基于混沌煙花算法的多車型供應(yīng)鏈物流運輸調(diào)度方法

呂雅麗

（內(nèi)蒙古自治區(qū)交通運輸事業(yè)發(fā)展中心，內(nèi)蒙古 呼和浩特 010010）

0 引言

供應(yīng)鏈?zhǔn)菄@生產(chǎn)企業(yè)、銷售企業(yè)及用戶展開的一種功能網(wǎng)鏈結(jié)構(gòu)。隨著全球經(jīng)濟的高速增長，電子商務(wù)市場競爭愈發(fā)劇烈，尤其是供應(yīng)鏈與供應(yīng)鏈之間的較量，如何高效管理供應(yīng)鏈?zhǔn)钱?dāng)下電子商務(wù)領(lǐng)域中需要重點解決的難題。近些年來，我國眾多學(xué)者將目光聚焦在供應(yīng)鏈物流調(diào)度研究上，應(yīng)毅等[1]為解決物流派件調(diào)度區(qū)域劃分不合理等問題，利用聚類與二分圖算法設(shè)計了一種派件調(diào)度分配方法，有效提升了物流配送效率；曾艾婧等[2]為達到物流配送遠(yuǎn)程運維目的，通過數(shù)字孿生技術(shù)建立了一個物流配送結(jié)構(gòu)模型，實現(xiàn)了更高效的物流配送。一般情況下，供應(yīng)鏈中的產(chǎn)品成本是固定不變的，所以要想提升供應(yīng)鏈的市場競爭力，需要從物流運輸角度入手。因此，該文在此基礎(chǔ)上對供應(yīng)鏈物流運輸調(diào)度方法進行深入研究，為推動我國電子商務(wù)發(fā)展做出了一定貢獻。

1 計算空間兼容量

空間兼容量就是在供應(yīng)鏈的物流運輸環(huán)節(jié)，全部車型車輛可以承受的最大運輸量。如果該數(shù)值較大，則代表供應(yīng)鏈中各車型的運輸能力較強，所以在設(shè)計多車型供應(yīng)鏈物流運輸調(diào)度方法[3]時需要獲取空間兼容量。假設(shè)全部車型車輛的調(diào)度編碼條件是m，在供應(yīng)鏈中，調(diào)度編碼條件一直在非負(fù)整數(shù)集合R內(nèi)，那么空間兼容量的計算公式如公式（1）所示。

式中：K為調(diào)度全部車型運輸車輛可以承受的最大運輸量；η為供應(yīng)鏈中物流運輸系數(shù)；T為各車型的運輸車輛核心調(diào)度特征向量；αm為當(dāng)調(diào)度編碼條件為m時，各車型運輸車輛自身的調(diào)度能力；φm為當(dāng)調(diào)度編碼條件為m時，各車型運輸車輛自身的運輸能力，也是設(shè)計多車型供應(yīng)鏈物流運輸調(diào)度方法[4]的關(guān)鍵參數(shù)；P為單位時間內(nèi)各車型運輸產(chǎn)品的均值。

一般情況下，在供應(yīng)鏈物流運輸調(diào)度過程中，如果干擾因子不出現(xiàn)變化，那么根據(jù)公式（1）求得的空間兼容量數(shù)值越大，說明該車型運輸車輛的調(diào)度能力與產(chǎn)品運輸能力越強，而多車型供應(yīng)鏈物流運輸調(diào)度方法的設(shè)計工作需要在滿足車輛調(diào)度能力與運輸能力的基礎(chǔ)上進行。隨著如今經(jīng)濟全球化和電子商務(wù)的快速普及，復(fù)雜產(chǎn)品的供應(yīng)鏈物流運輸調(diào)度問題始終隨著企業(yè)的整個生命流程。在多重供應(yīng)鏈物流運輸調(diào)度的基礎(chǔ)上，考慮以最小化采購、加工和運輸成本為目標(biāo)，建立復(fù)雜產(chǎn)品的供應(yīng)鏈物流運輸調(diào)度是最需要解決的問題。

