【全渠道模式前置仓选址-路径集成优化分析案例12000字】

全渠道模式前置仓选址-路径集成优化分析案例目录TOC\o"1-3"\h\u24732全渠道模式前置仓选址-路径集成优化分析案例 1314141.1问题背景 1249961.2前置仓选址-路径集成优化模型构建 2219781.2.1模型假设 2256391.2.2参数定义与符号说明 217011.2.3整数规划模型建立 3195601.3遗传算法设计 6294681.3.1算法适用性分析 6225251.3.2算法流程 1070571.4案例分析 15170541.4.1数据来源与参数设置 15242651.4.2计算结果与量化分析 16251551.4.3灵敏度分析 26276711.4.4灵敏度分析小结 28全渠道模式作为一种线上线下相结合的综合型零售模式，其前置仓既能覆盖服务范围内的线上订单，又能满足周围消费者的到店购（或自提）、线下购买的需求，可有效弥补仓储模式前置仓在零售渠道方面的不足，同时，全渠道模式下的配送服务可快速满足顾客需求，提升顾客的购物满意度。在进行全渠道模式的前置仓选址与路径规划时，前置仓的选址位置决定着配送路径的起点与配送距离，而为寻找到最合理的配送路径，又需不断调整前置仓的数量与位置，两者相互作用且密切相关。因此，本章通过构建全渠道模式选址-路径集成优化模型，以期在上文第四、五章的选址模型与路径规划模型基础上进一步提升模型性能，实现整体结果最优。1.1问题背景本文针对所研究的全渠道零售的前置仓选址-路径集成优化问题可描述为：区域仓的位置是确定的，为区域内的所有前置仓提供货物；区域内的消费需求点位置与需求量是已知的；该区域内的前置仓数量与位置未知，需要在已知备选设施集中进行选择；最终决策确定的前置仓需要为区域内的所有顾客提供配送服务，并满足所有消费需求。全渠道模式前置仓通常设置在距离消费者密集的中心位置，通常选址的建设成本较高，本文需要考虑前置仓选址的建设册亨本与配送成本之间的效益背反关系，从中找到一个平衡点，使系统总成本最小。本文综合考虑全渠道模式前置仓的特点：部分需求配送、部分需求到店购、最大配送距离限制等特点，结合整数规划的方法，以系统总成本最小为目标建立全渠道模式前置仓选址-路径集成优化模型，对问题开展研究。1.2前置仓选址-路径集成优化模型构建1.2.1模型假设模型的重点决策内容为前置仓选址、前置仓与顾客间的配送路径规划以及区域仓与前置仓间的运输路径规划。据此，本文做出如下几个方面的假设：（1）假设不考虑运输与配送的返程成本；（2）假设前置仓周围的需求存在到店购和自提的可能；（3）假设每个顾客只由一辆车提供配送服务；（4）假设配送成本分别与配送距离和配送量成线性关系；（5）为保证顾客的时效性，假设每辆车存在最大的配送距离；（6）假设区域仓到前置仓采用直达运输方式；（7）假设前置仓到顾客采用巡回配送方式。1.2.2参数定义与符号说明为更好地构建全渠道模式前置仓选址-路径集成优化模型，本文将设置模型的集合、参数、变量如下：（1）集合是备选前置仓的集合；是客户群的集合；是车辆的集合；（2）参数是区域仓；是前置仓总的需求量；是前置仓最大的容量；是前置仓的建设成本；是区域仓到备选前置仓的距离；是顾客群的配送需求量；是车辆的固定使用成本；是车辆从点行驶到点时已经行驶的总距离；是点与点之间的距离；是到店购（或自提）的顾客需求占周边总顾客需求的比例，取0.3；是保证配送时效性车辆的最大配送距离；是可能发生顾客到店购（或自提）的最大半径；是单位产品运输单位距离的成本；是车辆的最大配送能力。（3）决策变量1.2.3整数规划模型建立相较于传统的配送中心选址-路径问题，全渠道模式下的前置仓选址-路径集成优化问题对配送时间与响应速度提出了更高的要求，因此其选址多在消费者密集区域，用地成本较高，前置仓建设成本是总成本的重要组成部分；同时，在区域仓-前置仓-需求点的三级物流网络中，区域仓到前置仓的运输成本也在总成本中占据了极大的比例；此外，因全渠道模式下的前置仓以“多品种、小批量、多批次”的配送特点为主，且为保证配送时效性，配送距离较短，多以前置仓为中心，覆盖周围三到五公里的消费者需求范围，因此配送频次较高，配送成本也是总成本的重要组成部分。