论文部分内容阅读
近年来,随着新零售概念的提出,电商的战火已经从线上蔓延到了线下,而社区便利店已然成为厮杀最激烈的一块阵地。纵观当前中国便利店,无论是传统的日系便利店还是新兴的社区便利店,是否盈利都是其能否生存下去的最大考验。数据表明,社区便利店坪效毛利高但是营收低,目前面临的致命问题为库存小,补货慢,故如何能对社区便利店针对不同类型商品进行快速有效的补货成为了社区便利店能否盈利的关键影响因素。因此,使用计算机技术为社区便利店提供智能补货策略非常重要,这也正是本文研究的主要问题——考虑缺货惩罚和库存成本的多商品周期性车辆路径问题。考虑缺货惩罚和库存成本的多商品周期性车辆路径问题与传统的周期性车辆路径问题不同。传统的周期性车辆路径问题中考虑配送的商品仅为单类型商品,每次访问满足的需求为固定需求,目标函数也仅仅为车辆行驶总成本;而考虑缺货惩罚和库存成本的多商品周期性车辆路径问题考虑配送的商品为多类型的商品,不同类型的商品允许同车配送,每次访问满足的需求设置为决策变量,目标函数不仅仅考虑车辆行驶总成本,并且增加了社区便利店自身的缺货惩罚和库存成本。针对所研究的问题,本文设计了一套混合遗传算法求解,在该算法中设计了很多有效算子来辅助算法深入优化,包括教育算子和需求调整算子。其中教育算子为内嵌局部搜索的变邻域搜索算法,主要针对单天访问的顾客进行路径优化;而需求调整算子的作用为根据访问的天数自适应调整配送需求量。该算法的目标函数为最小化周期内车辆行驶总成本、缺货惩罚和库存成本总和,主要分为交叉阶段、变异阶段、教育阶段、需求调整阶段和种群替代阶段从而得到最终的算法结果。然后,为了验证本文设计的混合遗传算法的正确性和有效性,本文首先将混合遗传算法退化为单一商品,取消需求调整算子,目标函数仅考虑周期内车辆行驶总成本,从而求解标准带时间窗的周期性车辆路径问题标杆算例,求得的最优解与已知最优解的平均差距为1.75%;其次用混合遗传算法求解本文生成算例,并且与Cplex求解器求解结果对比,平均差距为1.63%。无论对于标杆算例考虑算法的精确性或者对于自己设计的算例考虑时间效率,本文设计的混合遗传算法都有很强的竞争力。随后对于算法中一些因素进行敏感性分析,并且对研究的问题进行问题分析,最终文章给车队和社区便利店分别提出了一些建设性意见。