林明錦，王建新，王 超

(1.重慶大學(xué) 機(jī)械與運(yùn)載工程學(xué)院，重慶 400044；2.太原理工大學(xué) 經(jīng)濟(jì)管理學(xué)院，山西 太原 030002；3.北京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，北京 100124)

0 引言

隨著經(jīng)濟(jì)的全球化、移動(dòng)互聯(lián)網(wǎng)技術(shù)的日趨成熟以及物流基礎(chǔ)設(shè)施的完善，以集群式供應(yīng)鏈為支撐的集成制造模式得以快速發(fā)展。在企業(yè)層面，由于受不同制造中心(以下簡稱客戶)主生產(chǎn)計(jì)劃的制約、市場需求波動(dòng)導(dǎo)致產(chǎn)量變更等不確定因素的影響，各級(jí)供應(yīng)商不僅需要按照主生產(chǎn)計(jì)劃將客戶所需的零部件按時(shí)配送給客戶，還要盡可能地動(dòng)態(tài)調(diào)整配送計(jì)劃以滿足客戶的動(dòng)態(tài)不確定需求，以提升市場響應(yīng)能力，這使得各大供應(yīng)商求解面向客戶動(dòng)態(tài)需求的帶時(shí)間窗的車輛路徑問題(Vehicle Routing Problem with Time Windows, VRPTW)變得愈加復(fù)雜[1]。傳統(tǒng)制造業(yè)的供應(yīng)商更多關(guān)注如何在滿足時(shí)間要求并遍歷有限客戶的約束下尋找起止于配送中心的最短車輛路徑，現(xiàn)代供應(yīng)商為快速響應(yīng)客戶動(dòng)態(tài)需求，開始傾向于在能夠輻射客戶的區(qū)域建立快速響應(yīng)客戶的中轉(zhuǎn)站。在政策方面，隨著北京、上海、廣州、重慶等地中重型貨車24/12小時(shí)限行相關(guān)政策試點(diǎn)的實(shí)施，跨省市長途運(yùn)輸?shù)拇笮拓涇囍苯訛榭蛻籼峁┧拓浄?wù)受到了嚴(yán)格限制，迫使供應(yīng)商選擇以中轉(zhuǎn)站為分界點(diǎn)，采用不同額定運(yùn)力的車輛滿足干線與支線零部件供應(yīng)的需求，進(jìn)一步催生了對(duì)考慮動(dòng)態(tài)度和時(shí)間窗的兩級(jí)車輛路徑問題(Two-Echelon Vehicle Routing Problem with Time Window considering Dynamic Degree, 2E-VRPTWDD)的研究。

2E-VRPTWDD是兩級(jí)車輛路徑問題(Two-Echelon Vehicle Routing Problem, 2E-VRP)的進(jìn)一步擴(kuò)展，其中一級(jí)路徑為車輛從配送中心出發(fā)遍歷所有中轉(zhuǎn)站時(shí)形成的路徑，二級(jí)路徑為車輛由中轉(zhuǎn)站出發(fā)遍歷所有客戶時(shí)形成的路徑。在服務(wù)集成制造系統(tǒng)的物流運(yùn)輸中，2E-VRPTWDD指在制造單元時(shí)間和動(dòng)態(tài)需求約束下，將零部件從配送中心到客戶的配送過程劃分為兩級(jí)，一級(jí)配送網(wǎng)絡(luò)的節(jié)點(diǎn)要素包括配送中心和中轉(zhuǎn)站，二級(jí)配送網(wǎng)絡(luò)的節(jié)點(diǎn)要素包括中轉(zhuǎn)站和客戶。供應(yīng)商則通過兩級(jí)協(xié)調(diào)運(yùn)作，為客戶提供響應(yīng)市場波動(dòng)需求的零部件供應(yīng)服務(wù)。

針對(duì)2E-VRP，葛顯龍等[2]以兩級(jí)配送中車輛的總配送距離為目標(biāo)函數(shù)，構(gòu)建了基于場景動(dòng)態(tài)度的兩級(jí)配送網(wǎng)絡(luò)優(yōu)化模型，并采用禁忌搜索算法求解約束優(yōu)化模型，然而該模型并未考慮客戶對(duì)個(gè)性化時(shí)間窗的現(xiàn)實(shí)需求；YAN等[3]研究了冷鏈物流配送中兩級(jí)配送的中心選址問題，但在選址過程中未考客戶的動(dòng)態(tài)度；LIU等[4]研究了具有客戶需求更新的兩級(jí)物流供應(yīng)商批量訂購策略，所提需求更新策略對(duì)動(dòng)態(tài)車輛路徑問題的研究具有借鑒意義；MU等[5]構(gòu)建了帶有時(shí)間約束的階段性車輛路徑優(yōu)化模型。路徑優(yōu)化約束模型的求解方法分為以分支界定法[6]、動(dòng)態(tài)規(guī)劃法[7]為主的精確式求解方法，以及以模擬退火算法[8]、遺傳算法[9]等為代表的啟發(fā)式算法。為了在短時(shí)間內(nèi)獲得路徑優(yōu)化問題的近似最優(yōu)解，較多文獻(xiàn)采用啟發(fā)式算法求解車輛路徑問題約束優(yōu)化模型。例如，WEI等[8]采用模擬退火算法，具體求解過程為隨機(jī)生成初始解，判斷是否滿足約束條件，隨后隨機(jī)生成滿足約束條件的新解，并對(duì)比新解與舊解，根據(jù)模擬退火準(zhǔn)則判斷是否接受新解，直到達(dá)到設(shè)計(jì)好的終止條件，輸出算法的最好解；LI等[9]采用遺傳算法，與模擬退火算法的不同在于新解的生成規(guī)則以及解的接受規(guī)則，遺傳算法的新解主要通過交叉和變異產(chǎn)生，是否接受解則由適應(yīng)度函數(shù)決定。其他求解車輛路徑優(yōu)化約束模型的方法還包括離散布谷鳥算法[10]、蟻群算法[11]、粒子群優(yōu)化算法[12]、迭代變鄰域下降算法[13]等。針對(duì)多目標(biāo)優(yōu)化的建模問題，KAROONSOONTAWONG等[14]構(gòu)建了用于求解VRPTW的層次多目標(biāo)模型(hierarchical multi-objective formulation)，ZHANG等[15]構(gòu)建了兩級(jí)優(yōu)化模型，VINCENT等[16]構(gòu)建了字典序優(yōu)化模型。這3種多目標(biāo)優(yōu)化模型均在數(shù)學(xué)模型中設(shè)置了多個(gè)目標(biāo)函數(shù)，不同在于求解規(guī)則，層次多目標(biāo)模型是通過算法求解多目標(biāo)問題，即先對(duì)主目標(biāo)進(jìn)行優(yōu)化，再在主目標(biāo)非劣化的情況下對(duì)次目標(biāo)進(jìn)行優(yōu)化[14]；兩級(jí)優(yōu)化模型是將最小化的目標(biāo)函數(shù)作為約束嵌入約束條件[15]；字典序優(yōu)化模型則是通過在滿足第1個(gè)目標(biāo)的可行解范圍內(nèi)尋找滿足第2個(gè)目標(biāo)的最佳可行解，在滿足第2個(gè)目標(biāo)的可行解范圍內(nèi)尋找滿足第3個(gè)目標(biāo)的最佳可行解，依次類推，最終找到滿足多目標(biāo)的可行解[16]。

