研究单体整合电子商务物流一体化背景下的收集和分发

文摘

分销网络组成的位置和路线是电子商务物流的一个重要组成部分。物流与电子商务的持续改进要求水平,物流网络规划的实践只有从网络的角度位置或车辆路线可以不再满足实际的需求。除了location-routing的全面的考虑问题,造成的逆向物流应该考虑客户返回货物。本文的破坏和重组策略自适应大规模邻域搜索算法引入传统的遗传算法,以物流location-routing问题进行研究的背景下整合收集和分发。最后,优化遗传算法的有效性验证了Matlab工具和location-routing现有水准数据集的问题,这为物流企业的规划和决策提供了参考。

1。介绍

随着中国的经济发展进入新的常态,自2015年以来,中国电子商务产业的发展从超高速度逐渐减慢,呈现出稳步增长的趋势,如表所示1。

电子商务的持续增长给物流行业带来了前所未有的发展机遇。中国自2015年以来,订单量的实时物流行业继续上升,如图1。

对于物流企业来说,不断扩大市场既是一个机会也是一个挑战。电子商务物流涉及很多环节,有许多因素影响物流效率和成本。研究Sureka et al。1)(2018年)表明,运输过程等因素,事故,产品包装和存储对物流效率和结果有很大的影响。王等人。2)(2020)认为,经济发展,区位优势,教育水平和其他因素对沿线的区域物流有很大的影响。本文的研究工作将开始从物流配送中心的位置的角度和运输车辆路线,市场需求的背景下整合收集和分配,通过优化location-routing物流网络,减少物流成本,提高物流效率。

2。研究概述物流Location-Vehicle路由集成

2.1。位置的物流问题

物流定位问题通常指物流设施的定位问题,也称为位置分配问题(圈)。早在1909年,美国物流专家韦伯(3)分布之间的关系进行研究仓库和多个客户和物流成本,导致许多学者的研究高潮在物流中心的位置。因此,早期的单中心定位问题也被称为单韦伯问题,这意味着在欧几里得空间找到一个位置可以最小化距离之和代表客户这几个点的位置。当有多个这样的位置,问题转换成multi-Weber问题,也称为P-median问题。

假设设施选址需要的数量米和客户的数量与位置n。每个设备的分销能力 ,和每个客户的需求 。 代表了我^th设施, 代表了j^th客户。 是一个决策变量,代表了未知的设施的位置吗我, 代表客户的已知位置j,如图2。

两个问题应该解决设施的位置。一个是如何确定的位置米设施,另一种是哪些客户每个设施都应该负责。通过位置设置和任务分配,确保客户和服务设施之间的距离之和最小。也就是说,

假设是总服务需求的客户服务我^th设施;不需要满足:

这可以确保每个设备有能力满足客户的服务需求。同时,也是必要的,以确保每个客户服务只有一个设备;也就是说,

在这里,是一个决策变量的值为0或1。 欧几里得距离客户吗j到工厂我。然后,当的价值是1,

在上面的想法,许多学者进行了相关研究工作通过使用不同的方法。唐(4)综合考虑交通和土地使用等因素,构建一个多层次物流中心选址模型的优化目标是最小化运输成本。提高效率和降低成本,徐et al。5)使用pseudo-reverse SMA重新设计物流配送中心选址模型。对于冷链物流配送,肖和张6)重新设计了选址模型目标函数,通过增加商品的成本损失,结果表明,单层的分销网络是局部最优解和二级分销网络的整体最优解。蜀(7)改进的模糊综合评价方法和研究物流中心的位置通过多级模糊综合评价方法。

2.2。车辆路径问题

车辆路径问题(VRP)是行驶路线问题,首次提出了Dantzig和公羊8]。近年来,随着电子商务对物流业的需求不断增加,VRP吸引了越来越多的关注,它已逐渐成为电子商务物流配送的一个重要研究课题。对于某一物流企业,索引如交货地点、接收,数量和容量限制分配车辆,货物体积和平均每日分布相对稳定或逐渐调整根据既定的计划,如图3。

