考慮協同配送的兩階段車貨匹配推薦系統

摘要：針對現代物流業務不斷多樣化和細分化導致傳統的車貨匹配方法和配送方式難以滿足配送需求的問題，文章提出將大件貨物與應急零散貨物結合進行協同配送，構建以車主收益最大為目標的兩階段車貨匹配推薦模型，充分利用貨物階段性送達產生的的剩余空間，并且在模型中考慮時效、期望、激勵、貨損等現實因素提高模型可實施性。為了獲得不同貨種間協同配送的最優匹配推薦方案，提出一種改進的人工兔優化算法（ARO）進行求解，通過引入混沌反向學習、模擬退火和自適應擾亂因子提升性能，然后通過仿真實驗驗證模型和算法的有效性，最后基于供需雙方偏好的構建車貨推薦系統為其推薦配送方案。

關鍵詞：車貨匹配；兩階段； ARO;混沌映射；反向學習；模擬退火；擾亂因子

中圖分類號： F253;U492.3 文獻標志碼：A" DOI： 10.13714/j.cnki.1002-3100.2023.20.019

Abstract： Aiming at the problem that the traditional vehicle-cargo matching method and distribution method cannot meet the distribution demand due to the continuous diversification and subdivision of modern logistics business， it is proposed to combine large-scale cargo with emergency scattered cargo for collaborative distribution， and build a car owner's profit maximization.The two-stage vehicle-cargo matching recommendation model makes full use of the remaining space generated by the staged delivery of goods，and considers timeliness， expectations， incentives，cargo damage and other realistic factors in the model to improve the implementability of the model. In order to obtain the optimal matching recommendation scheme for collaborative delivery among different types of goods，an improved Artificial Rabbit Optimization Algorithm （ARO） is proposed to solve it， and the performance is improved by introducing chaotic anti-learning，simulated annealing and adaptive disturbance factors， and then through simulation experiments to verify the effectiveness of the model and algorithm，and finally build a vehicle and cargo recommendation system based on the preferences of both the supply and demand sides to recommend a delivery plan.

Key words：vehicle-cargomatching：two-stage;ARO;chaoticmapping：reverse learning; simulated annealing： disturbance factor

0引言

近年來，隨著物流行業的不斷發展，車貨匹配技術也得到了快速的發展，并成為物流企業提高運輸效率和降低運輸成本的重要手段。車貨匹配是一種將貨物和車輛進行精準匹配的技術，是物流行業的重要組成部分。在傳統的物流模式中，貨物通常需要通過中間商或物流企業來運輸，這種模式存在著運輸時間長、運輸成本高、信息不透明等問題。而車貨匹配技術通過利用信息技術手段，將貨物和車輛進行直接匹配，可以大幅提高物流運輸的效率和降低運輸成本。XIE Kunwei等\"把車貨匹配應用到應急救援中，研究了應急車輛與待運輸物資之間的一對多雙邊匹配問題，基于配送雙方的滿意度構建應急車輛匹配優化模型并通過改進的NIMP算法求解驗證了災害背景下車貨匹配的可行性。ZHONG Jiuwu等把推薦系統應用到車貨匹配中，通過基于內容和標簽的協同過濾算法對貨主推薦貨車司機。SHANTHIT 等鑒于現有車貨匹配在訂單和發貨細節等數據的存儲安全上存在不足，提出將區塊鏈應用到匹配過程之中，通過深度信任網絡（DBN）選擇合適的車輛和貨物。倪少權等提出了一個多目標優化的多方匹配模型，該模型同時考慮了送達時效滿意度、貨運成本和平臺收益，通過改進的遺傳算法求解得到滿足供需雙方以及平臺的綜合匹配方案。研究者們采用了不同的方法對車貨匹配問題進行了研究，不僅提高了車輛和貨物匹配的效率，還為物流企業提供了理論參考。

