物聯網環境下生鮮農產品物流配送路徑優化研究

李昌兵+汪爾晶+袁嘉彬??

內容提要：針對傳統生鮮農產品物流配送模式存在的不足，本文綜合考慮物聯網技術優勢和生鮮農產品的特點，引入模糊時間窗函數、客戶滿意度函數、農產品損耗函數等主要約束條件，構建以客戶滿意度最大、配送費用最小為目標的物聯網環境下多目標路徑優化模型，提出物聯網環境下生鮮農產品的配送模式；基于Matlab軟件和改進后的遺傳算法對模型進行仿真，通過多次遺傳算法疊加得到模型最優解，以期為生鮮農產品物流配送路徑的決策選擇提供參考。

關鍵詞：物聯網；生鮮農產品；路徑優化；改進后的遺傳算法

中圖分類號：F3032；F252文獻標識碼：A文章編號：1001-148X（2017）04-0001-09

物聯網是將RFID射頻識別技術、傳感器技術、人工智能等技術相互聚合并集成應用，創造出一個可以感知現實世界的智能網絡。生鮮農產品由于其易變質、易腐壞等特點，流通難度較大。物聯網和農產品流通相結合，簡單而言就是運用RFID射頻識別等技術，通過信息網絡實現對配送過程中農產品狀態和車輛運輸狀態的實時監控、共享信息，并據此進行智能化運作。

關于物聯網和農產品相結合應用的研究，國外多集中于利用物聯網技術建立農產品信息管理系統，便于信息追溯，實現農產品流通乃至整個供應鏈的實時監控，保證農產品質量[1-2]。國內有關物聯網技術在生鮮農產品配送中應用的研究相對較少[3-5]。物聯網作為國家層面的信息技術發展戰略，對我國農業發展具有重要的理論與現實意義，而我國當前農產品物聯網配送模式還處于初級探索階段。基于已有研究基礎，本文針對生鮮農產品在配送過程中效率低、信息滯后、成本高等問題，運用物聯網技術科學合理規劃配送路徑，目的是在提高配送效率和保證農產品品質的同時，降低配送成本，實現農產品企業的經濟效益和客戶滿意度之間的平衡。

一、物聯網環境下生鮮農產品物流配送模式的提出與分析

我國傳統生鮮農產品物流配送模式（如圖1所示），批發市場和集貿市場是農產品流通的主要渠道，對手交易是主要交易方式。生鮮農產品需要經過層層中間環節才能到達消費者手中，層層環節加價，導致農產品供應商增收困難、消費者花費高，需求信息采集不完善，增大市場營銷的不穩定性。傳統生鮮農產品配送環節過多，每一環節都需要進行相應的裝卸搬運、運輸等作業，不僅增加了物流配送成本，也導致農產品損耗增大。包裝識別和信息交換技術的缺乏，影響產品分揀和配送速度，對生鮮產品運輸狀態的監控和調節的缺少，導致生鮮農產品的品質難適應人們要求，對生鮮農產品配送過程追溯和跟蹤的缺少，一旦產品出現問題，不利于產品質量追蹤溯源。

針對傳統生鮮農產品物流配送模式的不足，結合物聯網技術優勢和生鮮農產品的特點，提出物聯網環境下生鮮農產品配送模式（如圖2所示），目標是實現生鮮農產品在采購、流通加工、運輸倉儲、運輸、質量溯源等環節的智能化運作，推動農業向集約型轉變，提高農業資源利用率和信息化水平。物聯網環境下生鮮農產品配送模式可以劃分為三個基本層次： 感知層、網絡層和應用層。感知層是通過各種傳感技術，將采集到的信息傳至信息共享平臺；網絡層是讓各種農產品信息通過基礎承載網絡傳輸到應用層，支撐感知層的農產品信息傳遞、路由和控制，保證數據在網絡傳輸中的交換；應用層是利用物聯網技術，通過對各種類型的感知數據進行統一管理，實現農產品在配送過程中智能化的直接體驗。

配送是農產品產業鏈的核心環節，直接關系到客戶和企業利益。在農產品采購和流通加工環節，根據客戶訂單直接從供應商處采購，通過RFID技術對農產品的各種詳細信息進行編碼，并記錄到電子標簽中，實現產品盤點、移動、監控等智能化操作，行為將會被閱讀器記錄、實時傳輸至數據管理中心。在農產品分揀裝車環節，利用RFID標簽可自行對貨物進行準確、快速的分揀和裝車，車輛進出海關時，運用RFID技術可自動化繳費。在運輸環節，通過各類傳感技術及時收集產品及周邊環境信息，改變儲存溫濕度，確保生鮮農產品品質；利用GPS、GIS和RS等技術，實現對車輛全方位的跟蹤定位，并在車輛沒按規定時間到達消費者時發出延遲警報，在車輛實際路線與計劃不一樣時發出路徑異常警報，當無法聯系到駕駛員時可以實施緊急救援，真正實現智能化、自動化和可視化物流。具體配送環節流程，如圖3所示。

