考慮時(shí)空擁堵和時(shí)間窗的多配送中心路徑優(yōu)化

陳沿伊，侯華保

(武漢理工大學(xué) 交通學(xué)院，武漢 430070)

0 引 言

由于生鮮產(chǎn)品的易腐性特征，生鮮配送過(guò)程中，客戶滿意度不僅受客戶預(yù)約時(shí)間的影響，還受生鮮產(chǎn)品保鮮期長(zhǎng)短及配送時(shí)間等因素的影響。當(dāng)前關(guān)于生鮮配送的研究主要考慮商品保鮮期，綜合考慮多種不確定因素的研究較少。

梁承姬等[1]為提高生鮮配送的時(shí)效性，考慮待配送客戶時(shí)間窗，以實(shí)現(xiàn)配送過(guò)程中成本最小且客戶滿意度最大；王恒等[2]研究生鮮配送時(shí)間不確定情況下配送時(shí)效性的問(wèn)題，考慮客戶時(shí)間窗及道路實(shí)際特征，建立了生鮮配送路徑優(yōu)化模型；李暢等[3]研究生鮮配送的時(shí)效性問(wèn)題時(shí)，考慮生鮮產(chǎn)品易腐性，建立以商品新鮮度最大和配送成本最低的多目標(biāo)生鮮配送路徑優(yōu)化模型；吳欣[4]、張濟(jì)風(fēng)等[5]在研究配送時(shí)間不確定背景下的生鮮配送問(wèn)題時(shí)，考慮配送過(guò)程中配送速度的時(shí)變性；康凱等[6]以碳排放最低為目標(biāo)，研究了考慮客戶時(shí)間窗的冷鏈配送問(wèn)題，建立了考慮碳排放的生鮮配送模型。但是，上述研究主要研究配送時(shí)效性或配送時(shí)間的不確定性，綜合考慮二者的研究較少，且生鮮配送的時(shí)效性影響因素較多。當(dāng)前關(guān)于生鮮配送時(shí)效性的研究，影響因素考慮得不全面，且當(dāng)前研究多配送中心下的生鮮配送問(wèn)題較少，不符合當(dāng)下生鮮配送多配送中心化的趨勢(shì)。

關(guān)于路徑優(yōu)化的求解方法，張建勇等[7]結(jié)合聚類思想與遺傳算法，提出混合遺傳算法，解決帶模糊時(shí)間窗的多對(duì)多車輛路徑問(wèn)題；S.HUBER等[8]采用變鄰域搜索的方式解決路徑優(yōu)化問(wèn)題；胡蓉等[9]設(shè)置多種鄰域操作及局部?jī)?yōu)化模型，嵌入蟻群算法，解決考慮速度空間特征的車輛路徑問(wèn)題；邵倩[10]將遺傳算法引入非支配算子，求解考慮速度空間特征帶模糊時(shí)間窗的物流配送問(wèn)題；S.IQBAL等[11]利用人工蜂群算法，結(jié)合局部鄰域搜索優(yōu)化，解決帶軟時(shí)間窗的車輛路徑問(wèn)題；B.D.SONG等[12]提出基于優(yōu)先級(jí)的啟發(fā)式(PBH)算法進(jìn)行求解單目標(biāo)車輛路徑問(wèn)題；范厚明等[13]基于擂臺(tái)賽法構(gòu)造非支配解，將局部?jī)?yōu)化算子引入遺傳算法，解決多目標(biāo)車輛路徑問(wèn)題；周鮮成等[14]在蟻群算法中設(shè)計(jì)確定性和隨機(jī)性結(jié)合的轉(zhuǎn)移策略；趙志學(xué)等[15]結(jié)合模型特點(diǎn)，在蟻群算法中引入約束算子，緩解了復(fù)雜問(wèn)題易陷入局部最優(yōu)的問(wèn)題；張得志等[16]采用遺傳算法解決考慮速度時(shí)變特征的路徑優(yōu)化問(wèn)題；M.ALZAQEBAH等[17]采用改進(jìn)人工蜂群算法解決帶時(shí)間窗的車輛路徑問(wèn)題。

