何宇翔

（长沙理工大学水利与环境工程学院，湖南长沙 410114）

近年来，物流配送网络智能规划得到了广泛的研究与应用。但由于配送车的数量有限，且其最大行驶距离为固定值。因此，在每辆配送车均不超过最大行驶距离的条件下优化配送路线，使其可在访问所有目标仓库的同时确保行驶路径最短，可以直接节省时间与能耗成本[1-4]。

优化配送路径，不仅能缩短配送时间、减少成本并提升用户满意度，还可缓解交通压力、降低运输污染并保护环境，因此具有重要的研究价值。物流配送路径优化(Logistics Distribution Path，LDP)是一个经典的组合优化问题[5-8]，该问题的计算量大、复杂程度也较高。目前，国内外用于求解此类问题的方法主要有精确优化方法(Precise Optimization Method)、启发式算法(Heuristic Algorithm)、亚启发式方法(Metaheuristics Algorithm)与智能优化方法等。

蚁群优化(Ant Colony Optimization，ACO)算法是一种仿生学智能算法，其通过使用信息素来选择路径，并朝着最优解的方向不断改进，故具有较强的自组织性。然而该算法存在易进入早熟状态及过早陷入局部最优解的问题，由此便会造成最终解并非全局最优解。所以将该算法加以改进，克服其所存在的不足后，即可作为最优配送路径的求解方法。

1 物流配送路径优化问题建模

1.1 模型设计

在港口物流配送的场景中，来自海外的货物首先需要被分拨至目的仓库中进行一级分配，或需将来自各地区的货物转移到同一艘货轮上。算法应合理规划每辆车的运输路线[9-11]，进而令车辆间的运输任务不会相互冲突，并使整个物流配送任务的运输效率达到最高。……