相對于傳統生鮮農產品配送模式，物聯網環境下生鮮農產品物流配送模式的優勢有：

提高配送效率。批發環節相對較少，減少了傳統層層代理銷售模式所帶來的采購價格虛高，到貨時間周期長等問題，流通環節相對較少，消除了相關再運輸搬運成本。通過RFID進行自動化整批采集配送過程中各環節信息，提高了輸入數據的準確性和高效性，實現生鮮產品配送各環節時間上的無縫鏈接，提高了配送效率。

穩定產銷關系。RFID技術的運用一定程度上消除了需求信息不對稱，從而減小需求預測誤差，中間流通環節的減少和需求誤差的減小，降低了牛鞭效應。

減少資源浪費。物聯網技術可對農產品的周邊環境進行實時監控，自動調節溫度變化，減少生鮮農產品的損耗，保證農產品品質。另一方面物聯網技術的運用提高了生鮮農產品在流通過程中自動化程度，減少大量不必要的剩余勞動力。

安全追蹤溯源。消費者通過掃描電子標簽、二維碼、條形碼等查詢手段，可精確掌握生鮮農產品從采購、流通加工、運輸倉儲、裝卸搬運等環節信息，一旦出現安全問題，可快速逐層排查找到責任源頭。

二、構建物聯網環境下生鮮農產品配送路徑優化模型

（一）模型假設與參數定義

1.模型的基本假設

（1）本文只考慮一個物流中心即配送中心，根據客戶訂單需求，車輛需從配送中心出發，在完成配送服務后，返回配送中心。

（2）每個客戶的生鮮農產品需求量不能超過配送車輛的最大承載量，本文是單車型車輛配送，即車輛承載量、行駛速度、行駛成本等條件都是固定的。

（3）每個客戶有且僅由一輛車輛進行配送，但每輛車可向多個客戶提供配送服務任務。

（4）關于客戶對生鮮農產品需求量、期望的配送時間段、可容忍的配送時間段、配送中心以及客戶的具體地理位置都是已知的。

（5）客戶在配送服務時間范圍內，對生鮮農產品的需求量是恒定不變的。

2.相關參數和變量定義（表1）

（二）構建模型的約束條件

物聯網環境下生鮮農產品物流配送路徑優化主要是以客戶滿意度最高和配送成本最小為目標，合理規劃配送網絡，科學設計配送路徑。為此，本文引入了模糊時間窗、客戶滿意度目標函數和生鮮農產品損耗函數。

1.模糊時間窗。實際生活中，客戶對配送服務時間的要求并非完全剛性的，服務時間早或晚都會影響滿意度的大小。因此，在構建物聯網環境下生鮮農產品配送路徑優化模型時，需引入時間窗并將之模糊化處理，用來滿足客戶對時間的實際要求，把客戶i對時間的滿意度U（Si）定義為其服務開始時間的隸屬度函數。

當客戶i在期望服務時間段[ETi，LTi]內服務，客戶滿意度為1；否則，客戶滿意度會因實際服務時間過早或過晚而降低，當實際服務時間在可容忍時間段之外時，即Si[EETi，ELTi]，客戶滿意度為 0。

假設客戶最低服務水平參數為θ，令客戶滿意度U（Si）θ，從而防止客戶因滿意度低而流失。令：

在滿足客戶i最低滿意度θ時，服務開始時間范圍是[Inf（i，θ），Sup（i，θ）]，其中：

Inf（i，θ）、Sup（i，θ）分別為最早和最遲可接受服務時間，由于客戶對時間的敏感系數β待確定，取最簡單的線性變化作為滿意度U（Si）和Si服務開始時間的表示關系，得到相應的Inf（i，θ）、Sup（i，θ）表示值，如圖4所示。

2.客戶滿意度目標函數。客戶滿意度是指客戶通過對企業的某種產品或服務所產生的感知效果與自己的期望對比得出的指數。相對來說，購買貨物量占總配送貨物量的比重的客戶滿意度目標函數，在權衡貨物價值量的基礎上考慮最大的客戶滿意度，其目標是在客戶最大可容忍的服務時間內，保質保量完成配送任務，比較兼顧客戶以及配送企業的利益，因此將滿意度目標函數定義為：

