深度學習在實時配送路徑優化中的應用研究

冉齡玉

(重慶交通大學經濟與管理學院 重慶 400041)

一、引言

隨著信息技術和科技水平的不斷發展，以及經濟全球化程度的不斷加深，深度學習技術發展迅速，應用前景不斷拓展。然而，信息社會促使物流市場各企業面臨著一個共同的問題——實時物流配送路徑優化。當今各行各業都包含不同程度上的物流配送，因而各企業必須重視實時物流配送環節。將信息技術用于尋找更優的、更加科學合理的動態物流配送柔性路徑，可以增強物流企業的核心競爭力。實時物流配送路徑的合理制定可以在一定程度上降低物流成本，提升運營效率。當今，深度學習已逐漸運用于各行各業。本文從理論角度出發，將深度學習運用于制定實時物流配送路徑優化問題，為物流企業的配送路徑安排提供參考，具有非常重要的實際意義。

實時車輛路徑問題是簡單車輛路徑問題(VPR)的延伸，它需要同時考慮配送車輛的時空性質和客戶單元的實時需求。配送車輛的時空性包含配送車輛在空間上以及時間上的實際狀況。實時車輛路徑問題與動態交通路況有著很強的關聯。目前，國內外學者對該類問題進行了廣泛研究。Mingyao qi(2012)[1]將聚類算法結合遺傳算法，進一步從時間和空間上分析配送車輛需要符合的條件，從而對VRPTW進行尋優。在Mahmoudi(2016)[2]等人的研究中，只結合前向動態規劃的拉格朗日松弛法，這似乎是一種精確解法。陳迎欣(2012)[3]、許星(2006)[4]將遺傳算子中的選擇操作融入到蟻群算法，構造的混合算法得到了問題的更優解。國外學者將簡單車輛路徑問題進行多方面多維度延伸，Schmitt(1996)[5]通過改進遺傳算法中的選擇和變異操作有效解決了有容量限制的配送車輛和客戶點時間窗要求的車輛路徑問題；Montané(2006)[6]以禁忌搜索算法為主體，同時運用領域操作和聚類算法得到了VRPPD的更優解。Ho(2007)[7]用兩種不同的混合遺傳算法找到簡單VPR的更優解。從現存文獻來看，處理車輛路徑問題最有效的是禁忌搜索算法，但該方法在設定禁忌期限時較為困難。總之，面對當前的物流市場現狀，單一的算法已經無法滿足企業的車輛路徑優化，混合算法往往能夠得到更優解。深度學習為物流車輛配送路徑優化問題提供了一種新的思路。

二、深度學習與物流配送路徑問題

當前深度學習在各個領域被廣泛應用。深度學習的學習能力極其強大，可以學習任何可學的行為，因而應用范圍極其廣泛。例如，Zi?ba[8]基于深度學習提出了一種新穎的破產預測方法，該方法利用極端梯度增強來學習決策樹的合成。總之，在當前信息科技日益昌盛的社會，深度學習可以結合各種情況的數據進行學習和訓練。各行各業要想抓住市場的發展機遇，就需要從大數據中捕獲各種信息，需要用更加科學合理的方法優化自身的生產運作安排。

物流配送主要分為兩種：中端物流配送和終端物流配送。中端物流配送層級通常高于終端物流配送，一般指對固定客戶的穩定需求量進行配送，這里的客戶通常指零售店類型的客戶。而終端物流配送則處于整個物流配送流程的末端，比如快遞配送、外賣配送等等。現在我國物流市場高速發展，客戶訂單需求時變性極強，交通壓力居高不下，從而各企業在設定配送路徑時必須要考慮道路交通狀況對物流配送路徑選擇的影響。

在傳統物流配送路徑設定中，通常在很大程度上是由司機根據經驗或者同事的建議，自選路徑。如果增加新的配送客戶，那么司機需要花一些時間去選擇行駛路徑。而且傳統配送車輛的行駛路徑在設定時基本沒有在理論上考慮到實時的交通車流情況。當將理論路徑付諸于實踐時，由于交通路況動態變化和客戶量的增減，導致理論路徑難以與實際情況完美契合。

三、深度學習與物流配送的結合

很多國外學者已將深度學習應用于基于道路實況的物流配送路徑優化研究當中，且取得了顯著成果。Yu(2019)[9]通過一種基于深度強化學習的神經組合優化策略高效的找到了最佳路徑。Wang(2018)[10]提供了一個全面的調查，重點是利用深度學習模型來提高運輸系統的智能水平,進而說明如何將各種深度學習模型應用于多種運輸應用。王珂等(2018)[11]證明用深度學習中的機器人訓練方法獲得的路徑規劃更加合理,而且算法尋優速度也更快。在客戶需求和交通路況動態變化的情況下,通過深度學習的方式,對時變環境進行訓練式探索,是一種針對物流配送路徑優化較好的求解方向。張湘博,李文敬(2017)[12]基于深度學習，構建基于自編碼網絡的模型的物流配送路徑優化算法。譚娟，王勝春(2015)[13]也通過深度學習對交通流量的狀況進行了短期預測。

四、實時車輛路徑優化問題在深度學習方面的挑戰

一方面，深度學習本身在發展過程中有著一些尚未解決的問題。另一方面，隨著國家經濟的快速發展，國內交通在越來越四通八達的同時，車流量也越來越大。如何讓實時物流配送路徑進一步優化到適應當前的經濟、交通現狀的程度，對各種算法提出了更高的要求。第一，因為深度學習目前沒有用系統完整的數學語言歸納描述，深度學習的過程難以可視化，難以解釋。第二，交通車流的千變萬化，要求各種算法在運行時需要同步考慮配送區域的道路情況，對算法的魯棒性和通用性提出了更高的要求。第三，客戶需求的動態變化要求算法能在更短時間內得到的配送路徑。最后，將深度學習推廣到社會市場需要一定的時間。

五、結語

針對信息時代大數據的爆發式增長，信息技術與工業生產、各類經濟活動之間的聯系愈發緊密。當代物流市場迅猛發展，各企業的配送業務中，其配送路徑的優化安排是整個企業物流活動中的關鍵點。將深度學習融合于信息技術，可以有效解決各類實際生產活動中的計劃安排。雖然深度學習現在仍處于研究階段，其理論支撐薄弱，但其在很多應用型研究領域已展現出其強大的學習能力和發展潛力。相信深度學習技術可以為實時物流配送路徑優化問題的研究提供更加科學高效的解決方式。