基于自适应遗传聚类算法的物流越库配送仿真

李萍萍

（宣城职业技术学院 教育与管理学院，安徽 宣城 242000）

电子商务的飞速发展改变了人们的消费习惯和消费模式[1]，与之相应的物流行业受到了越来越多的关注[2]。为了最大限度满足异地采购的体验感受，提高物流配送的效率是亟需解决的问题之一[3]。为了解决这一问题，除了增加物流配送车辆和人员外，合理规划物流配送车辆的行驶路线也是十分必要的[4]。在现阶段的相关研究中，已有学者就物流配送问题进行了相应探索[5]，其中，李眩等从物流配送中心选址角度出发，将变异和动态自适应PSO融入选址模型的构建中[6]，提高了物流中心选址的合理性，在一定程度上降低了物流配送的时间开销。范厚明等以越库配送条件下的车辆调度问题为研究对象，利用时空距离实现对具体资源分配与调度的优化[7]，提高了物流配送的效率，但是在应用方面存在一定的局限性，对于范围较大，配送目标较多的环境适应性较低。邢书宝等以皮革市场物流配送为研究目标，通过将改进后的蚁群算法融入配送路径的规划设计之中[8]，实现了对配送成本的控制，但是同样在较大范围的配送应用上存在一定的不足。通过上述分析可以看出，对物流配送问题进行深入研究是十分必要的[9]。

值得关注的是，越库配送也是现阶段较为常见的一种配送方式。为此，本文提出基于自适应遗传聚类算法的物流越库配送仿真研究，并分析验证了设计配送路径的合理性。

1.1 物流配送路径规划目标

为了确保物流越库配送规划能够与实际的物流配送需求相契合，本文首先构建了物流配送路径规划目标。从本质上分析，物流公司的目标是减少配送过程的总成本，用户的目标是提升物流车辆的配送效率，因此，二者的目标存在一致性[10]。在此基础上，本文从提高客户满意程度的角度出发，对物流配送路径规划目标进行设计。

为了简化后续计算的复杂性，本文将配送路程、配送时间以及配送成本问题统一为配送路径总成本问题。那么，结合物流配送车辆的实际成本构成，其主要可以分为基础运输成本以及运输拥堵成本。其中，基本运输成本指在理想状态下，配送车辆按照规划路径从配送中心行驶到各个目标配送点的成本。由此不难看出，物流配送路径越短，对应基本运输成本也就越低。本文假设在目标配送范围内，包含有m个物流配送中心，待配送的目标配送点数量为n，在允许执行越库配送的前提下，各个节点之间可以构成一个有向的连通图，其可以表示为

其中，L表示目标配送范围内的有向连通图，表示可执行的运输路径，Y表示目标配送点对应的位置信息，Z表示物流配送中心对应的位置信息，并且：

其中，yn表示n目标配送点的位置信息，zn表示m物流配送中心的位置信息。

结合式（1）～式（3），任意目标配送点之间的可执行运输路径对应的基础运输成本计算方式可以表示为

其中，cij表示物流配送车辆从目标配送点i到目标配送点j的基础运输成本，k表示物流车辆行驶单位距离的成本开销，l(yi, yj)表示车辆从目标配送点i到目标配送点j的路径，l(yi,zm)表示车辆从目标配送点i到物流配送中心m的路径，l(yj,zm)表示车辆从目标配送点j到物流配送中心m的路径。

另外就是物流配送期间的运输拥堵成本，考虑到在实际的道路交通运输过程中道路拥堵是不可避免的，通过选择其他路径避开拥堵路段可能会导致车辆的行驶距离增加，而在拥堵路段的等待时间也会对配送效率带来一定的影响。因此，本文对该部分成本的计算综合了二者的平衡关系，其可以表示为