（1）目标函数综上所述，系统总成本主要包括前置仓建设成本、区域仓到前置仓运输成本、车辆使用成本与前置仓到顾客群配送成本四部分子成本，各子成本具体表达式如下：1）前置仓的建设成本当备选前置仓被选中进行建设时，便会产生建设成本，该成本为一次性投入的固定成本，与选址地点有关，会因地点不同而有所差异，但不会因顾客需求或配送次数等外在因素变化而变化，其计算公式如下：（6-1）2）区域仓到前置仓的运输成本区域仓主要是对上游运输来的货物进行集中式存储，并根据需求将货物按照合适的种类与数量运输到前置仓，在货物由区域仓向前置仓运输的过程中会产生一定的费用，该部分费用主要取决于运输货物数量以及运输距离，其计算公式如下：（6-2）3）车辆的使用成本对于前置仓拥有的配送车辆，均会涉及到车辆保险费、管理费、车辆损耗与维修等费用。该部分费用与配送距离或配送次数没有直接关系，其费用相对较固定，本文将该部分费用统一为车辆使用成本，其计算公式如下：（6-3）4）前置仓到顾客群的配送成本由于全渠道模式下前置仓对配送时效性的要求，配送车辆一般会在短时内进行多次配送，且单次配送顾客群数量较少，配送距离较短，其配送成本主要取决于顾客需求量、配送距离与单位产品单位配送成本，其计算公式如下：（6-4）5）目标函数建立：根据上文的分析，本文将考虑全渠道模式的前置仓选址-路径集成优化模型构建如下：（6-5）（2）约束条件：约束条件（6-6）是要求前置仓需求与顾客群总需求相等：（6-6）约束条件（6-7）是要求前置仓所覆盖的总需求小于其最大容量：（6-7）约束条件（6-8）与约束条件（6-9）是行驶总距离的迭代：（6-8）（6-9）约束条件（6-10）是全渠道顾客的需求变动：（6-10）约束条件（6-11）与约束条件（6-12）是确保所有车辆只能从选择建设的前置仓出发或到达：（6-11）（6-12）约束条件（6-13）是确保每辆车最多使用一次：（6-13）约束条件（6-14）是确保每个顾客都只能由一辆车进行配送：（6-14）约束条件（6-15）是确保每辆车如果配送某个顾客必须从该顾客前往下一个顾客：（6-15）约束条件（6-16）是确保每辆车如果进行配送必须出发和返回同一个前置仓：（6-16）约束条件（6-17）是确保每辆车的配送距离不超过其最大配送距离：（6-17）约束条件（6-18）是确保每辆车装载的货物不超过其自身的装载能力：（6-18）根据上文中对目标函数和约束条件的确立，本文将客户需求变动下全渠道模式前置仓选址-路径集成优化模型表述为如下：在以上公式（6-5）中，其中目标函数是使前置仓的总费用最小。同时，本文结合约束条件（6-6）至约束条件（6-18）应用遗传算法对以上问题进行求解。1.3遗传算法设计1.3.1算法适用性分析当前常见的算法主要有精确算法与启发式算法两类。其中，精确算法有分支定界法、背景分割法、动态规划法等，此类算法虽能找到最优解，但当数据量大时，计算所需时间过长，因此主要适用于求解小规模问题；启发式算法则是在可接受的时间内找出问题的可行解，对于计算时间较长或难以找到最优解的问题，启发式算法具有较强的实用性。常见算法分类如图6-1所示。图6-1常见算法分类Figure6-1Classificationofcommonalgorithms基于全渠道模式前置仓选址-路径集成优化问题属于NP-hard问题，其数据规模较大，随着数据量的增多精确算法的计算量将呈指数性上涨，难以在较短时间内有效解决问题，因此通常使用启发式算法进行计算，本节将对几种常见的启发式算法进行对比，从中选出适用于本模型的算法。（1）爬山算法爬山算法是一种简单的贪婪搜索算法，其基本思想可概括为：在爬山时，当没有任何有关山顶的信息的情况下，会选择沿着高度增加的方向爬，如果在爬山过程中没有比当前更高的位置时便认为到达了山顶。