綜上所述，當(dāng)前關(guān)于生鮮配送的研究主要以單配送中心為主，考慮多配送中心的研究較少，不能適應(yīng)當(dāng)前生鮮電商配送多配送中心化的發(fā)展趨勢(shì)。另外，當(dāng)前研究綜合考慮時(shí)間窗、保鮮期、路網(wǎng)擁堵特征的研究較少，研究結(jié)果不能完全反映配送的實(shí)際情況。鑒于此，筆者建立綜合考慮客戶時(shí)間窗、商品保鮮期和路網(wǎng)擁堵特征的多配送中心生鮮路徑優(yōu)化模型。因模型的復(fù)雜性較高，筆者在傳統(tǒng)蟻群-遺傳算法的基礎(chǔ)上，采用兩邊逐次修正算法對(duì)初始種群進(jìn)行局部?jī)?yōu)化，對(duì)種群適應(yīng)度值降序排列后，選擇前30%作為精英個(gè)體，利用蟻群-遺傳算法進(jìn)行迭代優(yōu)化，并對(duì)算法參數(shù)進(jìn)行正交試驗(yàn)設(shè)計(jì)，優(yōu)化算法參數(shù)?；谏鲜霾僮?，可以有效改善算法搜索空間及求解質(zhì)量。最后以多種分布特征的Solomon算例和筆者提出的算法為基礎(chǔ)，將該模型與不考慮商品保鮮期和不考慮客戶時(shí)間窗的模型計(jì)算結(jié)果進(jìn)行對(duì)比，以驗(yàn)證該模型可以在配送時(shí)間不確定情況下有效提升配送的時(shí)效性，并將筆者提出的算法與傳統(tǒng)算法進(jìn)行對(duì)比，驗(yàn)證算法有效性。

1 模型描述

1.1 模型描述

某生鮮企業(yè)在該區(qū)域有多個(gè)配送中心，每個(gè)配送中心存在多種車型?，F(xiàn)需要對(duì)該區(qū)域的客戶訂單進(jìn)行配送，需盡量滿足客戶預(yù)約時(shí)間要求且維持商品新鮮度，以保證客戶滿意度?？紤]到車輛行駛速度受高峰小時(shí)及所處位置的影響和客戶滿意度受客戶時(shí)間窗及商品保鮮期的影響，筆者提出速度時(shí)空擁堵函數(shù)和綜合模糊時(shí)間窗，建立時(shí)空擁堵下考慮客戶時(shí)間窗和商品保鮮期的多車場(chǎng)多車型生鮮配送路徑優(yōu)化模型。

1.2 模型參數(shù)與假設(shè)

1.2.1 模型參數(shù)

1.2.2 模型假設(shè)

模型假設(shè)如下：①該區(qū)域有多個(gè)配送中心，每個(gè)配送中心有多種車型，車輛數(shù)足夠；②每個(gè)客戶僅被一輛車一次服務(wù)；③車輛行駛速度受時(shí)間和空間的影響；④每輛車服務(wù)結(jié)束后返回原車場(chǎng)；⑤車輛晚于商品保鮮期到達(dá)，客戶滿意度為0；⑥配送速度不能超過(guò)最大允許速度。

1.3 模型建立

1.3.1 客戶滿意度函數(shù)

1)客戶模糊時(shí)間窗

基于客戶模糊時(shí)間窗，貨物在時(shí)間區(qū)間[Li,Ui]內(nèi)送達(dá)，客戶滿意度為1；在[li,ui]區(qū)間外到達(dá)客戶滿意度為0，其他區(qū)間客戶滿意度處于遞增或遞減狀態(tài)，具體見(jiàn)圖1。

圖1 客戶滿意度函數(shù)

2)商品保鮮期

假設(shè)在商品保鮮期前送達(dá)客戶滿意度為1，超過(guò)商品保鮮期，客戶滿意度為0，詳見(jiàn)圖2。

圖2 商品保鮮期

3)綜合模糊時(shí)間窗下客戶滿意度函數(shù)

