史 健

(安徽水利水電職業(yè)技術(shù)學(xué)院,安徽 合肥 231603)

全球經(jīng)濟(jì)復(fù)蘇以及一體化進(jìn)程的推進(jìn)使得電子商務(wù)得到蓬勃發(fā)展,且與之相匹配的物流運(yùn)輸產(chǎn)業(yè)也得到了更多的發(fā)展空間,快遞物流作為電子商務(wù)產(chǎn)業(yè)鏈中的重要一環(huán),是“新零售”發(fā)展中不可或缺的內(nèi)容。電子商務(wù)交易的特殊性使得其物流形式與傳統(tǒng)物流之間存在較大的差異,其要求和標(biāo)準(zhǔn)更為嚴(yán)格,但當(dāng)前快遞物流所面臨的配送難、配送時(shí)間不及時(shí)以及配送距離遠(yuǎn)等問(wèn)題已經(jīng)成為制約快遞業(yè)發(fā)展的重要因素。[1]同時(shí)快遞服務(wù)往往存在區(qū)域差異性、季節(jié)變動(dòng)強(qiáng)以及空間關(guān)聯(lián)性等特點(diǎn),這也進(jìn)一步降低了快遞物流服務(wù)配送效率,進(jìn)而導(dǎo)致物流運(yùn)輸效率低,致使整個(gè)運(yùn)輸系統(tǒng)失衡。[2]現(xiàn)代物流按照其自動(dòng)信息化的程度可劃分為物聯(lián)網(wǎng)和智能物流兩個(gè)方面,能借助數(shù)據(jù)連接技術(shù)實(shí)現(xiàn)物流過(guò)程中每個(gè)環(huán)節(jié)的聯(lián)通,進(jìn)而提高物流行業(yè)的服務(wù)水平和效率。在社會(huì)資本的驅(qū)動(dòng)下,快遞物流集散中心已不再是單一的運(yùn)輸平臺(tái),更多的是擴(kuò)展到了整個(gè)供應(yīng)鏈的上游和下游,因此加強(qiáng)對(duì)電子商務(wù)與快遞物流之間的協(xié)調(diào)有序發(fā)展是助力經(jīng)濟(jì)發(fā)展的重要舉措?？爝f業(yè)務(wù)量的劇增對(duì)快遞業(yè)務(wù)點(diǎn)的服務(wù)質(zhì)量也提出了更高的要求,加強(qiáng)快遞物流需求量能有效為快遞企業(yè)業(yè)務(wù)的開展提供借鑒,其中馬爾科夫模型作為規(guī)劃的有效方法能較好對(duì)時(shí)間序列進(jìn)行分析。[3-4]研究在此基礎(chǔ)上,對(duì)其進(jìn)行改進(jìn),并充分考慮到快遞物流運(yùn)輸所面臨的影響因素,以期更好地促進(jìn)快遞業(yè)的良性有序發(fā)展。

1 改進(jìn)灰色馬爾科夫模型算法的快遞物流路徑配送及最優(yōu)選址研究

1.1 改進(jìn)灰色馬爾科夫模型算法的快遞預(yù)測(cè)分析

快遞業(yè)務(wù)量的增加使得優(yōu)化配送路徑方案、減少運(yùn)輸成本成為當(dāng)前快遞物流需要注意的重要內(nèi)容。線上營(yíng)銷策略的制定、季節(jié)的更替、運(yùn)輸工具以及貨物包裝等因素都會(huì)對(duì)快遞物流運(yùn)輸效率造成干擾,同時(shí)快遞物流運(yùn)輸效率的高低所直接影響到的顧客服務(wù)體驗(yàn)又會(huì)對(duì)快遞系統(tǒng)造成影響,快遞物流系統(tǒng)中的各部分主體之間均具有內(nèi)在的聯(lián)系性,把握其發(fā)展規(guī)律是快遞企業(yè)實(shí)現(xiàn)長(zhǎng)久有序發(fā)展的重要內(nèi)容。借助定量分析對(duì)快遞量進(jìn)行預(yù)測(cè)能有效為管理者的決策制定提供依據(jù)和參考想法,并根據(jù)實(shí)際物流運(yùn)輸情況以及反饋情況進(jìn)行人員、物力、資源等的調(diào)度和優(yōu)化。其中灰色預(yù)測(cè)模型對(duì)樣本數(shù)量以及其規(guī)律性要求較低,其主要是依據(jù)系統(tǒng)行為指標(biāo)建立起具有關(guān)聯(lián)性的預(yù)測(cè)模型,該模型在短期過(guò)程中具有較高的預(yù)測(cè)精度,其數(shù)學(xué)表達(dá)式如式(1)所示。[5]

x(0)={x(0)(1),x(0)(2),x(0)(3),...,x(0)(n)}

(1)

