基于改進蟻群算法 的低碳冷鏈配送路徑優(yōu)化研究

呂勇強

(安徽理工大學經(jīng)濟與管理學院 安徽淮南 232001)

1 緒論

1.1 研究背景

隨著我國經(jīng)濟的持續(xù)增長和人民生活水平的提升，冷鏈物流在社會經(jīng)濟發(fā)展中的重要性日益凸顯，在食品保鮮、提高物流效率、確保食品安全方面的優(yōu)勢使其成為物流行業(yè)的關(guān)鍵部分。然而，冷鏈物流相較常溫物流面臨著技術(shù)廣泛、監(jiān)管復雜和成本相對較高等挑戰(zhàn)。為應對這些挑戰(zhàn)，多配送中心模式應運而生，以適應不斷提高的配送需求。這種模式通過考慮客戶點、產(chǎn)品數(shù)量和種類等因素來優(yōu)化車輛調(diào)度，提高配送效率。此外，隨著環(huán)境保護意識的提高，冷鏈物流中的碳排放問題也受到廣泛關(guān)注。在國家提出的2030年碳達峰和2060年碳中和目標的指引下，分析并減少冷鏈物流中的碳排放成為行業(yè)發(fā)展的必要方向。

1.2 國內(nèi)外研究現(xiàn)狀

國內(nèi)外學者對冷鏈物流的研究涵蓋了多種優(yōu)化算法和模型，旨在解決車輛路徑問題、降低碳排放和運營成本及提高客戶滿意度。例如，Wang Yong等(2017)采用聚類和動態(tài)規(guī)劃方法優(yōu)化多配送中心的車輛路徑問題。Babagolzadeh等(2020)則關(guān)注碳排放稅對冷鏈物流的影響，提出隨機規(guī)劃模型。Sulieman等(2010)和高珊珊(2015)分別通過結(jié)合多種算法解決了雙目標路徑優(yōu)化和時間窗限制問題。畢國通(2018)和Vitoria等(2012)結(jié)合遺傳蟻群算法和禁忌搜索算法，提高了路徑優(yōu)化的效率。此外，鮑惠芳等人考慮了碳排放成本，提出了改進的蟻群算法。現(xiàn)有研究在成本分析方面存在不足，大多數(shù)研究未能全面考慮所有相關(guān)成本。本文建立了一個綜合考慮運輸距離、配送時間、變質(zhì)、碳排放等影響因素的多目標優(yōu)化模型，涵蓋了運輸成本、制冷成本、碳排放成本和懲罰成本。由于模型復雜，本文采用改進的蟻群算法進行求解，以提供更優(yōu)的配送方案。

2 問題描述

本文研究的是在一個區(qū)域內(nèi)，多個冷鏈配送中心服務(wù)多個客戶點時的路徑優(yōu)化問題，旨在降低成本。研究考慮的情景是配送車輛在一個配送周期內(nèi)先到達配送中心裝貨，再前往客戶點送貨和取貨，完成后返回配送中心準備下一輪配送。在此過程中，需要考慮在滿足客戶需求的同時，控制成本，這對企業(yè)非常重要。隨著人們生活水平的提升和科技的進步，傳統(tǒng)的單配送中心模式不足以滿足人日益提高的需求，因此多配送中心的研究更加重要和復雜。

3 模型建立

3.1 問題假設(shè)

為了簡化研究，現(xiàn)實中的多配送中心路徑優(yōu)化問題被轉(zhuǎn)換為一個數(shù)學模型，其基于以下假設(shè)：(1) 配送中心有足夠的車輛，且每個客戶需求量不超過單次配送能力；(2) 車輛從企業(yè)到配送中心的成本忽略不計；(3) 存在多個配送中心；(4)企業(yè)擁有數(shù)量有限的車輛，這些車輛在完成配送任務(wù)后返回配送中心；(5) 客戶位置和需求已知；(6) 每個客戶僅由一輛車服務(wù)；(7) 所有車輛規(guī)格相同。

3.2 目標函數(shù)

3.2.1 符號釋義

n表示配送中心編號，n=1，2，3，…，N(N表示配送中心總數(shù))；k表示車輛編號，k=1，2，3，…，K(K表示配送中心的車輛總數(shù))；m表示客戶點編號，m=1，2，3，…，M(M表示客戶點總數(shù))；Ck表示車輛k的使用成本；dij表示客戶點i到客戶點j的距離；Dj1、Dj2分別表示客戶點的配送量和提貨量；cn1、cn2顯然分別為配送車在配送途中和到達卸貨(或裝貨)的制冷成本；1v、v2分別表示工人卸貨的速度及裝貨的速度。在運輸途中，每單位貨物的配送成本用mc來表示。1δ、2δ分別表示每輛車提前或晚達的懲罰成本系數(shù)；tj為配送車輛到達客戶點j的時間；表示從配送中心點n派出的配送車k從節(jié)點i至節(jié)點j時的載重量，w表示配送車輛承載單位貨物時在每單位距離因制冷所產(chǎn)生的碳排放。

