尚 猛, 曹峻瑋

(1. 安陽(yáng)工學(xué)院飛行學(xué)院, 河南 安陽(yáng) 455000; 2. 嶺南大學(xué)經(jīng)營(yíng)學(xué)院, 韓國(guó) 慶山 385141)

在農(nóng)產(chǎn)品物流配送系統(tǒng)中最重要的是配送中心選址和配送路徑規(guī)劃．由于農(nóng)產(chǎn)品具有易變質(zhì)的自然屬性,對(duì)配送條件要求苛刻,因此對(duì)于農(nóng)產(chǎn)品配送效率要求極高．為了盡可能減少農(nóng)產(chǎn)品在物流配送過程中的損失, 從運(yùn)行管理的角度優(yōu)化設(shè)計(jì)物流配送路線被認(rèn)為是解決問題最有效的方法[1]．目前, 用于求解物流配送路徑優(yōu)化問題的算法有兩類:精確算法和啟發(fā)式算法．精確算法是可以找到最優(yōu)解的算法, 包括分支定界法,網(wǎng)絡(luò)流算法和動(dòng)態(tài)規(guī)劃,但精確算法只適用于小問題或解決局部最優(yōu)問題[2]; 啟發(fā)式算法是一種基于直覺或經(jīng)驗(yàn)結(jié)構(gòu)的算法,可以快速獲得滿意的解決方案,但不一定能找到最優(yōu)解,也不能解決復(fù)雜的節(jié)點(diǎn)問題[3]; 因此不少學(xué)者通過引用魯棒交叉對(duì)接優(yōu)化[4]或信息素動(dòng)態(tài)更新[5]等方法對(duì)算法進(jìn)行改進(jìn)．Hamed[6]運(yùn)用粒子群算法對(duì)物流配送的最短路徑問題進(jìn)行了求解, 取得了顯著的結(jié)果; Wang等[7]提出一種多中心協(xié)同的的物流配送路徑規(guī)劃; Xiao等[8]提出一種帶時(shí)間窗口約束的物流配送路徑規(guī)劃, 大幅降低了配送成本和配送時(shí)間; Guo等[9]提出一種正反向物流網(wǎng)絡(luò)的物流路徑規(guī)劃策略, 用作業(yè)成本法對(duì)成本目標(biāo)進(jìn)行優(yōu)化,提高了配送效率．此外還有列生成方法[10]、基于迭代局部搜索的模擬退火算法[11]以及可變懲罰函數(shù)的局部搜索算法[12]等優(yōu)化策略．

近年來, Abedinia等[13]提出的鯊魚優(yōu)化算法(shark smell optimization, SSO)作為一種新的群體智能優(yōu)化算法得到了廣泛的關(guān)注。因調(diào)整的參數(shù)少且基于鯊魚的螺旋獵食機(jī)制, 故SSO具有很強(qiáng)的局部搜索能力, 同時(shí)由于其局部搜索能力過強(qiáng)而使搜索陷入局部最優(yōu); 因此, 本文擬引入正弦運(yùn)動(dòng)機(jī)制和高斯變異策略幫助粒子跳出局部最優(yōu),并通過改進(jìn)后的鯊魚優(yōu)化算法(improved shark smell optimization, ISSO)對(duì)農(nóng)產(chǎn)品物流配送的最短路徑問題進(jìn)行求解．

1 農(nóng)產(chǎn)品物流配送路徑優(yōu)化模型

1.1 問題描述及假設(shè)

農(nóng)產(chǎn)品物流配送車輛調(diào)度問題為: 在客戶需求量、車載量以及配送中心數(shù)目已知的條件下, 以物流車輛配送距離最短為目標(biāo)函數(shù),在規(guī)定時(shí)間內(nèi)將貨物由配送中心送達(dá)指定地點(diǎn), 以保證農(nóng)產(chǎn)品損失最小, 并使每個(gè)客戶有且僅有1輛車進(jìn)行1次配送, 完成配送任務(wù)后車輛返回配送中心; 所以農(nóng)產(chǎn)品物流配送車輛調(diào)度問題的關(guān)鍵在于通過優(yōu)化配送路線和車輛的行駛路線使總運(yùn)輸距離最短且耗時(shí)較少．

從配送中心發(fā)送貨物時(shí), 假設(shè)：① 每個(gè)客戶點(diǎn)的需求量已知; ② 配送車的出發(fā)點(diǎn)和終點(diǎn)均為配送中心; ③ 車載量須大于其配送路線上客戶需求量的總和; ④ 每條配送路線有且僅有1輛配送車; ⑤ 每輛配送車的行駛路線不重復(fù); ⑥ 每輛車的總配送里程不超過配送車輛的最大行程; ⑦ 超過配送時(shí)間后, 貨物因變質(zhì)產(chǎn)生的損失與超出時(shí)間成線性關(guān)系．

