城區(qū)物流配送中心選址優(yōu)化系統(tǒng)設(shè)計與實現(xiàn)

郭 鵬,周 洋，周 峰，胡理嫚，馬宸昊

(1.西南交通大學(xué)機械工程學(xué)院，四川成都 610031；2.西南交通大學(xué)經(jīng)濟管理學(xué)院，四川成都 610031)

，

min f2= τf1+ θ ，

，

f=f′+f3=f1+f2+f3。

城區(qū)物流配送中心選址優(yōu)化系統(tǒng)設(shè)計與實現(xiàn)

郭 鵬1,周 洋1，周 峰1，胡理嫚1，馬宸昊2

(1.西南交通大學(xué)機械工程學(xué)院，四川成都 610031；2.西南交通大學(xué)經(jīng)濟管理學(xué)院，四川成都 610031)

為了提高城區(qū)物流配送中心選址效率，克服傳統(tǒng)方法須依靠人工計算的弊端，提出利用在線地圖獲取路徑距離信息的方法?；谂渌椭行牡膶嶋H建設(shè)和運營情況，確定配送中心選址問題的成本影響因素，設(shè)計選址優(yōu)化系統(tǒng)框架，構(gòu)建以總成本最小化的數(shù)學(xué)模型，采用基于整數(shù)編碼的遺傳算法對其進行求解。利用C#語言實現(xiàn)系統(tǒng)架構(gòu)，并進行計算測試。測試發(fā)現(xiàn)：所構(gòu)建系統(tǒng)能夠自動獲取城區(qū)各節(jié)點距離信息，較之傳統(tǒng)手段減少了規(guī)劃人員的工作量，圍繞2類算例實施優(yōu)化選址，均在較短時間內(nèi)獲得了切實可行的選址方案。結(jié)果表明，所提出的系統(tǒng)架構(gòu)具有有效性和適用性，能夠有效幫助規(guī)劃人員實施物流節(jié)點選擇。

物流系統(tǒng)管理；物流配送中心；選址優(yōu)化；遺傳算法；在線地圖

隨著國內(nèi)外企業(yè)競爭日趨激烈，資源成本和人力成本越來越接近，物流作為企業(yè)經(jīng)營成本中的重要組成部分已經(jīng)越來越受到重視。在提高物流服務(wù)水平和降低物流成本方面，物流配送中心地址的選取，尤其是城區(qū)物流配送中心位置的選取非常重要。據(jù)統(tǒng)計，中國2014年物流運輸費用占社會物流總費用的52.9%，保管費用占社會物流總費用的34.9%，兩項之和高達87.8%[1]。如何對物流配送中心進行有效規(guī)劃以降低物流保管和配送費用，成為政府管理機構(gòu)面臨的難題，同時城區(qū)物流需求急劇增長，現(xiàn)代物流對網(wǎng)點布局的要求越來越高。

物流配送中心選址問題作為供應(yīng)鏈網(wǎng)絡(luò)設(shè)計的主要內(nèi)容廣受關(guān)注[2-3]。問題可簡化為設(shè)施選址問題，旨在從一系列備選點中選擇一部分作為倉庫的位置，在滿足空間及容量約束的情況下，最小化投資的費用。由于該問題屬于NP-hard，目前大量的研究均采用元啟發(fā)式算法對其求解，諸如模擬退火算法、禁忌搜索算法、遺傳算法、蟻群算法及螢火蟲算法等群集智能優(yōu)化技術(shù)[4-8]。此外，分支定界及分支定價一類的精確求解算法也得到改進，試圖去求解更大規(guī)模的問題[9-12]。物流服務(wù)能力也被納入優(yōu)化指標(biāo)中加以考慮，以更好地適應(yīng)易腐食品的處理和應(yīng)急服務(wù)[13-14]。遺傳算法在求解物流配送中心選址問題上，性能表現(xiàn)優(yōu)異，被廣泛采用[15-17]。現(xiàn)有物流配送中心選址研究大多先確定備選點，而后手工計算備選點之間的距離，以此作為選址的距離矩陣。備選點及距離矩陣的確定需要耗費大量的時間去調(diào)研，使得決策人員難以在短期內(nèi)做出合理的選址算例，將地理信息系統(tǒng)應(yīng)用到選址中是縮短調(diào)研時間的良方[18]，但仍然需要手動確定路網(wǎng)結(jié)構(gòu)。

