基于多代競(jìng)爭(zhēng)遺傳的車輛配送路徑多峰尋優(yōu)研究

王力鋒，黃 斐，黃 謙，任宇光，陳文冬,3

（1.百色學(xué)院，廣西 百色533000；2.澳門科技大學(xué)，澳門999078；3.廣州商學(xué)院，廣東 廣州 510000）

0 引 言

合適的車輛配送路徑，將縮短運(yùn)輸距離，減少配送成本，配送時(shí)間也將得以縮短，目前很多研究人員對(duì)車輛配送路徑尋優(yōu)問題進(jìn)行了深入研究，例如葉勇等提出基于狼群算法的車輛配送路徑尋優(yōu)方法，該方法可在降低車輛配送成本的條件下，有效獲取車輛配送最佳路徑，但是該方法在獲取車輛配送最佳路徑時(shí)，尋優(yōu)次數(shù)較多，收斂速度慢；李卓等提出基于混合蟻群算法的車輛路徑規(guī)劃方法，蟻群算法在求解車輛路徑尋優(yōu)中較為常用，可在短時(shí)間內(nèi)獲取車輛配送最佳路徑，但是在所尋路徑中配送時(shí)，與同類算法相比，車輛配送成本較多，在車輛路徑尋優(yōu)時(shí)的收斂效率也并不顯著。夏揚(yáng)坤等為了降低連鎖超市的配送系統(tǒng)總成本，設(shè)計(jì)了一個(gè)自適應(yīng)禁忌搜索算法，采用“隨機(jī)禁忌長(zhǎng)度”和“禁忌表重新初始化”來對(duì)鄰域進(jìn)行充分搜索，結(jié)合各超市配送的時(shí)效性，建立了相應(yīng)的雙目標(biāo)數(shù)學(xué)模型，增強(qiáng)算法的全局尋優(yōu)能力，但是其約束條件不明確，無法獲取全局最優(yōu)解。賀桂和等為了促進(jìn)農(nóng)產(chǎn)品流通，降低農(nóng)產(chǎn)品電商物流配送成本，將傳統(tǒng)約束中客戶需求不可拆分的條件進(jìn)行松弛，結(jié)合傳統(tǒng)帶時(shí)間窗的車輛路徑問題，研究了一種帶軟時(shí)間窗的需求單元拆分車輛路徑問題，提升禁忌搜索算法的全局尋優(yōu)性能，有助于減少使用的車輛數(shù)和降低配送成本，但是其算法應(yīng)用過程的迭代穩(wěn)定性較差，無法實(shí)現(xiàn)多峰尋優(yōu)。戚遠(yuǎn)航等提出一種泰森多邊形的離散蝙蝠算法，融入了一種基于多車場(chǎng)多車輛問題的編解碼策略，求解多車場(chǎng)車輛路徑問題，表現(xiàn)出較強(qiáng)的尋優(yōu)能力和穩(wěn)定性，但是其目標(biāo)函數(shù)與約束條件不明確，其不支持多峰尋優(yōu)任務(wù)。

車輛配送路徑多峰尋優(yōu)，可理解為車輛配送路徑中多個(gè)高峰期的最優(yōu)路徑規(guī)劃，此問題屬于非線性函數(shù)多峰尋優(yōu)問題，本文針對(duì)此問題進(jìn)行深入研究。為此，本文提出基于多代競(jìng)爭(zhēng)遺傳的車輛配送路徑多峰尋優(yōu)方法，本文中的多峰尋優(yōu)是指在車輛配送的高峰時(shí)段下，由固定的物流中心安排可以匹配最佳路線的車輛進(jìn)行配送，是面向全時(shí)間段的車輛配送路徑多峰尋優(yōu)，其關(guān)鍵在于優(yōu)化遺傳算法收斂效率，并在車輛配送路徑多峰尋優(yōu)問題中，應(yīng)用多峰函數(shù)，結(jié)合閉區(qū)間上連續(xù)函數(shù)的零點(diǎn)存在定理，求解最優(yōu)的車輛配送路徑即將全局最優(yōu)解轉(zhuǎn)換為車輛配送路徑種群規(guī)模最優(yōu)化問題，以多峰尋優(yōu)的目標(biāo)函數(shù)與約束條件為基礎(chǔ)，求解車輛配送路徑多峰尋優(yōu)模型，使其具有較為顯著的優(yōu)化效果。

