基于物聯網的多式聯運配送路徑規劃研究

徐前景，王開利，何 誠，趙丙坤

（瀘州老窖股份有限公司，瀘州 646000）

0 引言

目前多式聯運的研究多集中在運輸層中實現運輸線路的最短路徑研究[1～6]、算法研究[7～11]、實現多種運輸方式的組合優化研究[12～15]、實現區域物流基地、中轉節點的選址研究[16～20]，多式聯運僅僅是幾種運輸方式的簡單組合，在整條供應鏈的前端和末端未能進行有效的資源及信息的整合匹配，在多種運輸方式轉換時未能進行及時有效的溝通，常常出現長時間的等待及運力不匹配現象，同時由于承運商間標準的不統一，出現多種運輸單據的交接轉換，大大延長了運輸的時間，既浪費了資源又增加了人力、物力及運輸成本[18,19]。因此，在多式聯運的運輸模式中，如何實現多種運輸方式之間的高效轉換銜接，降低整個運輸過程的時間，成為制約多式聯運發展的難題。

自國家十三五規劃發展以來，物聯網已成為多個行業強有力的經濟驅動點[21]，隨著智能識別技術、RFID、智能車載終端、自動駕駛、智能搬運等物聯網技術的日漸成熟與應用，物聯網在物流行業的使用規模呈指數式增長[22,23]，國家大量的政策出臺鼓勵發展多式聯運，“無船承運人”[24]、“無車承運人”[25,26]等各種操作模式紛紛呈現并得到發展。

綜上所述，目前少有學者將物聯網、智能化思維及技術應用于多式聯運領域[27]，本研究將物聯網、智能化技術引入多式聯運運輸模式中，運用物聯網的思維和技術解決物流節點間鏈接的難題，實現信息流、物流、資金流在整條供應鏈間的無縫流動。

1 模式研究

將物聯網、智能化思維及技術應用于多式聯運領域，從平臺層、節點層到運輸層進行詳細剖析，解決多式聯運多種運輸方式轉換中信息流流動不暢通的難題，從根源上找原因，實現多式聯運無縫鏈接能力，同時將企業內部信息云平臺與社會云平臺進行對接，形成云平臺網絡域，將信息、貨源及運力進行整合，實現整條供應鏈的透明性，降低了整條供應鏈的成本。

圖1 物聯網多式聯運配送模式圖解

1.1 平臺層

打造供應鏈云平臺，以物流為核心，將上游供應商、核心制造商直至下游客戶聯系起來，打通整條供應鏈，實現信息流在整個鏈條中的無縫透明的傳遞。

圖2 公共信息云平臺

在信息平臺系統中，制造商作為整個供應鏈的核心，是整條供應鏈的管理者，對整個系統進行監控和維護，同時將供應商、承運商、制造商、客戶的信息進行整合，供應商可以在本系統中隨時掌握制造商的生產計劃進而做出針對性的生產安排，并能隨時監控制造要素部件、成品貨物在途運輸及倉儲狀態；客戶可在此平臺或與之相關的APP信息平臺時刻掌握所購商品的運輸狀態并可在此信息平臺的客戶服務界面進行定制服務；制造商可以根據此信息平臺中客戶的需求信息進行生產預測。

圖3 多式聯運方案生成邏輯圖

在企業內部將貨源與運力進行整合，在企業外部將內部的信息平臺與社會平臺形成聯動，借助APP，將外部資源整合到內部信息平臺上，同時無論是自營、聯營或者個體承運商均可在APP上對所有訂單進行分段競價、分段時效確認并進行在線簽約，平臺通過智能BI對訂單信息、承運商信息、訂單始發地、中轉站、目的地、時效、運量等進行數據分析同時TMS系統結合碼頭、站場管理時刻表，結合中轉站的轉換時效，結合承運商的運輸時效進行運輸主體組合、運輸方式組合和轉駁方式組合，實現先定單，后定線，確定最優的多式聯運方案。在不同運輸方式切換時借助RFID系統，實現貨物、訂單運輸工具之間的轉換綁定，實現節點間的無縫鏈接；通過GPS、GIS系統實現貨物的全程可視化跟蹤。

1.2 運輸層

在整條供應鏈上統一條碼類型、格式，從供應鏈的源頭開始，在供應商的每一個料盒、料箱貨物、托盤貨物上張貼條碼，第三方物流公司進行循環取貨，以及第三方物流公司將貨物移交制造商只需直接掃描供應商條碼即可，無需進行轉換，同時結合公共信息平臺，實現供應商、制造商、第三方物流公司均能查詢貨物在途倉儲狀態，實現貨物信息的透明性，降低成本，實現共贏。

