考慮生鮮食品新鮮度的全渠道配送路徑優化

王開軒 楊斌

摘 要：針對全渠道零售模式下消費者線上下單、零售門店配送的消費模式，利用生鮮食品質量衰減原理，設計了一種考慮新鮮度水平的全渠道生鮮食品配送模式，建立雙目標數學模型對配送路徑及冷鏈各環節溫度選擇進行優化研究，在盡可能滿足顧客對生鮮食品最低新鮮度要求的同時降低冷鏈配送總成本。為驗證模型有效性，分別用改進粒子群算法和改進遺傳算法對不同規模的算例進行求解。實驗結果表明，本文建立的混合整數規劃模型能夠較好解決全渠道模式下考慮生鮮食品新鮮度的配送路徑優化問題。此外，相較于改進粒子群算法，改進遺傳算法更具優勢。

關鍵詞：路徑優化;改進粒子群算法;改進遺傳算法;生鮮食品;全渠道零售;新鮮度;滿意度

中圖分類號：F252.14文獻標識碼：A文章編號：1008-4428（2019）05-0017-05

一、 引言

隨著零售模式不斷升級，全渠道零售應運而生，通過整合線上線下多種渠道，使消費者能在任何時間、任何地點享受到無差別的線上、線下購物體驗。

全渠道零售模式被認為是能打破傳統線上與線下模式的一種新興業態，而生鮮食品銷售與消費模式是最符合新零售模式發展的一種品類。生鮮食品種類多且具有易腐敗性、保質期短和易受環境影響等特點，在配送過程中需要通過低溫的環境降低自身代謝和微生物的生長，從而抑制生鮮食品的腐敗速度。

目前，越來越多的生鮮電商企業開始重視線下門店集體驗、銷售、前置倉、服務等為一體的功能，支持消費者線上下單、門店自取以及周邊社區送達的服務。但不可忽視的是，線下門店的背后是高額的房租成本和人工成本，成本結構相對固定。生鮮食品種類多、易受環境影響、保質期短等特點，也對生鮮食品企業的選址能力、運輸能力等提出了更高層面的要求。

因此，在全渠道零售模式下研究生鮮食品配送優化問題具有重要意義。現有的針對全渠道的研究多為定性研究，針對全渠道背景下的路徑優化問題研究較少。M.M.S Abdulkader提出了一種全渠道零售背景下的車輛路徑模型，這也是第一篇解決這類問題的文章。本文在此基礎上，針對網上下單、門店配送的模式，利用生鮮食品質量衰減原理，以“消費者對生鮮食品品質的滿意度”和“物流成本”為目標，構建考慮食品新鮮度的全渠道生鮮食品配送模型，運用改進粒子群算法和改進遺傳算法求解，通過設計不同規模的算例，優化配送路線和溫度選擇，驗證模型有效性和算法優劣性，以期為生鮮企業實際運營提供決策支持。

二、 模型建立

（一）問題描述

消費者在網上購買生鮮食品時，一般不會接受新鮮度水平不足預期的產品。而生鮮食品在存儲和運輸的過程中產品新鮮度水平會逐漸下降，其下降的速度與運輸環境密切相關。在生鮮食品冷鏈過程中，溫度顯然是控制食品新鮮度衰減最重要的因素，生鮮食品質量衰減速率θ遵循阿倫尼烏斯方程：

全渠道生鮮食品配送網絡由兩部分構成：從配送中心到零售門店的補貨配送和從零售門店到消費者的線上訂單配送。企業通過使用同一車隊整合零售商配送系統和消費者配送系統，訂單的分配由距離和零售商庫存等因素決定，在給零售商門店進行補貨的同時配送各零售商分配到的消費者訂單。基于以上描述，構建全渠道生鮮食品配送路徑優化模型。

（二）基于遺傳算法的模型求解

根據本文建立的模型，建立改進的遺傳算法進行求解。其編碼設計與粒子編碼相同，對交叉、變異算子、適應度函數等要素進行設計，并采用輪盤賭法選擇子代個體。

1. 交叉算子

遺傳算法中交叉操作如圖2所示。首先在父代1中隨機挑選3個基因位上的基因值，將其復制到子代染色體同基因位上。然后在父代2中剔除與父代1中已選擇的基因值相同的基因，將剩余基因位上的基因值按次序復制到子代中。

2. 變異算子

遺傳算法通過變異算子對染色體的局部進行修改，按一定變異概率在某一基因位上用新的基因值替代舊的基因值，從而保持種群多樣性。如圖3所示，父代第3和第8基因位上的基因值互換后形成了子代。

3. 適應度函數

在構建適應度函數時，采用加權求和的方式將雙目標函數變為單目標函數，權系數為Q。為保證成本和滿意度為相同的數量級，給滿意度函數乘以一定的放大系數S。

四、 算例分析

（一）參數設計

1. 基本參數

假設某生鮮食品企業在某區域有1個配送中心，坐標位置為（0，0）。本文中不考慮配送中心庫存和存儲溫度，并假設配送中心的生鮮食品初始新鮮度水平均為100%。

現假設在（0，100）內有4個零售商需求點和20個顧客需求點，各零售商和消費者對兩種生鮮食品的補貨需求在（30，120）和（1，10）千克內隨機產生。

零售商與顧客均對生鮮食品新鮮度有要求，因有存儲需求，故零售商對生鮮食品新鮮度要求較高，在（80%，95%）之間隨機產生，而顧客對新鮮度要求在（70%，95%）之間隨機產生。

