姜方桃 高亞靜 張翀 蔣浩洋 楊乃裕

摘要：優(yōu)化運輸路線是冷鏈運輸企業(yè)提高競爭力的重要保障。該文對冷鏈物流現(xiàn)狀進行了分析，以F公司為例，運用蟻群算法并借助MATLAB迭代計算，對F公司在南京區(qū)域的配送點進行分析，從而對生鮮物流配送的“最后一公里”問題進行優(yōu)化。

關(guān)鍵詞：冷鏈運輸;路徑優(yōu)化;蟻群算法

中圖分類號：TP3? ? ? ? 文獻標(biāo)識碼：A

文章編號：1009-3044（2021）11-0251-04

疫情的突然爆發(fā)，線下購買生鮮食品難度加大，使得人們更愿意選擇線上購買生鮮食品，猛然增加的生鮮食品需求量對于冷鏈運輸行業(yè)是個嚴(yán)峻的考驗，但也促進了冷鏈物流配送的發(fā)展。與電子商務(wù)領(lǐng)域的突飛猛進相比， 物流配送尤其是冷鏈物流配送能力一直呈現(xiàn)出無法匹配的尷尬局面。

1 冷鏈物流運輸現(xiàn)狀分析

1.1 行業(yè)冷鏈運輸現(xiàn)況

1.1.1 冷鏈運輸行業(yè)概況

消費觀念的轉(zhuǎn)變讓人們對于日常飲食的需求也更加趨向多元化。而科技的水平的提升與冷鏈物流行業(yè)的興起，導(dǎo)致了人們可以不再局限于當(dāng)季或當(dāng)?shù)氐娘嬍?。疫情的爆發(fā)也使得原先習(xí)慣于線下購物的人們，不得不嘗試通過冷鏈運輸?shù)姆绞饺〉檬卟怂壬r產(chǎn)品。反季節(jié)跨地區(qū)食品的市場份額和銷售范圍的增長，使之對于冷鏈物流的要求逐步提升。圖1為2012-2019年國內(nèi)生鮮電商市場交易規(guī)模。

據(jù)有關(guān)資料顯示，目前中國生鮮類食品大部分都是采用常溫運輸，例如肉類常溫運輸占比約為85%，水產(chǎn)品約為77%，蔬菜類約為95%，如圖2所示，但因此而造成的浪費也十分嚴(yán)重，水果腐爛每年將近一千二百萬噸，蔬菜腐爛每年將近一億三千萬噸。由此可見我國冷鏈運輸規(guī)模的擴大刻不容緩，但冷鏈物流從儲藏到運輸，對整個運輸途徑的冷鏈環(huán)境都有著極高的要求。常溫物流運輸對比冷鏈物流運輸要簡單許多，甚至可以說二者是不同的物流運輸模式，冷鏈物流運輸需要投入成本大約是常溫物流運輸成本的2～3倍。如何才起點開始對全路徑進行優(yōu)化，控制并提升倉儲的效益，降低成本是冷鏈物流企業(yè)所關(guān)注的。

1.1.2 冷鏈運輸路線規(guī)劃

發(fā)達國家的冷鏈物流公路運輸占比約為總冷鏈物流運輸量的60%-80%。而我國冷鏈物流公路運輸量僅占總冷鏈運輸?shù)?5%，公路環(huán)境的不完善是阻礙我國冷鏈物流發(fā)展的原因之一，幸運的是建設(shè)高速公路和高等級公路已經(jīng)被國家作為發(fā)展戰(zhàn)略之一。

本文以降低冷鏈物流運輸成本， 提升冷藏食品食用新鮮度為目標(biāo)。以配送車運輸為研究對象， 構(gòu)建模型對路徑進行分析， 并以最短路徑為目標(biāo)構(gòu)造函數(shù)，得到冷鏈運輸途徑在南京市范圍內(nèi)配送路徑網(wǎng)絡(luò)優(yōu)化路線圖。