針對獲取現(xiàn)有研究路徑距離信息困難這一問題，本研究提出利用在線地圖API獲取路徑距離信息的方法，以求提高選址效率和求解的準(zhǔn)確性。在地圖上確立備選點后，自動獲取各點之間的距離信息。通過利用遺傳算法求解問題的數(shù)學(xué)規(guī)劃模型來獲得最優(yōu)選址算例。借助C#語言開發(fā)系統(tǒng)軟件，仿真計算結(jié)果表明提出的選址優(yōu)化系統(tǒng)的有效性和適用性。

1 城區(qū)物流配送中心選址優(yōu)化系統(tǒng)

圖1 物流配送中心網(wǎng)絡(luò)框架
Fig.1 Frame of logistics distribution center network

城區(qū)物流配送中心是指以城市區(qū)域作為配送范圍，能承擔(dān)多品種、少批量、多用戶配送的配送中心，其服務(wù)的對象大多是生產(chǎn)企業(yè)、經(jīng)銷商、零售商、連鎖店[19]。在本研究設(shè)計的系統(tǒng)中，假設(shè)在某一區(qū)域內(nèi)有n個需求點，擬建立m個物流配送中心來滿足顧客的需求，在城區(qū)周邊已有q個物流基地，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。物流配送中心選址需要從大量的備選點中找出其最佳的建設(shè)位置，以滿足顧客的需求。在選址過程中需要地價、運輸費用和配送中心運營費用等成本因素，以總成本最低為目標(biāo)，來確定最優(yōu)的配送中心備選點選取算例。

在所提出的選址優(yōu)化系統(tǒng)中，通過手動添加或者讀取數(shù)據(jù)文件獲得物流基地和顧客點的關(guān)聯(lián)參數(shù)，如最大物流存儲量、需求量、運費等。在百度地圖上點選位置來獲得配送中心備選點，并對各點附加相應(yīng)的參數(shù)(運費、地價等)，系統(tǒng)自動讀取百度地圖中提供的各點之間的路徑信息。一旦完成參數(shù)的輸入，系統(tǒng)則調(diào)用遺傳算法實現(xiàn)對選址優(yōu)化模型的求解。當(dāng)滿足遺傳算法的終止條件時，則輸出選址算例，并在地圖窗口加以顯示。

從上述系統(tǒng)工作的過程中，可以看出各個備選點間的距離信息是影響運費的關(guān)鍵因素。在問題的求解過程中，距離信息的讀取由于要調(diào)用網(wǎng)絡(luò)數(shù)據(jù)而需要消耗一定的時間。遺傳算法作為優(yōu)化求解的工具，可視為系統(tǒng)的核心組成部分，其迭代求解需要一定時間方能給出較好的選址算例。

2 地區(qū)物流配送中心選址優(yōu)化模型

物流配送中心處在配送網(wǎng)絡(luò)的中間環(huán)節(jié)，需同時考慮物流基地(供應(yīng)點)和需求點的影響。在本研究考慮的城區(qū)物流配送中心選址問題中，配送中心備選點所處區(qū)域的地價、建設(shè)成本和單位運營成本均可通過調(diào)研或查詢政府統(tǒng)計數(shù)據(jù)獲得。每個需求點只能由某個配送中心完成所有貨品的配送。通常配送中心物流量越大，其單位面積庫存量越高，不同貨品種類對于運輸造成的影響不予以考慮。在引入模型之前，先介紹3個決策變量：zi若為1，表示對應(yīng)的備選配送中心將投資建設(shè)，否則不予以投資；xij若為1，表明需求點j由配送中心i配送，否則由其他配送中心服務(wù)；yki為從物流基地k到配送中心i的運量。