式(1)中,x(0)表示原始數(shù)據(jù)序列,對(duì)式(1)經(jīng)由一次累加得到數(shù)據(jù)序列x(1)={x(1)(1),x(1)(2),x(1)(3),...,x(1)(n)}以及其近鄰均值序列z(1)={z(1)(1),z(1)(2),z(1)(3),...,z(1)(n)},建立微分方程,如式(2)所示。

x(0)(k)+az(1)(k)=d(k)+az(1)(k)=b

(2)

式(2)中,z(1)(k)為白化背景值,x(0)(k)為灰導(dǎo)數(shù),a表示發(fā)展系數(shù),b為灰作用量,其中k=1,2,3,...,n。對(duì)式(2)進(jìn)行求解,得到預(yù)測(cè)值式(3)。

(3)

對(duì)求得的預(yù)測(cè)值和原始值進(jìn)行精度檢驗(yàn)分析,就可對(duì)結(jié)果進(jìn)行相關(guān)分析。灰色預(yù)測(cè)能對(duì)系統(tǒng)因素之間的發(fā)展情況作相似度判斷,并將其進(jìn)行關(guān)聯(lián)分析以生成規(guī)律性觀測(cè)序列,進(jìn)而以方程之間的預(yù)測(cè)來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)的預(yù)測(cè)。同時(shí)考慮到灰色模型序列的不確定性,研究借助最優(yōu)子集法來(lái)進(jìn)行條件的約束控制,該算法是在預(yù)測(cè)前選取某一段連續(xù)數(shù)據(jù)作為原基準(zhǔn)數(shù)據(jù)進(jìn)行輸入,當(dāng)所選定的子集在預(yù)測(cè)過(guò)程中的平均誤差最小時(shí),則表明此時(shí)對(duì)應(yīng)輸入的子集為最優(yōu)輸入子集的個(gè)數(shù)。對(duì)式(3)進(jìn)行累減處理,得到在k時(shí)間下的物流量,此時(shí)模型的預(yù)測(cè)結(jié)果可表示為式(4)。

(4)

同時(shí)研究引入馬爾科夫模型對(duì)灰色預(yù)測(cè)結(jié)果進(jìn)行修正處理,即將預(yù)測(cè)模型結(jié)果劃分為多個(gè)狀態(tài),得到兩狀態(tài)Ei,Ej之間的概率,如式(5)所示。

(5)

圖1 遺傳算法的流程示意圖

遺傳算法可以利用特定的規(guī)則對(duì)問(wèn)題進(jìn)行編碼和組解運(yùn)算,并對(duì)初始化后的個(gè)體進(jìn)行局部篩選以得到原始群體,隨后根據(jù)群體中各染色體的適配性進(jìn)行父代的篩選與復(fù)制。個(gè)體在算法規(guī)則下進(jìn)行選擇、交叉和變異后的迭代運(yùn)算,以實(shí)現(xiàn)在滿足迭代條件下個(gè)體最優(yōu)解的獲取,Pc和Pm表示交叉和變異的可能性。[6-8]同時(shí)量綱的差異在將多目標(biāo)模型進(jìn)行問(wèn)題轉(zhuǎn)化時(shí),設(shè)置目標(biāo)函數(shù)為適應(yīng)度函數(shù),其數(shù)學(xué)表達(dá)式如式(6)所示。

(6)

式(6)中,Z為目標(biāo)函數(shù)。

1.2 快遞物流路徑配送及路徑選址

提高物流配送在基礎(chǔ)路徑中的效率是當(dāng)前快遞企業(yè)需要考慮的重要內(nèi)容,同行業(yè)市場(chǎng)競(jìng)爭(zhēng)壓力的增加以及顧客對(duì)服務(wù)質(zhì)量的要求提升,推動(dòng)著快遞業(yè)朝著高標(biāo)準(zhǔn)和高要求發(fā)展,對(duì)快遞量進(jìn)行預(yù)測(cè)以及對(duì)物流中心選址的分析能有效協(xié)調(diào)好物流快遞各主客體之間的關(guān)系,提升服務(wù)質(zhì)量。[9]當(dāng)前的快遞物流中心具有層級(jí)性和區(qū)域性,快遞物流從分撥以及物流運(yùn)輸,再輾轉(zhuǎn)到物流服務(wù)地以及顧客手中。且物流路徑的規(guī)劃和選址需要針對(duì)各個(gè)需求配送點(diǎn)的實(shí)際情況,考慮不同起送點(diǎn)之間的物資運(yùn)輸情況進(jìn)行時(shí)間和資源的約束和分配,運(yùn)行里程的限定以及運(yùn)輸成本的控制等都需要納入考慮。不同層級(jí)范圍的配送點(diǎn)所承擔(dān)的運(yùn)輸服務(wù)業(yè)也存在一定的差異,若采用統(tǒng)一的運(yùn)輸方式進(jìn)行物流運(yùn)輸,則可能會(huì)導(dǎo)致其配送效率較低,運(yùn)輸資源消耗過(guò)大以及難以滿足市場(chǎng)需求,進(jìn)而一定程度上約束了快遞物流運(yùn)輸體系的完善。研究在考慮快遞物流配送時(shí)是從快遞企業(yè)的物流現(xiàn)狀出發(fā),一定程度上減少了運(yùn)輸車輛以及產(chǎn)品性質(zhì)等因素的考慮。研究借助分層選址的思想對(duì)物流中心進(jìn)行選址,并依據(jù)快遞配送量和配送路徑的最大值和最短處進(jìn)行模型的構(gòu)建,如式(7)所示。