1 基于多代競(jìng)爭(zhēng)遺傳的車輛配送路徑多峰尋優(yōu)方法

車輛配送路徑優(yōu)化屬于路徑優(yōu)化的范疇，但車輛配送路徑優(yōu)化與路徑優(yōu)化又有很大不同，主要體現(xiàn)在以下三個(gè)方面：（1）車輛配送路徑優(yōu)化對(duì)貨物的重量、大小、體積、屬性等有一定的規(guī)定，路徑優(yōu)化僅僅涉及路徑規(guī)劃內(nèi)容，其影響因子存在差異。（2） 服務(wù)時(shí)效要求不同，車輛配送時(shí)間要求更嚴(yán)格，一般都是在白天，因?yàn)楣ぷ魅藛T的工作時(shí)間固定，但具體時(shí)間要求比較寬松，例如上午、下午等，工作人員的服務(wù)時(shí)間較為靈活，而路徑優(yōu)化的尋優(yōu)過程是基于全時(shí)間段的。（3） 配送后，需要進(jìn)行后續(xù)的、簡(jiǎn)單的分揀作業(yè)等過程，導(dǎo)致其影響配送時(shí)長(zhǎng)的因素較多，很難快速、精確地找到全局最優(yōu)解。

1.1 開放式車輛路徑優(yōu)化

開放式車輛是指對(duì)車載貨物重量、配送車輛數(shù)量等內(nèi)容不設(shè)限制，不做約束。車輛配送路徑多峰尋優(yōu)屬于動(dòng)態(tài)事件，此事件具有四種情況：（1） 車輛配送時(shí)，加入新“目標(biāo)”；（2） 車輛配送時(shí)，初始“目標(biāo)”需求發(fā)生變化；（3） 車輛配送時(shí)，交通情況變差；（4） 車輛配送時(shí)，配送車輛出現(xiàn)事故。

如果出現(xiàn)上述四種任何一種動(dòng)態(tài)事件，便需要因地制宜的設(shè)計(jì)新的車輛配送路徑多峰尋優(yōu)方案。為此，構(gòu)建一種基于開放式車輛路徑優(yōu)化的路徑多峰尋優(yōu)模型。

首先，設(shè)定路徑多峰尋優(yōu)模型所用參數(shù)，如表1 所示。

表1 模型參數(shù)及含義

其次，根據(jù)標(biāo)記設(shè)立此模型中車輛配送路徑多峰尋優(yōu)的目標(biāo)函數(shù)：

車輛配送路徑多峰尋優(yōu)過程中的阻抗是具有實(shí)時(shí)或歷史流量的時(shí)間屬性，最佳路線是對(duì)指定日期和時(shí)間來說最快的路線，因此，高峰時(shí)段下車輛配送路徑多峰尋優(yōu)過程的目標(biāo)函數(shù)與全局最優(yōu)解相對(duì)應(yīng)，需要應(yīng)用多代競(jìng)爭(zhēng)遺傳算法中的多峰函數(shù)對(duì)其求解。

1.2 車輛配送路徑的多代競(jìng)爭(zhēng)遺傳算法

為了合理安排車輛路徑，使總運(yùn)輸路徑最短，本文引入多代競(jìng)爭(zhēng)遺傳方法，進(jìn)行路徑多峰尋優(yōu)模型設(shè)計(jì)。本文設(shè)計(jì)需在下列條件下進(jìn)行：（1） 假設(shè)用戶分布在配送區(qū)域內(nèi)，用戶需求小于車輛額定載重量，每個(gè)用戶只允許訪問一次，只允許使用一輛車，且每輛車只允許使用一次；（2） 分配到配送中心的每輛車在配送中心啟動(dòng)和結(jié)束時(shí)，每個(gè)用戶的需求之和不超過車輛的額定。