對于管理部門而言，最重要的指標(biāo)就是綜合成本。城區(qū)物流配送中心的成本可分成3類，即建設(shè)成本、運營成本和運輸成本。配送中心的建設(shè)成本包括土地購置費和物理設(shè)施建設(shè)費。根據(jù)配送中心的年物流量、單位面積庫存量和周轉(zhuǎn)率可以計算得到配送中心所需的面積。在已知配送中心單位面積建設(shè)成本和不同位置的單位面積地價時，可以得到建設(shè)成本的目標(biāo)函數(shù)f1，總建設(shè)成本最小。

(1)

配送中心的運營費用包括人工費用、倉儲費用和折舊費用等。如果考慮所有因素，模型將變得十分復(fù)雜。由于運營費用與配送中心的規(guī)模呈正相關(guān)關(guān)系，將其簡化為與建設(shè)成本呈線性相關(guān)的函數(shù)，便于計算。目標(biāo)函數(shù)f2,總運營費用最小。

minf2=τf1+θ，

(2)

式中：τ=0.035,為相關(guān)系數(shù)；θ=300,為貨物的修正值。

根據(jù)物流基地、配送中心及需求點的經(jīng)緯度利用百度地圖API可得到相互之間的實際距離。結(jié)合物流基地與配送中心、配送中心與需求點之間的單位運輸成本可得到運輸費用函數(shù)f3(目標(biāo)函數(shù))，總的運輸費用最小。

(3)

目標(biāo)函數(shù)f2取決于目標(biāo)函數(shù)f1，因此可將其合并為一個目標(biāo)函數(shù)f′=f1+f2；目標(biāo)函數(shù)f3獨立于函數(shù)f′，且2個目標(biāo)一致，各自權(quán)重均設(shè)為1，于是總目標(biāo)函數(shù)f為

f=f′+f3=f1+f2+f3。

(4)

以下約束在建模時也須考慮：

1) 從物流基地供應(yīng)給配送中心的各類貨品總數(shù)不能超過其最大供應(yīng)量；

2) 待建配送中心的貨品總量進出相等；

3) 每個需求點有且只能由某個配送中心進行服務(wù)；

基于上面的描述，其數(shù)學(xué)模型為

約束(5)表示從物流基地運輸?shù)脚渌椭行牡母黝愗浧房倲?shù)不超過其最大供應(yīng)量Ak；約束(6)表示待建配送中心的貨品總量進出相等；約束(7)表示每個需求點有且只能由一個配送中心進行服務(wù)；約束(8)表示需求點只能由其所屬的配送中心配送。

3 配送中心選址優(yōu)化設(shè)計

由于選址問題是NP-hard的，采用分支定界等精確算法求解難度較大。為此本研究提出利用遺傳算法來進行優(yōu)化，以求在合適的計算時間內(nèi)獲得高質(zhì)量的解。

3.1 遺傳算法

遺傳算法對問題種類有很好的魯棒性，該算法在函數(shù)優(yōu)化、組合優(yōu)化、自動控制、機器學(xué)習(xí)、圖像處理、人工生命、遺傳編碼與機器學(xué)習(xí)等方面都得到了廣泛的應(yīng)用[20]。遺傳算法的求解步驟如下。

1)編碼 遺傳算法在迭代之前，需要先將解空間的數(shù)據(jù)表示成遺傳空間的基因型個體，個體結(jié)構(gòu)的不同組成即為不同的點。通過采用整數(shù)編碼表示方式，讓每一個基因?qū)?yīng)一個需求點，其數(shù)值表示該需求點由相應(yīng)的配送中心服務(wù)。如個體V=(1, 1, 3, 3, 1)表示需求點1,2,5由配送中心1服務(wù)，需求點3,4由配送中心3服務(wù)。