從開始的訂單錄入，到最后的貨物交付結算，以公共信息平臺為中心，聯合WMS系統、GIS系統、移動終端，對貨源和運力進行合理匹配，一單到底，以“一碼制”實現“一單制”，將上游客戶與下游承運商有效的銜接起來，實現票據流、信息流、實物流全程可視化監督，降低了節點轉換的等待時間，大大縮短了交付周期。

圖4 運輸層全程可視化跟蹤示意圖

1.3 節點層

通過RFID手持終端輸入包材物料信息、托盤碼信息及成品物流碼信息，運用移動黑盒設備在途可視化跟蹤，運輸方式轉換時運用RFID技術掃描集裝箱條碼，實時掌握貨物與運輸方式的轉換及調度信息，實現包材物料信息、成品信息、承運商信息及訂單信息的全程掌控。同時通過信息平臺也可對條碼錄入的信息進行分析，進行拼箱拼單操作，對于提高裝載率，運輸組合優化，降低運輸成本等具有實質性的作用。

圖5 RFID技術應用示意圖

2 數學模型

考慮鐵路運能限制，避免出現回流，減少節點區域覆蓋重復度，使節點最少，綜合考慮節點城市交通、經濟發展、政策等因素，考慮地理位置、發運量等聚類分析指標，利用模糊聚類分析即將各城市的發運量按集中程度進行區域劃分，定性與定量相結合，以成本最優，時間最少為目標，建立數學模型，并運用遺傳算法逐步迭代得出最優多式聯運方案。

2.1 符號定義

I所有經過的城市集合；

J所有運輸方式集合；

T從起始點到目標城市的容許運輸期限；

M一個充分大的懲罰因子。

2.2 建立數學模型

其中目標函數（1）為整個運輸過程中的成本最少。目標函數（2）為整個運輸過程中的綜合運輸時間最少，包含節點之間的運輸時間和中轉節點的中轉時間。

約束條件（3）表示在城市i到城市i+1之間只能選擇一種運輸形式；約束條件（4）表示在城市i只能采用一種運輸轉換方式；約束條件（5）表示運輸的不間斷性；約束條件（6）表示貨物的運輸時間不能超過運輸期限；約束條件（7）表明貨物的運輸量必須在裝載工具的載重范圍內；約束條件（8）表示決策變量取整數0或1。

3 應用分析

3.1 案例概述

四川某知名酒企欲將產品銷往大連、開封、南京、廣州、蘇州、青島、合肥、定州、徐州、上海、哈爾濱、南昌、咸陽、昆明、白銀市、寧德市、北京17個城市，該企業可以提前14天拿到訂單，2天內可實現生產并滿足運輸條件，表1為這些城市的地理位置及訂單量信息。

表1 目標城市位置及訂單量

經查詢，該成品酒換算后的空運、鐵路、水運及公路運輸運費情況如表2所示。

表2 空運、鐵路、水運及公路運輸計費情況

根據運輸時效性設計時間懲罰權重如表3所示。

表3 四種運輸方式的懲罰權重值

統計等待時間后，空運平均時速650km/小時，鐵路平均時速70km/小時，水運平均時速35km/小時，公路平均時速85km/小時。

假設在某兩個相鄰的城市節點之間，在滿足運輸的連續性的前提下只能選擇一種運輸方式，通過前面所述的數學模型，將此配送問題轉化為最短路徑問題，可采用改進自適應遺傳算法進行求解。

3.2 算法說明

1）編碼

采取整數編碼，x=（x1，x2，x3，…，xi）為一條染色體，x表示規劃方案，染色體中的每個基因xi表示一個城市，i代表城市的數量。

2）初始種群

隨機生成一定數量的染色體組成種群，染色體越長，種群規模應該越大。經過仿真實驗發現本文初始種群規模設置為300比較合適，既能保證算法精度又能保障算法效率。

3）適應度函數

適應度函數設置為目標函數,表示為：Zfit=Z（x）。

4）選擇算子

采取輪盤賭選擇算子，染色體適應度值越大，染色體被選擇的機會越大。假設有x個染色體，其中第i個染色體的適應度值為Fi，那么第i個染色體被選擇的概率為

5）交叉算子

使用兩點交叉算子。隨機產生一個數r，r∈（0，1）。用r與交叉概率比較，以判斷是否發生交叉操作。然后隨機產生兩個整數I1，I2，將染色體I1，I2間這一段的基因與另一染色體I1，I2間的基因進行對調。最后采用映射的方法解決染色體互換后的重復部分問題。