在图3, 代表了我^th设施, 代表了j^th客户。每个设备的分销能力 ,和每个客户的需求 。 代表的位置我设施, 代表客户的位置j。每一个设备负责提供分销服务几个客户 。只有一个循环设置车辆的行驶路线,和每个客户只提供一次。在这种情况下,企业需要科学计划每天每辆车的行驶路线分布过程,从而实现目标的总里程最短,最少的时间消耗和最低的配送成本。徐和Yu (9)使用计算机仿真技术结合用户决策矩阵和非线性函数来构建一个路线规划模型。马和锅10)建立了一个物流运输路由优化模型基于改进蚁群算法,改善了交通物流行业的效率。夏和周11)把罐装水果的运输为例,获得了最优路线选择计划通过建立一个线性规划的数学模型。聚氨酯和张12)改进的蚁群算法用于规划和设计物流和配送车辆路径问题,并获得最优路由成本远远低于传统方法获得的。

2.3。问题的收集和分发和Location-Routing集成的集成

Maranzana [13),这项研究的创始人location-routing问题(单体),是第一个研究供给点的地理位置和距离之和供应服务在同一时间点。然后在20多年,对单体的研究迅速发展,1980年代末,相关研究成果达到了顶峰。近年来,电子商务的快速发展对物流提出了更高的要求。单一研究配送中心位置和交通路线不再能满足物流配送的实际需求。出于这个原因,含再次成为很多学者研究的重点。最优物流配送网络实现了通过设置设施选址和车辆行驶路线的同时,从而实现最优分配方案。学者如王et al。14王),et al。15),郭et al。16,刘等人。17在这个问题上开展了研究工作。

早期研究部队进行了针对物流配送,主要研究如何发货给客户最低的成本和最高的效率。股票在1992年,美国学者首次提出逆向物流的概念在提交给美国物流管理协会的一份报告中,有开明的许多学者研究的数学模型,成本、价值、效率、和其他逆向物流的问题。

逆向物流是回执问题,也称为回程车辆路径问题(VRPB)。电子商务行业的不断发展,已经有越来越多的返回的货物,在整个物流和逆向物流的比例逐渐增加。因此,物流企业做销售时,他们必须考虑商品的集合,因此,研究电子商务物流优化问题变得越来越复杂,因为它需要结合收集和分发和单体的集成问题一起考虑。为了有效地解决这个问题,本文将设计和开发新的模型和算法开展以下研究工作的基础上,以前的研究和分析。建立模型时,应该引入模糊时间窗技术对解决这个问题的更大的弹性客户时间满意度。算法设计中,传统的自适应遗传算法应该升级和提高了使用的想法破坏和重组的邻域搜索策略,进一步加强算法的解决方案能力,提高收敛速度,优化结果。

3所示。模型和算法设计

3.1。模型建设

3.1.1。模型结构和相关假设

一个城市的物流网络模型通常包括三个层次,即配送中心、转运站和服务网点。服务网点也distribution-recycling网点,直接向客户提供服务,如图4。

在模型图所示4,有双向物流配送中心之间的不同。有单向的物流配送中心和转运站,也在转运站和服务网点。为了更好地完成模型设计,我们需要进行以下假设。

首先,配送中心的数量和地理位置,转运站,和服务网点已经知道,所以服务能力和成本分摊每一层的网络节点。第二,每个服务出口是已知的客户,所以客户分布的数量和货物堆积。第三,三级网点之间的分配车辆的数量是已知的,所以是总承载力。最后,物流网络节点之间的欧几里得距离是已知的,所以是车辆的驾驶距离。在上述假设的前提下,建立了,第一级location-routing分析模型是根据结构图设计的。

3.1.2。构建数学模型

前面分析的基础上,基于研究的需求收集和整合的前提下的location-routing分布,构造的数学模型如下:(1)物流和配送的总成本。代表物流配送的总成本,代表商品的分配成本, 代表的物流成本K^th商品,代表了每单位距离的运输车辆,运输成本代表了固定调度运输车辆的费用,和表示节点之间的距离和 。 是决策变量,什么时候 ,这意味着车辆是开车从来 ;当 ,这意味着之间没有可用的路线和 。物流总成本最低 (2)客户满意度水平。使用代表客户满意度和 代表客户的集合点的物流网络,最大的客户满意度 (3)收集和整合分布的限制。每辆车必须完成客户的分布和收集需求,这意味着必须满足标准的收集和整合分布。与此同时,还必须确保每个客户只能由一个车。 在这里,是决策变量;当= 1,这意味着车辆是开车从来 ;当 ,这意味着之间没有可用的路线和 。(4)为了确保客户满意度水平,客户服务时间需要约束和约束模型 在这里,代表客户的服务时间开始 , 代表了交通工具的时候到达客户的位置 , 代表单位商品的平均收集时间,代表客户所需的收集量 , 。(5)收集和分发货物的总金额客户服务的每一个转运站不能超过最大容量的转运站,和约束模型 在这里,代表了配送中心服务能力限制,和 转运站的集合在分销系统。是一个决策变量,它的值是1,这意味着配送中心被选中;否则就不选中。(6)的总承载力分配车辆在每个分布路线必须大于货物的总量收集和分布在这条路线,和约束模型 (7)客户和换乘站,换乘站的车辆和局限于一对一的关系。与此同时,在驾驶过程中,应该避免客户点之间的循环。约束模型 (8)在分配过程中,收集和交付的上限数量的每个参与客户的换乘站是固定的。因此,它是必要的,以确保转运站的收集和交付总额仍然是守恒的。约束模型

