大数据背景下的电子商务物流配送路径优化算法

2020-10-13蒋丛萃

现代电子技术 2020年19期

蒋丛萃

摘要：传统的电子商务物流配送路径优化算法存在寻找最优路径时间长的问题，为解决这一问题，设计一种大数据背景下的电子商务物流配送路径优化算法。首先采用聚类算法对物流配送区域进行划分;然后通过重量指数、时效指数、客户重要度指数、时间窗口指数、总路径指数五方面建立物流配送路径优化多目标函数;最后设置配送目标权重，按照电子商务物流的不同需求找到目标函数中较优的配送路径，以此完成电子商务物流配送路径优化。实验对比结果表明，此次设计的大数据背景下的电子商务物流配送路径优化算法比传统算法寻找最优路径的时间短，能够减少电子商务物流配送时间，具有一定的实际应用意义。

关键词：大数据; 电子商务; 物流配送路径; 区域; 多目标函数; 时效指数

中图分类号： TN911.1?34; TP301 文献标识码： A 文章编号： 1004?373X（2020）19?0130?04

Abstract： It takes a long time for the traditional e?commerce logistics distribution path optimization algorithm to find the optimal path. In view of this， an e?commerce logistics distribution path optimization algorithm under the background of big data is designed. The clustering algorithm is used to divide the logistics distribution area. Then， the multi?objective function of logistics distribution path optimization is established by weight index， time efficiency index， customer importance index， time window index and total path index. Finally， the weight of distribution goal is set. According to the different needs of e?commerce logistics， the optimal distribution path in the objective function is found to complete the e?commerce logistics distribution path optimization. The results of contrastive experiments show that under the background of big data， the designed e?commerce logistics distribution path optimization algorithm takes less time than the traditional algorithm to find the optimal path， and can reduce the e?commerce logistics distribution time. Therefore， it has a certain practical significance.

Keywords： big data; e?commerce; logistics distribution path; region; multiple?objective function; time efficiency index

0 引言

在大数据背景下，电子商务企业能够准确预测客户的未来需求，实现对客户个性化服务。然而大部分企业却未能有效利用这些数据进行线路规划，传统的物流配送路径无法应对如今复杂的城市道路交通情况，已经不能适用于消费者的实际需要。为了满足电子商务的发展要求，提高顾客满意度，对电子物流配送路径进行优化，以解决传统电子商务物流配送路径优化算法寻找最优路径时间长的问题。

此次设计的方法首先采用聚类算法对物流配送区域划分，并建立物流配送路径优化多目标函数，主要包括重量指数、时效指数、客户重要度指数、时间窗口指数、总路径指数五个方面，并设置配送目标权重，寻找最优的目标路径，以实现对电子商务物流配送路径优化。

实验对比结果表明，此次设计的优化方法比传统方法寻找最优路径的时间短，证明了电子商务物流配送路径优化算法的有效性。

1 物流配送区域划分

在对电子商务物流配送路径优化前，分析电子商务配送流程，如图1所示。

在上述分析完成的基础上，采用聚类算法对物流配送区域进行划分[1]，划分过程如下所示：

Step1：选择起始的聚类[2]中心，在该聚类中心所有的数据信息中找到[n]个数据，将[n=1，2，…，n]个数据信息作为聚类中心。根据电子商务物流配送中心的要求，将[n]个聚类中心的坐标分别定为[（x1，y1）]，[（x2，y2）]，…，[（xn，xn）]，保证初始划分区域不出现叠加情况。

Step2：采用距离公式求解上述每个聚类中心距每个数据的距离，计算公式如下所示：

式中：[Dk+1]代表配送区域划分因子;[ga]代表聚类中心;[fa+1]代表聚类中心的数据。

按照式（1）计算数据距离[3]哪个聚类中心距离最近，就将它归到那个聚类中心，目的是节省车辆运送货物在路上的时间。

Step3：修正聚类中心，因为包含了一些数据的[n]个聚类的中心往往发生变化，因此在Step2计算结果的基础上重新修正聚类中心数据。

计算方法为：一个聚类内所有点的经度坐标[4]相加除以点的个数，在此基础上，所有点的维度坐标相加并除以点的个数，以此得到新的聚类中心的经纬度坐标以及新的聚类中心的位置。目的是使配送工作量尽量保持均匀，避免出现不均衡现象，因此每个小区域的配送量要大致相等。