現有研究將貨物和合適的車輛進行匹配，實現更高效、更節約、更可靠的物流運輸。但是現代物流業務日益多樣化和細分化，物流配送的需求量以及配送方式也不斷增多，所以如何高效地整合多種配送方式以及考慮不同種類貨物間的配送關系以最大程度地降低物流成本和提高配送效率，成為現代物流行業需要解決的一個重要問題。王爽等⑥提出一種眾包車輛和物流公司協同配送模式，通過引入眾包物流概念緩解配送運能不均問題并通過閑置資源的充分利用降低運輸成本提高運輸效率。王思睿等針對貨物之間的異質性導致的聯合運輸成本高問題，構建了一種異質貨物協同補貨配送優化模型并通過實驗驗證通過協同配送策略可以節約配送成本。劉長石等M考慮到疫情期間應急物資供應成本高、配送困難，提出了一種卡車與無人機結合的協同配送模式，該模式不僅在風險區進行無接觸式配送還有效縮短了應急物資配送時間。

本文受上述研究的啟發，通過研究不同種類貨物之間的聯合配送方法，提出了一種大件貨物與應急零散貨物協同配送的兩階段車貨匹配方法及推薦系統，本文的主要研究意義如下。

在大件貨物優先配送的基礎上，利用貨物階段性送達產生的剩余空間，進行應急零散貨物的二階段車貨匹配，提高貨車運輸效率和收益，并給應急零散貨物提供額外配送資源。

把車貨匹配和協同配送進行結合，并在模型中加入激勵、補貼、懲罰和貨損等因素以貼合實際，提高模型可實施性。整合需求偏好和匹配模型構建車貨推薦系統，為供需雙方提供多種配送方案。

1模型構建

1.1問題描述

大件貨物接貨中心存在待配送貨物若干，待配送貨車若干，同城存在待配送應急零散貨物若干。貨物具有不同的目的地以及重量、體積和種類等，貨車具有不同的速度、載重和空間等。現要對貨車和貨物進行車貨匹配，在完成大件貨物配送的要求的基礎上盡可能多配送應急零散貨物，在匹配過程中綜合考慮配送時間、成本、收益、補貼、貨損等因素生成貨車的接貨匹配方案，最大化配送收益。車主和貨主的匹配流程如圖1所示。

1.2模型假設

為了方便構建數據模型針對上述問題做出如下假設：一是，接貨中心貨車數量足夠配送所有大件貨物；二是，貨物裝卸要求通過重量和空間計算；三是，應急零散貨物時間緊迫，貨車接到應急貨物之后需要立即配送；四是，貨物時間窗要求分為期望送達時間和最遲送達時間，在最遲送達時間內送到就可交貨，但是超過期望送達時間就會產生懲罰；五是，貨物信息匹配前可知并且不可變。

1.3符號說明

本文模型構建需要的符號及其說明如表1所示。

1.4模型建立

本文的車貨匹配模型分為兩個階段，第一階段以配送收益最大為目標，對貨車和大件貨物進行車貨匹配。第二階段以配送收益最大為目標，對裝有大件貨物的貨車與應急零散貨物進行車貨匹配，平衡應急零散貨物的運費、補貼和大件貨物的期望送達時間和激勵。

1.4.1一階段目標分析

1.4.1.1貨物貨款

貨物貨款包括基本貨款P， 和按時送達的激勵E 。當貨物在期望時間內送達，車主可以獲得額外的激勵，否則只能獲得基本貨款。

1.4.1.2 配送成本

一階段配送成本包括運輸成本C 、特種貨物貨損C 、裝卸成本C 、折舊C 、時間成本C 。總成本C如式（1）所示。

運輸成本C， 由發車成本和油費構成，不同車型具有不同的發車價格和單位油費，計算如式（2）所示。

特種貨物貨損C。分為四類： C?、C 、C?、C 。C?為普通貨物，沒有貨損。C?為危險品，在貨車中待的時間越長貨損越大。C?為活體貨物，在貨車中待的時間超過閾值之后貨損會劇烈上升。C?為貴重貨物，貨物不僅具有持續貨損，還存在額外的基礎貨損。計算公式如（3）所示。

