生鮮農(nóng)產(chǎn)品車輛和無(wú)人機(jī)組合配送路徑優(yōu)化及效果測(cè)試

張榮, 龐夢(mèng)荻, 劉斌

(1.上海海事大學(xué)物流科學(xué)與工程研究院,上海 201316;(2.上海理工大學(xué)管理學(xué)院,上海 200093)

隨著冷鏈?zhǔn)袌?chǎng)規(guī)模的不斷壯大,物流服務(wù)系統(tǒng)的不斷升級(jí),生鮮農(nóng)產(chǎn)品電商數(shù)量的急劇增多,冷鏈的配送方式和配送質(zhì)量[1-2]成為用戶廣泛關(guān)注的重點(diǎn)問(wèn)題。因生鮮農(nóng)產(chǎn)品的保質(zhì)期相對(duì)較短,通常會(huì)采用冷鏈的方式進(jìn)行運(yùn)輸和配送[3-4],但是在配送過(guò)程中,路徑規(guī)劃會(huì)直接影響配送效率以及配送經(jīng)濟(jì)成本;并且生鮮農(nóng)產(chǎn)品在配送過(guò)程中,由于類別較多,在配送時(shí)會(huì)產(chǎn)生不同的配送總成本[5-6];除此之外,在生鮮農(nóng)產(chǎn)品配送過(guò)程中,無(wú)法依據(jù)生鮮農(nóng)產(chǎn)品的保鮮時(shí)間長(zhǎng)短進(jìn)行針對(duì)性配送,保鮮期較短的產(chǎn)品會(huì)發(fā)生延遲配送現(xiàn)象,導(dǎo)致產(chǎn)品損壞。

為提升生鮮農(nóng)產(chǎn)品物流配送效率,基于時(shí)間窗和溫度控制[7],提出生鮮農(nóng)產(chǎn)品配送優(yōu)化方法,該方法主要是針對(duì)產(chǎn)品的生鮮價(jià)值構(gòu)建配送物流優(yōu)化模型,實(shí)現(xiàn)產(chǎn)品配送物流優(yōu)化。但是在應(yīng)用過(guò)程中,無(wú)法對(duì)配送中心位置進(jìn)行確定。因此,如果配送距離較遠(yuǎn)時(shí),則配送效率仍然較低。為實(shí)現(xiàn)生鮮農(nóng)產(chǎn)品配送路徑規(guī)劃,構(gòu)建生鮮農(nóng)產(chǎn)品鮮度最大化目標(biāo)函數(shù)[8],并通過(guò)改進(jìn)的遺傳算法進(jìn)行求解,實(shí)現(xiàn)產(chǎn)品配送路徑優(yōu)化。但是,該方法在應(yīng)用過(guò)程中,無(wú)法針對(duì)重件和輕件的分類配送,因此,配送成本仍舊較高。

無(wú)人機(jī)在多個(gè)領(lǐng)域中均具有良好的應(yīng)用效果,例如快遞運(yùn)輸、航拍、電力巡檢等領(lǐng)域[9]。蟻群算法在優(yōu)化路徑尋找方面具有極好的應(yīng)用效果[10]。因此,本研究結(jié)合生鮮農(nóng)產(chǎn)品車輛配送存在的不足,將車輛和無(wú)人機(jī)相結(jié)合用于生鮮農(nóng)產(chǎn)品配送,并且利用蟻群算法在優(yōu)化路徑規(guī)劃方面的優(yōu)勢(shì),實(shí)現(xiàn)生鮮農(nóng)產(chǎn)品配送。

1 生鮮農(nóng)產(chǎn)品車輛與無(wú)人機(jī)組合配送方案優(yōu)化

1.1 生鮮農(nóng)產(chǎn)品冷鏈配送體系要求

近幾年來(lái),隨著電商平臺(tái)的規(guī)模不斷擴(kuò)大,消費(fèi)者對(duì)生鮮農(nóng)產(chǎn)品的需求不斷增加,利用無(wú)人機(jī)對(duì)生鮮農(nóng)產(chǎn)品進(jìn)行配送也是新興起的一種配送服務(wù)模式。由于其發(fā)展時(shí)間不長(zhǎng),難免在配送過(guò)程中存在一定的問(wèn)題和不足。除此之外,生鮮農(nóng)產(chǎn)品的屬性與其他產(chǎn)品存在顯著差異[11],其具有鮮活性、易腐壞性、地域差異性以及需求穩(wěn)定性等?；谶@些特性,生鮮農(nóng)產(chǎn)品在配送過(guò)程中,需進(jìn)行冷鏈運(yùn)輸,以此避免影響產(chǎn)品的鮮活性以及避免產(chǎn)品發(fā)生腐壞。

