摘 要
随着物联网、云计算及数据挖掘等技术与物流的结合，以云物流服务平台为核心的云物流服务模式是当前传统企业应对动态多变的市场竞争环境和提升自身竞争力的关键。配送是物流系统中极其关键的环节，随着越来越多的企业对定制化、专业化、个性化物流服务的需求，云物流服务模式下会产生大量的配送订单，车辆配送效率直接影响着企业的物流成本，对企业的生产经营会产生重大影响。所以，对云物流服务模式下的车辆配送优化问题进行研究显得尤为重要。
本文基于 2017 年合肥市包河区政府开展的科技成果转化项目——“云物流及其大数据服务关键技术研究及产业化”，该项目构建了云物流服务模式平台，本文在云物流服务模式下以配送订单为中心对车辆配送优化问题开展带时间窗的多中心单车型配送优化问题和考虑取货需求的多中心多车型配送优化问题两方面的研究。
首先，针对带时间窗约束的多中心单车型配送优化问题，考虑配送车辆在完成配送服务后返回不同配送中心的情况，采用k-means算法对云物流服务平台上配送订单进行聚类，建立了以行驶距离、时间惩罚成本、固定成本及剩余装载能力为目标的车辆配送优化模型，构建了基于Bellman-Ford的模型求解的改进遗传算法，通过Bellman-Ford算法对遗传算法的染色体进行最优路径分割，在满足车辆容量等限制的情况下，获得多目标函数综合最优的配送方案。通过对实例进行结果分析，验证了模型及求解方法的可行性与适用性。其次，针对带时间窗约束的考虑取货需求时的多中心多车型配送优化问题，在取货需求的约束下建立了以行驶距离、时间惩罚成本、固定成本、配送剩余装载能力和取货剩余装载能力为目标的车辆配送多目标优化模型，构建了模型求解的遗传算法和模拟退火算法相结合的混合算法，结合实例数据，对求解算法进行仿真计算。通过结果分析与因素分析，验证了模型和求解方法的适用性，并分析了有无时间窗约束及不同目标函数对优化问题的影响。本文的研究结果应用于云物流服务平台下车辆配送优化问题的决策中，对于降低云物流服务模式下的物流成本，提高车辆装载能力利用率有着重要意义，而且还有助于物流行业供给侧改革，推动物流行业和互联网深度融合，提高企业在动态多变的全球市场上的竞争力。
关键词： 云物流服务；车辆配送问题；取货需求；遗传算法。
ABSTRACT
With the combination of technologies and logistics such as the Internet of Things and cloud computing, the cloud logistics service model with the cloud logistics service platform as the core is the key to the current traditional enterprises to cope with the dynamic and changing market competition environment and enhance their own international competitiveness. Distribution is an extremely critical link in the logistics system. With more and more enterprises demanding customized, specialized and personalized logistics services, the efficiency of vehicle distribution under the cloud logistics service model directly affects the logistics costs of enterprises and has an important impact on the production and operation of enterprises. Therefore, it is particularly important to study the optimization of vehicle distribution under the cloud logistics service model.This paper is based on the 2017 Baohe District Government of Hefei City carrying out a scientific and technological achievements transformation project-"Cloud Logistics and Key Technology Research and Industrialization of Big Data Services".
This project builds a cloud logistics service model platform. Focusing on the delivery order, the vehicle distribution optimization problem is researched on the multi-centersingle-model distribution optimization problem with time window and the multi-center multi-model distribution optimization problem considering the pickup demand.First, for the multi-center single-vehicle distribution optimization problem with time window constraints, considering the situation that the distribution vehicle returns to different distribution centers after completing the distribution service, the paper uses the k-means algorithm to cluster the distribution orders on the cloud logistics service platform. The paper establishes a vehicle distribution optimization model aiming at driving distance, time penalty cost, fixed cost and remaining loading capacity, and builds an improved genetic algorithm based on Bellman-Ford model solution. The paper uses Bellman-Ford algorithm to pide the optimal path of the genetic algorithm's chromosomes, and obtains a multi-objective function comprehensive optimal distribution plan when the vehicle capacity and other constraints are met. By analyzing the results of the examples, the feasibility and applicability of the model and the solution method are verified.Secondly, in view of the multi-center and multi-vehicle distribution optimization problem when considering the demand for pickup with time window constraints, the paper establishes a vehicle distribution optimization model aiming at driving distance, time penalty cost, fixed cost and remaining loading capacity, and builds a hybrid algorithm combining genetic algorithm and simulated annealing algorithm to solve the model, combined with example data to simulate calculation of the solution algorithm.
