《生鮮電商前置倉路徑規(guī)劃實證研究》9700字（論文）

生鮮電商前置倉路徑規(guī)劃實證研究目錄TOC\o"1-2"\h\u25534摘要 1104051緒論 2305831.1設計目的及意義 3257591.2設計內容及技術路線 4147872生鮮電商前置倉路徑規(guī)劃理論基礎 4102872.1生鮮電商前置倉簡介 421302.2生鮮電商前置倉配送模式網絡結構 5181482.3車輛路徑問題 527293前置倉配送網絡規(guī)劃模型構建 6111613.1建模思路 610203.2模型假設及符號說明 624123.3目標函數(shù) 8196504模型求解 11188174.1算法簡介 11312154.2算法設計 11173675實例驗證 1299785.1公司描述 139455.2數(shù)據(jù)獲取及參數(shù)設置 13166655.3算法求解 1672706結語 17摘要近年來由于我國居民對生鮮食品需求的不斷增長，推動了生鮮電子商務市場的快速發(fā)展。生鮮食品易腐易損，因此需要在特定的溫度環(huán)境下儲存和運輸，但我國大部分企業(yè)仍存在冷鏈配送過程管理不當、配送資源規(guī)劃不合理等問題，使得企業(yè)物流成本居高不不下，制約了生鮮電商的發(fā)展。而前置倉模式能很好的解決這一問題，在居民區(qū)附近設置前置倉，生鮮食品可以提前從城市邊緣的中心倉運送到前置倉，根據(jù)客戶的下單指示，再由居民點附近的前置倉進行末端配送，大大降低了冷鏈物流配送成本。本設計依據(jù)當前生鮮電商前置倉配送模式的網絡結構，對前置倉的配送路徑進行規(guī)劃設計，采用遺傳算法作為解決路徑問題的主要算法。在一般配送路徑規(guī)劃模型的基礎上，考慮生鮮食品的貨損成本和冷鏈成本，以總成本最小為目標，建立從總倉到前置倉的路徑規(guī)劃模型。通過對樸樸超市進行調研，獲取數(shù)據(jù)，同時運用MATLAB軟件進行編程求得路徑最優(yōu)解，旨在降低樸樸超市的物流成本，幫助企業(yè)提高核心競爭力。關鍵詞：前置倉；遺傳算法；生鮮電商；路徑規(guī)劃1緒論2020年中國GDP增長了3.2%ADDINNE.Ref.{0DD93167-6CC0-4A54-9AFE-BBCBEECAB603}[1]，成為全球唯一實現(xiàn)增長的大型經濟體。國家經濟的發(fā)展，提升了居民的生活水平，消費者觀念也在逐漸發(fā)生變化。民以食為天，人們的食品消費觀念從原先的“吃飽喝飽”轉變?yōu)椤俺院煤群谩保_始更加注重于食品的品質安全、口感以及新鮮程度，而生鮮食品作為居民日常最基本的消費項目，成為人們關注的重點。近年來，由于電商的普及以及人們對食材品質的追求，生鮮電商在中國迅速崛起。自2005年易果網成立，生鮮電商在中國市場初露頭角，但是此時客戶還未形成網上購物的習慣，多數(shù)企業(yè)面臨倒閉；2012年到2015年期間，部分生鮮電商企業(yè)依靠外場資本迅速崛起，通過燒錢補貼和價格戰(zhàn)來獲得用戶，但盈利頗微；2016年后迎來行業(yè)洗牌期，隨著消費者需求的增長，市場迎來了資本巨頭的投資，業(yè)內資源得到整合，逐漸形成了多種生鮮電商模式并存的局面；2019年末受疫情影響，居民買菜成為一大難題，非接觸送菜模式成為這段時間的最大亮點，用戶線上買菜再一次促進生鮮電商的發(fā)展，而生鮮市場也將迎來新的機遇ADDINNE.Ref.{A81348A6-8B37-4903-9103-9A3525D315D9}[2]。生鮮電商的發(fā)展歷程如表1-1所示。