任向阳，周幸窈，梁武超，张秀娟，邵松娟

（1.河北工程大学 管理工程与商学院，河北 邯郸 056001；2.中国矿业大学（北京） 管理学院，北京 100083）

1 引言

随着信息与网络技术的飞速发展，愈来愈多的企业构建电子商务经营模式。应用电子商务模式能够省去从生产到最终销售过程中的许多步骤，其中物流业起到了很大的作用[1-2]。在整个物流活动中，配送作业承担将货物运送到顾客指定位置的任务，与顾客满意度紧密相关，但是配送过程中发生的干扰事件（如恶劣天气、交通拥堵、车辆故障、顾客需求变动等），会严重影响配送任务的完成，从而进一步影响顾客满意度。当前，国内外的专家学者对车辆调度干扰管理进行了大量的研究。

Dantzig和Ramser[3]最早对车辆调度问题进行了研究，在此基础上国内外学者对这一问题进行了进一步的研究，且取得了丰富的研究成果。Victor等[4]从动态车辆调度方向展开研究，从信息质量和服务质量变化角度出发，提出了解决动态车辆路径问题的方案。张群[5]建立了多物流中心、多配送车型、多产品种类的车辆路径问题的混合模型，提出了一种新的模糊遗传算法求解混合车辆路径问题，运用改进的模糊逻辑控制器实现交叉概率和变异概率的动态调整，来提高算法的收敛速度从而得到最优解。叶勇[6]针对多个配送中心的动态启用与运输车辆的合理分配问题，建立以总路径长度最小为目标函数的多配送中心车辆路径问题的数学模型，并运用狼群算法进行求解。

吴绪[7]、王明春[8]、Huisman[9]、Larsen[10]、Smith[11]等专家学者运用拉格朗日松弛算法、紧急搜索算法、聚类-重排算法、遗传算法、局部搜索算法、优先选择的迭代搜索算法等方法解决物流配送过程中产生的干扰问题。Mu Q等[12]主要研究了单个车辆延迟与配送车辆出发延迟问题，建立了车辆总行驶距离最短和总延迟时间最短为目标的干扰模型。Figliozzi[13]主要研究了因道路拥堵带来的配送干扰问题，构建了一种通用的的问题模型，并在此基础上总结了道路拥堵和顾客需求时间窗两者的联系。王旭坪等[14]对配送车辆调度中发生的顾客需求量变化、需求时间变化以及配送地点变化等干扰事件进行总结，通过临近救援策略和增派策略进行了干扰管理。王征等[15]从顾客时间窗偏离程度最小化和配送成本最低的角度出发，构建了行驶时间延迟下配送车辆调度的干扰管理调度模型。

除了对车辆调度与干扰事件的研究进行分析与总结，还应研究与分析物流配送活动中各参与主体的行为感知因素。Simon[16]第一个在其研究中认为只有人类有能力进行判断与决策，认为判断与决策能力是人类头脑与思想活动的表现，与人们的各种日常经验、情感等息息相关。而刘作仪和查勇[17]则将行为感知这一概念引入国内，在对国外行为研究的基础上提出了行为运作管理这一概念。王建军等[18]从企业管理者、车间工人和客户三方进行基于前景理论的扰动度量，并建立同时考虑初始成本目标和基于行为运筹扰动目标的干扰管理模型。丁秋雷[19]结合行为科学中对人的行为感知的研究方法与运筹学中的定量研究，通过分析客户时间窗变化这类干扰事件对客户、物流配送运营商和配送业务员等受扰主体的影响，构建了客户时间窗变化的字典序多目标干扰管理模型。

当前许多国内外专家学者对车辆调度干扰管理问题进行了分析与总结，现有的研究大多从顾客层面对配送干扰问题进行研究，而对以车辆故障为背景的物流供应商和配送员工产生干扰事件的研究并不完善，考虑到物流供应商和配送员工的干扰事件也会影响企业的物流配送服务与顾客满意度。因此，本文针对配送过程中的配送车辆故障这一干扰问题，结合各配送主体的行为感知因素，在对各配送主体的感知因素进行提取和度量的基础上，构建车辆调度模型，并设计改进算法对模型进行求解。