一般來說，當(dāng)遺傳算法是“遺傳”時(shí)，新個(gè)體將取代某些父?jìng)€(gè)體在種群中的地位。然而，遺傳算法（復(fù)制、交叉、突變） 并不能保證后代優(yōu)于父代，產(chǎn)生“退化”現(xiàn)象。為了保障優(yōu)秀的個(gè)體存在充足的繁殖次數(shù)，本文將“壽命優(yōu)化”應(yīng)用在遺傳算法之中，防止出現(xiàn)“退化”情況，以此提高收斂效率。

工控網(wǎng)絡(luò)安全態(tài)勢(shì)分析技術(shù)首先要對(duì)各種對(duì)網(wǎng)絡(luò)安全性有影響的網(wǎng)絡(luò)要素進(jìn)行檢測(cè)和獲得。影響網(wǎng)絡(luò)安全的要素非常廣泛，既有時(shí)間上的，也有空間上的。對(duì)要素進(jìn)行采集和獲得之后，要對(duì)這些安全信息均采用分類、合并、關(guān)聯(lián)等信息分析手段進(jìn)行信息融合，然后對(duì)融合后的安全信息進(jìn)行綜合分析與評(píng)估，獲得當(dāng)前網(wǎng)絡(luò)的整體安全狀態(tài)信息，最后根據(jù)已有的網(wǎng)絡(luò)安全態(tài)勢(shì)信息對(duì)網(wǎng)絡(luò)未來的安全態(tài)勢(shì)進(jìn)行預(yù)測(cè)。

壽命即為個(gè)體在種群里的存活代數(shù)，年齡是個(gè)體目前已經(jīng)存活的代數(shù)。年齡與壽命相同的個(gè)體，便屬于“死亡”模式。種群之中，個(gè)體的年齡并非一致，所以便會(huì)衍生多代并存的種群結(jié)構(gòu)。適應(yīng)度顯著的個(gè)體，壽命顯著，可以繁衍多代，以此提升了優(yōu)秀基因遺傳至子代的幾率，優(yōu)化種群個(gè)體質(zhì)量。種群里個(gè)體競(jìng)爭(zhēng)分為子代個(gè)體的生存機(jī)會(huì)競(jìng)爭(zhēng)、壽命競(jìng)爭(zhēng)、遺傳機(jī)會(huì)競(jìng)爭(zhēng)。車輛配送路徑多峰尋優(yōu)時(shí)，多代競(jìng)爭(zhēng)遺傳的步驟如下：（1） 多代競(jìng)爭(zhēng)遺傳中車輛配送路徑初始種群建立時(shí)，假定車輛配送路徑種群規(guī)模是W，車輛配送路徑的初始種群適應(yīng)度較差的W 個(gè)個(gè)體（車輛配送路徑） 壽命是1，剩下優(yōu)秀個(gè)體（可用路徑） 根據(jù)適應(yīng)度實(shí)施從大到小的順序配列，年齡都是0。繁衍一代后，全部父代個(gè)體的年齡需要加1。以此壽命是1 的個(gè)體在子代個(gè)體出現(xiàn)后便會(huì)進(jìn)入“死亡”模式，被新衍生的子代個(gè)體所取代。個(gè)體進(jìn)入“死亡”模式表示某配送路徑不是車輛配送路徑多峰尋優(yōu)目標(biāo)，可舍棄。（2） 遺傳操作衍生子代時(shí)，各個(gè)父體個(gè)體（車輛配送路徑） 進(jìn)行遺傳操作的幾率按照自身適應(yīng)度設(shè)置。為了避免車輛配送路徑種群規(guī)模出現(xiàn)“萎縮”，各次衍生的車輛配送路徑個(gè)體數(shù)目必須充足。因?yàn)楦复劳鰯?shù)目最大值是W，因此遺傳之時(shí)，衍生的子代個(gè)體數(shù)目必須是W。去除父代死亡個(gè)體時(shí)，假定目前個(gè)體的年齡是C（i∈ W ），壽命是S（i∈ W ），車輛配送路徑種群通過交叉、變異衍生新一代個(gè)體時(shí)，車輛配送路徑種群個(gè)體的年齡將加1。（3） 子代以優(yōu)勝劣汰的規(guī)則，擇優(yōu)錄取并納入車輛配送路徑種群。假定父代個(gè)體死亡數(shù)目是Z，那么子代個(gè)體根據(jù)適應(yīng)度實(shí)施對(duì)比，并擇優(yōu)錄取，合適的車輛配送路徑將被納入車輛配送路徑備選種群。（4） 設(shè)置車輛配送路徑種群個(gè)體壽命與年齡時(shí)，按照優(yōu)勝劣汰的宗旨，子代個(gè)體（車輛配送路徑） 里適應(yīng)度顯著的個(gè)體，將納入車輛配送路徑種群。此類個(gè)體和還沒有死亡的父代個(gè)體根據(jù)適應(yīng)度的大小值排列，子代個(gè)體的壽命根據(jù)自身排序方位設(shè)置，年齡設(shè)成0。父代延續(xù)個(gè)體的壽命根據(jù)適應(yīng)度設(shè)置。（5） 車輛配送路徑種群更新時(shí)，去除“死亡”個(gè)體，更新后的車輛配送路徑種群，由前代延續(xù)個(gè)體與新生個(gè)體構(gòu)成，車輛配送路徑種群規(guī)模不變。