表1-1中國生鮮電商發(fā)展歷程發(fā)展階段時間代表萌芽期2005-2011易果生鮮、沱沱公社探索期2012-2015本來生活中糧我買網發(fā)展期Ⅰ2016-2018京東、盒馬生鮮、叮咚買菜發(fā)展期Ⅱ2019-現(xiàn)在多多買菜、橙心優(yōu)選生鮮電商市場的規(guī)模隨著發(fā)展在不斷擴大，特別是近些年來發(fā)展速度尤為迅猛。2019年生鮮電商市場交易規(guī)模達到20400萬億元，比2014年增長5600萬億元，同比增速達6.8%ADDINNE.Ref.{4F339571-8EE2-4530-8AD1-69821EB6A3FB}[3]。圖1-1為2014-2019年中國生鮮電商的市場交易規(guī)模。雖然生鮮市場前景廣闊，但由于生鮮食品易腐、易損、難保存的特點以及客戶對高品質生鮮食品的需求，使得對配送條件以及配送時間的要求極高，一般需要使用到冷鏈運輸車才能保證生鮮食品的質量。行業(yè)內未使用冷鏈運輸車的平均貨損率在10%-20%，使用冷鏈運輸車后可以降至2%-3%ADDINNE.Ref.{1E376205-A7EF-4308-A4A7-6F635E782A07}[4]，但我國大部分企業(yè)在冷鏈配送過程中仍存在管理不當，配送資源規(guī)劃不完善等問題，使得這些生鮮食品在運輸途中受到不同程度的損耗，貨損率居高不下，成為困擾生鮮電商企業(yè)的一大難題。新冠疫情期間，居家生活使得各種非接觸式服務和銷售業(yè)務量爆炸式增長，為配合城市居民及時送達的需求，前置倉模式成為生鮮電商的主力軍。相對來說，生鮮電商前置倉模式屬于重資產、重運營的模式，一個城市擁有多個前置倉的鋪設規(guī)模，其中中心倉和前置倉兩級備貨點需要大量的營運資金，再加上中心倉到前置倉的冷鏈配送以及最后一公里的前置倉對多點客戶配送這兩段高支出的配送成本，使得總體來看，生鮮電商前置倉模式需要高昂的成本投入和較長的回報周期ADDINNE.Ref.{5B760A23-F2B1-4116-9E68-472ADA0BE9FF}[5]。如今，生鮮電商前置倉模式還在更迭換代中，為減少資金的虛耗，低成本、高效率的物流配送方式成為了企業(yè)實現(xiàn)盈利的前提，也是生鮮電商前置倉模式能否成功經營的關鍵。因此，在保障產品新鮮度的前提下，如何合理規(guī)劃前置倉配送路徑，降低配送成本是前置倉企業(yè)決策者需要解決的重要課題。1.1設計目的及意義1.1.1設計目的為了適應生鮮行業(yè)消費者的需求變化，滿足消費者對食品品質的要求，打破當前生鮮電商前置倉模式運營資金高、成本投入大等發(fā)展瓶頸，本設計對生鮮電商前置倉配送路徑進行合理規(guī)劃設計，解決生鮮食品配送過程中的成本浪費問題，降低物流成本，同時為生鮮電商前置倉模式的路徑規(guī)劃問題提供切實可行的方案。1.1.2設計意義（1）理論意義首先，傳統(tǒng)的路徑規(guī)劃問題基本只考慮路程和時間因素進行模型構建，明顯不適用于生鮮食品。本設計課題通過考慮前置倉的網點設置，結合生鮮食品易腐、易損的特點后，對原有的路徑規(guī)劃基本模型中加入對貨損和冷鏈成本因素的分析，從生鮮食品質量保證和經濟效益雙方面對生鮮食品路徑問題進行規(guī)劃設計，使得模型更適用于生鮮電商前置倉這一應用場景。結合生鮮食品的特點，建立VRP問題數(shù)學模型，引用算法進行求解，通過案例數(shù)據(jù)驗證模型和算法的正確性和可行性，在一定程度上為生鮮電商的前置倉配送路徑規(guī)劃提供理論依據(jù)。（2）實際意義兩方面，一是從企業(yè)角度出發(fā)，本文引用的實例目前還未規(guī)劃中心倉到前置倉的車輛配送路徑網絡，只是對配送車輛發(fā)車進行簡單排班。