基于混合“集裝箱-快遞”物流需求的跨境電子商務配送路線優化研究

文/陳克瑩

1.跨境電子商務配送路線優化

1.1 建立混合“集裝箱-快遞”物流需求回歸模型

構建混合“集裝箱-快遞”物流需求的多元回歸模型，對跨境電子商務物流需求量的影響因素進行分析。經過對于數據的提取與分析，獲得因變量與自變量之間的關系，并推測出影響變量的數據。在模型構建過程中，通過分析兩個變量之間的關系，計算物流需求量，合理安排物流線路和運營[1]。同時，根據對于混合“集裝箱-快遞”物流需求，對其影響因素進行分析后得到跨境電子商務物流規模數據。設定自變量經濟指標為X，隨機變量為Y，回歸模型表示為：

公式中：δ 為回歸參數；δ 為隨機誤差。通過模型計算得到對應的樣本數據，并形成對應矩陣。將需求分析運用SPD軟件對數據進行提取，將初始數據進行歸一化處理后，對變量之間的參數關系進行分析。對模型進行擬合度檢驗，設定修正系數為R。經過計算估計樣本的回歸方程，并得到擬合樣本的觀測值。設定樣本數據為原始序列，將原始序列進行累積，得到新的序列。并對累積的序列進行平滑處理。運用最小二乘法對參數矩陣的值進行計算，得到參數值為x，y，將兩個值代入序列中進行還原，得到預測函數[2]。根據預測函數計算模型的相對殘差值。比較殘差值與模型的精度誤差，判斷預測模型是否符合預測精度。將得到GM（1,1）預測模型中的w設定為組合權重系數。計算權重后進行比較，獲得模型的平均絕對誤差，以此來判斷混合“集裝箱-快遞”物流需求模型預測效果。

1.2 節約里程法計算最短距離優化配送路線

設定物流配送車輛在起始點進行配貨，在完成后按照路線返回配送中心O。在路線中存在N個配送站點并規劃出n條起始線路[3]。選擇所有行駛路徑，并根據不同行駛路徑長度，按照順序將運輸問題中的回路設定為（0，…，i，0）和（0，…，j，0）。將兩個回路進行合并生成一個新的回路為（0，…，i，j，…，0），組合后得到新的車輛運輸路徑，并記錄相應的距離變化。如果組合后的車輛總行駛距離較短，將與原有路徑之間的差值作為節約距離。計算獲得節約距離值，并將其進行排序。在符合車輛容量約束的條件下，按照計算得到的數值進行排序后依次安排對應的配送連接點[4]。將所有的配送站點進行連接后，由配送中心P0分別向站點Pi和站點Pj兩點進行物流配送。選擇路徑A中的往返配送路線為P0-Pi-P0和P0-Pj-P0，配送距離長度表示為2（L1+L2）。選擇路徑B中的往返配送路線為P0-Pi-Pj-P0，配送距離長度為（L1+L2+L3），路線組合后車輛節約的行駛里程表示為：

公式中：L為線路里程。根據節約里程法得到配送路線的出發點，并選擇對應的配送運輸車輛的特征，按照不同站點到配送中心的距離進行最優線路配送規劃。設定配送中心的物流工作為t，運用節約里程法對配送路徑進行尋優，尋找線路中的最優路徑[5]。在路線數據中隨意生成了1×10條路徑，并重復N次。將第i次生成的粒子放入一個規模為N×L種群的第i行中，使得其能夠包含N個粒子規模的初始種群。運用對粒子群從第1列開始進行累加的計算方法，計算對應配送站點的貨物信息，并將得到的信息進行累加。根據粒子群的搜索能力進行最優解搜索。不斷進行迭代，后期粒子群收斂速度減弱，會發生陷入局部收斂而無法產生最優解。所以設定粒子迭代次數為N，得到的權重wmax。隨機生成不同解，獲得原始種群。計算粒子的適應度函數值，并對當前粒子群進行排序，獲得極值。增加混沌數，對粒子群進行更新。確定迭代次數是否達到最大值，并輸出最優解。將目標函數的倒數定義為適應度函數，設定配送中的變量，并對交叉點中的補集進行隨機排列，根據更新后的位置進行交換，從而獲得交換后的最佳點位置，得到最優路徑。如果在某個站點中的貨物信息累加結果超過了車輛載物的最大重量，或者超出了最大容積，則在該點之后添加0。如果沒有超過車輛配送承載量，則需計算出從配送中心到此配送站點的距離，再加上從該站點返回配送中心的距離[7]。與車輛總行駛距離閾值進行比較，如果超出閾值范圍，則需要在位置后面添加0，并將貨物的信息重置為0。不斷重復上述步驟，直到完成所有站點的配置。

