不确定需求下生鲜农产品物流配送路径优化研究

分类：论文范文 发表时间：2022-01-12 08:56

　　摘要：以不确定需求下生鲜农产品物流配送路径优化为目标，构建固定成本、缺货成本等，以总成本最小为目标函数，构建需求不确定模型，选择蚁群算法解决问题，主要对需求确定和需求不确定情况下总成本进行对比，检验不确定需求对企业配送成本带来的影响。

　　关键词：不确定需求；生鲜农产品；物流配送；路径优化

　　1概述

　　为了及时满足消费者的需求，冷链物流逐渐向多批次、小批次的发展方向转变以满足消费者的不同需求，但是我国的冷链配送生鲜农产品相应体系构建并不完善，这就造成某些生鲜农产品减少了其经济价值和营养价值，企业的利润也会受到很大的影响，在保证其质量等方面满足消费者，这就使得企业在生鲜农产品配送过程有着更加严格的要求。为了能够将产品更加高效快速的送到消费者手中，选择更加合理的配送路径就变得尤为重要。生鲜农产品的配送问题一直是学者们对物流进行研究时的重点问题。崔岩（2017）等在对生鲜农产品的路径优化进行研究时，对不确定需求下的生鲜电商进行路径优化问题，建立生鲜电商的路径优化模型，用累积前景理论对问题进行分析，并用改进粒子群算法对模型进行求解[1]。陈久梅（2018）等在对生鲜农产品的物流配送路径研究时，针对消费者的不确定需求，采用多隔室车辆配送方法，以配送成本最小为目标，运用粒子群算法对建立的路径优化模型求解，在解决问题的基础上发现该算法的收敛性良好[2]。将不确定需求下生鲜农产品物流配送路径优化问题的总成本进行思考，结合生鲜农产品物流配送的特征，将配送过程中产生的运输、货损等成本进行思考，同时考虑在实际的配送过程中客户可能会存在需求不确定的情况，当不能满足客户要求时会产生缺货成本。在满足客户时间要求的情况下，以总成本最小为目标，对配送路径进行合理优化，对生鲜农产品物流的发展起到一定的促进作用。

　　2不确定需求下生鲜农产品物流配送路径优化研究

　　2.1问题描述

　　本研究是以一个企业的配送中心为多个客户提供物流配送服务为前提进行建模，将客户需求量等作为研究要素，以配送总成本最小为目标进行如下假设：（1）配送车辆型号相同，载重相同。

　　（2）运输车辆在完成配送服务后要返回配送中心。

　　（3）客户位置已知，配送时间已知。

　　（4）每个客户只能有一辆车一次性完成配送。

　　（5）不存在中途再指派车辆的情况

　　（6）允许配送车辆和配送中心产生缺货的情况，但产生缺货成本。

　　（7）客户需求量未知但服从一定的随机分布。

　　2.2配送成本分析

　　2.2.1车辆固定成本

　　车辆的固定成本是指配送车辆在提供服务过程中所产生的费用，一般包括在运输过程中所产生的损耗、司机的报酬等，该成本一般为常数，不受车辆所载货物重量的影响。固定成本表示为：

　　（1）式中，C1为运输车辆总固定成本；fk为每辆车的固定成本；K为配送车辆的数量，k表示车辆序号(1…k)。

　　2.2.2运输成本

　　车辆对客户进行服务时所产生的各种费用被称为车辆的运输成本。通常包括车辆的燃油费、维修费等。一般情况下车辆的运输成本与运输距离成正相关，距离越远，车辆的运输成本越高。所以运输成本用公式表示为：

　　（2）上式中，C2表示为车辆总的运输成本α为单位距离的运输成本；dij表示客户点i到客户点j的路程；xij为相应的决策变量，当第k辆车从客户点i到客户点j时，xij=1，反之为0。

　　2.2.3货损成本

　　本文的主要研究对象生鲜农产品，企业在配送过程中，货物会因为不同的因素而受到损坏。因为本为研究路径优化，故只考虑在配送过程中的货损情况。因为运输车辆为冷藏车，所以货物在运输过程中处在一个比较稳定的环境中，所以货损程度与服务时间长短有关。本文货损成本是指车辆服务时间的积累引起的货物损失。货物的腐败速率我们认为是指数型的变化。货损函数公式表示为：Qt=e-βt，Qt表示生鲜农产品的质量，β表示生鲜农产品对时间敏感系数Qt与生鲜农产品对时间敏感系数和配送时间有关。配送过程中货损成本为：