2)種群初始化 初始種群作為遺傳算法迭代的起始，其能夠通過隨機方式或結(jié)合問題的特性產(chǎn)生，在此以隨機方式產(chǎn)生。

3)選擇操作 系統(tǒng)采用隨機選擇方法，從種群中選擇3個個體，然后將適應(yīng)度最佳的個體復(fù)制到新一代種群中，并在選擇過程中保留最佳個體，以此保證當(dāng)前種群適應(yīng)度最佳的個體總能在迭代中生存。適應(yīng)性函數(shù)直接采用目標(biāo)函數(shù)，也就是說目標(biāo)函數(shù)值越小的個體，其適應(yīng)度越佳。

圖2 交叉操作
Fig.2 Crossover operation

4)交叉操作 交叉操作作為遺傳算法產(chǎn)生新種群的重要步驟，常見的手段有單點交叉、兩點交叉和多點交叉等[21]?；诒締栴}的編碼特性，在此選用兩點交叉。隨機產(chǎn)生2個斷點位置，交換父代個體斷點之間的基因即得到新的子代個體，如圖2所示。

5)變異操作 變異操作能增加種群多樣性，避免算法過早收斂。隨機選擇一個個體，對該個體以一定的變異概率隨機改變其基因位上的值，來實現(xiàn)新個體的產(chǎn)生。

6)個體重置操作 通過比較子代個體與上一代個體的適應(yīng)度值，如果連續(xù)給定次數(shù)沒有改善個體質(zhì)量，則隨機產(chǎn)生新的個體對其進行替換。通過迭代操作，達到種群的尋優(yōu)目的。如果迭代次數(shù)超過指定的次數(shù)則停止操作，并將當(dāng)前種群最優(yōu)個體作為最終的解輸出到系統(tǒng)中；否則，繼續(xù)循環(huán)上述的選址、交叉和變異操作。

通過初步計算實驗，遺傳算法選用以下參數(shù)能夠獲得較好的性能：種群大小為100，交叉概率為0.8，變異概率為0.2，最大迭代次數(shù)為500，連續(xù)未改善次數(shù)為50。

3.2 系統(tǒng)開發(fā)設(shè)計

通過利用C#語言對選址優(yōu)化系統(tǒng)進行實現(xiàn)，使用WindowsForms開發(fā)窗口應(yīng)用。程序窗體分成地圖顯示和信息輸入2個部分。地圖部分使用百度地圖API顯示城區(qū)信息，可根據(jù)所顯示的情況在地圖上自由點選位置點作為物流基地、配送中心備選點及需求點。信息的輸入與顯示部分則在點選完成后輸入具體的參數(shù)信息。由于窗口顯示空間有限，將物流基地、配送中心備選點和需求點的信息分為3欄顯示和輸入?？紤]程序的適用程度，各點的參數(shù)都由使用人員自行輸入與修改。在完成所有信息的輸入后，利用ASP.NET向百度服務(wù)器發(fā)出請求，獲取各點之間的距離，建立距離矩陣。而后將所有數(shù)據(jù)導(dǎo)入遺傳算法進行尋優(yōu)。在達到迭代終止條件后輸出計算結(jié)果。

該選址系統(tǒng)與一般選址方法相比，增加了人機交互界面，將網(wǎng)絡(luò)訪問和選址優(yōu)化等進程進行了封裝，只需在程序窗體進行操作，降低了管理人員的使用難度；結(jié)合百度地圖更方便快捷的選點方式，使選點過程的速度加快，選點的可靠性提高；還可顯示各備選點的經(jīng)緯度。

4 算例及分析

選取成都市某地區(qū)為計算區(qū)域，在此區(qū)域上選取若干備選配送中心，配送中心備選點規(guī)模分別為5，10，標(biāo)記為算例1，2，其中算例1和算例2物流基地的供應(yīng)量等于所有需求點需求量之和，對于配送中心不限制其供應(yīng)規(guī)模。參數(shù)αi由式(9)求得：

(9)

