基于Anylogic仿真的貨運O2O平臺車輛調度*

□ 劉美玲，孟博冉，胡文杰

(華東交通大學 交通運輸與物流學院，江西 南昌 330013)

貨運O2O平臺致力于解決的貨運訂單匹配問題，是車輛路徑規劃(Vehicle Routing Problem，簡稱VRP)這一NP-hard難題在貨運行業的實際應用。近年來，理論界對于車輛路徑規劃問題的研究從變換車輛容量、服務時間窗、訂單特殊需求等約束條件出發，衍生出了帶時間窗的、需求可拆分的、多車場的、半開放式車輛路徑規劃問題等多種貼合實際需求的VRP分支。學者們的研究也從對于尋求改進各類VRP優化算法的理論探討，不斷向衍生車貨匹配數智化平臺的實際運用深化。

優化算法求解方面：何小鋒等[1]同時運用量子蟻群算法、蟻群算法、改進遺傳算法和改進粒子群算法對帶有時間窗的車輛路徑規劃問題進行了求解，結果表明量子蟻群算法和改進的遺傳算法求解結果最優，但在運行時間上量子蟻群算法有明顯優勢；劉冉等[2]利用節約算法、順序插入算法、并行后悔插入算法三種啟發式算法對半開放式多車場車輛路徑問題進行了求解；楊鵬等[3]在帶有時間窗約束的基礎上，又增加了貨主需求可以被拆分的假設，利用改進的蟻群算法求解最優路線配送方案；韓亞娟等[4]針對傳統軟時間窗的車輛路徑問題，提出了折現軟時間窗概念，利用超啟發式算法對于構建的數學模型進行求解，并利用算例驗證算法的可行性；范厚明等[5]在引入局部優化算法和擂臺法則的基礎上，設計了混合遺傳算法，對于Solomon的VRPTW標準算例進行求解，得出混合遺傳式算法在求解多目標優化問題方面具有良好性能的結論。實際運用方面：劉枚蓮等[6]在考慮顧客即時需求的情況下，以碳排放和時間窗為約束條件，研究了車輛路徑優化問題。

總的來說，有關車輛路徑規劃問題的研究碩果累累，但如何將理論研究成果運用到實際的復雜場景中仍然需要進一步的探索。本文以真實場景為基礎，建立模型約束條件，利用Anylogic軟件對場景進行模擬仿真，以求得最貼近實際情況的最優解。

1 問題描述

根據現行貨運O2O平臺實際運營模式，在同城貨運中，大部分平臺采用“逐級推送”模式的車輛訂單匹配策略[7]，即在貨物匹配時以客戶訂單為中心進行車輛選取。本文以客戶需求為基礎，同時加入車輛容積、半開放等要求，使客戶訂單在最快的時間內由最近的車輛完成配送，具體問題如下。

①軟時間窗約束在貨運中具有較強的現實意義，即在現實情況下，貨運O2O平臺中客戶對訂單完成的要求高于對時間的要求，因此訂單超時完成時，大部分顧客仍允許車輛完成訂單，只是會在一定程度上降低顧客滿意度；

②每個車輛有容積限制；

③車輛可訪問多條路徑；

④每個訂單只允許被訪問一次；

⑤車輛完成訂單后無需回到起點。

2 Anylogic模擬仿真設計

Anylogic是一款廣泛應用于物流、供應鏈等領域的仿真軟件，其基于多智能體的建模方法具有高效、低成本的優勢。本文利用Anylogic軟件模擬問題描述中提到的現行貨運O2O平臺車輛調度和配貨方法，以計算出算例的最優車貨匹配方案。