1.1.3 冷鏈運輸存在問題

（1）冷鏈基礎(chǔ)設(shè)施不足、冷藏設(shè)施功能定位落后

中國制冷產(chǎn)業(yè)聯(lián)盟在2019年對我國1832家擁有冷藏倉庫的企業(yè)進行調(diào)研，得出我國冷藏倉庫總倉儲量約為四千六百萬噸，較之年上漲超過五倍，預(yù)計明年將超過冷藏倉庫儲量將超過六千萬噸。但卻存在兩個問題：其一為冷藏產(chǎn)品的產(chǎn)地冷藏倉庫儲量不足，冷鏈基礎(chǔ)設(shè)施不足，標(biāo)準(zhǔn)化水平低。其二為部分城市冷藏倉存在盲目建設(shè)現(xiàn)象，倉庫儲量遠(yuǎn)大于市場需求。相關(guān)數(shù)據(jù)顯示：截至2018年10月底全國范圍內(nèi)共有超過兩百萬噸冷藏倉庫儲量無法出租[2]。

（2）尚未形成專業(yè)化分工

我國大多數(shù)冷鏈物流企業(yè)為追求全鏈路一站式服務(wù)，往往將包裝、配送、加工、儲存等一系列服務(wù)全部包攬，不僅加大了前期的投入成不，并且由于企業(yè)專業(yè)化程度不高，不僅某些環(huán)節(jié)上無法滿足冷鏈技術(shù)要求，還有可能造成運力浪費。

（3）冷鏈物流運輸損失高

據(jù)有關(guān)報道，我國因食品腐爛所帶來的損失高達七百億元，其中大部分因為運輸和儲藏不當(dāng)所導(dǎo)致的。一個合理且有效的運輸決策，不僅可以降低產(chǎn)品腐爛風(fēng)險，減少運輸貨損，還有可能增加顧客留存度。

（4）冷鏈物流基礎(chǔ)設(shè)施是落后

冷鏈運輸?shù)年P(guān)鍵就在于冷藏車和冷庫等基礎(chǔ)設(shè)施。歐洲冷藏車占貨車比例的3%，美國為1%，中國僅0.3%，極易因為某環(huán)節(jié)缺少冷鏈基礎(chǔ)設(shè)施而出現(xiàn)“斷鏈”現(xiàn)象，一旦貨物中出現(xiàn)產(chǎn)品腐爛，很快就會導(dǎo)致整車的交叉污染，造成產(chǎn)品浪費。冷鏈物流基礎(chǔ)設(shè)施嚴(yán)重落后，必然會阻礙我國冷鏈物流的發(fā)展。

（5）冷鏈物流行業(yè)平均利潤率較低

據(jù)中物聯(lián)集團統(tǒng)計， 我國冷鏈物流行業(yè)的利潤率僅約百分之三到四， 并且還有下降的趨勢。有些冷鏈物流企業(yè)為了擴大市場份額不惜主動讓利換取客源，在提價后又會造成市場份額大量流失，必須尋找新的利潤點來提升利潤率。

1.2 F公司冷鏈運輸現(xiàn)況

1.2.1 F公司冷鏈運輸概況

從2013年9月，F(xiàn)公司開始籌備冷鏈倉儲、冷藏車等冷鏈物流基礎(chǔ)設(shè)施，補充自身在冷鏈物流方面的短板，全面化自身物流服務(wù)業(yè)務(wù)，形成物流全業(yè)務(wù)覆蓋。 而后，F(xiàn)公司將冷鏈物流業(yè)務(wù)獨立為F冷運公司，此時F公司冷鏈物流業(yè)務(wù)正式健全，F(xiàn)冷運結(jié)合并利用了F公司現(xiàn)有的電商、物流、倉儲和客戶資源，為客戶提供冷鏈物流的包裝、配送、倉儲、加工、銷售等一系列服務(wù)。

1.2.2 F公司冷鏈運輸軟硬件設(shè)施

冷藏倉庫：擁有冷藏倉庫25個，庫存面積190000平方米。

運輸線路：設(shè)置有59條冷鏈運輸線路，服務(wù)華中、華南、華北、東北、華西等35個重點城市、264個區(qū)縣。

冷藏車：擁有專業(yè)冷藏車476輛，一萬多輛外包冷藏車，所有冷藏車都具有冷鏈可視化監(jiān)控裝置。

1.2.3 F公司冷鏈運輸路徑

F冷運為客戶提供冷藏車跨區(qū)域運輸服務(wù)，滿足客戶需求的情況下進行整車專運，制定點對點或點對多的運輸方式，對單個地址或多個地址的運輸需求進行直達式運輸。