3.2.2 成本分析

(1)運輸固定成本

車 輛的固定成本為，具體包括車輛的租賃費或購置費用、車輛啟動費(像燃油費、硬件損耗費、車輛保養(yǎng)費等)及司機的勞務(wù)費。

(2)運輸變動成本

運輸變動成本是由車輛在配送過程中行駛產(chǎn)生油耗來決定的，與車輛行駛里程和車輛承重呈正相關(guān)，這是一筆很大的費用支出。此外，由于產(chǎn)品的特殊性，配送車輛需要具備制冷能力，且在配送過程中保持制冷系統(tǒng)的開啟狀態(tài)，制冷損耗由車輛的行駛距離及承重量和制冷系統(tǒng)與外界的熱交換(在裝卸貨時，這種情況難以避免)兩方面決定。運輸變動成本C變動可表示為：

(3)懲罰成本

懲罰成本C懲罰分為過早配送時間懲罰成本、過晚配送時間懲罰成本。配送時，客戶往往要求在規(guī)定時間內(nèi)送達，在實際過程中，由于各種原因會不可避免地出現(xiàn)一些配送過早或過晚的情況。可設(shè)T1(j)、T2(j)分別為最早配送時間和最晚配送時間；T1'(j)、T2'(j)分別為客戶最滿意的最早配送時間和最晚配送時間。當配送車輛在時間(T1'(j),T2'(j))到達時，無需支付費用；當配送車輛在時間(0，T1(j))和(T2(j)，∞)到達時，懲罰成本達到最大值；當配送車輛在時間(T1(j)，T1'(j))和(T2'(j)，T2(j))到達時，懲罰成本可分別表示為式(3)和式(4)：

(4)碳排放成本

在國家大力提倡“碳達峰，碳中和”政策的情況下，在冷鏈運輸過程中，碳排放成本是不可忽略的因素，不僅需要設(shè)法降低傳統(tǒng)成本費用，碳排放成本還是值得研究的因素。通過對相關(guān)文獻的研究得知，C2O的排放量=汽油使用量*C2O的排放系數(shù)。因此，設(shè)政府所收碳稅為c0，碳排放系數(shù)為eo，配送車輛的額定載重為Q，車輛載重為Q時單位燃油消耗量為*ρ，車輛載重為0時單位燃油消耗量為0ρ，單位燃油消耗量函數(shù)為P(x)，那么碳排放成本的具體表達為：

3.2.3 數(shù)學模型

以優(yōu)化配送成本為目標構(gòu)建下列數(shù)學模型：

式(7)作為目標函數(shù)，旨在優(yōu)化配送路徑，以實現(xiàn)最低配送成本。約束條件包括：式(8)限制配送中心數(shù)量；式(9)確保每個客戶點只由一個配送點服務(wù)；式(10)規(guī)定配送車輛數(shù)量上限；式(11)保持客戶點的車輛流量平衡；式(12)和(13)確?？蛻粜枨蟛怀^配送中心承載能力和車輛載重限制；式(14)保證所有配送車輛最終返回初始配送中心。

4 算法實現(xiàn)

4.1 傳統(tǒng)的蟻群算法

蟻群算法用于路徑優(yōu)化問題時，模擬螞蟻覓食行為來尋找最優(yōu)解。在此過程中，“信息素”的濃度代表蟻群對路徑的偏好，較高的信息素濃度路徑會吸引更多螞蟻，通過不斷迭代，蟻群算法能夠找到最優(yōu)路徑。該算法的核心是概率轉(zhuǎn)移公式：

式(15)中：α表示信息素的相對重要程度，β則表示啟發(fā)信息的相對重要程度。

4.2 改進的蟻群算法

本文提出了一種改進的蟻群算法，融合了蟻群算法和其他算法的優(yōu)勢，以解決多配送中心的路徑優(yōu)化問題。在此方法中，先通過輪盤賭法選取初始種群，再結(jié)合傳統(tǒng)遺傳算法的選擇算子。算法中的交叉和變異操作包括順序交叉和單點變異，這些操作的概率由特定公式?jīng)Q定：

