摘要：基于绿色环保视角,通过在物流配送中引入油耗、污染物排放等因素,构建出配送路径优化模型,运用蚁群算法(ACA)进行优化求解,结合实例证明了该优化模型的可行性和有效性,能够达到路径最短且污染物排放量最低的目的。
关键词：绿色物流; 路径优化; 蚁群算法;
Research on optimization of green logistics distribution path——Taking JD distribution as an example
ZHANG Xiao-lin LIANG Li-jun ZHANG Meng-wan
School of Information Management,Beijing Information Science and Technology University
Abstract：From the perspective of green environmental protection, this paper constructs a distribution path optimization model by introducing factors such as fuel consumption and pollutant emission into logistics distribution,and uses the ant colony algorithm(ACA) to solve the optimization problem. The feasibility and effectiveness of the optimization model are proved by an example, which can achieve the purpose of the shortest path and the lowest pollutant emission.
一、研究背景与动因
人类合理利用自然资源推动了社会进步，但过度地消耗资源对环境造成了巨大危害，比如生态破坏、气候反常等。物流活动在为人类提供方便的同时，也产生了一些污染。随着国民对绿色发展的重视，绿色物流逐渐映入大众的眼帘。笔者充分考虑耗油成本、绿色环保成本，将绿色物流与配送的路径优化结合起来，构建相关绿色指标，把具体企业的物流配送路径与蚁群算法相联系进行考虑，在绿色物流视角下研究配送路径对环境保护和经济发展的重要意义。
二、研究综述
（一）绿色物流研究方面
在物流运作过程中，绿色物流有两层含义：一方面是充分利用高科技手段尽可能把对环境的负面影响降低为零；另一方面是做到资源的合理使用，使每项资源都能发挥出相应的价值。建立一个和生态环境休戚与共的物流系统是绿色物流的目的，为了达到该目的，最有效的手段是从环境资源着手。[1]
Seroka-Stolka(2014）把研究视角放在影响企业绿色物流理念发展的决定因素上，同时经过研究证明出它们将影响绿色物流发展。[2]Searcy(2014)对绿色供应链进行了相关研究，主要分析指标有：能源使用、温室气体排放、消费指标和能源效率等。[3]Rostamzadeh(2015)梳理了绿色供应链管理的相关知识，在此基础上提出环境可持续性在企业改善供应链中扮演着重要角色。[4]Hong(2019）通过构建颗粒物污染（PM2.5）模型，深入研究了绿色物流中的污染物排放问题，利用蒙特卡罗模拟呈现模型的内在变化。[5]
刘畅（2015）从阐述绿色物流内涵视角出发，分析了绿色物流对推动经济发展的重要性，研究出我国发展绿色物流的具体路径。[6]王晓思（2017）从绿色物流视角出发，基于绿色度构建相应模型，从而对污染物排放成本进行研究。[7]杨慧慧（2018）以绿色物流发展体系的建设作为研究重点，从多个方面对其充分探究，尤其针对物流链、物流的基础设施等方面做了深入的分析。[8]陈根龙（2019）以当前物流配送时的包装环节为着眼点，对该过程中存在的问题进行相应分析，提出“共享快递盒”的绿色配送理念，同时对使用“共享快递盒”的可持续性、经济性、安全性进行了详细阐述。[9]
（二）配送路径算法研究方面
配送路径直接决定着物流配送的成本和效率，对配送路径及其算法进行优化和研究具有重要的意义和价值。
