回纥,红灯魔,寻医问药有问必答
摘 要：针对物流配送过程中的车辆故障问题，提出了临近救援策略和优化方案。在车辆调度、干扰管理和行为运筹理论的基础上，在对故障车辆进行救援的过程中对配送主体的感知因素进行提取和度量，并构建考虑配送主体感知的救援车辆调度模型。然后设计了遗传算法和2-opt算法的混合遗传算法，并对模型进行优化求解，最后通过仿真对比分析，验证了模型和算法的有效性。
关键词：配送主体感知；车辆故障；救援车辆调度；混合遗传算法
中图分类号：F253 文献标识码：A
Abstract： Aiming at the problem of vehicle breakdowns in the process of logistics distribution， adjoin rescue strategy and optimization scheme are put forward. The study is based on the vehicle scheduling， the theory of disruption management and the theory of behavioral operation. In the rescue process of breakdown vehicles， the perception factors on distribution entities are extracted and measured. And a rescue vehicle scheduling model is built considering the perception of the distribution subject. A hybrid genetic algorithm is designed which combines the genetic algorithm with the 2-opt algorithm for the model. Finally， the effectiveness of the model and algorithm is verified by simulation analysis.
Key words： distribution subject perception； vehicle breakdown； rescue vehicle scheduling； hybrid genetic algorithm
0 引 言
新型电子商务下的物流配送系统，由于各类干扰事件的出现使得配送活动受到了严重的影响，因此进行物流配送干扰管理对提高配送效率，提升物流企业的市场竞争力有十分重要的意义。
Victor，Ta？鬤等[1-2]分别针对不同的车辆调度问题进行了研究，并且提出了不同的算法解决了相应的问题。Mu和Eglese等[3]考虑了在配送车辆出发前，有些车辆被延迟出发的情况，构建了以最小化延迟时间、最小化顾客服务延迟时间以及费用为目标的目标函数。王旭坪、蒋丽等[4-5]针对物流配送过程中的车辆故障导致运力受扰的情况，根据干扰管理思想，分别给出了不同的救援策略，并且就相应的救援策略建立了模型进行了求解。
以上文献对车辆调度以及干扰管理做了深入的研究，但是却很少考虑物流配送活动中各参与主体的行为感知因素。李浩
淼[6]研究了当发生干扰事件时，在考虑顾客感知，保持顾客满意度，维持顾客忠诚度的前提下，建立了相应的干扰管理模型，使系统的扰动达到最小。丁秋雷、胡祥培等[7]将行为科学中的前景理论应用到物流配送干扰管理当中，结合行为科学中对人的感知的研究方法与运筹学中定量的研究手段，提出基于前景理论的扰动度量方法，并建立了相应的数学模型和求解方法。
本文主要针对物流配送活动中车辆故障这一干扰事件，根据干扰管理思想，综合考虑各配送主体的行为感知因素，建立考虑配送主体感知因素的救援车辆调度模型，并进行求解。
1 救援车辆调度模型
1.1 问题说明
在某项配送任务中，配送中心所有车辆全部执行配送任务，在配送过程中某一辆车出现故障，并且不能继续执行配送任务，其他在途车辆要对故障车辆进行救援，不考虑增派策略以及取消策略。在配送过程中所有车辆的行驶和位置等信息都能够实时得到，以干扰发生时的状态为基态设计救援车辆的调度方案。
1.3 扰动的度量
（1）顾客的不满意度
影响顾客不满意度的感知因素主要有其接受服务的时间、货物的完好性、接受服务的次数等，本文主要考虑顾客接受服务的时间，具体可表示如下：