Step4：验证聚类中心，使用Step3中计算过的聚类中心进行下一次迭代循环[5]，并将上述3个步骤计算得到的聚类中心位置与上一次求得的聚类中心对比，计算公式如下所示：

式中：[kg]代表物流配送区域的聚类对象;[aq]代表聚类规模大小;[f]代表聚类中心距离;[h]代表聚类中心对比参数;[a]代表配送点密集程度[6]。

按照式（2）计算所得中心的位置，若相差较大，则再次计算，使每一辆配送车一次运送的配送量大概保持相等。

2 电子商务物流配送路径优化算法

在上述物流配送区域划分的基础上，对物流配送路径进行优化，在优化前，分析路径设计过程[7]，路径设计过程如图2所示。

在此基础上，建立物流配送路径，优化多目标函数[8]，主要包括重量指数、时效指数、客户重要度指数、时间窗口指数、总路径指数，具体的计算过程如下所示。

重量指数[9]，在电子商务物流配送过程中，货物重量是必须要考虑的因素，在一般情况下，应优先派送重量大的货物，以减少配送过程中的油耗，重量指数表示为：

式中：[Sg]代表需要配送的地点数量;[if]代表配送的货物重量;[g]为物流配送的地点顺序;[i]为第[i]個地点需要配送的货物重量;tu为重量指数计算因子。

在上述重量指数计算完成的基础上，计算时效指数[10]，由于电子商务配送中会出现越来越多的冷鲜，对物流配送时间要求越来越高，因此建立时效指数反映货物时效性要求，计算公式如下：

式中：[ti]代表第[i]个配送点货物的保鲜时间;[Tfs]代表配送该货物所需时间;[ta]为配送出发时间;[1N]代表配送过程中的影响因子;[St]为货物应到达时间。

客户作为电子商务物流公司生存的前提，为保证客户量，优先考虑重要客户的货物，则客户重要度指数[11]表示为：

式中：[1N]代表重要客户货物的顺序;[mj]为优先选择因子;[N]代表重要程度划分因子;[i]为优先客户量。

最后，计算电子商务物流配送的总路径指数[12]，因为不同的物流配送路径不同，为提高配送效率，计算总路径指数，计算公式如下：

式中：[Sk]代表第[k]个配送点之间的路程;[1F]代表配送完成后返回的路程;[hy?j]为总路径的调节系数;[n]为总路径指数值。

在上述重量指数、时效指数、客户重要度指数、时间窗口指数、总路径指数建立的基础上，完成物流配送路径优化目标函数的建立。

由于电子商务物流配送中心货物配送目标的重视程度不同，因此对配送目标设置权重[13]，在设置之前，对上述得到的目标函数进行无量纲化[14]处理，计算公式如下：

式中：[xe]代表任意方案中的某一评价指标值;[M]代表[m]中的最小值;[x]代表[n]中的最大值。

在上述无量纲化处理的基础上确定权重，采取两两因素比较的方式进行相对重要度的评价，评价方式如表1所示。

基于上述物流配送指标函数以及权重，对配送路径进行优化：

式中：[W1]，[W2]，[W3]，[W4]，[W5]分别代表重量指数、时效指数、客户重要度指数、时间窗口指数、总路径指数的总权重;[η]为正比例增益系数[15]。

根据式（8）计算出各个函数的重要程度，从而找到目标函数中较优的配送路径，以此完成电子商务物流配送路径优化。

3 仿真测试

为验证上述设计的电子商务物流配送路径优化算法的有效性，将传统的算法与此次设计的算法进行实验对比，对比两种方法寻找最优路径的时间。

3.1 测试数据

实验数据由某电子商务物流配送中心提供，在该物流中心的一次物流配送任务中，共需配送10个货物，这10个货物的基本信息如表2所示。

分析表2可知，10个配送任务重量、重要度以及卸货时间都不同，分别使用两种方法寻找这10个货物配送的最优路径，对比两种方法寻找最优路径的时间。

3.2 实验结果分析

此次设计的电子商务物流配送路径优化算法和传统算法寻找最优路径的时间结果如表3所示。

分析表3可知，此次设计的优化算法寻找最优路径的时间都在2 min以下，而传统算法寻找最优路径时间都在3 min以上，最高达到4.6 min。对比可知，传统算法在10次寻找最优路径中所需要的时间均高于此次设计的算法。