　　（3）式中C3表示总的货损成本；p为生鲜农产品的单价；yjk为决策变量，当yjk=1时，表示车辆k已为j服务，反之为0；Qj表示客户j点的需求量，λ表示运输过程中生鲜农产品常数，tkij表示车辆从i点到j点的行驶时间。

　　3算法设计

　　路径优化问题很明显是一个NP-hard问题，因此在解决问题过程中要理论与实践相结合。蚁群算法是一种受到自然界中蚁群觅食的启发而产生的一种算法，因其具有好的鲁棒性以及搜索最满意解的能力，所以本文选择用蚁群算法来对模型进行求解。

　　4算例分析

　　4.1算里描述

　　一个配送中心，该配送中心有多辆冷藏车，需要为20个客户提供配送服务，将配送中心和客户点从0到20进行编号，其中配送中心编号为0，假设客户点需求服从正态分布，算例的基本数据如表1。

　　车辆固定成本fk为300元/辆；单位距离成本α为2元/千米；生鲜农产品对时间敏感系数β为0.005%；生鲜农产品单价P为30元/件；配送过程中单位时间内生鲜农产品能耗θ1为1.2元；卸货过程中单位时间内生鲜农产品能耗θ2为1.5元；为客户服务是的装卸效率ω为2件/分；运输过程中生鲜农产品常数λ1为0.8；提前到达客户点惩罚系数λ2为70/h；拖后到达客户点惩罚系数λ3为85/h；生鲜农产品缺货成本γ为8元/件。

　　4.2运行结果

　　为了研究客户需求量的变化对配送路径优化产生的影响，首先把客户期望需求量作为客户实际需求量，把表1中的客户期望需求量作为客户实际需求量来研究确定模型下的生鲜农产品物流配送路径优化；第二种是研究客户需求不确定情况下的生鲜农产品路径优化，假设当方差为1,2,3时，客户需求量满足率为98%，而且服从X~N（μ，σ2）。首先客户需求量确定的情况下，对配送车辆进行路径优化并求取各项成本，然后在随机模型下对不同方差时的各项成本进行比较。

　　4.2.1需求量确定情况下模型求解

　　将相关参数和初始数值导入到MatlabR2013a软件中求解，经过50随机测试后获取最优结果，最优状态下配送总成本为3478.9元。

　　蚁群算法运算后得到的最优路径如图1所示，我们可以看到在正常情况下配送中心需要6辆车对客户点进行服务。

　　根据软件计算我们得到相关配送的成本明细如表2所示。其中虽然配送车辆2车和6车有惩罚成本，但都在客户可接受时间范围内完成了配送，而配送车辆1车、3车、4车和5车都在客户要求的最佳时间段内完成了配送，故惩罚成本为0。

　　4.2.2需求量不确定情况下模型求解

　　在需求量不确定情况下，设配送中心对各客户点满足率为90%，且客户点需求量服从正态分布X~N（μ，σ2），根据所学相关知识，当x=μ+z*σ时，z为1.29，得到各客户点在服从正态分布情况下需求量的变化，使用matlab软件对以上数据进行物流配送路径优化，对在σ不同的情况下进行随机测试50次，如表3，取路径优化的最优结果并对配送成本进行分析。通过表3的数据我们可以看到，固定成本的高低只与配送车辆数量有关，需求确定情况下固定成本只需要1800元，而在需求不确定情况下时，固定成本最高达到2400元。运输成本、货损成本、能耗成本和惩罚成本在两种不同情况下差别不大，总成本存在一定差距的主要原因是因为缺货成本出现较大波动，而且随着方差越来越大，缺货成本变动加剧。

　　5结论

　　相比较于常温配送，生鲜农产品对配送环境的要求更加苛刻，需要考虑更多的因素，各项配送成本也会随之增加，所以企业为了使成本降低需要对生鲜农产品物流配送进行合理的路径优化。在现实情况中面对客户点需求量不确定情况下，企业要提前做好调研防止因为缺货而对总成本产生影响。本文以配送总成本最小为目标，在需求量不确定情况下，运用蚁群算法进行求解，使得既能总成本最小又能满足客户需求。

　　参考文献

　　[1]崔岩,张子祥,时新,王晓亮,王振锋.考虑顾客时间紧迫度的生鲜电商配送路径优化问题[J].郑州大学学报(工学版),2017,38(06):59-63.

　　[2]陈久梅,周楠,王勇.生鲜农产品多隔室冷链配送车辆路径优化[J].系统工程,2018,36(08):106-113.

　　李钰峰李攀郭盼雨

上一篇：GIS技术在农业工程中的应用 下一篇：城市地下综合管廊施工安全风险管理研究