綜上可知，現(xiàn)有文獻(xiàn)針對(duì)2E-VRP，已從不同角度展開了深入研究并取得一定成果，然而鮮有文獻(xiàn)從考慮客戶動(dòng)態(tài)需求與時(shí)間要求的角度對(duì)2E-VRP進(jìn)行研究。另外，客戶的動(dòng)態(tài)度越大，對(duì)路徑優(yōu)化的挑戰(zhàn)性越高，然而少有文獻(xiàn)以動(dòng)態(tài)度為指標(biāo)對(duì)2E-VRP進(jìn)行差異優(yōu)化，以盡可能滿足客戶需求動(dòng)態(tài)化與時(shí)間個(gè)性化的要求。因此，本文在借鑒現(xiàn)有2E-VRP研究成果基礎(chǔ)上，設(shè)計(jì)了基于動(dòng)態(tài)需求獲取準(zhǔn)則及滿足客戶動(dòng)態(tài)需求的差異策略，并將其融入所構(gòu)建的2E-VRPTWDD優(yōu)化模型，旨在為提升供應(yīng)商對(duì)客戶動(dòng)態(tài)需求的快速響應(yīng)力提供理論支撐。為提升求解2E-VRPTWDD的效率，對(duì)串行模擬退火算法的初始方案生成規(guī)則和鄰域搜索策略進(jìn)行了改進(jìn)，并借鑒現(xiàn)有并行算法思想設(shè)計(jì)了改進(jìn)的并行模擬退火算法，最后以H公司為案例對(duì)所設(shè)計(jì)的方法進(jìn)行了驗(yàn)證。

1 問題描述及數(shù)學(xué)模型

1.1 問題描述

所求解的2E-VRPTWDD(如圖1)中，在任意靜態(tài)時(shí)間段內(nèi)均包括2E-VRP網(wǎng)絡(luò)優(yōu)化。一級(jí)路徑中主要優(yōu)化由配送中心和中轉(zhuǎn)站組成的帶時(shí)間約束的有向連通子網(wǎng)絡(luò)，二級(jí)路徑中主要優(yōu)化由中轉(zhuǎn)站和客戶組成的帶時(shí)間窗約束的有向連通子網(wǎng)絡(luò)。其中，動(dòng)態(tài)度指在車輛執(zhí)行配送任務(wù)過程中動(dòng)態(tài)客戶與所有客戶的比例。由于車輛在執(zhí)行任務(wù)過程中可能出現(xiàn)動(dòng)態(tài)客戶，而動(dòng)態(tài)度會(huì)隨時(shí)間的增加而增加，車輛須做出是否響應(yīng)動(dòng)態(tài)客戶的決策，在較小動(dòng)態(tài)度時(shí)響應(yīng)動(dòng)態(tài)客戶雖然能夠快速滿足客戶需求，但是配送成本亦隨之增加；在較大動(dòng)態(tài)度時(shí)響應(yīng)動(dòng)態(tài)客戶，雖然能夠降低配送成本，但是不能快速滿足客戶需求。

2E-VRPTWDD可被描述為兩個(gè)相關(guān)的有向連通網(wǎng)絡(luò)圖中邊的選擇問題?；炯僭O(shè)為：由于中重型車輛在城市中行駛受限，在不同級(jí)配送網(wǎng)絡(luò)中采用不同類型車輛，在同一級(jí)配送網(wǎng)絡(luò)中采用相同類型車輛；如果可供調(diào)度的車輛到達(dá)中轉(zhuǎn)站/客戶的時(shí)間早于中轉(zhuǎn)站/客戶的最早時(shí)間窗，則需在中轉(zhuǎn)站/客戶處等待，但車輛的到達(dá)時(shí)間不能晚于中轉(zhuǎn)站/客戶要求的最晚時(shí)間窗；一級(jí)配送網(wǎng)絡(luò)的送達(dá)時(shí)間窗應(yīng)滿足二級(jí)配送網(wǎng)絡(luò)中客戶的時(shí)間窗要求；二級(jí)配送網(wǎng)絡(luò)中存在動(dòng)態(tài)客戶與靜態(tài)客戶。其中，靜態(tài)客戶指在[Ti,Ti+1]周期內(nèi)需求量保持不變的客戶，動(dòng)態(tài)客戶包括在配送過程中新增的客戶和原有客戶新增需求衍生的新客戶。因此，求解問題為在考慮動(dòng)態(tài)度的情形下，使不同級(jí)車輛行駛和使用成本最小化。約束條件為：每個(gè)中轉(zhuǎn)站/客戶均能在一個(gè)配送周期內(nèi)被唯一車輛服務(wù)一次，每輛車只服務(wù)起訖于配送中心/中轉(zhuǎn)站的一條路徑，且滿足車輛裝載能力、中轉(zhuǎn)站/客戶時(shí)間窗約束。

本文用到的數(shù)學(xué)符號(hào)及含義如下：

G1,G2為一、二級(jí)有向連通網(wǎng)絡(luò)圖,G1=(V1,E1),G2=(V2,E2)；

V1,V2為一、二級(jí)網(wǎng)絡(luò)圖的節(jié)點(diǎn),V1=V1_d∪V1_c,V2=V2_d∪V2_c；

V1_d，V2_d為一級(jí)網(wǎng)絡(luò)中的配送中心和二級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站；

V1_c，V2_c為一、二級(jí)網(wǎng)絡(luò)中服務(wù)的節(jié)點(diǎn)，其中一級(jí)網(wǎng)絡(luò)中服務(wù)的節(jié)點(diǎn)類型為中轉(zhuǎn)站，二級(jí)網(wǎng)絡(luò)中服務(wù)的節(jié)點(diǎn)類型為客戶；

N1,N2為一、二級(jí)網(wǎng)絡(luò)中所服務(wù)節(jié)點(diǎn)的數(shù)量；

E1，E2為一、二級(jí)網(wǎng)絡(luò)圖的邊，E1={(i,j)|i,j∈V1,i≠j}，E2={(i,j)|i,j∈V2,i≠j}；

c1,c2為一、二級(jí)車輛的單位行駛距離成本；

K1，K2為一、二級(jí)車輛的集合，K1={1,2,3,…,K1}，K2={1,2,3,…,K2}；

k為車輛編碼，k∈K1∪K2；

Q1_k(k∈K1)，Q2_k(k∈K2)為一、二級(jí)車輛k的額定裝載量；

q1_i(i∈V1_c)，q2_i(i∈V2_c)為一級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站及二級(jí)網(wǎng)絡(luò)中客戶的需求量；

[ET1_i,LT1_i]，[ET2_i,LT2_i]為服務(wù)一級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站及二級(jí)網(wǎng)絡(luò)中客戶的時(shí)間窗；

ΔT為緩沖時(shí)間；

TS1_i，TS2_i為服務(wù)一級(jí)網(wǎng)絡(luò)中的中轉(zhuǎn)站及二級(jí)網(wǎng)絡(luò)中客戶的時(shí)間；