表1為算例1與算例2的需求點對應(yīng)的需求量。表2給出了備選配送中心的關(guān)聯(lián)參數(shù)，如調(diào)整系數(shù)、占地面積參數(shù)、運費等。表3列出了選點后每個位置點的經(jīng)緯度坐標(biāo)，便于調(diào)用百度地圖獲取路徑距離。各類設(shè)施具體位置在地圖上的標(biāo)注如圖3所示，其中圓點表示物流基地，菱形表示配送中心備選點，三角形表示需求點。算例2只在表1中列出了各個需求點的需求量，與算例1不同之處僅僅是其物流基地數(shù)目比算例1多1處。算例2各個備選配送中心的地價取值如表4所示。圖4給出了算例2各類設(shè)施在地圖上的具體位置。

表1 需求點的需求量

表2 備選配送中心關(guān)聯(lián)參數(shù)

表3 各類設(shè)施對應(yīng)的地理位置坐標(biāo)

將上述參數(shù)輸入選址優(yōu)化系統(tǒng)進行求解，獲得了算例 1及算例2的結(jié)果。在算例1中，備選配送中心1，3，5不 被采納。配送中心2負責(zé)1，4，5的物流配送任務(wù)，配送中 心4則負責(zé)完成剩下所有需求點的物流配送任務(wù)。在此 情況下，總成本最低，為2 943 121．77元。在算例2中，所 有需求點的貨物都由5號配送中心提供，總成本為 106 724 751 978．02元。

2個算例結(jié)果的區(qū)別源于計算規(guī)模較小、隨機選點和 未規(guī)定配送中心的最大規(guī)模。在實際情況下，物流配送中 心由于各種因素會限制其最大規(guī)模，而在簡化模型中只考慮其物流量與滿足該物流量所需的建設(shè)成本，使得出現(xiàn)了單個配送中心滿足所有需求點的情況。當(dāng)算例的 規(guī)模較小，且只有一個物流基地時，若配送中心到需求點和物流基地到配送中心之間的運費差距不大，備選 點之間競爭不明顯。為了總成本最小，只選擇一個備選配送中心顯然優(yōu)于選擇兩個備選配送中心的，即算例 2中所出現(xiàn)的結(jié)果。若案例規(guī)模較大，且不止一個物流基地時，備選點的選擇由于運費差異較大就導(dǎo)致了選 擇的多樣化。

圖3 算例1各設(shè)施地理分布

Fig．3 Geographic distribution of the facilities for instance 1

圖4 算例2各設(shè)施地理分布

Fig．4 Geographic distribution of the facilities for instance 2

慮其物流量與滿足該物流量所需的建設(shè)成本，使得出現(xiàn)了單個配送中心滿足所有需求點的情況。當(dāng)算例的規(guī)模較小，且只有一個物流基地時，若配送中心到需求點和物流基地到配送中心之間的運費差距不大，備選點之間競爭不明顯。為了總成本最小，只選擇一個備選配送中心顯然優(yōu)于選擇兩個備選配送中心的，即算例2中所出現(xiàn)的結(jié)果。若案例規(guī)模較大，且不止一個物流基地時，備選點的選擇由于運費差異較大就導(dǎo)致了選擇的多樣化。

表4 算例2備選配送中心地價

由于系統(tǒng)需要調(diào)用百度地圖API獲取實際道路進行求解，因此求解時間上較直接采用直線距離求解耗時多。但該系統(tǒng)將優(yōu)化計算與實際車輛路徑信息結(jié)合，改進了現(xiàn)在大多數(shù)文獻研究中的距離假設(shè)。因此在選址規(guī)劃時能夠大大降低調(diào)研數(shù)據(jù)的工作量，在實際中更加簡易、適用。

5 結(jié) 語

本文基于實際情況，提出了城區(qū)物流配送中心選址模型，針對傳統(tǒng)研究中需提前確定備選點和需求點以及物流基地和備選點之間的距離矩陣的弊端，提出利用百度地圖獲取車輛路徑距離信息的方法。在融合遺傳算法的基礎(chǔ)上，利用C#開發(fā)了選址優(yōu)化系統(tǒng)。計算測試表明，采用在線地圖的API獲取距離矩陣能夠極大降低管理人員的工作量，并有效提高規(guī)劃精度。后期研究將考慮采用混合算法進一步改善優(yōu)化過程，以求獲得更好的優(yōu)化效果。此外，將更多的影響因素融入到系統(tǒng)中也是可以進一步探討的內(nèi)容。

/References:

[1] 何黎明. 中國物流年鑒：2014年中國物流運行情況分析[M]. 北京: 中國財務(wù)出版社, 2015.