綜合考慮客戶時(shí)間窗和商品保鮮期，取客戶時(shí)間窗和商品保鮮期交集，以反映客戶時(shí)間窗和商品保鮮期共同作用下的客戶滿意度隨時(shí)間的變化情況。假設(shè)當(dāng)商品超過(guò)保鮮期送達(dá)時(shí)，客戶滿意度為0，當(dāng)在客戶時(shí)間窗和商品保鮮期之間送達(dá)，滿意度變化服從客戶時(shí)間窗下的滿意度對(duì)應(yīng)法則。綜上所述，建立綜合模糊時(shí)間窗下的客戶滿意度函數(shù)，見(jiàn)圖3。圖3(a)～圖3(d)滿意度關(guān)系式分別對(duì)應(yīng)式(1)～式(4)。

圖3 綜合模糊時(shí)間窗下客戶滿意度函數(shù)

(1)

(2)

(3)

(4)

1.3.2 速度時(shí)空函數(shù)

1)速度時(shí)間擁堵系數(shù)

速度時(shí)間擁堵系數(shù)反映了不同時(shí)刻的路網(wǎng)擁堵特征。高峰小時(shí)附近，路網(wǎng)較為擁堵；其他時(shí)間，路網(wǎng)交通流較少，擁堵程度降低，見(jiàn)式(5)：

(5)

2)速度空間擁堵系數(shù)

配送速度受空間因素制約。郊區(qū)配送速度高于市區(qū)配送速度；距離區(qū)域中心越遠(yuǎn)配送速度越大?？臻g擁堵系數(shù)計(jì)算方法見(jiàn)式(6)：

(6)

3)速度時(shí)空函數(shù)

綜合考慮速度的時(shí)間和空間因素及道路最大限度vmax、道路最低時(shí)速vmin等因素，建立速度時(shí)空演變函數(shù)，見(jiàn)式(7)：

(7)

1.3.3 目標(biāo)函數(shù)去量綱處理

1)車輛使用數(shù)、配送距離、客戶平均滿意度處理分別如式(8)～式(10)：

(8)

(9)

(10)

2)多目標(biāo)加權(quán)處理

筆者采用加權(quán)法將多目標(biāo)轉(zhuǎn)化為單目標(biāo)，權(quán)重由專家打分確定，各個(gè)目標(biāo)通過(guò)去量綱化，消除單位對(duì)加權(quán)后目標(biāo)值的影響。去量綱化方法見(jiàn)式(11)～式(14)：

(11)

式中：maxf1、minf1分別表示當(dāng)次迭代中種群最多和最少車輛使用數(shù)。

(12)

將客戶平均滿意度與1做差，使得各目標(biāo)協(xié)同，max(1-f3)、min(1-f3)分別表示做差后的當(dāng)次迭代種群內(nèi)的極值。

(13)

經(jīng)過(guò)專家打分，確定車輛使用數(shù)、配送里程、客戶平均滿意度的權(quán)重分別為0.22、0.47，0.31，對(duì)各個(gè)子目標(biāo)加權(quán)處理得到總體目標(biāo)值：

(14)

1.3.4 模型與約束

模型與約束見(jiàn)式(15)～式(25)：

(15)

(16)

(17)

(18)

(19)

(20)

?k∈HP,?S∈J)

(21)

?j∈V)

(22)

(23)

(24)

(25)

其中，式(15)表示加權(quán)后的目標(biāo)值；式(16)表示每個(gè)客戶由且僅由一輛車務(wù)；式(17)表示車輛服務(wù)完一個(gè)客戶后會(huì)返回車場(chǎng)或前往下一個(gè)客戶；式(18)表示車輛行駛距離不應(yīng)超過(guò)其規(guī)定最大行程；式(19)表示任何從車場(chǎng)出發(fā)的車輛最終返原車場(chǎng)；式(20)表示任意一輛車的載重不可超過(guò)其額定載重；式(21)表示任意一輛車的服務(wù)客戶集合不出現(xiàn)閉環(huán)；式(22)表示兩個(gè)決策變量之間的關(guān)系；式(23)表示車場(chǎng)之間不允許通車；式(24)和式(25)為決策變量取值約束。

