基于递归神经网络算法的电子物流配送系统配送路径优化

物流行业起步较晚，所以新兴物流分销路径设计的研究时间相对较短。最初，司机主要根据自己的经验规划最佳物流分配路径。由于缺乏科学指导，最初电子物流配送系统所获得的物流分配路径并非最佳路径，物流分配效率低，物流分配成本高[1]。车辆路线安排问题的关键在于整个物流系统的优化。随着商品数量分布的增加，传统的路径规划算法并不是在相对较短的时间内通过系统获得一级解决方案来选择最优输送路径分配车辆。优化车辆调度和安排送货车分配订单，可以降低车辆的距离和空载率[2]。只有当客户节点和线路的数量较少时，才能得到确切的解。另外，目前物流配送路径体系建设中存在优化方法单一、数据评估规则不统一等问题[3]。如何通过现有的智能算法、大数据分析、数据挖掘等手段实现物流配送路径优化系统的智能优化设计，进而助力物流配送路径优化系统的智能化管理成为热点。此外，物流配送路径优化系统在配送过程中，不同的实际配送路径应具有不同的特点。同时，在具体的路径分配方案设计过程中，这些多样化差异的实际应用也是不同的。由于传统物流主路径系统的有效信息提取率较低，在数据信息提取的过程中，会出现不同类型的错误事件[4]。

基于此，提出递归神经网络算法，用于电子物流配送系统配送路径中的数据和信息状态的优化。根据不同路径优化方案的差异和独特性，实现了多维信息分化，以获取和分析不同维度的信息[5]。与传统的神经网络算法相比，递归神经网络算法不存在局部最小值问题，并且可以选择隐节点数[6,7]。该方法不依赖系统的数学模型，同时具有自学习和自调整模型的特点，可以对各种电子物流配送系统产生良好的预测效果。除了具有较强的鲁棒性[8]，递归神经网络算法还具有全局唯一性和稀疏性，可以避免神经网络算法中可能存在多个局部最优解的问题。此外，递归神经网络算法的复杂度不依赖特征维度，比神经网络具有更好的泛化能力。因此，递归神经网络算法可以极大地提高电子物流配送系统的配送路径效率。

电子物流配送路线通常会考虑物流配送的成本、经济效益和提高客户服务水平的原则。因此，电子物流配送系统会先预选物流配送路径方案，然后进行比较，最后选择一个或多个满意的物流配送路径方案作为新的配送路线。物流配送时间是反映物流配送路线的众多指标之一[9]。如果考虑物流配送路段长度为L，路段行驶时间为路段权重，则路段权重函数如公式（1）所示：

其中，Q为交通流量；V为与交通流量Q相对应的路段的平均行驶速度；T为交通流量为Q时通过路段L所需的时间。

解决电子物流配送系统配送最佳路径的关键是找到交通流量Q与平均道路速度V之间的关系。交通流量Q、行驶速度V和交通密度K是表征交通流特征的3个基本参数，三者之间的关系如公式（2）所示：

在正常交通条件下，车辆行驶速度与交通密度之间的关系如公式（3）所示：

其中，Vm为无障碍速度；km为阻塞密度。

当交通流量Q满足0≤Q≤Km Vm/4时，可以推导出速度V和交通流量Q之间的关系，如公式（4）所示：

通过对交通流量预测进行分析，可以看出模拟原理模型的难度。当可以预测特定时段的交通流量时，就可以计算出道路权重。

利用物流配送路径时间与交通流量之间的关系，创建物流配送路段的道路权重函数模型。模型预测交通流量后，利用残余误差对预测值进行修正。在修正过程中，利用递归神经网络算法模型来预测正负残余误差。

首先，设定样本数据集为输入向量，yi∈R为输出向量，N为训练样本的数量。利用递归神经网络算法的主要目标是找到一个可以更好地近似所有样本点的函数f (x)。通过定义一个合适的核函数k(xi,xj)=[∅(xi)·∅(xj)]，将输入样本空间非线性转换为特征空间进行线性回归估计。则递归神经网络算法的估计函数如公式（5）所示：