1.2.4 F公司冷鏈運輸存在問題

（1）前期投入成本過高且營收占比不及其他熱門業(yè)務(wù)（圖3），面臨盈利壓力。

（2）F冷運目前可運輸城市過少，全國可運輸?shù)某鞘袃H有54個。

（3）F優(yōu)選的運輸業(yè)務(wù)不足滿足F冷運的業(yè)務(wù)發(fā)展需求。

2 選用模型

2.1 問題描述

據(jù)中物冷鏈委和中央產(chǎn)業(yè)研究院整理的數(shù)據(jù)顯示，在前年我國冷鏈物流市場規(guī)模為2885.8億元，去年比前年增長了505.2億元達到3391億元，中商產(chǎn)業(yè)研究院預(yù)測今年冷鏈行業(yè)市場規(guī)模將繼續(xù)擴大突破4000億元[3]。專業(yè)的冷鏈配送整體成本達到普通成本的三至五倍需要更高的技術(shù)資金投入，為降低運作成本，F(xiàn)公司將采用規(guī)?；\作。在整個供應(yīng)鏈中配送占有舉足輕重的地位，為降低物流成本，本文將采用蟻群算法對其配送業(yè)務(wù)中配送車輛的路徑選擇進行優(yōu)化。為使模型更加突出，本文作出以下假設(shè)：（1）每個配送點的配送任務(wù)由單個配送車輛一次即可完成;（2）每輛車從配送中心出發(fā)，完成所有配送任務(wù)后，返回初始位置即配送中心;（3）在同一配送路徑上，所有門店的總需求量不能超過單輛車額定載重量;（4）客戶的總需求不超過配送中心的總庫存。

2.2 模型介紹

蟻群算法是一種模擬種群進化算法，它是一種隨機搜索來尋找一定條件下最優(yōu)路徑的算法。蟻群算法自從被提出以后，就被學(xué)者們廣為研究，該算法具有很強適應(yīng)性，相比之前的算法，啟發(fā)式算法存在明顯優(yōu)勢在搜索效率和時間復(fù)雜度方面。螞蟻依賴同類散發(fā)在周圍環(huán)境中的信息素（一種易揮發(fā)可累加的化學(xué)物質(zhì)）來決定其移動軌跡，根據(jù)信息素的濃度大小指引自己移動的方向，最終尋找最優(yōu)路徑。每只螞蟻在行走過程中都會釋放一定量的信息素，該信息素的濃度會隨著時間的推移而降低，路程越遠(yuǎn)，該路徑上信息素濃度越低，而螞蟻在選擇道路時，該道路上信息素濃度越高，這條道路的可能性就越大。

2.2.1 數(shù)學(xué)模型

對本文中的參數(shù)作如下說明：配送車輛集合K={1，2，3，...，m}，客戶的集合A={2，3，...，n}，配送中心表示為1。V={1，2，3，...，n}表示客戶點及配送中心的集合。

定義變量：

約束條件：

[i=2nxi1k=j=2nx1jk=1，?k∈K]? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

[k=1mi=2nxi1k=k=1mj=2nx1jk=m]? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

[i=1nxijk=yjk，j∈A，j≠i，?k∈K]? ? ? ? ? ? ? ? ? ? ? ? ?（3）

[j=2nxijk=yik，i∈A，i≠j，?k∈K]? ? ? ? ? ? ? ? ? ? ? ? ? （4）

說明：式（1）表示配送車輛起始地和最終目的地相同，均為配送中心;式（2）表示此次任務(wù)中所需的配送車輛總數(shù)量;式（3）（4）表示每一個客戶只能被一輛配送車輛訪問，且只訪問一次[4]。

2.2.2 函數(shù)表達

設(shè)用城市i表示螞蟻現(xiàn)在所在城市，城市i與城市j之間的信息素濃度用τij表示，螞蟻從城市i移動到城市j的期望程度用ηij表示，那么下面為在時刻t螞蟻k從城市i轉(zhuǎn)移到城市j的概率。

[pkij（t）=ταijtηβij（t）u∈allowedkταiutηβiu（t），? j∈allowedk0，? 其他]

式中，記錄螞蟻當(dāng)前走過的所有城市的集合為tabuk（k=1，2，3，…，m），隨著時間推移和螞蟻路徑的不斷變化集合tabuk不斷做出調(diào)整;螞蟻k接下來將走過城市的集合為allowedk=（k=1，2，3，…，n）-tabuk;螞蟻選擇路徑時的信息素濃度的作用為α;螞蟻在選擇路徑時選擇公式中兩點間可見度在其中所起作用的大小為β[5]。