[2] SAHIN G, SURAL H. A review of hierarchical facility location models[J]. Computers & Operations Research，2007, 34(8): 2310-2331.

[3] MELO M T, NICKEL S, SALDANHA D G F. Facility location and supply chain management：A review[J]. European Journal of Operational Research，2009, 196(2): 401-412.

[4] MAA J R, KADIPASAOGLU S N, KHUMAWALA B M. An empirical comparison of Tabu search, Simulated Annealing, and Genetic Algorithms for facilities location problems[J]. International Journal of Production Economics，2006, 103(2): 742-754.

[5] GRIFFIS S E, BELL J E, CLOSS D J. Metaheuristics in logistics and supply chain management[J]. Journal of Business Logistics， 2012, 33(2): 90-106.

[6] 李昌兵，杜茂康，曹慧英. 基于層次遺傳算法的物流配送中心選址策略[J]. 計算機應(yīng)用研究，2012, 29(1): 57-59. LI Changbing, DU Maokang, CAO Huiying. Location strategy of logistics distribution centers based on hierarchical genetic algorithm[J]. Application Research of Computers, 2012, 29(1):57-59.

[7] 王坤. 蟻群算法物流配送中心選址優(yōu)化仿真研究[J]. 計算機仿真，2012, 29(4): 251-254. WANG Kun. Location technology research of logistics distribution based on ant colony optimization algorithm[J]. Computer Simulation, 2012, 29(4):251-254.

[8] FERNANDES D R M, ROCHA C, ALOISE D, et al. A simple and effective genetic algorithm for the two-stage capacitated facility location problem[J]. Computers & Industrial Engineering，2014,75(1): 200-208.

[9] KLOSE A, GORTZ S. A branch-and-price algorithm for the capacitated facility location problem[J]. European Journal of Operational Research，2007, 179(3): 1109-1125.

[10]DUPONT L.Branch and bound algorithm for a facility location problem with concave site dependent costs[J]. International Journal of Production Economics，2008, 112(1): 245-254.

[11]YANG Z, CHU F, CHEN H. A cut-and-solve based algorithm for the single-source capacitated facility location problem[J]. European Journal of Operational Research， 2012, 221(3): 521-532.

[12]BERESNEV V. Branch-and-bound algorithm for a competitive facility location problem[J]. Computers & Operations Research，2013, 40(40): 2062-2070.

[13]李艷，謝能剛，王付宇，等. 物流配送中心多目標(biāo)優(yōu)化選址的仿真設(shè)計[J]. 計算機仿真，2012, 29(7): 234-237. LI Yan, XIE Nenggang, WANG Fuyu，et al. Simulation design of logistics distribution center multi-objective optimization location[J]. Computer Simulation，2012, 29(7): 234-237.

[14]肖俊華，侯云先. 帶容量限制約束的應(yīng)急設(shè)施雙目標(biāo)多級覆蓋選址模型及算法[J]. 計算機應(yīng)用研究，2015, 32(12): 3618-3621. XIAO Junhua, HOU Yunxian. Capacitated bi-objective emergency facility location model and algorithm considering multi-level gradual coverage[J]. Application Research of Computers, 2015, 32(12): 3618-3621.

[15]吳兵，羅榮桂，彭偉華. 基于遺傳算法的物流配送中心選址研究[J]. 武漢理工大學(xué)學(xué)報(信息與管理工程版)，2006, 28(2): 89-91. WU Bing, LUO Ronggui, PENG Weihua. Choice of logistics distribution center based on genetic algorithm[J]. Journal of Wuhan University of Technology(Information & Management Engineering), 2006, 28(2): 89-91.

