王力锋，黄 斐

(澳门科技大学，澳门 999078)

1 引言

随着食品消费结构的变化，居民对冷鲜食品需求量越来越大。冷冻食品销售行业进入快速增长阶段，冷鲜市场对冷链物流配送的要求也越来越高。在配送过程中，保证冷鲜食品的新鲜度和卫生品质具有重要的现实意义。

国外对冷链物流的研究较早，更加侧重于冷链物流的定性研究，将维持食物品质作为冷链物流的最大目的，提出能够信息管理的供应链模式，以此保证冷链物流的服务质量。除此之外，还建立了一套关于食品安全的绩效评估体系，量化估计冷链物流业内的各项技术方法，制定冷藏物流链应遵循的理论原则。国内针对冷链物流的研究也日渐成熟，目前常用的方法主要有基于混合蚁群算法的冷链物流配送方法和考虑交通拥堵的冷链物流城市配送方法。传统方法大多是通过分析冷链物流中的货物损耗量来建立一个优化冷链物流方案的模型，再应用一定的原理对冷链物流成本进行最小化处理。但其在规划配送路径的过程中，未充分考虑货损成本，且忽略了装卸货物的腐坏损失，导致配送成本较高，致使方法的实用性较差。

针对传统冷链物流配送规划方法存在的配送成本较高、时效性差的问题，本研究通过划分客户类别确定优先配送点，然后计算最高客户满意度以及最低配送成本的目标函数，并利用遗传算法制定最优的冷链物流配送方案，从而保证了冷藏货物配送效率与安全。

2 多目标冷链物流配送优化方法设计

2.1 划分冷链物流配送客户价值等级

根据客户为企业创造的利润，划分冷链物流配送客户的价值等级。结合物流配送企业的实际情况，遵循系统性和可操作性的原则，构建配送客户的评价指标体系。选取评价指标如下表所示。

表1 客户价值等级评价指标

设定客户价值等级的评价值为[0，10]，将其划分为5个评语集等级：高端客户8～10、良性客户6～8、常规客户4～6、开发客户2～5，低端客户0～3。设每个评语集的双边约束为、，客户价值随机性为，则客户等级数字特征的计算公式为

(1)

式(1)中，、、分别为客户评价等级对应的期望、熵、超熵。计算可得评语集的数字特征值，具体如表2所示。

表2 客户等级评语集的数字特征值

建立评价指标因素集，量化因素集中任意两指标的重要性程度，对各指标因子进行打分，设定评分区间与评语集一致。根据分数值确定数字特征值，得到指标因素集中，个指标的综合评价矩阵

(2)

计算评价矩阵的最大特征根，一致性检验后，将其作为指标权重集W，得到客户价值的综合评价矩阵B为

B=×

(3)

计算综合评价矩阵B的数字特征值，比较B与评语集中5个等级的数字特征值相似度，选取相似度最高的等级，为该客户的价值等级。至此完成冷链物流配送客户价值等级的划分。

2.2 构建多目标冷链物流配送路径模型

计算最高客户满意度和最低配送成本，将其作为目标函数，构建多目标冷链物流配送路径模型。将高端、良性客户归为VIP客户，常规、开发、低端客户归为普通客户。结合不同客户对时间的敏感度，将客户分为4类，分别为：vip客户且时间要求高、vip客户且时间要求一般、普通客户且时间要求高、普通客户且时间要求一般，优先配送第一种类型客户，后服务第三种类型客户。将配送时间的可靠性，定义为配送车辆到达客户点时间的隶属度函数，其公式为

(4)

式(4)中，为配送客户的时间可靠性，为配送目标数量，为客户到客户的直线距离，为车辆平均速度，为车辆出发时刻，为客户给配送时间预定的配送时间段。可得最高客户满意度的目标函数max为

(5)

式(5)中，为客户对货物的需求量。考虑配送车辆的油耗和制冷能耗，计算车辆能耗成本，公式为

(6)

式(6)中，为单位运输距离能源价格，车辆冷藏设备的平均功率，为单位时间制冷成本，为决策变量，当车辆经过客户和客户路段时，取值为1，否则为0。货损成本取两部分，截取配送时间累积和打开车厢装卸货物过程中，导致的货物腐坏损失，计算公式为

(7)

式(7)中，为单位货物价格，为配送过程中，单位距离的货物损坏系数，为装卸过程中，单位数量货物的损坏系数。客户配送时间采用硬时间窗，普通客户采用软时间窗，处理物流的配送时间，设客户预设的配送时间窗为[，]，分别计算在前达到客户点，损失的机会成本，在后到达客户点，损失的支付罚金，计算公式分别为

(8)

式(8)中，为车辆早到损失的单位时间机会成本，为车辆迟到支付客户的单位时间罚金，为车辆从客户到客户的所耗时间。相加损失机会成本和支付罚金，得到物流配送的惩罚成本。则最低配送成本的目标函数min为

min=+++

(9)