裝卸成本C;通過貨物的重量和體積與單位裝卸成本cl計算得到，計算公式如式（4）所示。

折舊C：為單次運輸折舊費，貨車配送一次貨物就產生一次折舊費，計算公式如式（5）所示。

時間成本C;為貨車從開始配送到全部貨物送達產生的時間成本，貨車配送過程中每個單位時間就會產生c的;成本，計算公式如（6）所示。

1.4.2 一階段模型建立

一階段模型為多車對多貨的多對多匹配模型，優化目標為最大化接單貨款Z 和最小化配送成本Z2， 模型如式（7）—（12）所示：

式（9）表示貨物重量不能超過貨車額定載重，式（10）表示貨物空間不能超過貨車額定容積，式（11）表示貨物必須在期望時間內送達，式（12）表示貨物不可拆分。

1.4.3二階段目標分析

1.4.3.1貨物貨款

貨物貨款包括基本貨款p 、貨主紅包激勵E 、特殊路段補貼SD 、大件貨物按時送達激勵E 。當貨物在期望時間內送達，車主可以獲得紅包激勵，否則只能獲得基本貨款。當應急散貨配送路段包含特殊路段時會獲得路段補貼。

1.4.3.2 配送成本

二階段配送成本包括運輸成本C 、超時懲罰C 、特種貨物貨損C 、裝卸成本C 、折舊C 、特種貨物貨損C 、時間成本C。總成本C如式（13）所示。

二階段運輸成本C。僅含有油費，計算如式（14）所示。

超時罰款C 用來平衡大件貨物的按時送達激勵和應急貨物的配送貨款，為了提升大件貨物的配送優先級對大件貨物的超時進行額外懲罰，計算公式如（15）所示。

特種貨物貨損C 分類同一階段相同，但是在二階段需要同時考慮大件貨物和應急零散貨物的特種貨物貨損。計算公式如（16）所示。

裝卸成本C;與一階段計算方法相同，計算公式如式（17）所示。

折舊C：為單次運輸折舊費，計算方式和一階段模型的折舊費相同，公式同式（5）。

特殊路段折損C，為車輛經過特殊路段的固定折損費，應急貨物配送路徑中含有特殊路段就會產生折損，計算公式如式（18）所示。

時間成本C，為貨車從開始送達到全部貨物送達產生的時間成本，貨車配送過程中每過單位時間就會產生c，的成本，計算公式如（19）所示。

1.4.4 二階段模型建立

二階段模型為多車對多貨的多對多匹配模型，優化目標為最大化接單貨款Z 和配送成本Z， 模型如式（20）—（26）所示。

式（22）表示應急散貨重量不能超過貨車剩余載重，式（23）表示應急散貨空間不能超過貨車剩余容積，式（24）表示大件貨物必須在最遲配送時間內送達，式（25）表示貨物不可拆分，式（26）表示應急貨物接單之后需要直接配送。

2算法設計

2.1算法選擇分析

本文提出的模型是兩階段的多車與多貨的匹配模型，結合模型特點選取人工兔優化算法ARO°作為模型求解的基礎算法，并在算法的初始化種群階段通過circle混沌映射四和反向學習叫進行優化，在搜索最優解階段使用模擬退火策略進行調優。 ARO 算法是一種群智能算法，它模擬了兔子在自然界中的行為，通過迭代更新群體中每個個體的位置來尋找最優解。該算法適用于多變量、非線性和多峰函數優化問題，同時具有較好的全局搜索能力和快速收斂的特點。對于多對多的車貨匹配問題，求解時可以將車輛和貨物看作不同的兔子個體，并根據目標函數更新它們的位置和速度，從而進行車貨匹配。

2.2 算法改進策略

為了改善ARO算法由于初始種群的隨機性導致求解的不穩定和容易陷入局部最優解等問題，本文選取混沌和反向學習融合改進初始種群，并使用模擬退火策略對算法得到的最優解進行調優，從而提高算法的搜索性能和精度。

2.2.1混沌反向學習初始化

對隨機生成的初始種群先進行circle混沌映射，獲得優化映射后的種群。映射公式如式（27）所示。

式中： a 和b為circle映射系數， x， 為初始種群個體， x 為混沌映射后的個體。

再根據反向學習策略生成一個反向種群，然后從兩個種群中分別取出個體進行適應度計算，最后把適應度更高的個體放到最終的初始化種群中，得到改進后初始解。

2.2.2 融合模擬退火策略

在ARO 算法每次迭代后利用模擬退火策略進行調優。在求得的基礎解的領域內隨機選擇新解并計算適應度值，通過 metropolis 準則對基礎解進行更新并繼續迭代，通過一定概率接受差解使算法避免陷入局部最優提高算法性能。新解的接收概率如式（28）所示。