其中爬山过程表示搜索过程，山顶表示搜索得到的最优值。爬山算法通过启发选择部分节点可以避免遍历，提高效率，与其他的启发式算法相比，该算法简单且使用方便，但解的好坏受邻域结构的直接影响，极易陷入局部最优。（2）禁忌搜索算法美国科罗拉多大学教授FredGlover于1985年提出禁忌搜索算法，其基本思想可概括为：对于一个给定的初始可行解，选择一系列的移动方向进行试探，并将使特定目标函数值变化最多的移动作为该次的可接受解。采用领域优选的搜索方法避免陷入局部最优，并利用禁忌表避免算法陷入迭代循环。对于放入禁忌表中的可接受解，在下次迭代时将加以禁止，随着迭代的进行禁忌表将不断更新，直到最后找到最优解，其具体步骤如图6-2所示。图6-2禁忌搜索算法基本步骤Figure6-2BasicstepsofTabuSearchAlgorithm与局部搜索相比，禁忌搜索算法可在一定程度上解决陷入局部最优问题，且有着更强的鲁棒性，但其对于初始解的依赖性较强，且计算时间较长，通常用于求解较大规模的问题。（3）蚁群算法意大利学者MarcoDorigo于1992年提出蚁群算法，其灵感来源于蚁群觅食行为。蚁群算法的基本思想可概括为：从起点出发，蚂蚁在觅食过程中会在走过的路径上留下信息素，其他蚂蚁在感知到后习惯于追踪信息素爬行，同样也在爬行过程中释放信息素。一条路径上的信息素越浓，后来的蚂蚁就有更高的概率选择这条路径，并进一步加强该条路径上的信息素踪迹，形成一种信息正反馈。蚂蚁倾向于选择较短的觅食路径，因此随着时间的推移，最终所有的蚂蚁都会集中到最短路径上来，从而实现协同合作搜索最短觅食路径的目的。其中，蚂蚁的行走路径表示问题的可行解，而所有行走路径中的最短路径表示问题的最优解，其具体步骤如图6-3所示。图6-3蚁群算法基本步骤Figure6-3BasicstepsofAntColonyAlgorithm蚁群算法有着较强的局部搜索能力，不易陷入局部最优，但该算法对于信息素函数有着较强的依赖性，其通用性不强，鲁棒性较差，多应用于对现有路径的改造。（4）遗传算法美国密歇根大学的Bagley于1967年首次提出遗传算法，是通过模拟优胜劣汰的生物进化过程来寻找最优解的一种启发式算法。遗传算法的基本思想可概括为：首先随机产生一个种群，并对种群中的个体进行适应度评估；然后通过一定的选择策略选出父代，对父代个体进行交叉与变异操作；最后将变异结果与终止条件进行比较，如果符合则输出结果，结束计算，否则重新进行适应度评估，重复上述过程直到达到终止条件，其具体步骤如图6-4所示。图6-4遗传算法基本步骤Figure6-4BasicstepsofGeneticAlgorithm遗传算法虽然容易早熟收敛，但有着较强的鲁棒性与全局搜索能力，不易陷入局部最优，常用于解决复杂的优化问题。（5）各算法对比分析根据上述分析，对各算法优缺点与使用对象进行归纳比较，如表6-1所示。表6-1不同算法优缺点与适用对象Table6-1Advantagesanddisadvantagesofdifferentalgorithmsandapplicableobjects算法名称优点缺点适用对象爬山算法效率高、简单、使用方便极易陷入局部最优-禁忌搜索算法鲁棒性强对初始解依赖性强、计算时间长较大规模问题蚁群算法局部搜索能力强，不易陷入局部最优对信息素函数依赖性强、鲁棒性差现有路径改造遗传算法鲁棒性强、全局搜索能力强、不易陷入局部最优易早熟收敛复杂的优化问题本文要解决的基于全渠道模式的前置仓选址-路径问题本质上是一个优化问题，需要涉及到前置仓的选址与路径规划两方面的决策，且在目标函数中不同成本间存在着较明显的效益背反现象，数据规模大且求解复杂，结合上文对算法适用性的分析，本文考虑选用遗传算法对问题进行求解计算。1.3.2算法流程遗传算法包括编码、种群初始化、适应度函数、遗传算子、交叉算子、变异算子等基本步骤。本节设计遗传算法运算流程如图6-5所示。