研究生鮮農(nóng)產(chǎn)品車輛與無(wú)人機(jī)組合配送路徑規(guī)劃時(shí),需充分考慮當(dāng)下生鮮農(nóng)產(chǎn)品冷鏈配送體系[12],生鮮農(nóng)產(chǎn)品冷鏈配送體系見(jiàn)圖1。

圖1 生鮮農(nóng)產(chǎn)品冷鏈配送體系

由圖1可知,生鮮農(nóng)產(chǎn)品冷鏈配送整個(gè)過(guò)程中,主要包含低溫存儲(chǔ)、低溫運(yùn)輸、低溫銷售,客戶提取4個(gè)部分,低溫運(yùn)輸過(guò)程中,配送中心是生鮮農(nóng)產(chǎn)品冷鏈配送結(jié)構(gòu)中的核心。因此,為保證生鮮農(nóng)產(chǎn)品車輛與無(wú)人機(jī)組合配送路徑規(guī)劃效果,需先確定生鮮農(nóng)產(chǎn)品配送中心位置。

1.2 生鮮農(nóng)產(chǎn)品配送中心的確定

根據(jù)運(yùn)輸物品的性質(zhì)、種類可以劃分出多種配送中心,使產(chǎn)品運(yùn)輸路徑的規(guī)劃更具針對(duì)性。生鮮農(nóng)產(chǎn)品配送是配送中心的業(yè)務(wù)之一,生鮮農(nóng)產(chǎn)品通過(guò)冷鏈配送結(jié)構(gòu),在低溫條件下運(yùn)輸至配送中心,并由配送中心進(jìn)行下一步分區(qū)配送[13-14]。生鮮農(nóng)產(chǎn)品配送過(guò)程中,由于該類產(chǎn)品對(duì)配送方法、配送路徑的要求較高,運(yùn)輸途中的環(huán)境、溫度等條件均會(huì)直接影響資源利用效益、物流需求、物流時(shí)效性以及物流成本等[15-16],所以需要重視生鮮農(nóng)產(chǎn)品的運(yùn)輸配送。因此,在規(guī)劃生鮮農(nóng)產(chǎn)品配送路徑前,需要從多個(gè)配送中心中確定出主營(yíng)生鮮農(nóng)產(chǎn)品的配送中心。

配送中心主營(yíng)業(yè)務(wù)的確定需要依據(jù)配送中心的業(yè)務(wù)分類和覆蓋范圍完成。為實(shí)現(xiàn)生鮮農(nóng)產(chǎn)品配送中心的選取,并保證生鮮農(nóng)產(chǎn)品運(yùn)輸?shù)暮侠硇?采用模糊K-means聚類方法確定生鮮農(nóng)產(chǎn)品配送中心成為配送中心主營(yíng)業(yè)務(wù)的必要性。該方法在確定過(guò)程中,需考慮生鮮農(nóng)產(chǎn)品的類型及運(yùn)輸配送要求自然環(huán)境因素、交通運(yùn)輸因素以及服務(wù)質(zhì)量因素等多個(gè)影響因素[17-18]。因此,將果蔬花卉產(chǎn)品、冷鮮冷凍肉產(chǎn)品、水產(chǎn)品作為一級(jí)指標(biāo),對(duì)生鮮農(nóng)產(chǎn)品的類型進(jìn)行初步確定,為選取生鮮農(nóng)產(chǎn)品配送中心作為配送中心主營(yíng)業(yè)務(wù)做鋪墊。根據(jù)一級(jí)指標(biāo)進(jìn)行細(xì)化,設(shè)置二級(jí)運(yùn)輸要求指標(biāo),每個(gè)一級(jí)指標(biāo)下可劃分出多個(gè)二級(jí)指標(biāo),果蔬花卉產(chǎn)品的二級(jí)指標(biāo)為產(chǎn)品包裝程度、運(yùn)輸配送穩(wěn)定性;冷鮮冷凍肉產(chǎn)品的二級(jí)指標(biāo)為配送環(huán)境溫度、運(yùn)輸狀態(tài);水產(chǎn)品的二級(jí)指標(biāo)為運(yùn)輸方式、配送時(shí)長(zhǎng)。通過(guò)梯形直覺(jué)模糊數(shù)描述一級(jí)與二級(jí)指標(biāo)不同因素的屬性;將所有的特征值進(jìn)行集成處理后,使其均位于一級(jí)指標(biāo)上,獲取一級(jí)指標(biāo),在此基礎(chǔ)上結(jié)合K-means聚類方法,通過(guò)生鮮農(nóng)產(chǎn)品類型及配送要求,選取聚類要求,進(jìn)而獲取生鮮農(nóng)產(chǎn)品配送中心作為配送中心主營(yíng)業(yè)務(wù)的必要性。配送中心確定流程如下所述:

步驟1:設(shè)一級(jí)指標(biāo)綜合評(píng)價(jià)值的梯形模糊數(shù)為w=(a,b,c,d),其中a、b、c、d表示配送中心一級(jí)評(píng)價(jià)指標(biāo)的模糊屬性,集成后一級(jí)指標(biāo)的梯形模糊數(shù)值集成數(shù)值計(jì)算公式為:

(1)

式中:v表示決定生鮮農(nóng)產(chǎn)品配送中心作為主營(yíng)業(yè)務(wù)的一級(jí)指標(biāo)數(shù)量,這里為3,分別為果蔬花卉產(chǎn)品、冷鮮冷凍肉產(chǎn)品、水產(chǎn)品。

步驟3:隨機(jī)選取k個(gè)選取因素,并定義其為初始聚類范圍,同時(shí)確定簇的數(shù)量為k。

步驟4:將uj,1、uj,2、uj,3輸入至模糊K-means聚類算法中,以歐式距離為參考,計(jì)算k個(gè)聚類中心和聚類對(duì)象之間的歐氏距離d(xi,xj);并依據(jù)d(xi,xj)和各個(gè)聚類中心要求,劃分不同聚類單元。

步驟5:在根據(jù)步驟4劃分的聚類單元中計(jì)算其樣本平均值,并將其定義為聚類單元的新中心。通過(guò)不斷更新聚類中心,直至聚類中心不再變化或達(dá)到最大迭代次數(shù),即可得到最終的聚類結(jié)果。

步驟6:采用TOPSIS排序方法[19]對(duì)聚類中心進(jìn)行排序,選取前n個(gè)生鮮農(nóng)產(chǎn)品配送必要性,用于后續(xù)生鮮農(nóng)產(chǎn)品配送路徑規(guī)劃。

1.3 配送路徑優(yōu)化的方法

1.3.1 配送路徑規(guī)劃目標(biāo)函數(shù) 依據(jù)1.2中確定生鮮農(nóng)產(chǎn)品配送中心,以該中心為研究對(duì)象,構(gòu)建配送總成本最小目標(biāo)函數(shù),設(shè)計(jì)車輛和無(wú)人機(jī)組合配送路徑。

如果總成本用Z表示,該成本中包含配送固定成本Z1、運(yùn)輸成本Z2、貨損總成本Z3(包含運(yùn)輸損耗和卸貨損耗),3者的計(jì)算公式分別為:

(2)

(3)

(4)

總目標(biāo)函數(shù)的計(jì)算公式為:

miniZ=Z1+Z2+Z3

(5)