2 基于混沌煙花算法的運輸路徑?jīng)Q策

為了滿足供應(yīng)鏈物流的不同需求，考慮多種車型、車輛容量、車輛油耗以及車輛最大配送距離等約束條件，以最小油耗、最短配送距離為目標(biāo)，建立多車型供應(yīng)鏈物流運輸調(diào)度模型，運輸路徑?jīng)Q策是多車型供應(yīng)鏈物流運輸調(diào)度方法中的關(guān)鍵。這種大規(guī)模復(fù)雜優(yōu)化問題通常可以利用蟻群、遺傳等算法來解決，但多車型運輸路徑?jīng)Q策時易受編碼機制選擇的影響，造成這些算法發(fā)生“早熟”狀況，所以該文引入一種新穎的混沌煙花算法來實現(xiàn)供應(yīng)鏈物流運輸路徑的決策。混沌煙花算法[5]將各個煙花當(dāng)成運輸路徑的可行解，那么全部煙花就可以構(gòu)成一個解空間，然后通過煙花爆炸產(chǎn)生火花的過程進行解空間的全局搜索，進而尋求到最優(yōu)解，也就是最佳供應(yīng)鏈物流運輸路徑。由于每個煙花爆炸的半徑與火花數(shù)量均不相同，而只有爆炸半徑較大的煙花才擁有全局搜索能力，反之如果半徑較小，僅擁有局域搜索能力，因此需要利用適應(yīng)度來選擇煙花，進而實現(xiàn)運輸路徑解空間的全局搜索。假設(shè)煙花總數(shù)為Y，根據(jù)公式（2）來求得煙花爆炸半徑。

式中：rn為第n個煙花的爆炸半徑參數(shù)；R為煙花的基本爆炸半徑參數(shù)；Sn為第n個煙花的適應(yīng)度參數(shù)；Smin為全部煙花適應(yīng)度的最小值；τ為防止發(fā)生除零操作的機器最小值。

利用上面的方式求解出煙花爆炸的半徑之后，已知煙花爆炸出現(xiàn)火花的過程本質(zhì)上就是爆炸火花位置隨機生成的過程，如公式（3）所示。

式中：Mnw為煙花隨機選取出維度w中火花位置出現(xiàn)移動的過程；V（-1，1）為在[-1，1]的均勻分布。

而在混沌煙花算法的尋優(yōu)過程中，一般也會根據(jù)賭輪盤規(guī)則進行最優(yōu)個體的選擇，那么物流運輸路徑被選擇的概率如公式（4）所示。

式中：g（Mn-Mu）為解空間內(nèi)運輸路徑Mn與其他路徑Mu之間的距離。

由此可以看出，該距離數(shù)值越大，該運輸路徑被選擇的概率也就越大。在此基礎(chǔ)上，使用混沌搜索機制進行解空間的全局搜索。在混沌搜索過程中，當(dāng)搜索到最佳運輸路徑時，會用該路徑位置取代煙花n的初始位置，直到滿足終止條件即停止搜索，將物流運輸路徑[6]決策結(jié)果輸出。

3 設(shè)計多車型供應(yīng)鏈物流運輸調(diào)度模型

配送車輛調(diào)度問題是運輸領(lǐng)域比較熱點的一個話題，而多車型配送車輛調(diào)度問題是車輛調(diào)度問題中的一個分支。一般情況下，企業(yè)為了配合客戶的各種問題，都會通過各種方式去降低配送成本，而多車型供應(yīng)鏈物流運輸調(diào)度[7]的目的在于尋求滿足運輸路徑暢通、運輸成本較低以及車輛油耗較低等條件的最佳運輸調(diào)度策略，所以該文在這些約束條件的基礎(chǔ)上設(shè)計了一個調(diào)度模型，完成供應(yīng)鏈中配送起點與配送目標(biāo)之間的最優(yōu)調(diào)度運輸。使用暢通度約束因子D1（t）來描述物流運輸路徑的暢通程度，其表達式如公式（5）所示。

式中：Ct為運輸車輛到節(jié)點t時行駛路徑的暢通程度；Ctmax為車輛對路徑暢通程度可以接受的限值。

公式（5）所求暢通度因子的數(shù)值越大，代表該運輸路徑越暢通。使用運輸成本約束因子D2（t）來描述物流運輸調(diào)度中的運輸成本，其表達式如公式（6）所示。

式中：Bt為供應(yīng)鏈物流中，運輸車到節(jié)點t時實際產(chǎn)生的運輸成本最大值；Btmax為供應(yīng)鏈物流中，運輸車到節(jié)點t時預(yù)計產(chǎn)生的運輸成本最大值。

公式（6）所求運輸成本約束因子的數(shù)值越大，代表該調(diào)度策略中物流運輸所需的成本越高。運輸成本主要包括油耗費、通行費等。使用運輸時間約束因子D3（t）來描述物流運輸調(diào)度中的運輸時間，其表達式如公式（7）所示。

式中：Et為在供應(yīng)鏈物流環(huán)節(jié)，多車型運輸車到節(jié)點t時實際消耗時間的最大值；Etmax為在供應(yīng)鏈物流環(huán)節(jié)，多車型運輸車到節(jié)點t時消耗時間的最大值。