其中，ω为权值向量；b为阈值；[]为内积运算。

则递归神经网络算法可以描述为以下问题如公式（6），公式（7）所示：

其中，ξi和ζi*为松弛变量。

同时，引入核函数k(xi,xj)=[∅(xi)·∅(xj)]，并将公式（7）的解转化为以下对偶问题如公式（8），公式（9）所示：

公式（8）为不等式约束下的二次优化问题，具有唯一解αi,αj是二次优化问题的解。评价函数用于评价进一步优化的解决方案。在递归神经网络算法中，评价函数通过记忆准则和赦免准则来选择新的当前状态。在实际应用中，评价函数要根据研究问题的约束条件和目标来选择。一般来说，解决问题的目标函数及其变形可以作为评价函数。如果计算目标函数比较困难或费时，也可以用反映问题目标的积分特征值作为评价值。此时，有必要确保最优特征值与最优目标函数之间的一致性。

同时，在电子物流车辆配送的最优运行路线下，将配送点的数量和每个需要分配站的各种类型的材料的数量相结合，得到了要分配的材料集A，并与过去各分配站的材料需求量相结合。在此基础上，根据供需相融合的思想，以及电子物流车辆的约束条件和供需相结合的思想，对各种车型的车厢高、宽等构成各种布局组合，对三比特模型进行降维，并将其简化为图1，以达到车辆最大承载重量，最大程度上发挥物流车辆的运输优势。

仿真实验设定大型汽车的最大装载量为550件，最大行驶距离为30 km，单位运输成本为5元/千米。小型车最大装载量为300件，在不考虑小型车最大行驶距离的情况下，由于市内相互换乘且距离较短，小型车单位运输成本为1.2元/千米。在基本问题的基础上，通过确定电子物流配送中心和需求点的位置，构建初始配送方案。使用递归神经网络算法选择并连接不同的点，形成特定的车辆路径。提出的递归神经网络算法的参数设置为染色体群大小为100，算法设定的最大迭代步数为200，染色体各向异性检查的迭代步数为5，染色体交叉概率为0.8，变异概率为0.25。

为进一步验证递归神经网络算法对电子物流配送系统配送路径优化效果，将递归神经网络算法、与布谷鸟搜索算法和群体智能算法进行对比，以突出递归神经网络算法在优化物流车辆最优路径的方面优势，并计算出每次实验的最优物流配送路径长度，比较结果如图2所示。递归神经网络算法的最优物流配送路径的平均长度为111 km。群体智能算法的最优物流配送调度路径平均长度为114.7 km，布谷鸟搜索算法的最优物流配送路径平均长度为114.5 km。此外，递归神经网络算法可以获得较好的物流配送路径，提高物流配送速度，降低物流配送的时间传输成本，具有较高的实际应用价值。与群体智能算法和布谷鸟搜索算法相比，递归神经网络算法的最优路径长度分别减少3.7 km和3.5 km。在迭代200次的条件下，递归神经网络算法可以获得最短配送路径。上述实验结果表明，递归神经网络算法与布谷鸟搜索算法和群体智能算法相比，在优化效率和质量上都有明显的提升。特别是随着迭代次数的不断扩大，递归神经网络算法能更有效地处理物流配送耗时长、质量差的调度问题，使优势得到了更好的体现，有效地降低了货物运送的时间，缩短了运送路线的路程，加速了算法的收敛，使整个物流产业的总体效能与运送效率达到最大化[10]。

运用递归神经网络算法求最优物流配送路径的迭代总量明显少于群体智能算法和布谷鸟搜索算法，加快了最优物流配送路径的求解效率。因此，递归神经网络算法可以应用于大规模物流配送路径设计问题的求解，其实际应用范围更加广泛。而且收敛速度更快，因此路径调度算法无论从收敛速度还是结果对比上都超过群体智能算法。改进算法可以有效地解决群体智能算法容易停在局部最优解的问题。当迭代总量为3时，最优路径长度为52 km。与布谷鸟搜索算法和群体智能算法相比，递归神经网络算法的路径距离分别缩短了25 000 m和5 800 m。当迭代总量规模为5时，递归神经网络算法的路径距离比群体智能算法缩短了约26 km。最优物流配送路径迭代总量变化如图3所示。

对于物流企业而言，运输路线的选择是一个关系到运输成本、时间和效率的关键问题，也是整个物流业共同面对的问题。因此，分析最优物流配送路径具有重要的实用价值。为解决目前物流配送路径中存在的一些问题，提出基于递归神经网络算法的物流配送路径最优设计方法，与布谷鸟搜索算法和群体智能算法相比，递归神经网络算法可以获得理想的物流配送路径，并且搜索效率高，具有非常广阔的应用前景。它的优越性能体现在提高了全局优化能力，缩短了配送路径，降低了物流企业的配送成本，提高了配送效率，促进了物流业的快速发展。