李 悅，秦 威
(上海交通大學(xué) 工業(yè)工程與管理系，上海 200240)
相較于其他物流服務(wù)，快遞運輸要求有更快的速度、更低的成本、更短的時間，幾乎不涉及存儲功能，因此，運輸網(wǎng)絡(luò)的設(shè)計和運輸路徑的選擇是快遞公司關(guān)注的焦點。自O(shè)’kelly 等[1]提出軸輻式網(wǎng)絡(luò)系統(tǒng)后，憑借其規(guī)模經(jīng)濟效應(yīng)，該系統(tǒng)被廣泛地應(yīng)用于快遞運輸行業(yè)。然而隨著電子商務(wù)規(guī)模的不斷擴大和市場的不斷下沉，小城市間快遞業(yè)務(wù)量的快速上升導(dǎo)致了傳統(tǒng)軸輻式運輸網(wǎng)絡(luò)中轉(zhuǎn)運成本的大幅增加，快遞運輸需求量在地理空間上逐漸呈現(xiàn)高度離散化特點，直播等營銷方式也使得特定需求在時間上的波動性加劇。當(dāng)兩個終端網(wǎng)點之間的快遞需求量超過車輛的容量限制時，集單形成的規(guī)模經(jīng)濟不復(fù)存在，繞道產(chǎn)生的額外運輸成本和中轉(zhuǎn)成本降低了網(wǎng)絡(luò)的經(jīng)濟性。此外，由于用戶對快遞時限的需求提高，轉(zhuǎn)運過程的時效性也需要進行優(yōu)化。本文將在軸輻式網(wǎng)絡(luò)中加入終端網(wǎng)點間的連通路徑，研究混合網(wǎng)絡(luò)的創(chuàng)建方法，解決高度離散和波動的快遞需求下規(guī)模經(jīng)濟效應(yīng)和轉(zhuǎn)運成本的平衡問題。
大部分已有的關(guān)于快遞網(wǎng)絡(luò)和運輸路徑優(yōu)化的文獻將轉(zhuǎn)運中心的選址布局作為重點。曹靜茹等[2]使用熵權(quán)法評價每個城市的物流發(fā)展?jié)摿Γx擇對其他終端網(wǎng)點引力強度大的城市作為轉(zhuǎn)運中心。胡志華等[3]將干線長距離運輸?shù)囊?guī)模經(jīng)濟效應(yīng)折扣系數(shù)作為考慮，建立更符合實際情況的轉(zhuǎn)運中心選址模型。趙旭等[4]考慮到運輸需求和成本難以預(yù)測的特點，采用極小極大值法刻畫了軸輻式網(wǎng)絡(luò)的成本函數(shù)，提出求解各方面因素不確定情況下的最優(yōu)化樞紐港選擇方案。楊珺等[5]考慮網(wǎng)絡(luò)節(jié)點中斷帶來的延遲懲罰，建立轉(zhuǎn)運中心選址的上下界模型，并使用禁忌搜索算法進行求解。李莉[6]、畢海玲等[7]、Ghaffari-Nasab 等[8]、Serper 等[9]提出多種啟發(fā)式算法解決軸輻式網(wǎng)絡(luò)轉(zhuǎn)運中心的選址問題。丁偉等[10]對軸輻式運輸網(wǎng)絡(luò)在國內(nèi)的應(yīng)用進行了實證分析
近年來一些文獻也研究了軸輻式網(wǎng)絡(luò)結(jié)構(gòu)的變形和拓展。胡晶晶等[11]為了充分利用物流資源，提出兩個軸輻式網(wǎng)絡(luò)間的協(xié)同建設(shè)，通過多層編碼的遺傳算法實現(xiàn)求解并進行了敏感性分析。Perez 等[12]嘗試在多個轉(zhuǎn)運中心的前提下，靈活地將終端網(wǎng)點分配給不同的轉(zhuǎn)運中心，建立相應(yīng)的數(shù)學(xué)模型并證明其有效性。Lee 等[13]設(shè)計一種包括多個終端網(wǎng)點、多個處理中心和一個轉(zhuǎn)運中心的混合軸輻式快遞網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)結(jié)構(gòu)的收斂性。姚冠新等[14]提出允許直達的混合軸輻式網(wǎng)絡(luò)規(guī)劃模型以滿足城鄉(xiāng)一體化物流需要。丁小東[15]在借助重力模型進行了流量分析后，指出我國高鐵快運應(yīng)采用軸輻式網(wǎng)絡(luò)為主、點對點連通為輔的混合模式，但并未提出具體改良方法。