2 模型求解

2.1 求解思路

首先，利用擴(kuò)展啟發(fā)式算法產(chǎn)生初始可行解，在傳統(tǒng)蟻群遺傳算法的基礎(chǔ)上，引入兩邊逐次修正算法對(duì)精英群體進(jìn)行局部?jī)?yōu)化。然后，利用定點(diǎn)交叉算法對(duì)精英種群進(jìn)行交叉變異，使之達(dá)到初始種群規(guī)模。最后，利用正交試驗(yàn)設(shè)計(jì)思想，對(duì)算法參數(shù)進(jìn)行優(yōu)化，以最大迭代次數(shù)作為算法終止條件。對(duì)模型進(jìn)行求解算法流程見(jiàn)圖4。

圖4 算法流程

2.2 算法初始化

2.2.1 編碼與解碼

1)編碼

筆者采用十進(jìn)制編碼，根據(jù)車輛和車輛服務(wù)的顧客順序進(jìn)行多段編碼。車輛采用三位數(shù)編碼，百位數(shù)用于防止與客戶編號(hào)重復(fù)，十位數(shù)表示車場(chǎng)編號(hào)。個(gè)位數(shù)表示車型編號(hào)，如112表示第一個(gè)車場(chǎng)第二個(gè)車型?？蛻艟幋a采用十進(jìn)制編碼，編號(hào)表示客戶編號(hào)，見(jiàn)圖5。

圖5 路徑編碼

2)解碼

根據(jù)編碼順序，結(jié)合車輛、客戶數(shù)據(jù)信息，計(jì)算該路徑長(zhǎng)度、客戶滿意度、使用車輛數(shù)，進(jìn)而計(jì)算該路徑的加權(quán)目標(biāo)值。

2.2.2 初始可行解

Step 1隨機(jī)選擇服務(wù)客戶的車輛，轉(zhuǎn)Step 2。

Step 2當(dāng)客戶集不為空集的時(shí)候，計(jì)算各個(gè)未訪問(wèn)客戶的狀態(tài)轉(zhuǎn)移概率。采用輪盤(pán)賭法選擇待服務(wù)客戶，轉(zhuǎn)Step 3；否則，轉(zhuǎn)Step 4。

Step 3判斷該車輛里程是否能夠返回車場(chǎng)及容量是否有剩余，如果可以，轉(zhuǎn)Step 2；否則，轉(zhuǎn)Step 1。

Step 4輸出路徑，計(jì)算顧客平均滿意度、車輛數(shù)、路徑長(zhǎng)度，計(jì)算整體目標(biāo)值。

2.3 改進(jìn)蟻群-遺傳算法

Step 1設(shè)置算法初始參數(shù)，導(dǎo)入客戶、車場(chǎng)數(shù)據(jù)，基于啟發(fā)式算法產(chǎn)生初始可行解，詳見(jiàn)2.2.2節(jié)，轉(zhuǎn)Step 2。

Step 2求解本代可行解目標(biāo)值，若NC>2，則R(1)=R_best(NC-1)，其中，R_best(NC-1)為NC-1代最優(yōu)解；否則，轉(zhuǎn)Step 3。

Step 3記錄本次迭代最優(yōu)解，更新信息素，清空禁忌表，轉(zhuǎn)Step 4。

Step 4對(duì)該代個(gè)體目標(biāo)值進(jìn)行降序排列，選擇前10%作為精英個(gè)體，轉(zhuǎn)Step 5。

Step 5基于輪盤(pán)賭法隨機(jī)選擇精英個(gè)體，利用兩邊逐次修正算法進(jìn)行改良，見(jiàn)2.4.1節(jié)，轉(zhuǎn)Step 6。

