多倉庫物流周期聯(lián)合配送粒子群擇優(yōu)算法仿真

龔艷茹,馬立坤

(1. 北京科技大學天津?qū)W院,天津 301830;2. 北京科技大學機械工程學院,北京 100083)

1 引言

物流[1]作為企業(yè)交流過程中不可或缺的重要組成部分,其配送方案與經(jīng)濟合理性已成為彰顯企業(yè)競爭力及企業(yè)管理能力的重要象征。物流配送之所以能夠在世界范圍內(nèi)有效流通,不僅是因為其實現(xiàn)了現(xiàn)實物品網(wǎng)絡(luò)運輸?shù)睦硐牖?wù)狀態(tài),還因為其現(xiàn)代化的經(jīng)營理念對傳統(tǒng)商貿(mào)領(lǐng)域產(chǎn)生了巨大的沖擊和影響,使現(xiàn)代物流[2]更加信息化、現(xiàn)代化、社會化。由此可見,優(yōu)化物流配送能力是企業(yè)提升自身市場競爭力的關(guān)鍵所在。

王勇[3]等人通過計算物流成本和配送損失成本建立物流成本模型,并在該模型中輸入基于K-means聚類算法獲取的商品配送溫控子集和客戶時間窗約束條件,使物流成本模型優(yōu)化成雙目標優(yōu)化模型,優(yōu)化后的模型不僅能夠提供商品最優(yōu)配送方案,還能根據(jù)商品配送時間分析物流敏感度,實現(xiàn)物流配送方法的優(yōu)化,該方法存在物流配送時間過長的問題。李存兵[4]等人通過自適應(yīng)遺傳聚類算法獲取物流配送過程中的方差最小化距離,再將方差最小化距離與不同服務(wù)區(qū)域的最大化物流分布指標相結(jié)合,構(gòu)成物流系統(tǒng)綜合優(yōu)化模型,將變異算子改進的遺傳算法輸入該模型中,使物流系統(tǒng)綜合優(yōu)化模型的收斂速度顯著提升,實現(xiàn)物流配送方法的優(yōu)化,該方法存在物流配送時間過長的問題。王曉麗[5]等人通過分析配送商品與物流資源數(shù)據(jù)的關(guān)系特征,建立基于大數(shù)據(jù)背景下整合計算流程簡便的物流配送鏈優(yōu)化模型,該模型能夠?qū)崟r分析物流配送鏈信息,獲取最佳配送路徑,實現(xiàn)物流配送方法的優(yōu)化,該方法存在物流配送距離過遠的問題。

為了解決上述方法中存在的問題,提出多倉庫物流周期聯(lián)合配送粒子群擇優(yōu)算法。

2 建立物流配送優(yōu)化模型

2.1 選擇優(yōu)化目標

在實際的物流運輸工作中,能夠影響物流配送成本[6]的主要因素是實際運輸量和車載率,若從虛擬的理想視角分析物流配送成本,則與其相關(guān)的實際運輸量和車載率在運輸成本取值最小時對運輸成本的影響程度可以忽略不計,若從現(xiàn)實視角分析物流配送成本,則與其相關(guān)的實際運輸量和車載率在運輸成本取值最小時對運輸成本的影響主要以油耗量、載重量、時間窗[7]、行駛速度等向量形式體現(xiàn),由此可見,優(yōu)化目標的選擇可以通過提取物流配送成本的最小能耗參數(shù),進而獲取實際運輸量和車載率基于油耗量、載重量、時間窗、行駛速度的最優(yōu)向量指標。

由于物流配送成本與物流配送距離成線性關(guān)系,即物流配送成本越低,物流配送距離越近,因此在提取物流配送成本最小能耗參數(shù)的過程中,需要協(xié)同考慮兩因素對于最小能耗參數(shù)的影響。利用Bekats方程計算物流配送的最小成本,再利用行駛公式計算物流配送的最小距離,此時的實際運輸量和車載率均表現(xiàn)為閾值范圍內(nèi)的最優(yōu)向量指標,可以通過解碼算法[8]和預選擇策略[9]分別獲取實際運輸量最優(yōu)向量指標和車載率最優(yōu)向量指標。Bekats方程的表達式如下

(1)

行駛公式的表達式如下

(2)

式中,Dr表示行駛公式的常數(shù);wdus表示物流配送距離的計算誤差;2g表示物流配送距離的取值區(qū)間;f(s)表示物流配送成本對物流配送距離的影響系數(shù)。

解碼算法的表達式如下

(3)

預選擇策略的表達式如下

(4)

在成功獲取實際運輸量和車載率的最優(yōu)向量指標后,將該指標數(shù)據(jù)輸入自適應(yīng)差分進化算法[10]中,提取基于最小能耗參數(shù)的物流配送成本,完成優(yōu)化目標的選擇。自適應(yīng)差分進化算法的表達式如下

(5)

