低碳约束下冷链物流配送共享仓选址多目标优化方法_张楠.pdf

收稿日期:2022-08-05基金项目:陕西省教育科学“十四五”规划 2021 年度课题新文科背景下应用型民办高校经管类学生创新创业能力培育路径研究(SGH21Y0473)作者简介:张楠(1988-),女,陕西渭南人,硕士,讲师。低碳约束下冷链物流配送共享仓选址多目标优化方法张 楠(西安财经大学行知学院,西安 710038)摘 要:针对当前冷链物流配送中心选址模型存在选址不合理、选址过程复杂,导致资源浪费和经济成本增加的问题,提出在低碳约束下,构建一个基于低碳约束冷链物流配送共享仓中心选址和路径优化模型,在粒子群算法的基础上,分别加入免疫算法和粒子群算法,得到改进免疫粒子群算法和混合粒子群算法,通过这两种算法分别实现共享仓中心选址求解快速寻优和多目标优化,以提升模型的路径优化能力和鲁棒性。实验结果表明,提出的方法改进免疫粒子群算法可在不同约束条件下实现冷链物流配送共享仓快速选址,且选择位置寻优求解速度提升;同时通过混合粒子群算法可实现物流路径优化,规避路径缺陷,从而提升路径优化能力,实现多目标优化路径的准确选址。关键词:低碳约束;冷链物流;选址模型;免疫粒子群算法;遗传算法 中图分类号:TP392 文献标识码:A DOI 编码:10.14016/ki.1001-9227.2023.01.057Multi-target optimization method of cold chain logistics distribution shared warehouse location under low-carbon constraintZHANG Nan(Xingzhi College of Xian University of Finance and Economics,Xian 710038,China)Abstract:In view of the current cold chain logistics distribution center location model is unreasonable,location process is complex,resource waste and economic cost increase,build a low carbon constraint,based on low carbon constraints cold chain logistics distribution sharing warehouse center site selection and path optimization model,on the basis of improved parti-cle swarm algorithm,add immune algorithm and particle swarm algorithm,improve immune particle swarm algorithm and mixed particle swarm algorithm,through the two algorithms sharing warehouse center location solution fast optimization and multi-target optimization,to improve the path optimization ability and robustness of the model.The experimental results show that the proposed method can realize the rapid location of cold chain logistics distribution under different constraints,and real-ize the logistics path optimization,avoid path defects,improve the path optimization ability and realize the accurate site selec-tion of multi-objective optimization path.Key words:low-carbon constraints;cold chain logistics;site selection model;immune particle swarm algorithm;genet-ic algorithm0 引言近年来,随着计算机技术的飞速提升,我国物流行业逐渐得到发展。其中,冷链物流配送逐渐成为海鲜、时蔬等食品物资的主要运输方式,此配送方式为人们的生活提供了极大的便利。然而,当前存在的冷链物流配送多采用汽车配送方式,此运输形式产生了大量的碳排放,对当前严峻的气候问题产生了极大的威胁,违背了我国低碳环保、绿色健康的节能策略。同时,由于传统的冷链物流配送存在物流配送中心选址不准确、选址效率低,导致物流配送效率低、增加了物流配送成本和碳排放的问题,不利于冷链物流配送在物流行业的发展。因此,如何降低物流配送的碳排放,实现冷链物流多目标优化和快速合理科学选址,提升冷链物流的低碳配送效率,是当前物流行业亟待解决的问题,对冷链物流配送共享仓快速选址对降低碳排放具有重要的意义。林殿盛等为实现物流配送中心选址需求不确定下的情况,提出了基于双种群灰狼优化算法,通过该算法对物流配送的多条路径进行优化处理,从而快速找出最佳路径,以实现低碳物流配送中心快速准确选址1;王勇等针对当前多条物流配送中心选址问题,提出了基于 K-means 聚类方法,其利用该算法对物流配送的中心位置进行聚类,实现了中心选址优化2;王凯成等以 Y 药品集团物流配送诶研究对象,提出了基于 AHP 和 TOPSIS相结合的方法,通过构建物流配送优化模型,提升了物流配送中心选址合理性和科学性3。