Belmecheri(2013）等学者提出了一种利用局部搜索进行的粒子群优化算法，结合混合长途和具体的回程用户（VRPMB）车辆路径问题进行了实例研究，同时对该问题的适应性进行了相应解释，从而验证粒子群优化算法提高了算法的性能。[10]Amorim(2014)综合考虑了总成本的最小化以及新鲜度的最大化问题，从而对多目标模型进行深入研究。[11]Yu(2018)研究了物流终端配送模式和路径优化问题。[12]Zhang(2019）构建了包含时间窗的冷链物流车辆路径优化模型，在基于普通遗传算法收敛速度慢等缺点的基础上，提出了具体的改进之处，经实例分析证明该优化算法能够以较低成本得到最优路径。[13]
王道平(2017)等学者对物流配送进行了深入研究，以配送中的选址问题作为切入点，借助两阶段的启发式算法进行了相应的模型构建，目标为配送中心选址成本和车辆配送成本最小，最后通过具体数据验证该模型的有效性，但是该方法存在的问题是配送便捷性较差。[14]李作山(2019)等学者结合遗传算法，针对企业车辆调度优化进行研究，基于减少汽车运行耗费为目的提出了相关策略。[15]曾志雄(2019等学者基于蚁群算法研究了荔枝的冷链物流配送，该研究的侧重点为配送成本，即如何对其优化设计，使得成本花费最少。[16]同时，方文婷（2019）等学者通过将节能减排转化为绿色成本，建立以总成本最小为研究目标的数学模型，在混合蚁群算法的基础应用上，结合具体实例进行仿真建模以及进一步的分析，最终验证了该算法的有效性。[17]
综上所述，国内外对配送的路径优化已经进行了相关研究，但将优化算法与具体案例结合的研究仍是少数。同时，目前的配送路径优化很少考虑绿色因素，即有关环境问题的研究并不充分。
三、物流配送路径优化选择
通常来说，配送中心的主要任务之一，是基于最优配送路径基础上，对各个需求地进行货物的正常配送。在此情形下，配送车辆的行驶路线为，在到达一个需求地点后立即对另一个需求地点进行配送，直到配送车辆完成所有的配送任务，方可回到配送中心。
为了便于研究物流配送路径问题，一些已知条件是必不可少的，比如配送中心地点、需求地点、配送中心及需求地点的相对坐标、各个需求地所需的货物数量以及配送车辆的最大运载量，只有把以上条件作为大前提，才能深入研究物流配送路径的优化问题。
假设Q=(0,1,2，…，m)表示多条配送路径；0表示配送中心；1,2，…，m表示需求地点的编号。可行选择是满足运载能力等限制条件下的路径选择集合，最佳选择是可行选择集合中路径最短的选择。[18]
（一）假设条件
物流配送路径优化的结果通常受诸多因素影响，因此，在已知条件的基础上，仍需要对实际配送问题添加一些假设条件，从而对其进行相应的简化。具体假设条件有：（1）配送车辆均为统一规格；（2）各个需求地的货物被装上配送车辆所花费的时间此处不予考虑，即假设装车任务已完成，只需等待发车；（3）在一次完整的配送任务中，一个需求地的货物只能由一辆车进行转运配送，同时，在此处假设不存在分批配送的可能性。
（二）物流配送路径优化模型
假设px表示x需求地点的货物量；exy表示x需求地点到y需求地点的距离；R表示配送车辆的最大运载量；U表示物流中心配送车辆的总数；mι表示配送车辆t的配送地点数量；Txι表示配送车t离开x需求地点时配送车中的货物量；当gxyι=1时，表示配送车辆ι从x配送地点行驶到y配送地点，当gxyι=0时，表示配送车辆不走这条配送路径。物流配送的限制条件如下：
限制配送车辆从配送中心出发的约束条件表达式如下：
限制配送地点不重复配送的约束条件表达式如下：
限制所有货物都被正常配送的约束条件表达式如下：
限制配送车辆不能超载的约束条件表达式如下：
依据上述限制条件，构建物流配送路径优化模型表达式如下：
k表示配送的总距离。
（三）模型的绿色配送改进
在当今电商物流迅速发展的情形下，物流配送的绿色发展日益受到各行各业重视。物流配送过程中，存在货物量较大、配送地点分布较广等问题，从而导致配送效率降低，对环境造成了不良影响。因此，拟设计一种有效的物流配送路径优化方法，在保证配送效率前提下，切实解决环境污染问题，最终实现绿色配送。
1．污染物排放量计量
21世纪以来，随着汽车数量的增多，尾气污染也越来越严重。在物流配送中，污染物排放对环境和人类都造成了极其不利的影响。因此对于上述配送模型，笔者着重考虑污染物排放量的降低问题。对于轻型柴油货车，由污染物排放指标的相关计算方法知，该指标的计量公式为：E大气=K×EF×10-6+2×10-6×Fg×K×αg
由上述公式知，当配送距离最短时，污染物排放量达到最低。其中，相关参数含义如下：
EF：表示单位距离污染物排放量，单位：g/km
Fg：表示柴油消耗量，单位：l/km
αg：表示柴油中硫元素的含量，单位：质量分数百万分之一（ppm）。
2．物流配送成本计量
物流配送过程中涉及的主要成本有两部分，分别为固定成本和变动成本。