其中，sij表示物流配送期间的运输拥堵成本，sij表示配送车辆在拥堵路段的等待时间，v表示配送车辆在行驶期间的速度。

结合配送路径总成本最小化的要求，物流配送路径规划目标可以表示为

与矿化相关的岩浆岩多为深层的花岗岩类岩石，在平面上岩体多呈等轴状，少数为椭圆状、长条状或其他不规则形状。成矿母岩岩体的露头面积大小不等，可由0.003～5 km2。岩体出露的面积大小主要取决于岩体的剥蚀深度以及岩体本身的规模大小及矿化的延伸程度。据哈萨克斯坦及乌拉尔所展示的资料，岩体顶部深约3～4 km，有的只有1～2 km，而岩体矿化延伸约至8～10 km。

其中，minf表示物流配送路径规划目标。

通过这样的方式，确定量化的物流配送路径规划目标，为后续的路径规划提供依据。

1.2 基于自适应遗传聚类算法的路径规划

结合1.1部分构建的物流配送路径规划目标，本文在对具体的路径进行规划阶段，采用了自适应遗传聚类算法，并且未考虑配送中心与目标配送点之间的覆盖关系，在允许越库的条件下对最优路径进行计算。

具体的路径规划流程分为以下几个步骤。

步骤1：按照目标配送点的数量设置遗传算法的初始种群规模为n，按照各目标配送点之间的交叉关系设置概率P，考虑到目标配送点可能存在调整，因此为其设置了变异概率Pm，由此生成初始种群X。

步骤2：根据式（6）设置遗传算法的寻优目标，为了实现对运输时间和运输成本平衡关系的控制，本文引入了适应度函数，其计算方式可以表示为

利用这样的方式确保规划路径的合理性。

步骤3：根据步骤2的计算结果对目标配送点进行聚类，将在同一不重复路径上的目标配送点划分到同一聚类中。考虑到运输车辆的实际货载存在极值，本文以配送上限作为聚类截至的约束函数。

步骤4：在完成对一个目标配送点聚类的划分后，以剩余的目标配送点为基础，重复执行步骤1～3，直至所有节点都匹配到对应的运输路径中。

以此完成对物流越库配送路径的规划。

为了更加直观地分析本文设计外观缺陷检测方法的应用效果，在MATLAB/Simulink环境中进行了仿真实验测试。

2.1 仿真测试环境构建

在测试阶段，本文以某产品实际供应商和零售商在区域中的分布情况为基础进行仿真环境设置，将供应商和零售商所在的位置作为节点，考虑实际的物流配送条件差异，本文以节点数量为基础构建了包含三种规模的测试组，对应的节点数量分别为10、30和50。对于每个测试组具体的运输参数设置，具体如表1所示。

表1 测试环境参数设置

以此为基础，采用本文设计的方法实施对测试环境内所有节点资源配送路径的规划。为了提高测试结果的分析价值，本文在测试过程中引入了对比机制，对照组采用的路径规划方法分别为文献[7]提出的以时空距离为基础的路径规划方法以及文献[8]提出的以改进蚁群算法为基础的路径规划方法。

2.2 评价指标设置

对于测试结果的评价，本文充分结合了实际物流配送的客观需求，分别以配送时间、配送成本以及配送车辆的行驶距离为基准。考虑到实际装卸效率的差异会对配送时间带来一定的影响，本文对于该指标参数的计算方式表示为

