生鮮品多中心區(qū)域協(xié)作半開(kāi)放式配送路徑研究

■ 何滿(mǎn)輝 曹騰 馬長(zhǎng)城

遼寧工程技術(shù)大學(xué)工商管理學(xué)院 葫蘆島市 125000

0 引言

隨著第“四次工業(yè)革命”的開(kāi)展，推動(dòng)了消費(fèi)轉(zhuǎn)型與”互聯(lián)網(wǎng)+“時(shí)代的到來(lái)，生鮮物流業(yè)進(jìn)一步蓬勃發(fā)展，但生鮮配送仍有諸多問(wèn)題亟待解決。生鮮品由于時(shí)效性和高品質(zhì)要求，需要一套合理的配送方案。然而各配送部門(mén)各區(qū)域內(nèi)獨(dú)自配送方案割裂了整體聯(lián)系，難以實(shí)現(xiàn)資源整合，造成資源浪費(fèi)。同時(shí)，由于各配送部門(mén)信息技術(shù)水平的差異，難以實(shí)現(xiàn)信息共享，部門(mén)間很難建立合作關(guān)系。因此，要樹(shù)立一種基于信息技術(shù)應(yīng)用，進(jìn)行區(qū)域協(xié)同發(fā)展，滿(mǎn)足顧客要求、整合區(qū)域資源，以實(shí)現(xiàn)配送高效低成本的新物流發(fā)展理念[1-2]。

自車(chē)輛路徑問(wèn)題(VRP)提出以來(lái)，諸多學(xué)者就將智能算法的發(fā)展成果應(yīng)用于物流配送上，以尋求最優(yōu)的配送路徑[3-6]。由于客戶(hù)需求量的逐年提升，單中心已不能滿(mǎn)足實(shí)際需求，對(duì)多中心車(chē)輛路徑問(wèn)題（MDVRP）研究成為熱點(diǎn)。葛顯龍[7]等在城市供應(yīng)鏈多方協(xié)同運(yùn)作背景下，利用改進(jìn)遺傳算法解決設(shè)計(jì)的模型并驗(yàn)證了帶越貨配送方案的優(yōu)越性。魯建廈[8]等將不同配送中心存在配送費(fèi)用差異問(wèn)題考慮在內(nèi)，通過(guò)改進(jìn)變鄰域搜索算法解決相應(yīng)模型并得出合理的配送調(diào)度方案。Petr Stodola[9]等利用蟻群優(yōu)化算法對(duì)MDVRP模型提出一種新的解決辦法，具有一定的參考價(jià)值。此外,在MDVRP基礎(chǔ)上,把時(shí)間窗（Time Windows）限制考慮在內(nèi),使模型更加實(shí)際化，建立了帶時(shí)間窗的多中心車(chē)輛路徑問(wèn)題（MD‐VRTW）。劉璽[10]在物流協(xié)同網(wǎng)絡(luò)下，利用遺傳算法解決多車(chē)輛配送路徑最小成本方案選擇問(wèn)題。

通過(guò)進(jìn)一步研究，考慮車(chē)輛與車(chē)場(chǎng)關(guān)系，提出新的路徑模型，即開(kāi)放式車(chē)輛路徑問(wèn)題（OVRP）,該路徑區(qū)別于封閉式路徑，車(chē)輛完成任務(wù)后可直接駛離，不需要返回車(chē)場(chǎng)，若要返回，則需原路徑返回。龐燕[12]等在家具制造業(yè)將配送環(huán)節(jié)外包給第三方配送企業(yè)趨勢(shì)下，利用改進(jìn)的禁忌搜索算法解決OVRP 模型，通過(guò)對(duì)比實(shí)驗(yàn)得出第三方物流配送相對(duì)于自營(yíng)物流能更加節(jié)約支出。針對(duì)OVRP，Z. Fu 等[13]設(shè)計(jì)禁忌搜索算法解決該難題，并取得理想的結(jié)果。為了解決OVRP，D.Sariklis等[14]提出了一種基于帶懲罰程序的最小生成樹(shù)的啟發(fā)式算法。