Through the result analysis and factor analysis, the applicability of the model and solution method is verified, and the influence of time window constraints and different objective functions on the optimization problem is analyzed.The research results of this paper are applied to the decision of vehicle distribution optimization under the cloud logistics service platform, which is of great significance to reduce the logistics cost under the cloud logistics service model and improve the utilization rate of vehicle loading capacity.At the same time, it can also contribute to the supply-side reform of the logistics industry, promote the deep integration of the logistics industry and the Internet, and improve the competitiveness of enterprises in the dynamic and changing global market.
KEYWORDS: Digital Workshop; Production Logistics; Material Storage; Genetic Algorithm。
第一章 绪论
1.1、 研究背景。
随着现代社会的发展，物流业与国民经济的紧密性越来越强，物流的发达程度直接影响着社会经济的运行效率。我国的物流行业发展虽然十分迅速，但是仍然处在高成本、低质量和低水平的阶段。对此，在2014年，国务院曾发布《物流业发展中长期规划（2014-2020年）》，在规划中提出要加强物联网、云计算、大数据等新兴信息技术在物流行业中的应用，提高物流信息化水平，构建综合物流运输体系，推动物流企业的集约化和规模化，从而提升物流服务的一体化水平[1]。党的十九大报告中指出，我国经济已由从高速增长转向高质量发展的阶段，当前我国对于建设现代化经济体系有着迫切需要，而经济的发展离不开物流。这些都意味着物流业需要提高质量、推动创新和效率优先，深化物流供给侧改革，积极提高物流服务的供给质量，将低端供需平衡转变为高端供需平衡。
为了紧跟国务院《物流业发展中长期规划（2014-2020年）》，加快物流智能化水平建设。2017年合肥市包河区政府开展科技成果转化工程，以此为契机，合肥工业大学与JZT企业共同申请项目，并获批重点项目。项目名称为“云物流及其大数据服务关键技术研究及产业化”，主要内容是在物流园区的背景基础上，构建云物流及其大数据服务平台，并在平台上利用云物流及大数据等相关技术对整个物流服务进行优化，推动更多的物流企业进行合作从而实现数据的互通，形成规模效应。大数据云物流服务平台体系下，包括仓储、运输、配送等多个方面。
在云物流服务平台下，物流承运商需要在合适的时间根据订单需求，将对应的货物送到合适的地方。其中，云物流服务平台下的基于订单的配送过程属于车辆配送问题（VRP）之一。在云物流服务平台下，根据配送路径将订单货物放置在合适的配送中心，并选取合适的配送路径方案，能够有效的减少物流配送成本，提高客户的满意度。本文在云物流服务模式的背景下，对以云物流服务平台的订单为中心的车辆配送问题进行深入研究。
1.2、 研究意义。