多次執(zhí)行上述步驟，直至迭代次數(shù)為最大值，輸出最優(yōu)解。

此時(shí)，在車輛配送時(shí)，車載量約束是：

車輛配送時(shí)，行駛距離約束是：

預(yù)設(shè)在物流中心所派遣車輛的載量約束是：

預(yù)設(shè)在物流中心派遣車輛的行駛距離約束是：

車輛配送時(shí)，各個(gè)客戶均被1 輛車服務(wù)的約束是：

車輛配送時(shí)，全部車輛起點(diǎn)、終點(diǎn)均為物流中心的約束是：

車輛配送時(shí)，路徑多峰尋優(yōu)的效率約束是：

車輛配送時(shí)，動(dòng)態(tài)事件出現(xiàn)的時(shí)間點(diǎn)符合配送周期的約束是：

整合上述公式，即完成的路徑多峰尋優(yōu)模型設(shè)計(jì)。

車輛配送路徑的多代競(jìng)爭(zhēng)遺傳時(shí)，為了保障收斂效率得以優(yōu)化，對(duì)遺傳算法進(jìn)行優(yōu)化，優(yōu)化之處見下述。

1.3 車輛配送路徑多峰尋優(yōu)

車輛配送路徑多峰尋優(yōu)時(shí)，使用符號(hào)對(duì)每個(gè)車輛進(jìn)行編碼，將編碼的個(gè)體組成為車輛配送路徑種群，多代競(jìng)爭(zhēng)并存的車輛配送路徑種群結(jié)構(gòu)，將使用遺傳與變異模式獲取新的個(gè)體，取代“死亡個(gè)體”，將其轉(zhuǎn)換為車輛配送路徑問題，若出現(xiàn)新的車輛加入，在車輛配送路徑種群序列里加入新車輛。根據(jù)父代種群里個(gè)體的適應(yīng)度與遺傳的雙親進(jìn)行交叉復(fù)制，染色體的交叉復(fù)制屬于雙親遺傳。雙親遺傳時(shí)，以拓展路徑尋優(yōu)范圍為目的，使用多樣性的鄰域結(jié)構(gòu)：