2 考虑配送主体感知的救援车辆调度模型

2.1 问题描述

在配送车辆进行配送时，有且仅有车辆故障这一干扰事件，不考虑恶劣的天气状况、道路阻塞与顾客需求变动等其他情况；在配送车辆进行配送时，可实时获取每辆配送车辆的坐标、车载余量、已服务顾客和未服务顾客等信息；在出现车辆故障这一干扰事件后，应根据当时配送车辆位置以及为服务顾客等进行救援；所有配送车辆应该以企业的物流中心为初始位置与终点；出现干扰事件后，当时以完成配送任务并回到物流中心的配送车辆不参与故障车辆的救援活动。

2.2 参数及变量说明

具体参数如下[20]：

K—初始配送车辆调度方案中提供配送服务的全部车辆；

K'—干扰事件后提供救援服务的全部车辆；

μk—产生干扰事件时，正常配送车辆的实时地点；M—μk的集合；

bi—产生干扰事件时，出现故障的配送车辆位置及其虚拟点，i∈K'；B—bi的集合；

Q—车辆的最大载重量；

Qk—车辆k装载货物重量；

—产生干扰事件时，正常配送车辆还需配送的货物量；

—产生干扰事件时，出现故障的车辆还需配送的货物量；

Cij—顾客i与j之间的距离；

qi—正常服务车辆还应为顾客i配送的货物量，i∈Sk；

—出现故障的车辆还应为顾客j配送的货物量，j∈Sb；

k0—出现故障的配送车辆；

ω—不在顾客接受服务时间范围内应受到的惩罚；

Sk—发生故障时，正常车辆还未服务的顾客集合；

Sb—发生故障时，故障车辆还未服务的顾客集合；

Sik—车辆k到达顾客i的时间；

Sk0k—救援车辆到达故障配送车辆处提取货物的时间；

Pk—救援车辆从故障配送车辆k0处所需提取的货物量；

Ei—顾客i最早能接受服务的时间限制；

Li—顾客i最晚能接受服务的时间限制；

tijk—车辆k从顾客i行驶到顾客j的时间；

Δtik—车辆k可以超过顾客i服务时间的最大范围；

Tk—原计划中车辆完成任务回到配送中心所需时间；

xik'={1在救援计划中车辆k为顾客i提供服务0其他 。

2.3 模型建立

在对各变量进行参数设置及配送主体行为感知因素提取和度量后，建立考虑顾客、物流供应商与配送员工行为感知的救援车辆调度模型，所构建的模型以顾客的不满意度、物流供应商的不满意度以及配送员工的不满意度为求解目标[20]。

模型中，式（1）为顾客的不满意度；式（2）为物流供应商的不满意度；式（3）为配送员工的不满意度；式（4）是指采用理想点法对目标函数进行优化；式（5）为在初始调度方案中运输车辆非满载出发；式（6）表示在初始调度方案的运输车辆中，第k辆车的实际载货量小于第k-1辆车的剩余装载量；式（7）表示所有运输车辆运送完全部货物后，都应返回起始位置；式（8）表示每辆配送车辆承担的配送任务应小于其实际承受能力；式（9）表示除干扰点外，仅能为各个顾客提供一次配送服务，所有顾客的需求不可拆分；式（10）表示所有出现故障的配送车辆至少应救援一次；式（11）表示未受车辆故障干扰的配送车辆仍为原客户提供配送服务；式（12）表示所有的救援车辆应先到故障车辆处提取货物，再为受干扰顾客提供配送服务；式（13）表示应提取故障车辆所需配送的所有剩余货物；式（14）表示应合理安排所有配送车辆的行驶路线，所有配送车辆应完成配送任务后再返回配送中心；式（15）表示救援车辆提供的配送服务量为其从故障车辆处所提取的货物；式（16）表示只有一辆救援车辆到故障车辆处提取货物，能且仅能提取一次；式（17）表示客户可以接受服务的最大时间范围。