“云物流及其大数据服务关键技术研究及产业化”项目主要是打造基于大数据的云物流服务平台，用以解决当前物流行业信息化水平较低、资源有效利用率低、物流信息不对称、标准化程度低以及没有有效信用体系等问题，进而提高客户服务水平、降低整体物流成本等。此外，大数据云物流服务平台的建设对于促进我国两化融合、推动互联网+AI+物流、打造低碳运输体系有着重要的现实意义，它能够对物流社会资源进行有效整合，从而提升整体的物流服务水平，将AI与物流行业紧密结合。
为了实现大数据云物流服务平台体系，在云计算、物联网及大数据等相关技术的支撑下，提出并实施基于感知层、支撑层、资源层、基础构件层、平台服务层和用户层的智慧物流管理平台的流程体系结构，以及基于SOA的系统实现方法，为平台用户提供物流方案及系统支持。而车辆配送问题在物流系统中至关重要，云物流服务平台在制定物流配送方案时，不仅需要考虑产品配送的问题，同时还需要考虑取货需求的问题。当客户既有送货需求又有取货需求时，常见的策略有两种，一种是将送货和取货分成两阶段处理，如车辆在完成所有送货任务后，再进行取货任务的处理，或者是送货和取货由不同的车辆负责。另一种是在给客户送货的时候，将客户的取货需求一起处理。第二种策略相对于第一种策略来讲，能够更加有效的利用车辆资源，降低企业的配送成本，提高客户的满意度。
基于订单的车辆路径规划是云物流服务平台十分重要的组成部分。在云物流服务平台的背景下，物流承运商需要根据订单将货物从配送中心运输至客户门店。在云物流服务平台接收到注册门店的配送订单数据后，首先需要根据订单对配送路线进行规划，在获取订单数据后，需要根据订单信息选择配送中心（配送中心可能有多个），然后根据配送中心的位置，考虑不同返回中心的情况，结合行驶距离、惩罚时间成本、固定成本、车辆剩余装载能力等因素选择合适的配送车辆，形成最佳的配送路径方案。在此基础上，考虑到云物流服务平台不仅会接收配送订单，同时还会有取货订单。因此，配送车辆在进行配送任务的同时，还需要对客户进行取货服务。基于订单的车辆路径规划对整个云物流服务平台的运作效率有着重要作用，最优化的配送路线方案能够有效的提高配送效率，降低整个配送过程的成本，提高客户满意度。
云物流服务模式下，客户将送货需求和取货需求提交至云物流服务平台，由云物流服务平台根据一定时间内的订单制定车辆配送方案。如果采用传统模式，不仅会造成资源浪费，还会因为响应速度低等造成服务质量下降，同时还有可能增加车辆的使用量等，从而对城市交通造成堵塞，污染环境等。相比较于传统物流模式，该模式避免了送货需求、取货需求及取货数量等不确定的情况，能够很好的降低车辆的空载情况，提高车辆的资源利用率，降低整体配送成本。本文以云物流服务模式为研究背景，针对云物流服务平台的订单配送过程，研究考虑带时间窗约束的多中心单车型的车辆配送优化问题以及带时间窗约束的考虑取货需求的多中心多车型的车辆配送优化问题相关理论及求解方法，对于加快物流行业供给侧改革，推动物流行业和互联网深度融合，提高企业在动态多变的全球市场上的竞争力有着重要的理论意义和现实意义。
【由于本篇文章为硕士论文，如需全文请点击底部下载全文链接】
1.3 、国内外研究现
1.3.1、云物流服务国内外研究现状，
1.3.2、基于时间窗的VRP国内外研究现状
1.3.2、基于时间窗的VRPSPD国内外研究现状
1.4 、研究内容
1.4.1、研究思路
1.4.2 、结构安排.
1.4.3、 技术路线
第二章 云物流服务模式下车辆配送问题
2.1、云物流服务模式
2.1.1、云物流服务模式的概念模型.
2.1.2、云物流服务模式的运作过程
2.1.3、云物流服务模式的特征
2.2、云物流服务平台
2.2.1、云物流服务平台的技术架构.
2.2.2、云物流服务平台的功能
2.2.3、云物流服务平台的特点
2.3、云物流服务模式和传统物流模式的不同.
2.4、云物流服务模式下的车辆配送问题分析
第三章 云物流服务模式下带时间窗的多中心单车型配送优化问题研究
3.1、问题描述和模型假设
3.1.1、问题描述
3.1.2、配送规则
3.1.3、 变量定义
3.2、模型建立，
3.2.1、目标函数
3.2.2、约束条件
3.3、模型求解
3.3.1、多目标函数转换
3.3.2、聚类处理.