固定成本是在实际物流配送中不会随配送货物量和配送距离而产生变化的成本，具体包括车辆配送员的基础工资与保险、配送车辆的通信及月检费用。该部分费用与最终的配送出车数量关系密切，因此，总固定成本表示为：C固定=s×n，相关参数含义如下：
s：单位出车固定成本；
n：最终的配送出车数量。
变动成本是与实际物流配送距离相关的成本。其中，配送过程中的车辆维修费、轮胎费、燃油费以及车辆配送员的可变工资，组成了单位距离变动成本。因此，总变动成本表示为：C变动=l×k，相关参数含义如下：
l：单位距离变动成本；
k：路径优化后的最优总距离。[19]
所以，C总成本=C固定+C变动
四、基于蚁群算法的配送路径优化研究
（一）绿色物流配送的蚁群算法实现流程
蚁群算法能用来解决VRP问题（车辆路径优化），其核心思想是借助一定数量的蚂蚁群体来寻求最短路径。蚁群在活动的时候，个体会释放出一种独有的信息素。在一段时间内，最短路径被选择的较多，所积累的信息素也就更多。同时，该物质可被同伴感受到，后来的蚂蚁便会依据该物质的浓度选择通过路径，进而影响整个蚁群的活动方向。[20]
为了使蚁群算法得到更直观形象的结果，蚁群活动时要遵循相应的原则，其中觅食原则是最基础的一个原则。同时，该算法在实际应用中，一些参数的设置对模型优化结果也有一定的影响，比如信息启发式因子α、期望启发式因子β等。笔者结合蚁群算法得出最短配送路径后，在此基础上得到最低的污染物排放量，来实现绿色物流配送的目的。算法流程如下图所示：
图1 绿色物流配送的蚁群算法实现流程
（二）京东配送中心实例分析
笔者以京东大型综合物流配送中心的配送路径为例，来验证蚁群算法的可行性。经调查知，位于北京海淀区的一家配送中心负责周边的8家便利店，对其进行日常物流配送。
1．基础参数设置
调查可知，该区域内配送货车车型为江淮帅铃H载货车，选择燃料为国V标准柴油，车速范围为40km/h～80km/h。该数学模型中参数的具体设置如表1所示：
表1 基础参数
由表1可知：
单位出车固定成本s=车辆的通信及月检费d+车辆配送员基础工资与保险h，所以，s为120元/每辆/每天。
单位距离变动成本l=单位燃油油耗费用a+单位维修与轮胎费用b+车辆配送员可变工资c，所以，l为2.9元/公里。
2．数据来源
笔者以京东便利店的物流配送为依据，由于服务门店较多，数据分析较有难度，此处选取了固定区域的8家便利店作为研究样本，由位于该区域中心的配送中心完成此8家门店的配送任务。
将配送中心和需求门店进行编号，0,1,2…,8，配送中心和各门店的地理位置、相对坐标及需求量如表2所示：
表2 各门店的地理位置、坐标及配送量
3．数据分析
运用蚁群算法对配送路径进行优化，寻找最优路径，其中,信息启发式因子α=2，期望启发式因子β=3，蚂蚁数量为4，迭代次数为100，使用MATLAB软件编程进行求解，结果如图2、图3所示：
图2 算法的优化目标函数曲线
由图2和图3知，迭代100次后，最短配送距离为41.08Km。此时需要三辆车进行配送，有三条路径。车辆1:0-1-2-3-0；车辆2:0-5-6-7-0；车辆3:0-4-8-0。
图3 蚁群算法优化路径
根据污染物排放量计量公式：E大气=K×EF×10-6+2×10-6×Fg×K×αg计算可知，此时的污染物排放量最低为8.989×10-4g；根据配送成本计量公式：C总成本=C固定+C变动计算可知，总成本为479.132元。
结合京东配送实例分析，运用上述配送模型对路径进行了相应的优化，使车辆配送距离最短，极大地提高了配送效率。同时，当路径最短时，该模型实现了绿色配送，将污染物的排放量控制到最低，从而减少对环境的污染。
五、研究结论及展望
笔者通过研究，可归纳得到以下结论：一是改进的蚁群算法可以应用在配送实例中，利用MAT-LAB软件对模型求解，能够有效提供最短的路线方案。二是配送成本的计量对路径优化有着不可忽视的影响，不论是固定成本部分还是变动成本部分，物流企业进行路径优化时都要着重考虑。三是在绿色物流配送研究中，把降低污染气体排放量作为主要考虑的绿色指标是可行的，借助该模型能达到污染气体排放量最低的目标，为物流企业绿色配送提供了重要参考，利于该行业的长期发展。
但是笔者考虑的限制条件仍相对较少，随着物流业的发展，综合全面考虑问题将是大趋势，因此该数学模型有待进一步细化。同时，当配送过程中污染物排放量最低时，配送总成本没有得到相应的控制，在实际应用中还需结合具体环境进行一定的调整优化。
参考文献
[1]张正昶.绿色物流管理系统设计与实现[D].长沙:湖南大学,2013.