綜合上述研究，一方面，以往學(xué)者多數(shù)對(duì)封閉式和開(kāi)放式路徑進(jìn)行研究，而這兩種模式難以符合實(shí)際配送要求。MDVRP模型是封閉式的，難以資源融合。OVRP模型多是利用外包資源，難以形成配送標(biāo)準(zhǔn)化。另一方面，解決模型的算法都是僅針對(duì)自身改進(jìn)，存在一定局限性。因此，結(jié)合MDVRP與OVRP特點(diǎn)，建立區(qū)域協(xié)作下帶時(shí)間窗的半開(kāi)放式車(chē)輛路徑模型（HOMDVRPTW）,該模型的車(chē)輛路徑在完成任務(wù)后，不必返回原配送中心，而是依據(jù)情況選擇合適的車(chē)場(chǎng)返回，既改進(jìn)VRP 模型，車(chē)輛不必一定返回原配送中心，減少資源不必要的浪費(fèi)弊端。又改善OVRP 模型配送難以實(shí)現(xiàn)標(biāo)準(zhǔn)化和長(zhǎng)期發(fā)展的不足。此外，在設(shè)計(jì)解決此模型算法時(shí)，對(duì)遺傳算法自身改進(jìn)的同時(shí)，與變鄰域搜索算法相結(jié)合，取長(zhǎng)補(bǔ)短，提高算法的性能。

HOMDVRTWP 模型一方面能夠反映新物流下區(qū)域協(xié)作的理念，另一方面在關(guān)注配送系統(tǒng)價(jià)值同時(shí)也關(guān)注各配送部門(mén)間的資源、信息的共享。隨著新物流理念的加深，對(duì)于生鮮配送業(yè)而言這種模式將是未來(lái)發(fā)展的趨勢(shì)。通過(guò)對(duì)該模式的研究進(jìn)而可以為未來(lái)生鮮企業(yè)區(qū)域配送發(fā)展提出具有借鑒性的意見(jiàn)。

1 問(wèn)題描述與前提假設(shè)

1.1 問(wèn)題描述

區(qū)域協(xié)作下的生鮮配送模式，設(shè)定在企業(yè)配送部門(mén)之間接受新物流理念的背景下。問(wèn)題描述為：A 生鮮企業(yè)服務(wù)多個(gè)區(qū)域，每區(qū)域內(nèi)都有一個(gè)配送部門(mén)，根據(jù)歷史數(shù)據(jù)，多區(qū)域內(nèi)建立N 個(gè)客戶(hù)需求點(diǎn)。每個(gè)配送部門(mén)有D 輛配送冷藏車(chē)；冷藏車(chē)從配送中心出發(fā)，向需求點(diǎn)配送生鮮產(chǎn)品，完成配送任務(wù)后，根據(jù)情況可以返回任意的配送中心。為提高企業(yè)服務(wù)水平，配送中心為顧客預(yù)先處理生鮮產(chǎn)品；利用信息設(shè)備，實(shí)時(shí)監(jiān)控車(chē)輛位置和冷庫(kù)溫度并在生鮮產(chǎn)品上貼條形碼，便于信息及時(shí)反饋和數(shù)據(jù)在部門(mén)間實(shí)時(shí)共享；配送有時(shí)間窗限制，超過(guò)范圍不但會(huì)影響生鮮品質(zhì)量還將受到一定懲罰同時(shí)滿(mǎn)意度會(huì)受到影響；基于上述描述，建立一個(gè)生鮮配送成本最小化的模型，同時(shí)將時(shí)間懲罰、滿(mǎn)意度指標(biāo)考慮在內(nèi)，盡量減少路徑距離，提高設(shè)備利用率，從而減少成本，提高滿(mǎn)意度。

1.2 前提假設(shè)

問(wèn)題滿(mǎn)足以下條件假設(shè)：（1）各配送部門(mén)的設(shè)備規(guī)格參數(shù)一致，并且有足夠的設(shè)備能夠完成任務(wù)；（2）需求點(diǎn)以及配送中心地理位置已知，且坐標(biāo)固定不變。（3）需求點(diǎn)的需求量不會(huì)超過(guò)冷藏車(chē)車(chē)載上限。（4）冷庫(kù)內(nèi)外溫度穩(wěn)定不變。（5）每個(gè)需求點(diǎn)由一車(chē)負(fù)責(zé)并且只接受一次服務(wù)。（6）冷藏車(chē)完成任務(wù)后離開(kāi)需求點(diǎn)。（7）冷藏車(chē)從任意配送部門(mén)開(kāi)始任務(wù)，完成顧客需求生鮮品配送后，考慮較優(yōu)方案，選擇合理的路徑返回配送中心。（8）不考慮道路狀況，駕駛員以同一速度行駛車(chē)輛。