Step 6把改良個(gè)體加入精英種群，判斷種群是否達(dá)到初始種群規(guī)模，是則轉(zhuǎn)Step 7；否則轉(zhuǎn)Step 5。

Step 7基于輪盤(pán)賭法判斷個(gè)體是否需要交叉變異，是則基于定點(diǎn)交叉算法對(duì)個(gè)體進(jìn)行交叉變異，詳見(jiàn)2.4.2節(jié)，轉(zhuǎn)Step 8。

Step 8基于輪盤(pán)賭法，選擇正交試驗(yàn)參數(shù)，詳見(jiàn)2.4.3節(jié)，對(duì)交叉變異后的精英種群目標(biāo)值進(jìn)行計(jì)算，求其平均值，轉(zhuǎn)Step 9。

Step 9判斷種群平均水平是否得到改善，是則轉(zhuǎn)Step 10；否則轉(zhuǎn)Step 8。

Step 10記錄當(dāng)代種群最優(yōu)解，判斷是否滿足迭代終止條件，是則轉(zhuǎn)Step 11；否則轉(zhuǎn)Step 2。

Step 11輸出最優(yōu)解。

2.4 局部?jī)?yōu)化算法

2.4.1 兩邊逐次修正算法

Step 1輸入需要改良的路徑R。

Step 2按服務(wù)順序選擇潛在改良點(diǎn)，翻轉(zhuǎn)改良點(diǎn)之間路徑，即R(i+1:j)=R(j:-1:I,i+1)。記新路徑為R1，判斷改良點(diǎn)是否均被遍歷，是則轉(zhuǎn)Step 7；否則轉(zhuǎn)Step 3。

Step 3判斷改良點(diǎn)i與j或改良點(diǎn)i+1和j+1是否皆為車輛，是則令i=i+1，轉(zhuǎn)Step 2；否則轉(zhuǎn)Step 4。

Step 4計(jì)算R1各車輛行程和荷載，轉(zhuǎn)Step 5。

Step 5判斷路徑R1中行程或荷載是否存在超出額定值的車輛，若存在，令i=i+1，轉(zhuǎn)Step 2；否則轉(zhuǎn)Step 6。

Step 6計(jì)算R、R1路徑長(zhǎng)度、客戶平均滿意度，分別記為len、len1、S、S1；若len>len1且S

Step 7輸出改良的個(gè)體R1。

2.4.2 定點(diǎn)交叉算法

路徑R1經(jīng)過(guò)多點(diǎn)、不定點(diǎn)交叉或不定點(diǎn)變異后，易產(chǎn)生未服務(wù)客戶或里程、容量超過(guò)額定值的車輛。筆者提出定點(diǎn)交叉算法，使得路徑交叉、變異后仍為可行解，步驟如下：

Step 1從種群中隨機(jī)選擇兩個(gè)個(gè)體，記為R1、R2，轉(zhuǎn)Step 2。

Step 2從R1、R2中隨機(jī)選擇兩個(gè)基因，分別記為a、b，轉(zhuǎn)Step 3。

Step 3利用find(a=R2(1,:))、find(b=R1(1,:))函數(shù)，分別找到a在R2中的位置、b在R1中的位置，分別用p1、p2記錄基因在路徑中的位置，轉(zhuǎn)Step 4。

Step 4算法隨機(jī)把p1、p2位置的基因?qū)?yīng)調(diào)換在R1、R2其他位置(非首位)，產(chǎn)生的新路徑分別記為R_new1、R_new2，轉(zhuǎn)Step 5。

Step 5計(jì)算R_new1、R_new2各個(gè)車輛的里程及荷載，轉(zhuǎn)Step 6。

Step 6判斷R_new1或R_new2中是否存在超出額定荷載和最大行程的車輛，若存在，轉(zhuǎn)Step 4；否則，轉(zhuǎn)Step 7。

Step 7輸出R_new1、R_new2。

2.4.3 正交參數(shù)設(shè)計(jì)

對(duì)改良蟻群-遺傳混合算法的5個(gè)關(guān)鍵參數(shù)設(shè)計(jì)L25(56)正交表，每組參數(shù)的初始績(jī)效值Ni=1，各組參數(shù)的選擇概率由式(21)確定：