1.3.2 目標(biāo)函數(shù)求解 以確定的生鮮農(nóng)產(chǎn)品配送中心為車輛和無(wú)人機(jī)組合配送的起點(diǎn),該中心主要用于對(duì)m個(gè)生鮮農(nóng)產(chǎn)品進(jìn)行配送,并且各個(gè)產(chǎn)品的質(zhì)量也存在差異變化。因此,文中在目標(biāo)函數(shù)求解前,按照車輛和無(wú)人機(jī)的最大配送質(zhì)量對(duì)生鮮農(nóng)產(chǎn)品進(jìn)行劃分,分別為輕件和重件。前者通過(guò)無(wú)人機(jī)進(jìn)行配送,后者通過(guò)車輛進(jìn)行配送。并且,在生鮮農(nóng)產(chǎn)品配送過(guò)程中無(wú)人機(jī)與車輛同時(shí)進(jìn)行,需充分考慮無(wú)人機(jī)在配送過(guò)程中,最大配送半徑的耐力限制,并忽略無(wú)人機(jī)在車輛上充電的時(shí)間。

因此,生鮮農(nóng)產(chǎn)品配送路徑規(guī)劃目標(biāo)函數(shù)求解問(wèn)題,可看作成一類二級(jí)車輛路徑規(guī)劃問(wèn)題。其中無(wú)人機(jī)屬于二級(jí)路徑規(guī)劃,其是建立在一類車輛配送路徑的基礎(chǔ)上。并且無(wú)人機(jī)在進(jìn)行生鮮農(nóng)產(chǎn)品配送時(shí),主要以空間直行線路完成,可無(wú)須考慮地面的交通狀態(tài)和限制。同時(shí),單位行駛成本較小,遠(yuǎn)低于車輛的行駛成本。因此,最大程度利用無(wú)人機(jī)的配送優(yōu)勢(shì),將其和車輛相結(jié)合實(shí)現(xiàn)生鮮農(nóng)產(chǎn)品配送。基于此,在進(jìn)行目標(biāo)函數(shù)求解時(shí),需依據(jù)無(wú)人機(jī)的不同情況完成,分別為3種情況,一是無(wú)人機(jī)數(shù)量充足,二是無(wú)人機(jī)數(shù)量不充足,三是無(wú)人機(jī)可用數(shù)量為0。其求解流程如圖2所示。

圖2 生鮮農(nóng)產(chǎn)品配送路徑規(guī)劃目標(biāo)函數(shù)求解流程

(1) 無(wú)人機(jī)數(shù)量充足:在該情況下,通過(guò)蟻群算法對(duì)車輛配送路徑進(jìn)行求解,在此基礎(chǔ)上采用無(wú)人機(jī)物流車協(xié)同配送算法,求解無(wú)人機(jī)的配送路徑,以此獲取配送過(guò)程中產(chǎn)生的總成本結(jié)果。

(2) 無(wú)人機(jī)數(shù)量不充足:在該情況下,需對(duì)生鮮農(nóng)產(chǎn)品的重件和輕件比例的配送進(jìn)行調(diào)整,以此降低無(wú)人機(jī)的運(yùn)送壓力。該調(diào)整需依據(jù)蟻群算法和無(wú)人機(jī)物流車協(xié)同配送算法的路徑規(guī)劃求解結(jié)果完成,同時(shí)按照求解的總成本結(jié)果,獲取其中總成本最小結(jié)果對(duì)應(yīng)比例結(jié)果為重件和輕件調(diào)整比例。

(3) 無(wú)人機(jī)可用數(shù)量為0:直接定義全部待配送的生鮮農(nóng)產(chǎn)品快遞件均為重件,全部由車輛進(jìn)行配送,并僅依據(jù)蟻群算法求解目標(biāo)函數(shù),獲取總成本最小的結(jié)果作為配送路徑。

蟻群算法在求解過(guò)程中,主要是模擬螞蟻覓食過(guò)程中,通過(guò)群體協(xié)作完成覓食,實(shí)現(xiàn)最優(yōu)路徑的尋找。通過(guò)隨機(jī)方式將m只螞蟻放入n個(gè)配送中心的位置上,該位置的編號(hào)用(1,2,…,n)表示,螞蟻從其當(dāng)下時(shí)刻自身所處位置開(kāi)始,遍歷所有的目的地。其在遍歷過(guò)程中,對(duì)下一個(gè)轉(zhuǎn)移的目的地確定,是依據(jù)轉(zhuǎn)移規(guī)則P完成,則在t時(shí)刻下,螞蟻從地點(diǎn)i轉(zhuǎn)移至j的概率計(jì)算公式為:

(6)

式中:τij表示信息素濃度;ηij表示螞蟻視距函數(shù);α表示信息素權(quán)重;β表示距離啟發(fā)因子;Uk表示螞蟻在遍歷過(guò)程中下一步可選地點(diǎn)的集合。

依據(jù)公式(6),螞蟻完成下一個(gè)生鮮農(nóng)產(chǎn)品配送地點(diǎn)的選擇,并將選擇的地點(diǎn)接入禁忌列表中。對(duì)所有的配送地點(diǎn)進(jìn)行遍歷,完成遍歷后,進(jìn)行信息素的更新,以此實(shí)現(xiàn)1次迭代操作,并獲取當(dāng)前最優(yōu)螞蟻,定義其為最優(yōu)解。在此基礎(chǔ)上,對(duì)當(dāng)前最優(yōu)配送結(jié)果進(jìn)行更新。重復(fù)該過(guò)程中,當(dāng)?shù)螖?shù)達(dá)到設(shè)定條件后,輸出最終的全局最優(yōu)結(jié)果,即獲取無(wú)人機(jī)與車輛結(jié)合配送路徑規(guī)劃結(jié)果。

1.3.3 無(wú)人機(jī)配送空間安全系數(shù)約束 依據(jù)上述小節(jié)完成生鮮農(nóng)產(chǎn)品車輛與無(wú)人機(jī)組合配送路徑規(guī)劃后,無(wú)人機(jī)在配送過(guò)程中,需充分考慮天氣情況,保證無(wú)人機(jī)在大雨、大風(fēng)等較為惡劣天氣下配送的安全性,避免無(wú)人機(jī)墜落和損壞。因此,文中在螞蟻轉(zhuǎn)移規(guī)則中引入安全啟發(fā)函數(shù),對(duì)轉(zhuǎn)移規(guī)則進(jìn)行優(yōu)化,優(yōu)化后的轉(zhuǎn)移規(guī)則公式為:

(7)

式中:ξij(t)表示安全啟發(fā)函數(shù);ω表示安全啟發(fā)因子,如果該因子的值較小,則表示無(wú)人機(jī)在配送時(shí)面臨的安全風(fēng)險(xiǎn)越小,反之,則越大。

引入ξij(t)后,則可對(duì)無(wú)人機(jī)配送路徑安全進(jìn)行評(píng)價(jià),如果螞蟻的遍歷路徑共存在φ個(gè)柵格,則第i個(gè)柵格的安全系數(shù)用ξi表示,則無(wú)人機(jī)配送路徑安全評(píng)價(jià)指標(biāo)的計(jì)算公式為:

(8)

無(wú)人機(jī)配送路徑規(guī)劃前,先設(shè)定V值,在路徑規(guī)劃時(shí),尋找路徑中安全值大于設(shè)定的值的配送路徑,只對(duì)該路徑上的信息素進(jìn)行更新,以此保證無(wú)人機(jī)配送路徑的安全。

2 效果測(cè)試

為驗(yàn)證本研究方法對(duì)于生鮮農(nóng)產(chǎn)品車輛和無(wú)人機(jī)組合配送路徑規(guī)劃效果,以某生鮮農(nóng)產(chǎn)品電商服務(wù)平臺(tái)及其覆蓋范圍為測(cè)試對(duì)象進(jìn)行對(duì)比分析。

2.1 測(cè)試準(zhǔn)備

將本研究方法用于某生鮮農(nóng)產(chǎn)品電商服務(wù)平臺(tái)中,該平臺(tái)的用戶人數(shù)接近30萬(wàn)人,日均訪問(wèn)量接近13萬(wàn),其覆蓋的配送范圍內(nèi)已經(jīng)存在480個(gè)社區(qū)配送站點(diǎn)。該平臺(tái)為進(jìn)一步擴(kuò)大自身服務(wù)覆蓋范圍,提升自身競(jìng)爭(zhēng)能力以及經(jīng)濟(jì)效益,構(gòu)建異地配送中心,覆蓋22個(gè)二、三線城市。