2.實驗測試與分析

為測試配送線路方法的優化程度，對不同算法的最優路徑配送任務中，需要的車輛所行駛距離進行統計。設置四個小組，運用PSO算法、APSO算法、KMND算法的小組為對照組，運用本文方法的小組為實驗組進行最優路徑求解，將其與三種傳統算法進行對比測試。

2.1 搭建實驗環境

運用Matlab進行編程求解。搭建實驗所用的硬件環境，主機的運行內存8G，主頻325.4GHz，Intel i7 CPU為622GB。測試數據源自Solom on數據庫，其中有200個車輛路徑規劃的實際數據。配送問題的路徑優化數據規模為20～30之間，結合實際情況對目標進行約束后，確定運用數據規模20作為實驗測試規模。對數據集中的數據進行處理，使得數據樣例滿足一定的離散性，能夠使用不同配送站點需求的特征。設置實驗所用的物流配送車輛為標準的配送車輛，凈載貨量在150～200kg，結合實際需求滿足車輛裝載上限為180kg。設置粒子群的迭代次數為1100代，計算得到的SSE值為2，初始慣性權重因子5.00，兩個學習因子邊界設置為3和0。

2.2 結果與分析

運用PSO 算法對照1組求解后得到的最優路徑為：0-11-17-15-3-5-9-12-18-20-2-4-1-19-16-14-10-6-7-8-13-0。最優解顯示需要3輛車來完成配送任務，每輛車行駛的路徑上的網點編號為：

運用APSO 算法對照2組求解后的最優路徑為：0-12-15-4-9-11-17-20-5-13-16-8-1-7-14-6-19-3-7-19-3-10-2-18-1-16-0。最優解顯示需要3輛車來完成配送任務，每輛車行駛的路徑上的網點編號為：

運用KMND算法對照3組求解后的得到的最優路徑為：0-9-19-15-10-1-18-7-5-4-17-14-16-12-8-20-3-6-13-11-2-0。最優解顯示需要3車來完成配送任務，每輛車行駛的路徑上的網點編號為：

運用本文算法實驗組求解后得到的最優路徑為：0-3-18-10-11-1-9-7-6-20-8-15-17-16-14-5-13-19-2-4-12-0。最優解顯示需要2輛車來完成配送任務，每輛車行駛的路徑上的網點編號為：

根據需要完成配送任務的車輛數，進行仿真實驗后測得車輛的總行駛距離結果，如下表所示：

表1 車輛行駛距離

由實驗結果可知，不同算法最優路徑規劃后，算法收斂速度緩慢使得對照組總車輛數較多，車輛行駛距離較長。而相比對照組，實驗組算法在規劃最優路徑后，算法收斂速度明顯增加，總車輛數減少1輛，行駛距離為155km，為四組中的最短距離。說明運用本文方法能夠有效縮短車輛運行距離，獲得較好優化結果。

綜上所述，與傳統路徑規劃方法相比，本算法在求解過程中受到的值界影響較小，所占的內存空間小，獲得更高求解速度。通過對于算法的優化，減少了對求解結果依賴性，更好處理了搜索速度慢的問題，緩解了早熟的產生。在選擇初始數據過程中，減少了計算開銷，加大對于全局收斂性的計算，縮短車輛行駛距離，獲得較好結果，驗證了本文方法的有效應用。通過對混合“集裝箱-快遞”物流需求的跨境電子商務配送路線優化問題進行研究，建立優化模型，充分完善在快遞配送問題中的車輛行駛距離問題，提升了配送效率，增加了車輛裝載率。在處理大量需求的VRP問題的同時，可以對問題進行數據轉化降維處理，不能夠加快對于算法的計算速度，還能有效降低算法求解過程中陷入局部最優解的問題發生。運用多種算法對配送路徑進行最優路徑結果比對，獲得最佳結果，體現了本文方法的實用性和有效性。在跨境電子商務配送過程中，能夠有效減短車輛的行駛距離，提升了用戶的滿意程度，擴大了電子商務的運營范圍，得到較好應用。

3.結束語

此次從跨境電子商務配送線路入手，研究了基于混合“集裝箱-快遞”物流需求的跨境電子商務配送路線優化方法。根據跨境電子商務配送路線的整體策略，選擇混合物流需求，通過不斷改進算法實現配送路線優化，為今后的研究提供了方向。但方法中還存在一些不足之處，例如部分算法尚未明確和簡化，車輛的調配問題，采集數據單一等。今后應更加重視算法，提升配送中心服務水平和成本，滿足用戶配送需求，提升配送服務質量。豐富企業選址和路徑優化。結合實際問題進行分析，實現基于混合“集裝箱-快遞”物流需求的跨境電子商務配送路線的全方位優化。