图6-5遗传算法流程图Figure6-5Flowchartofgeneticalgorithm根据遗传算法的计算流程，本节将对遗传算法关键步骤进行详细介绍。（1）编码和解码编码的过程就是通过设计基因将所研究问题中的决策内容转换为计算机可识别符号的过程，本文决策内容主要包括前置仓选择、顾客分配以及配送路径设计。在遗传算法中常见的编码方式有实数编码、二进制编码以及符号编码等，本文采用二进制和实数混合编码。该模型编码情景可描述为：模型中有个备选前置仓可供选择、个顾客需要服务，所选前置仓需确保自己的配送服务能覆盖所有顾客群，因此整个编码过程涉及前置仓选择、顾客分配以及配送路径设计三个决策内容，算法对应三部分决策内容。因此，根据备选前置仓与顾客信息确定其对应的唯一数字ID码分别为和，并根据决策需求设计三部分基因序列，共个基因。其中，第一部分由个基因组成，用于表示所选前置仓，基因位置表示对应备选前置仓ID，基因值代表该备选前置仓是否被选择，编码方式为0-1二进制：基因值为1时表示选择该前置仓，基因值为0时表示不选择该前置仓；第二部分由个基因组成，表示各顾客被分配的前置仓，基因位置表示对应ID的顾客，基因值表示服务该顾客的前置仓ID，该部分采用实数编码，取值范围为；第三部分表示配送路径设计，每个基因表示一个顾客，基因值为顾客的数字ID，由于配送路径中不允许出现两个相同的顾客，因此采用排列编码，通过基因排列顺序来表示不同的设计路径。编码操作举例如图6-6所示：图6-6编码方式示意图Figure6-6Codingmode（2）种群初始化种群初始化是生成初始解的过程，即通过算法得到一组解集。初始种群如果数量太小，那么种群的多样性就很难保障，计算的准确性、结果的稳定程度也会下降；如果数量太大，算法计算过程的计算量就会变得太大，导致算法性能下降。但是种群的大小没有固定的公式推导，大多通过根据模型与算法，多次尝试，得到经验最优值。在保证种群多样性的同时，计算的性能也不会损失太多。初始种群通过随机数排列，生成随机染色体，并且通过算法筛选出可行解。通过随机生成的方式尽量保障种群内部的多样性，防止种群出现“早熟”的情况。通常种群大小NP取10至200，通过多次预实验尝试，本文将NP设置为100。（3）适应度函数在种群进化的过程中，一个染色体对应可行解的编码。判断一个染色体所代表的方案是否是更好的解，则需要设计一个适应度函数，通过计算各染色体的适应度值来评价染色体的优劣程度。本文中的目标函数为总成本最低，即总成本越低的染色体适应度越高，二者成负相关关系。因此，设计如下适应度函数：（6-19）公式（6-19）中，表示第个染色体的适应度函数，表示第个染色体通过计算得到的总成本值。根据反比例函数可知，方案的总成本越高，染色体的适应度越低。由于本算法在编码过程中并未考虑前置仓容量限制，为避免出现“不可行解成为适应度最高的染色体”的情况，本算法将不可行解的总成本乘以一个足够大的数，从而利用遗传算法的特性使得最终结果中适应度最高的染色体一定是可行解。该方法既保证了适应度最高的染色体是可行解，同时又降低了算法编码的复杂度。（4）选择算子在种群进化过程中，每个个体对环境的适应度不同，适应度越大的个体越容易存活，越容易将自己的遗传信息传递给下一代。在遗传算法中，根据适应度挑选出可以遗传到下一代的个体叫选择。在选择操作开始之前，为防止在世代之间失去种群中最好的个体，本算法采用了“精英主义”，即在群体中设定若干个精英个体，该精英个体不做改变，添加到下一代种群中，这样最优个体就不会在世代之间丢失。虽然这些个体没有进行交叉操作，但它们仍会被选为另一个个体的亲代，让它们的遗传信息仍然可以和种群中的其他个体分享。通常情况下，精英个体的数目只占种群总规模的很小一部分，如果设置过高就会减缓遗传算法搜索过程，因为包裹太多个体会导致缺乏遗传多样性。本算法设置精英个体的数目为2，即将种群中所有个体的适应度进行降序排列，取前两个个体作为精英个体。本算法将种群中非精英个体作为父代a，采用锦标赛选择来确定进行交叉的父代b，即随机从种群中选取若干个个体进行锦标赛，选取适应度最大的个体作为进行交叉操作的父代b。