物流車輛智能管理研究及分析*
——以九江志遠物流有限公司為例

黎智海 余海燕

(九江學院 江西九江 332005)

1研究背景

隨著電子信息現(xiàn)代化技術(shù)水平的迅猛發(fā)展，物流行業(yè)也表現(xiàn)出高速發(fā)展的態(tài)勢。目前，在大數(shù)據(jù)快速發(fā)展的前提下，國內(nèi)也先后推出了多項政策，對物聯(lián)網(wǎng)與各項物流管理方面結(jié)合的技術(shù)開發(fā)提供相應支持。國內(nèi)外所擁有的最先進的智能物流管理系統(tǒng)，在進行物流管理服務之時，上可達行業(yè)預測、市場調(diào)查、電子商務協(xié)助等，下可至物流管理系統(tǒng)設計、物流方案規(guī)劃、庫存管理及決策等[1]。

我國許多企業(yè)，尤其是三線及以下城市的物流企業(yè)，仍有不少采用傳統(tǒng)的人工與計算機結(jié)合的半自動化的物流管理模式，其操作的復雜性導致企業(yè)出現(xiàn)低效、高錯、慢速、高成本等問題，不僅物流管理效率較低，其物流作業(yè)上的準確性也無法得到完全保障[2]。如此一來，發(fā)展信息化水平更高、管理成本更低、效率更高的智能物流管理系統(tǒng)成為企業(yè)發(fā)展急需解決的問題。在疫情中，盡管對各行業(yè)都有較大的影響，然而隨著人們居家的時間越來越長，物流企業(yè)的業(yè)務量也隨之逐步增長，導致物流運輸市場的活力持續(xù)增長[3]。物流運輸中，理想的運輸路線不僅可以達到降低企業(yè)在物流運輸途中產(chǎn)生的成本，合理縮短運輸時間，還能有助于提高物流企業(yè)的核心競爭力。同時，優(yōu)化的運輸路線減少了物流運輸?shù)目偫锍虜?shù)，一定程度上可以有效緩解交通擁堵的發(fā)生。因此，如何借助現(xiàn)代化的信息技術(shù)智能選擇出低成本、高效率的物流運輸路線具有重要的研究意義。

Koopmans早在第二次世界大戰(zhàn)期間便開始物流運輸路線規(guī)劃問題的研究。往后，Dantzing(1959年)發(fā)現(xiàn)單純性方法，并將其應用在國防問題上[4]。Kuo等學者(2017年)則是充分考慮垃圾收集車輛的運輸路線優(yōu)化的問題，提出GACO算法優(yōu)勢[5]。而國內(nèi)的李軍教授(2001年)對車輛運輸路線調(diào)度優(yōu)化深入分析其優(yōu)化算法，并且對車輛調(diào)度系統(tǒng)進行基礎設計[6]。此后，運輸路線優(yōu)化問題得到快速發(fā)展，成為組合優(yōu)化、計算機技術(shù)應用以及物流等領域的重點研究對象。同時計算方式也逐漸趨于多樣化，有路線規(guī)劃、遺傳算法、蟻群算法、兩段式算法等。

文章依托九江市志遠物流運輸有限公司，針對傳統(tǒng)物流管理模式中調(diào)度效率低的弊端，通過路線規(guī)劃及遺傳算法設計車輛的運輸路線，優(yōu)化后的物流運輸路線同時滿足客戶、司機和管理人員的三方需求，讓志遠物流的車輛管理擁有更高的效率與安全，同時大幅度節(jié)約成本，真正達到“節(jié)能高效”。

2模型建立

2.1模型設計

文章選用志遠物流企業(yè)一日的實際物流配送的24個訂單數(shù)據(jù)，研究物流運輸路線的求解目標函數(shù)及約束條件選擇路線規(guī)劃和遺傳算法，并對遺傳算法進行優(yōu)化改進，達到最優(yōu)物流運輸路線，即總運輸成本最低，結(jié)合Matlab運算，最終設計出符合企業(yè)的最佳運輸路線及調(diào)度方案，模型假設見表1。

表1 模型假設

已知志遠物流派專車由物流中心途徑各個客戶，最終回到物流中心進行運輸。車輛的固定啟動費用為60元，車輛每公里的成本費用為1元，車速為20km/h。且物流中心坐標為(0，0)。每個訂單客戶位置標記為：2～25；由上至下由左至右共24組數(shù)據(jù)。

2.2運輸模型

2.2.1路線規(guī)劃 為達到最低運輸成本的目的，即設計最優(yōu)物流運輸路線，常規(guī)的模型建立思路是構(gòu)建含有約束條件的規(guī)劃模型。運輸途中總的運輸成本為車輛運輸產(chǎn)生的固定成本與車輛在運輸中的行駛成本之和。

車輛運輸固定成本(C：車輛運送過程中的固定成本；m：總客戶數(shù))：

(1)

車輛運輸行駛成本(h：單位距離內(nèi)的運輸成本；d：兩客戶間的運輸距離)：

(2)

兩客戶(xi,yi)、(xj,yj)節(jié)點之間的距離：

(3)

總運輸成本：

(4)

因此，目標函數(shù)為：

(5)