3.2。算法设计

location-routing集成问题是网站path的组合问题和路径问题,及其复杂性相当于后者的叠加两个。当物流网络覆盖了一个广阔的区域内和操作的规模很大,几乎是不可能使用的算法研究location-routing集成问题。例如,在客户交货时间要求的描述,我们有不同的标准和原则,将时间窗口分配给每个客户,所以模糊时间窗的使用是正确的选择。在算法设计中,节点的破坏和重组策略自适应大规模邻域搜索算法引入混合自适应遗传算法改进传统自适应算法的各种方法,提高算法的效率和收敛速度的解决方案。具体的计算可以在两个阶段进行。在第一阶段,目标问题转化为一个位置路径问题与硬时间窗约束和解决物流成本来获得一个相对最优的解决方案;在第二阶段,在第一阶段获得的最优解计算使用模糊优化过程,这是向前或向后移动删除的凝固路径的基础上进一步提高客户满意度水平。

3.2.1之上。大规模邻域搜索策略和混合自适应遗传算法

自适应大规模邻域搜索算法是一种启发式方法Ropke和Pisinger在2006年提出的。邻域搜索算法的本质是破坏和修复交替初始解,最终得到最优解。测量的影响增加了运营商ALNS附近搜索的基础上,所以该算法可以自动选择一个更合适的运营商破坏和修复最初的解决方案。通过这种方式,获得更好的解决方案的概率会大大提高。有许多算法可用于社区搜索,其中唯一有问题的模拟退火算法,它可以只使用一个街区,所以可以搜索相对小的空间,所以找到全局最优解的概率。变邻域搜索算法,搜索范围大,可用于从多个社区找到最优解。然而,由于该算法缺乏必要的目标,盲目搜索经常发生。相对而言,自适应大规模邻域搜索算法弥补了上述不足。做社区选择时,它可以根据历史操作结果做出判断,这大大增加了获得最优解的概率。

物流网络,破坏过程的服务网点、配送路线,公交站,或配送中心一个接一个,删除对象是暂时存储在一个数组插入。破坏后,修复过程进行,插入数组中的对象是随机插入到可插入的位置和被重新计算成本。最后执行本地搜索,直到找到一个最佳的解决方案。

破坏和修复策略的大规模邻域搜索算法引入混合自适应遗传算法来取代原来的交叉和变异过程,完成算法的优化。具体的过程如图5。

3.2.2。编码和罚函数的设计

把图4作为一个例子;自然数是用来编码由三部分组成。第一部分是客户序列号。有10个客户点需要物流服务,序列号C1∼C10。第二部分是车辆代码。有6个交通工具的序列号V1∼V6。车辆代码是由服务的客户最初的代码。第三部分是换乘站代码。在这个例子中,有6个转运站的序列号S11∼S16。其中S11, S12,向S14系列选择,没有选择转运站和车辆忙于编码0。 According to the above rules, the codes generated are [1, 5, 8, 10, 2, 9, 7, 6, 3, 4, 5, 2, 7, 6, 0, 0, 11, 12, 14, 14, 0, 0]. This code is divided into three substrings, as shown in Figure6。

四个选择转运站生成四个车辆运输路线,即路线1:11-5-1-11;路线2:12-2-10-8-12;路线3:13-7-9-2-13;路线4:14-6-3-14。

代表了罚金超过车辆承载力的上限,代表了罚金超过最大视觉排队的顾客,和代表了罚金超过最大服务能力的转运站。根据该算法设计要求,惩罚约束函数如下公式所示:

3.2.3。代的初始解决方案

代表的时间变化的车辆来 ,还有

代表之间的最大允许时间前进j和客户点,还有

代表之间的最大允许的时间向后j和客户点,还有

具体过程如下:(1)扫描客户未赋值的点,连接客户点最近的转运站,算成集的关系。(2)根据客户的数量,转运站,顶部转运站设置为选择模式,安排车辆。(3)根据最短的距离优先的原则,顾客所选的转运站,计算成本的距离排序表之间的转运站和每个客户。(4)与客户联系一个接一个成本表,根据距离和判断当前车辆容量是否满足。如果不是,跳到步骤(7);如果满足,跳到步骤(6)。(5)计算 ,如果 ,执行步骤(6)。如果 ,计算和 ;如果 或 ,执行步骤(6);否则跳过步骤(7)。(6)添加客户对当前路线集的结束和重新计算的时候每个客户车辆到达的位置。(7)从距离中删除当前客户对成本表和跳过步骤(4)。

4所示。有效性验证

4.1。验证算法的有效性

大学的博士学位论文在Barreto威18)编制一套location-routing水准数据问题与多个约束。本文打算使用这个数据集验证上述算法设计并通过比较分析说明了该算法的有效性与其他常见的算法。

为了得到尽可能有效的参数,在正式运行之前,我们需要执行多个试验操作来调整参数根据操作的结果。操作参数主要包括以下:不同人口规模参数: 。终止进化参数: 。消除相邻点的概率参数: 。删除概率最大节约点参数: 。删除概率随机路由参数: 。消除单点的概率路由参数: 。关闭和打开的概率分布网点参数: 。Not-allowed-to-change分销网络状态参数: 。

数据分析和算法操作环境采用Matlab, MathWorks产生的一种工具。算法的核心逻辑主要是由c#编写的工具。c#类库的算法功能需要转移到Matlab;通过结合Matlab工具箱的内置函数,我们可以完成的解决方案过程计算的一组Barreto提供的标准并获得结果集。由于计算的一组数据集是巨大的,我们只选择十代表数据集的操作。为了有效地衡量这个结果集的优点和缺点,我们将它与其他文献中不同算法的结果集,其中包括掌握算法,CH算法,和SA-ACS算法,如表所示2和3。

如表所示,该算法在本例中并不排除突然改变的可能性概率在解决过程中,这意味着一些较小的问题的解决方案可能需要大量的时间,甚至没有全局最优的解决方案在系统规定的时间范围。相反,对于一些大型的问题,我们可以在很短的时间内找到全局最优解。这种突变的存在概率了隐患的公平算法。然而,通过比较本文的算法与其他三种类型的算法和已知的最优解,我们可以看到,设计算法的索引执行得很好。在Gaskell67-21的两个例子5和Gaskell67-225、本文算法获得的解决方案完全符合最优解决方案。偏差率1%和11%之间波动,而Gaskell67-34示例5推出的六收敛偏差率最高,达到11%,和其他9例子的偏差率低于10%,这是相当合理的。以上数据充分表明,本文设计的算法可以应用于解决实际问题,而且可以为物流企业决策提供参考。

4.2。模型的验证

因为没有标准的例子,本文使用水准提出的例子20-5-1a普林斯(19)2006年来验证该模型的有效性。参数信息表所示4- - - - - -6。

在模型设计中,启用了四个转运站和四个交通工具,和四个分布路线设置如下:路线1:11-5-1-11;路线2:12-2-10-8-12;路线3:13-7-9-2-13;路线4:14-6-3-14。最低设置客户满意度为0.9,和优化解决方案是由使用的示例数据表4- - - - - -6。结果如表所示7。

从表可以看出4- - - - - -6优化之后,客户满意度从0.9增加到0.918,增加了2%。因此,本文设计的模型是正确和可行的,可以为物流企业提供指导的位置路径规划的决定。

5。研究的结论

电子商务的蓬勃发展给物流企业带来了前所未有的发展机遇,但同时也提出了更高的要求,物流服务的质量。对物流企业来说,降低配送成本,提高配送效率不仅为企业自身的发展需求,但也不可避免的需求来满足社会需求和提高客户满意度。通过科学规划,可以有效地解决物流location-routing问题,企业可以实现上述目标。

首先,本文简要分析了location-routing问题的发展和研究现状和建议,为现代物流企业,一个位置选择和规划不能满足发展要求;相反,我们应该集中解决location-routing问题。此外,本文阐述了location-logistics的研究和发展状况的背景下整合收集和分发。接下来,通过使用自适应大规模邻域搜索算法的研究策略作为参考,本文嵌入破坏和重组方法在传统的遗传算法来取代原来的cross-factor和变异因子链接,从而实现分析模型和算法的设计。

