時(shí)變路網(wǎng)下電動(dòng)汽車?yán)滏溑渌吐窂揭?guī)劃研究

溫 廷 新， 李 可 昕， 趙 琳 琳， 栗 業(yè)， 周 甜， 何 燕

( 1.遼寧工程技術(shù)大學(xué) 工商管理學(xué)院， 遼寧 葫蘆島 125105；2.山東工商學(xué)院 管理科學(xué)與工程學(xué)院， 山東 煙臺(tái) 264005 )

0 引 言

隨著工業(yè)的迅猛發(fā)展，全球氣候問(wèn)題日益突出，能源轉(zhuǎn)型戰(zhàn)略深入，低碳、節(jié)能、環(huán)保等方面問(wèn)題引起廣泛關(guān)注．2021年中國(guó)提出構(gòu)建以新能源為主體的新型電力系統(tǒng)．采用電動(dòng)汽車進(jìn)行物流配送，成為未來(lái)物流發(fā)展的方向和趨勢(shì)．電動(dòng)汽車低能耗、低噪聲，但是因充電時(shí)間長(zhǎng)及當(dāng)前充電站短缺，而受到極大約束，如何對(duì)電動(dòng)汽車進(jìn)行合理調(diào)派成為熱議問(wèn)題[1-2]．

已有眾多國(guó)內(nèi)外學(xué)者對(duì)物流配送過(guò)程中碳排放的產(chǎn)生展開(kāi)研究．韓颯[3]根據(jù)車聯(lián)網(wǎng)技術(shù)，提出了一種道路交叉口環(huán)保駕駛汽車路徑優(yōu)化控制模型．唐金環(huán)等[4]針對(duì)考慮顧客有限“碳行為”偏好的選址-路徑-庫(kù)存聯(lián)合優(yōu)化問(wèn)題，引入環(huán)保度系數(shù)作為碳排放量的特征向量，構(gòu)建了選址-路徑-庫(kù)存系統(tǒng)中考慮有“碳行為”偏好的聯(lián)合優(yōu)化模型．戢守峰等[5]根據(jù)道路類型和行駛狀態(tài)的不同，將限速和擁堵因素嵌入模型的構(gòu)建．Guo等[6]考慮到車輛的負(fù)載和驅(qū)動(dòng)距離，建造了相應(yīng)的碳排放模型并將其設(shè)為優(yōu)化目標(biāo)．魯建廈等[7]為提高子母穿梭車密集倉(cāng)儲(chǔ)系統(tǒng)運(yùn)作效率，對(duì)系統(tǒng)的復(fù)合作業(yè)三維路徑規(guī)劃問(wèn)題進(jìn)行了研究．

近年來(lái)，電動(dòng)汽車的應(yīng)用使碳排放過(guò)高的問(wèn)題得到部分解決．電動(dòng)汽車的合理調(diào)派問(wèn)題已經(jīng)成為諸多學(xué)者正向熱議的話題．郭戈等[8]分析電動(dòng)汽車的發(fā)展現(xiàn)狀，并從充電優(yōu)化、路徑優(yōu)化及車隊(duì)配置優(yōu)化等角度進(jìn)行了車輛路徑優(yōu)化．鄧友均等[9]為提高電動(dòng)汽車的配送效率，避免大規(guī)模無(wú)序充電的影響，借助群感知技術(shù)，提出了基于實(shí)時(shí)交通信息感知的充電站充電服務(wù)費(fèi)計(jì)價(jià)模型和基于排隊(duì)論的充電排隊(duì)等候時(shí)間估算模型．為進(jìn)一步求解模型，多數(shù)學(xué)者采用了智能優(yōu)化算法，如結(jié)合分散搜索和改進(jìn)蟻群算法的混合啟發(fā)式算法[10]、禁忌搜索-改進(jìn)Clarke-Wright節(jié)省的兩階段啟發(fā)式算法[11]、基于細(xì)菌趨化的改進(jìn)粒子群算法[12]、多階段啟發(fā)式算法MCWIGALNS[13]、自適應(yīng)改進(jìn)的蟻群算法[14]、變鄰域搜索算法[15]、改進(jìn)的粒子群算法[16]等．