2 模型構(gòu)建

2.1 符號(hào)解釋

建立模型的需要，設(shè)置了如下符號(hào)并予以解釋見(jiàn)表1：

表1 符號(hào)解釋

2.2 滿(mǎn)意度函數(shù)構(gòu)建

顧客滿(mǎn)意度可以充分體現(xiàn)企業(yè)的服務(wù)質(zhì)量，高滿(mǎn)意度能提高企業(yè)市場(chǎng)占有率。顧客滿(mǎn)意度與送達(dá)時(shí)間成一定的關(guān)系，在期望時(shí)間內(nèi)顧客的滿(mǎn)意度極高，在可接受的時(shí)間范圍內(nèi)隨時(shí)間的變化會(huì)產(chǎn)生改變，超過(guò)可接受范圍，顧客滿(mǎn)意度極低。顧客滿(mǎn)意度的函數(shù)可以用模糊隸屬函數(shù)如下所示：

2.3 成本分析

2.3.1 行駛成本

各種行駛損耗，與行駛里程成正相關(guān)，表示為（a）：

2.3.2 派遣成本

車(chē)輛管理費(fèi)、駕駛員薪資以及信息設(shè)備啟動(dòng)等，與車(chē)量成正相關(guān)，表示為（b）：

2.3.3 非對(duì)稱(chēng)軟時(shí)間窗懲罰成本

鑒于生鮮產(chǎn)品特性，建立一種非對(duì)稱(chēng)性軟時(shí)間窗。如果在指定時(shí)間到達(dá)，不會(huì)受到懲罰。若提前或者延遲送達(dá)會(huì)產(chǎn)生懲罰成本，延遲比提前的懲罰更高，如下所示：

時(shí)間懲罰成本，表示為（c）：

2.3.4 配送過(guò)程中的生鮮貨損成本

生鮮產(chǎn)品在配送過(guò)程中會(huì)發(fā)生一定程度的變質(zhì)，變質(zhì)的程度受商品本身的特性、時(shí)間影響造，生鮮貨損系數(shù)[14]如下所示：

生鮮貨損成本，表示為（d）：

2.3.5 配送過(guò)程中的能耗成本

配送過(guò)程中由于外部溫度對(duì)內(nèi)部的熱傳遞和打開(kāi)車(chē)門(mén)作業(yè)時(shí)熱空氣侵入導(dǎo)致制冷劑消耗能耗成本表示為：

（1）路途中能耗成本，如下所示：

（2）作業(yè)過(guò)程中的能耗成本，如下所示：

總能耗成本，表示為（e）：

2.3.6 信息和生鮮處理成本

數(shù)據(jù)錄入、分析和共享及對(duì)生鮮品進(jìn)行預(yù)處理，與需求數(shù)量正相關(guān)：

（1）信息處理成本：

（2）生鮮產(chǎn)品處理成本：

處理總成本,表示為（f）：

2.4 模型建立

基于上述成本分析，模型建立如下：

2.5 模型約束條件

模型建立需加入一約束些條件，以符合論文提出模型特點(diǎn)和要求：

其中（g）生鮮配送最小成本模型；（h）不超過(guò)冷藏車(chē)裝載上限；（i）配送中心對(duì)需求點(diǎn)只配送一次；（j）禁止從配送中心出發(fā)不經(jīng)過(guò)需求點(diǎn)而直接去配送中心；（k）服務(wù)完需求點(diǎn)后不能停留在原地；（l）從配送中心出發(fā)，滿(mǎn)足需求點(diǎn)后，可返回任一中心；（m）按照順序執(zhí)行配送；（n）冷藏車(chē)d 將產(chǎn)品送到需求點(diǎn)j 時(shí)間;（o）平均滿(mǎn)意度必須大于等于百分之七十五：（p）(q)表示（0,1）變量。

3 研究方法設(shè)計(jì)