經(jīng)過n個時刻，螞蟻可走完所有的城市，完成一個循環(huán)。此時各個路徑上的信息量做出以下調(diào)整：

[τijt+1=1-ρτijt+?τij]

其中，隨時間的推移信息素[τij]（t）衰減的程度為[ρ]，[ρ∈（0，1）];信息素增量為[ ?τij]，[?τij=k=1m?τkij ]，[?τkij]為螞蟻k在本次循環(huán)中在位置[i～]j留下的信息量。

[?τkij=QLk， 若螞蟻經(jīng)過節(jié)點i～j0，? 否]

式中，Q為信息素更新參數(shù)，[Lk]為每個螞蟻經(jīng)過的路徑長度。

2.2.3 算法流程

如圖4，1）參數(shù)初始化;2）m只螞蟻被分布在n個城市;3）對所有螞蟻置初始城市到禁忌表（tabuk）;4）當(dāng)?shù)螖?shù)等于最大次數(shù)時，輸出結(jié)果，否則，就返回步驟;5）計算螞蟻下一步轉(zhuǎn)移的城市j;6）將城市j加入禁忌表;7）若螞蟻遍歷所有城市，則更新最近路徑，清空禁忌表NC=NC+1[6]。

2.3 案例分析

本文以F物流公司在南京的配送為例，該公司有17個配送點（2、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18）和一個配送中心1，一輛配送車輛從1出發(fā)，依次經(jīng)過所有配送點且不重復(fù)經(jīng)過，當(dāng)遍歷過所有配送點后返回初始出發(fā)點（配送中心）。配送中心的經(jīng)緯度坐標(biāo)為（經(jīng)度118.760，緯度32.068），經(jīng)過網(wǎng)上查詢資料和多次試驗，現(xiàn)假設(shè)參數(shù)螞蟻數(shù)量m=50，信息素重要程度因子beat=5，啟發(fā)函數(shù)重要程度因子rho=0.1，信息素?fù)]發(fā)因子Q=1。

經(jīng)MATLA R2017軟件對該案例進行蟻群算法路徑優(yōu)化，配送點及配送中心的坐標(biāo)如表1所示。

其迭代的最終結(jié)果路線圖如圖5所示，最短路徑與平均路徑比較如圖6所示，得出最短路徑為的具體線路如下：1à14à11à9à17à2à8à3à15à10à12à6à7à4à5à18à16à13à1，由經(jīng)緯度換算公式，得出在北緯32度的平均換算比例為1：10千米，結(jié)合算法結(jié)果可得，最短距離為4.415千米，各代平均距離為5.2千米平均節(jié)省0.785千米。

3 總結(jié)

本文基于冷鏈運輸行業(yè)的大背景，深入探究了F公司在冷鏈運輸發(fā)展過程中存在的問題，通過建立基于蟻群算法的冷鏈物流運輸路徑優(yōu)化模型，借助MATLAB迭代計算出該公司在區(qū)域配送的最佳優(yōu)化路徑。希望通過優(yōu)化路徑，降低運輸成本，進一步完善“最后一公里”配送問題，對于其他公司的配送系統(tǒng)優(yōu)化提供參考方向。

參考文獻：

[1] 中華人民共和國國家統(tǒng)計局.2016年國民經(jīng)濟和社會發(fā)展統(tǒng)計公報[EB/OL].http：//www.stats.gov.cn/tjsj/zxfb./201702/t20170228-1467424.html.

[2] 崔忠付.2018年中國冷鏈物流回顧與2019年趨勢展望[J].物流技術(shù)與應(yīng)用，2019，24（S1）：14-16.

[3] 中投顧問：中國地攤經(jīng)濟數(shù)據(jù)分析_新浪財經(jīng)_新浪網(wǎng)[N/OL].http：//finance.sina.com.cn/roll/2020-06-19/doc-iir.

[4] 陳志，江治杰，劉瑤.基于改進蟻群算法的不同路段低碳物流路徑優(yōu)化研究[J].生態(tài)經(jīng)濟，2019，35（12）：53-59，66.

[5] 陸琳.不確定信息車輛路徑問題及其算法研究[D].南京：南京航空航天大學(xué)，2007.

[6] 原丕業(yè)，張明，王岐昌，等.基于蟻群算法的送餐最短路徑問題求解研究[J].中國儲運，2019（11）：127-129.

【通聯(lián)編輯：代影】