綜合上述研究，大多數(shù)學(xué)者對(duì)電動(dòng)汽車配送網(wǎng)絡(luò)中設(shè)施選址與配送路徑優(yōu)化方面的問(wèn)題展開(kāi)研究，但是罕見(jiàn)學(xué)者考慮充電過(guò)程成本和不同溫層貨損的電動(dòng)汽車多溫共配路徑優(yōu)化問(wèn)題．鑒于此，本文在滿足生鮮品的新鮮程度、車輛限載及電動(dòng)汽車電量限制等約束條件下，將電動(dòng)汽車充電所產(chǎn)生電費(fèi)及充電時(shí)生鮮品貨損成本納入目標(biāo)函數(shù)，構(gòu)建以帶軟時(shí)間窗的路徑優(yōu)化模型為基礎(chǔ)的電動(dòng)汽車多溫共配路徑優(yōu)化模型，引入K-means聚類，并采用免疫遺傳算法對(duì)同一聚類單元進(jìn)行優(yōu)化．

1 生鮮品運(yùn)輸路徑優(yōu)化模型建立

1.1 問(wèn)題描述

本文所研究的問(wèn)題具體可以描述為某生鮮企業(yè)采用電動(dòng)汽車進(jìn)行配送的問(wèn)題．電動(dòng)汽車與傳統(tǒng)汽車相比具有節(jié)能減排、降低總體運(yùn)輸成本、符合當(dāng)下低碳生活的背景以及政府扶持政策較多等優(yōu)勢(shì)，但同時(shí)也有很多的不足之處：首先，電動(dòng)汽車電池成本較高；其次，電動(dòng)汽車的蓄電池受季節(jié)因素影響較大，隨著溫度的降低，續(xù)航時(shí)間將會(huì)縮短；最后，電池充電時(shí)間較長(zhǎng)，在充電時(shí)間內(nèi)汽車處于停滯狀態(tài)．

配送采用電動(dòng)汽車作為主要交通工具，并在車輛上放置處于不同溫層的蓄冷箱，每個(gè)蓄冷箱在每日結(jié)束工作后進(jìn)行蓄冷以保證第二天的使用．配送車輛從配送中心充滿電后出發(fā)為顧客提供配送服務(wù)．每輛車可以為多個(gè)顧客提供配送服務(wù)，而每位顧客只能接受一輛車的配送服務(wù)，車輛完成配送服務(wù)后要返回配送中心．每輛車有配送的容量限制，因此其所服務(wù)的顧客的總需求量不得超過(guò)車輛的最大載重．每輛車所行駛的最大路程與車輛的蓄電量成正比，文中假設(shè)每個(gè)顧客的需求及時(shí)間窗已知，時(shí)變路網(wǎng)數(shù)據(jù)信息已從交通部門獲取，電動(dòng)汽車處于低電量時(shí)需在顧客點(diǎn)進(jìn)行快速充電并支付一定的費(fèi)用．文中所建模型暫不考慮極端天氣和電池?fù)p耗等因素影響，并默認(rèn)電動(dòng)汽車可在各節(jié)點(diǎn)進(jìn)行充電并支付相應(yīng)的費(fèi)用．

1.2 符號(hào)及參數(shù)

(1)集合

N表示路網(wǎng)中所有節(jié)點(diǎn)的集合．其中0表示配送中心．

(2)參數(shù)