既有研究雖然已經(jīng)在純軸輻式快遞運輸?shù)木W(wǎng)絡(luò)布局和運輸路徑方面取得了豐富成果，也有學(xué)者指出了未來混合式網(wǎng)絡(luò)的發(fā)展方向，但尚未有在已有網(wǎng)點的基礎(chǔ)上，將軸輻式網(wǎng)絡(luò)和終端聯(lián)通式網(wǎng)絡(luò)相結(jié)合的具體方法。本文將在快遞公司現(xiàn)有終端網(wǎng)點的基礎(chǔ)上，研究在快遞運輸需求發(fā)生波動時，動態(tài)地將終端直連路徑融入軸輻式網(wǎng)絡(luò)的混合軸輻式運輸方法。
1.1 問題描述
混合軸輻式運輸網(wǎng)絡(luò)的建立依賴于快遞公司已運營一段時間的終端網(wǎng)點，按照每天網(wǎng)點間快遞運輸需求量的情況，動態(tài)地為每兩個網(wǎng)點間的運輸需求規(guī)劃合適的中轉(zhuǎn)方式和運輸路徑。決策包括3 個部分：1) 兩兩網(wǎng)點間的快遞是否直發(fā)？2) 哪些網(wǎng)點被選為當(dāng)天的轉(zhuǎn)運中心？3) 非直發(fā)快遞經(jīng)哪個轉(zhuǎn)運中心進行轉(zhuǎn)運？決策的目標(biāo)為快遞運輸過程的總成本最小。由于因終端網(wǎng)點建設(shè)產(chǎn)生的沉沒成本以及快遞在始發(fā)點和目的點的搬運和裝卸成本不可避免，總成本中不再計算。總成本的環(huán)節(jié)包括在網(wǎng)點間進行公路運輸產(chǎn)生的運輸成本以及在轉(zhuǎn)運中心進行裝卸、分揀和存儲產(chǎn)生的持貨成本。公路運輸由貨車進行，可能發(fā)生在3 種路徑上：從出發(fā)點送往轉(zhuǎn)運中心、從轉(zhuǎn)運中心送往目的點、在直發(fā)路徑上直接從出發(fā)點送往目的點。相同起止點的快遞也可以經(jīng)由兩輛卡車分別采用轉(zhuǎn)運和直發(fā)的方式進行運輸。
由于轉(zhuǎn)運中心的位置每天都有可能變化，前一天聚集在轉(zhuǎn)運中心的快遞將不再經(jīng)過轉(zhuǎn)運中心間的二次轉(zhuǎn)運，而是直接送往目的點，這部分快遞需求將被標(biāo)記為起始點為轉(zhuǎn)運中心的緊急需求，與一些原本就有嚴(yán)格時效要求的快遞合并。如果緊急需求的出發(fā)地和目的地都不是當(dāng)日的轉(zhuǎn)運中心，兩個網(wǎng)點間將必須開通直發(fā)路徑。緊急需求的標(biāo)記使得前一天被選為轉(zhuǎn)運中心的網(wǎng)點在次日連續(xù)被選中的可能性大大提升，也在一定程度上提升了混合軸輻式網(wǎng)絡(luò)的穩(wěn)定性。
本文假設(shè)如下：
1) 各網(wǎng)點間都有直接相連的路徑；
2) 各網(wǎng)點都可以作為轉(zhuǎn)運中心使用；
3) 運輸和中轉(zhuǎn)過程中將快遞質(zhì)量作為衡量指標(biāo)；
4) 網(wǎng)絡(luò)中可以使用的卡車數(shù)量無上限，卡車容量相同；
5) 網(wǎng)點間快遞需求的期限要求至少能被直發(fā)路徑滿足。
1.2 模型建立
1.2.1 模型參數(shù)
設(shè)可以使用的終端網(wǎng)點集合為N，可選為轉(zhuǎn)運中心的網(wǎng)點集合為H，在本文中H=N，i,j,k∈N，分別代表獨立的網(wǎng)點。其他參數(shù)如下：
