基于ArcGIS的多温区冷藏车辆路径优化

来源：网络 时间：2022-03-19

　　0 引 言

　　冷链物流行业在政策利好和需求旺盛的双重驱动下发展势头迅猛，未来前景广阔，作为第三利润源已引起广泛关注[1]。在消费转型升级的今天，生鲜农产品电子商务的不断崛起给冷链物流带来了新的生命力，冷链物流行业进入了新的发展阶段。然而，冷链物流配送成本居高不下是阻碍冷链物流企业发展的短板，也是行业内亟待解决的问题之一[2]。

　　在多种冷链物流配送方式中，应用最广泛、最成功的配送模式就是共同配送[3]。共同配送多以第三方物流企业或大型集团企业自营物流為主体，将区域内的配送任务进行整合，共享区域内的配送设施和设备，完成区域内企业的配送任务。车辆路径问题最早由DANTZIG等[4]于1959年提出，是网络优化问题中最基本的问题之一。TAS等[5]在目标函数中考虑惩罚成本，并以软时间窗为约束进行配送路径优化。AMORIM等[6]考虑生鲜农产品的易腐性，以配送成本最小化和生鲜程度最大化为目标建立了配送车辆路径规划模型，使得模型更贴合实际。李明泽[7]在城市农产品配送路径优化研究中，在模型中考虑了交通拥堵系数，使路径优化与实时路况紧密结合。陶荣[8]和董冬艳[9]均考虑了生鲜农产品的易腐性，以腐败特性函数来衡量货损。黄星星等[10]在碳税和碳限两种规则下，以物流总成本最低为目标优化生鲜农产品冷链配送路径，但配送模式仍然为单温区冷藏车配送。

　　综上，以往的研究存在以下不足：一是

　　缺乏用理论模型探究

　　多温共配模式在应对小批量、多品种以及配送成本居高不下等问题时是否能够发挥显著优势;二是鲜有结合真实路网对配送路径进行最短路径规划和真实运距计算的研究。针对以上不足，本文针对配送中心向超市门店或大型餐饮店配送货物的物流服务，在多温共配模式的基础上，以多温区冷藏车为主体建立理论优化模型，运用MATLAB求解最优路径，借助ArcGIS实现基于真实路网的最短路径规划，旨在为冷链物流行业探寻发展方向，为冷链物流配送方案的制定提供重要思路和技术支持。为适应冷链市场实际情况，本文选取多温区冷藏车为研究对象。多温区冷藏车分别以-10 ℃、4℃、25 ℃划分冷冻区、冷藏区和常温区，由制冷机提供所需温度。

　　1 模型建立

　　在冷链物流实际作业中，配送中心向超市门店或大型餐饮店配送的货物往往种类繁多，各种货物所需要的温度不尽相同，单温区冷藏车难以满足当前生鲜农产品消费需求“小批量、多品种”的特点。因此，本文在多温共配模式的基础上，建立特定的数学模型，分温区进行成本分析，综合考虑固定成本、可变成本、货损成本和制冷成本，以多温区冷藏车总成本最低为目标进行路径优化。

　　1.1 模型描述、假设及数学符号定义

　　研究由一个配送中心向多个超市门店或大型餐饮店配送常温品、冷藏品和冷冻品的问题。以多温区冷藏车为运输工具。配送中心和各需求点的地理位置已知，各需求点接受一辆车提供的一次服务，各车辆最后返回配送中心，同时每辆车及其各温区有容积限制。 　　为保证冷藏区和冷冻区温度达标，冷藏区、冷冻区温度一旦分别高于4 ℃、-10 ℃，制冷机就开始制冷，从而产生制冷成本;在配送中心装卸货物所花费的时间不计;所有车辆的容积相同并已知;配送车辆均匀速行驶。

　　2 遗传算法

　　2.1 编码与解码

　　采用自然数编码规则，将车辆路径上的各客户节点当作染色体中的基因，路径上的客户节点集合就可以转化为染色体串。编码时生成1～n的无重复自然数表示客户点，将其随机排列作为车辆遍历节点的顺序，即为一条初始染色体。此方法将每条路径上的最后一个客户与下一条路径上的第一个客户连接在一起，中间没有其他分隔。解码时车辆从配送中心出发，寻找第i个节点，使车辆各温区装载货物体积不超过其容积限制。若在第i+1个节点车辆容量约束不能被满足，则该车辆所服务的客户为该条染色体串中第1个至第i个基因代表的客户。下一辆车从第i+1个节点开始遍历，以此类推，直至遍历完所有的节点。

　　2.2 生成初始种群

　　遗传算法是从可能的问题解组成的种群中开始搜索，生成一个由若干个体组成的初始种群作为进化起点和遗传操作的对象。种群规模将影响遗传算法性能，规模过小将出现样本不充分从而导致结果非优;种群规模过大将出现收敛速度过慢、容易陷入局部最优等现象并大大增加求解的复杂程度。

　　在编码过程中，将n个自然数随机排列生成1×n的染色体，将这个过程重复m次，得到规模为m×n的种群。本文取m=80，即对编码过程中随机生成染色体的操作重复80次，形成80条染色体组成初始种群。

　　2.3 遗传操作

　　在循环交叉运算的基础上对交叉运算进行改进，设计循环交叉算子，即找出父代两个个体中的一条循环后，父代A循环位置上的客户复制给后代1，父代B循环位置上的客户复制给后代2;父代A非循环位置上的客户随机排列在后代2的剩余位置上，父代B非循环位置上的客户随机排列在后代1的剩余位置上。变异操作则是随机选取父代中的两个基因，调换其位置。交叉概率在0.50至0.85间取值为优，本文交叉概率取0.80。一般而言，变异概率比较小，取0.01。

　　2.4 适应度函数

　　3.2 基于ArcGIS的最短路径规划

　　借助ArcGIS实现基于真实路网的最短路径规划并计算实际运距，具体操作过程如下：在ArcGIS中加载福州市区路网图（北京54坐标系），对路网图进行拓扑中的打断相交线操作，建立网络数据集;根据道路功能，将步行街、栈道等非车行道路剔除;计算各条路的长度;加载节点投影坐标，在“加载位置”操作中对各节点进行编号，将配送中心编号为0。特别说明，由于某些节点没有直接落在路网中的某条路上或由于基础数据中该区域路网数据不清晰，路网未覆盖到某些节点，因此在计算前先对这些节点做近邻分析，将其定位到与之垂直距离最短的真实道路上。本文计算出的行程均是基于真实路网的最短距离。

　　4 结 论

　　考虑将冷藏车分成常温区、冷藏区、冷冻区进行多温共配能有效满足冷链物流“小批量、多品种”的特点，本文以多温共配模式为基础构建数学模型，分多温区进行成本分析，用MATLAB对模型进行求解，利用ArcGIS为车辆规划真实的最短路径并计算车辆行驶路程。结果表明，采用多温共配模式能大大降低物流成本、缩短车辆行驶路程。在本文算例中，多温共配模式较之传统冷链配送模式减少了2

　　辆车的调度，降低了34.1%的成本。同時，配送车辆的基于真实路网的实际行驶路程仅为优化前的45.9%，避免了传统的专车专送导致的行程重复。第三方冷链物流企业配置多温区冷藏车相比于配置单温区冷藏车能产生更高的经济效益。