式中,?表示自適應(yīng)交叉常數(shù);kavg表示參與交叉算法的實際運輸量最優(yōu)向量指數(shù);xavg表示參與交叉算法的車載率最優(yōu)向量指數(shù);kx表示最小能耗參數(shù)的提取誤差;U表示滿足優(yōu)化目標最終選擇的物流配送成本最小能耗參數(shù)。

2.2 建立基于優(yōu)化目標的物流配送優(yōu)化模型

(6)

物流配送模型的表達式如下

(7)

式中,r表示物流配送中心的總數(shù);ek表示物流配送的正確率;f(i)表示物流配送的錯誤率;λ2表示客戶對任意服務(wù)區(qū)的物流配送業(yè)務(wù)滿意度。

物流配送優(yōu)化模型的表達式如下

(8)

3 粒子群擇優(yōu)算法

3.1 收斂性條件

利用粒子群擇優(yōu)算法對物流配送優(yōu)化模型迭代求解,獲取基于物流配送優(yōu)化模型的加速參數(shù),進而提升整體物流配送業(yè)務(wù)的性能,首先要設(shè)立收斂性條件,限制物流配送優(yōu)化模型的收斂性,達到簡化模型計算復雜度的目的。收斂性條件的設(shè)立過程如下:首先通過FastICA算法[12]消除模型內(nèi)重疊特征多項式,降低模型迭代難度,再利用虛擬消去法[13]獲取模型初始條件決定的加速因子,并計算該因子在迭代過程中的加速度,將加速度慣性權(quán)重輸入多維空間內(nèi),獲取基于配送物流優(yōu)化模型的收斂性條件。FastICA算法的表達式如下

(9)

虛擬消去法的表達式如下

(10)

收斂性條件的表達式如下

(11)

式中,c1x-c2x表示物流配送優(yōu)化模型的收斂極限;ay表示收斂條件對物流配送優(yōu)化模型的簡化參數(shù);κ表示物流配送優(yōu)化模型計算復雜度的最小閾值。

3.2 粒子群擇優(yōu)算法求解物流配送優(yōu)化模型

物流配送優(yōu)化模型經(jīng)過收斂條件的限制,其計算復雜度得到大幅度降低,對后續(xù)模型求解工作具有重要意義。利用粒子群擇優(yōu)算法求解物流配送優(yōu)化模型的具體操作步驟如下:首選利用二維粒子行為矢量獲取物流配送優(yōu)化模型基于物流配送成本與物流配送損耗之間的最優(yōu)平衡狀態(tài),再將該平衡狀態(tài)系數(shù)輸入?yún)?shù)自調(diào)整粒子群模型中迭代,根據(jù)模型迭代輸出的加速參數(shù),實現(xiàn)物流配送優(yōu)化模型的求解,該加速參數(shù)不但能夠最大限度減少物流配送過程中造成的能源、經(jīng)濟損耗,還能拉近客戶與物流配送企業(yè)之間的關(guān)系,實現(xiàn)真正意義上的雙面共贏。

二維粒子行為矢量是指在粒子矢量圖中引入二維向量,通過觀察物流配送優(yōu)化模型經(jīng)過二維向量運算后所得的粒子軌跡[14]在粒子矢量圖中的偏移方向,獲取物流配送優(yōu)化模型基于物流配送成本與物流配送損耗之間的平衡狀態(tài)。二維向量表達式如下

(12)

式中,Δp表示二維向量權(quán)重值;ei表示向量學習因子;sinv表示二維向量結(jié)合粒子群的權(quán)重系數(shù)。

粒子矢量圖如下圖1所示。

圖1 粒子矢量圖

圖1中的矢量角a表示為a={p1·o1};矢量角b表示為b={p2·o2};矢量角c表示為c={p3·o3}。

在物流配送優(yōu)化模型中輸入二維向量,并將獲取的粒子軌跡記錄在粒子矢量圖中,通過觀察粒子矢量圖中粒子軌跡的偏移方向,獲取物流配送優(yōu)化模型基于物流配送成本與物流配送損耗之間的平衡狀態(tài)。粒子矢量圖中粒子軌跡的偏移方向如下圖2所示。

圖2 粒子矢量圖粒子軌跡的偏移方向

(13)

將物流配送成本與物流配送損耗之間的平衡狀態(tài)系數(shù)輸入?yún)?shù)自調(diào)整粒子群模型中迭代,獲取物流配送優(yōu)化模型的加速參數(shù)。參數(shù)調(diào)整粒子群模型的表達式如下

(14)

式中,σ表示參數(shù)自調(diào)整常數(shù);xy表示粒子群迭代次數(shù);P′表示加速參數(shù)輸出誤差;ik表示物流配送成本與物流配送損耗之間的平衡系數(shù)值對該模型迭代速度的影響;B(α)表示基于物流配送優(yōu)化模型的加速參數(shù)。