根據(jù)這一情況，搜尋企業(yè)相關資料以及數(shù)據(jù)，對配送車輛調度以及路線安排進行規(guī)劃設計，能夠為這一企業(yè)提供實際應用價值；二是從消費者角度出發(fā)，面對城市居民對食品品質愈加嚴格的要求，合理科學地規(guī)劃車輛配送路徑，能保證食品的品質和新鮮程度，讓居民享有更加安全的食品?；诖?，規(guī)劃設計配送路徑，對于配送車輛安排不規(guī)范，物流成本浪費這些問題的解決有一定的現(xiàn)實意義。1.2設計內容及技術路線1.2.1設計內容本文考慮到生鮮食品到儲存時間短，需要在低溫環(huán)境下儲存的特點，構建從總倉到前置倉考慮車輛成本、貨損成本以及冷鏈成本的路徑優(yōu)化模型，并采用遺傳算法求解模型，最后驗證了模型和算法的可行性和有效性。設計的主要內容如下：對前置倉和中心倉的網絡結構進行抽象并簡化。構建生鮮電商前置倉配送網絡規(guī)劃模型，考慮貨損，冷鏈，車輛這三大因素。選取遺傳算法，設計算法中的編碼，選擇，交叉等操作，為生鮮電商前置倉配送網絡規(guī)劃模型設計求解算法。調研樸樸超市，獲取案例數(shù)據(jù)，利用MATLAB程序仿真軟件驗證了模型和算法的合理性和有效性。1.2.2技術路線本文技術路線如圖1-2所示。2生鮮電商前置倉路徑規(guī)劃理論基礎2.1生鮮電商前置倉簡介所謂前置倉，就是設置到居民點附近的前置倉庫ADDINNE.Ref.{D0E0AC00-F259-4715-8B54-FA4C704B7138}[6]。而生鮮電商前置倉模式是將生鮮食品前置到距離消費者更近的場景，企業(yè)用冷鏈車先將貨物從中心倉運輸?shù)礁鱾€前置倉，客戶線上下單后，再由配送員從前置倉送到客戶手中，實現(xiàn)了配送產品一小時，甚至半小時到達目的地的目標，獲得客戶體驗感和配送效率的雙贏。生鮮電商的前置倉一般包括冷凍、冷藏和常溫儲藏區(qū)，由城市中心倉為前置倉補貨，補貨頻率相對較高，一般單個生鮮電商前置倉為500-600平米，有3500左右的SKU，每個前置倉服務1.5公里范圍ADDINNE.Ref.{7C85BC67-8BBD-412F-BDB1-4976CB8ED9AF}[7]。2.2生鮮電商前置倉配送模式網絡結構關于設計中的前置倉車輛路徑規(guī)劃問題，主要指的是從配送中心運送到各個前置倉，再根據(jù)運輸品種情況選取運輸車輛，采用提前規(guī)劃好的行駛方案，選擇合適的運輸線路，使得配送工作能夠順利高效的完成。按我國國家標準物流術語中的明確闡述，物流網絡指某個物流活動中相互聯(lián)系的組織與設施的集合ADDINNE.Ref.{B352E47D-6CC9-4FFC-9BF4-00D198616846}[8]。生鮮電商前置倉模式配送網絡結構如下圖所示。其中配送路徑用箭頭指代。2.3車輛路徑問題2.3.1車輛路徑問題描述車輛路徑研究主要集中在車輛路徑規(guī)劃方面，運籌學中又稱為VRP問題，最早是由Datzig和Ramaser于1995年首次提出ADDINNE.Ref.{7FF595B7-B6B5-4D81-ABFD-B8722B1E8F3E}。指已知中心點和需求點位置、需求量、車載最大容量，對運輸條件進行約束，規(guī)劃車輛的行駛路徑以及順序，得到了滿足目標條件的路線方案的最優(yōu)解。約束條件包括貨物需求、交貨量、交貨時間、最大載重、最大里程、工期等，優(yōu)化目標一般為：里程最短、成本最低、時間最短、車輛規(guī)模最小、車輛利用率高等ADDINNE.Ref.{9963628C-050A-45BF-821E-9E158212DEE3}[10]。2.3.2車輛路徑問題分類在實際場景應用中，車輛的路徑選擇受到很多因素的影響，包括配送方的配送資源、客戶的時間要求、道路交通狀況、配送環(huán)境等客觀因素，以及決策者的思維慣性、分配驅動者的行為習慣等主觀因素ADDINNE.Ref.