【《基于遗传算法的“前置仓”选址模型分析案例概述》5600字】

基于遗传算法的“前置仓”选址模型分析案例概述目录TOC\o"1-3"\h\u5046基于遗传算法的“前置仓”选址模型分析案例概述 1323231.1问题分析 1274191.1.1基本假设 2320091.1.3参数说明 2256181.1.4各项成本说明 497061.２建立模型 6213081.3前置仓选址求解方法 7111751.1.1求解思路 757391.1.2算法设计 91.1问题分析疫情之下，新的电子商务订单猛增。据《中国移动购物汉沽量“战争疫情”专题报告》显示，生鲜电子商务日均总时长大幅上升，春节假期较平日增长56.1%，春节后两周较平日增长96.5%。生鲜产品电子商务应用程序的每日用户数量从工作日的700万增加到春节期间的1000万以上，假期后增加到1200万。以每日优鲜为例，其城市分拣中心+社区接待系统由“原始供应商-城市中央仓库-前置仓-消费者”组成。通过冷链分配系统完全完成了从生产区域到前端仓库的物流，而从前置仓到最终用户的“最后一公里”的交付则由本地分销商完成。近年来的实践表明，在增加交易频率和降低交易成本方面，预期效果是显着的。该模型在流行期间的性能再次证明，前置仓不仅是可以增加交易频率和降低成本的业务模型，而且还是可以承受高压测试的价值交易系统。由于前置仓遍布全国，其主要功能之一是有效地连接食品来源和消费者市场之间的供应链。最初，这种流行病才刚刚开始传播，每日优鲜已经利用其供应链迅速重组了全国许多可直接进入买方地区的果蔬生产基地的供应。增加采购并及时安排交货。流行开始时，蔬菜供应量从每天的1500吨猛增到2000吨。除了水果和蔬菜，肉和鸡蛋的新鲜来源也组织得井井有条。前置仓系统在最终分发到用户方面具有强大的优势。在所有地区都采取了严格的预防和控制措施，并且采取了独特的交通控制措施，但是也可以使用前置仓系统来防止春节的结束，部分地区都没有关门，以确保新鲜农产品的交付。即使在疫情爆发期间也将提供服务。前置仓系统的优势不仅体现在确保平台在爆发期间正常运行，还体现在向用户提供良好体验方面。从许多用户的反馈来看，每日优鲜在爆发期间给他们的最深印象是交货速度，稳定的产品质量和有保证的价格。众所周知，在爆发期间，几乎所有分销平台都遇到了不同程度的分销障碍，导致消费者体验下降。尽管每日新鲜食品含量是对速度最敏感的新鲜农产品，但在前置仓优势的支持下，它可以确保全国超过90％的新鲜农产品订单在2小时内交付。为了减轻用户对疫情的担忧，每日优鲜还利用前置仓的资源启动了非接触式配送功能，避免了与用户的接触，并免费安装了免费的配送架。与社区联系，并提供便捷的快速存储服务。因此，设立前置仓对于各大生鲜电商企业是一项保障，有效缩短货物运输距离、减少成本。如果说中心仓是冷链物流网络的一级配送中心，那么前置仓是冷链物流网络的二级配送中心，建立在城市内部，其覆盖范围大约为半径3公里，将仓库从城市周边转移至城市中心。作用是为需求点提供“最后一公里”的配送服务，更加关注配送服务质量和成本。在前置仓建设得到较大发展的情况下，利用前置仓的建设基础来构建我国生鲜农产品应急储备与供应体系可能是一种有效的途径。前置仓选址问题可描述为：在某一区域内，某生鲜电商企业需要在m个备选点中选择n个建立前置仓，其中w个需求点的位置和购买量均为已知，要求建立的前置仓能够服务所有需求点，并且在满足配送时效的前提下，考虑折旧成本、运营成本、运输成本、配送成本、能耗成本和货损成本，以总成本最小为目标，确定前置仓的最佳选址并完成需求点的分配任务。1.1.1基本假设各需求点在某生鲜电商企业的产品购买量均为已知，建模过程考虑日均购买量；各需求点、中心仓备选点和前置仓备选点的位置均为已知；每个需求点只能由一个前置仓提供服务，不考虑需求拆分配送的情况；不考虑生鲜产品由前置仓配送至需求点的货损成本；生鲜产品在各个贮存地点所处的温度相同且恒定；前置仓内的生鲜产品每日均可售罄，且无需考虑安全库存；在运输和配送过程中车辆行驶速度均为固定常数，不考虑自然环境和交通环境影响；中心仓到前置仓的运输费率视为常数，前置仓到需求点的配送费用按单计算，是距离的分段函数；从前置仓到需求点的配送均由第三方完成，不考虑配送员和配送车辆的限制。