3.1 變鄰域自適應(yīng)遺傳算法

遺傳算法（GA）的優(yōu)越性在于對(duì)大型的復(fù)雜問(wèn)題具有全局搜索最優(yōu)解的能力,是求解復(fù)雜問(wèn)題的優(yōu)秀方法。然而，遺傳算法不可回避的問(wèn)題是局部搜索能力和收斂性較差、易“早熟”。變鄰域搜索算法（VNS）是對(duì)鄰域結(jié)構(gòu)進(jìn)行改變來(lái)實(shí)現(xiàn)拓展搜索能力以求得較優(yōu)解的算法。不可忽略的是，初始解的質(zhì)量直接影響VNS求得最優(yōu)解的質(zhì)量。因此，基于遺傳算法與變鄰域搜索算法的優(yōu)劣性，將二者進(jìn)行結(jié)合，基于此基礎(chǔ)上，設(shè)計(jì)一種混合算法AGAVNS。該算法擁有全局搜索能力的同時(shí)，又避免計(jì)算陷入局部最優(yōu)的困境。AGA 為VNS 奠定了高質(zhì)量的初始解，而VNS 引導(dǎo)AGA 跳出局部最優(yōu)，使所求目標(biāo)解的質(zhì)量得到一定的提高。

AGAVNS在解決HOMDVRP模型時(shí)設(shè)計(jì)如下：

3.1.1 編碼與解碼

（1）編碼：

算法采用多層編碼方式，保證配送問(wèn)題解的全面性。

第一層編碼表示需求點(diǎn)的順序，編碼長(zhǎng)度為節(jié)點(diǎn)數(shù)量N，

第二層編碼表示需求點(diǎn)由哪個(gè)配送中心發(fā)出的車(chē)輛進(jìn)行服務(wù)，編碼長(zhǎng)度為節(jié)點(diǎn)數(shù)量N，編碼為1～K，K 為配送中心數(shù)量

如，10需求點(diǎn)，2個(gè)配送中心

第一層

第二層

（2）解碼：

對(duì)應(yīng)配送中心k，根據(jù)第二層編碼確定，配送中心k服務(wù)的需求點(diǎn)的編號(hào)，然后根據(jù)第一層編碼確定需求點(diǎn)的服務(wù)順序.

如，上例中：

中心1對(duì)應(yīng)需求點(diǎn)和配送次序

中心2對(duì)應(yīng)需求點(diǎn)及配送次序

根據(jù)需求點(diǎn)需求及車(chē)載上線(xiàn)在上述路徑中插入配送中心0

中心1對(duì)應(yīng)需求點(diǎn)及配送次序

0為中心，根據(jù)上一個(gè)點(diǎn)到所有中心的距離就近選擇中心

上述路徑可解碼為

從中心1出發(fā)就近回中心1

從中心1出發(fā)就近回中心2

從中心1出發(fā)就近回中心2

根據(jù)該路徑，計(jì)算各目標(biāo)函數(shù)值.

3.1 2 初始化種群

基本遺傳算法初始群的產(chǎn)生一般是隨機(jī)的，這樣會(huì)對(duì)算法的運(yùn)算效率和解的質(zhì)量產(chǎn)生一定的影響。本文利用掃描法生成初始種群。一、建立一個(gè)坐標(biāo)系，以配送中心為原點(diǎn)，將配送中心與任一需求點(diǎn)相連，定義角度，設(shè)立需求點(diǎn)坐標(biāo)。二、從小角度開(kāi)始，建立一個(gè)群組，按逆時(shí)針?lè)较虬咽Ｓ嘈枨罅刻砑拥椒N群中，添加的需求量不能超過(guò)冷藏車(chē)最大載重量。以此類(lèi)推，建立新群組，直到所有需求點(diǎn)全部被覆蓋。三、這樣會(huì)得出一個(gè)較合理的線(xiàn)路。進(jìn)行掃描后的初始種群對(duì)提高運(yùn)算的效率和質(zhì)量有一定的幫助。

3.1 3 適應(yīng)度評(píng)價(jià)

通過(guò)將帶時(shí)間窗的多中心半開(kāi)放式路徑問(wèn)題進(jìn)行數(shù)學(xué)模型化，其最終要求是求得配送的最優(yōu)成本，即求目標(biāo)函數(shù)的最小值?？偱渌统杀緸镃，適應(yīng)度值表示為f=1/c，由于配送成本與適應(yīng)度值成反比，總成本越大適應(yīng)度越低，個(gè)體適用度值越大，越能表明該個(gè)體越接近問(wèn)題的可行解。