q、Q分別表示電動(dòng)汽車最大載重和電動(dòng)汽車裸車重；v表示電動(dòng)汽車的行駛速度；Mmax表示電動(dòng)汽車的最大電池容量；Mijh表示電動(dòng)汽車h從節(jié)點(diǎn)i到節(jié)點(diǎn)j的耗電量；Mjh表示電動(dòng)汽車h在節(jié)點(diǎn)j的剩余電量；R表示電動(dòng)汽車的充電頻率；h表示第h輛電動(dòng)汽車；H表示電動(dòng)汽車集合；n表示電動(dòng)汽車總數(shù)；m表示節(jié)點(diǎn)總數(shù)；F表示單位車輛固定成本；B表示車輛單位運(yùn)輸成本；d表示節(jié)點(diǎn)之間的距離；P1表示冷凍區(qū)貨物的價(jià)格；P2表示冷藏區(qū)貨物的價(jià)格；P3表示常溫區(qū)貨物的價(jià)格；w1表示運(yùn)輸過(guò)程中冷凍區(qū)單位貨損比例；w2表示服務(wù)顧客過(guò)程中冷凍區(qū)單位貨損比例；w3表示充電過(guò)程中冷凍區(qū)單位貨損比例；z1表示運(yùn)輸過(guò)程中冷藏區(qū)單位貨損比例；z2表示服務(wù)顧客過(guò)程中冷藏區(qū)單位貨損比例；z3表示充電過(guò)程中冷藏區(qū)單位貨損比例；tij表示配送車輛從節(jié)點(diǎn)i到節(jié)點(diǎn)j的時(shí)間；tj1表示車輛為顧客j服務(wù)時(shí)冷凍區(qū)所產(chǎn)生的時(shí)間；tj2表示車輛為顧客j服務(wù)時(shí)冷藏區(qū)所產(chǎn)生的時(shí)間；rj表示在顧客j處充電時(shí)間；α、β分別表示時(shí)間窗的機(jī)會(huì)成本和懲罰成本；S表示配送車輛到達(dá)時(shí)間；(L，T)表示顧客的配送時(shí)間窗；U表示損失的冷量；E表示單位冷量需要的電量；P4表示單位電量所需的電價(jià)；a1表示在運(yùn)輸過(guò)程中冷凍區(qū)冷量損失；a2表示在運(yùn)輸過(guò)程中冷藏區(qū)冷量損失；b1表示在服務(wù)顧客時(shí)冷凍區(qū)冷量損失；b2表示在服務(wù)顧客時(shí)冷藏區(qū)冷量損失；k表示充電每小時(shí)所需的電費(fèi)；e1表示每個(gè)顧客在冷凍區(qū)需求；e2表示每個(gè)顧客在冷藏區(qū)需求；e3表示每個(gè)顧客在常溫區(qū)需求．

(3)決策變量

xijh表示車輛h在道路(i，j)路段行駛時(shí)為1，否則為0；yjh表示車輛h為顧客j服務(wù)時(shí)為1，否則為0；zjh表示車輛h在顧客j處充電時(shí)為1，否則為0．

1.3 相關(guān)因素分析

1.3.1 耗電性能及充電需求分析 電動(dòng)汽車的耗電量不僅與車輛的自身屬性有關(guān)，還與車輛的實(shí)際行駛距離和速度有關(guān)，因此，實(shí)際最大載重q的電動(dòng)汽車h以速度v行駛，運(yùn)行功率為

(1)

式中：g為重力加速度；η為傳動(dòng)系統(tǒng)機(jī)械效率；ε、Cd、A分別表示汽車滾動(dòng)阻力系數(shù)、空氣阻力系數(shù)和汽車迎風(fēng)面積．

電動(dòng)汽車在運(yùn)輸?shù)缆飞舷牡碾娏繛?/p>

Mijh=P(qh，vij)tij

(2)

在電動(dòng)汽車的剩余電量不足以滿足配送下一位顧客時(shí)，需要在配送途中進(jìn)行快速充電，電動(dòng)汽車在充電站充電的時(shí)間為

(3)

1.3.2 時(shí)變路網(wǎng)分析 在時(shí)變路網(wǎng)的交通下，不同時(shí)間段內(nèi)電動(dòng)汽車的行駛速度不同，行駛速度的不同導(dǎo)致在相同路程下的配送時(shí)間難以計(jì)算，全天各時(shí)間段行駛速度函數(shù)為

(4)

1.4 模型建立

1.4.1 配送成本計(jì)算

(1)配送車輛的固定成本C1

在生鮮品的冷鏈物流配送過(guò)程中，配送車輛將會(huì)產(chǎn)生一定的固定成本，包括電動(dòng)汽車電池的折舊成本、蓄冷箱的購(gòu)買及損耗成本、車輛的折舊費(fèi)、車輛派遣費(fèi)、司機(jī)的駕駛費(fèi)、裝卸工人的工資等．

C1=nF

(5)

(2)配送車輛的運(yùn)輸成本C2

車輛的運(yùn)輸成本，即車輛在物流配送過(guò)程中從一位顧客到下一位顧客途中所產(chǎn)生的費(fèi)用．所產(chǎn)生的費(fèi)用與車輛行駛的距離成正比．

(6)