具體零售商、顧客信息如表1、2所示，配送中心、零售商、顧客分布圖如圖4所示。

模型假設從配送中心到零售商的運輸成本cij的運輸費率為10（元/噸·公里），從零售商到顧客的運輸成本c'ij的運輸費率為15（元/噸·公里），平均車速為40（公里/小時）。在整個供應鏈中因新鮮度不達預期會產生食品廢棄成本，不同食品的廢棄成本系數不同，本文假定生鮮食品A、B的廢棄成本系數分別為10和15（元/千克）。不同溫度下的車輛固定冷卻費用不同，溫度越低，冷卻費用越高。具體車輛信息如表3所示。

2. 食品質量衰減

王晶等等根據蔬菜類生鮮食品保質期及質量衰減函數計算出蔬菜類生鮮食品每天新鮮度衰減量，如表4所示：

（二）求解結果

1. 改進粒子群算法求解結果

利用改進粒子群算法求解的運輸路線如圖5所示，每條路徑的運輸溫度、各類型生鮮食品運量如表5所示。其中，種群規模設置為100，最大迭代次數設置為200，學習因子為1，最大權重為0.8，最小權重為0.5。

以路線1為例，表示將C14的訂單分配給R3，將C6、C7、C8、C9、C12、C15、C16、C21的訂單分配給R4，根據先零售商后顧客的配送原則，依次進行配送。在這條線路中，由于配送鏈條長，并且C7、C15和R4對食品新鮮度要求高，所以在這條配送線路上溫度選擇較低（2℃）。

2. 改進遺傳算法求解結果

利用改進遺傳算法求解的運輸路線如圖6所示，每條路徑的運輸溫度、各類型生鮮食品運量如表6所示。其中，種群規模設置為100，最大迭代次數設置為200，交叉概率0.8，變異概率0.1。

從結果中可以看出，由于路線2和路線3的配送路線鏈條均較短，故在配送路線溫度選擇上相對靈活，在保證新鮮度水平的前提下可選擇較高的配送溫度（10℃），以降低車輛冷卻成本。路線1的配送鏈條較長，且由于R3和R4被分配到的消費者平均最低滿意度要求均較高，分別約為86.17%和84.43%，所以這條配送路線上的溫度選擇較低（4℃）。

3. 算法結果對比與分析

基于以上算例，利用改進粒子群算法和改進遺傳算法進行求解，適應度值分別為-29973和-36731，總成本分別為48363元和38269元，運行時間分別為14.6219s和18.2113s，滿意度分別為97.92%和93.75%，算法的收斂情況如圖7所示。由收斂結果可知，針對此整數規劃問題，相較于改進粒子群算法，改進遺傳算法收斂速度更快、收斂精度更高。

為了進一步驗證改進粒子群算法和改進遺傳算法在本問題上的有效性和優劣性，本文列舉了兩個新的算例。其中，算例B中增加了1種蔬菜類的生鮮食品，算例C中擴大了生鮮食品配送模型中的節點數量，增加了2個零售商節點和20個消費者節點，并通過兩種算法對成本、運輸時間、滿意度等指標進行對比分析。由表7結果可以看出，當算例規模較大時，相較于改進粒子群算法，改進的遺傳算法更具優勢。

五、 總結與展望

本文在全渠道零售配送系統的基礎上，結合生鮮食品質量衰減規律，綜合考慮配送總成本和消費者滿意度等目標，構建考慮新鮮度的全渠道生鮮食品配送系統，并設計改進粒子群算法和遺傳算法進行求解，對配送路線及溫度選擇進行優化。為了進一步驗證模型的可行性，本文對算例規模進行調整，算法對比結果表明該模型可有效在降低配送總成本的同時提高客戶滿意度。此外，當算例規模擴大時，改進的遺傳算法更具優勢。

本文在構建全渠道生鮮食品配送系統時，僅考慮了消費者線上下單、零售門店配送的情況。在未來的研究中，可以考慮增加全渠道背景下的其他配送模式，如同城眾包模式等，研究不同種生鮮品適合的配送模式。

參考文獻：

[1]Norbert Beck， David Rygl. Categorization of multiple channel retailing in Multi-，Cross-，and Omni-Channel Retailing for retailers and retailing[J]. Journal of Retailing and Consumer Services， 2015（27）： 170-178.

[2]范宇. 全渠道零售模式下水產品銷售與冷鏈配送的創新研究[J]. 現代經濟信息， 2018（8）： 169-170.

[3]M.M.S. Abdulkader， Yuvraj Gajpal， Tarek Y. ElMekkawy. Vehicle routing problem in omni-channel retailing distribution systems[J].International Journal of Production Economics， 2018（196）： 43-55.

[4]Ghare P M， Schrader G F. A model for exponentially decaying inventories[J]. Journal of Industrial Engineering， 2007（80）： 465-475.

[5]Shi Y H， Eberhart R C. Empirical study of particle swarm optimization[C]// Proceeding of IEEE International Conference on Evolutionary Computation （CEO 1998）， Piscatawany， NJ， 1998： 69-73.

[6]王晶， 劉昊天， 趙然. 基于食品安全的生鮮食品冷鏈運營優化研究[J]. 系統工程理論與實踐， 2018， 38（1）： 122-134.

作者簡介：

王開軒，男，遼寧大連人，上海海事大學物流科學與工程研究院碩士研究生，研究方向：車輛路徑優化;

楊斌，男，山東青島人，上海海事大學教授，博士生導師，研究方向：物流企業戰略與商業模式。