該式所求運輸時間約束因子的數(shù)值越大，代表該調(diào)度策略中物流運輸所耗費的時間越長。由于在實際的供應(yīng)鏈物流環(huán)節(jié)中每種車型運輸車的油耗情況存在一定差異，因此該文使用單位運輸路徑的油耗約束因子D4來描述各運輸車輛的油耗，其表達式如公式（8）所示。

式中：miny為油耗最小；dtj為節(jié)點t、j之間運輸路徑長度；lqjt為運輸車輛q的決策標(biāo)量；I為供應(yīng)鏈中配送目標(biāo)點集合；J為供應(yīng)鏈中配送起點集合；Q為運輸車輛的車型集合。

綜上所述，該文所建立的物流運輸調(diào)度模型如公式（9）所示。

式中：ω1、ω2、ω3、ω4分別為各約束因子的權(quán)重。

通過該文建立的運輸調(diào)度模型，可實現(xiàn)在多約束條件下供應(yīng)鏈物流運輸中的多車型選取以及運輸路徑更新，達到最優(yōu)物流運輸調(diào)度的目的。

4 算例分析

為了驗證該文所設(shè)計的多車型供應(yīng)鏈物流運輸調(diào)度方法的可行性，進行運輸調(diào)度的模擬試驗。同時為提升試驗的合理性，選取基于聚類算法的運輸調(diào)度方法、基于數(shù)字孿生的運輸調(diào)度方法與該文方法一起進行模擬試驗，并詳細(xì)分析試驗的對比結(jié)果。為了使模擬試驗環(huán)境更接近真實物流運輸環(huán)境，該文于Intel Xeon E5 CPU 的計算機上搭建試驗硬件平臺，使用Visual Studio 2019 編寫試驗軟件程序。通過隨機生成方法獲得模擬算例：1 個供應(yīng)商與20 個零售網(wǎng)點的多車型供應(yīng)鏈物流運輸調(diào)度問題，該供應(yīng)商與零售網(wǎng)點的信息見表1 和表2。

表1 供應(yīng)商信息表

表2 零售網(wǎng)點信息表

在此基礎(chǔ)上使用該文上述3 種調(diào)度方法，實現(xiàn)該供應(yīng)商與12 個零售網(wǎng)點之間的運輸調(diào)度，結(jié)果見表3 和圖1~圖3。

圖1 基于混沌煙花算法的調(diào)度方法下運輸路徑圖

圖3 基于數(shù)字孿生的調(diào)度方法下運輸路徑圖

表3 物流運輸調(diào)度結(jié)果

從以上模擬試驗結(jié)果可以看出，在基于聚類算法的調(diào)度方法下，全部零售網(wǎng)點的運輸最少需要2 種以上車型才可以實現(xiàn)，而最終的總運輸距離為6122km，總油耗為589.74L；在基于數(shù)字孿生的調(diào)度方法下，全部零售網(wǎng)點的運輸也需要2 種車型才可以實現(xiàn)，最終總運輸距離為5208km，總油耗為688.44L，雖然運輸距離比第一種方法更具優(yōu)勢，但其油耗卻大大提升了；在該文設(shè)計的調(diào)度方法下，全部零售網(wǎng)點的運輸需要3 種車型來實現(xiàn)，最終總運輸距離為5081km，比對照組降低1041km、127km，總油耗為525.84L，比對照組降低63.9L、162.6L。由此可知，無論是物流運輸距離還是車輛油耗，該文設(shè)計方法均比試驗對照組方法更具優(yōu)勢，因此在混沌煙花算法基礎(chǔ)上設(shè)計的多車型運輸調(diào)度方法具有更強的尋優(yōu)能力，在實際的運營過程中也更有優(yōu)勢。

5 結(jié)語

針對供應(yīng)鏈中多車型的運輸調(diào)度，該文引入混沌煙花算法并設(shè)計了一種調(diào)度方法，該方法在適應(yīng)多車型運輸環(huán)境的同時，可以有效調(diào)度物流進行及時運輸。試驗結(jié)果表明，該文設(shè)計的調(diào)度方法可以獲得最優(yōu)的運輸距離與車輛油耗調(diào)度結(jié)果，實現(xiàn)了供應(yīng)鏈高效率物流運輸。然而，該文引入的混沌煙花算法雖然可以尋求到最優(yōu)解，但其運行時間較長，易陷入局部最優(yōu)情況。因此今后將在不影響求解質(zhì)量的基礎(chǔ)上，對如何提升混沌煙花算法的運算效率做進一步的深入研究。

圖2 基于聚類算法的調(diào)度方法下運輸路徑圖