改進的蟻群算法使得搜索過程不斷收斂，并服從正反饋機制，通過迭代循環(huán)逼近優(yōu)解，具體步驟如圖1所示。

圖1

5 算法實例

5.1 實例分析

本文以A公司為對象進行研究。A公司在某區(qū)域共擁有4處配送中心和30個客戶點，收集該公司的配送中心和客戶點地理位置坐標、客戶需求量、時間窗、每個客戶的服務(wù)時間等數(shù)據(jù)，并通過MATLAB2022b進行改進的蟻群算法編程，嘗試求得最優(yōu)解，具體數(shù)據(jù)如表1、表2所示。

表1 配送中心坐標

表2 客戶信息

5.2 參數(shù)設(shè)置

根據(jù)多次試驗結(jié)果及相關(guān)文獻參考，現(xiàn)將算法相關(guān)參數(shù)設(shè)置如表3所示。

表3 參數(shù)設(shè)置

5.3 結(jié)果分析

本文通過matlab2022b分別進行改進的遺傳算法、傳統(tǒng)蟻群算法及遺傳算法三種模擬仿真實驗。

運用改進的蟻群算法對模型進行求解，所得最佳路徑為配2-＞30-＞14-＞15-＞配2、配1-＞8-＞4-＞3-＞18-＞配1、配3-＞9-＞16-＞26-＞配3、配3-＞2-＞10-＞25-＞配3、配3-＞12-＞24-＞23-＞配3、配1-＞28-＞7-＞配1、配1-＞1-＞22-＞配1、配2-＞27-＞21-＞配2、配4-＞19-＞11-＞配4、配3-＞20-＞17-＞6-＞配3、配3-＞13-＞29-＞配3、配1-＞5-＞配1，具體路徑圖如圖2所示。

圖2 改進蟻群算法配送路徑圖

使用蟻群算法求解的最優(yōu)路徑包括配3-＞12-＞10-＞配3，配1-＞13-＞5-＞配1等，共涵蓋多個配送點，如配2-＞30-＞14-＞21配2和配3-＞6-＞19-＞配3。而遺傳算法求解得到的最佳路徑則包括配2-＞30-＞14-＞15-＞配2、配2-＞27-＞21-＞配2 等，同樣覆蓋了多個不同的配送點，如配1-＞1-＞8-＞4-＞配1 和配3-＞25-＞24-＞16-＞配3。兩種算法得出的具體配送路徑均如圖3和圖4所示。

圖3 蟻群算法配送路徑圖

圖4 遺傳算法配送路徑圖

三種算法對模型求解的總距離和總成本如表4所示，顯然改進的蟻群算法在各方面都具有明顯優(yōu)勢，有效提高了冷鏈運作效率，并節(jié)省了一定的成本。

表4 配送成本與距離

通過仿真收斂圖顯示(見圖5、圖6、圖7)，改進的蟻群算法在不到20代就開始收斂，并在109代時達到平穩(wěn)狀態(tài)。相比之下，傳統(tǒng)蟻群算法和遺傳算法分別需要到158代和172代才達到平穩(wěn)。這表明改進的蟻群算法在收斂速度和質(zhì)量上均優(yōu)于傳統(tǒng)算法，有效提升了性能。三種算法的模型求解效果通過相應的仿真收斂圖體現(xiàn)。

圖5 改進蟻群算法收斂圖

圖6 蟻群算法收斂圖

圖7 遺傳算法收斂圖

通過實驗分析，改進的蟻群算法在總配送距離和總成本上相比傳統(tǒng)蟻群算法和遺傳算法有所提高。該算法使用輪盤賭法選擇初始種群，并結(jié)合傳統(tǒng)遺傳算法的選擇算子，通過精英螞蟻交叉和較差螞蟻變異來保持種群的多樣性，提高了最優(yōu)解的質(zhì)量，并避免了局部最優(yōu)解問題，加快了最優(yōu)路徑的發(fā)現(xiàn)，增強了及收斂性和尋優(yōu)能力。

6 結(jié)語

綜上所述，本文研究了冷鏈物流路徑優(yōu)化問題，建立了一個考慮運輸成本、制冷成本、碳排放成本和懲罰成本的多目標優(yōu)化模型，并且加入了制冷劑損耗因素。通過改進的蟻群算法對模型進行求解，并與傳統(tǒng)蟻群算法和遺傳算法的結(jié)果進行比較，發(fā)現(xiàn)改進算法在收斂速度和質(zhì)量上都有所提高，表明其性能優(yōu)于傳統(tǒng)方法。這一研究結(jié)果對冷鏈物流行業(yè)的企業(yè)具有實際意義。