本文主要研究某物流公司的物流配送情况，以该公司在金华的物流中转站为配送中心，向金华七十多个工业区运输货物的配送路径为优化对象，依据实际情况构建数学模型，通过遗传算法进行求解，最终得出结论以解决该物流公司在工业区的物流配送过程中存在的问题，同时可以对该公司的其他运输业务进行参考与借鉴，降低配送成本同时提高运输效率。而且，科学合理的路径优化，节约了运输路程，也减少了运输车辆的数量，能够缓解城市中交通拥堵的情况，为城市道路降低碳排放量，减少噪音污染，发扬低碳环保的理念，提高社会效益。
本文所建立模型的目标函数Z为物流总成本，主要由固定成本Z1、运输成本Z2、和惩罚成本Z3三个要素构成。其中惩罚成本主要由时间窗控制，每个客户点都会设置固定的时间窗，要求配送中心在客户所能接受的时间窗要求内完成送货，若违背了时间窗，则会产生一定的惩罚成本。
本设计所需的物流配送相关参数定义如下：Z表示目标函数，N表示需要服务的配送点数量，K表示配送所需的车辆数，Qm表示车辆的额定载货量，qi表示配送点i的需求量，tki表示车辆k到达配送点i的时间，k表示配送车辆的集合，其中k∈{1,2，…，K}，dij表示配送点i到配送点j的间距，其中i,j∈{1,2，…，33}，Yki表示车辆的配送情况，若Yki=1，则代表车辆k对配送点i进行配送，若Yki=0，则代表未配送。
物流公司的配送任务具有时效性、安全性以及可靠性，根据上述问题的描述，基于实际情况，构建以运输成本最低为目标的路径优化模型，本设计有以下约束条件：
(1）载货量约束：运输车辆的车型和最大载货量均一致，每条线路上的配送点所有货物需求量的总和不能超过车辆的最大载重量。公式1表示车辆不超载。
(2）时间窗约束：物流公司最看重的就是配送时间，在规定的时间内将货物送至每一位客户的手中是最基本的要求。若违背了时间窗，那么就会导致客户拒收货物，甚至下次不与公司合作等情况出现，从而产生相应的惩罚成本。公式2表示时间窗的约束。
(3）配送点约束：每个配送点只能由一辆车进行配送且只能配送一次，同时每个配送点的需求均能够被满足。由式公式3、公式4所示。
(4）运输车辆行为约束：在服务完每一个配送点之后，运输车辆立即离开，且在完成配送后立即返回配送中心。
由于大部分地区的工业区均比较集中，例如婺城区、武义县、永康市的工业区十分密集。于是考虑到实际因素和出于计算的需求，现将部分偏远或者配送量少的工业区数据信息进行模糊处理，不纳入计算。而在工业区密集处，则以某个工业区为中心进行整合，并将整合后的“新工业区”进行编号，查出所在地的经纬度坐标，同时把被整合的工业区的需求量进行加和。经分析后，考虑到多方面因素，最终将71个工业区整合为33个工业区集合体。
该公司出于实际配送因素的考虑，工业区的物流运输都是跨行政区的运输，所以公司的货运师傅基本上都会选择分区域配送，以不同的行政区为配送对象，每个行政区出一趟车，进行货物配送。所以每个行政区一条或者两条线路，运输成本也需要各个区域分别进行计算。
配送成本Z包括运输固定成本、运输成本以及惩罚成本。运输固定成本是包含驾驶员的工资、运输车的购买或折旧费用；运输成本包含燃料费用、车辆维护费等，一般计算中车辆的运输成本与形式距离成正比；惩罚成本则针对物流运输的时效性要求，对于该物流公司来说，若是运输时间严重超出预计时间，那么则会降低客户满意度，有可能会放弃与公司合作，于是将惩罚成本设为配送点最大需求量所需收取的配送费。
本设计中每辆车每天运输成本折合500元/辆·天；油价采取金华市柴油近日均价8.4元/升；百公里油耗30升；配送车车辆为17.5m长大货车，额定载重45吨，可载货32吨。每辆车在装车完毕后应在10个小时内送至工业区，货车在运输时往往走国道或者高速，故时速约60km/h，到货后卸车时间约为5min/吨。计算后最终各区的配送线路以及运输成本如下：
路线1（兰溪市）：0-1-2-3-4-5-0，配送里程198km，配送成本998.96元；
路线2（婺城区）：0-6-7-8-0，配送里程97km，配送成本744.44元；
路线3（婺城区）：0-9-0，配送里程30km，配送成本575.6元；
路线4：（金东区）：0-10-11-12-0，配送里程54km，配送成本636.08;
