论文部分内容阅读
21世纪以来,互联网行业在飞速成长,我们已然迈进了电子商务时代。网上购物如今已成为当代最流行的消费方式,随之而崛起的一个新兴行业就是物流服务业。数据显示,2014年我国快递业务收入达到2040亿元,同比增长42%,快递业务总量达到140亿件,同比增长52%,赶超美国跃居世界第一。2015年,我国快递业务收入到达2650亿元,同比增长了 30%,快递业务量完成196亿件,同比增长40%。到2016年,我国快递业务量初次冲破300亿件的关卡,来到312.8亿件,同比增长了 51.4%。然而,随着快递业务量的飞速上涨,隐含在其中的快递行业的运营成本也随之不断上升。快递运输行业的主要流程包括货物装配,物件运输,中转站的分拣运转以及派送点的最后派送。每个快递公司在前三个部分使用了更先进的物流技术来降低成本,但目前为止,最终的快递派送还是通过人工派送的方式进行。因此,研究快递配送车辆路径优化问题对提高快递行业的配送链运营效率,节约派送成本,增强快递公司自身的行业竞争力具有重要意义。本文首先简单说明了整体的研究背景和研究思路,并且阐述了研究目的及意义。同时,本文详细介绍了国内外快递配送业务的概念,车辆路径问题以及蚁群算法的研究现状和当前研究中所存在的问题。其次,介绍了常见的用于求解车辆路径问题的一系列优化方法。再次,本文根据城市快递配送的特点,以城市路网中的相关信息为基础,考虑不确定的时间因素并引入时间惩罚系数,构建了一个多目标的、带时间窗的、集配一体的车辆路径模型。然后,本文使用改进后的最大最小蚁群算法来对模型进行优化求解。传统的基本蚁群算法收敛速度极其缓慢,求得的解易收敛于局部最优,且刚开始搜索阶段由于缺乏足够的信息素,通常求出可行解需要很长的一段时间,并且非常容易求解到一定阶段出现停滞现象。即所有蚂蚁在搜索过程中可能会出现找到同一个解现象,然后在此解上徘徊,无法进一步搜索更优解。因此,本文采用在传统蚁群算法上做出相应优化的最大最小蚁群算法来求解问题模型。最大最小蚁群算法强调了对最优路径的开发,同时设定了信息素取值的上下限范围,将信息素保持在最大与最小之间。在最大最小蚁群算法一开始时,通常设定信息素为所选定的取值区间上最大值,这样能更快更正确地在初步搜索时探寻出更多的可能路径。同时,最大最小蚁群算法还能在搜索最优解过程中,在出现停滞状态时将信息素重新初始化,避免得出局部最优值。因为本文的车辆路径模型考虑了不确定的时间影响因素和时间惩罚系数,所以会对最大最小蚁群算法做出相应的改进。本文在最大最小蚁群算法的原有路径构造中,考虑了时间窗因素的择优性,并且加入了交通时间惩罚系数,构造了新的求解模型路径,同时,在信息素更新规则中也引入相应的参数,并且通过实验数据对比普通蚁群算法表明,改进后的最大最小蚁群算法,无论是在目标函数的求解速度还是解的最优性方面,都是相对较好的,验证了该改进算法的有效可行性。最后本文以某快递企业在扬州的网点分布和相关信息数据为例进行研究,通过对结果分析,对该快递企业提出了合理建议,降低其运营成本,对该公司意义深远。