表2 約束條件

2.2.2遺傳算法 ①編碼：用0代表物流中心，以數(shù)字的先后順序表示物流車輛的運輸途徑。②種群初始化：編碼完成后，依具體問題選擇初始種群數(shù)量，作為初始解。③適應度值：是計算所有染色體的目標函數(shù)值，再取倒數(shù)為所需適應度值：

(6)

④選擇操作：選擇適應度值占比較大的個體，是指利用各個適應度占總適應度的比值：

(7)

⑤交叉、變異操作：適應度值在進化的初期是比較大的，可以選用較大的Pc和Pm，且為定值。進化的中后期，Pc和Pm會根據(jù)個體的適應度在平均適應度和最小適應度之間滿足下列線性關(guān)系：

(8)

(9)

其中：Pcmax>Pcmin∈[0,1],Pmmax>Pmmin∈[0,1]。

2.2.3算法改進 針對遺傳算法容易受到局部收斂的影響。文章將在原有遺傳算法的基礎上從以下兩方面進行改善：①改善交叉操作，即對父代的個體依據(jù)目標函數(shù)大小進行配對，然后采用序列確定交叉點的位置，對所確定的位置進行交叉。②改善的變異操作是依據(jù)給定的變異率，然后在2～25間隨機的選取兩個整數(shù)，再進一步對所選中的這兩個數(shù)所對應的位置進行基因改變，以當前的基因值作為初始值，然后采用x(n+1)=4x(n)(1-x(n))進行迭代，經(jīng)過一定的迭代次數(shù)得到新基因值，進而得到新染色體。

3運算與分析

3.1常規(guī)遺傳算法

3.1.1參數(shù)設置 遺傳算法中初始化參數(shù)如表3所示。

表3 參數(shù)設置

3.1.2算法結(jié)果 采用Matlab R2020a軟件以及遺傳算法計算出符合上述模型的最優(yōu)路線(將物流中心出發(fā)位置標記為1，結(jié)束位置記為26)。

全程為：81144km；

詳細路線為：1→11→9→15→12→8→6→7→4→5→3→25→21→2→17→23→18→24→20→19→22→16→13→10→14→26。運輸路線如圖1所示。

圖1 物流運輸路線圖

車輛從物流中心出發(fā)，依次按照上述路線完成各個客戶點的配送任務，最后返回物流中心。其中第15個客戶點到第19個客戶點的配送路線交錯較多，說明運輸途中消耗較多，導致配送服務質(zhì)量下降，消耗的總成本也較高。因此，這段配送路線仍需改進。

3.2改進遺傳算法

針對上述問題，改進后的遺傳算法中的交叉操作是用單點交叉，不僅保證了算法的收斂精度，還能削弱和避免因交叉強度大而導致的尋優(yōu)不穩(wěn)定性。同時變異操作采用多點變異，恰好彌補之前過早收斂的缺陷。各自染色體采用Logistic序列對父代染色體A進行0～1間隨機數(shù)列進行編碼，再進行交叉操作，產(chǎn)生子代B。

改善的變異操作是依據(jù)所給變異率，任意取兩個整數(shù)，在2～25之間，對所取出的兩個數(shù)的位置基因采取變異操作，進而得到新的染色體。為了避免局部收斂，采用發(fā)生三對變異操作(交換位置)產(chǎn)生子代C。

根據(jù)改進的遺傳算法，采用Matlab運算出符合上述模型的最優(yōu)路線。

全程為：80328km。

詳細路線為：1→11→9→15→12→8→6→7→4→5→3→25→21→2→17→19→20→23→18→24→22→16→13→10→14→26，如圖2所示。

圖2 改進后的物流運輸路線圖

此時消耗總成本為：W=4076.4元。

改進后的遺傳算法由物流中心出發(fā)到前14位客戶點的運送路線均不變，由第15位客戶點到第19位客戶點的運輸路線發(fā)生變化，交叉路線有所減少，運輸成本也隨之減少。因此，改進后的遺傳算法尋優(yōu)效果更好，得到的運輸路線更優(yōu)。

4結(jié)論

針對志遠物流企業(yè)，運輸途中產(chǎn)生的成本與車輛選擇的運輸路線有著重要的直接關(guān)系，文章將運輸總成本達到最低設為目標函數(shù)，同時構(gòu)建路線規(guī)劃模型尋找目標函數(shù)的最優(yōu)值解。運用Matlab，并結(jié)合遺傳算法的優(yōu)勢，利用交叉、變異的概率自動調(diào)整策略，進而增強全局的尋優(yōu)能力，最后針對實際問題改進遺傳算法。顯然改進后的遺傳算法計算出的運輸路線，交叉路線減少，總里程及總成本均有所下降，更有效地給出最優(yōu)運輸路線。企業(yè)在物流車輛的調(diào)度管理中，智能算法的運用將很大程度地提高路線規(guī)劃的合理性，從而有效降低運輸途中產(chǎn)生的成本，同時縮短運輸時間，提高客戶的滿意度。更加貼合企業(yè)自身業(yè)務特色和管理制度的智能物流管理系統(tǒng)，能夠為企業(yè)帶來更高的管理水平，提升企業(yè)效益，增強企業(yè)的核心競爭力。