3.3.3、遗传算法设计.
3.4、算例分析.
3.4.1、数据采集.
3.4.2、仿真实验.
3.4.3、结果分析
3.5、本章小结.
第四章 云物流服务模式下考虑取货时的多中心多车型2送优化问题研究
4.1、问题描述和模型假设
4.1.1、 问题描述
4.1.2、 配送规则
4.1.3 、变量定义
4.2、模型建立
4.2.1、目标函数
4.2.2、约束条件
4.3 、模型求解.
4.3.1、多目标函数转换
4.3.2、遗传混合模拟退火算法设计
4.4、算例分析.
4.4.1、数据采集
4.4.2、实验过程与结果分析
4.4.3、因素分析
4.5、本章小结.
第五章 总 结
在云物流服务模式下以订单为中心的配送优化问题中，需要根据云物流服务平台的送货订单及取货订单，让配送车辆从不同的配送中心出发，按照配送方案，对提交订单，有服务需求的门店进行服务，并在完成配送服务后，返还对应的配送中心。针对这一情况，本文对云物流服务模式下的车辆配送优化问题进行研究，研究工作以项目实际需求为基础，实现理论知识与实际情况相结合，主要工作如下：
（1）对物联网、云计算等技术的物流服务新模式——云物流服务模式进行介绍，分别阐述了概念模型、运作过程及相关特征等，并在云物流服务模式的基础上介绍了云物流服务平台的技术架构及功能等内容。随后，将云物流服务模式与传统的物流模式进行对比，分析它们之间的优劣势，突出云物流服务模式的特点。针对云物流服务模式下的配送活动存在的实际问题，引出本文的研究内容——考虑时间窗的多中心单车型配送优化问题以及带时间窗约束的考虑取货需求的多中心多车型配送优化问题。
（2）深入研究考虑时间窗的多中心单车型问题，基于云物流服务模式，考虑配送车辆在完成配送服务后，返回不同的配送中心的情况。随后设计合理的配送规则，结合实际需求构建以行驶距离、时间惩罚成本、固定成本及剩余装载能力为目标的优化函数，在对模型进行求解时，使用遗传算法作为基础进行算法设计，针对车辆可以返回不同中心的特点，设计符合要求的染色体编码。结合优化模型的特点，选取锦标赛法作为选择策略，并利用Bellman-Ford算法对染色体进行最优分割，在满足车辆容量等限制的情况下，得到目标函数最优的配送方案，最后使用Java和Python语言进行编程实现，并进行仿真分析。随后，针对遗传算法局部搜索能力较差的情况，将其与模拟退火算法结合，并将其遗传算法作对比。实验结果证明，遗传算法应用在本问题上是切实可行的，配送车辆不返回原出发时配送中心，而是选择合适的配送中心返回，有效降低整体配送成本的同时，还能够尽可能满足客户的时间窗需求，并通过云物流服务平台实现实时信息交互，提高客户的满意度。
（3）在考虑时间窗的多中心单车型问题的基础上进行深入分析，不同的配送中心的所拥有的车型及车型数量不相同，同时考虑取货需求，将取货与配货相结合，实现取配一体化，对带时间窗的考虑取货需求的多中心多车型问题进行研究，在取货需求的约束下构建合理的以行驶距离距离、时间惩罚成本、固定成本、出发时剩余装载能力和返回时剩余装载能力为目标的多目标优化模型，并针对不同配送中心车型及车型数量不同的情况，对染色体编码进行调整。然后以遗传算法为基础，将模拟退火思想与遗传算法结合，采用遗传算法和Bellman-Ford算法进行求解，并分析了有无时间窗约束及不同目标函数对配送方案的影响。实验结果证明，基于遗传算法的方法在降低车辆的运输距离、配送成本及剩余装载能力等方面效果明显，不同配送中心能够以目标函数为依据，选择满足条件的车型进行配送服务，在一定程度上优化了目标。在云物流服务模式下的车辆配送优化研究领域具有一定的理论意义和实践意义。
参考文献