本算法设置参加锦标赛的个体数为10。（5）交叉算子自然条件下在生物遗传产生子代的过程中，两个同源染色体会通过交叉重组来形成新的染色体。在遗传算法中通过某种方式交换部分基因，产生新个体的过程就是交叉。在算法设计中针对不同区域基因，采用不同方式进行交叉。对于第一部分基因采用单点交叉的方式，即子代有相同的几率继承父代a或者父代b的基因；对于第二部分基因同样采用单点交叉的方式，为保证顾客所被分配到的前置仓是存在的，第一部分基因值需要根据第二部分基因交叉的结果进行更新；第三部分基因采用多点交叉的方式，随机产生两个不相同的断点1和断点2，子代直接继承父代a两个断点之间的基因，子代其它基因在保证不出现重复基因的基础上从断点2开始依次由父代b的基因进行填充。交叉概率一般设置在0.25至1.00之间，高交叉概率可以扩大搜索区域，但是也会增加其破坏现有解的概率，而低交叉概率会使得算法的效率不高，通过预实验多次尝试，本文设定交叉概率=0.9。交叉操作举例如图6-7所示：图6-7交叉重组示意图Figure6-7Crossover（6）变异算子变异是指生物的染色体上的基因发生了变异，可有效增加生物的多样性。在遗传算法中，交换操作虽然能够增加子代基因多样性，但其效果可能不明显，为进一步增加种群多样性，就需要进行变异操作。在算法设计中针对不同区域基因，采用不同方式进行变异操作。对于第一部分基因，由于采用二进制编码，变异操作只需将基因值由0变异为1或由1变异为0，为保证顾客只能被分配给已建设的前置仓，第二部分基因值需要根据第一部分基因值进行更新，即顾客选择距离其最近的已建设的前置仓获得配送服务，该部分基因的变异方式为随机变异，即基因值随机变异成已建设的前置仓数字ID；对于第三部分基因采用随机交换的变异方式，即需要变异的基因随机与该部分其他基因进行交换完成变异。变异操作是向种群中添加新个体的一种重要方式，有利于增加种群中个体的多样性，防止出现种群早熟与陷入局部最优等情况的出现。交叉和变异两种方式本质上是从全局和局部对空间进行搜索。本算法中设置变异概率=0.01。变异操作举例如图6-8所示：图6-8变异操作示意图Figure6-8Mutationoperation（7）终止条件遗传算法是一种搜索算法，通过不断迭代，逐渐靠近最优解。如果迭代次数太少，得到的解可能不是近似最优解；如果迭代次数太多，虽然能够在后期迭代过程中逐渐靠近最优解，但由于误差十分小，多次迭代对于解决实际问题意义不大，反而会造成运算时间过长和算力资源的浪费。设置终止条件的意义就是在迭代次数和解的优劣程度之间寻找平衡。本文在算法中设置最大迭代次数为1000次，终止条件为迭代次数已经达到设定的最大迭代次数。1.4案例分析海淀区作为北京市经济发展较好的地区之一，其消费市场活跃，2019年海淀区社会消费品零售总额达到2421.6亿元，其中网络零售额为1891.2亿元，占该地区社会零售总额的78.1%，居民网络消费需求旺盛，该地区电子商务企业数据具有一定的代表性。因此，本章选取（上文4.4.1所述的）实证企业在海淀区的数据集作为实验样本进行实例论证。1.4.1数据来源与参数设置为验证本章前置仓选址-路径集成优化模型的有效性，利用实证企业相关基础数据作为算例参数进行计算，在计算过程中，根据前置仓可覆盖范围对数据进行筛选，剔除超出前置仓服务范围（5km）的顾客群14个，最终得到符合要求的顾客群共186个。计算涉及到的算例参数主要包括以下四类：（1）备选前置仓信息：备选前置仓编号（1-60），各前置仓经纬度、容量与建设成本；（2）区域仓信息：区域仓编号（1）以及区域仓经纬度；（3）顾客信息：顾客编号（1-186），顾客所在经纬度以及顾客需求量；（4）距离信息：各前置仓与区域仓距离，前置仓与顾客距离以及顾客与顾客的距离。在四类算例参数中，距离信息以顾客、前置仓以及区域仓的经纬度坐标为基础，利用大圆距离公式计算不同点之间的距离。