目前,在異地配送中心進(jìn)行產(chǎn)品配送時(shí),配送成本相對(duì)較高,達(dá)不到預(yù)期的經(jīng)濟(jì)效益。本研究根據(jù)1.2從該平臺(tái)覆蓋的10個(gè)不同類別的配送中心中選取主營(yíng)生鮮配送的中心,生成配送中心及范圍示意圖(圖3)。

圖3 配送中心及范圍示意圖

由圖3可知,本研究從該區(qū)域中確定了3個(gè)主營(yíng)生鮮配送的中心,分別配備配送車輛數(shù)量為47、33和22輛,并且為3個(gè)配送中心分別部署20架、12架和7架無(wú)人機(jī),以此為基礎(chǔ)進(jìn)行路徑規(guī)劃試驗(yàn)。

2.2 測(cè)試指標(biāo)

評(píng)估聚類質(zhì)量的準(zhǔn)則有2種:內(nèi)部質(zhì)量評(píng)價(jià)準(zhǔn)則(internal quality measures)和外部質(zhì)量評(píng)價(jià)準(zhǔn)則(external quality measures)。內(nèi)部質(zhì)量評(píng)價(jià)準(zhǔn)則是通過(guò)計(jì)算簇內(nèi)的平均相似度、簇間的平均相似度或整體相似度評(píng)價(jià)聚類效果,適用于K-means聚類算法的常用指標(biāo)包括Dunn指標(biāo)、CH指標(biāo)、DB指標(biāo)[20]。DB指數(shù)表示集群之間的平均“相似度”,相似度是比較集群之間的距離和集群本身的大小的度量,它是關(guān)于同一簇中樣本的緊密程度與不同簇之間樣本分散程度的一個(gè)函數(shù)[21]。

2.2.1 CH指標(biāo) CH指標(biāo)經(jīng)過(guò)計(jì)算類中各點(diǎn)與類中心的距離平方和來(lái)度量類內(nèi)的緊密度,計(jì)算各種中心點(diǎn)與數(shù)據(jù)集中心點(diǎn)距離平方和來(lái)度量數(shù)據(jù)集的分離度,CH指標(biāo)由分離度與緊密度的比值獲得。CH值越大,代表著類自身越緊密,類與類之間越分散,聚類效果越好。缺點(diǎn)是凸得簇的CH指數(shù)通常高于其他類型的簇。

(9)

式中:u表示聚類數(shù)量;k表示當(dāng)前的類別數(shù);Tu(Si)、Tu(Sj)分別表示類間、類內(nèi)離差矩陣的跡。

2.2.2 Dunn指標(biāo) Dunn指數(shù)指的是一種通過(guò)計(jì)算2個(gè)簇之間的最短距離除以簇內(nèi)的最大距離來(lái)評(píng)估聚類效果的指標(biāo),DVI越大代表類間距越大,反之則類間距越小。缺點(diǎn):對(duì)離散點(diǎn)的聚類測(cè)評(píng)很高、對(duì)環(huán)狀分布測(cè)評(píng)效果差。

(10)

2.2.3DB指標(biāo)DB指標(biāo)是任意兩類別的類內(nèi)距離平均距離之和除以兩聚類中心距離,并求最大值。DB指標(biāo)的取值范圍在[0,1]之間,其值越大表示聚類效果越佳,則位置確定中心效果越佳,反之則越差。該指標(biāo)的計(jì)算式為:

(11)

式中:u表示聚類數(shù)量;s(di)、s(dj)分別表示對(duì)應(yīng)不同樣本類別和聚類中心之間的平均距離;hij表示兩個(gè)樣本i和j之間的距離。

為驗(yàn)證本研究方法對(duì)于生鮮農(nóng)產(chǎn)品配送中心確定效果,本研究采用DB指數(shù)作為評(píng)價(jià)指標(biāo),DB指數(shù)的計(jì)算只需要知道數(shù)據(jù)集的數(shù)量和特征,能夠更快速準(zhǔn)確地衡量位置確定過(guò)程中的聚類效果,是更符合本研究所需的評(píng)價(jià)指標(biāo)。