{67A4EFE9-CC70-4D27-A3C9-E594799448D1}[11]。根據(jù)上述影響車輛路徑選擇的客觀因素，本文按照不同的分類標準將車輛路徑問題進行如下分類，如表2-1所示。表2-1車輛路徑問題類型表分類方式類別設計采用任務特征裝貨問題卸貨問題裝卸混合問題配送中心數(shù)目單配送中心問題多配送中心問題配送中心對車所屬關系車輛開放問題車輛封閉問題優(yōu)化目標數(shù)目單目標問題多目標問題車輛類型單車型問題多車型問題已知信息特征確定性VRP不確定性VRP2.3.3求解車輛路徑問題的一般算法求解VRP問題的主要方法可以分為精確算法和啟發(fā)式算法。精確算法根據(jù)網絡分析和數(shù)學規(guī)劃，采用嚴格的數(shù)學方法求得模型最優(yōu)解。但隨著客戶點的增多，精確算法無法避開算法使用時指數(shù)爆炸問題ADDINNE.Ref.{FC9B7A5F-41BE-425E-9410-DDBFBB5AF675}[12]，因而僅適用于小規(guī)模VRP問題。啟發(fā)式算法包括傳統(tǒng)啟發(fā)式算法和現(xiàn)代啟發(fā)式算法，是車輛路徑問題中應用最為廣泛的一類問題，其求解是有效的，但往往無法得到最優(yōu)解。傳統(tǒng)的啟發(fā)式算法是在一定的步數(shù)內為一個特定問題的可行集構造可行解的算法，而現(xiàn)代的啟發(fā)式算法不依賴于問題的唯一性條件。與經典的啟發(fā)式算法相比，它的應用范圍更廣，是一種多模塊的聚合算法。求解車輛路徑問題的常用算法如圖2-2所示。3前置倉配送網絡規(guī)劃模型構建3.1建模思路為合理安排生鮮電商前置倉模式的配送路徑，本文基于第二章對生鮮電商前置倉的配送網絡的分析以及路徑問題和算法的認識，對中心倉到前置倉的車輛配送路徑進行規(guī)劃設計。設計考慮的成本因素有:車輛成本、貨損成本以及冷鏈成本，最終構建總成本最小的目標函數(shù)。3.2模型假設及符號說明3.2.1模型假設（1）每個前置倉的需求量和坐標已知；（2）中心倉唯一，且位置已知；（3）配送使用的車為同一種車型，并且參數(shù)已知；（4）任意兩個前置倉之間可以通行；（5）每個前置倉的需求量為非負值且均小于車輛的最大裝載容量，每個前置倉的需求都要滿足，并且只由一輛車訪問一次；（6）每一輛車從中心倉出發(fā)，最后需回到中心倉；（7）配送車輛的最大行駛里程是已知；（8）配送車輛無中途指派問題；（9）配送途中交通狀況良好，車輛為勻速行駛；3.2.2符號說明對前置倉的配送路徑優(yōu)化模型的參數(shù)變量符號作如下說明，如表3-1，表3-2，表3-3所示。表3-1主要集合定義說明集合定義前置倉集合，；配送車輛集合，；表3-2主要符號定義說明符號定義車輛最大額定裝載量；前置倉的需求量；前置倉到前置倉的距離；，節(jié)點編號；車輛的行駛速度；車輛成本；車輛的單次固定成本；車輛單位距離的運輸費用；生鮮食品的平均單價；車輛行駛過程的熱量；卸貨過程的熱量；制冷成本；車輛的單位制冷成本；貨損成本；車輛從前置倉i到前置倉j所需要的時間；車輛k服務前置倉所需的時間；車輛行駛途中的貨損系數(shù)；卸貨過程中的貨損系數(shù)；表3-3決策變量定義說明集合定義；；；3.3目標函數(shù)3.3.1車輛成本車輛成本包括固定成本和運輸成本。固定成本涉及多個環(huán)節(jié)，包括車輛購置成本、維修成本、保險成本和人力資源成本。本文假設中心倉的車輛型號是一樣的，車輛的固定成本為常數(shù)，不會因運輸途中車輛行駛的時間以及路線的長度而改變，只和派送車輛數(shù)量有關。