（6）式表示在原计划中出发时车辆非满载；（7）式表示在原计划配送车辆中，其中任意k-1辆车在出发时的剩余装载量之和要大于第k辆车的实际载货量；（8）式表示所有车辆最终都回到配送中心；（9）式表示每辆车服务客户的需求量总和不能超过车辆的实际装载量；（10）式表示除受扰点之外，每个客户必须接受服务，且只能被服务一次；（11）式表示受扰点至少被访问一次；（12）式表示为未受扰车辆服务的顾客仍有原车服务；（13）式表示救援车辆要先到故障车辆处取货，然后再服务受扰客户；（14）式表示受扰车辆的货物全部被取走；（15）式表示路径限制，车辆不会从起点直接回到配送中心；（16）式表示救援车 [本文由WWw.dYLw.NEt提供，第 一论 文网进行论文代写和论文发表服务，欢迎光DYlw.NET联系方式QQ ]辆从故障车辆处所取货物等于救援车辆所服务的故障车辆的顾客需求量；（17）式表示每辆救援车辆去且只去一次受扰车辆处取货；（18）式为顾客接受服务的时间窗要求。
2 算法设计
本文选择用遗传算法和2-opt算法相结合的混合遗传算法对模型进行求解。利用2-opt算法较强的局部搜索能力来弥补遗传算法局部搜索能力的不足，进而提高遗传算法的搜索能力。初始种群在经过了重复的复制、交叉和变异操作之后，基本上找到了5组近似最优方案，为了使每辆车的配送任务尽量均衡，设计2-opt算法：在单车路径中存在i→i+1， j→j+1，利用i→j， i +1→j+1来代替原路径，经过交换之后如果目标函数得到进一步优化，说明可以改进路径解，那么选择改变后的路径来代替原路径。利用2-opt算法需要设置停机条件，设定循环次数为50次。
3 算例仿真分析
本文在文献[4]数据的基础上进行了改进，加入了时间窗参数，客户点坐标和需求量信息如表1所示，配送中心位于点50，00，配送中心共有4辆配送车辆，每辆车的行驶速度为1，每辆车的载重量为10。
干扰发生前以车辆行驶总路程最短为目标的最优调度方案为：（1）0-12-5-14-11-0；（2）0-17-4-13-15-18-0；（3）0-7-16-1-9-0；（4）0-6-8-3-10-2-0。此时最优路线总长度为588.28。本文选取车辆2在运行到时间t=6.4时发生故障，故障车辆坐标为43，62，车辆1的坐标为19，45，车辆3的坐标为65，47，车辆4的坐标为95，20。
设置遗传算法中交叉概率pc=0.75，变异概率pm=0.0005，得到最优救援方案μ1-b1-4-11-18-0，μ3-b3-13-1-9-0，μ4-b4-15-10-2-0，此时顾客、服务商和配送员工的不满意度分别是0.375、508.6、25.44。
4 结 论
本文针对物流配送活动中常见的车辆故障情况，运用干扰管理的思想，对配送主体的感知因素进行了提取和度量，构建了考虑配送主体感知的救援车辆调度模型。并且把遗传算法和2-opt算法相结合，构建了混合遗传算法对模型进行求解，结果证明本文算法能够在综合考虑配送主体感知的情况下，快速地对车辆故障这一干扰事件做出救援方案，该方案能够使各配送主体的满意度达到最大，这是对配送领域故障车辆救援管理的有益探索。
参考文献：
[1] Victor Pillac， Michel Gendreau， Christelle Gueret. A review of dynamic vehicle routing problems[J]. European Journal of Operational Research， 2013，225（1）：1-11.
[2] Ta D， Jabali O， Van Woensel T. A vehicle routing problem with flexible time windows[J]. Computers & Operations Research， 2014，52：39-54.
[3] Mu Q， Eglese R W. Disrupted capacitated vehicle routing problem with order release delay[J]. Annals of Operations Research， 2013，207（1）：201-216.
[4] 蒋丽，丁斌，臧晓宁. 基于干扰管理的车辆故障救援模型[J]. 系统工程，2010，28（6）：111-116.
[5] 王旭坪，吴绪，王征. 运力受扰下车辆调度干扰管理问题研究[J]. 计算机工程，2011，37（8）：256-259.