(21)

Step 1利用輪盤(pán)賭法選擇一組參數(shù)應(yīng)用于當(dāng)次迭代，轉(zhuǎn)Step 2。

Step 2判斷種群平均水平是否得到改善，且該組參數(shù)的績(jī)效值增加1，是則轉(zhuǎn)Step 3；否則轉(zhuǎn)Step 1。

Step 3記錄當(dāng)前最優(yōu)參數(shù)組合及種群最優(yōu)解。

3 算例分析

3.1 算例描述

某生鮮企業(yè)在該區(qū)域有5個(gè)配送中心，每個(gè)中心有多種車型，對(duì)該區(qū)域25個(gè)客戶進(jìn)行配送。每個(gè)客戶存在一個(gè)模糊預(yù)約時(shí)間，客戶所定商品具有一定的保鮮期。配送速度受時(shí)間和空間的影響，但不能超過(guò)最大限速。求得合適的客戶服務(wù)順序，使得總目標(biāo)值最低。

3.2 算例說(shuō)明

3.2.1車場(chǎng)車型數(shù)據(jù)

調(diào)整Solomon標(biāo)準(zhǔn)算例R101、R201、C101、C201、RC101、RC201，刪除算例中車場(chǎng)，額外增加5個(gè)車場(chǎng)。每個(gè)車場(chǎng)存在多種車型，車場(chǎng)車型數(shù)據(jù)見(jiàn)表1、表2。

表1 車場(chǎng)信息

表2 車型信息

3.2.2 客戶位置、時(shí)間窗數(shù)據(jù)

在Solomon算例中客戶時(shí)間窗基礎(chǔ)上，向兩側(cè)隨機(jī)擴(kuò)展成模糊時(shí)間窗，并隨機(jī)生成商品最后交貨期。取交集形成綜合模糊時(shí)間窗，用x、y表示坐標(biāo)，C表示客戶需求，l、L、U、u分別表示客戶模糊時(shí)間窗上下限，ts表示客戶服務(wù)時(shí)間，G表示商品保鮮期。部分客戶數(shù)據(jù)見(jiàn)表3。

表3 客戶數(shù)據(jù)信息

3.2.3 速度時(shí)空參數(shù)

設(shè)ρ=2,α=0.5,β=0.5，tm取各算例車場(chǎng)運(yùn)營(yíng)時(shí)間中點(diǎn)，dr0為距離車場(chǎng)中心距離最遠(yuǎn)的客戶到車場(chǎng)中心的距離。

3.2.4 正交試驗(yàn)參數(shù)

選擇6個(gè)參數(shù)，參數(shù)水平見(jiàn)表4。設(shè)計(jì)L25(56)正交表，部分見(jiàn)表5。其中，M、δ、μ、ε、Pc、Pm分別表示螞蟻數(shù)、信息素啟發(fā)式因子、期望啟發(fā)因子、信息素蒸發(fā)因子、交叉率、變異率。

表4 正交試驗(yàn)參數(shù)水平

表5 正交試驗(yàn)表

3.2.5 算法運(yùn)行環(huán)境

算法運(yùn)行環(huán)境為CPU2.20 GHz,內(nèi)存為4.00 GB,操作系統(tǒng)為64位Windows10,編程語(yǔ)言采用MATLAB R2016a。

3.3 不同模型相同算法比較結(jié)果

表6 不同模型計(jì)算結(jié)果對(duì)比

設(shè)其他條件不變，對(duì)不同類型的時(shí)間窗展開(kāi)討論，可見(jiàn)對(duì)不同分布特征下的客戶，不同類型時(shí)間窗車輛配送距離和車輛使用數(shù)量差別不大，IFTW模型相比FTW和GTW模型的客戶平均滿意度較高。