（1） 兩個(gè)體間的單個(gè)節(jié)點(diǎn)交換。任意選擇兩個(gè)體（車輛配送路徑） 相交的節(jié)點(diǎn)，設(shè)成交換點(diǎn)并實(shí)施轉(zhuǎn)換，獲取新解。

（2） OX 順序較差。在一個(gè)父代個(gè)體里選取一輛車與其他車輛的所有相交節(jié)點(diǎn)，在此節(jié)點(diǎn)中加入其他父代個(gè)體里車輛位置，反復(fù)求解，直至解出現(xiàn)規(guī)模是N 的車輛配送路徑種群，即車輛編碼順序與車輛走過路徑順序。

為了克服遺傳算法的早熟情況，求解車輛配送路徑多峰尋優(yōu)的目標(biāo)函數(shù)時(shí)，需要優(yōu)化可選車輛配送路徑的種群個(gè)體多樣性。遺傳算法的搜索過程僅基于適應(yīng)度函數(shù)。適應(yīng)度分配方法是根據(jù)個(gè)體目標(biāo)值對(duì)種群進(jìn)行排序，個(gè)體適應(yīng)度只取決于其在種群序列中的位置順序。通過交叉概率與變異概率設(shè)置交叉與變異出現(xiàn)的概率，若迭代步數(shù)最大值是M，為了避免單個(gè)子種群，特別是個(gè)體序列的第一部分過度繁殖，導(dǎo)致分布過程中分布目標(biāo)過多，有必要優(yōu)化多峰函數(shù)，選擇性地抑制子種群中的某些個(gè)體，令相鄰不同配送目標(biāo)之間的同步差量為Q。

假設(shè)Q=｛Q,Q,Q,…,Q｝，代表總配送時(shí)長(zhǎng)的約束函數(shù)H中包含k 個(gè)配送任務(wù)對(duì)應(yīng)的同步差量值。因此，相鄰不同車輛配送路徑之間的同步差量W 表示為：

式中：總配送時(shí)長(zhǎng)的約束函數(shù)H處于第k 個(gè)任務(wù)時(shí)的配送精度Q受到該段路程l 的配送任務(wù)總數(shù)影響，相鄰配送路徑對(duì)應(yīng)的配送任務(wù)可表示為Q=｛q,q,q,…,q｝，l 取值1≤l≤x，當(dāng)配送作業(yè)過程的配送目標(biāo)過多時(shí)，配送精度逐漸減少，但相鄰不同車輛配送路徑之間的同步差量對(duì)應(yīng)減少，車輛與車輛之間的多峰函數(shù)此消彼長(zhǎng)，體現(xiàn)了劃分種群、調(diào)整個(gè)體適應(yīng)度以提高種群多樣性的原則，即具有多峰優(yōu)化性能，且不增加算法復(fù)雜度，便可停止車輛配送路徑多峰尋優(yōu)，輸出車輛配送路徑多峰尋優(yōu)結(jié)果，完成車輛配送路徑多峰尋優(yōu)。

2 仿真分析

為測(cè)試本文方法對(duì)車輛配送路徑多峰尋優(yōu)問題的使用性能，在CodeBlocks 編程環(huán)境中，通過C 語言編程，基于Inter（R）Core（TM） i3 CPU、內(nèi)存是4.0GB、64 位Windows10 旗艦版操作系統(tǒng)的計(jì)算機(jī)之中編程本文所提方法，模擬分析本文方法對(duì)車輛配送路徑多峰尋優(yōu)的效果。仿真環(huán)境中，所模擬的物流中心和每個(gè)目標(biāo)點(diǎn)之間道路交通距離信息如表2 所示。

表2 物流中心和每個(gè)目標(biāo)點(diǎn)之間道路交通距離信息

表2 中，A1、A2、A3、A4、A5、A6、A7、A8、A9、A10 代表配送城市；B1、B2、B3、B4、B5、B6、B7、B8 表示配送城市的十字交通路口，此路口不存在目標(biāo)。