3.生鮮農產品損耗函數。生鮮農產品具有易變質、易損壞等特性，在配送過程中，利用物聯網技術手段對農產品周圍溫度的實時監控，并自動調節周邊溫度，能有效地減緩農產品損耗速度。參考U Dave（1985）[6]關于指數速度腐敗連續型生命周期函數，建立生鮮農產品的損耗函數：

Q0為生鮮農產品的最初質量；t為車輛配送所花費時間；為生鮮農產品對時間的敏感系數，如果農產品對時間較敏感，則的取值較小，反之取值較大；B原為生鮮農產品隨溫度變化而變化的一個動態值，本文通過物聯網技術對農產品周圍溫度進行實時監控，并保持溫度恒定不變，則可設定B為常數值088[6]。

當客戶i的現實需求量為gi時，配送中心實際發貨的數量為Qi，根據公式（6）得出：

（三）構建數學模型

綜合考慮物聯網技術優勢與生鮮農產品的特性后，再根據優化目標，構建物聯網環境下生鮮農產品配送路徑優化模型，表述如下。

目標函數：

目標函數LP1（8）表示在滿足服務開始時間、車輛容量等約束條件下，保證客戶滿意度最大化；目標函數LP2（9）表示配送成本最小化，左起第一項表示配送費用的總成本，第二項表示配送過程中的固定成本，第三項表示配送過程中的變動成本，第四項表示配送過程中的懲罰成本。

固定成本：在物聯網條件下生鮮農產品配送過程中，車輛的固定成本是租金、車輛的損耗等，RFID技術的固定成本是設施裝備和構建相關軟件系統的損耗[7]，則固定成本的公式如下：

變動成本：在物聯網條件下生鮮農產品配送過程中，配送成本隨著路程的遠近而不斷變動，其包括了人工成本、汽油費、保養成本，則變動成本的公式如下：

物聯網維護和標簽成本：C5=ρ[C4+C3（1-γ）]Qi，ρ為產品應用物聯網技術復雜程度，如平均n個單位應用一個電子標簽，那么ρ為1/n。

懲罰成本：主要包括分為早到和晚到的懲罰費用，車輛若早到客戶點，則需支付等待成本，車輛若晚到，則需支付延遲成本。其公式如下：

約束函數（10）表示車輛k在運輸過程中，貨物總重量不能超過車輛規定的最大貨物載重量。

約束函數（11）表示生鮮農產品在配送中心的裝載量大于實際客戶的需求量，確保按客戶要求質量完成配送任務。

約束函數（12）表示的車輛配送路徑的數量不得超過車輛的總數。

約束函數（13）表示任意一條配送路線上的所有客戶數量不能大于總需求的客戶數量。

約束函數（14）表示將服務開始時間模糊化處理。

約束函數（15）表示為防止客戶滿意度太低造成客戶流失，確保客戶滿意度不低于最低值。

約束函數（16）表示車輛到達客戶點的時間，同時保證車輛在完成該客戶的服務后駛向下一位客戶。

約束函數（17）表示模糊化時間窗的條件下，車輛在各客戶點的服務開始時間約束；

約束函數（18）表示保證每個客戶只能被一輛車提供服務。

約束函數（19）表示車輛從配送中心出發，完成配送任務后必須再次返回配送中心。

〖HS（3〗三、物聯網環境下生鮮農產品配送路徑的仿真研究

（一）算法選取

本文立足于物聯網環境下的生鮮農產品配送路徑優化模型屬于多目標優化問題，采用改進后的遺傳算法，就是在一般遺傳算法中引入最優保留策略，避免優秀染色體被破壞。通過多次遺傳算法疊加求解模型，對配送路徑進行全局優化調整，求得以客戶滿意度最高、配送成本最小為目標的最佳配送路徑。

（二）遺傳算法改進后的運算過程

1.編碼機制。本文將服務開始時間模糊化處理，不能像傳統方法一樣對客戶編碼，要采用整數編碼的方法，染色體表示基因順序為（G1，G2…Gi，0，L1，L2…Lk），其中染色體中的Gi是所有客戶被服務次序的編碼，是1-i個隨機生產的整數；染色體中的Lk是對車輛的編碼，表示每輛車所服務客戶的數量范圍。這條染色體可以簡化為所服務客戶的次序編碼方式，在仿真演算中，若染色體長度為n+m個基因，即可設定序列為（0，X1，X2，X3，…Xs，0，Xs+1，Xs+2，…Xq，0，Xq+1，Xq+2，…Xn+m，0）。例如，有10個客戶3輛車的編碼方式（5，8，2，4，1，6，3，7，9，10， 0，3，7，10），則其服務客戶的次序編碼方式可簡化如下：