cd為每輛卡車單位距離的運輸成本；
ct為單位質(zhì)量的快遞裝卸成本；
ch為單位質(zhì)量的快遞分揀成本；
dij為網(wǎng)點i到網(wǎng)點j之間的距離；
wij為網(wǎng)點i到網(wǎng)點j的快遞總需求量；
Wij為網(wǎng)點i到網(wǎng)點j的緊急需求量；
P為卡車的載重上限；
M為一個足夠大的常數(shù)。
1.2.2 決策變量
xij為從網(wǎng)點i發(fā)出的快遞是否經(jīng)過中轉(zhuǎn)中心j中轉(zhuǎn)，1 表示中轉(zhuǎn)，0 表示不中轉(zhuǎn)；
xii=1 表 示網(wǎng)點i被選為轉(zhuǎn)運中心。
sij為網(wǎng)點i直接發(fā)往網(wǎng)點j的快遞量。
sijk為網(wǎng)點i經(jīng)轉(zhuǎn)運中心k中轉(zhuǎn)再發(fā)往網(wǎng)點j的快遞量。
aik為將快遞從網(wǎng)點i運輸?shù)睫D(zhuǎn)運中心k需要的卡車數(shù)量。
bk j為將快遞從轉(zhuǎn)運中心k運輸?shù)骄W(wǎng)點j預(yù)計需要的卡車數(shù)量。
eij為將快遞從網(wǎng)點i直接運輸?shù)骄W(wǎng)點j需要的卡車數(shù)量。
λij為輔助變量，0 表示網(wǎng)點j一定被選為轉(zhuǎn)運中心，1 表示不一定。
1.2.3 混合整數(shù)線性規(guī)劃模型
目標(biāo)函數(shù)式 (1) 中，總成本由3 部分組成，第1 部分表示轉(zhuǎn)運中心的分揀和存儲成本，第2 部分表示裝卸成本，第3 部分計算3 種路徑上的總運輸成本。式 (2) 和 (3) 是經(jīng)典的單一分配約束，每個節(jié)點發(fā)出的快遞需求都必須且只能分配給一個轉(zhuǎn)運中心。式 (4) 規(guī)定每個網(wǎng)點發(fā)出的中轉(zhuǎn)快遞都按照分配好的軸輻式網(wǎng)絡(luò)運輸。式 (5) 和式 (6) 規(guī)定了被選中的轉(zhuǎn)運中心不能與其他網(wǎng)點建立直發(fā)路徑。約束式 (7) 保證快遞都會經(jīng)過混合式網(wǎng)絡(luò)發(fā)出。式 (8) 和式 (9) 為緊急需求的兩種運輸方式，前者將緊急需求的起始點作為轉(zhuǎn)運中心，即繼承前一天的轉(zhuǎn)運中心選擇；
后者在起始點與目的點之間建立直發(fā)路徑。式 (10) 為在起始點到轉(zhuǎn)運中心所需的卡車數(shù)量。式 (11) 為轉(zhuǎn)運中心到目的點預(yù)計所需要的卡車數(shù)量，這部分運輸過程有可能會隨著次日緊急需求的運輸決策而產(chǎn)生變動，因此計入的卡車數(shù)量為已發(fā)生需求的期望卡車數(shù)量。式 (12) 為起止點間直發(fā)路徑上所需的卡車數(shù)量。式 (13) ～ (15) 為各個決策變量的取值范圍。
傳統(tǒng)的軸輻式網(wǎng)絡(luò)設(shè)計問題是NP-hard 問題，在快遞公司的終端網(wǎng)點構(gòu)成下，變量規(guī)模達到百萬級，求解器無法在合理時間內(nèi)收斂到最優(yōu)解，為此，本文提出一種改進的兩階段遺傳退火算法(genetic simulated annealing algorithm, GSA)，將問題分解為兩個相互耦合的子問題：軸輻式網(wǎng)絡(luò)規(guī)劃和直發(fā)路徑設(shè)計，分別采用遺傳策略和退火策略進行求解。算法框架如圖1 所示。
圖1 改進的遺傳-退火算法的流程圖Figure 1 The framework of the improved GSA
