基于遺傳算法的物流運輸可行解改進方法，主要是利用結(jié)合節(jié)約歷程法與遺傳算法的優(yōu)勢，建立一個路徑優(yōu)化模型，并從里程、成本等方面，確定優(yōu)化模型的可行性[1]。基于雙向搜索的物流運輸可行解改進算法，主要是建立自適應(yīng)尋優(yōu)網(wǎng)格分布模型，根據(jù)網(wǎng)格規(guī)劃特征進行雙向搜索，找出最短運輸路徑[2]。以上兩種方法均能夠進行物流運輸路徑尋優(yōu)，通過空間位置參數(shù)定位，提升物流運輸效率[3]。但是，效率提升相應(yīng)地增加了經(jīng)濟成本，無法滿足運輸需求。因此，本文結(jié)合數(shù)學建模的優(yōu)勢，設(shè)計了物流運輸路徑可行解的改進算法。

 

1. 基于數(shù)學建模的物流運輸路徑可行解改進算法設(shè)計

1.1 提取物流運輸需求特征

在物流運輸路徑可行解改進算法中，分析物流運輸?shù)目偭啃枨蟆r值特征、外延特征等，是運輸路徑優(yōu)化的關(guān)鍵因素，為路徑規(guī)劃提供基礎(chǔ)條件。物流運輸?shù)目尚薪飧倪M主要以用戶需求為主，結(jié)合貨物物流總質(zhì)量、體積、運輸時間、運輸始發(fā)地與目的地等要求，規(guī)劃運輸路徑，由此確定投入資源的規(guī)模[4]。單件貨物體積、毛重、重心、外包裝等情況，均與原廠取得聯(lián)系，確保貨物能夠完整地運送到用戶手中?？紤]到貨物物流運輸?shù)慕?jīng)濟性需求，在貨物運輸目的地中適當?shù)卦黾悠渌噜忂\輸?shù)氐呢浳铮宰疃痰木嚯x護送最多的貨物，最大限度上滿足貨物運輸?shù)膬r值需求[5]。在實際貨物運輸?shù)倪^程中，物流車從當前站點去往下一目的地時，會出現(xiàn)交叉路口，運輸轉(zhuǎn)折點如下圖1所示。

 

圖1 實際物流運輸?shù)缆肥疽鈭D   

 

如圖1所示，在實際物流運輸過程中，物流車輛從物流運輸節(jié)點A到物流運輸節(jié)點B時，在平面規(guī)劃中顯示為距離D。但是，受到實際道路環(huán)境的影響，僅能通過轉(zhuǎn)折點C到達物流運輸節(jié)點B[6]。在交通擁堵的條件下，轉(zhuǎn)折點C的車輛較多，物流運輸時間相應(yīng)增加。

 

1.2 基于數(shù)學建模規(guī)劃物流運輸路徑

在確定了物流運輸需求之后，本文利用數(shù)學建模規(guī)劃運輸路徑，優(yōu)化物流運輸路徑可行解，在滿足物流運輸需求的同時，縮短物流運輸路徑距離，從而實現(xiàn)物流運輸?shù)淖畲蠡?jīng)濟效益[7]。本文結(jié)合物流運輸特征，引入決策變量，將每兩個運輸節(jié)點進行最短路徑尋優(yōu)，避免運輸擁堵問題。決策變量表示為：

 

式（1）中，xij為決策變量表達式；i、j為兩個連續(xù)的物流運輸節(jié)點。從物流運輸節(jié)點i～j的過程中，如果i、j、不連接，不是直線距離，需要轉(zhuǎn)折點C才能完成運輸，則xij=0；如果、為連接狀態(tài)，是一個直線距離，無需轉(zhuǎn)折點C就能完成運輸，則xij=1。根據(jù)物流運輸路徑可行解的數(shù)學描述，本文建立了物流運輸路徑可行

 

 

式（2）中，V為所選物流運輸路徑中運輸節(jié)點個數(shù)；f0為最小目標函數(shù)；wij為節(jié)點i、j的距離權(quán)重。在Xij=1、Xji=1的條件下，節(jié)點i、j之間為連接狀態(tài)，節(jié)點j、i同為連通狀態(tài)。此時，物流運輸所行走的運輸路徑無回路，f0就是優(yōu)化后物流運輸路徑可行解的最優(yōu)值，也就是運輸最短路徑[8]。當Xij=0的狀態(tài)下，節(jié)點i、j之間不連通，此時物流運輸路徑可行解的數(shù)學模型表示為：

 

式（3）中，f0'為節(jié)點i、j之間不連通條件下，物流運輸路徑可行解的最差值，也就是運輸最長路徑。此時物流運輸所行走的運輸路徑有回路，且不止一條。假設(shè)節(jié)點i、j之間存在2個轉(zhuǎn)折點，則此時的最短路徑為：f0''=m in(α·f0+β·f0')(4)

 