通过上述实验能够证明，本文设计的大数据背景下的电子商务物流配送路径优化算法比传统算法寻找最优路径的时间短，能够满足电子商务物流配送路径优化需求。

对比采用此次设计的优化算法与传统算法后，该电子商务物流配送中心1年内物流配送费用结果如表4所示。

分析表4可知，采用此次设计的优化算法寻找最优路径条件下，电子商务物流配送中心一年内物流配送费用总计为109.4万元，而采用传统算法寻找最优路径条件下，电子商务物流配送中心一年内物流配送费用总计达到134.3万元。相比之下采用此次设计的优化算法寻找最优路径一年物流配送费可节省24.9万元。

基于上述实验结果可知，此次设计的大数据背景下的电子商务物流配送路径优化算法与传统算法相比，可节省大量物流配送费用，符合电子商务物流配送路径优化的经济效用。

为更清晰地描述不同算法优化结果，将不同算法的路径优化结果与实际最优路径相比，所得各项误差用表格形式描述，结果如表5所示。

分析表5可得，两种不同优化算法中，此次设计的电子商务物流配送路径优化算法优化后得到的路径与实际最优路径相比，各项误差值均低于传统算法优化结果。

以上实验结果表明此次设计的电子商务物流配送路径优化算法优化后得到的路径与实际最优路径一致度更高，验证了此次设计的电子商务物流配送路径优化算法的精度。

4 结语

针对传统的电子商务物流配送路径优化算法存在寻找最优路径时间长的问题，本文设计了一种大数据背景下的电子商务物流配送路径优化算法。首先采用聚类算法对物流配送区域划分，然后建立物流配送路径优化多目标函数，主要包括重量指数、时效指数、客户重要度指数、时间窗口指数、总路径指数五个方面，最后设置配送目标权重，找到目标函数中较优的配送路径，以此完成电子商务物流配送路径优化。实验对比结果表明，此次设计的大数据背景下的电子商务物流配送路径优化算法比传统算法寻找最优路径的时间短，能够满足电子商务物流配送需求。在实際应用该算法时，应不断结合城市道路的发展，不断更新该算法。

参考文献

[1] 葛显龙，薛桂琴.不确定环境下多品类共同配送路径优化[J].计算机工程与应用，2019，55（9）：270?276.

[2] 王恒，徐亚星，王振锋.基于道路状况的生鲜农产品配送路径优化[J].系统仿真学报，2019，31（1）：134?143.

[3] 周正博，冷飞，张航畅.移动网络电子商务物流信息实时提取方法研究[J].计算机仿真，2018，35（8）：152?155.

[4] 张艳伟，黄志红.考虑货物类别的电动汽车路径优化问题研究[J].武汉理工大学学报（信息与管理工程版），2018，40（1）：79?84.

[5] 邓友均，李明，余千，等.基于实时信息感知的电动汽车物流配送路径优化与充电导航[J].南方电网技术，2017，11（2）：41?49.

[6] 李杰，赵旭东，王玉霞.面向电商终端物流配送的电动车配置与路径集成优化[J].运筹与管理，2018，27（10）：23?30.

[7] 王先庆，彭雷清.物流革命与物流创新的方向、路径及策略[J].中国流通经济，2017，31（7）：120?126.

[8] 叶威惠，张飞舟.真实路况下的快递配送路径优化研究[J].计算机工程与科学，2017，39（8）：1530?1537.

[9] 秦书婷，张著洪.基于物流配送路线规划的改进型果蝇优化算法[J].计算机工程与设计，2019，40（7）：2007?2012.

[10] 邓必年.基于蚁群优化算法的物流配送路径研究[J].现代电子技术，2017，40（15）：167?170.

[11] 肖超，张立毅，费腾.冷链低碳物流配送路径优化的细菌觅食：蚁群算法研究[J].数学的实践与认识，2017，47（21）：100?109.