2.1 軸輻式網(wǎng)絡(luò)規(guī)劃階段
該階段在當(dāng)前的終端網(wǎng)點中選擇轉(zhuǎn)運中心，并完成普通網(wǎng)點的轉(zhuǎn)運分配。為了能在全國網(wǎng)點中大范圍地搜索轉(zhuǎn)運中心組合，在軸輻式網(wǎng)絡(luò)規(guī)劃階段使用了改進的遺傳算法作為主體。
編碼方案：每個軸輻式網(wǎng)絡(luò)被編碼為VH和VN兩個n維整數(shù)向量。VH中每個基因代表一個終端網(wǎng)點，采用0-1 編碼方式記錄該網(wǎng)點是否被選為轉(zhuǎn)運中心；
VN中每個基因的順序與VH中的一致，分別記錄該網(wǎng)點發(fā)出的快遞被分配的轉(zhuǎn)運中心索引。圖2 給出了一個含有7 個終端網(wǎng)點的軸輻式網(wǎng)絡(luò)規(guī)劃方案，其中網(wǎng)點2 和網(wǎng)點7 為該運輸網(wǎng)絡(luò)的轉(zhuǎn)運中心。
圖2 網(wǎng)絡(luò)規(guī)劃階段中一種7 個網(wǎng)點的編碼方案Figure 2 A coding scheme of 7 nodes at the network planning stage
初始種群構(gòu)造：引入一個新的參數(shù)g，表示初始種群中轉(zhuǎn)運中心的數(shù)量。隨機生成g個1～n之間的數(shù)字，選擇其對應(yīng)的網(wǎng)點作為轉(zhuǎn)運中心。未被選中的普通網(wǎng)點被貪婪地分配給距離最近的轉(zhuǎn)運中心。
適應(yīng)度函數(shù)：在第2 階段的直發(fā)路徑開通完成后計算每個轉(zhuǎn)運中心的裝卸、分揀、存儲的快遞量及3 種路徑上的運輸量，通過式 (16) 計算適應(yīng)度值。
Fi表示個體i的適應(yīng)度值，Ci表示個體i根據(jù)式(1) 得到的函數(shù)值。Fi與Ci負(fù)相關(guān)。
選擇操作：輪盤賭選擇模擬自然選擇規(guī)律產(chǎn)生可以進行交叉和變異的父代染色體，每個個體被選中的概率pi通過式 (17) 得到。當(dāng)沒有出現(xiàn)優(yōu)于父代最優(yōu)個體的子代個體時，通過經(jīng)營保留策略保留父代最優(yōu)的個體，并淘汰子代中的最差個體。
交叉算子：在VH段以概率pc使用兩點交叉算子進行交叉，對交叉后受到影響的普通網(wǎng)點重新貪婪地分配轉(zhuǎn)運中心。
變異算子：以概率pm隨機選擇子代個體進行基因突變。可能發(fā)生的突變包括從VH中選擇一個基因改變其布爾值，或從VN中選擇一個基因?qū)⑵浞峙浣o剩余距離最近的轉(zhuǎn)運中心。兩種突變發(fā)生的可能性相等，突變后同樣可能需要對普通網(wǎng)點進行再分配。
2.2 直發(fā)路徑設(shè)計階段
該階段在普通網(wǎng)點之間開通直發(fā)路徑，并計算直發(fā)快遞量。第1 階段中的每個個體的適應(yīng)度計算都需要用到此階段的優(yōu)化結(jié)果。
完成網(wǎng)絡(luò)規(guī)劃后，通過貪婪法構(gòu)建第2 階段初始解。在快遞需求大于初始裝載率r0的網(wǎng)點間開通初始直發(fā)路徑，形成初始直發(fā)路徑，初始溫度為T0。
在每個溫度下進行馬爾卡夫鏈長度的隨機擾動，每次隨機選擇兩個普通網(wǎng)點，若兩點間尚未開通直發(fā)路徑，則在兩點之前開通直發(fā)并安排一輛卡車，否則以相同的概率在網(wǎng)點間的直發(fā)路徑上增加或減少一輛卡車。時間t時的溫度如式 (18)所示。
若擾動后的混合網(wǎng)絡(luò)總成本低于擾動前，則接受擾動，否則按照式 (19) 中的Metropolis 準(zhǔn)則接受擾動后的混合網(wǎng)絡(luò)。擾動改進將進行至溫度低于凍結(jié)溫度Te或連續(xù)q代不接受擾動。