2.3 結(jié)果分析

依據(jù)式(11)得到的評(píng)價(jià)指標(biāo)與影響確定效果的指標(biāo)范圍,在應(yīng)用本研究方法的基礎(chǔ)上,同時(shí)引入文獻(xiàn)[7]和文獻(xiàn)[8]這兩種方法選取生鮮農(nóng)產(chǎn)品的配送中心。文獻(xiàn)[7]針對(duì)產(chǎn)品的生鮮價(jià)值構(gòu)建配送物流優(yōu)化模型的路徑優(yōu)化方法,簡(jiǎn)稱為“衡量生鮮農(nóng)產(chǎn)品價(jià)值方法”;文獻(xiàn)[8]構(gòu)建生鮮農(nóng)產(chǎn)品鮮度最大化目標(biāo)函數(shù),從而改進(jìn)遺傳算法的路徑優(yōu)化方法,簡(jiǎn)稱為“生鮮農(nóng)產(chǎn)品新鮮度最大化方法”。

按照本研究方法和以上2個(gè)方法分別進(jìn)行測(cè)試,將DB指數(shù)設(shè)置聚類樣本中的測(cè)試數(shù)據(jù)。其數(shù)值越接近于1,表示聚類效果越好,反之越差。基于此對(duì)3種方法的聚類效果進(jìn)行對(duì)比,對(duì)比結(jié)果見(jiàn)表1。

表1 聚類效果測(cè)試結(jié)果Table 1 Clustering effect test results

依據(jù)表1測(cè)試結(jié)果可知,經(jīng)本研究方法處理的聚類樣本,隨著聚類樣本數(shù)量的逐漸增加,DB指數(shù)的結(jié)果也存在一定的波動(dòng)變化,但DB指數(shù)大部分均高于0.8,更接近1。而NSGA Ⅱ算法方法的DB指數(shù)波動(dòng)范圍較小,DB指數(shù)值均低于0.15,極大程度接近0。GT-AS算法的DB指數(shù)波動(dòng)幅度較大,不能趨于穩(wěn)定。因此,本研究方法具有較好的聚類效果,能夠更好地完成配送中心的確定。

根據(jù)在圖3的測(cè)試區(qū)域中確定的主營(yíng)生鮮配送的中心與為其配備的車輛數(shù)及無(wú)人機(jī)數(shù)量,隨機(jī)選擇1個(gè)配送中心及部署的車輛和無(wú)人機(jī),進(jìn)行配送路徑規(guī)劃,獲取路徑規(guī)劃結(jié)果,以此驗(yàn)證本文方法對(duì)于車輛和無(wú)人機(jī)組合配送路徑規(guī)劃效果。驗(yàn)證結(jié)果見(jiàn)圖4。

圖4 車輛和無(wú)人機(jī)組合配送路徑規(guī)劃結(jié)果

由圖4可知,本研究方法應(yīng)用后,能夠有效完成車輛和無(wú)人機(jī)組合配送路徑規(guī)劃,并且通過(guò)無(wú)人機(jī)的配合,可降低車輛的行駛路程;與此同時(shí),無(wú)人機(jī)可與車輛同時(shí)進(jìn)行配送,能夠提升生鮮農(nóng)產(chǎn)品的配送效率。

為進(jìn)一步驗(yàn)證本研究方法對(duì)于無(wú)人機(jī)配送安全的優(yōu)化效果,根據(jù)在圖4測(cè)試區(qū)域中的優(yōu)化前與優(yōu)化后的車輛、無(wú)人配送路徑,選取規(guī)劃前和規(guī)劃后的2條無(wú)人機(jī)配送路徑。在不同天氣情況下,其配送路徑的規(guī)劃結(jié)果,可體現(xiàn)無(wú)人機(jī)配送安全優(yōu)化效果。本研究中結(jié)果僅隨機(jī)呈現(xiàn)大風(fēng)天氣下的路徑規(guī)劃效果,如圖5所示。

圖5 無(wú)人機(jī)配送安全優(yōu)化效果

由圖5可知,本研究方法應(yīng)用后,可有效優(yōu)化無(wú)人機(jī)的配送路徑,優(yōu)化后的路徑盡量避免無(wú)人機(jī)過(guò)多接近配送范圍內(nèi)存在的建筑物,以此降低無(wú)人機(jī)發(fā)生碰撞或者損壞;并且,優(yōu)化的配送路徑長(zhǎng)度的變化幅度不大,在保證配送安全的情況下,不會(huì)導(dǎo)致配送成本的明顯增加。