使用本文方法對(duì)該區(qū)域車輛配送路徑進(jìn)行多峰尋優(yōu)時(shí)，配送車輛的詳細(xì)配送順序是：配送車輛1 配送路徑規(guī)定時(shí)間：物流中心出發(fā)時(shí)間為6:30，19:50 返回物流中心。配送車輛2 配送路徑規(guī)定時(shí)間：物流中心出發(fā)時(shí)間為7:30，16:30 返回物流中心。配送車輛3 配送路徑規(guī)定時(shí)間：物流中心出發(fā)時(shí)間為7:30，18:40 返回物流中心。配送車輛4 配送路徑規(guī)定時(shí)間：物流中心出發(fā)時(shí)間為5:30，19:50 返回物流中心。

在初始種群建立后，依據(jù)種群個(gè)體多樣性，迭代步數(shù)最大值是M時(shí)，進(jìn)行了多峰函數(shù)尋優(yōu)，在無動(dòng)態(tài)事件出現(xiàn)的前提下，使用本文方法與其他文獻(xiàn)方法（文獻(xiàn)[1]和文獻(xiàn)[2]方法） 對(duì)該區(qū)域車輛配送路徑進(jìn)行多峰尋優(yōu)后的結(jié)果，而本次實(shí)驗(yàn)給出的數(shù)據(jù)為第一次尋優(yōu)成功的迭代次數(shù)（多峰函數(shù)的第一個(gè)取值即第一個(gè)峰），如表3 所示。

表3 不同方法尋優(yōu)結(jié)果

如表3 數(shù)據(jù)所述，本文方法在對(duì)該區(qū)域車輛配送路徑實(shí)施多峰尋優(yōu)時(shí)，使用4 輛車、配送時(shí)間均值為46.41h、迭代次數(shù)均值為152.85 次、尋優(yōu)時(shí)間均值為2.40s。為凸顯本文方法對(duì)車輛配送路徑多峰尋優(yōu)的使用效果，將其與文獻(xiàn)[1]的基于狼群算法的車輛配送路徑尋優(yōu)方法、文獻(xiàn)[2]的基于混合蟻群算法的車輛路徑規(guī)劃方法進(jìn)行對(duì)比后，兩種對(duì)比方法的車輛配送路徑尋優(yōu)結(jié)果的車輛配送時(shí)間、迭代次數(shù)、尋優(yōu)時(shí)間均大于本文方法，表明本文方法和同類方法相比，在車輛配送路徑多峰尋優(yōu)時(shí)，存在效率優(yōu)勢(shì)。

為了增加算例分析的展現(xiàn)形式，體現(xiàn)本文方法的多峰性質(zhì)，將表3 轉(zhuǎn)換為圖1，突出對(duì)多峰配送優(yōu)化求解的過程、優(yōu)越性。

圖1 多峰性質(zhì)體現(xiàn)下的不同方法的迭代次數(shù)

由圖1 可以看出，本文方法較文獻(xiàn)[1]和文獻(xiàn)[2]方法的多峰函數(shù)解即有多個(gè)極值點(diǎn)的函數(shù)解，也就是說其峰值較多，沒有個(gè)體的區(qū)間不可能包含極值點(diǎn)，因此，本文取出包含個(gè)體的區(qū)間，再次細(xì)化，重復(fù)搜索過程，直到細(xì)化的區(qū)間足夠小，可以更有針對(duì)性地獲取最優(yōu)解，進(jìn)而為車輛配送路徑尋優(yōu)提供更為優(yōu)越的求解過程。

在仿真環(huán)境中，引入本文所設(shè)計(jì)四種動(dòng)態(tài)事件中的事件（3），測(cè)試本文方法、文獻(xiàn)[1]的基于狼群算法的車輛配送路徑尋優(yōu)方法、文獻(xiàn)[2]的基于混合蟻群算法的車輛路徑規(guī)劃方法的尋優(yōu)效率，并將此前提條件下的尋優(yōu)效率與無動(dòng)態(tài)事件出現(xiàn)前的效率進(jìn)行對(duì)比，結(jié)果如表4 所示。