運輸成本包括油耗費用、車輛行駛磨損后的保養(yǎng)費用以及車輛維修費用等因素，此部分考慮到這些因素是與車輛的行駛路徑長短呈正相關，綜合以上，車輛成本表示如下: （3-1）3.3.2制冷成本生鮮食品需要保存在低溫的環(huán)境中才能保持其新鮮度，因此要求車廂內始終保持較低的溫度，這就需要冷藏車從中心倉出發(fā)到服務完最后前置倉的時間內始終處于低溫環(huán)境，維持這種低溫狀態(tài)產生的成本即為制冷成本ADDINNE.Ref.{2E4A9C0A-BFF8-442F-8AB2-F38E72B3F6A4}[13]。車輛的制冷成本主要包括兩部分：行駛過程中的制冷成本和卸貨過程中的制冷成本。在行駛過程中，配送車輛的冷卻成本主要由隔熱墻傳遞到車廂內的熱量決定，可由式（3-2）ADDINNE.Ref.{06DDB200-78F3-426B-AB55-CE662B3F0CF6}[14]計算行駛過程的熱量： （3-2）式中為熱傳導率,單位為；為車廂表面積，單位為；、，分別表示為車廂外界溫度以及車廂內部溫度，單位為℃；t為載品保冷時間。其中，為車廂外表面積，為車廂內表面積。卸貨過程中，車內外空氣產生對流，車廂內部溫度相應的升高，由于冷熱空氣直接接觸，因此無熱傳導系數(shù)，開門卸貨過程的熱量可表示為ADDINNE.Ref.{02DB3155-CABF-494D-AF0D-6D09A6E4F922}[15]： （3-3）式中為車門面積。綜合以上分析，車輛由中心倉到各個前置倉整個配送過程的制冷成本可表示為： （3-4）3.3.3貨損成本生鮮食品在運輸?shù)倪^程會隨著時間的增加而逐漸變質，產生一定的貨損，同時無論生鮮食品是否儲存在低溫環(huán)境中，都存在貨損成本，該貨損成本在運輸過程中主要有兩部分組成：一部分是在運輸過程中隨著運輸時間的增加，貨物逐漸萎蔫的貨損成本ADDINNE.Ref.{C00011AC-702A-46D2-AB93-DE6BFF73F2DB}[16]。假設產品在運輸過程中所處的環(huán)境溫度濕度恒定不變，外界環(huán)境溫度為一恒定值，此時只考慮時間增加變化而造成的貨損。另一部分是在卸貨過程中，因員工操作不當以及車內外空氣對流，產生溫度、濕度的變化而造成的貨損成本。運輸過程中，假設溫度不變，則生鮮食品的貨損系數(shù)可認為是一常數(shù)，對于同類產品，貨損成本與時間成正比，因為車輛是勻速行駛的，所以貨損成本與配送距離成正比。運輸距離越長，其貨損成本越高，由運輸造成的貨損成本，可表示為： （3-5）其中，為運輸途中的貨損系數(shù)。裝卸過程中卸貨而造成的貨損成本，可表示為: （3-6）其中，為裝卸過程中的貨損系數(shù)。綜合分析車輛配送以及裝卸過程中的貨損情況，車輛配送過程中產生的總貨損成本可表示如下： （3-7）根據(jù)上述對前置倉配送路徑模型的描述和分析，前置倉配送路徑規(guī)劃數(shù)學模型建立如下： （3-8） （3-9）s.t. （3-10） （3-11） （3-12） （3-13） （3-14）式子（3-8）-（3-9）為模型的目標函數(shù)，表示配送過程中的車輛成本、冷鏈成本和貨損成本。方程式（3-10）-（3-14）是模型的約束條件。方程式（3-10）表明，每條路線上的總需求量不超過單個車輛的最大負載。式（3-11）-（3-12）表示每個前倉只能有一輛車服務，且僅能服務一次。式（3-13）表示每個前置倉都會被服務。式（3-14）表示車輛從中心倉出發(fā)最后要返回中心倉。4模型求解生鮮電商前置倉的路徑規(guī)劃屬于典型的NP-hard問題，客戶群規(guī)模大，計算復雜，為保證模型函數(shù)獲得最優(yōu)解，因此本文選取啟發(fā)式算法中運算速度快、全局搜索能力強的遺傳算法對設計模型進行求解。