3.1 4 選擇

輪盤(pán)賭是基本遺傳算法選擇方法，適應(yīng)度較大的個(gè)體被選中的概率也大，反之則小。輪盤(pán)賭方法，雖然保證了種群的多樣性，但是其隨機(jī)性可能導(dǎo)致大概率事件依舊可能不發(fā)生。因此本文采用輪盤(pán)賭與最佳個(gè)體保留法相結(jié)合方法。一方面保證適應(yīng)度較高的個(gè)體不被破壞能遺傳到下一代。另一方面，又克服最佳個(gè)體充滿(mǎn)空間，陷入局部最優(yōu)解的弊端。

3.1 5 交叉、變異

基本遺傳算法的交叉、變異概率是固定不變。這會(huì)對(duì)種群的多樣性和算法效率造成一定的影響。對(duì)于優(yōu)良個(gè)體，應(yīng)減少交叉變異概率使其能保留；對(duì)于不良個(gè)體，則加大交叉變異概率使其進(jìn)化。同時(shí)，迭代初期種群需要較高交叉變異概率，快速尋求最優(yōu)解；后期需要減少交叉變異概率，使找到最優(yōu)解后快速收斂。因此固定取值不合理，需采用自適應(yīng)交叉變異概率，按照上述思想進(jìn)行動(dòng)態(tài)調(diào)節(jié)。采用自適應(yīng)交叉、變異概率如下所示：

其中pa交叉概率、pb變異概率、Pcmax交叉概率最大值、Pcmin交叉概率最小值、Pmmax變異概率最大值、Pmmin變異概率最小值、G迭代數(shù)最大值、g遺傳代數(shù)。

算法采用多層編碼方式，每一層編碼獨(dú)立進(jìn)行交叉變異。

①交叉

第一層采用部分匹配。

選擇

交換

沖突檢測(cè)，以4-2-8映射關(guān)系為例。

第二層采用單點(diǎn)交叉。

為隨機(jī)生成交叉點(diǎn)產(chǎn)生新個(gè)體

②變異

第一層采用翻轉(zhuǎn)變異

對(duì)片段

翻轉(zhuǎn)為

變異后染色體為

第二層采用差值變異

對(duì)片段

操作，變異為2（這個(gè)2是配送中心數(shù)量）加1 減去

等于

3.1.6 變鄰域搜索

將遺傳算法求得的最優(yōu)解作為變鄰域算法初始解。搜索方法為首先對(duì)每代個(gè)體的最優(yōu)解進(jìn)行變鄰域搜索，若在該鄰域不能找到一個(gè)比當(dāng)前結(jié)果更優(yōu)的解的時(shí)候，則跳入下一個(gè)鄰域繼續(xù)尋找。當(dāng)在本鄰域搜尋到一個(gè)比現(xiàn)在解更優(yōu)的解的同時(shí)，就跳回第一個(gè)鄰域重新開(kāi)始搜索。直到所有鄰域都被搜索完畢。鄰域結(jié)構(gòu)則采用交換操作，例如

操作前

操作后

3.2 算法流程

根據(jù)上述設(shè)計(jì)，算法流程如圖1所示：首先設(shè)置基本參數(shù)，利用掃描法生成初始化種群，計(jì)算適應(yīng)度，接著運(yùn)用輪盤(pán)賭和最佳個(gè)體保留相結(jié)合方法進(jìn)行選擇，進(jìn)行自適應(yīng)交叉、變異，然后對(duì)每代最優(yōu)解進(jìn)行變鄰域搜索。當(dāng)程序循環(huán)次數(shù)達(dá)到設(shè)定數(shù)量時(shí)，算法停止。