其中，T表示参与测试结果评价的物流配送时间，Tt表示车辆出发到完成配送任务的总时间开销，Tb表示在各个节点执行装卸任务的时间开销总和。

以此为基础，对三种方法的配送效果进行分析。

2.3 测试结果与分析

首先，本文统计了不同方法下的配送时间，得到的测试结果如表2所示。

表2 不同配送路径下的配送时间对比表

从表2的测试结果可以看出，在三种配送路径规划方法下，时空距离规划方法的配送时间随着可调度配送车辆的增加呈现出了逐渐下降的趋势，虽然程度并不明显，但是整体上并未受到测试环境中节点数量的影响，其中，当节点数量为10时（测试环境1），配送时间为685.5 min，当节点数量为50时（测试环境3），配送时间为620.0 min。改进蚁群算法规划方法的配送时间随着测试环境中节点数量的增加呈现出了逐渐上升的趋势，其中，当节点数量为50时（测试环境3），配送时间达到了724.5 min。相比之下，本文设计规划方法对应的配送时间明显低于对照组，基本稳定在460.0 min以内，且并未表现出与节点数量之间的必然关系。测试结果表明，本文设计的基于自适应遗传聚类算法的物流越库配送路径规划方法可以实现对配送时间的有效控制。

其次，本文统计了不同方法下的配送成本，得到的测试结果如表3所示。

表3 不同配送路径下的配送成本对比表

从表3的数据可以看出，在三种配送路径规划方法下，时空距离规划方法的配送成本与数量之间存在对应的倍数关系，受配送车辆运输情况的影响，不同测试环境的单位节点本文开销有小幅波动，但是整体较为稳定，其中，当节点数量为10时（测试环境1），配送成本为556.5元，当节点数量为50时（测试环境3），配送成本为3 082.5元，相比之下的单位节点配送成本分别为55.65元和61.65元。改进蚁群算法规划方法的配送成本随着测试环境中节点数量的增加呈现出了明显的上升趋势，其中，当节点数量为10时（测试环境1），单位节点的配送成本52.04元，当节点数量为50时（测试环境3），单位节点的配送成本62.89元。相比之下，本文设计规划方法对应的配送成本明显低于对照组，并且单位节点的配送成本稳定在50.0元以内。测试结果表明，本文设计的基于自适应遗传聚类算法的物流越库配送路径规划方法可以实现对配送成本的有效控制。

最后，分析了不同方法下配送车辆的行驶距离，考虑到完成配送的必要路径是不可规避的，以此为基础，车辆行驶重复路径的概率越低，则表明对应的路径规划越合理。因此，本文对统计了不同规划方法下对应的车辆行驶路径的重复率，得到的测试结果如图1所示。

从图1的数据可以看出，在三种配送路径规划方法下，时空距离规划方法和改进蚁群算法规划方法的重复行程均表现出随着数量的增加逐渐上升的趋势。当节点数量为50时（测试环境3），2种方法对应的行程重复率分别达到了15.85%和15.36%。相比之下，本文设计规划方法对应的重复行程始终11.50%以内，并未受到测试环境节点数量的影响。测试结果表明，本文设计的基于自适应遗传聚类算法的物流越库配送路径规划方法可以实现对配送行程的合理规划。

在物流行业不断发展的背景下，实现对不同环境下配送车辆行驶路径的合理规划是提高配送效率、降低配送成本的重要保障。本文提出的基于自适应遗传聚类算法的物流越库配送策略，结合实际情况对具体的配送路径进行设计，大大降低了配送期间的时间开销和运输成本。

猜你喜欢 测试环境物流配送聚类 山西将打造高效农村快递物流配送体系今日农业(2021年19期)2022-01-12全数字仿真测试环境在航天软件测试中的应用研究科技创新导报(2021年23期)2021-01-15基于K-means聚类的车-地无线通信场强研究铁道通信信号(2019年6期)2019-10-08雷达航迹处理测试环境构建方法研究科技视界(2019年10期)2019-09-02基于Flexsim的饮品物流配送中心仿真优化研究太原科技大学学报(2019年3期)2019-08-05无人机物流配送路径及布局优化设计电子制作(2018年23期)2018-12-26网络设备自动化测试设计与实现数字技术与应用(2018年5期)2018-09-26直企物流配送四步走知识经济·中国直销(2018年5期)2018-05-26基于高斯混合聚类的阵列干涉SAR三维成像雷达学报(2017年6期)2017-03-26基于Spark平台的K-means聚类算法改进及并行化实现互联网天地(2016年1期)2016-05-04

推荐访问:遗传 算法 仿真