4 實驗與分析

為了驗證多倉庫物流周期聯(lián)合配送粒子群擇優(yōu)算法仿真的整體有效性,需要對其測試。

選擇a、b、c三組規(guī)模不同的物流服務(wù)區(qū)作為實驗對象,a組客戶數(shù)為3000,服務(wù)區(qū)配送面積為2公頃;b組客戶數(shù)為1000,服務(wù)區(qū)配送面積為1公頃;c組客戶數(shù)為5000,服務(wù)區(qū)配送面積為3公頃。規(guī)定上述三組物流服務(wù)區(qū)為實驗對象,分別采用不同方法優(yōu)化物流配送方法,對比不同方法基于三組物流服務(wù)區(qū)的時間縮短量和距離縮短量,進而推測不同方法的物流配送優(yōu)化性能。

1)配送時間縮短量

分別采用所提方法、文獻[4]方法和文獻[5]方法優(yōu)化物流配送方法,并將優(yōu)化后的物流配送方法分別應(yīng)用于a、b、c三組規(guī)模不同的物流服務(wù)區(qū)中,通過對比不同方法的物流配送時間,總結(jié)不同方法的時間縮短量。不同方法的物流配送時間如圖3所示。

圖3 不同方法的物流配送時間

由圖3可見,所提方法優(yōu)化物流配送方法后,a組物流配送時間不超過40h,b組物流配送時間不超過10h,c組物流配送時間不超過20h,說明所提方法在a、b、c三組規(guī)模不同的物流服務(wù)區(qū)內(nèi)的物流配送時間都出現(xiàn)大幅度下降,即物流配送的時間縮短量明顯,這是因為所提方法通過提取物流配送成本的最小能耗參數(shù),建立基于優(yōu)化目標的物流配送優(yōu)化模型,使得物流配送在時間方面表現(xiàn)出極高的優(yōu)越性。文獻[4]方法優(yōu)化物流配送方法后,a組物流配送時間超過60h,b組物流配送時間超過15h,c組物流配送時間超過20h,說明文獻[4]方法在a、b、c三組規(guī)模不同的物流服務(wù)區(qū)內(nèi)的物流配送時間下降并不明顯,即物流配送的時間縮短量并不明顯。文獻[5]方法優(yōu)化物流配送方法后,a組物流配送時間超過80h,b組物流配送時間超過30h,c組物流配送時間超過50h,說明文獻[5]方法在a、b、c三組規(guī)模不同的物流服務(wù)區(qū)內(nèi)的物流配送時間下降幅度較小,即物流配送的時間縮短量較小。經(jīng)上述對比可知,所提方法優(yōu)化物流配送方法后,其時間縮短量明顯優(yōu)于傳統(tǒng)方法。

2)配送距離縮短量

分別采用所提方法、文獻[3]方法和文獻[4]方法優(yōu)化物流配送方法,并將優(yōu)化后的物流配送方法分別應(yīng)用于a、b、c三組規(guī)模不同的物流服務(wù)區(qū)中,通過對比不同方法的物流配送距離,總結(jié)不同方法的距離縮短量。不同方法的物流配送距離如圖4所示。

圖4 不同方法的物流配送距離

由圖4可見,所提方法優(yōu)化物流配送方法后,a組物流配送距離不超過30km,b組物流配送距離不超過20km,c組物流配送距離不超過40km,說明所提方法在a、b、c三組規(guī)模不同的物流服務(wù)區(qū)內(nèi)的物流配送距離都出現(xiàn)大幅度下降,即物流配送的距離縮短量明顯。文獻[3]方法優(yōu)化物流配送方法后,a組物流配送距離超過35km,b組物流配送距離超過20km,c組物流配送距離超過40km,說明文獻[3]方法在a、b、c三組規(guī)模不同的物流服務(wù)區(qū)內(nèi)的物流配送距離下降并不明顯,即物流配送的距離縮短量并不明顯。文獻[4]方法優(yōu)化物流配送方法后,a組物流配送距離超過70km,b組物流配送距離超過40km,c組物流配送距離超過50km,說明文獻[4]方法在a、b、c三組規(guī)模不同的物流服務(wù)區(qū)內(nèi)的物流配送距離改善情況較差,即物流配送的距離縮短量較差。經(jīng)上述對比可知,所提方法對物流配送優(yōu)化后,不僅能夠擇選出最優(yōu)配送路徑,縮短物流配送的距離,還能提高物流配送效率,有助于提升客戶對物流配送業(yè)務(wù)的滿意度。

5 結(jié)束語

傳統(tǒng)的物流配送工作存在物流配送時間長、物流配送距離遠的問題,提出多倉庫物流周期聯(lián)合配送粒子群擇優(yōu)算法仿真的方法,最大限度減少物流配送過程中由于時間過長、距離過遠而造成的經(jīng)濟損失。如何在保證物流配送全面優(yōu)化的同時,實現(xiàn)物流配送過程中包裹、貨物的實時監(jiān)控,提高包裹、貨物的安全性是研究人員下一步工作的重點。