本文采用某電商在2020 年12 月1 日～5 日的快遞需求量數(shù)據(jù)作為研究算例，其中包括分布在我國東部的30 個城市的終端網(wǎng)點，5 d 中網(wǎng)點間的快遞需求量如圖3 所示，前2 d 網(wǎng)絡(luò)中快遞需求總量較低，后3 d 總量較高；
5 d 中出現(xiàn)需求量峰值的網(wǎng)點快速變動，快遞運輸需求在空間和貨量上的高度離散化特點十分明顯。
圖3 30 個網(wǎng)點間的快遞需求量Figure 3 Express demand between 30 nodes
為了減少現(xiàn)有網(wǎng)絡(luò)中其他網(wǎng)點對模型有效性檢驗的干擾，本文將Serper 等[9]提出的傳統(tǒng)軸輻式網(wǎng)絡(luò)構(gòu)建模型 (optimization model of hub-and-spoke network, Op.H&S) 和變鄰域搜索算法 (variable neighborhood search, VNS) 作為對比基準(zhǔn)，取5 d 快遞需求量的平均值，在30 個終端網(wǎng)點中重構(gòu)了包括5 個轉(zhuǎn)運中心的傳統(tǒng)軸輻式快遞運輸網(wǎng)絡(luò)，基于VNS 得到的網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。本文提出的混合軸輻式網(wǎng)絡(luò)模型 (optimization model of hybrid huband-spoke network, Op.HH&S) 使用Cplex 12.9 求最優(yōu)解，提出的GSA 算法在 Visual Studio 2017 中使用C++實現(xiàn)，所有實驗在一臺搭載1.8 GHz 的AMD四核處理器和8 GB 內(nèi)存的計算機上進行。
圖4 傳統(tǒng)軸輻式網(wǎng)絡(luò)結(jié)構(gòu)Figure 4 A traditional hub-and-spoke network
在實驗中，轉(zhuǎn)運中心的裝卸成本和分揀存儲成本分別為0.02 元/kg、0.03 元/kg，每輛卡車的運輸成本為1.5 元/km，載重上限1 000 kg，可以開通直發(fā)路徑的初始裝載率為80%。前一天未完成運輸存儲在轉(zhuǎn)運中心的快遞自動成為后一天的緊急需求。
GSA 算法的遺傳階段中，初始轉(zhuǎn)運中心數(shù)量2，與實際運營中的轉(zhuǎn)運中心數(shù)量保持一致，交叉概率pc= 0.2，變異概率pm= 0.7，進化1 000 代；
退火階段中，初始溫度T0= 1 000 ℃，凍結(jié)溫度Te=10 ℃，連續(xù)終止代數(shù)q=20 ，馬爾科夫鏈長度為100。
Op.HH&S 最優(yōu)解實驗在每天的算例上進行3 次，記錄最小網(wǎng)絡(luò)總成本和平均求解時間；
GSA算法同樣在每天的算例上進行3 次，記錄最優(yōu)結(jié)果對應(yīng)的網(wǎng)絡(luò)總成本 (total transportation cost, TTC) 和運行時間。基于GSA 算法的第5 d 的混合軸輻式網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，為便于觀看，省去了轉(zhuǎn)運中心之間的轉(zhuǎn)運路徑。
圖5 混合軸輻式網(wǎng)絡(luò)結(jié)構(gòu)Figure 5 A hybrid hub-and-spoke network