式(9)中，为配送车辆的固定成本，由物价决定。结合式(5)和式(9)，完成多目标冷链物流配送路径模型的构建。

2.3 确定多目标冷链物流最优配送路径

采取跟模型特点相符的遗传算法，求解最优配送路径。首先对配送中心和配送点进行染色体编码，分别用自然数和0，表示多目标配送点和配送中心，将冷链物流配送路径优化问题，转换为能够直观显示的车辆行驶路程。将min设置为主目标函数，将最高客户满意度max，设置为初始解筛选约束条件，选取能够满足约束条件的解，将其作为遗传算法的初始种群。然后选取一个大于min的常数，计算常数与min的比值，将其作为遗传算法的适应度函数。选择适应度函数越大的种群个体，将其遗传到下一代，同时采用顺序交叉，随机选择编码的多目标配送点，按照交叉概率交换位置，扩大最优路径的搜索范围，使模型解达到全局最优。具体流程如图1所示。

图1 遗传算法求解流程

如图1所示，当min运行保持平稳时，则停止进化，输出最佳染色体编码的分布路径，至此完成多目标冷链物流最优配送路径的确定，实现考虑客户等级划分的多目标冷链物流配送优化。

3 实验论证分析

为验证上述考虑客户等级划分的多目标冷链物流配送优化方法的实际应用性能，设计如下对比实验。将本文方法记为实验组，将基于混合蚁群算法的冷链物流配送方法和考虑交通拥堵的冷链物流城市配送方法分别记为实验组、实验组。利用三组方法，分别规划多目标冷链物流配送路径，然后比较配送成本和客户满意度。

3.1 实验准备

选取一物流企业，具有配送团队和配送冷藏车，将冷鲜品送给客户，冷藏车辆最早出发时间为6：00，每辆冷藏车的固定成本为300元，能够用到的冷藏车有2辆，车辆从配送中心出发，送完货后需返回配送中心，2辆冷藏车均为满载。实验选取13个客户进行配送服务，时间敏感度为1，表示客户对时间要求高，客户参数如表3所示。

表3 客户时间窗和需求量

配送中心的坐标点为(35，40)，13个配送客户的位置分布如图2所示。

冷链物流配送的相关参数如表4所示。

表4 冷链物流配送实验参数

图2 配送客户及配送中心位置坐标

定量评价13个客户价值，计算不同客户的数字特征值，确定指标权重集和综合评价矩阵，划分客户等级，评价结果如表5所示。

表5 配送客户等级划分结果

3.2 实验结果

3.2.1 第一组实验结果

实验A组通过遗传算法规划配送路径，设置种群规模为200，交叉概率为60%、进化代数上限为400，将遗传算法程序运行50次以后，输出最优配送路径。改变冷藏车的出发时间，设置为6：00～9：30，当出发时间不同时，三组实验的规划路径也随之改变，比较冷链物流的配送成本，将2辆冷藏车的配送成本相加，得到对比结果如表6所示。

表6 配送成本对比结果(元)

由表6所示结果可知，冷藏车在9：00～9：30时间段出发，三组实验的配送成本都降到最低，相比其它时间段，减小了货物损耗成本、提前到达的机会成本、以及到达后支付给客户的罚金。车辆出发时间不同，但实验A组配送成本一直低于两组传统实验，平均配送成本为452.5元，而实验B组、C组平均配送成本分别为501.2元、520.7元，相比实验B组和C组，A组配送成本分别减少了48.7元、68.2元。

3.2.2 第二组实验结果

设置9：00为2辆冷藏车的出发时间，使配送时间更加接近客户时间窗，此时实验A组规划的冷藏车配送路线分别为：0-8-2-1-13-5-11-0，0-4-3-7-9-6-10-12-0。比较三组冷链物流配送的时间可靠性，实验对比结果如图3所示。

图3 时间可靠性对比结果

由图3所示结果可知，针对不同位置坐标的配送点，实验A组规划路径的时间可靠性，明显高于实验B组和C组，时间可靠性平均为93.8%，B组和C组的时间可靠性分别为88.1%、82.7%，相比两组传统实验，A组时间可靠性分别增加了5.7%、11.1%。

3.2.3 第三组实验结果

在第二组实验的基础上，统计不同客户的货物需求量，比较三组实验路径规划下的客户满意度，对比结果如图4所示。

图4 客户满意度对比结果

由图4可知，A组客户满意度平均为92.3%，B组和C组的客户满意度分别为85.2%、82.1%，相比两组传统实验，A组客户满意度分别增加了7.1%、10.2%。综上所述，此次冷链物流配送方法相比两组传统方法，其规划路径降低了配送成本，到达配送点时间更加贴近客户可接受时间窗，提高了客户满意度。

4 结束语

1)本文在考虑客户等级划分的基础上设计了一种新的多目标冷链物流配送优化方法。通过划分客户类别、确定优先配送点、计算最低配送成本的目标函数等过程制定最优的冷链物流配送方案。

2)经实验可知，本文设计的配送路径优化方法提高了客户满意度和时效性，也降低了配送成本。

3)但此次研究仍存在一定不足，如冷藏车的速度影响因素未能考虑全面。因此，在今后的研究中，会考虑交通流量和天气等因素，将动态因素的影响降到最低。