[16]趙冬玲，孔志周，官東. 基于改進遺傳算法的物流配送中心選址研究[J]. 統(tǒng)計與決策，2008(11): 153-155.

[17]李紹斌，楊西龍，李耀庭，等. 基于遺傳算法的多軍事物流配送中心選址決策[J]. 物流技術(shù)，2015, 34(21): 213-215. LI Shaobin, YANG Xilong, LI Yaoting et al. Study on decision-making concerning location allocation of multiple military logistics distribution centers based on genetic algorithm[J]. Logistics Technology, 2015, 34(21): 213-215.

[18]林娜，李志. 基于GIS和遺傳算法的物流配送中心選址研究[J]. 遙感信息，2010(5): 110-114. LIN Na, LI Zhi. Study on location selection of logistics distribution center based on GIS and genetic algorithm[J]. Remote Sensing Information, 2010(5): 110-114.

[19]馮耕中，李毅學(xué)，華國偉. 物流配送中心規(guī)劃與設(shè)計[M]. 西安: 西安交通大學(xué)出版社, 2011.

[20]席裕庚，柴天佑，惲為民. 遺傳算法綜述[J]. 控制理論與應(yīng)用，1996, 13(6): 697-708. XI Yugeng, CHAI Tianyou, YUN Weimin. Survey on genetic algorithm[J]. Control Theory and Applications, 1996, 13(6): 697-708.

[21]CAUTY R. Genetic algorithms and engineering optimization[J]. Wiley,1997,43(4):379-381.

Design and implementation of urban logistics distributioncenter location optimization system

GUOPeng1,ZHOUYang1,ZHOUFeng1,HULiman1,MAChenhao2

(1.SchoolofMechanicalEngineering,SouthwestJiaotongUniversity,Chengdu,Sichuan610031,China; 2.SchoolofEconomicsandManagement,SouthwestJiaotongUniversity,Chengdu,Sichuan610031,China)

Inordertoimprovetheefficiencyofurbanlogisticsdistributioncenterlocationselection,andtoovercometheshortcomingsofthetraditionalmethodbasedonhumanaidedcalculation,theonlinemapisusedtoobtainthepathdistanceinformation.Consideringthepracticalconstructionandoperationsituationofthelogisticsdistributioncenter,thecostrelatedimpactfactorsaredeterminedandthelocationoptimizationframeisdescribed.Thenthemathematicalformulationisproposedforminimizingthetotalcost,andthegeneticalgorithmbasedonintegercodeisdesignedtosolvetheproblemunderconsideration.ThecorrespondingsystemisimplementedbyC#language.Thesystemistestedbasedonthepracticaldata,andthecomputationalresultsdemonstratethattheproposedsystemcanautomaticallyobtainthedistanceinformationbetweenvariousnodesandperformthelocationoptimization.Finallytheoptimalfeasiblelocationschemeisdeliveredbytheproposedsystem.

logisticssystemsmanagement；logisticsdistributioncenter;locationoptimization;geneticalgorithm;onlinemap

1008-1542(2017)01-0019-07

10.7535/hbkd.2016yx06006

2016-04-17；

2016-06-28；責(zé)任編輯：張 軍

國家自然科學(xué)基金(51405403)；西南交通大學(xué)大學(xué)生科研訓(xùn)練計劃項目(150208)

郭 鵬(1988—)，男，四川南充人，講師，博士，主要從事物流運作管理、設(shè)施選址優(yōu)化方面的研究。

E-mail:pengguo318@gmail.com

TP

A

郭 鵬，周 洋，周 峰，等.城區(qū)物流配送中心選址優(yōu)化系統(tǒng)設(shè)計與實現(xiàn)[J].河北科技大學(xué)學(xué)報,2017,38(1):19-25.GUOPeng，ZHOUYang，ZHOUFeng，etal.Designandimplementationofurbanlogisticsdistributioncenterlocationoptimizationsystem[J].JournalofHebeiUniversityofScienceandTechnology,2017,38(1):19-25.