(7)

式(7)中,I,J分別表示一二級(jí)物流中心,K,R為快遞營(yíng)業(yè)網(wǎng)點(diǎn)集合和快遞需求點(diǎn)集合,ar為快遞需求量,dij,djk,dkr為對(duì)應(yīng)集合中心之間的距離,hijkr表示前一快遞集合中心與后一快遞集合之間是否存在全部分配關(guān)系,并按照其分配程度的取值范圍為(0,1),表示快遞物流之間的層級(jí)關(guān)系。物流中心的選址作為多階段的分類問(wèn)題,主要是對(duì)其選址和快遞量分配進(jìn)行考慮,同時(shí)研究借助和聲搜索算法(Harmony Search,HS)對(duì)模型進(jìn)行求解。[9]不斷調(diào)整樂(lè)器音調(diào)的過(guò)程可等同比擬應(yīng)用在模型中最優(yōu)目標(biāo)的選取上,HS算法中和聲庫(kù)中的矩陣表現(xiàn)形式如式(8)。

(8)

式(8)中,HMS為和聲種群大小。假定HS算法中的最小化問(wèn)題,并對(duì)和聲記憶庫(kù)進(jìn)行初始化操作,將隨機(jī)數(shù)與原有和聲概率進(jìn)行比較,判斷其為小于關(guān)系或大于關(guān)系則以原和聲變量或解空間隨機(jī)生成一個(gè)和聲變量。[10]借助微調(diào)帶寬對(duì)和聲變量進(jìn)行調(diào)整以得到新和聲和記憶庫(kù)的更新,見(jiàn)圖2。

考慮到不同層級(jí)的物流運(yùn)輸點(diǎn)在滿足約束條件的情況下能進(jìn)行快遞資源的調(diào)度,且不存在跨層級(jí)的配送情況。研究在確定選址情況下借助迪杰斯特拉(Dijkstra)算法對(duì)快遞量分配進(jìn)行分析。Dijkstra算法可以借助貪心策略在遍歷過(guò)程中實(shí)現(xiàn)鄰接節(jié)點(diǎn)的最優(yōu)選取,即以數(shù)值的初始化處理、以找到的最小值作為轉(zhuǎn)折點(diǎn)實(shí)現(xiàn)該點(diǎn)與其他點(diǎn)之間的路徑長(zhǎng)度計(jì)算,以至于所有頂點(diǎn)的最短路徑都能夠被找到。[11]

1.3 快遞物流路徑配送及最優(yōu)選址的應(yīng)用效果分析

研究設(shè)置測(cè)試環(huán)境為：電腦操作系統(tǒng)為Windows764位SPI,處理器為Inter Geleron N2830,4G的內(nèi)存。設(shè)置遺傳算法在進(jìn)行布局規(guī)劃求解時(shí)的參數(shù),即通過(guò)設(shè)置種群數(shù)量、進(jìn)化次數(shù)、交叉和變異概率分別為100、500、0.8和0.4。設(shè)置HS算法中和聲庫(kù)為71,記憶庫(kù)取值概率和擾動(dòng)概率為0.9和0.1。借助MATLAB R2017a軟件進(jìn)行實(shí)驗(yàn)?zāi)M仿真分析,以便更好地對(duì)快遞物流的配送效果進(jìn)行分析。對(duì)某快遞物流進(jìn)行中心選址,并對(duì)不同規(guī)模下算法的迭代效果進(jìn)行分析,其結(jié)果如圖3所示。