圖1 算法流程圖

4 實(shí)例分析

4.1 數(shù)據(jù)來(lái)源

以A 生鮮配送企業(yè)為例，它服務(wù)于三個(gè)區(qū)域，每個(gè)區(qū)域都各有一個(gè)配送部門(mén)，各部門(mén)有一個(gè)配送中心，為各自區(qū)域進(jìn)行生鮮配送。根據(jù)報(bào)表，隨機(jī)選取一天的顧客日需求量，依照歷史數(shù)據(jù)，調(diào)查出顧客可接受和期望服務(wù)時(shí)間，并將需求點(diǎn)位置以1∶5000 縮小在坐標(biāo)系中。配送中心用A、B、C表示，需求點(diǎn)用數(shù)字表示，如表2：

表2 配送中心和需求點(diǎn)數(shù)據(jù)

4.2 參數(shù)設(shè)置

采用載重量0.3 噸的冷藏車(chē)，冷藏車(chē)派遣成本500元，平均速度35 千米/小時(shí)，單位行駛成本5 元。采用軟時(shí)間窗，提前到達(dá)懲罰成本為60 元/小時(shí)，延遲到達(dá)懲罰成本為100 元/小時(shí)。冷藏車(chē)制冷劑單價(jià)0.4 元/千克，車(chē)廂內(nèi)外溫差為10 攝氏度。車(chē)廂傳熱面積為12 平方米，常數(shù)取值為0.6，傳熱系數(shù)為0.3 千米/（千克*小時(shí)）。生鮮產(chǎn)品的價(jià)格5000元/噸，產(chǎn)品保質(zhì)期為14小時(shí)，時(shí)間敏感調(diào)節(jié)因子為0.6，作業(yè)時(shí)間0.25 小時(shí)。生鮮和信息處理成本為0.2元/千克和0.4元/千克。

4.3 實(shí)驗(yàn)結(jié)果分析

利用MATLAB 進(jìn)行仿真實(shí)驗(yàn),算法參數(shù)設(shè)置為：NP=100,maxgen=1000,Pamax=0.8，Pamin=0.2，Pbmax=0.5，Pbmin=0.1，Kmax=20,Lmax=50.多次進(jìn)行實(shí)驗(yàn)，并隨機(jī)抽取8 次實(shí)驗(yàn)數(shù)據(jù)，并選取最值，求均值，如表3-4：

由表3-4，可以得出，隨機(jī)選取8次計(jì)算結(jié)果中，平均成本11860.609 元，平均滿(mǎn)意度平均值87.7%.平均行駛里程653.574 千米。最優(yōu)解為成本11652.346 元，平均滿(mǎn)意度為96.0%，行駛距離為636.420 千米.最劣解成本為11960.128，平均滿(mǎn)意度87.7%，行駛里程678.490 千米。最優(yōu)解、最劣解與平均值的相對(duì)偏差分別為0.89%、0.42%，所需冷藏車(chē)均為7 輛，運(yùn)行時(shí)間均在22 秒內(nèi)。因此，混合算法的解能穩(wěn)定收斂于較優(yōu)解，且運(yùn)行時(shí)間較快。

表3 區(qū)域協(xié)作下混合算法隨機(jī)選取8次計(jì)算結(jié)果

表4 區(qū)域協(xié)作下運(yùn)算結(jié)果最優(yōu)劣解與均值

為證明區(qū)域協(xié)作下半開(kāi)放式路徑合理性，與A 生鮮企業(yè)目前方案對(duì)比，該方案利用遺傳算法求解最有路徑且已用于各區(qū)域各部門(mén)獨(dú)立配送，數(shù)據(jù)為：成本15957.372 元、里程877.73 千米、平均滿(mǎn)意度15.4%、冷藏輛8輛，配送方案如表5：

表5 各區(qū)域獨(dú)立配送方案

經(jīng)過(guò)兩種模式的對(duì)比可知，區(qū)域協(xié)作下的半開(kāi)放式配送成本平均值比各區(qū)域獨(dú)立封閉式配送成本下降了25.67%，現(xiàn)配送模式比原來(lái)的平均滿(mǎn)意度增長(zhǎng)了72.30%。同時(shí)原里程數(shù)較現(xiàn)平均里程數(shù)降低了34.30%，車(chē)數(shù)從8 輛減少到7 輛。整體客戶(hù)平均滿(mǎn)意度超過(guò)80%。由此可以得出，區(qū)域協(xié)作下的半開(kāi)放式配送路徑較各區(qū)域獨(dú)立配送，降低了成本，使企業(yè)盈利能力提高；行駛里程降低，提高了配送效率；保證了客戶(hù)滿(mǎn)意度同時(shí)使車(chē)輛的利用率提升，也考慮了信息共享和客戶(hù)服務(wù)，能促進(jìn)整體生鮮配送的合作發(fā)展。因此，此模型是合理的、有效的。