dij為節(jié)點(diǎn)i,j之間的歐式距離；

tij為車輛通過節(jié)點(diǎn)i,j的行駛時(shí)間；

S為車輛路徑中所服務(wù)的不同類型的節(jié)點(diǎn)集合；

|S|為節(jié)點(diǎn)集合中節(jié)點(diǎn)數(shù)量的絕對(duì)值；

p2_i為客戶i的動(dòng)態(tài)需求增量概率；

σ2_i-min為客戶i在評(píng)估區(qū)間內(nèi)歷史需求量方差的最小值；

σ2_i-max為客戶i在評(píng)估區(qū)間內(nèi)歷史需求量方差的最大值；

Δd2_i為滿足客戶i動(dòng)態(tài)增量需求的補(bǔ)充量；

η為滿足動(dòng)態(tài)增量需求的調(diào)節(jié)參數(shù)；

paccept為啟用動(dòng)態(tài)需求配送概率閾值；

Dyn為動(dòng)態(tài)度；

Ti,Ti+1為周期時(shí)間刻度值；

Arrays.Sort為升序排序函數(shù)；

A為時(shí)間窗跨度相對(duì)距離權(quán)重值；

d1_oi，d2_oi為第一、二級(jí)節(jié)點(diǎn)i到配送中心之間的距離；

y1_ik(i∈V1_c,k∈K1)，y2_ik(i∈V2_c,k∈K2)為一、二級(jí)車輛開始服務(wù)節(jié)點(diǎn)的時(shí)間；

x1_ijk，x2_ijk為一、二級(jí)中的0-1決策變量，車輛從節(jié)點(diǎn)i直接行駛至節(jié)點(diǎn)j取值為1，否則為0；

1.2 模型構(gòu)建

(1)動(dòng)態(tài)需求獲取準(zhǔn)則

由于原有客戶的動(dòng)態(tài)需求增量與歷史波動(dòng)需求量之間存在一定的馬爾科夫相關(guān)性，葛顯龍等[2]根據(jù)這一特性，在解決客戶動(dòng)態(tài)需求配送問題時(shí)提出需求配額準(zhǔn)則。該準(zhǔn)則根據(jù)客戶的歷史需求水平推算當(dāng)前客戶的缺貨概率，并通過與既定的概率閾值比較確定是否為動(dòng)態(tài)需求增量補(bǔ)貨。然而，在確定補(bǔ)貨概率時(shí)，該文獻(xiàn)以歷史需求量方差和評(píng)估區(qū)間內(nèi)最小歷史方差的差值，與歷史方差最大波動(dòng)差值的比作為衡量指標(biāo)，并未指出歷史具體時(shí)刻的需求方差。為此，采用歷史均值對(duì)該準(zhǔn)則進(jìn)行改進(jìn)與完善，所設(shè)計(jì)的原有客戶動(dòng)態(tài)需求增量概率

(1)

p2_i越大表明該客戶在評(píng)估的歷史區(qū)間內(nèi)需求量波動(dòng)越大，潛在動(dòng)態(tài)需求增量概率亦越大。為避免根據(jù)概率函數(shù)無差別為所有客戶提供增量配送服務(wù)時(shí)對(duì)無增量需求客戶的干擾，引入客戶動(dòng)態(tài)增量需求滿足函數(shù)

(2)

基于客戶動(dòng)態(tài)增量需求滿足函數(shù)，將對(duì)有動(dòng)態(tài)增量的客戶提供歷史最大需求量與實(shí)際配送量的差額配送量；對(duì)無動(dòng)態(tài)增量需求的，則通過概率閾值直接取消(Ti+Ti+1)/2時(shí)刻的動(dòng)態(tài)配送優(yōu)化，以保障初始2E-VRPTWDD優(yōu)化車輛配送網(wǎng)絡(luò)的穩(wěn)定性。

(2)基于動(dòng)態(tài)度的配送策略

2E-VRPTWDD中的動(dòng)態(tài)度指在某一時(shí)間區(qū)間內(nèi)動(dòng)態(tài)客戶數(shù)量與所有客戶數(shù)量的比值，是制定滿足動(dòng)態(tài)客戶需求策略的重要依據(jù)。動(dòng)態(tài)度

(3)

由于客戶的動(dòng)態(tài)需求對(duì)配送網(wǎng)絡(luò)的敏捷性響應(yīng)提出了較高要求，為提升配送網(wǎng)絡(luò)優(yōu)化的穩(wěn)定性，基于動(dòng)態(tài)度高低制定兩種滿足動(dòng)態(tài)需求的配送策略。當(dāng)動(dòng)態(tài)度水平較低時(shí)，在[Ti,(Ti+Ti+1)/2]配送周期內(nèi)，采用配送網(wǎng)絡(luò)局部修復(fù)策略，以盡可能降低對(duì)現(xiàn)有配送網(wǎng)絡(luò)的破壞；當(dāng)動(dòng)態(tài)度較高時(shí)，則在(Ti+Ti+1)/2時(shí)刻啟動(dòng)全局更新策略，以滿足新增客戶和原有客戶新增的需求。其中，動(dòng)態(tài)度閾值決定是否啟動(dòng)新的車輛執(zhí)行配送任務(wù)。當(dāng)原有車輛裝載量能夠滿足新增動(dòng)態(tài)需求時(shí)，定義動(dòng)態(tài)度為較低水平，采用局部修復(fù)策略；當(dāng)原有車輛的裝載量不能滿足新增動(dòng)態(tài)需求時(shí)，定義動(dòng)態(tài)度為較高水平，采用全局更新策略。

(3)一級(jí)配送網(wǎng)絡(luò)時(shí)間窗約束準(zhǔn)則

一級(jí)配送網(wǎng)絡(luò)中所服務(wù)中轉(zhuǎn)站的時(shí)間與二級(jí)配送網(wǎng)絡(luò)中所服務(wù)客戶的時(shí)間之間存在相關(guān)性。因此，需基于中轉(zhuǎn)站所服務(wù)客戶群的最小最早開始時(shí)間與最大最晚開始時(shí)間確定中轉(zhuǎn)站的時(shí)間窗約束。各中轉(zhuǎn)站的時(shí)間窗約束

(ET1_i,LT1_i)=

(4)

式中：(ET1_i,LT1_i)為一級(jí)配送網(wǎng)絡(luò)中中轉(zhuǎn)站i的時(shí)間窗；ET2_iJ為二級(jí)配送網(wǎng)絡(luò)中中轉(zhuǎn)站i所服務(wù)的客戶群的最早開始時(shí)間窗，LT2_iJ為二級(jí)配送網(wǎng)絡(luò)中中轉(zhuǎn)站i所服務(wù)客戶群的最晚開始時(shí)間窗；ΔT為一級(jí)配送網(wǎng)絡(luò)時(shí)間窗與二級(jí)配送網(wǎng)絡(luò)時(shí)間窗約束存在實(shí)際意義的可連續(xù)的過渡性緩沖時(shí)間，用于保障配送車輛有足夠的時(shí)間在中轉(zhuǎn)站中轉(zhuǎn)零部件。

(4)數(shù)學(xué)模型

層次多目標(biāo)模型由一系列約束條件和多個(gè)目標(biāo)函數(shù)組成，其目標(biāo)是在滿足約束條件的情況下，盡可能使多個(gè)目標(biāo)均實(shí)現(xiàn)最小化或最大化[14]。本文參考文獻(xiàn)[17-18]構(gòu)建的時(shí)間依賴型車輛路徑問題(Time Dependent Vehicle Routing Problem, TDVRP)模型，構(gòu)建以車輛使用數(shù)量成本最小化為主要目標(biāo)函數(shù)，以車輛行駛距離成本最小化為次要目標(biāo)函數(shù)的層次多目標(biāo)模型。在求解過程中，優(yōu)先以主目標(biāo)進(jìn)行迭代更新求解，在主目標(biāo)函數(shù)值未得到優(yōu)化的情況下，再以次目標(biāo)進(jìn)行迭代更新求解，直至達(dá)到指定的終止條件后輸出最好解。本文構(gòu)建的層次多目標(biāo)模型如下：

1)目標(biāo)函數(shù)

(5)

(6)

2)約束條件

(7)

(8)

?i∈V1_c,?k∈K1；

(9)

?i∈V2_c,?k∈K2；

(10)

?i∈V1_c,?k∈K1；

(11)

?i∈V2_c,?k∈K2；

(12)

x1_ijk(y1_ik+TS1_i+tij)≤y1_jk,

?i∈V1_c,?j∈V1_c,?k∈K1；

(13)

x2_ijk(y2_ik+TS2_i+tij)≤y2_jk,

?i∈V2_c,?j∈V2_c,?k∈K2；

(14)

?S∈V1_c,?S≠?；

(15)

?S∈V2_c,?S≠?；

(16)

(17)

(18)

(19)

(20)