圖3 不用算法在不同規(guī)模物流量下的收斂性能

圖3(a)中結(jié)果表明,在小規(guī)模物流量下四種算法所表現(xiàn)出的收斂性能差異較小,其中HS算法和GA算法隨迭代次數(shù)的增加而逐漸趨于平穩(wěn),且其次數(shù)在超過(guò)100次時(shí)達(dá)到了2500萬(wàn)件的物流運(yùn)輸量,兩者之間的誤差值較小。而研究提出的改進(jìn)Grey Markov模型與HS算法、GA算法和Grey Markov模型之間的誤差均在5%以上。圖3(b)中,改進(jìn)Grey Markov模型與其他模型在大物流數(shù)據(jù)量下的趨于平穩(wěn)的迭代次數(shù)明顯少于其他三種算法,平均迭代速率達(dá)到了7.64%,其中HS和GA算法收斂速率高于另外兩種算法。隨后對(duì)不同算法的預(yù)測(cè)效果進(jìn)行分析,其結(jié)果如表1所示。

表1結(jié)果表明,三種模型在進(jìn)行快遞物流預(yù)測(cè)數(shù)值與真實(shí)值之間的相對(duì)誤差變化較大,其平均相對(duì)誤差分別為0.5140、0.2584和0.0623,且改進(jìn)Grey Markov模型對(duì)不同年份的預(yù)測(cè)值殘差均較處于2000范圍內(nèi),小于其他兩種模型,算法的精度效果較好。隨后對(duì)某快遞企業(yè)進(jìn)行分析,調(diào)研結(jié)果表明該快遞企業(yè)的一和二級(jí)物流中心的服務(wù)覆蓋距離分別為80 km和50 km,營(yíng)業(yè)網(wǎng)點(diǎn)的服務(wù)覆蓋距離為10 km。并標(biāo)記一級(jí)配送中心為“0”,其下級(jí)層級(jí)標(biāo)記為1-20。對(duì)Grey Markov模型改進(jìn)前后的配送路徑方案進(jìn)行分析,其結(jié)果如圖4所示。

表1 不同算法的快遞物流預(yù)測(cè)結(jié)果

圖4 兩種算法下的路徑規(guī)劃結(jié)果

圖4結(jié)果表明,對(duì)Grey Markov模型進(jìn)行改進(jìn)之后,快遞物流運(yùn)輸路徑在各個(gè)配送節(jié)點(diǎn)之間的距離較短,其整體路徑規(guī)劃距離縮短情況與改進(jìn)前模型相比,提升了13.24%,極大提高了效率。對(duì)不同次數(shù)下的配送路徑和收斂時(shí)間進(jìn)行分析,其結(jié)果如表2所示。

表2 改進(jìn)Grey Markov模型下的配送路徑

表2結(jié)果表明,在不同計(jì)算次數(shù)下,改進(jìn)Grey Markov模型下的配送路徑成本基本上在2000-2500元之間,且其收斂時(shí)間隨著需求點(diǎn)數(shù)量的增加沒(méi)有出現(xiàn)太多的波動(dòng),時(shí)間波動(dòng)值差值不超過(guò)1.29 s。對(duì)其路徑優(yōu)化成本進(jìn)行探究后,結(jié)果如圖5所示。

圖5 快遞物流配送路徑優(yōu)化的成本變動(dòng)

圖5結(jié)果表明,改進(jìn)Grey Markov模型和Grey Markov模型的迭代成本曲線差異較為明顯。其明顯的成本曲線在迭代次數(shù)超過(guò)100次時(shí),其成本曲線的波動(dòng)節(jié)點(diǎn)明顯減少,且優(yōu)化效果明顯。

3 結(jié)論

加強(qiáng)對(duì)快遞物流的配送效果探究,研究對(duì)灰色馬爾科夫模型進(jìn)行改進(jìn),并對(duì)動(dòng)態(tài)選址和快遞需求量進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明,改進(jìn)Grey Markov模型與HS算法、GA算法和Grey Markov模型之間的快遞物流預(yù)測(cè)誤差均在5%以上,且在大物流數(shù)據(jù)量下的平均迭代速率達(dá)到了7.64%,明顯高于其他對(duì)比算法?？爝f物流預(yù)測(cè)結(jié)果表明,灰色模型、Grey Markov模型和改進(jìn)Grey Markov模型的平均相對(duì)誤差分別為0.5140、0.2584和0.0623,研究提出的模型具有較好的預(yù)測(cè)精度,且在運(yùn)輸路徑節(jié)點(diǎn)配送時(shí)的效率提升了13.24%,收斂時(shí)間誤差波動(dòng)值小于1.29s,成本曲線的變化較小,具有較好的應(yīng)用效果。同時(shí),加強(qiáng)快遞量預(yù)測(cè)的影響因素評(píng)估是研究在未來(lái)需要改進(jìn)的重要方面。