本定為200元。

與運輸成本相關的參數：X企業冷藏車的額定載重為1 495千克，燃油種類為柴油。根據行業數據，冷藏車空載行駛時燃油消耗量為0.12升/千米，滿載行駛時燃油消耗量為0.18升/千米。考慮到近期柴油價格的上漲，本月柴油價格已達到7.78元/升，將對冷藏車的運營成本產生顯著影響。

與制冷成本相關的參數：為保障行人和車輛的安全，市區的道路設有限速。冷藏車在市區配送農產品時，車速需按規定控制在40千米/時以內。估算顯示，行駛時制冷設備油耗為1.5升/時；卸貨時則為2升/時。

與貨損成本相關的參數：X企業農產品種類繁多，各種產品價格不同。為便于計算將農產品的平均價格設定為16元/千克；農產品新鮮度以0.002的系數衰減。

算法參數的取值對搜索能力和收斂效果至關重要。經過反復試驗，最終確定合適的算法參數取值：種群規模為60，交叉概率為0.9，變異概率為0.1，精英比例為0.1，動態混合鄰域搜索次數為10，最大迭代次數為300。

3.3" " 物流運輸配送結果分析

在模型參數和算法參數不變的前提下，將傳統遺傳算法和基于動態混合遺傳算法各運行10次。利用精英保留策略和動態混合鄰域搜索操作實現對傳統遺傳算法的改進。兩種算法運行10次的結果統計如表1所示。

研究發現，優化后固定成本、運輸成本、制冷成本、貨損成本均減少，不僅能夠幫助企業減少成本支出，還能使客戶獲得高質量的配送服務，在規定時間內收取更高新鮮度的農產品。

4" " 結" " 語

本文以X企業為例，通過融合動態混合遺傳算法，精心構建了農產品物流運輸配送的最優路徑模型，旨在有效降低配送成本。本研究采用的方法和技術不僅適用于其他農產品供應企業的配送路徑優化，還可為制造企業、零售企業、餐飲企業、快遞企業等提供配送優化的新思路，助力這些企業提升運作效率和服務質量，推動實現綠色、高質量的發展目標。

參考文獻：

[1] 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.

[2] 陳鑫影，李依琳，肖司義．基于改進遺傳算法的生鮮農產品物流配送路徑優化[J]．大連交通大學學報，2022，43（5）：97-102，111.

[3] 馬昌喜，薛凡松，麻存瑞，等．時變路網下基于混合調整策略的生鮮品配送路徑優化研究[J]．交通運輸系統工程與信息，2023，23（4）：298-306.

[4] 李楠，辛春陽．基于聚類-Floyd-遺傳算法的“車輛+無人機”城市物流配送路徑優化[J]．科學技術與工程，2024，6（21）：147-149.

[5] 邵泳兵．混合遺傳算法在物流配送路徑優化上的應用[J]．物流工程與管理，2022，44（12）：32-34.

[6] 張穎，王琦．基于顧客滿意度的網購物流配送路徑優化研究[J]．湖北民族大學學報（自然科學版），2022，40（2）：226-231.

[7] 王天德．基于混合遺傳算法的高校末端配送路徑優化研究[J]．中國儲運，2023，8（3）：54-55.

基金項目：2024年蘭州博文科技學院應用基礎研究“供應鏈可持續發展中的運籌學技術的應用”（2024BWKY022）

作者簡介：李貴杰（1987—），男，甘肅慶陽人，蘭州博文科技學院，講師，碩士，研究方向：運籌學。

引文格式：李貴杰，孟瑛．基于動態混合遺傳算法的物流運輸配送路徑優化策略研究[J]．物流科技，2025，48（6）：60-62.