大圆距离公式基本计算原理可理解为：将地球看作一个完美的球体，其半径R取地球平均半径6371.004千米，计算公式为。此时，若想知道地表上任意两点的距离，只需以0度经度线为基准，根据两点的经纬度坐标计算即可得出。例如，在地球上存在两点A、B，其坐标分别为（LonA,LatA）、（LonB,LatB），以0度经线为基准线，东经取正（Longitude），西经取负（-Longitude），北纬取90-纬度值（90-Latitude），南纬取90+纬度值（90+Latitude），经过处理后A、B点坐标分别为(MLonA,MLatA)、(MLonB,MLatB)。利用三角推导公式，得到两点距离计算公式为：（6-20）（6-21）同时，考虑到实际情况下两点间为直线路径的情况较少，大多存在迂回情况，因此本文取交通迂回系数为1.2，即两点间交通距离=大圆距离×1.2。1.4.2计算结果与量化分析在求解时，本章利用Java语言实现1.3.2设计的遗传算法，模型在第916代时总成本达到最优，迭代过程中总成本的变化趋势如下图6-9所示。图6-9总成本变化趋势Figure6-10Totalcosttrend该算法的性能及计算数据如下表6-2所示：表6-2模型性能Table6-2Modelperformance需求点（个）最优总成本（元）选址点车辆数（辆）1862462251.9前置仓建设成本1150000.04、9、19、22、27、32、34、45、58119运输成本866434.0车辆使用成本17850.0配送成本427967.9由上表6-2可见，该模型总成本最小为2462251.9元；其中，前置仓建设成本为1150000.0元，运输成本为866434.0元，车辆使用成本为17850.0元，配送成本为427967.9元，前置仓布局点为9个，共需配送车辆119辆。各前置仓服务顾客范围如下图6-10所示；其中，五角星表示各前置仓布局地点，不同颜色的点表示被分配给不同前置仓的顾客，不同颜色区域表示不同前置仓的服务覆盖范围。图6-10各前置仓服务顾客范围Figure6-10Rangesofcustomersservedbypre-positioningwarehouse图6-11各前置仓车辆路径规划图Figure6-11vehicleroutingdiagramofpre-positioningwarehouse对由各前置仓出发的车辆路径规划如下：由4号前置仓出发的车辆数为17辆，其服务范围介于北京动物园与定慧桥之间，顾客分布较为分散，大多数车辆一次只服务一个顾客群，其中，顾客群21与配送中心距离最远，为4.68km。该前置仓配送路线表与配送路线图分别如表6-3和图6-11(a)所示。表6-3配送路线表（前置仓4出发）Table6-3Distributionroutetable(departfrompre-positioningwarehouse4)车辆总数（辆）车辆编号路线配送距离（km）1714→153→44.0224→147→152→44.5034→21→44.6844→19→43.9054→66→18→44.7464→98→42.7274→61→43.5084→142→43.0394→16→62→43.34104→17→151→44.37114→146→42.17124→149→43.11134→25→43.39144→150→43.93154→20→39→38→44.78164→24→26→44.67174→148→42.22由9号前置仓出发的配送车辆总数为9辆，服务范围为上清桥附近，顾客群分布较为均匀，配送车辆单次服务顾客群数基本一致，除个别车辆单次服务1个客户群（1、2号车辆）或3个客户群（3号车辆）外，其余车辆单次均服务2个客户群。该前置仓配送路线表与配送路线图分别如表6-4和图6-11(b)所示。