最后,location-routing水准数据集的多个约束的问题,解决由Barreto使用本文和Matlab工具被用来验证设计的模型和算法的有效性。与已知最优解相比,计算结果集的优化算法设计本文都置信区间内,基本上和偏差率约为10%,表明该算法有良好的可用性,可以应用于分析和处理实际问题,为物流企业的规划和决策提供参考。

数据可用性

本研究的数据主要来自国家统计局的年度统计年鉴和中国一年一度的全国电子商务公共服务网络的电子商务报告中国的商务部。以下是相关链接:https://data.stats.gov.cn/;https://dzswgf.mofcom.gov.cn/yjbg/page1.html。

的利益冲突

作者宣称没有利益冲突。

引用

1. g . Sureka y达,d . Wickramarachchi”因素影响逆向物流过程的效率和有效性,”国际物流与贸易杂志》上,16卷,不。2、74 - 87年,2018页。视图:出版商的网站|谷歌学术搜索
2. 问:h . Wang, j·李,李x“随机前沿分析物流效率及其影响因素在省“带和道路”、“高速公路和交通研究期刊》的研究和发展,37卷,不。10日,151 - 158年,2020页。视图:谷歌学术搜索
3. a·韦伯超级坑Standort Industrien美国芝加哥大学,芝加哥,1929年。
4. z唐”,多层次的物流中心位置和声搜索算法的基础上,“物流技术,38卷,不。11日,第92 - 89页,2019年。视图:谷歌学术搜索
5. 杨x, z, l .刘“SMA为解决物流配送中心的定位问题,“计算机工程与应用卷,56号1,第157 - 150页,2020。视图:谷歌学术搜索
6. 肖z和x张的冷链物流配送中心选址模型满足JUSDA限制,”统计与决策,36卷,不。12日,第188 - 185页,2020年。视图:谷歌学术搜索
7. x蜀”,分析物流中心的位置基于模糊综合评价的方法,”内江科技,42卷,不。3,43-44,2021页。视图:谷歌学术搜索
8. g . b . Dantzig和j . h .公羊”卡车调度问题。”管理科学》第六卷,没有。1,第91 - 80页,1959。视图:出版商的网站|谷歌学术搜索
9. 徐c和x Yu”建模与仿真分析,为智能交通平台最佳运输路线的选择,”计算机模拟,36卷,不。3、175 - 178年,2019页。视图:谷歌学术搜索
10. g . Ma和f .锅”,研究基于改进蚁群算法在物流运输路线上,“计算机工程与科学,42卷,不。3、523 - 528年,2020页。视图:谷歌学术搜索
11. 问:夏和j .周”,研究基于MATLAB软件优化运输路线,“物流技术,43卷,不。10日,97 - 100年,2020页。视图:谷歌学术搜索
12. m . Pu和y张”,物流配送车辆路线优化方法基于改进蚁群算法,”吉林化工学院技术杂志》上,38卷,不。5,90 - 94年,2021页。视图:谷歌学术搜索
13. f . e . Maranzana”供应的位置点最小化运输成本,”运筹学学会》杂志上,15卷,不。3、261 - 270年,1964页。视图:出版商的网站|谷歌学术搜索
14. s . Wang y赵,l .愣,c,和h .江”低碳location-routing基于蚁群选择hyper-heuristic算法问题,“计算机集成制造系统,26卷,不。6,1702 - 1716年,2020页。视图:谷歌学术搜索
15. y . c . Wang郑,h .仪陇,h . Hongtao”研究地点选择新鲜的食品物流配送network-route优化”数学在实践和知识,50卷,不。10日,33-43,2020页。视图:谷歌学术搜索
16. f .郭、黄z和w·黄”对配送车辆路径问题的研究,考虑到前面的位置和服务策略仓库,”系统工程理论与实践第41卷。。4、962 - 978年,2021页。视图:谷歌学术搜索
17. 刘、张h .和l .张”同时交付和皮卡location-routing问题和混合免疫算法,”计算机应用研究,1 - 7卷,2021年。视图:出版商的网站|谷歌学术搜索
18. s . s . Barreto location-routing问题的分析和建模,“Averiro大学威,葡萄牙,2004,博士论文。视图:谷歌学术搜索
19. c·普林斯、c . Prodhon和r·w·卡尔沃”解决生产location-routing问题,辅以理解学习的过程和路径链接,”4、,4卷,不。3、221 - 238年,2006页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021秦文君李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。