式（28）中： E為適應度值， xu 為基礎解， x 為新解。

2.2.3自適應擾亂因子

在算法迭代過程中加入自適應擾亂因子，讓算法在迭代過程中自動調整勘探距離，提高算法前期搜索廣度和后期搜索精度。增加的擾亂因子如式（29）所示。

式（29）中： v;為兔子迭代后的侯選位置， x;為種群中兔子當前位置， r;為隨機數， n?為符合正態分布的隨機數， T …為最大迭代次數， t 為當前迭代次數，δ為擾亂因子系數。

2.3算法步驟

改進的ARO算法具體步驟如下，算法的流程如圖2所示。

Stepl：設定ARO 參數和混沌參數并隨機生成初始化種群；

Step2：對隨機初始化種群的個體進行混沌映射得到新種群；

Step3：構建反向種群，通過反向個體適應度對比挑選優秀個體組成最終初始化種群；

Step4：判斷是否達到最大迭代數，若達到則算法結束并輸出最優解；

Step5：計算能量因子A， 若A 大于1，則隨機選擇一只兔子進行繞道覓食，若A小于等于1，則生成d 個地洞隨機選擇一個進行躲藏；

Step6：計算適應度值，對基礎解進行模擬退火；

Step7：利用metropolis 準則更新基礎解然后降溫；

Step8：判斷是否降至最低溫度，沒有達到則進入Step4;

Step9：輸出最優解。

3實驗分析

3.1模型數據

文本選取10輛不同車型車輛作為貨車集，10件具有不同大小和目的地的大件貨物作為大件貨物集，59件不同大小和起始地的應急零散貨物作為散貨集進行實驗，由于應急散貨數據較多，本文只展示部分數據，具體的屬性信息如表2—5所示。

3.1.1車輛信息

3.1.2大件貨物信息

3.1.3部分應急零散貨物信息

3.1.4其他信息

3.2算法參數設置（見表6）

3.3結果分析

本文采用matlab r2020b軟件進行問題建模和求解，為了驗證模型和改進的ARO算法的有效性，選取煙花算法（FWA）、人工蜂鳥算法（AHA）、人工兔優化算法（ARO）與本文提出的算法進行對比實驗。算法迭代的一、二階段結果分別如圖3（a）、（b） 所示。

模型的兩階段匹配結果如表7所示，一階段求解到的最優的車貨匹配方案總成本為6692.685元，大件貨物的總貨款為31849.89元，大件貨物按時送達的激勵為3184.989元。二階段求解到最優的車貨匹配方案總成本為23026.0521元，應急零散貨物的總貨款為63741.39元，大件貨物按時送達的激勵和應急零散貨物的紅包激勵為2867.092元。

3.3.1收斂分析

如圖3所示， FWA算法求解時收斂速度較慢，并且算法容易陷入局部最優解。AHA算法收斂速度較FWA有明顯提升，但是也容易嵌入局部最優解， ARO算法收斂速度較快，并且可以快速找到較好的解。改進的ARO算法收斂速度較改進前有明顯提升，并且在第二階段搜索到了比ARO更好的全局最優解。通過對比收斂圖可以看出，本文提出的改進策略可以有效提升算法的收斂速度并且保持全局最優解的搜索能力。

3.3.2匹配結果分析

如表7所示，車輛cl 至c6具有更低的發車成本和運輸成本，并且已經足夠運輸所有大件貨物，相較于增加運輸車輛，充分利用剩余空間可以節約成本和提升運輸效率，所以車輛c7至c10沒有匹配到貨物符合預期。并且車輛c1和c3由于運輸成本低以及配送路線更符合應急零散貨物的運輸路線，所以匹配到了更多的應急零散貨物。而車輛c4、c5、c6由于運輸成本更高所以匹配到的貨物較少，貨車c2由于大件貨物和應急散貨路線差距過大導致只能優先配送大件貨物所以沒有匹配到應急散貨，匹配結果與預期相符。

4推薦系統

4.1系統結構

結合車貨匹配模型構建車貨雙邊推薦系統，系統結構如圖4所示。

4.2雙邊推薦

貨源與車源信息以及貨主車主雙方需求和偏好的繁雜導致車貨雙方匹配困難，本文提出的雙邊推薦模塊貨主和車主雙方需求和偏好生成多種車貨列表方案，根據雙方對信譽、服務、時效等因素的傾向權重和需求對車貨進行分類劃分，得到不同側重的車貨列表。具體雙邊推薦結構如圖5所示。