1.1.3参数说明（1）相关集合定义：I——备选前置仓集合；J——需求点集合；M={1，2，3}——生鲜产品集合，其中1表示水果，2表示蔬菜，3表示肉类；K={1，2}——季节的集合，1表示夏季，2表示冬季；（2）相关变量定义：i——前置仓，i∈I；j——被服务的需求点，j∈J；Ai——前置仓i中设备的年折旧成本，i∈IBi——前置仓i的年租赁成本，i∈I；di——中心仓到前置仓i的距离，i∈Idij——前置仓i到需求点j的距离，Ni——前置仓i∆Q——生鲜产品由于运输或存储产生的质量损失，m∈M；（3）相关决策变量定义：

Xi=1，Yij=1，（4）相关参数定义：C1C2C3C4C5C6F——服务于H个前置仓的冷藏车的年折旧成本；αk——季节kβ——除租赁成本外的其它运营成本参数；λ1λ2Qjm——需求点j对某生鲜电商企业销售的产品m的日均购买量，j∈J，m∈MQim——前置仓i的日均生鲜产品处理量，θm——生鲜产品m在中心仓、冷藏车和前置仓中的反应速率，m∈MTk——一年中季节kt1——生鲜产品在中心仓存储的时间；t2t3v1v2H——需要选择的前置仓数量；Pm——生鲜产品m的成本价格；Wi——前置仓i1.1.4各项成本说明（1）年折旧成本C折旧费用就是将记入固定资产价值的金额，随着固定资产的使用、损耗，将购置价款采用折旧的方法逐步转移到生产成本和相关费用中去。前置仓i中设备的年折旧费用和服务于H个前置仓的冷藏车的年折旧费用的加和为前置仓的年折旧成本。年折旧成本计算公式如下：C1（2）年运营成本C2前置仓的运营成本包括前置仓i的年租赁成本、人工成本、水电成本和材料成本等，其中年租赁成本为固定值，人工、水电和材料等成本均与前置仓的处理量成正比。年运营成本计算公式为：C（3）年运输成本C3运输成本是将生鲜产品从中心仓运送至前置仓产生的费用。运输成本与车辆的行驶速度、行驶距离和汽油单价等有关，为了方便计算，本文将单位运输费率视为常数，运输成本与运输距离和生鲜产品货物总量成正比。年运输成本计算公式为：C（4）年配送成本C配送成本是将生鲜产品从前置仓配送至需求点产生的费用，本文假设配送工作均由第三方完成，配送成本按单计算，每单的配送成本是配送距离的分段函数。年配送成本计算公式为：C（5）年能耗成本C5能耗成本的含义是为了保证生鲜产品在运输过程中的品质，冷藏车需要耗能以使冷藏车内保持恒定温度而产生的成本。前置仓一般位于社区或写字楼，因此末端配送的能耗成本可以忽略，仅考虑由中心仓运输至前置仓阶段所产生的能耗成本即可。能耗成本与运输时间成正比，考虑到冬季和夏季的单位能耗成本有较大差别，本文将能耗成本系数分别考虑，年能耗成本计算如下：不是公式C（6）年货损成本C6货损成本是指生鲜产品在运输和仓储过程中由于新鲜度下降而产生的损失费用。根据阿累尼乌斯方程，反应速率常数随温度变化：θ式中A为温度T时的反应特征常数；Ea为反应活化能，一般与温度无关的常数；R为摩尔气体常数（8.314J/mol·K）；T本文研究的货损成本包括以下三个阶段：第一阶段是生鲜食品存储在中心仓的阶段，存储时间为t1；第二阶段是由冷藏车运输至前置仓的过程，运输时间为t2，t2=dij/φ由公式可以看出，生鲜食品的变质率是一个与时间和环境温度有关的非线性函数。为了方便描述，我们假设生鲜食品进入中心仓时的质量为Q(0)，则生鲜食品的三级总货损为：∆Q=∆根据上文的定义，需求点j对生鲜食品m的日均购买量为QjQ则可转化为：∆Q=则年货损成本为：C1.