4.1算法簡介4.1.1遺傳算法遺傳算法是一種借鑒生物界自然選擇和遺傳學機理的隨機化搜索最優(yōu)解的方法ADDINNE.Ref.{13FA7CEB-AA6E-49FA-AB5E-277FDFB0936F}[17]，根據(jù)“適者生存”的原則，自然會隨機選擇淘汰一部分適應能力差的個體，讓其余適應能力強的個體留下。遺傳算法采用隨機選擇，對搜索空間沒有特殊要求，不需要求導，具有收斂速度快、效率高等優(yōu)點ADDINNE.Ref.{E984AF96-AE8C-417D-87F1-637FC6B63D32}[18]。4.1.2遺傳算法實施步驟遺傳算法的實施步驟包括:個體編碼、種群初始化、適應度函數(shù)計算、選擇、交叉和變異等操作ADDINNE.Ref.{5BE7E216-0F17-4126-A9AF-F087E7BFEBD1}[19]，其編碼技術和操作過程相對簡單，在全局最優(yōu)解的搜索上有顯著優(yōu)勢，適用于本文路徑規(guī)劃問題的求解，具體流程如圖4-1所示。4.2算法設計（1）編碼：二進制編碼和實數(shù)編碼是最常用的染色體編碼方法。對于函數(shù)優(yōu)化問題，實數(shù)編碼是最有效的，不僅不需要譯碼，而且可以有效地處理決策變量的復雜約束。因此，本文選擇實數(shù)編碼方法，采用共同編碼的方式對中心倉和及前置倉的所有節(jié)點進行編碼，用自然數(shù)0表示中心倉，1,2，...，n表示n個前置倉，如032067048150可表示為有三輛車從中心倉出發(fā)，第一輛車經過前置倉3號和2號。第二輛車經過前置倉6號和7號，第三輛車依次經過前置倉4號、8號、1號、5號，每輛車最后都回到了中心倉。（2）種群初始化：設置種群的初始規(guī)模為G，依據(jù)構建模型的約束條件進行遺傳算法的搜索，獲得滿足模型約束條件的初始解。要設置較大的種群規(guī)模，避免陷入局部最優(yōu)的狀況。（3）計算適應度函數(shù)：將目標函數(shù)轉化為適應度函數(shù)，求得初始種群對應染色體的適應度ADDINNE.Ref.{843DA685-77BD-432A-AF5E-4A98AF85A3BE}[20]。適應度越大的個體，被淘汰的幾率越小。為適應度函數(shù)，為模型的目標函數(shù)，將代入公式可得到個體的適應度，函數(shù)公式如下： （4-1）（4）選擇操作：選擇操作以適應度為標準，根據(jù)優(yōu)勝劣汰法則，將上一代種群適應度高的染色體基因遺傳給下一代。本文采用了最常用的比例選擇方法，根據(jù)個體適應度的比例，適應度值越高，選擇概率越大。（5）交叉：為了加快算法的收斂速度，根據(jù)交叉概率將種群中兩個染色體的基因片段進行交換，使適應度高的個體得到更多的交叉，獲得更優(yōu)秀的父代，交叉概率一般設置在0-1之間?？紤]到多中心路徑優(yōu)化問題的復雜性以及計算的簡便性，本文選擇單點交叉法，操作描述如下：隨機選擇兩條染色體的基因片段交叉點的位置，交換交叉點后的基因，從而得到兩個不同的染色體。（6）變異：變異是針對單個染色體執(zhí)行的操作。本文根據(jù)變異概率選中染色體，隨機選擇基因片段中的2個基因進行交換，生成新的染色體。變異概率大小要適中，一般設置在0.01-0.1之間，在保證算法穩(wěn)定性的前提下，提高計算速度。（7）終止條件判斷：設置最大迭代次數(shù)X，判斷算法是否達到迭代次數(shù)，避免無效迭代，減少運算時間。5實例驗證5.1公司描述樸樸超市是一家定位于一站式服務30分鐘即時配送的移動互聯(lián)網購物平臺，總部設立于福州，目前市場范圍已經輻射到廈門、武漢、廣州、成都等地。其經營品類包括：肉禽蛋品、海鮮水產、蔬菜水果、酒水沖飲、休閑零食等，豐富多樣的商品品種，讓用戶足不出戶，通過手機就能搞定日常一切需求。