表示從配送中心出發的第一輛車，經過客戶點5、客戶點3、客戶點7，最后返回配送中心，形成配送路線I：0-5-3-7-0；以此類推出配送路徑II：0-4-1-6-8-0和配送路徑III：0-2-9-10-0。

2.種群初始化。初始化要考慮客戶對服務時間窗的限制和最低滿意度值，首先產生初始可行的染色體，其次采用模糊化的處理方法進行局部調整，使得可行染色體服務開始時間Si不斷趨近于客戶期望服務時間[ETi，LTi]。在已經生成的染色體基礎上加入篩選因子，去除那些不合格的染色體，構造出符合可行時間要求的染色體（G1，G2，…Gi，0，L1，L2，…Lk）。

3.約束條件處理。（1） 查看產生的染色體中每條線路上客戶需求量之和，是否滿足配送車輛預計的最大承載量，若沒超過最大載重量，則該染色體作為一個可行解；否則，該染色體直接去除。（2） 查看產生的每條染色體對應的客戶配送服務時間，是否在所有客戶可容忍時間段內，若在可容忍時間內，則該染色體作為一個可行解；否則，該染色體直接去除。

4.適應度函數。個體性能優劣與適應度值正相關，根據適應度的大小對個體進行選擇，確保性能較好的個體能有更多機會被選中，作為優秀染色體得以遺傳。遺傳算法中要求適應度函數值為非負數，但實際問題的目標函數常常是成本最小，例如函數LP2，需要根據適應度函數非負原則轉換為求解最大目標的形式，即適應度函數為：

5.遺傳操作

（1）選擇。在傳統輪盤賭的基礎上采取最優保留策略，使適應度值較高的染色體得以遺傳，提高全局搜索的收斂性，避免產生局部最優的現象。其具體選擇操作過程如下：

①設種群A={A1，A2，A3，…，An}，大小為n，初始狀態為X={}，計算種群中個體的適應度值f（Ai），按照由大到小的次序依次排序，得出新的種群為B=〖JB（{〗B1，B2，…Bn〖JB）}〗，同時記錄種群中適應度最大的個體k，即f（Ak）=max（f（A1），f（A2），…f（An））。

②計算出種群B中所有染色體的適應度總和 每一個染色體被選中概率 每一個染色體的累積概率

③輪盤轉動：

Step1：隨機產生n個0與1之間的數值，若數值小于q1，則選擇染色體B1；若數值是介于qk-1和qk，則選擇染色體Bk。

Step2：得出各區間的ξ值：ξ1，ξ2，ξ3，…ξn，其中ξ1為在i號區間內隨機數的個數。取ξj=max（ξ1，ξ2，…ξn）中最大值，在區間j中對應的個體Bj作為本次所選的染色體個體Mj。

Step3：檢查染色體的個數是否達到了種群的規模n，若達到，將Mj加入到群體X中，否則轉至Step1。

④尋找群體X中適應度最小的個體，即f（Ci）=min（f（C1），f（C2），…f（Cn）），用最高適應度的染色體k替代染色體i。

⑤保存所有選出的個體，返回新的種群。

（2） 交叉。交叉操作在遺傳算法中起到核心作用，決定了遺傳算法的全局搜索能力[8]。本文針對客戶被服務次序以及車輛的編碼次序進行均勻交叉操作。

（3） 變異。對于基因序列按照設定好的變異概率Pm進行變異操作，本文對各基因中的每個客戶被服務次序進行變異操作，即G1-Gi和車輛編號L1-Lk。同交叉操作一樣，本文采用均勻突變的方法，選取均勻分布的隨機數中較小的概率，替換個體編碼串中原有基因值。

（三）算例檢驗與分析

1.算例基本情況。本文具體算例是以某大型生鮮農產品企業為配送主體，通過配送中心對客戶進行配送服務，客戶和配送中心的相關具體數據如表2所示，并取θ=085，經過公式（1）、（3）、（4）計算出模糊時間窗[Inf（i，θ），Sup（i，θ）]的值。

采用向量距離來衡量客戶與客戶、客戶與配送中心之間的距離，一般來說，實際距離比向量距離大，則設定距離公式為：

根據表2給出的配送中心和各客戶點的具體位置，計算出各客戶點距離，如表3所示。

2.最優配送方案的求解。此配送中心有4輛裝有物聯網技術的生鮮農產品配送車，每輛車載重為15t，每次每輛車的固定成本為10美元，車輛每公里費用為04美元；運貨平均速度36km/h，需求量卸貨速度為12t/h；等待成本為10美元、延遲成本為50美元。設置種群規模pop為160，遺傳代數gen為500，交叉概率Pc為03，變異概率Pm為03。