表6-4配送路线表（前置仓9出发）Table6-4Distributionroutetable(departfrompre-positioningwarehouse9)车辆总数（辆）车辆编号路线配送距离（km）919→41→91.9629→176→93.2639→129→171→170→94.9449→134→133→93.159→172→175→93.0769→168→130→94.1479→128→131→94.1389→173→174→92.3599→132→169→94.4419号前置仓共需配送车辆21辆，服务范围为海淀公园附近，顾客群分布十分集中，在所有配送车辆中，一次配送顾客群数量最少为1个，最多为5个；除极少数车辆外（4辆），其他车辆单次配送距离均大于2km，且超半数车辆配送距离大于4km（要求配送距离≤5km）。该前置仓配送路线表与配送路线图分别如表6-5和图6-11(c)所示。表6-5配送路线表（前置仓19出发）Table6-5Distributionroutetable(departfrompre-positioningwarehouse19)车辆总数（辆）车辆编号路线配送距离（km）21119→104→60→193.80219→159→167→194.79319→37→193.09419→64→102→101→23→157→194.55519→103→161→194.37619→22→194.56719→78→1→194.07819→65→191.38919→59→193.461019→160→106→194.421119→4→194.951219→63→105→100→194.671319→36→191.871419→107→158→194.591519→156→193.481619→35→191.871719→3→194.461819→99→94→194.221919→79→193.552019→5→192.692119→93→191.31在被选中的9个前置仓内，由22号前置仓出发的配送车辆数最多，为20辆，其服务顾客群主要介于北京动物园与马甸桥之间，最远可到达北京语言大学附近（2号顾客群）。车辆单次配送距离差异相对较小（最短2.14km，最长4.71km）。该前置仓配送路线表与配送路线图分别如表6-6和图6-11(d)所示。表6-6配送路线表（前置仓22出发）Table6-6Distributionroutetable(departfrompre-positioningwarehouse22)车辆总数（辆）车辆编号路线配送距离（km）20122→56→12→223.39222→55→53→224.24322→87→222.71422→67→51→223.07522→183→91→224.42622→182→223.78722→163→13→224.3822→92→184→185→224.51922→2→224.451022→89→223.651122→164→43→223.371222→186→223.051322→180→57→224.711422→166→15→222.141522→181→223.461622→11→222.491722→95→162→223.051822→88→223.981922→54→52→50→224.482022→165→90→14→224.43由27号前置仓出发的车辆总数为14辆，前置仓服务顾客群主要集中在晋元桥与定慧桥附近，呈现出区域性集中的分布特点。其中，晋元桥附近顾客群整体离27号前置仓较远，受距离限制，为该区域提供服务的车辆单次只能配送一个顾客群；而定慧桥与前置仓距离相对较近，因此服务该区域的车辆部分单次可配送2个顾客群。该前置仓配送路线表与配送路线图分别如表6-7和图6-11(e)所示。