1.2 模型目標(biāo)函數(shù)和約束條件

2 改進(jìn)的鯊魚算法

2.1 標(biāo)準(zhǔn)SSO算法

在標(biāo)準(zhǔn)SSO算法[15]中, 先定義NP個(gè)最初的速度矢量, 則不同階段的速度vi,k=ηkR1fO|xi,k, 其中i=1,2,…,NP; 所處狀態(tài)數(shù)k=1,2,…,kmax; 參數(shù)ηk∈[0,1]表示每個(gè)階段下鯊魚的速度小于等于目標(biāo)函數(shù)梯度所對(duì)應(yīng)的速度值; 隨機(jī)數(shù)R1均勻分布在[0,1]之間, 使算法具有更多的隨機(jī)性;fO是目標(biāo)函數(shù);xi,k是鯊魚在各個(gè)階段的初始位置．考慮到慣性, 則第j維度上鯊魚的速度為其中慣性系數(shù)αk∈[0,1], 在k階段內(nèi)為恒定值, 該值的增大意味著更高的慣性;R2是另一個(gè)均勻分布在[0,1]之間的隨機(jī)數(shù), 可進(jìn)一步提高搜索的多樣性．vij,0是開始搜索前的初始速度, 可忽略或隨機(jī)設(shè)置成一個(gè)很小的值．

2.2 ISSO算法

改進(jìn)算法求解的具體步驟為: ① 初始化參數(shù), 即鯊魚種群規(guī)模大小為NP, 最大迭代次數(shù)為Tmax; ② 求解種群中個(gè)體的適應(yīng)度函數(shù); ③ 判斷是否達(dá)到最大迭代次數(shù), 若是,則直接輸出最終結(jié)果; ④ 更新速度和位置; ⑤ 通過高斯變異改變種群部分個(gè)體特性,并做邊界處理; ⑥ 輸出最終結(jié)果．

3 算例仿真

為驗(yàn)證所提出方法的可行性和有效性, 本文通過一個(gè)算例對(duì)改進(jìn)的鯊魚優(yōu)化算法與標(biāo)準(zhǔn)鯊魚算進(jìn)行了對(duì)比仿真實(shí)驗(yàn)．算例參數(shù)設(shè)置為m=5,N=15,Q=10, 即配送中心利用5輛配送車為15位客戶配送貨物,其中每輛物流車的最大載物量為10, 表1為客戶間及客戶與配送中心間的距離．應(yīng)用上面所構(gòu)建的模型及算法在Matlab平臺(tái)上進(jìn)行仿真實(shí)驗(yàn), 對(duì)此算例進(jìn)行了500次求解,表2為隨機(jī)選取的2種優(yōu)化算法下得到的結(jié)果,表3為優(yōu)化所得路徑的配送車行程．

表1 客戶之間及客戶與配送中心距離

由表3可知,完成所有訂單任務(wù),ISSO算法較SSO算法所優(yōu)化路徑的總里程平均減少了100 km, 較大地降低了運(yùn)輸成本, 表明ISSO算法可有效地解決供應(yīng)商路由問題．同時(shí), 計(jì)算結(jié)果顯示,ISSO算法下優(yōu)化得到的每輛車行駛里程也相對(duì)較小,降低了車輛損耗及維修成本,從而進(jìn)一步降低物流配送成本,大大增加配送企業(yè)的收益．

表2 不同算法得到的優(yōu)化路徑

表3 不同算法下的優(yōu)化路徑里程表

4 結(jié)論

傳統(tǒng)的農(nóng)產(chǎn)品物流配送路徑因規(guī)劃不合理導(dǎo)致農(nóng)產(chǎn)品在配送過程中損失量較大,這不僅影響企業(yè)的收益,而且也造成資源的浪費(fèi)．為防止傳統(tǒng)鯊魚優(yōu)化算法因粒子陷入局部最優(yōu)導(dǎo)致無法找到最優(yōu)解,影響配送效率,造成農(nóng)產(chǎn)品損失,本文應(yīng)用正弦策略和高斯變異改進(jìn)了算法．實(shí)驗(yàn)結(jié)果表明,本文算法與傳統(tǒng)鯊魚優(yōu)化算法相比,配送路徑的規(guī)劃更加合理,可大大提高農(nóng)產(chǎn)品的運(yùn)輸效率,有效地降低運(yùn)輸成本,提高收益．新方法滿足了當(dāng)代農(nóng)產(chǎn)品物流所需要的時(shí)間性要求．