?h∈V1_c,?k∈K1；

(21)

?h∈V2_c,?k∈K2；

(22)

(23)

(24)

(25)

(26)

3)決策變量取值范圍

y1_ik∈R+,?i∈V1_c,?k∈K1；

(27)

y2_ik∈R+,?i∈V2_c,?k∈K2；

(28)

x1_ijk∈{0,1},

?i,j∈V1_c,i≠j,?k∈K1；

(29)

x2_ijk∈{0,1},

?i,j∈V2_c,i≠j,?k∈K2。

(30)

其中：式(5)和式(6)分別為主目標(biāo)函數(shù)和次目標(biāo)函數(shù)，主目標(biāo)函數(shù)為車輛使用成本最小化，次目標(biāo)函數(shù)為車輛行駛距離成本最小化；式(7)和式(8)限制車輛在兩級(jí)路徑中的實(shí)際裝載量不能超過額定裝載量；式(9)～式(12)約束每級(jí)車輛為客戶提供服務(wù)的時(shí)間必須在客戶要求的時(shí)間窗內(nèi)；式(13)和式(14)為車輛服務(wù)客戶的順序約束；式(15)和式(16)約束每級(jí)車輛行駛過程中不能形成子回路；式(17)～式(20)約束每級(jí)的每個(gè)客戶均得到唯一車輛的一次服務(wù)；式(21)和式(22)約束每級(jí)車輛服務(wù)完任意客戶后必須從該客戶所在位置離開；式(23)～式(26)約束每級(jí)所有車輛從送配送中心出發(fā)后必須返回配送中心；式(27)～式(30)為決策變量的取值范圍。

2 算法設(shè)計(jì)

因?yàn)橐肟蛻魟?dòng)態(tài)需求增加了求解2E-VRPTWDD的復(fù)雜度，所以在串行模擬退火算法的基礎(chǔ)上設(shè)計(jì)并行模擬退火算法以滿足動(dòng)態(tài)車輛路徑問題。當(dāng)動(dòng)態(tài)度較低時(shí)，直接用并行算法滿足修復(fù)性策略；當(dāng)動(dòng)態(tài)度較高時(shí)，在[Ti,(Ti+Ti+1)/2]時(shí)刻啟用全局更新策略對(duì)車輛路徑進(jìn)行全局更新。

2.1 基于時(shí)間窗精致度的初始方案生成規(guī)則

Solomon提出推進(jìn)插入啟發(fā)式算法求解經(jīng)典VRPTW[19]，并建立了著名的Solomon測試算例庫。該算法生成初始解的步驟為：選取插入成本最小的未分配路徑的客戶到當(dāng)前的可行路徑序列中，并判定插入后的路徑序列是否滿足車輛裝載能力和時(shí)間窗約束，滿足則繼續(xù)插入未分配路徑的客戶，直至超過車輛額定裝載約束為止，從而生成一條飽和可行路徑序列；依次重復(fù)上述步驟，直至所有客戶均被插入可行路徑序列為止，生成初始方案。在選擇潛在待插入客戶時(shí)，有基于距離準(zhǔn)則和基于時(shí)間準(zhǔn)則兩種選擇策略。SOLOMON[20]提出基于距離準(zhǔn)則策略，即優(yōu)先選擇距離物流配送中心較遠(yuǎn)的客戶作為潛在備選點(diǎn)；CZECH等[21]則提出基于時(shí)間準(zhǔn)則策略，即優(yōu)先選擇最早開始時(shí)間最小的客戶作為潛在備選點(diǎn)。本文結(jié)合文獻(xiàn)[17-18]提出的基于時(shí)間窗精致度策略確定潛在待插入客戶，潛在客戶排序函數(shù)

R(c1)=Arrays.Sort

(A×(LT1_i-ET1_i)-d1_oi)。

(31)

R(c2)=Arrays.Sort(A×

(LT2_i-ET2_i)-d2_oi)。

(32)

該式說明時(shí)間窗跨度越短、距離配送中心越遠(yuǎn)的客戶排名越靠前，越會(huì)被優(yōu)先考慮插入當(dāng)前路徑。

2.2 基于路徑內(nèi)外鄰域搜索策略

鄰域搜索指基于某種策略對(duì)原始路徑進(jìn)行變換產(chǎn)生新解的過程，按照涉及原始路徑條數(shù)可分為單條路徑內(nèi)部鄰域搜索(Or-opt和2-opt)和兩條路徑間的鄰域搜索(2-opt*和Swap/shift)。搜索策略規(guī)則如下：

(1)Or-opt 隨機(jī)選定一條可行路徑上連續(xù)的若干個(gè)客戶，對(duì)其在可行路徑上的位置進(jìn)行整體調(diào)整，從而產(chǎn)生新的可行路徑[22]。

(2)2-opt 隨機(jī)選取一條可行路徑上的兩個(gè)點(diǎn)，將第1個(gè)點(diǎn)之前的路徑不變生成第1條新的可行路徑；將第1個(gè)與第2個(gè)點(diǎn)之間的路徑倒序后，添加到第1條新的可行路徑中生成第2條新的可行路徑；將第2個(gè)點(diǎn)之后的路徑不變，添加到第2條新的可行路徑中生成第3條新的可行路徑；最終以目標(biāo)函數(shù)值為評(píng)價(jià)準(zhǔn)則，保留4條可行路徑中最優(yōu)的一條路徑作為當(dāng)前的最優(yōu)可行解[23]。

(3)2-opt*將兩條可行路徑上分別被某一節(jié)點(diǎn)切斷的滯后連續(xù)路徑段互換位置，產(chǎn)生兩條新的可行路徑[24]。

(4)Swap/shift 將兩條可行路徑的兩個(gè)節(jié)點(diǎn)互換或單向插入，產(chǎn)生兩條新的可行路徑[25]。

基于路徑內(nèi)外鄰域的4種搜索策略如圖2所示。在設(shè)計(jì)搜索策略過程中，這4種策略被選擇的概率均設(shè)定為1/4。具體實(shí)現(xiàn)過程為隨機(jī)產(chǎn)生一個(gè)[0，1]內(nèi)的隨機(jī)數(shù)，若該隨機(jī)數(shù)的取值落在[0，0.25)，則選擇Or-opt進(jìn)行鄰域搜索；若隨機(jī)數(shù)取值落在[0.75，1)，則選擇Swap/shift進(jìn)行鄰域搜索，更新當(dāng)前可行路徑。

2.3 并行模擬退火優(yōu)化設(shè)計(jì)

1983年，KIRKPATRICK等[26]為解決局部最優(yōu)解的問題提出模擬退火算法，算法核心思想是在1953年Metropolis提出Metropolis準(zhǔn)則的基礎(chǔ)上融合了退火過程。物體溫度越高，其內(nèi)部的分子和原子狀態(tài)越不穩(wěn)定，溫度越低，其內(nèi)部的分子和原子狀態(tài)越穩(wěn)定，模擬退火算法正是通過模擬這一過程來尋找原子狀態(tài)相對(duì)穩(wěn)定的局部最優(yōu)解。在退火過程中，通過Metropolis概率接受準(zhǔn)則來迫使算法跳出局部最優(yōu)解，進(jìn)而尋找全局最優(yōu)解，其策略為：在迭代過程中，如果系統(tǒng)整體能量梯度下降，則將狀態(tài)的轉(zhuǎn)移概率設(shè)定為1；如果迭代過程中系統(tǒng)整體能量梯度上升，則狀態(tài)轉(zhuǎn)移能否被接受取決于在[0，1]內(nèi)產(chǎn)生的隨機(jī)數(shù)，以及與能量和溫度相關(guān)的動(dòng)態(tài)概率大小的關(guān)系，如果小于該動(dòng)態(tài)概率，則這種狀態(tài)轉(zhuǎn)移被接受，否則被拒絕。這一過程有效地使算法迭代過程跳出局部最優(yōu)解，繼續(xù)迭代尋找下一個(gè)新的局部最優(yōu)解。隨著溫度的不斷下降以及上述迭代過程的不斷重復(fù)，會(huì)產(chǎn)生若干局部最優(yōu)解，最終通過適應(yīng)度函數(shù)值挑選出所有局部最優(yōu)解中的全局最好解。串行模擬退火算法的偽代碼如下：