(3)配送車輛在運(yùn)輸過(guò)程中所產(chǎn)生的貨損成本C3

配送車輛在運(yùn)輸過(guò)程中會(huì)產(chǎn)生三部分的貨損．第一部分是在車輛正常行駛過(guò)程中產(chǎn)生的貨損；第二部分是配送車輛在服務(wù)顧客時(shí)，打開(kāi)冷凍箱車門導(dǎo)致溫度驟然升高使生鮮品的新鮮程度降低產(chǎn)生的貨損；第三部分是電動(dòng)汽車在其電量不滿足到下一位顧客所需電量時(shí)要進(jìn)行充電，在車輛充電過(guò)程中會(huì)造成生鮮品產(chǎn)生一定的貨損．

(7)

(4)配送時(shí)間窗的機(jī)會(huì)成本及懲罰成本C4

配送車輛要在一定的時(shí)間范圍內(nèi)進(jìn)行配送，以保證生鮮品的質(zhì)量，在時(shí)間窗之前到達(dá)會(huì)產(chǎn)生部分機(jī)會(huì)成本，而在時(shí)間窗之后到達(dá)會(huì)產(chǎn)生部分懲罰成本．

(8)

(5)配送車輛的制冷成本C5

配送車輛的蓄冷儲(chǔ)存部分相當(dāng)于一個(gè)大型的蓄冷箱，由大塊的蓄冷板制造而成，并采用充電的方式進(jìn)行蓄冷．蓄冷箱在運(yùn)輸過(guò)程中損失多少冷量，就相當(dāng)于蓄冷箱在之前要儲(chǔ)存多少冷量，而蓄冷需要消耗很多電，所謂的制冷成本也就是蓄冷箱蓄冷時(shí)所耗的電量．

C5=UEP4

(9)

(10)

(6)配送車輛的充電費(fèi)用C6

配送車輛的剩余電量無(wú)法滿足服務(wù)下一位顧客時(shí)，需要在運(yùn)輸途中采用快速充電模式進(jìn)行充電，所耗的電費(fèi)與充電時(shí)間成正比．

C6=rk

(11)

1.4.2 目標(biāo)函數(shù)建立 建立目標(biāo)函數(shù)如下：

minC=C1+C2+C3+C4+C5+C6

(12)

約束如下：

(13)

(14)

Lj≤Sj≤Tj； ?j∈N

(15)

M0≤Mih≤Mmax； ?i∈N

(16)

xijh∈{0，1}； ?i，j∈N，h∈H

(17)

yjh∈{0，1}； ?j∈N，h∈H

(18)

zjh∈{0，1}； ?j∈N，h∈H

(19)

其中，式(13)表示每位顧客只接受一輛車服務(wù)；式(14)表示配送車輛的載重不得超過(guò)車輛的最大載重；式(15)表示顧客只接受在一定時(shí)間段內(nèi)進(jìn)行配送；式(16)表示電動(dòng)汽車在每個(gè)節(jié)點(diǎn)的電量約束；式(17)～(19)為決策變量．

2 算法及求解過(guò)程

2.1 聚類過(guò)程

K-means聚類是最經(jīng)典、應(yīng)用最廣泛的聚類分析方法，其目標(biāo)是使類內(nèi)距離盡可能最小，類間距離盡可能最大．本文采用K-means聚類對(duì)“充電站及顧客節(jié)點(diǎn)”進(jìn)行聚類，聚類數(shù)目為承擔(dān)配送任務(wù)的電動(dòng)汽車數(shù)目．由于本文內(nèi)充電站及顧客節(jié)點(diǎn)均為坐標(biāo)值，各屬性間的量化標(biāo)準(zhǔn)相同，無(wú)須考慮加權(quán)問(wèn)題．成本函數(shù)表示為類內(nèi)距離平方和與類間距離平方和之比．

(20)

式中：D表示待聚類對(duì)象的集合；Kji表示對(duì)象j第i維的值；cl表示離對(duì)象j最近的類中心；cli表示cl第i維的值；θlj表示對(duì)象j是否屬于類l，是為1，否則為0．

傳統(tǒng)K-means聚類算法對(duì)初始聚類中心選取是隨機(jī)的，如果選取不當(dāng)會(huì)影響其迭代次數(shù)．因此本文采用密度網(wǎng)格的方式選取聚類中心[17]，改進(jìn)后的K-means聚類算法流程如下(見(jiàn)圖1)：