因此，綜合考慮路網(wǎng)擁堵特征、客戶時(shí)間窗、商品保鮮期的生鮮配送模型可以有效平衡配送時(shí)效性和配送時(shí)間窗不確定性的矛盾。

3.4 相同模型不同算法比較結(jié)果

為測(cè)試結(jié)合蟻群算法、遺傳算法、兩邊逐次修正算法提出的改進(jìn)蟻群-遺傳算法的有效性。將改進(jìn)算法的各部分分別對(duì)不同分布特征的客戶群進(jìn)行求解，并與改進(jìn)算法求解結(jié)果進(jìn)行對(duì)比。即用改進(jìn)蟻群-遺傳算法(IACGHA)中的蟻群算法(ACO)模塊、嵌入兩邊逐次修正算法的改進(jìn)遺傳算法(IGA)模塊、去除兩邊逐次修正算法的遺傳算法(GA)模塊分別對(duì)不同分布特征的客戶群進(jìn)行求解，將求解結(jié)果分別與改進(jìn)蟻群-遺傳算法(ACO-GA)的求解結(jié)果進(jìn)行對(duì)比，以檢驗(yàn)ACO-GA算法的求解能力，對(duì)比結(jié)果見(jiàn)表7。ACO算法的螞蟻數(shù)M=50，信息素啟發(fā)因子β=2.5，期望啟發(fā)因子μ=4.5，信息素會(huì)發(fā)因子ε=0.4，信息素強(qiáng)度Q=100。GA和IGA除嵌入兩邊逐次修正算法的差異外，其他參數(shù)相同。其中，種群規(guī)模NP=100,交叉率Pc=0.7，變異率Pm=0.006，算法迭代次數(shù)G=500。

表7 不同算法改進(jìn)百分比對(duì)比

由表7可知，雖然針對(duì)部分?jǐn)?shù)據(jù)，改進(jìn)蟻群-遺傳算法計(jì)算結(jié)果不如傳統(tǒng)算法，但整體上ACO-GA算法計(jì)算能力優(yōu)于傳統(tǒng)算法，平均優(yōu)化5%以上。由此可見(jiàn)，改進(jìn)蟻群-遺傳算法相比于傳統(tǒng)算法，計(jì)算能力更強(qiáng)，優(yōu)化效果更好。然而因算法中嵌套正交試驗(yàn)設(shè)計(jì)等局部?jī)?yōu)化模塊，使得算法以最大迭代次數(shù)作為迭代終止條件時(shí)，計(jì)算時(shí)間較長(zhǎng)。

4 結(jié) 語(yǔ)

為解決生鮮配送時(shí)效性和配送時(shí)間不確定的矛盾及應(yīng)對(duì)生鮮配送多配送中心化的趨勢(shì)，筆者綜合考慮客戶時(shí)間窗、商品保鮮期、配送速度的時(shí)空特點(diǎn)，建立起綜合模糊時(shí)間窗和速度的時(shí)空函數(shù)，以反映生鮮配送過(guò)程中的時(shí)間不確定性；建立多車場(chǎng)多車型生鮮配送路徑優(yōu)化模型，以反映生鮮配送多配送中心化的特點(diǎn)。采用不同類型的Solomon算例反映不同分布情況的客戶特點(diǎn)?？紤]到在時(shí)變路網(wǎng)下考慮時(shí)間窗的多車場(chǎng)多車型車輛路徑優(yōu)化模型較為復(fù)雜，提出在傳統(tǒng)蟻群-遺傳算法的基礎(chǔ)上，嵌入兩邊逐次修正算法、正交實(shí)驗(yàn)設(shè)計(jì)等局部?jī)?yōu)化模塊的改進(jìn)蟻群-遺傳算法，對(duì)該問(wèn)題進(jìn)行求解。

結(jié)果表明，考慮多配送中心的綜合模糊時(shí)間窗和速度時(shí)空演變函數(shù)的生鮮配送模型更符合實(shí)際，可有效緩解配送時(shí)效性和配送時(shí)間不確定性之間的矛盾，且改進(jìn)蟻群-遺傳算法相對(duì)傳統(tǒng)算法求解效率更高。文中模型和算法可為生鮮配送企業(yè)制定調(diào)度計(jì)劃提供參考。