以上学者的研究75自动化与仪器仪表2023 年第 1 期(总第 279 期)虽然取得了一定的研究成果。但仍然无法有效解决当前物流配送中心数量过多、物流配送布局和重复存储和配送的问题。究其原因,主要是由于物流配送层级划分不明确、无法实现共享资源,统筹管理能力和路径优化求解效率较低,分布不合理增加运输距离和运输时间,从而增加了碳排放。为解决以上问题,以冷链物流配送共享仓为研究对象,构建一个基于低碳约束的冷链物流配送共享仓路径优化模型,利用改进免疫粒子群算法和混合粒子群算法实现中心选址和多目标路径寻优,以降低碳排放和总成本,提高物流配送效率。1 粒子群算法粒子群算法(Particle Swarm Optimization,PSO)是一种智能型的优化算法,其基本原理即在某一空间中选出最佳粒子,根据每个粒子的适应度值对粒子位置进行准确评估,从而更好地进行位置调整和变化。若 D 维解集空间中的粒子群中含有 N 个粒子,第 i个粒子可表示为 Xi=xi1,xi2,xiD()T;粒子速度和粒子经过的最佳位置分别表示为 Vi=vi1,vi2,viD()T和 Pi=pi1,pi2,piD()T,粒子种群经过的最佳位置可表示为Gi=Gi1,Gi2,GiD()T 4。由此得到粒子群算法原理表达式为:Vk+1id=Vkid+c1r1Pkid-Xkid()+c2r2Pkgd-Xkid()(1)Xk+1id=Xkid+Vk+1id,k=1,2,N;d=1,2,D(2)上式中,表示惯性权重系数,即更新后的速度受原速度的影响程度;max和 min分别表示惯性权重系数的最大值和最小值,通常取值为 0.40.9 区间内。r1、r2为均匀分布的随机数,取值区间为(0,1);c1、c2均表示学习因子5。为提升粒子群算法的寻优能力,将对粒子群优化算法进行改进,即加入非线性惯性权重。非线性惯性权重系数的更新方程可表示为:=max-min()kmax-kkmaxh+min(3)式(3)中,kmax表示最大迭代次数。为避免粒子在种群中盲目 搜 索,将 粒 子 位 置 和 速 度 变 化 控 制 在-Xmax,d,Xmax,d和-Vmax,d,Vmax,d区间内。2物流配送共享仓中心选址和路径优化模型2.1 模型构建2.1.1 物流配送共享仓中心选址模型冷链物流配送中心通常分为一级和二级两种形式,二级物流配送中心比一级配送中心的配送点更多,配送辐射范围针对性和仓储能力更强,更适用于冷链物流共享仓配送需求6。因此,选择二级物流配送中心物流网络结构,整体结构如图 1 所示。图 1 二级配送中心辐射范围其中,由于二级配送中心的特性,其可有效降低配送时间和配送距离,提升配送速度和配送效率,从而进一步减少碳排放量。低碳约束的冷链物流配送中心选址模型的物流成本主要包括物资运输成本、物资存储管理成本和时间惩罚成本,选址模型主要包括无政策低碳、碳限额、碳税约束三种类型7。2.1.2 基于低碳约束的冷链物流配送路径优化模型 针对冷链物流配送共享仓的路径优化问题,考虑到二级配送中心到需求点的运输成本、时间惩罚成本和碳排放成本,将构建基于低碳约束的冷链物流配送共享仓路径优化模型。(1)物资运输成本T1=mj=1sk=1gjzjkdjkQjk(4)式(4)中,T1表示物资运输成本;m 和 s 表示为备选二级配送中心和物资需求点的个数8;表示运输配送率;Qjk表示物资需求点对二级配送中心的需求量;djk表示二级配送中心 j 与物资需求点 k 之间的距离;gj表示为 0-1 决策变量,备选点是否作为二级配送中心;zjk表示二级配送中心 j 是否可为物资需求点 k 进行配送7。(2)时间惩罚成本若服务时间窗口设置为 Ta,Tb,服务时间在此范围内则说明客户对此服务满意;反之则说明客户对此服务不满意。由此可得到时间惩罚成本可表示为:T2=mj=1sk=1PTdjkv()zjkQjk=mj=1zjkQjk1max Ta-djkv,0()+2maxdjkv-Tb,0()()(5)公式(5)中,T2表示时间惩罚成本;1、2分别为服务时间提前和延迟的惩罚费率;v 表示冷链物资配送汽车的平均速度;Ta、Tb 分别为服务时间窗口最大值和最小值。(3)碳排放成本碳排放成本随着碳排放量的增加而逐渐增加,可通过碳排放单价乘以碳排放量计算出碳排放成本。具体计算式可表示为:T3=l mj=1sk=1gjzjkdjkQjk()(6)式(6)中,T3表示碳排放成本;l表示碳排放单价;表85低碳约束下冷链物流配送共享仓选址多目标优化方法 张 楠示运输汽车的 CO2排放量系数9。(4)目标函数基于以上冷链配送的物资运输成本、时间惩罚成本和碳排放成本,将目标函数设置为配送的最小总成本。并构建一个冷链物流配送中心配送共享仓路径数学优化模型,具体表达式为:T=T1+T2+T3=mj=1sk=1gjzjkdjkQjk+mj=1sk=1zjkQjk1max Ta-djkv,0()+2maxdjkv-Tb,0()()+al mj=1sk=1gjzjkdjkQjk()(7)2.2 配送中心选址传统冷链物流配送模型在配送中心选址方面存在复杂化和非线性的多目标规划问题,其会影响冷链物流配送的选址精度和寻优速度,无法获得最优路径。基于此,提出在改进粒子群算法的基础上,通过免疫算法和遗传算法对其进行优化10。通过这两种算法分别进行冷链物流配送中心选址求解和多目标路径优化,以实现冷链物流配送中心的快速选址和最优路径选择。2.2.1 改进免疫粒子群算法PSO 算法在寻优过程中的操作简单,虽然可在种群中快速找到目标函数的最优解,但随着目标函数越来越复杂,解集范围不断的增加,传统的 PSO 算法则极易陷入局部最优,无法实现全局最优。为解决此问题,提出在 PSO 算法基础上,加入全局寻优效果较高的免疫算法,该算法收敛速度快,不易陷入局部极值,可有效解决PSO 算法的问题11。将免疫算法中的选择、交叉和变异操作加入至 PSO算法中,得到改进免疫粒子