路线5：（武义县）：0-13-14-15-16-0，配送里程139km，配送成本850.28元
路线6：（永康市）：0-17-19-20-0，配送里程129km，配送成本825.08元；
路线7：（永康市）：0-18-21-22-0，配送里程146km，配送成本867.92元；
路线8：（东阳市）：0-23-24-25-0，配送里程183km，配送成本961.16元；
路线9：（义乌市）：0-26-27-28-29-0，配送里程151km，配送成本880.52元；
路线10：（义乌市）：0-30-31-0，配送里程81km，配送成本704.12元；
路线11：（浦江县）：0-32-33-0，配送里程160km，配送成本903.2元。
通过计算，此公司在金华的运转中心每天为各工业区配送的路线共有11条，需要11辆运输车辆，总计配送里程1368km，配送成本共计8947.36元。
结合上文的相关数据说明，现对以下参数进行赋值。首先，配送点总数N为34，包括33个门店以及配送起点0，配送车辆最大载重Qm为32吨，各配送点需求量qi在上文已有详细介绍。
结合上文可计算出各个配送点之间的距离dij，计算公式如公式5所示。
在完成数据初始化的编码之后，还需要计算各个配送点之间的距离。在算例数据中只有各配送点的经纬度坐标，需要编写一个计算距离的代码，将任意两个配送点之间的间距计算出来，并形成二维距离矩阵。由于配送点很多，各点间距共有561个数据，若是人工计算则需要耗费大量的时间，并且容易出现计算错误，影响最终结果。但是通过编程即可又快又准确的获得各点之间的二维距离矩阵。编码完成且运行后可以获得一个34*34规模的距离矩阵。具体编码如下：
本文的遗传算法的相关参数表示：初始种群数量为66，交叉的概率为0.7，变异的概率为0.4，迭代次数为500。
在通过20次的程序迭代运算之后，得到最优配送路径。优化后得到的配送路径共9条，结果如图1所示。
优化后得到的最优路径里程为1284.5304km。已知单位距离的运输成本为2.52元/km，故可算得运输成本为3237.016608元，保留两位小数后结果为3237.02元。通过图1可知，共有9条配送路线，故运输车辆为9辆，可算得运输固定成本为4500元。所以，优化后的配送总成本为7737.02元。
出于研究的严谨性，本文将最优结果进行验算。由于是人工验算，数据均经过处理，运输里程为实际距离保留整数后的结果，故运算结果会存在一定误差，不过此计算结果仅供验算使用，不必过于准确。
综上所述，本设计建立的遗传算法模型可行有效，编写的程序运行无误，可实现该公司对金华工业区货物配送方案的设计优化，节约运输里程和配送时间，降低配送成本，完成路径优化。
经过遗传算法的建模优化，优化后方案的配送线路由11条减少至为9条，所以配送车辆数也由原来的11辆降为9辆。此时的固定运输成本由原先的5500元将为4500元，降低1000元。
同时由于配送的改进，使得车辆运输里程数由原先的1368km优化为1284km，节约了运输里程84km，降低运输成本211.68元。与原运输方案相比，优化后配送方案的配送总成本约降低1200元，降幅大概在13.4%，优化效果显著。
首先，优化后的方案破除了原配送方案中需要按行政区进行配送的要求，使运输线路上的配送点有更多的选择，可以有效缓解运输路线重复和浪费的问题。本研究以节约里程为目标，将运输路径优化问题建立为基于遗传算法的数学模型，以金华工业区为研究对象，将各配送点的经纬度坐标、需求量以及其它相关运输数据设为参数，再通过MATLAB软件进行编码，得出在固定约束条件下解决问题的最优解。经过优化后得到的配送方案节约了较多的配送成本和运输资源，不论是对于公司往后的发展还是对于社会的绿色环保都起到了一定的贡献。
本文对某物流公司的工业区货物配送问题进行研究，通过分析原配送方案，得出原方案存在配送路径方面的不足。再依据金华工业区的配送特点，结合相关数据，对原有的金华工业区配送路径进行优化，通过遗传算法进行科学合理的建模，并借助MATLAB软件进行编码求解，最终在遵循配送条件的情况下，得出一个优化配送方案。该方案与初始方案相比，在运输里程、运输车辆数、配送成本等方面均有优化，节约了里程，减少了成本，优化结果正确有效。
沪公网安备 31011202008041号