根據(jù)圖4產(chǎn)生的優(yōu)化配送路徑,設(shè)置生鮮農(nóng)產(chǎn)品重件和輕件在配送時(shí)產(chǎn)生的成本,獲取在不同的總配送生鮮農(nóng)產(chǎn)品快件數(shù)量下,優(yōu)化前與優(yōu)化后的配送成本。以此對(duì)比本研究方法應(yīng)用前后,重件和輕件的配送成本結(jié)果見(jiàn)表2。

表2 配送成本測(cè)試結(jié)果

依據(jù)表2測(cè)試結(jié)果可知,本研究方法應(yīng)用前重件和輕件的配送成本明顯更高于本研究方法應(yīng)用后的成本,本研究方法應(yīng)用后,能夠顯著降低生鮮農(nóng)產(chǎn)品的配送總體成本,應(yīng)用效果滿足應(yīng)用需求。

3 結(jié)論與討論

為保證生鮮農(nóng)產(chǎn)品配送的時(shí)效性,避免產(chǎn)品配送效率較低,導(dǎo)致產(chǎn)品腐壞。本研究提出基于蟻群算法的生鮮農(nóng)產(chǎn)品車輛與無(wú)人機(jī)組合配送路徑規(guī)劃方法,該方法利用無(wú)人機(jī)無(wú)須受到交通約束和限制的優(yōu)勢(shì),將其和車輛結(jié)合進(jìn)行配送,并利用蟻群算法的魯棒性和并行性優(yōu)勢(shì),對(duì)不同無(wú)人機(jī)數(shù)量情況下的配送路徑進(jìn)行優(yōu)化求解,并創(chuàng)新性地引入安全啟發(fā)函數(shù),保障無(wú)人機(jī)生鮮農(nóng)產(chǎn)品配送安全性。本研究設(shè)計(jì)了3個(gè)對(duì)照試驗(yàn),分別對(duì)本研究方法,文獻(xiàn)[7]衡量生鮮農(nóng)產(chǎn)品價(jià)值方法和文獻(xiàn)[8]生鮮農(nóng)產(chǎn)品新鮮度最大化方法進(jìn)行綜合對(duì)比分析,不僅利用K-means聚類效果找出合適的配送中心位置,還驗(yàn)證了模型與算法在降低運(yùn)輸成本上的效果。結(jié)果顯示,本研究所提出的數(shù)學(xué)模型使生鮮農(nóng)產(chǎn)品物流企業(yè)在城市配送貨物的過(guò)程中,能夠合理選取配送中心,保證配送中心的覆蓋程度。此外,與其他文獻(xiàn)相比,本研究還驗(yàn)證了在貨物質(zhì)量劃分為輕件和重件時(shí),本研究方法應(yīng)用后可以更高質(zhì)量地完成配送路徑規(guī)劃,顯著降低生鮮農(nóng)產(chǎn)品的配送總成本,提升配送效率。

基于本研究,今后還有許多需要擴(kuò)展的方面。比如,對(duì)于車輛行駛速度,本研究?jī)H是對(duì)其進(jìn)行了按時(shí)間段劃分取平均值的處理,下一步可以考慮結(jié)合GIS等技術(shù),實(shí)現(xiàn)實(shí)時(shí)路況監(jiān)控,對(duì)于早晚高峰和其他特殊時(shí)間進(jìn)行系統(tǒng)分析,使問(wèn)題更貼合實(shí)際。另外,本研究考慮無(wú)人機(jī)的安全性,引入安全系數(shù)時(shí),無(wú)人機(jī)的安全使用情況不僅與極端天氣,建筑高度有關(guān),實(shí)際上還受電耗續(xù)航時(shí)長(zhǎng)的影響,以后的研究可以更全面地考慮無(wú)人機(jī)因?yàn)槔m(xù)航問(wèn)題影響生鮮農(nóng)產(chǎn)品配送的情況。