6）變異算子

本文采取的變異策略為交換染色體內的兩個基因，先隨機產生一個數r，r∈（0，1）。用r與變異概率比較，以判斷變異的發生情況，隨機交換染色體內兩處不同位置的基因即完成變異操作。

7）修正算子

標準的遺傳算法存在早熟的缺陷，即采用標準遺傳算法所得解集仍有繼續優化的空間，本文采用修正算子，降低算法早熟可能性。操作如下：

步驟1：在 [1，n+m]區間內隨機產生k1和k2；

步驟2：若k1和k2均為非零整數，則將其前的基因序列和其后的基因序列進行逆轉。

步驟3：檢查子代染色體，依次進行迭代操作。

以染色體032740581069為例，若k1=7，k2=5，則利用上述算子，產生的染色體為：018504723069，如圖6所示。

圖6 進化修正操作

經過兩邊逐次修正算法的運行，修正前后的配送方案對比如圖7所示：

圖7 兩邊逐次修正算法效果示意圖

3.3 算法性能分析

選取Solomon算例驗證所設計算法的性能是否能滿足求解該問題，其中Solomon算例包含三種目標類型，目標數量分別為25、50和100，每種目標集對應A類、B類和C類三類不同的空間分布類別，其中A類為聚類分布，B類為隨機分布，C類兼具聚類和隨機分布，采用禁忌搜索算法、一般遺傳算法與改進自適應遺傳算法求解該問題，并對比分析三種算法的求解效果，驗證所設計算法的求解能力。運行MATLAB編程，每種算法運行30次，數據測試結果如表4所示。

表4 數據測試統計

以目標集為50的C類分布為例，三種算法運行的收斂示意圖如圖8所示。

圖8 算法收斂圖

試驗證明，所設計的改進自適應遺傳算法求解速度更快，尋找最優解的能力更優，滿足此配送問題的求解。

3.4 算法求解

在算法運行之前首先對案例進行初步數據分析處理，為了方便求解，引入水運及鐵路中轉樞紐如圖9所示。

圖9 中轉樞紐圖

表5 中轉樞紐統計

表5 （續）

采用模糊聚類分析法將各城市的訂單量按集中程度進行區域劃分，如圖10所示。

圖10 模糊聚類劃分區域圖

通過云平臺提前獲得各中轉樞紐節點的班列時刻表，通過仿真模擬計算得節點運輸方式轉換時間如表6所示。

表6 節點運輸方式轉換時間

表7 多式聯運配送組合結果

采用MATLAB語言編程，設置算法參數：種群規模設置為100，迭代代數設置為500，在Intel（R）Core i5-9300H CPU@2.40GHz，內存8GB，操作系統為Win10的PC上多次運行算法程序，所得節點連線結果如圖11所示。

圖11 運行散點連線圖

所得多式聯運配送組合結果如表7所示。

采用基于物聯網的多式聯運配送模式與傳統多式聯運模式和傳統公路配送模式比較如表8所示。

表8 三種配送模式對比表

表8說明采用了物聯網+多式聯運配送模式所花費的成本低于傳統多式聯運配送模式和傳統公路配送模式，傳統多式聯運配送模式所花費的時間最多，這是由于其在中轉節點信息傳遞的不及時性造成的，物聯網+多式聯運配送模式和傳統公路配送模式所花費時間相差不大。對比結果表明在滿足配送時效要求的前提下，物聯網+多式聯運配送模式具有非常明顯的優勢，可大幅降低配送成本，配送量越大時效果越明顯。

4 結語

本研究運用互聯網、智能化技術解決多式聯運多種運輸方式轉換中信息流流動不暢通的難題，從根源上找原因，降低了“牛鞭效應”的影響，實現了多式聯運無縫鏈接能力，創新了多式聯運物流模式。同時在總成本和總運輸時間最小的原則下，建立了求解模型，并設計改進自適應算法針對具體算例進行求解，對解決當前多式聯運無縫鏈接的難題具有良好的借鑒意，本研究考慮約束條件有限，帶有裝載約束、兼具解決逆向運輸返空率等問題將是下一步的研究方向。