3 救援车辆优化调度模型优化算法设计

在种子群算法初始化的过程中，以免疫算法里记忆细胞的工作原理，对父代种群进行筛选，初始化得到的N个初代父种用实值向量来表示，即[21]：

其中，N的大小由待求问题的规模来决定。

免疫算法的执行效率很大程度上取决于疫苗的选取和接种疫苗的位置，优良的疫苗是免疫算子有效发挥作用的基础和保障，同时为了使算法顺利运行，还应注意提取疫苗信息的方式，应采取自适应的方式[22]。

（1）自适应疫苗特征信息的设计。应该根据疫苗的不同适应度选择不同程度的信息提取率，具体方式如下：

其中，fmax—最大适应度值；ˉ—父种的平均适应度值；f′—用于交叉的父种的适应度值。

（2）疫苗接种点的自适应选择。通常情况下，应该随机选择算法的接种点。但是，在种群具有相似基因的情况下，会降低算法的可靠性，因此为了改善随机接种点对算法的影响，本文根据父种适应度来选择接种点的方式，具体公式如下[23]：

式中，l表示父种种分量的个数，f1为最优父种的适应度值，f2为其他待接种的疫苗的适应度值。

判断是否达到终止条件。将每次迭代的最优父种记为PBEST,将全局迭代产生的最优父种记为GBEST,当得到了理想的GBEST或者GBEST值不再变化时，结束运行，输出结果。

4 算例仿真

本文根据上文设计的考虑配送主体感知的救援车辆调度模型，对配送车辆的初始调度方案与发生车辆故障这一干扰事件后的救援车辆调度方案进行仿真试验，并运用改进种子群优化算法对模型进行运算，为验证模型的有效性，还将运算结果与粒子群算法的计算结果进行对比分析。

4.1 算法求解

在坐标系中有24个需求点和1个配送中心，各需求点坐标及需求情况见表1。由4辆车来执行配送任务，在执行配送计划过程中车辆4发生故障，此时车辆4在坐标系中的坐标为(107.5，41)，其他在途的配送车辆的具体位置以及客户信息都可以实时获取，此时选择就近救援策略来对故障车辆进行救援。

表1 数据收集

根据上文的改进种子群优化算法，运用MATLAB7.0，其中相关参数设置如下：父种个数为3，子种群个数为3，最大迭代次数为200，种群规模为100，另外粒子群中C1=C2=1.494，得到救援车辆调度方案见表2，行车路线如图1所示。

表2 救援车辆调度方案

图1 救援车辆行车路线

4.2 对比分析

为验证上文所设计的改进种子群优化算法是否适用，采用粒子群优化算法对模型进行求解对比，具体的救援车辆的调度方案见表3，行车路线如图2所示。

表3 粒子群优化算法求解救援车辆调度方案

图2 遗传算法求解救援车辆行车路线

分别用粒子群算法和改进种子群优化算法对上文构建的考虑行为的救援车辆调度模型进行求解，比较两种算法的求解结果：

（1）顾客不满意度对比。用粒子群算法和改进种子群优化算法得出的顾客不满意度分别为0.931和0.797，对比结果如图3所示，从图中可以看出，粒子群算法的收敛速度要慢于改进种子群优化算法。因此，改进种子群优化算法具有较好的适用性，更为适用于模型的求解。

图3 顾客不满意度对比图

（2）服务商不满意度对比。本文所建立的模型中，运用综合成本来代表物流供应商的不满意度，综合成本主要包括配送车辆的购置、运行与维修费用以及超过顾客接受的时间窗的损失与赔偿费用。从图4可以看出，运用粒子群算法与改进种子群优化算法对模型进行求解得到的结果分别为4 930和3 690，而且改进种子群优化算法的收敛速度明显快于粒子群算法，具有明显的优越性。

图4 物流供应商不满意度对比图

（3）配送员工不满意度对比。配送车辆的服务时间超过原计划的服务时间是配送员工不满意的主要原因，运用粒子群算法和改进种子群优化算法进行运算，得出的配送员工不满意度如图5所示，粒子群算法和改进种子群优化算法的计算结果分别为69.51和58.36，且改进种子群优化算法的运算速度较快。因此，改进种子群优化算法的计算结果明显优于粒子群算法。