圖1 聚類流程圖

Step 1聚類數(shù)目初始化n=γ(γ=min{車輛數(shù)，未完成訂單數(shù)})．

Step 2初始化n個(gè)聚類中心．

Step 2.2在維度i上，在取值范圍內(nèi)f平分，得到f4個(gè)網(wǎng)格．

Step 2.3計(jì)算每個(gè)網(wǎng)格中數(shù)據(jù)點(diǎn)的個(gè)數(shù)，并將網(wǎng)格按數(shù)據(jù)點(diǎn)個(gè)數(shù)從大到小排列．

Step 2.4取排序在前的n個(gè)網(wǎng)格，將點(diǎn)數(shù)記為δ1，δ2，…，δn，如果δn=0，則f=int(f/2)，重復(fù)Step 2.2～Step 2.4；否則從網(wǎng)格中任取一點(diǎn)為代表點(diǎn)，則這n個(gè)代表點(diǎn)為初始中心．

Step 3計(jì)算各節(jié)點(diǎn)到類中心距離，將每個(gè)對(duì)象賦予其最近的類．

Step 5計(jì)算目標(biāo)函數(shù)值，更新各類的中心．

Step 6重復(fù)Step 3～Step 5，連續(xù)兩次目標(biāo)函數(shù)值相同，則輸出．

根據(jù)對(duì)各節(jié)點(diǎn)的聚類分析，可以得出完成訂單所需的車輛數(shù)、每輛車所需服務(wù)的顧客及電動(dòng)汽車所需的充電站．

2.2 算法設(shè)計(jì)

按照上文中的聚類方法，可以直接得出車輛與顧客及電動(dòng)汽車充電站的直接配送關(guān)系，之后為每輛車尋找最優(yōu)的配送方案．本文采用免疫遺傳算法對(duì)車輛的最優(yōu)配送方案進(jìn)行優(yōu)化．

(1)抗原侵入及抗體編碼：抗原侵入即目標(biāo)函數(shù)及約束條件導(dǎo)入．在算法的運(yùn)行過(guò)程中，不能對(duì)空間數(shù)據(jù)進(jìn)行處理，需要對(duì)其進(jìn)行編碼處理．本文采用自然數(shù)編碼方法，形成抗體編碼．對(duì)m個(gè)顧客節(jié)點(diǎn)進(jìn)行編碼，抗體長(zhǎng)度為π．

例：(i)π=4，抗體為(4，2，1，3)，表示從配送中心0出發(fā)，路線為0-4-2-1-3-0，回到配送中心．

(ii)π=5，抗體為(3，1，5，2，4)，表示從配送中心0出發(fā)，路線為0-3-1-5-2-4-0，最后回到配送中心．

(iii)π=7，抗體為(6，2，4，1，5，3，7)，表示從配送中心0出發(fā)，路線為0-6-2-4-1-5-3-7-0，最后回到配送中心．

(2)初始抗體產(chǎn)生：隨機(jī)產(chǎn)生初始抗體，并當(dāng)記憶系統(tǒng)存在時(shí)從中產(chǎn)生初始群體．

(3)對(duì)所有抗體進(jìn)行評(píng)估，用適應(yīng)度函數(shù)逐個(gè)評(píng)價(jià)，形成父代群體．

(4)父代抗體在一定概率下進(jìn)行交叉變異，以得到新的抗體群體．

(i)交叉：采用OX交叉操作．

例如：父代個(gè)體A為123/456/789，B為987/654/321；將中間段作為交配區(qū)，將A、B的交配區(qū)進(jìn)行交叉．A′為123/654/789，B′為987/456/321．

交叉操作在算法中起重要作用，交叉操作可以形成新的種群，并不斷地保持種群個(gè)體的多樣性．

(ii)變異：按照一定的概率進(jìn)行突變，在父代染色體按突變概率進(jìn)行突變，然后重新進(jìn)行適應(yīng)度評(píng)估，變異成功的會(huì)產(chǎn)生新的基因串加入新的子代中；變異失敗的就會(huì)被淘汰．