4.3推薦結果生成

針對配送雙方的需求需要對匹配模型進行微調，若列表中車貨都需要直達，則只進行一階段的匹配，若需要順路配送，則對車貨進行兩階段的車貨匹配。通過雙邊推薦得到的不同側重車貨列表具有相同的側重，如以服務為主的車貨列表，經過匹配后會給期望得到好服務的貨主推薦服務水平高的車主進行貨物配送。最后所有車貨列表經過匹配生成多個推薦結果供車主和貨主雙方選擇。

5結語

本文針對大件貨物和應急零散貨物的協同配送進行了研究，并建立了兩階段車貨匹配模型。然后使用混沌反向學習、模擬退火策略和自適應擾亂因子改進ARO算法并通過實驗驗證模型和算法的有效性，最后基于供需雙方的偏好建立車貨推薦系統為其提供多種配送方案。同時，本文還存在很大的進步空間，今后的研究可以考慮三維裝卸因素，以及研究協同配送與取送貨結合的車貨匹配和推薦方法。

參考文獻：

[1] XIE Kunwei，XUHeying，LYUHongxia.Two-sided matching on comprehensive transpor-tation network emergency vehicles'allocation[J].Journal of Advanced Transportation，2021（1）：1-13.

[2] ZHONG Jiuwu，YANGZhaojun，SUNJun.A hybrid approach with joint use of tag and rating for vehicle and cargo match- ing[C//2021 IEEE International Conference on Industrial Engineering and Engineering Management（IEEM）.IEEE，2021：1397-1401.

[3] SHANTHI T，RAMPRASATH M，KAVITHA A，etal.Deep learning based autonomous transport system for secure vehicle and cargo matching[J].Intelligent Automation amp;Soft Computing，2023，35（1）：957-969.

[4] WANG Zhihong，LIYangyang，GUFu，etal.Two-sided matching and strategic selection on freight resource sharing platforms[J/OL].Physica A：Statistical Mechanics and Its Applications，2020，559.[2023-01-25].https：//doi.org/10.1016/j.phy- sa.2020.125014.

[5] 倪少權，羅軒，肖斌.考慮三方利益的車貨匹配優化[J].西南交通大學學報，2023，58（1）：48-57.

[6]王爽，陳淮莉.眾包模式參與下“最后一公里”協同配送研究[J].計算機應用與軟件，2022，39（10）：315-321.

[7]王思睿，王林，彭璐，等.基于Lipschitz連續性的異質品聯合補貨-配送協同優化研究[J/OL].中國管理科學：1-12.[2023-03-23].https：//doi.org/10.16381/j.cnki.issn1003-207x.2021.1101.

[8]劉長石，吳張，周愉峰，等.疫區應急物資供應的卡車-無人機動態協同配送路徑優化[J].系統科學與數學，2022，42（11）：3027-3043.

[9] WANG Liqing，CAOQingjiao，ZHANGZhenxing，etal.Artificial rabbits optimization：A new bio-inspired meta-heuristic algorithm for solving engineering optimization problems[J/OL].Engineering Applications of Artificial Intelligence，2022，114.[2023-01-25].https：//doi.org/10.1016/j.engappai.2022.105082Get rights and content.

[10]ZHENGWeimou.Kneading plane of the circle map[J].Chaos，Solitonsamp;Fractals，1994，4（7）：1221-1233.

[11]TIAHOOSH H R.Opposition-based learning：A new scheme for machine intelligence[C]//International Conference on Computational Intelligence for Modelling，Control and Automation and International Conference on Intelligent Agents，Web Technologies and Internet Ccommerce（CIMCA-IAWTIC'06）.IEEE，2005，1：695-701.

[12]KIRKPATRICK S，GELATT C D Jr，VECCHI M P.Optimization by simulated annealing[J].Science，1983，220（4598）：671-680.

[13]METROPOLIS N，ROSENBLUTH A W，ROSENBLUTH M N，etal.Equation of state calculations by fast computing machines[J].The Journal of Chemical Physics，1953，21（6）：1087-1092.