多倉庫物流周期聯合配送粒子群擇優算法仿真

龔艷茹,馬立坤

(1. 北京科技大學天津學院,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]作為企業交流過程中不可或缺的重要組成部分,其配送方案與經濟合理性已成為彰顯企業競爭力及企業管理能力的重要象征。物流配送之所以能夠在世界范圍內有效流通,不僅是因為其實現了現實物品網絡運輸的理想化服務狀態,還因為其現代化的經營理念對傳統商貿領域產生了巨大的沖擊和影響,使現代物流[2]更加信息化、現代化、社會化。由此可見,優化物流配送能力是企業提升自身市場競爭力的關鍵所在。

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,使物流成本模型優化成雙目標優化模型,優化后的模型不僅能夠提供商品最優配送方案,還能根據商品配送時間分析物流敏感度,實現物流配送方法的優化,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區域的最大化物流分布指標相結合,構成物流系統綜合優化模型,將變異算子改進的遺傳算法輸入該模型中,使物流系統綜合優化模型的收斂速度顯著提升,實現物流配送方法的優化,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據的關系特征,建立基于大數據背景下整合計算流程簡便的物流配送鏈優化模型,該模型能夠實時分析物流配送鏈信息,獲取最佳配送路徑,實現物流配送方法的優化,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合配送粒子群擇優算法。

2 建立物流配送優化模型

2.1 選擇優化目標

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,若從現實視角分析物流配送成本,則與其相關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,由此可見,優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,進而獲取實際運輸量和車載率基于油耗量、載重量、時間窗、行駛速度的最優向量指標。

由于物流配送成本與物流配送距離成線性關系,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的過程中,需要協同考慮兩因素對于最小能耗參數的影響。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為閾值范圍內的最優向量指標,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向量指標和車載率最優向量指標。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;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間;f(s)表示物流配送成本對物流配送距離的影響系數。

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向量指標后,將該指標數據輸入自適應差分進化算法[10]中,提取基于最小能耗參數的物流配送成本,完成優化目標的選擇。自適應差分進化算法的表達式如下

(5)

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

2.2 建立基于優化目標的物流配送優化模型

(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;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區的物流配送業務滿意度。

物流配送優化模型的表達式如下

(8)

3 粒子群擇優算法

3.1 收斂性條件

利用粒子群擇優算法對物流配送優化模型迭代求解,獲取基于物流配送優化模型的加速參數,進而提升整體物流配送業務的性能,首先要設立收斂性條件,限制物流配送優化模型的收斂性,達到簡化模型計算復雜度的目的。收斂性條件的設立過程如下:首先通過FastICA算法[12]消除模型內重疊特征多項式,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,將加速度慣性權重輸入多維空間內,獲取基于配送物流優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表示物流配送優化模型的收斂極限;ay表示收斂條件對物流配送優化模型的簡化參數;κ表示物流配送優化模型計算復雜度的最小閾值。

3.2 粒子群擇優算法求解物流配送優化模型

物流配送優化模型經過收斂條件的限制,其計算復雜度得到大幅度降低,對后續模型求解工作具有重要意義。利用粒子群擇優算法求解物流配送優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化模型基于物流配送成本與物流配送損耗之間的最優平衡狀態,再將該平衡狀態系數輸入參數自調整粒子群模型中迭代,根據模型迭代輸出的加速參數,實現物流配送優化模型的求解,該加速參數不但能夠最大限度減少物流配送過程中造成的能源、經濟損耗,還能拉近客戶與物流配送企業之間的關系,實現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化模型經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。二維向量表達式如下

(12)

式中,Δp表示二維向量權重值;ei表示向量學習因子;sinv表示二維向量結合粒子群的權重系數。

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。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系數輸入參數自調整粒子群模型中迭代,獲取物流配送優化模型的加速參數。參數調整粒子群模型的表達式如下

(14)

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

4 實驗與分析

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

選擇a、b、c三組規模不同的物流服務區作為實驗對象,a組客戶數為3000,服務區配送面積為2公頃;b組客戶數為1000,服務區配送面積為1公頃;c組客戶數為5000,服務區配送面積為3公頃。規定上述三組物流服務區為實驗對象,分別采用不同方法優化物流配送方法,對比不同方法基于三組物流服務區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]方法優化物流配送方法,并將優化后的物流配送方法分別應用于a、b、c三組規模不同的物流服務區中,通過對比不同方法的物流配送時間,總結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三組規模不同的物流服務區內的物流配送時間都出現大幅度下降,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,建立基于優化目標的物流配送優化模型,使得物流配送在時間方面表現出極高的優越性。文獻[4]方法優化物流配送方法后,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三組規模不同的物流服務區內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三組規模不同的物流服務區內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。經上述對比可知,所提方法優化物流配送方法后,其時間縮短量明顯優于傳統方法。

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]方法優化物流配送方法,并將優化后的物流配送方法分別應用于a、b、c三組規模不同的物流服務區中,通過對比不同方法的物流配送距離,總結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三組規模不同的物流服務區內的物流配送距離都出現大幅度下降,即物流配送的距離縮短量明顯。文獻[3]方法優化物流配送方法后,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三組規模不同的物流服務區內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三組規模不同的物流服務區內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。經上述對比可知,所提方法對物流配送優化后,不僅能夠擇選出最優配送路徑,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務的滿意度。

5 結束語

傳統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合配送粒子群擇優算法仿真的方法,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濟損失。如何在保證物流配送全面優化的同時,實現物流配送過程中包裹、貨物的實時監控,提高包裹、貨物的安全性是研究人員下一步工作的重點。