樸樸超市選擇前置倉配送模式，將中心倉設立在租金較為便宜的郊區(qū)，同時在居民點附近建設前置倉，這樣的商品配送方式能夠極大減少供應鏈中的冗余環(huán)節(jié)，同時能夠降低營運成本以及配送成本。樸樸超市現(xiàn)已在福州設立了3個中心倉以及47個中心倉，彼此之間協(xié)同作業(yè)，配送區(qū)域覆蓋福州市區(qū)全境。為了驗證成本模型和算法的有效性，本文以樸樸超市運營項目為例，進行了數(shù)據(jù)搜索，并通過Matlab2018b編程實現(xiàn)了模型和算法的求解。5.2數(shù)據(jù)獲取及參數(shù)設置經實地調查了解到樸樸超市每一個中心倉所服務的前置倉范圍不同，故選取其在福州市閩侯縣設立的南通中心倉，該中心倉負責對20個前置倉進行配送，為計算方便，對中心倉以0進行編號，20個前置倉以1，2，...20進行編號。中心倉及前置倉的分布如圖5-1所示。中心倉和前置倉節(jié)點的經緯度位置，以及各個前置倉四月份某天16時的果蔬需求量、食品卸貨時間信息如表5-1所示。表5-1中心倉及前置倉相關數(shù)據(jù)標號經度緯度需求量（t)卸貨時間（h)A119.289925.9483001119.272926.04740.7320.12119.265026.06070.3200.053119.282126.03420.6330.094119.323626.04320.4110.075119.308826.06600.4400.076119.309526.08110.6510.097119.285926.08350.3250.058119.295426.09420.3580.069119.302226.12230.3540.0510119.269226.02980.5010.0811119.261026.08390.4180.0712119.272226.05740.7240.113119.334126.03180.3520.0614119.329926.09620.3200.0515119.331526.12750.3500.0616119.358926.00850.3400.0517119.230425.99990.3320.0518119.315126.07140.5060.0819119.284526.11630.3310.0520119.314426.05220.3010.05樸樸超市目前在福州市內并未統(tǒng)一冷藏車車型，但大部分配送路線采用福田奧鈴BJ5048XLC-FH型號冷藏車，因此本設計選擇這一車型進行計算，該車型的主要參數(shù)如表5-2所示。表5-2福田奧鈴冷藏車參數(shù)指標參數(shù)指標參數(shù)發(fā)動機型號ISF3.8s5141貨箱內尺寸4085×2100×2000百公里耗油12.2L外形尺寸5995×2110×2210總質量4495(kg)排放標準GB17691-2005國Ⅴ額定在載質量1165（kg）最高車速95km/h整備質量3200（kg）燃料種類柴油設計相關參數(shù)獲取如下：由于果蔬是裝在托盤里進行配送，因此排除托盤重量后的冷藏車最大載重量為1t；通過參考樸樸超市APP售賣的所有水果和蔬菜的價格，計算得到果蔬平均單價為16430元/t，各個節(jié)點的距離可由google經緯度公式得到，在編程中直接應用。其余固定參數(shù)如下表所示。