5 结语

文章从车辆故障的干扰管理角度入手，在对配送过程中的三个行为主体即顾客、配送员工与物流供应商进行分析后，度量车辆故障对配送任务所造成的扰动，并建立了考虑配送主体感知的救援车辆调度模型。此外，采用免疫算法对种子群算法进行优化，设计出改进种子群优化算法，并运用算法对模型进行求解，通过对比粒子群算法与改进种子群算法对模型的求解结果可以得出结论，改进种子群优化算法具有明显的优越性。所构建的模型与算法能够在考虑配送主体感知的基础上，及时地做出针对车辆故障这类干扰事件的救援方案，丰富和完善了车辆调度和干扰管理理论。

图5 配送员工不满意度对比图

[]

[1]张娜娜,谢伟.中国电子商务模式创新的合法化机制—基于淘宝网的案例研究[J].科学学与科学技术管理,2014,5(10):133-141.

[2]冯晖.现代物流学[M].北京:科学出版社,2011.

[3]Dantzig G B,Ramser J H.The truck dispatching problem[J].Management Science,1959,6(1):80-91

[4]Pillac V,Gendreau M,Gueret C.A review of dynamic vehicle routing problems[J].European Journal of Operational Research,2013,225(1):1-11.

[5]张群,颜瑞.基于改进模糊遗传算法的混合车辆路径问题[J].中国管理科学,2012,20(2):121-128.

[6]叶勇,张惠珍.多配送中心车辆路径问题的狼群算法[J].计算机应用研究,2017,(9):1-7.

[7]吴绪.配送车辆受扰下车辆调度干扰管理问题研究[D].大连:大连理工大学,2010.

[8]王明春,成修,永廷.VRPTW的扰动恢复及其TABU SEARCH算法[J].数学杂志,2006,26(2):231-236.

[9]Dennis Huisman,Richard Freling,Albert P M Wagelmans.A robust solution approach to the dynamic vehicle scheduling problem[J].Transportation Science,2004,38(4):447-458.

[10]Jesper Larsen,Michael Liee,Kim Riis Serensen,et al.Disruption Management for an Airline Rescheduling of aircraft[J].Applications of Evolutionary Computing,2002,(3):315-324.

[11]S F Smith,M A Becker,L A Krame.Continuous Management of Airlift and Tanker Resources:A Const raint-Based Approach[J].Mathematical and Computer Modeling,2004,39(6):581-598.

[12]Mu Q,Fu Z,Lysgaard J,et al.Disruption management of the vehicle routing problem with vehicle breakdown[J].Journal of the Operational Research Society,2011,62(4):742-749.

[13]Figliozzi M A.The time dependent vehicle routing problem with time windows:Benchmark problems,an efficient solution algorithm,and solution characteristics[J].Transportation Research Part E:Logistics and Transportation Review,2012,48(3):616-636.

[14]王旭坪,阮俊虎,孙自来,等.带回程取货车辆路径问题的干扰恢复模型[J].系统工程学报,2013,28(5):608-616.

[15]王征,胡祥培,王旭坪.行驶时间延迟下配送车辆调度的干扰管理模型与算法[J].系统工程理论与实践,2013,33(2):378-387.

[16]Simon H A.Rational choice and the structure of the environment[J].Psychological review,1956,63(2):129-145.

[17]刘作仪,查勇.行为运作管理:一个正在显现的研究领域[J].管理科学学报,2009,12(4):64-74.

[18]王建军,刘亚净,刘锋,等.考虑行为主体的置换流水车间干扰管理研究[J].系统工程理论与实践,2015,35(12):3 092-3 106.

[19]丁秋雷.客户时间窗变化的物流配送干扰管理模型—基于行为的视角[J].中国管理科学,2015,23(5):89-97.

[20]邵松娟.考虑配送主体感知的救援车辆调度研究[D].邯郸:河北工程大学,2016.

[21]张晓明.基于种子传播方式和植物分布演化的种子优化算法研究[D].合肥:中国科学技术大学,2011.

[22]靳宗信,刘寒冰,樊红娟.基于动态疫苗提取的免疫遗传算法求解TSP问题[J].现代计算机(专业版),2010,(4):20-22.

[23]赵丽飞.考虑客户等级划分的车辆调度干扰管理研究[D].邯郸:河北工程大学,2017.