根據(jù)以上數(shù)據(jù)，可知第三次實(shí)驗(yàn)效果最佳，其方案如表6。同時(shí)利用基本遺傳算法對(duì)區(qū)域協(xié)作下的半開(kāi)放式模型求解，得出數(shù)據(jù)：成本12301.338 元、里程740.96千米、平均滿(mǎn)意度81.9%、冷藏車(chē)7 輛。混合算法較遺傳算法成本下降了5.3%、里程下降了14.1%，平均滿(mǎn)意度提升14.1%。根據(jù)以上所有數(shù)據(jù)和算法對(duì)比迭代圖（圖2）可知，AGAVNS較基GA能夠跳出局部最優(yōu)解，提高解的質(zhì)量并且收斂性更穩(wěn)定。因此AGAVNS 較GA 在解決該模型上具有一定的改進(jìn)。

表6 區(qū)域協(xié)作下配送最優(yōu)方案

圖2 算法迭代圖對(duì)比

5 結(jié)語(yǔ)和對(duì)策建議

本文以區(qū)域生鮮企業(yè)配送過(guò)程為研究對(duì)象，提出各配送部門(mén)各區(qū)域獨(dú)立配送造成嚴(yán)重資源浪費(fèi)、高成本、低滿(mǎn)意度的弊端。在新物流理念下，設(shè)計(jì)了區(qū)域協(xié)作下的多中心半開(kāi)放式配送模式，并建立考慮時(shí)間窗和保持一定客戶(hù)滿(mǎn)意度約束下的成本優(yōu)化模型，應(yīng)用AGAVNS多次求解。結(jié)合A 生鮮配送企業(yè)數(shù)據(jù)，模型通過(guò)與各區(qū)域獨(dú)立配送方案比對(duì)，以及AGAVNS 與GA 對(duì)比，驗(yàn)證了模型合理性和算法改進(jìn)性。研究成果可以有效降低生鮮企業(yè)配送的成本，降低客戶(hù)投訴率，加快運(yùn)作效率，為促進(jìn)區(qū)域生鮮物流的協(xié)作發(fā)展提供一定參考。

同時(shí)，基于研究成果，對(duì)未來(lái)生鮮配送企業(yè)進(jìn)一步發(fā)展提出對(duì)策建議：

5.1 打破傳統(tǒng)思維，引入“新物流”發(fā)展理念

一方面，與傳統(tǒng)物流配送標(biāo)準(zhǔn)化和自動(dòng)化相結(jié)合，提高生鮮品智慧配送的水平。另一方面，在滿(mǎn)足客戶(hù)對(duì)生鮮品定制化服務(wù)的同時(shí)，最大限度利用企業(yè)潛力，從而打造一個(gè)高柔性，高敏捷性的綜合生鮮配送企業(yè)。

5.2 將科技發(fā)展成果融入生鮮品配送整個(gè)環(huán)節(jié)

對(duì)生鮮品配送企業(yè)進(jìn)行智慧升級(jí)，逐步提升企業(yè)信息化水平。將智能算法、大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等先進(jìn)技術(shù)融入到企業(yè)生鮮配送的各個(gè)環(huán)節(jié)，以建立一套智能化的物流管理系統(tǒng)。

5.3 建立區(qū)域生鮮企業(yè)物流戰(zhàn)略聯(lián)盟，促成物流企業(yè)間協(xié)同發(fā)展

加強(qiáng)區(qū)域范圍內(nèi)整個(gè)物流商務(wù)系統(tǒng)的融合，以供應(yīng)鏈系統(tǒng)為核心，要求各個(gè)部門(mén)或企業(yè)間的商流、物流、信息流有效結(jié)合，形成相互信任、共享資源的物流聯(lián)盟。做到生鮮品配送全過(guò)程的科研、開(kāi)發(fā)、運(yùn)作、分析等高度協(xié)作，在獲得互利互惠的同時(shí)，促進(jìn)區(qū)域生鮮配送的整體發(fā)展。