(5)是否滿足約束條件，若滿足條件則輸出，若不滿足則重新進(jìn)行迭代．

算法流程圖如圖2所示．

3 實(shí)驗(yàn)仿真

3.1 求解參數(shù)及環(huán)境

本文采用MATLAB進(jìn)行編碼，為了研究方便，本文假設(shè)70×70的網(wǎng)格為配送節(jié)點(diǎn)網(wǎng)格．汽車的行駛時(shí)間按行駛路程與行駛速度之比進(jìn)行計(jì)算，本文電動(dòng)汽車行駛速度為45 km/h．本文求解參數(shù)中，重力加速度g為9.81 m/s2，傳動(dòng)系統(tǒng)機(jī)械效率η為1.46，汽車滾動(dòng)阻力系數(shù)ε為0.015，空氣阻力系數(shù)Cd為0.6，汽車迎風(fēng)面積A為6 m2，電動(dòng)汽車充電頻率R為4.5 kWh/min，電動(dòng)汽車最大電池容量Mmax為200 kWh．車輛最大載重4.5 t，裸車2 t，電動(dòng)汽車內(nèi)部：冷凍區(qū)溫度保持在-18～-20 ℃；冷藏區(qū)溫度保持在-3～-5 ℃(文中限定常溫為20 ℃)．本文中種群設(shè)定為100，最大進(jìn)化代數(shù)為200，交叉概率為0.9，變異概率為0.1．

3.2 算例驗(yàn)證

以某生鮮品電商企業(yè)為例(本文數(shù)據(jù)從網(wǎng)站http://neumann.hec.ca/chairedistributique/data/獲取)，要為20位顧客配送其所需要的貨物，配送中心及顧客節(jié)點(diǎn)的位置見(jiàn)表1，編號(hào)1～20代表顧客節(jié)點(diǎn)，編號(hào)0為物流配送中心，文中假設(shè)配送車輛可以在配送中心及顧客節(jié)點(diǎn)處充電(需向顧客支付一定費(fèi)用)，車輛總數(shù)為4輛，設(shè)定配送車輛工作時(shí)間為6：00，每30 min為一個(gè)時(shí)間段，根據(jù)城市交通規(guī)律，7：00～9：00為交通擁堵時(shí)間(車速為30 km/h)．車輛的正常行駛速度為45 km/h，在滿足車輛不超載的約束條件下，合理安排路線．在運(yùn)輸途中，保證所運(yùn)輸?shù)呢浳锊淮叮?/p>

表1 坐標(biāo)節(jié)點(diǎn)

每位顧客在不同溫層的需求量及裝卸時(shí)間見(jiàn)表2．車輛的固定成本F=100元/車，單位運(yùn)輸成本B=2.5元/km；冷凍區(qū)生鮮品貨物單價(jià)P1=50元/t；冷藏區(qū)生鮮品貨物單價(jià)P2=100元/t；常溫區(qū)生鮮品貨物單價(jià)P3=80元/t；運(yùn)輸過(guò)程及充電時(shí)冷凍區(qū)單位貨損比例w1=w3=0.001 5；在開(kāi)關(guān)門服務(wù)顧客時(shí)冷凍區(qū)單位貨損比例w2=0.025；運(yùn)輸過(guò)程及充電時(shí)冷藏區(qū)單位貨損比例z1=z3=0.001；在開(kāi)關(guān)門服務(wù)顧客時(shí)冷藏區(qū)單位貨損比例z2=0.002；根據(jù)現(xiàn)實(shí)條件時(shí)間窗的機(jī)會(huì)成本α=0，懲罰成本β=4元/h；運(yùn)輸過(guò)程中冷凍區(qū)冷量損失a1=0.002；服務(wù)顧客時(shí)冷凍區(qū)冷量損失b1=0.003；運(yùn)輸過(guò)程中冷藏區(qū)冷量損失a2=0.001 5；服務(wù)顧客時(shí)冷藏區(qū)冷量損失b2=0.002 5；蓄冷箱儲(chǔ)存單位冷量所需電量E=2；單位電量所需的電價(jià)P4=3元；充電每小時(shí)電費(fèi)k=1.5元．

表2 顧客的需求量及裝卸時(shí)間

通過(guò)程序進(jìn)行實(shí)證分析，借助MATLAB軟件進(jìn)行優(yōu)化．經(jīng)過(guò)MATLAB迭代得出模型的最優(yōu)配送路線，見(jiàn)圖3和表3．最終求出模型的最優(yōu)成本為1 651.45元．