式（4）中，f0''為2個轉(zhuǎn)折點條件下運輸最短路徑；α、β為加權(quán)系數(shù)。結(jié)合f0、f0'、f0''等條件，建立的最佳物流運輸方案，能夠滿足物流運輸實際需求，最大程度上提升物流運輸業(yè)的經(jīng)濟效益。

 

2. 實驗

為了驗證本文設(shè)計的改進算法是否具有優(yōu)化效果，對上述算法進行了實驗分析。分別使用文獻[1]基于遺傳算法的物流運輸可行解改進方法、文獻[2]基于雙向搜索的物流運輸可行解改進算法，以及本文設(shè)計的基于數(shù)學建模的物流運輸可行解改進算法，對物流運輸路徑可行解進行優(yōu)化，并將算法性能指標進行對比，找出最佳改進優(yōu)化方案。實驗準備過程以及最終的實驗結(jié)果如下所示。

 

2.1 實驗過程

本次實驗選用大城市的物流運輸數(shù)據(jù)集作為算法測試集，城市交通在7:00～9:00、16:00～19:00的時間段較為擁堵，在10:00～15:00、20:00～6:00較為暢通。為了分析算法的可行性，本文選擇7:00～9:00、10:00～15:00、16:00～19:00的時間段進行了3組實驗。不考慮自身因素時，配送站點間道路均為直接連接，提升實驗效率。根據(jù)道路實際情況，生成物流運輸序列，如下圖2所示。

 

圖2 物流運輸序列示意圖   

 

如圖2所示，本次實驗將不同的物流運輸坐標節(jié)點進行編號，并將其連接成初始站點序列，根據(jù)各個物流運輸節(jié)點的位置，設(shè)置更加符合運輸需求的最短路徑。

 

2.2 實驗結(jié)果

在上述實驗條件下，本文進行了3組實驗，每組實驗進行10次，將每組實驗的平均迭代次數(shù)記錄。在平均迭代次數(shù)最大時，得到物流運輸路徑可行解的最優(yōu)值、最差值、平均值，作為改進算法的性能指標。在其他條件均一致的情況下，將文獻[1]基于遺傳算法的物流運輸可行解改進方法性能指標、文獻[2]基于雙向搜索的物流運輸可行解改進算法性能指標，以及本文設(shè)計的基于數(shù)學建模的物流運輸可行解改進算法性能指標進行對比。實驗結(jié)果如下表1所示。

 

如表1所示，物流運輸路徑可行解的最優(yōu)值就是物流運輸?shù)淖疃搪窂剑晃锪鬟\輸路徑可行解的最差值就是物流運輸?shù)淖铋L路徑；物流運輸路徑可行解的平均值就是物流運輸?shù)钠骄窂?。物流運輸路徑可行解的改進算法平均迭代次數(shù)越少，可行解計算時間越短，物流運輸路徑規(guī)劃效率越高。物流運輸路徑的最優(yōu)值、最差值、平均值越滿足實際路徑最短需求，可行解改進算法越有效。由此可見，在平均迭代次數(shù)最小的同時，最優(yōu)值、最差值、平均值最短的條件下，確定為最佳路徑規(guī)劃方案，改進算法性能更佳。在其他條件均一致的情況下，使用文獻[1]基于遺傳算法的物流運輸可行解改進算法之后，平均迭代次數(shù)較多，最優(yōu)值、最差值、平均值中均顯示為較長的物流運輸路徑，無法適應(yīng)物流運輸路徑規(guī)劃需求。使用文獻[2]基于雙向搜索的物流運輸可行解改進算法之后，平均迭代次數(shù)有所降低，物流運輸路徑可行解的最優(yōu)值、最差值、平均值均得到了改進，但從整體來看，迭代次數(shù)仍然較大，可行解仍然較高，亟須進一步處理。而使用本文設(shè)計的基于數(shù)學建模的物流運輸可行解改進算法之后，平均迭代次數(shù)低于300次，最優(yōu)值低于550km，最差值低于600km，平均值低于560km。由此可見，使用本文設(shè)計的方法能夠更加快速地規(guī)劃出物流運輸?shù)淖疃搪窂剑嵘\輸經(jīng)濟效益。

 

  

 

表1 實驗結(jié)果 

 

 

3.結(jié)束語

近些年來，電子商務(wù)快速發(fā)展，越來越多的人群選擇在網(wǎng)絡(luò)軟件上購買商品，物流業(yè)也隨之發(fā)展。受到不同區(qū)域的商品購買環(huán)境影響，物流成本、運輸成本、管理成本不同，物流運輸時間越長，相應(yīng)的成本越高，無法滿足物流運輸行業(yè)的經(jīng)濟效益。因此，本文利用數(shù)學建模，設(shè)計了物流運輸路徑可行解的改進算法。從需求特征、規(guī)劃路徑等方面，找出物流運輸路徑可行解的最優(yōu)值，最大程度上縮短物流運輸距離，為提升產(chǎn)業(yè)經(jīng)濟效益作出保障。