Pseudo code of serial simulated annealing algorithm

1.Start

2.Set x=0 and T=m

3.Public static void main(create new(y(x)))

4.i=random.randint(0,len(y(x)-1))

5.j=random.randint(0,len(y(x)-1))

6.y(x)[i],y(x)[j]=y(x)[j],y(x)[i]

7.Return y(x)

8.While(T>T-min)

9.{ Cost savings=f(y(x+1))-f(y(x))

10. if(Cost savings≥0)

11. y(x+1)=y(x)

12. else

13.{ If(random(0,1)

14. y(x+1)=y(x) }

15.x=x+1

16.T=r*T }

17.End

18.Output optimal solution and related parameters

其中：f(x)為系統(tǒng)在x狀態(tài)下的目標(biāo)函數(shù)值；y(x)為系統(tǒng)在x時(shí)所處的狀態(tài)；y(x+1)為系統(tǒng)在x之后所處的狀態(tài)；r為溫度下降速度調(diào)節(jié)參數(shù)；T為系統(tǒng)整體的溫度值；T-min為算法終止的溫度下限值。模擬退火算法的求解質(zhì)量受初始溫度和降溫速率影響較大，高的初始溫度與緩慢的降溫速率有利于尋找到全局最好解，然而需要花費(fèi)大量的計(jì)算時(shí)間。為此，有學(xué)者將并行移動(dòng)、多馬爾科夫鏈融入模擬退火過程以實(shí)現(xiàn)算法的并行化計(jì)算[5]，其核心思想是將一條馬爾科夫鏈分裂為在一定時(shí)間、空間內(nèi)既能相互獨(dú)立生長又能彼此交互信息的多條馬爾科夫鏈。馬爾科夫的決策策略可分為同步和異步兩種策略，基于馬爾科夫異步策略的并行模擬退火算法，實(shí)際上是將計(jì)算均勻分布到不同的線程上，各個(gè)線程獨(dú)立運(yùn)行模擬退火算法，當(dāng)各線程運(yùn)行結(jié)束時(shí)，相互對(duì)比并選擇較優(yōu)的局部最優(yōu)解更替當(dāng)前階段的全局最好解?？紤]到求解效率與動(dòng)態(tài)度的關(guān)系，基于馬爾科夫同步策略所設(shè)計(jì)的用于求解2E-VRPTWDD的并行模擬退火算法流程如圖3所示。

在基于馬爾科夫同步策略的并行模擬退火算法中，嵌入向前插入啟發(fā)式(Push Forward Insertion Heuristic，PFIH)算法，在初始階段，由主線程向各個(gè)分線程傳輸一個(gè)基于時(shí)間窗精致度的初始解{x1,x2，…,xn}，隨后各個(gè)分線程開始獨(dú)立運(yùn)行一個(gè)以Metropolis接受準(zhǔn)則為主的過程，當(dāng)經(jīng)過一個(gè)固定的路徑尋優(yōu)周期后，各個(gè)分線程單向傳遞并比較彼此Metropolis接受準(zhǔn)則下得到的局部最好解{f(x1),f(x2),…,f(xn)}，選擇最小值作為分線程下一次迭代的初始解。各分線程運(yùn)行結(jié)束后，將彼此得到的局部最好解傳遞到主線程，按照接近最優(yōu)解的程度重置各初始解{x1,x2,…,xn}，并將其循環(huán)輸入各個(gè)分線程，以實(shí)現(xiàn)并行運(yùn)算。其中，所設(shè)計(jì)的并行模擬退火算法偽代碼如下：

Pseudo code of parallel simulated annealing algorithm

1.Set T=m and r=r0

2.Generate initial solution{x1,x2,…,xi} based on PFIH

3.Send {x1,x2,…,xi} to thread {p1,p2,…,pi}

4.For 1:pi

5.Public static void main (create new(y(x)))

6.Char a=random. randint (0,1)

7.Switch (a)

8. Case '0.00≤a<0.25'

9. System.out.printIn (initial solution xi+1based on Or-opt strategy)

10. Break;

11.Case '0.25≤a<0.50'

12. System.out.printIn (initial solution xi+1based on 2-opt strategy)

13. Break;…;

14. Return y(xi+1)

15.While(T>T-min)

16.{ Cost savings=f(y(xi+1))-f(y(xi))

17. If (Cost savings≥0)

18. y(xi+1)=y(xi)

19. else

20.{ If (random (0,1)

21. y(xi+1)=y(xi) }

22.xi=xi+1

23.T=r*T }

24.End

25.System.out.printIn (Update initial solution{x1,x2,…,xi})

26.Choose min{f(y(x1),f(y(x2),…,f(y(xi)} as the current optimal solution

27.If go=false and stop, else continue;

28.Send update {x1,x2,…,xi} to thread{p1,p2,…,pi}…

29.End loop

30.Output optimal solution and related parameters

3 算法性能測試

PERBOLI等[27]研究了2E-VRP，并公布用于對(duì)該問題進(jìn)行測試的set2～set5不同系列的基準(zhǔn)數(shù)據(jù)(https://www.univie.ac.at/prolog/research/TwoEVRP)。

然而，在PERBOLI研究的2E-VRP中，每個(gè)中轉(zhuǎn)站可以跨區(qū)域?yàn)樗锌蛻籼峁┡渌头?wù)且沒有時(shí)間窗約束。在實(shí)際運(yùn)營中，考慮到配送員對(duì)區(qū)域的熟悉度，以及對(duì)不確定事件的處理能力，企業(yè)主管通常會(huì)安排最佳配送員負(fù)責(zé)固定區(qū)域內(nèi)的配送。因此，不采用PERBOLI給出的2E-VRP數(shù)據(jù)作為測試基準(zhǔn)數(shù)據(jù)。另外，本文研究的2E-VRPTWDD屬于兩個(gè)帶時(shí)間窗的車輛路徑聯(lián)合優(yōu)化問題，但目前還沒有相關(guān)的測試算例。

因此，選取SOLOMON[20]在1987年給出的帶時(shí)間窗的車輛路徑R，C，RC系列測試數(shù)據(jù)，作為進(jìn)一步驗(yàn)證所設(shè)計(jì)模型和算法的基準(zhǔn)數(shù)據(jù)，數(shù)據(jù)下載網(wǎng)址為http://web.cba.neu.edu/～msolomon/。R系列包括R101～R112，且每個(gè)測試集的100個(gè)客戶與一個(gè)配送中心呈現(xiàn)隨機(jī)特征，分布在100×100的坐標(biāo)系內(nèi)；C系列包括C101～C109，且每個(gè)測試集的100個(gè)客戶與一個(gè)配送中心呈現(xiàn)聚類特征，隨機(jī)分布在100×100的坐標(biāo)系內(nèi)；RC系列包括RC101～RC108，且每個(gè)測試集的100個(gè)客戶與一個(gè)配送中心呈現(xiàn)聚類與隨機(jī)混合特征，分布在100×100的坐標(biāo)系內(nèi)。測試環(huán)境參數(shù)為MacBook Air 13.3 Core i5，1.8 GHz CPU雙核，8 G內(nèi)存，128 G SSD；Windows 10 64 bit；Java JDK-8u251編程環(huán)境。算法基本參數(shù)包括并行線程數(shù)量為6，連續(xù)未能找到相對(duì)局部改進(jìn)解的算法終止次數(shù)為10，溫度下降系數(shù)為0.8，溫度與成本比例系數(shù)為1；選擇R101，R105，C101，C105，RC101，C105作為對(duì)比實(shí)例。計(jì)算結(jié)果與當(dāng)前已知最好解及文獻(xiàn)[28]的計(jì)算結(jié)果對(duì)比如表1所示。