[2]Seroka-Stolka O.The Development of Green Logistics for Implementation Sustainable Development Strategy in Companies[J].Procedia Social and Behaviora Sciences,2014(10):302-309.
[3]Payman Ahi,Cory Searcy.An analysis of metrics used to measure performance in green and sustainable supply chains[J].Journal of Cleaner Production,2015(8)360-377.
[4]Reza Rostamzadeh,Kannan Govindan,Ahmad Esmaeili,Mahdi Sabaghi.Application of fuzzy VIKOR for evaluation of green supply chain management practices[J]Ecological Indicators,2015(9):188-203.
[5]Hong,J.,Alzaman,C.,Diabat,A.et al.Sustainability dimensions and PM2.5 in supply chain logistics[J]Annals of Operations Research,2019(2):339-366.
[6]刘畅.我国发展绿色物流的对策研究[J].物流技术,2015(3):77-79.
[7]王晓思.基于绿色度的冷链物流配送路径优化研究[D].北京：北京交通大学,2017.
[8]杨慧慧.基于循环经济的绿色物流体系建设研究[J].物流工程与管理,2018(8):15-16.
[9]陈根龙.绿色物流下的共享快递盒[J].现代营销(下旬刊),2019(10):120-121.
[10]Belmecheri,F.,Prins,C.,Yalaoui,F.et al.Particle swarm optimization algorithm for a vehicle routing problem with heterogeneous fleet,mixed backhauls,and time windows[J].Journal of Intelligent Manufacturing,2013(4)775-789.
[11]P.Amorim,B.Almada-Lobo.The impact of food perishability issues in the vehicle routing problem[J]Computers&Industrial Engineering,2014(11):223-233.
[12]Yu,M.,Yue,G.,Lu,Z.et al.Logistics Terminal Distribution Mode and Path Optimization Based on Ant Colony Algorithm[J].Wireless Personal Communications,2018(4):2969-2985.
[13]Liyi Zhang,Gao,Y.,Sun,Y.et al.Application on Cold Chain Logistics Routing Optimization Based on Improved Genetic Algorithm[J].Automatic Control and Computer Sciences,2019(2):169-180.
[14]王道平,徐展,杨岑.基于两阶段启发式算法的物流配送选址-路径问题研究[J].运筹与管理,2017(4)70-75+83.
[15]李作山,李英博,张盈,等.遗传算法在企业车辆调度优化中的应用研究[J].内燃机与配件,2019(18)208-209.
[16]曾志雄,邹炽导,韦鉴峰,等.基于蚁群算法的荔枝冷链物流配送成本模型优化[J].包装工程,2019(11):58-65.
[17]方文婷,艾时钟,王晴,等.基于混合蚁群算法的冷链物流配送路径优化研究[J].中国管理科学,2019(11):107-115.
[18]建欢.自动化物流配送路径优化选择仿真研究[J].计算机仿真,2019(8):408-411,458.
[19]耿杰,宁铁娜,王爱霞.基于多Agent的图书物流配送线路优化研究---以SF物流公司为例[J].天津职业院校联合学报,2019(7):66-70.
[20] Dorigo M,Maniezzo V,Colorni A.Ant system optimization by a colony of cooperating agents[J].IEEEtransactions on systems,man,and cybernetics.Part BCybernetics:a publication of the IEEE Systems,Man,and Cybernetics Society,1996(1):29-41.