Op.HH&S 模型和GSA 算法與傳統(tǒng)軸輻式網(wǎng)絡(luò)模型和算法基準(zhǔn)的結(jié)果對比如表1 和圖6 所示，表中提供了Op.HH&S 相比于Op.H&S 對網(wǎng)絡(luò)總成本的改進率及GSA 算法距離Op.HH&S 最優(yōu)解之間的差距。由于傳統(tǒng)軸輻式網(wǎng)絡(luò)計算不需每天進行，在此只記錄構(gòu)建網(wǎng)絡(luò)時的運行用時。
表1 混合軸輻式網(wǎng)絡(luò)與傳統(tǒng)軸輻式網(wǎng)絡(luò)的結(jié)果對比Table 1 Comparison between HH&S and traditional H&S
圖6 混合軸輻式網(wǎng)絡(luò)與傳統(tǒng)軸輻式網(wǎng)絡(luò)的結(jié)果對比Figure 6 Comparison between HH&S and traditional H&S
對比混合軸輻式網(wǎng)絡(luò)和傳統(tǒng)網(wǎng)絡(luò)模型的最優(yōu)解可以發(fā)現(xiàn)，基于混合軸輻式網(wǎng)絡(luò)的再設(shè)計方案在5 d中的網(wǎng)絡(luò)總成本都低于傳統(tǒng)網(wǎng)絡(luò)，其中在無緊急需求需要繼承的第1 d，總成本的改進率最高，5 d平均節(jié)約網(wǎng)絡(luò)總成本32.2%，證明了再設(shè)計方案對于當(dāng)前快遞公司的實際應(yīng)用價值。復(fù)現(xiàn)的VNS算法與本文提出的GSA 算法分別都能夠收斂到與傳統(tǒng)軸輻式網(wǎng)絡(luò)與改進軸輻式網(wǎng)絡(luò)最優(yōu)解非常接近的結(jié)果，其中GSA 算法的差距可以保持小于5%，5 d 平均差距為3.8%，在實際使用中基本可以代替最優(yōu)解。兩種模型使用求解器進行求解的時間相當(dāng)，但在保證解質(zhì)量的前提下，GSA 算法對混合軸輻式網(wǎng)絡(luò)求解時間的改進更加明顯，可以保證每天運輸路徑計算的效率，不影響快遞網(wǎng)點的正常運轉(zhuǎn)。
為了進一步探究各參數(shù)值變化對網(wǎng)絡(luò)總成本的影響關(guān)系，分別對單位運輸成本cd、單位轉(zhuǎn)運成本ct+ch、卡車載重上限P進行靈敏度分析，以VNS算法和GSA 算法計算得到的結(jié)果作為傳統(tǒng)軸輻式網(wǎng)絡(luò)和混合軸輻式網(wǎng)絡(luò)的網(wǎng)絡(luò)總成本，5 d 平均網(wǎng)絡(luò)總成本與各參數(shù)變化關(guān)系如圖7 所示。
圖7 5 d 平均網(wǎng)絡(luò)總成本的靈敏度分析Figure 7 Sensitivity analysis of the average cost in 5 days
圖7 (a) 和7 (b) 分別顯示了平均網(wǎng)絡(luò)總成本隨單位運輸成本和單位轉(zhuǎn)運成本變化的結(jié)果，單位運輸成本從1 元/km 增至2.5 元/km，單位轉(zhuǎn)運成本從0.05 元/kg 增至0.125 元/kg，兩種成本的增大都會導(dǎo)致兩種網(wǎng)絡(luò)總成本的增加，但混合軸輻式網(wǎng)絡(luò)再設(shè)計方案的成本總是低于傳統(tǒng)固定的軸輻式網(wǎng)絡(luò)，且隨著單位運輸成本和單位轉(zhuǎn)運成本的增大，兩者的差距也不斷拉大，再設(shè)計方案對單位運輸成本和單位轉(zhuǎn)運成本的魯棒性都優(yōu)于傳統(tǒng)軸輻式快遞網(wǎng)絡(luò)，在未來人力資源等因素帶來單位成本提高的情況下，混合軸輻式網(wǎng)絡(luò)再設(shè)計方案可以有效控制網(wǎng)絡(luò)總成本的增長速度。