２建立模型目标函数：表示研究区域内生鲜电商企业总运营成本最小minZ=C1+(3.13)约束条件：i∈IXiYi∈I若i∈Id式（1.14）表示被选定的前置仓数量需符合要求；式（1.15）表示只有备选前置仓i被选中时才可以为需求点j提供服务；式（1.16）表示每个需求点只能由一个前置仓为其提供服务;式（1.17）表示若前置仓i被选中，则它至少要为一个需求点j提供服务；式（1.18）表示前置仓i的单次订购量不大于其日处理能力；式（1.19）表示配送时间不超过1小时；1.3前置仓选址求解方法1.1.1求解思路本文提出的生鲜电商企业在“前置仓“模式下的配送系统选址——路径集成优化问题属于NP-hard问题。模型目标为多配送中心选址，因此要列出所有可能的前置仓选取方案，并在此基础上设计遗传算法进行需求点分配方案的最优解。根据多需求多配送中心选址分配问题的特点设计染色体编码规则,并根据满意度矩阵进行染色体编码,生成初始种群。遗传算法求解流程如图:相关数据与参数相关数据与参数“前置仓”模式下生鲜电商选址——路径集成优化模型“前置仓”模式下生鲜电商选址——路径集成优化模型编码编码随机生成初始解随机生成初始解Y有效性验证N有效性验证选择保留策略选择保留策略计算每个解的适应度函数值计算每个解的适应度函数值交叉、变异N交叉、变异更新当前最优解更新当前最优解满足终止条件满足终止条件求得最优解求得最优解图1.1遗传算法流程图1.1.2算法设计基于自然选择的计算模型和生物学家达尔文的生物进化理论中的遗传机制，创建了遗传算法。这样可以通过模拟自然进化过程来找到最佳解决方案。它的主要特征是直接作用于结构对象，而不受派生和功能连续性的限制。它具有固有的隐式并行性和更好的全局优化功能。可以在不确定规则下自动获得概率优化方法，搜索方向自适应。（1）染色体编码方法染色体编码有二进制编码和十进制编码两种方式，根据本文决策变量的特点，选用十进制编码。每一条染色体代表一种需求点分配方案，需求点的个数即为染色体的长度。以(2,2,2,2,2,2,2,2,2,2,3,3,3,3,3,3,2)为例说明，表示需求点1,2,3,4,5,6,7,8,9,10,17由前置仓2提供配送服务，其余需求由前置仓3提供配送服务。（2）种群初始化设定种群初始规模为N，最大迭代次数为maxG，上文所构建的模型约束了前置仓的最大处理能力和最长配送时间，因此，在种群初始化时检验每个染色体的有效性是很重要的，这能确定初始解是否满足模型的约束条件，以防止算法在后期陷入局部最优。（3）适应度函数适应度函数可以体现每一代种群对应的解的质量，个体的适应度越大，越容易生存下来成为父代。在遗传算法中，通过将目标函数转化为适应度函数，用于判断染色体的优劣程度。由于前置仓选址模型的目标函数是总成本最小，因此本文将总成本设置为适应度函数：

F其中，Fi表示个体的适应度大小，Z（4）选择策略选择策略就是根据上一代的适应度函数值，从上一代种群中选取适应度高的个体作为下一代种群的过程。已知种群数量为N，设定遗传代沟为GGAP，GGAP为代沟，一般取0.6到0.9之间，说明我们在选择父代的时候有所取舍。首先通过计算得到种群中各染色体的适应度值Fi，为保留最优个体的遗传特性，将最大值对应的个体直接作为父代。其次，必须重插入部分个体进入子种群以维系种群的整体规模，使得父代与子代在数量上保持一致。通过轮盘赌法，在GGAP∗N计算所有个体被挑选的概率PiP计算个体被挑选的累积期望EiE生成随机数ε∈0,1，如果ε∈E(d)重复步骤（c）N−1次，直至产生新的父代种群。（5）交叉策略交叉策略是基于交叉概率Pc的。将群体中某些个体的基因片段进行随机交叉交换，实现基因重组。考虑到本文定位问题的复杂性，我们选择了单点交叉，也就是简单交叉。这意味着在单个编码串中只随机设置一个交叉点，然后在这个交叉点上交换两个配体个体的一些染色体。获得一个新个体，如图1. 交叉点110101111100101101010100101010010101001010100101111100