表1 與已知最好解及文獻(xiàn)[28]優(yōu)化結(jié)果的對(duì)比

由表1可知，本文設(shè)計(jì)的并行模擬退火算法在尋優(yōu)能力上，明顯整體優(yōu)于文獻(xiàn)[28]設(shè)計(jì)的分散搜索算法。所求的R105最好解相比已知最好解的優(yōu)化率達(dá)到1.31%，使用的車輛數(shù)由Solomon給出的已知最好解的14輛降低到13輛。所求的R105的最優(yōu)路徑所需的13輛車的行駛路徑分別為：1 48 37 20 9 85 18 61 90 1；1 60 93 99 100 88 58 44 97 1；1 34 66 72 10 82 4 69 55 25 81 1；1 64 63 12 65 50 47 49 1；1 22 74 76 42 23 75 59 1；1 73 40 24 68 57 5 56 26 1；1 53 83 8 91 11 51 2 1；1 96 15 45 39 87 92 101 94 1；1 32 89 19 7 95 1；1 29 13 30 80 79 35 36 78 1；1 43 16 3 41 54 27 1；1 28 70 77 31 52 21 67 33 71 1；1 6 84 46 62 17 86 38 98 14 1。其中，采用并行模擬退火算法優(yōu)化過程中，主目標(biāo)函數(shù)和次目標(biāo)函數(shù)的迭代收斂圖如圖4所示。結(jié)果表明，所設(shè)計(jì)的算法能夠較快地收斂到相對(duì)較優(yōu)解，較好地滿足VRPTW優(yōu)化的需要。

為進(jìn)一步測試算法的穩(wěn)定性，在相同的參數(shù)配置下，對(duì)R101,R105,C101,C105,RC101,RC105分別測試10次，結(jié)果如圖5所示。

圖5為運(yùn)行10次的結(jié)果，在10次測試過程中，R101的最大值為1 746.37，最小值為1 646.73，平均值為1 689.69，而已知最好解為1 645.79，相對(duì)已知最好解的平均誤差率為2.67%。R105的最大值為1 469.01，最小值為1 359.32，平均值為1 407.76，而已知最好解為1 377.11，相對(duì)已知最好解的平均誤差率為2.23%。6個(gè)測試集中相對(duì)已知最好解的平均誤差率最大為C105(4.85%)，最小為RC105(0.95%)?？偠灾?，本文算法均能找到相比已知最好解較好的解，由于啟發(fā)式算法的局限性導(dǎo)致每次求解結(jié)果均有一定波動(dòng)，而10次測試的相對(duì)平均誤差率均控制在5%的可接受范圍內(nèi)，且在10次內(nèi)基本能夠求得與已知最好解接近甚至更優(yōu)的解，說明所設(shè)計(jì)的算法具有一定的穩(wěn)定性，能夠用于求解2E-DVRPTWDD。

為分析Or-opt，2-opt，2-opt*，Swap/shift 4種鄰域操作算子對(duì)算法改進(jìn)的效果，在不同組合下，分別對(duì)算法運(yùn)行10次，結(jié)果表明，融合Or-opt，2-opt，2-opt*，Swap/shift 4種鄰域操作算子能有效提升算法性能，主要原因在于不同的鄰域操作策略代表不同的新解生成規(guī)則，通過生成隨機(jī)數(shù)的方式隨機(jī)選擇4種鄰域策略時(shí)，能夠有效擴(kuò)大可行解的搜索范圍，有利于在搜索空間內(nèi)尋找到相對(duì)更好的解。相反，當(dāng)采用單一鄰域策略時(shí)，由于鄰域搜索操作規(guī)則的一致性，容易導(dǎo)致算法陷入局部最優(yōu)解，不利于在更大的空間范圍內(nèi)搜索到相對(duì)更好的解。為進(jìn)一步探索并行數(shù)量對(duì)優(yōu)化結(jié)果的影響，通過采用控制變量法的方式設(shè)置不同的實(shí)驗(yàn)組，分別對(duì)其進(jìn)行測試實(shí)驗(yàn)，具體實(shí)驗(yàn)組的設(shè)置規(guī)則為：在其他參數(shù)保持不變的情況下(τ=10，σ=1.0，γ=1.0，β=0.7，δ=1.8)，將并行線程數(shù)量分別設(shè)置為1，8，10，15，分別對(duì)應(yīng)A，B，C，D 4個(gè)相互對(duì)照的實(shí)驗(yàn)組，每個(gè)實(shí)驗(yàn)組單獨(dú)運(yùn)行10次，統(tǒng)計(jì)每次運(yùn)行所得的車輛行駛距離成本和車輛使用數(shù)量成本。

就實(shí)例R101的求解結(jié)果而言，10次測試均能找到優(yōu)于或與已知最好解接近的解，R101已知最好解中的車輛行駛距離成本為1 645.79，車輛使用成本為19；所找到的最好解中的車輛行駛距離成本為1 624.15，相比已知最好解的優(yōu)化率為1.31%；車輛使用數(shù)量成本為18，相比已知最好解的優(yōu)化率為5.26%。在4組實(shí)驗(yàn)組中，性能表現(xiàn)最好的是D組，10次測試的車輛行駛距離成本平均值為1 679.72，車輛使用數(shù)量成本為18。表明隨著并行線程數(shù)量的增加，算法的表現(xiàn)性能趨于良好。不同線程數(shù)對(duì)優(yōu)化迭代過程的影響如圖6所示，圖中橫坐標(biāo)表示算法外層迭代步長，縱坐標(biāo)表示車輛的行駛距離成本。

圖6反映了在不同線程參數(shù)設(shè)置下，不同測試實(shí)驗(yàn)中的迭代收斂過程。在不同的并行線程設(shè)置下，起始位置均相同，表明初始解的生成只與初始解的構(gòu)造規(guī)則有關(guān)，與并行線程數(shù)量多少無關(guān)。在求解R101時(shí)，初始解中的車輛行駛距離成本均為3 458.79，車輛使用數(shù)量成本均為48。在10次鄰域內(nèi)搜索不到更優(yōu)解便終止算法的條件設(shè)置下，4組實(shí)驗(yàn)的解趨于穩(wěn)定的平均迭代步長分別為11.6，10.6，9.2，9.8，表明并行數(shù)量對(duì)算法達(dá)到穩(wěn)定狀態(tài)的速度有一定影響，當(dāng)并行數(shù)為10時(shí)，平均迭代步長最小，為9.2步。然而，隨著并行數(shù)量的增加，算法達(dá)到穩(wěn)定狀態(tài)的耗時(shí)也會(huì)增加，從而增加了尋得相對(duì)最優(yōu)解的時(shí)間成本，這是因?yàn)椴⑿芯€程數(shù)量會(huì)占用更多內(nèi)存，并進(jìn)行更多的內(nèi)部循環(huán)迭代。當(dāng)并行線程設(shè)置為1時(shí)，平均耗時(shí)為90 s左右，而當(dāng)并行線程數(shù)量設(shè)置為15時(shí)，平均耗時(shí)為300 s左右。接下來，以Perboli給出的2E-VRP中的2eVRP_200-10-3實(shí)例為基準(zhǔn)數(shù)據(jù)，對(duì)比分析連續(xù)兩級(jí)網(wǎng)絡(luò)優(yōu)化和兩個(gè)子網(wǎng)絡(luò)優(yōu)化的結(jié)果，如圖7所示，該實(shí)例包括200個(gè)客戶和10個(gè)中轉(zhuǎn)站。