表3 車輛路徑優(yōu)化結(jié)果

3.2.1 對(duì)比實(shí)驗(yàn)1 為驗(yàn)證電動(dòng)汽車多溫共配改進(jìn)方案是否合理有效，將電動(dòng)汽車和普通燃油汽車的常規(guī)運(yùn)輸方式與多溫共配運(yùn)輸方式進(jìn)行比較分析，比較結(jié)果如表4所示．

根據(jù)表4的實(shí)驗(yàn)結(jié)果可知，首先針對(duì)常規(guī)運(yùn)輸方式進(jìn)行比較，采用電動(dòng)汽車進(jìn)行運(yùn)輸其運(yùn)輸成本與燃油汽車運(yùn)輸成本的1/4相當(dāng)，極大程度地降低了運(yùn)輸成本，與此同時(shí)采用電動(dòng)汽車更加環(huán)保，無(wú)碳排放的產(chǎn)生．其次，針對(duì)電動(dòng)汽車的不同運(yùn)輸方式進(jìn)行比較，采用多溫共配的運(yùn)輸方式，其運(yùn)輸?shù)目偝杀窘朴诔Ｒ?guī)運(yùn)輸方式的1/3．由以上結(jié)果分析可知，以電動(dòng)汽車為主要運(yùn)輸工具并采取多溫共配的運(yùn)輸方式，既可以極大程度地降低運(yùn)輸成本，又可以節(jié)能減排，是一種非常合理有效的運(yùn)輸方式．

表4 電動(dòng)汽車與燃油汽車運(yùn)輸方案對(duì)比

3.2.2 對(duì)比實(shí)驗(yàn)2 為驗(yàn)證免疫遺傳算法的求解性能，分別采用遺傳算法、免疫遺傳算法、粒子群算法和模擬退火算法對(duì)文中的電動(dòng)汽車多溫共配路徑優(yōu)化模型進(jìn)行求解，并比較其求解情況，如表5所示．

表5 算法結(jié)果對(duì)比

根據(jù)表5的實(shí)驗(yàn)結(jié)果可知：遺傳算法經(jīng)過(guò)100次迭代完成算法收斂，免疫遺傳算法和粒子群算法分別經(jīng)過(guò)140次迭代和180次迭代完成算法收斂，雖然遺傳算法的收斂速度比免疫遺傳算法的收斂速度快，但是從配送成本上看，遺傳算法的結(jié)果略高于免疫遺傳算法和粒子群算法的結(jié)果；粒子群算法與模擬退火算法分別經(jīng)過(guò)180次迭代和160次迭代完成算法收斂，可見(jiàn)免疫遺傳算法的收斂速度高于粒子群算法和模擬退火算法的收斂速度．采用免疫遺傳算法既可以避免遺傳算法局部搜索能力差的缺點(diǎn)，還具有相對(duì)于粒子群算法和模擬退火算法較高的收斂速度．

4 結(jié) 論

(1)本文針對(duì)不同溫層生鮮品運(yùn)輸問(wèn)題，提出了以電動(dòng)汽車為主要運(yùn)輸工具的多溫共配運(yùn)輸方式，充分考慮了時(shí)變路網(wǎng)及耗電性能與充電需求等實(shí)際情況，合理安排出發(fā)時(shí)間和路線，從而降低運(yùn)輸成本，合理避免車輛擁堵．

(2)本文所采用的電動(dòng)汽車多溫共配的運(yùn)輸方式是傳統(tǒng)車輛路徑優(yōu)化的拓展類型，經(jīng)過(guò)多種對(duì)比分析，從運(yùn)輸工具及運(yùn)輸方式上看，電動(dòng)汽車多溫共配是一種既節(jié)能減排又節(jié)約成本的運(yùn)輸方式．

(3)為了提高算法的求解性能，本文采用免疫遺傳算法對(duì)電動(dòng)汽車多溫共配路徑優(yōu)化模型進(jìn)行求解．根據(jù)實(shí)證分析，免疫遺傳算法可以有效地避免出現(xiàn)局部搜索能力較差的現(xiàn)象，能夠快速地收斂得到求解結(jié)果，是求解電動(dòng)汽車多溫共配路徑優(yōu)化問(wèn)題的一種有效算法．

(4)當(dāng)前研究未考慮時(shí)變路網(wǎng)下電動(dòng)汽車電池消耗、極端天氣狀況等問(wèn)題，今后將進(jìn)一步展開(kāi)相關(guān)研究．