表4 本文方法尋優(yōu)效率變化

如表4 所示，在仿真環(huán)境中，引入本文所設(shè)計(jì)四種動(dòng)態(tài)事件中的事件（3） 后，本文方法尋優(yōu)下，車輛配送時(shí)間比無動(dòng)態(tài)事件時(shí)多出0.01h，第一次尋優(yōu)成功的迭代次數(shù)多比無動(dòng)態(tài)事件時(shí)多出1 次，尋優(yōu)時(shí)間比無動(dòng)態(tài)事件時(shí)多0.1s；文獻(xiàn)[1]方法使用后，車輛配送時(shí)間比無動(dòng)態(tài)事件時(shí)多出2.01h，第一次尋優(yōu)成功的迭代次數(shù)多比無動(dòng)態(tài)事件時(shí)多出11 次，尋優(yōu)時(shí)間比無動(dòng)態(tài)事件時(shí)多2.2s；文獻(xiàn)[2]方法使用后，車輛配送時(shí)間比無動(dòng)態(tài)事件時(shí)多出1.56h，第一次尋優(yōu)成功的迭代次數(shù)多比無動(dòng)態(tài)事件時(shí)多出16 次，尋優(yōu)時(shí)間比無動(dòng)態(tài)事件時(shí)多1.79s。由此可見，動(dòng)態(tài)事件的出現(xiàn)，對(duì)文獻(xiàn)[1]方法、文獻(xiàn)[2]方法應(yīng)用效果存在影響，但對(duì)本文方法的影響不大。且文獻(xiàn)[1]方法、文獻(xiàn)[2]方法與本文方法相比，動(dòng)態(tài)事件出現(xiàn)后，本文方法對(duì)車輛配送路徑多峰尋優(yōu)效率仍舊最為顯著。

本文方法、文獻(xiàn)[1]的基于狼群算法的車輛配送路徑尋優(yōu)方法、文獻(xiàn)[2]的基于混合蟻群算法的車輛路徑規(guī)劃方法使用下，模擬計(jì)算物流企業(yè)車輛配送的使用成本進(jìn)行對(duì)比，按功能計(jì)算物流成本計(jì)算車輛折舊或修理費(fèi)用、通行費(fèi)、燃料費(fèi)、司機(jī)工資和其他費(fèi)用，降級(jí)整合為最終成本，三種方法的最終成本對(duì)比結(jié)果如表5所示。

如表5 所示，三種方法對(duì)比之下，物流企業(yè)使用本文方法后，物流企業(yè)4 輛車輛配送的日使用成本均值是244 元，使用文獻(xiàn)[1]方法、文獻(xiàn)[2]方法，物流企業(yè)4 輛車輛配送的日使用成本均值分別比本文方法多出52 元、79 元。對(duì)比之下，本文方法尋優(yōu)下，更節(jié)省車輛配送的應(yīng)用成本。

表5 三種方法試用下物流企業(yè)車輛配送的日使用成本單位：元

3 結(jié) 論

（1） 第三方物流企業(yè)中，物流中心的車輛路徑規(guī)劃十分重要，不僅需要準(zhǔn)確無誤地將貨物配送至最終客戶，也需要保證車輛的配送時(shí)效。針對(duì)車輛配送問題進(jìn)行專題研究，提出了基于多代競(jìng)爭(zhēng)遺傳的車輛配送路徑多峰尋優(yōu)方法。

（2） 所提方法有效提升了遺傳算法的收斂效率，可在短時(shí)間內(nèi)獲取車輛配送的最佳路徑，且其配送時(shí)間、迭代次數(shù)、尋優(yōu)時(shí)間均得到保證，在最短時(shí)間內(nèi)完成車輛配送路徑尋優(yōu)。且使用成本最少，在生產(chǎn)企業(yè)、物流企業(yè)的實(shí)際應(yīng)用過程中均存在參考價(jià)值。