其中，圖7a為采用連續(xù)2E-VRP優(yōu)化方法得到的優(yōu)化結(jié)果，車輛行駛距離成本為2 142.36，在一級(jí)配送網(wǎng)絡(luò)中共需4輛車執(zhí)行配送任務(wù)，在二級(jí)配送網(wǎng)絡(luò)中共需52輛車執(zhí)行配送任務(wù)。圖7b為兩個(gè)子網(wǎng)絡(luò)的優(yōu)化結(jié)果，即首先根據(jù)配送員對(duì)區(qū)域的熟悉度對(duì)200個(gè)節(jié)點(diǎn)進(jìn)行聚類，以確定中轉(zhuǎn)站的位置，構(gòu)建由配送中心和中轉(zhuǎn)站節(jié)點(diǎn)組成的一級(jí)配送網(wǎng)絡(luò)；其次，構(gòu)建由各中轉(zhuǎn)站與客戶組成的二級(jí)配送網(wǎng)絡(luò)。優(yōu)化結(jié)果顯示，雖然采用連續(xù)2E-VRP優(yōu)化方法在車輛成本方面具有優(yōu)勢，但是由于在優(yōu)化過程中忽略了配送員對(duì)配送區(qū)域的熟悉度，導(dǎo)致出現(xiàn)跨區(qū)域配送，進(jìn)一步降低了配送效率；當(dāng)采用兩個(gè)子網(wǎng)絡(luò)的優(yōu)化方法時(shí)，雖然車輛行駛距離成本略高于連續(xù)2E-VRP結(jié)果，但是能夠滿足配送員對(duì)配送區(qū)域熟悉度的要求。因此，將連續(xù)2E-VRP優(yōu)化問題轉(zhuǎn)換為兩個(gè)VRP的優(yōu)化問題，在提升配送效率方面具有現(xiàn)實(shí)意義。

4 案例研究

H公司作為一家服務(wù)于集成制造產(chǎn)業(yè)群的供應(yīng)商，為上百個(gè)不同的客戶提供各種零部件的供應(yīng)服務(wù)，各大客戶由于市場追加訂單、原有零部件供應(yīng)中途故障等不確定因素的影響，會(huì)不定時(shí)地向公司發(fā)出緊急供應(yīng)訂單需求以確保主生產(chǎn)線穩(wěn)定運(yùn)行。

現(xiàn)選取某一周期內(nèi)公司服務(wù)的100個(gè)靜態(tài)客戶和32個(gè)動(dòng)態(tài)客戶為案例進(jìn)行研究。鑒于可比較性，使用Solomon給出的C101中的100個(gè)客戶坐標(biāo)、需求、時(shí)間窗和服務(wù)時(shí)間數(shù)據(jù)表示公司服務(wù)的客戶，對(duì)比分析公司采用的新方法和原有方法的效果，10個(gè)二級(jí)配送中心和100個(gè)靜態(tài)客戶的地理分布與需求如表2所示。

表2 靜態(tài)客戶與所屬中轉(zhuǎn)站及配送中心信息

公司在確定中轉(zhuǎn)時(shí)，考慮到配送員對(duì)區(qū)域的熟悉度，會(huì)采用聚類方法確定一個(gè)能夠輻射固定區(qū)域客戶的中轉(zhuǎn)站。受中、重型車輛通行的限制，在一級(jí)配送網(wǎng)絡(luò)中使用核定裝載量為10 t的送貨車，在二級(jí)配送網(wǎng)絡(luò)中使用核定裝載量為2 t的卡車。在制定滿足動(dòng)態(tài)客戶的車輛行駛路徑優(yōu)化方案時(shí)，采用文獻(xiàn)[29]給出的動(dòng)態(tài)客戶滿足方法，即將完整的一個(gè)物流配送周期劃分為兩部分，在1/2周期時(shí)刻啟動(dòng)滿足客戶動(dòng)態(tài)需求的配送策略，以滿足前半周期內(nèi)的新增客戶和新增需求量。執(zhí)行物流配送任務(wù)過程中的基本參數(shù)如表3所示。

表3 執(zhí)行物流配送任務(wù)過程中的基本參數(shù)

根據(jù)新增概率和接受動(dòng)態(tài)新增概率閾值規(guī)則確定在[Ti,(Ti+Ti+1)/2]區(qū)間內(nèi)服務(wù)的5個(gè)動(dòng)態(tài)客戶和未被服務(wù)的靜態(tài)客戶。在[Ti,(Ti+Ti+1)/2]時(shí)期內(nèi)新增客戶的數(shù)據(jù)如表4所示。

表4 在[Ti,(Ti+Ti+1)/2]時(shí)期新增的客戶數(shù)據(jù)

4.1 考慮動(dòng)態(tài)度和時(shí)間窗的兩級(jí)車輛路徑優(yōu)化

在初始化帶時(shí)間約束的2E-VRP優(yōu)化過程中，僅考慮對(duì)應(yīng)一個(gè)配送周期[Ti,Ti+1]的靜態(tài)客戶。采用所設(shè)計(jì)的模型和算法，得到的初始周期的最好2E-VRP路徑如圖8所示。

一級(jí)物流配送網(wǎng)絡(luò)中，共調(diào)用了兩輛額定裝載量為10 t的貨車為市區(qū)物流配送中心配送貨物，車輛1的配送路線為0→2→3→4→5→7→0，車輛2的配送路線為0→6→8→9→10→1→0。兩輛車的裝載率分別達(dá)到92%，89%，說明車輛的額定裝載量得到了較充分的利用，為車輛預(yù)留一定空間也符合實(shí)際情況。根據(jù)接受滿足動(dòng)態(tài)新增概率閾值為0.5可知1，2，3，7，8存在動(dòng)態(tài)客戶。假定新增客戶動(dòng)態(tài)度為0.5，原有客戶新增需求動(dòng)態(tài)度為0.2，則根據(jù)式(3)生成[Ti,(Ti+Ti+1)/2]內(nèi)的新增動(dòng)態(tài)客戶數(shù)量如表5所示。

表5 新增動(dòng)態(tài)客戶數(shù)量

在滿足新增動(dòng)態(tài)客戶需求階段，共服務(wù)5個(gè)中轉(zhuǎn)站的24個(gè)新增客戶和8個(gè)原有客戶追加需求變成的新客戶，新增動(dòng)態(tài)客戶用空心圓表示，在(Ti+Ti+1)/2時(shí)刻優(yōu)化得到的2E-VRPTWDD車輛路徑如圖9所示。

表6所示為2E-VRPTWDD配送模式下的裝載率、服務(wù)客戶數(shù)和路徑成本。在設(shè)定2E-VRP網(wǎng)絡(luò)中車輛額定裝載量不變的情況下，由于動(dòng)態(tài)度的約束關(guān)系，使得(Ti+Ti+1)/2時(shí)刻滿足動(dòng)態(tài)客戶的車輛裝載率明顯低于Ti時(shí)刻滿足靜態(tài)客戶車輛的裝載率，在一定程度上造成車載浪費(fèi)。因此，實(shí)際應(yīng)用場景中，在滿足動(dòng)態(tài)客戶需求時(shí)可考慮采用多車型配送模式，以減少車輛裝載的浪費(fèi)。