圖1為貨運O2O配貨在此平臺上的仿真模擬過程，具體方法如下：

圖1 仿真模擬過程

①實地調研和收集貨運訂單信息(如時間、交貨點、提貨點等信息)、車輛信息(如裝載量、單位運輸成本等信息)并生成EXCEL表格。

②新建一個智能體模型，在主函數中插入一個GIS地圖，功能為模擬車輛的行駛路徑。將收集的EXCEL表導入到主函數中。

③在智能體模型中新建訂單、車輛、配貨三個智能體類(如圖2)，用于描述平臺的配貨邏輯和過程。

圖2 新建訂單、車輛、配貨智能體類

實際流程邏輯圖如圖3所示，具體過程如下：

圖3 配貨邏輯

步驟1 訂單時間緊急程度排序。對訂單池中所有訂單進行統計后按照時間緊急順序進行排序，在后面進行訂單車輛分配時，以時間緊急程度為第一要求進行方案優化；

步驟2 訂單分配車輛。選取現行訂單中時間最緊急的訂單1，優先挑選離訂單1最近的車輛1，檢查車輛容積是否符合現行訂單量容積要求。如果訂單貨物容積<車輛剩余容積，則車輛與訂單匹配完成；如果訂單貨物容積>車輛剩余容積，則尋找車輛2，繼續檢查是否符合容積要求，按照此邏輯一直找尋到符合要求的車輛X完成訂單1；

步驟3 車輛集貨。車輛X完成訂單1配貨后，根據剩余容積=車輛原剩余容積-訂單1貨物容積繼續查看訂單池中剩余訂單中是否存在訂單m容積<剩余容積，若存在則將距離訂單1最近的訂單m1分配給車輛1；直至車輛無剩余集貨訂單，車輛集貨完成。

步驟4 繼續篩選剩余訂單。在步驟3完成后，進行新一輪的車輛分配和集貨，從當前剩余訂單中，選出最緊急的訂單，按照步驟1-步驟3的邏輯進行訂單的車輛分配與車輛集貨步驟，完成車輛2集貨。

步驟5 所有訂單分配完成。在經歷多輪配貨集貨之后，所有現行訂單都被完成，本次模擬仿真結束，得出一個最優結果。

3 Anylogic求解算例

3.1 數據獲取與模型參數設置

本文對以貨拉拉為主的貨運O2O平臺進行了實際調研，了解各個平臺實際運作規則，針對規則進行算例數據獲取與模擬，得到送貨車輛信息(見表1)與貨主訂單信息(見表2)。

表1 送貨車輛信息

表2 貨主訂單信息

模型參數設置如下：單位裝卸貨時間成本為60元/小時；貨物裝卸時間系數為0.1小時/立方米；車輛平均行駛速度30千米/小時。

3.2 算例結果展示及分析

根據基本信息與模型參數設置進行Anylogic模擬仿真設計，能夠看到結果如圖4所示，在系統運行14∶49時，所有訂單都被匹配完成。

圖4 Anylogic模擬仿真結果

根據Anylogic仿真結果，車輛1、2、3、4、6完成10個訂單配送，訂單配送路線依次為：車輛1-5-3-13-15，車輛2-10-8-9-19-20-18，車輛3-1-4-14-11，車輛4-2-12，車輛5-6-16，車輛6-7-17(其中11-20分別代表1-10提貨點對應的交貨點)。車輛1的行駛總路程為19.89千米，車輛2的行駛總路徑為46.87千米，車輛3的行駛總路徑為39.43千米，車輛4的行駛總路徑為22.83千米，車輛5的行駛總路徑為18.52千米，車輛6的行駛總路徑為39.29千米。根據設定的參數模型，求得運輸成本為1109.32元，裝卸貨成本為236.4元，總成本為1345.72元。

4 結語

本文利用Anylogic軟件，對貨運O2O平臺的車輛訂單匹配與路徑規劃問題進行了研究，通過加入車輛容積限制，以最大程度滿足客戶要求和實現車輛運輸配送成本最小化為目標，進行模擬仿真，以求得最優車貨匹配方案。與啟發式算法不同的是，Anylogic計算結果為精確的解析解，訂單匹配耗時較長。在實際情況中，處理貨運O2O平臺的海量訂單不僅需要結果的精確度，更對求解的時間與速度提出了一個更高的要求，因此在后續研究中，如何利用多種啟發式方法以提高計算的速度與方案的優越性是進一步研究的方向。