根據具體案例數據，繪制出配送中心和客戶點的地理位置分布圖，數值0為配送中心坐標點，其余數值1-12代表客戶坐標點，如圖5所示。利用改進后的遺傳算法對模型進行仿真，得出的種群進化趨勢圖，如圖6所示。

從種群進化趨勢圖可以看出，迭代開始階段直線下降比較陡，隨著迭代次數的增多，直線變化逐漸趨于平緩，即本文遺傳算法在搜索過程朝著目標更優化的方向收斂，逐漸朝著最優解靠近。

本文通過Matlab多次運用遺傳算法疊加求解，得到兩組近似于最優解，如圖7所示。

對上述兩組多次遺傳算法得到的近似最優解進行比較分析，如表4所示。

方案1和2是多次遺傳算法疊加后的兩個近似最優解，方案1的配送成本略高于方案2，但客戶滿意度和花費時間都要比方案2效果好，考慮農產品企業成本最小與消費者滿意度最大之間的平衡，本文選擇方案1為最優解，再通過Matlab軟件進行仿真運算得出，得到最佳運輸路徑示意圖，如圖8所示。

因此，本文最優解為配送成本3423496，客戶滿意度08333，最佳運輸路線為配送路線I：0-8-5-7-0；配送路線II：0-6-11-12-0；配送路線III：0-9-4-0；配送路線IV：0-10-2-3-1-0。

本文通過多次遺傳算法疊加求解模型，以滿足客戶滿意度最大和配送成本最小為目標，避免局部最優的情況出現，得到了整個模型的最優解。

四、結束語

在分析了傳統生鮮農產品配送模式存在不足的基礎上，根據物聯網技術特點，提出物聯網環境下生鮮農產品配送模式，促進了農產品配送環節的信息化、自動化與智能化，隨著5G技術普及，物聯網應用領域與深度將得到進一步拓展。本文在構建優化模型時，結合物聯網技術優勢和生鮮農產品的特點，引入生鮮農產品損耗函數和模糊時間窗概念，使得模型更符合實際情況，兼顧客戶和企業利益；在一般遺傳算法中引入最優保留策略，再用改進后的遺傳算法進行仿真，驗證了本文研究可為現實生活中物流配送提供幫助。

參考文獻：

[1]LI M B， ZHU Z， CHEN G Y. Information Service System of Agriculture IOT[J].Automatika： Journal for Control， Measurement， Electronics， Computing and Communications， 2013， 54（4）： 415-426.

[2]LIU Y， WANG H， WANG J Y， et al. Enterprise-Oriented IOT Name Service for Agricultural Product Supply Chain Management[J].International Journal of Distributed Sensor Networks，2015：1-12.

[3]顏波，石平，丁德龍.物聯網環境下的農產品供應鏈風險評估與控制[J].管理工程學報， 2014， 28（3）：196-173.

[4]顏波，王欣妮，馮子祺.物聯網環境下的農產品安全可追溯監管體系研究，科技管理研究，2016（14）：153-159.

[5]孫濤，董永凱.物聯網產業發展對智慧城市建設影響研究[J].理論探討，2015（2）：86.

[6]DAVE U， PANDYA B. Inventory returns and special sales in a lot-size system with constant rate of deterioration[J].European journal of operational research，1985，19（3）： 305-312.

[7]張李浩， 范體軍.供應鏈企業投資RFID技術成本分攤研究[J].中國管理科學，2014，22（4）：26-33.

[8]張家善， 王志宏， 陳應顯，等. 一種求解旅行商問題的改進遺傳算法[J].計算機系統應用， 2012，21（9）：192-194.

（責任編輯：李江）

收稿日期：2016-11-07

作者簡介：李昌兵（1970-），男，四川華鎣山人，重慶郵電大學經濟管理學院教授，工學博士，研究方向：復雜網絡分析、智能決策及優化；汪爾晶（1992-），男，江蘇連云港人，重慶郵電大學經濟管理學院研究生，研究方向：物流規劃與設計。

基金項目：國家自然科學基金資助項目，項目編號：60905066；重慶教委科技項目，項目編號：KJ070509；電子商務與現代物流重慶高校市級重點實驗室項目，項目編號：ECML201403；重慶郵電大學自然科學基金資助項目，項目編號：A2009-03。