表5-3固定參數(shù)固定參數(shù)單位參數(shù)值配送車輛最大載重t1車輛最大行駛距離km500車輛行駛速度km/h35廂體厚度cm8每輛車固定成本元150每輛車單位距離行駛費用元/km3.5生鮮產品的單位成本元/t16430單位制冷成本元/kcal1熱傳導率（）0.7室外溫度℃20車廂內溫度℃4生鮮產品運輸貨損系數(shù)/0.002生鮮產品開啟車門貨損數(shù)/0.0035.3算法求解種群規(guī)模N=100，迭代次數(shù)X=400，交叉概率=0.8，變異概率=0.01，通過程序運行得到配送路徑圖和迭代收斂圖。圖5-3遺傳算法迭代曲線圖程序計算時間為17.744378秒，經過四百次迭代，得到配送總成本為4765.5829元，一共需派出9輛冷藏車，算法結果及各部分成本如表5-4，表5-5所示。表5-4遺傳算法結果車輛序號配送路徑行駛距離/km載重量/t10-12-2-020.3760.98120-14-15-20-018.0940.69230-17-3-018.0020.96540-6-18-015.6440.99350-2-12-013.7970.96960-1-10-011.7600.98770-14-15-20-021.7320.97180-4-5-015.2000.85190-8-9-019.2540.712表5-5配送成本車輛序號車輛成本/元冷鏈成本/元貨損成本/元總成本/元1198.2895200.17679.603478.06852226.062311.24879.768617.0783213.329257.58756.848527.7644191.16172.0181.082444.2525217.389273.62758.49549.5066221.316291.82180.589593.7267203.27219.5869.91492.768204.754226.37881.575512.7079213.007258.31779.275550.599從圖5-3中能夠看出最初由于存在劣質染色體，模型的目標函數(shù)值比較高，后續(xù)通過不斷優(yōu)化迭代，得到最優(yōu)目標，在第69次迭代后，目標值趨于穩(wěn)定，達到最優(yōu)值4765.5829。在尋求最優(yōu)配送路徑的過程中，目標函數(shù)值的收斂趨勢說明了模型構建的合理性及算法求解的可行性，也表明此模型可以適配樸樸超市中心倉到前置倉的配送路徑規(guī)劃問題。為驗證模型及算法的有效性，假設程序迭代一次的路徑結果為樸樸超市中心倉到前置倉的車輛調度方案，配送路徑如圖5-4所示。將不采用遺傳算法的車輛調度結果與采用遺傳算法的結果進行了比較，比較結果如表5-6所示。表5-6使用遺傳算法求解結果前后對比結果使用遺傳算法求解前使用遺傳算法求解后總路程/km180.632153.879派出車輛數(shù)/輛109車輛成本/元2132.2121888.5555冷鏈成本/元2580.9722210.744貨損成本/元666.329667.14總成本/元5379.51294766.4395由表5-6可知，遺傳算法可以得到總體較優(yōu)的結果。相比于樸樸超市的車輛調度結果，使用遺傳算法在總成本方面節(jié)約了11.4%，在車輛行駛總路程方面節(jié)約了14.8%，同時減少了一輛冷藏車的派遣，提高了車輛利用率，證明了設計模型及算法的有效性。但由于遺傳算法的局部搜索能力差，使用遺傳算法后求得的貨損成本較車輛調度結果高出0.811，也表明遺傳算法在實際應用方面對于局部求解的局限性。6結語通過前章實例驗證，本次設計對生鮮電商前置倉路徑進行規(guī)劃設計以達到配送成本最小的結果。在模型中考慮到了車輛的固定成本、運輸成本、制冷成本以及貨損成本，以總成本最低為目標設計數(shù)學模型，并使用遺傳算法，通過MATLAB進行計算，準確快速地得到樸樸超市從南通中心倉到各個前置倉的配送路徑方案。雖然遺傳算法計算效率高，能近似得到全局最優(yōu)解，但目前仍有局限