圖7 (c) 顯示了平均網(wǎng)絡(luò)總成本隨卡車載重上限變化的結(jié)果，載重上限從500 kg 增至2 500 kg，不同容量的卡車的啟動成本也會不同，對總成本的影響較為復(fù)雜。實驗中隨著卡車載重上限的提高，兩種網(wǎng)絡(luò)的平均總成本均呈現(xiàn)先下降再上升的趨勢。傳統(tǒng)軸輻式網(wǎng)絡(luò)的拐點出現(xiàn)在載重1 500 kg，說明快遞公司可以通過換用更大載重的卡車在一定程度上降低運營成本。但在相同卡車容量下，混合軸輻式網(wǎng)絡(luò)的平均網(wǎng)絡(luò)總成本依然總是低于傳統(tǒng)軸輻式網(wǎng)絡(luò)，最優(yōu)方案即為當(dāng)前載重1 000 kg 的卡車。因此，快遞公司在當(dāng)前快遞需求量下，繼續(xù)使用載重1 000 kg 的卡車，并每天動態(tài)地進行混合軸輻式運輸路徑規(guī)劃，可以在最大程度上降低網(wǎng)絡(luò)總成本。
本文針對當(dāng)前快遞運輸需求的離散性和波動性特點，提出了基于混合軸輻式網(wǎng)絡(luò)的運輸路徑再設(shè)計模型，幫助快遞公司在當(dāng)前網(wǎng)點布局下動態(tài)地調(diào)整每天的快遞運輸路徑，并開發(fā)了求解模型的兩階段啟發(fā)式算法，得到的主要結(jié)論如下。
1) 混合軸輻式網(wǎng)絡(luò)較傳統(tǒng)軸輻式網(wǎng)絡(luò)可以大幅降低快遞運輸總成本，并在未來對單位運輸成本和單位轉(zhuǎn)運成本的變化有更高的魯棒性。
2) 本文提出的改進遺傳-退火算法可以在短時間內(nèi)得到混合軸輻式網(wǎng)絡(luò)較好的近似解，可以快速有效地幫助快遞公司進行運輸路徑再設(shè)計。
3) 若實驗算例中電商快遞需求量保持穩(wěn)定，繼續(xù)沿用載重1 000kg 的卡車是進行混合軸輻式運輸路徑再設(shè)計的最優(yōu)選擇。
除此之外，本文的研究也尚有一些不足，實際應(yīng)用中轉(zhuǎn)運中心的動態(tài)變化并不單單影響運輸成本和轉(zhuǎn)運成本，人力資源等難以量化的因素在優(yōu)化過程中也需要考慮在內(nèi)，這將是今后研究的一個方向。
猜你喜歡 總成本網(wǎng)點卡車 快遞網(wǎng)點進村 村民有活兒干有錢賺今日農(nóng)業(yè)(2022年16期)2022-09-222020年中國棉花種植成本調(diào)查中國纖檢(2021年3期)2021-11-23于細(xì)微之處見柔版網(wǎng)點的“真面目”印刷工業(yè)(2020年4期)2020-10-27數(shù)據(jù)驅(qū)動下的庫存優(yōu)化模型研究山東工業(yè)技術(shù)(2019年13期)2019-05-30忙碌的卡車小學(xué)生必讀(低年級版)(2018年9期)2018-12-13IIHS強調(diào):卡車側(cè)防鉆撞保護很有必要產(chǎn)品可靠性報告(2017年6期)2017-09-05線性盈虧平衡分析在TBM隧洞工程中的應(yīng)用中國科技縱橫(2017年14期)2017-08-17忙碌的卡車兒童故事畫報(2017年4期)2017-05-26關(guān)于煤化工生產(chǎn)企業(yè)成本管控的思考中國經(jīng)貿(mào)(2017年7期)2017-05-02優(yōu)化內(nèi)部勞動組合 釋放網(wǎng)點營銷潛能現(xiàn)代金融(2016年7期)2016-12-01