表6-7配送路线表（前置仓27出发）Table6-7Distributionroutetable(departfrompre-positioningwarehouse27)车辆总数（辆）车辆编号路线配送距离（km）14127→138→274.44227→6→272.19327→137→274.83427→32→273.13527→29→143→273.73627→68→274.21727→145→271.63827→31→273.64927→7→8→272.711027→136→274.831127→10→141→274.71227→139→274.131327→9→144→273.851427→140→30→273.632号前置仓共需配送车辆6辆，该前置仓服务顾客群数量较少，配送车辆单次服务顾客群数量为1-2个。其中，70号顾客群虽然距离前置仓较近，但与其他距离较远，较为孤立，因此车辆在配送过程中仍单独为其提供服务。该前置仓配送路线表与配送路线图分别如表6-8和图6-11(f)所示。表6-8配送路线表（前置仓32出发）Table6-8Distributionroutetable(departfrompre-positioningwarehouse32)车辆总数（辆）车辆编号路线配送距离（km）6132→69→28→323.01232→70→321.63332→45→322.93432→155→154→324.7532→44→323.39632→27→33→322.39由34号前置仓出发的车辆总数为10辆，其服务顾客群分布呈现出整体分散，部分集中的特点，车辆单次配送顾客群数量较少但配送距离相对较长，各次配送均大于2.5km，最长达4.92km。该前置仓配送路线表与配送路线图分别如表6-9和图6-11(g)所示。表6-9配送路线表（前置仓34出发）Table6-9Distributionroutetable(departfrompre-positioningwarehouse34)车辆总数（辆）车辆编号路线配送距离（km）10134→71→42→343.71234→73→342.62334→72→343.51434→119→343.22534→126→122→344.61634→120→342.93734→123→343.27834→40→344.05934→34→121→344.921034→127→135→343.03由45号仓出发的配送车辆总数为11辆，其服务顾客群主要介于百望山与圆明园之间，百望山西侧零星分布有少量顾客群（46号顾客群、77号顾客群），所有配送车辆中8号车单次服务顾客群数量最多（3个顾客群），10号车虽然只服务2个顾客群，但因108、109号顾客群距前置仓较远，配送距离最长，为4.88km。该前置仓配送路线表与配送路线图分别如表6-10和图6-11(h)所示。表6-10配送路线表（前置仓45出发）Table6-10Distributionroutetable(departfrompre-positioningwarehouse45)车辆总数（辆）车辆编号路线配送距离（km）11145→118→452.42245→46→454.55345→111→117→452.89445→76→97→452.90445→125→452.57545→110→450.67645→77→454.39745→115→75→454.57845→74→112→113→454.77945→124→454.071045→108→109→454.881145→116→114→452.1658号前置仓共需10辆配送车辆，服务顾客群主要分布在北京奥林匹克公园与马甸桥附近。在所有配送车辆中，7号车单次配送3个顾客群，配送顾客群数量最多，配送距离最长，为4.98km。该前置仓配送路线表与配送路线图分别如表6-11和图6-11(i)所示。表6-11配送路线表（前置仓58出发）Table6-11Distributionroutetable(departfrompre-positioningwarehouse58)车辆总数（辆）车辆编号路线配送距离（km）10158→58→582.24258→83→582.81358→178→81→584.72458→86→583.05558→96→177→583.26658→179→582.667