表6 2E-VRPTWDD配送模式下的裝載率及路徑對(duì)比

4.2 新舊方案對(duì)比及敏感性分析

受道路交通的限制，公司在原有送貨方案中使用額定裝載量為2 t的卡車為100個(gè)靜態(tài)客戶和32個(gè)動(dòng)態(tài)客戶提供零部件供應(yīng)服務(wù)。在一個(gè)配送周期[Ti,Ti+1]的起點(diǎn)，公司以行駛成本和車輛使用成本最小化為目標(biāo)，調(diào)用10輛車分別為100個(gè)客戶提供供貨服務(wù)，其車輛行駛成本為828.94 km。在(Ti+Ti+1)/2時(shí)刻調(diào)用5輛車為32個(gè)動(dòng)態(tài)客戶提供零部件供貨服務(wù)，其車輛行駛成本為445.47 km。公司原有的兩級(jí)車輛行駛路徑優(yōu)化如圖10所示。

表7所示為采用原有方案時(shí)的車輛裝載率和路徑成本。就總成本而言，所設(shè)計(jì)的2E-VRP路徑成本為1 222.79，略優(yōu)于H公司原有的1 274.41。原有配送方案中各路徑上的車輛裝載率與所設(shè)計(jì)的2E-VRPTWDD模式下各路徑車輛裝載率保持一致，這是因?yàn)檫@一過程中均使用裝載量為2 t的車輛為相同的客戶群提供服務(wù)，但就各路徑的車輛行駛成本而言，所設(shè)計(jì)的2E-VRPTWDD模式下的路徑成本均值要優(yōu)于原始方案。

表7 原有2E-VRP網(wǎng)絡(luò)裝載率及路徑對(duì)比

響應(yīng)并滿足客戶的需求時(shí)間是衡量供應(yīng)商運(yùn)營效率的重要指標(biāo)之一，下面從響應(yīng)時(shí)間的角度對(duì)新舊方案進(jìn)行對(duì)比分析。假設(shè)新舊方案中車輛的行駛速度均相同且均為單位行駛速度，車輛從配送中心駛出，服務(wù)完對(duì)應(yīng)的客戶再返回配送中心記為一個(gè)響應(yīng)滿足客戶時(shí)間，當(dāng)一級(jí)配送網(wǎng)絡(luò)中的10 t大貨車服務(wù)多個(gè)客戶群時(shí)，取其平均值作為響應(yīng)滿足各客戶的時(shí)間。新舊方案的響應(yīng)客戶時(shí)間如圖11所示。

由圖11可知，新方案的平均響應(yīng)時(shí)間略優(yōu)于舊方案，說明所設(shè)計(jì)的方法能夠較好地滿足動(dòng)態(tài)客戶的快速需求，進(jìn)一步表明所設(shè)計(jì)的方法能夠滿足供應(yīng)商對(duì)客戶動(dòng)態(tài)需求的響應(yīng)。另外，新方案響應(yīng)時(shí)間的波動(dòng)程度優(yōu)于舊方案，說明所設(shè)計(jì)的方法具有較強(qiáng)的穩(wěn)定性。本節(jié)將分析動(dòng)態(tài)度對(duì)車輛行駛距離成本和車輛使用數(shù)量成本的影響，將動(dòng)態(tài)度設(shè)置為由0開始，每次增加0.05個(gè)單位動(dòng)態(tài)度，直到1結(jié)束的20個(gè)梯度，每個(gè)梯度下運(yùn)行10次取最優(yōu)的距離和車輛成本作為最終成本，得到的距離和車輛成本隨動(dòng)態(tài)度變化的規(guī)律如圖12所示。

圖12顯示，距離和車輛成本總體隨動(dòng)態(tài)度的增加而增加，主要原因是當(dāng)客戶數(shù)量和需求量增加時(shí)，公司需要安排更多車輛為增量客戶提供配送服務(wù)，這一現(xiàn)象與實(shí)際情況相符。車輛使用成本隨動(dòng)態(tài)度的增加而呈現(xiàn)出階段性增加的特征，例如：動(dòng)態(tài)度在0.55～0.65之間的車輛使用成本均為6，在0.65～0.70之間的車輛使用成本均為7，即動(dòng)態(tài)度在一定范圍內(nèi)變化并不會(huì)增加車輛使用數(shù)量成本，進(jìn)一步表明所設(shè)計(jì)的方法具有良好的魯棒性，其原因是當(dāng)動(dòng)態(tài)客戶新增需求量在未超過現(xiàn)有車輛運(yùn)力時(shí)，現(xiàn)有車輛有能力為動(dòng)態(tài)客戶提供配送服務(wù)，而不需要重新啟動(dòng)新的車輛。因此，在局部動(dòng)態(tài)度變化過程中，動(dòng)態(tài)度與車輛數(shù)量使用成本無關(guān)。

5 結(jié)束語

在各大城市陸續(xù)實(shí)施中、重型貨車限行政策的背景下，2E-VRP受到重視，而在車輛執(zhí)行任務(wù)過程中，客戶存在動(dòng)態(tài)需求的不確定性，企業(yè)是否及時(shí)響應(yīng)客戶的動(dòng)態(tài)需求對(duì)于能否提升客戶滿意度和運(yùn)營效率非常重要。當(dāng)企業(yè)接受客戶的動(dòng)態(tài)需求變更后，原有車輛路徑方案可能難以滿足新客戶的訂單需求，因此制定合適的響應(yīng)客戶動(dòng)態(tài)需求的策略并及時(shí)更新車輛路徑，對(duì)企業(yè)的重要性不言而喻。為此，本文針對(duì)配送環(huán)節(jié)中客戶動(dòng)態(tài)需求的不確定性，以及配送時(shí)間個(gè)性化導(dǎo)致的動(dòng)態(tài)配送網(wǎng)絡(luò)響應(yīng)不及時(shí)等現(xiàn)實(shí)問題，設(shè)計(jì)基于客戶動(dòng)態(tài)增量概率閾值和動(dòng)態(tài)度響應(yīng)增量需求的優(yōu)化路徑更新策略，構(gòu)建了以車輛使用成本和距離成本最小化為主、次優(yōu)化目標(biāo)的2E-VRPTWDD數(shù)學(xué)模型，并設(shè)計(jì)了改進(jìn)的并行模擬退火算法，旨在為考慮動(dòng)態(tài)客戶需求的2E-VRP優(yōu)化提供方法與理論支撐。通過本文研究得到的結(jié)論如下：

(1)引入客戶動(dòng)態(tài)增量需求滿足函數(shù)和動(dòng)態(tài)度衡量指標(biāo)，能夠有效降低動(dòng)態(tài)配送網(wǎng)絡(luò)在空間與時(shí)間維度的求解復(fù)雜度。

(2)相比SOLOMON算例中R105的已知最好解，優(yōu)化率達(dá)到1.31%，說明所設(shè)計(jì)的并行模擬退火算法在求解質(zhì)量方面具有一定優(yōu)勢。

(3)通過對(duì)比分析新舊方案可知，2E-VRPTWDD模式下的車輛調(diào)度方案對(duì)提升供應(yīng)商響應(yīng)客戶需求速度有積極的作用。

(4)通過分析動(dòng)態(tài)度大小對(duì)優(yōu)化結(jié)果的敏感性可知，車輛調(diào)度方案在局部動(dòng)態(tài)度變化范圍內(nèi)具有較強(qiáng)的魯棒性，總之，車輛使用成本與距離成本隨著動(dòng)態(tài)度的增加而增加。

然而，車輛的裝載率在滿足客戶動(dòng)態(tài)增量需求配送階段普遍偏低，說明在無差異車輛配置的情況下存在車輛裝載浪費(fèi)，而現(xiàn)實(shí)中的物流配送企業(yè)通常配備無差異的車輛。因此，下一階段將對(duì)多種車型靈活組合的動(dòng)態(tài)配送問題展開研究，以進(jìn)一步探索多車型的最優(yōu)組合配送策略，為物流企業(yè)減少裝載浪費(fèi)提供科學(xué)的指導(dǎo)。