【全渠道模式前置倉選址-路徑集成優(yōu)化分析案例12000字】

全渠道模式前置倉選址-路徑集成優(yōu)化分析案例目錄TOC\o"1-3"\h\u24732全渠道模式前置倉選址-路徑集成優(yōu)化分析案例 1314141.1問題背景 1249961.2前置倉選址-路徑集成優(yōu)化模型構(gòu)建 2219781.2.1模型假設(shè) 2256391.2.2參數(shù)定義與符號說明 217011.2.3整數(shù)規(guī)劃模型建立 3195601.3遺傳算法設(shè)計 6294681.3.1算法適用性分析 6225251.3.2算法流程 1070571.4案例分析 15170541.4.1數(shù)據(jù)來源與參數(shù)設(shè)置 15242651.4.2計算結(jié)果與量化分析 16251551.4.3靈敏度分析 26276711.4.4靈敏度分析小結(jié) 28全渠道模式作為一種線上線下相結(jié)合的綜合型零售模式，其前置倉既能覆蓋服務(wù)范圍內(nèi)的線上訂單，又能滿足周圍消費者的到店購（或自提）、線下購買的需求，可有效彌補倉儲模式前置倉在零售渠道方面的不足，同時，全渠道模式下的配送服務(wù)可快速滿足顧客需求，提升顧客的購物滿意度。在進行全渠道模式的前置倉選址與路徑規(guī)劃時，前置倉的選址位置決定著配送路徑的起點與配送距離，而為尋找到最合理的配送路徑，又需不斷調(diào)整前置倉的數(shù)量與位置，兩者相互作用且密切相關(guān)。因此，本章通過構(gòu)建全渠道模式選址-路徑集成優(yōu)化模型，以期在上文第四、五章的選址模型與路徑規(guī)劃模型基礎(chǔ)上進一步提升模型性能，實現(xiàn)整體結(jié)果最優(yōu)。1.1問題背景本文針對所研究的全渠道零售的前置倉選址-路徑集成優(yōu)化問題可描述為：區(qū)域倉的位置是確定的，為區(qū)域內(nèi)的所有前置倉提供貨物；區(qū)域內(nèi)的消費需求點位置與需求量是已知的；該區(qū)域內(nèi)的前置倉數(shù)量與位置未知，需要在已知備選設(shè)施集中進行選擇；最終決策確定的前置倉需要為區(qū)域內(nèi)的所有顧客提供配送服務(wù)，并滿足所有消費需求。全渠道模式前置倉通常設(shè)置在距離消費者密集的中心位置，通常選址的建設(shè)成本較高，本文需要考慮前置倉選址的建設(shè)冊亨本與配送成本之間的效益背反關(guān)系，從中找到一個平衡點，使系統(tǒng)總成本最小。本文綜合考慮全渠道模式前置倉的特點：部分需求配送、部分需求到店購、最大配送距離限制等特點，結(jié)合整數(shù)規(guī)劃的方法，以系統(tǒng)總成本最小為目標(biāo)建立全渠道模式前置倉選址-路徑集成優(yōu)化模型，對問題開展研究。1.2前置倉選址-路徑集成優(yōu)化模型構(gòu)建1.2.1模型假設(shè)模型的重點決策內(nèi)容為前置倉選址、前置倉與顧客間的配送路徑規(guī)劃以及區(qū)域倉與前置倉間的運輸路徑規(guī)劃。據(jù)此，本文做出如下幾個方面的假設(shè)：（1）假設(shè)不考慮運輸與配送的返程成本；（2）假設(shè)前置倉周圍的需求存在到店購和自提的可能；（3）假設(shè)每個顧客只由一輛車提供配送服務(wù)；（4）假設(shè)配送成本分別與配送距離和配送量成線性關(guān)系；（5）為保證顧客的時效性，假設(shè)每輛車存在最大的配送距離；（6）假設(shè)區(qū)域倉到前置倉采用直達運輸方式；（7）假設(shè)前置倉到顧客采用巡回配送方式。1.2.2參數(shù)定義與符號說明為更好地構(gòu)建全渠道模式前置倉選址-路徑集成優(yōu)化模型，本文將設(shè)置模型的集合、參數(shù)、變量如下：（1）集合是備選前置倉的集合；是客戶群的集合；是車輛的集合；（2）參數(shù)是區(qū)域倉；是前置倉總的需求量；是前置倉最大的容量；是前置倉的建設(shè)成本；是區(qū)域倉到備選前置倉的距離；是顧客群的配送需求量；是車輛的固定使用成本；是車輛從點行駛到點時已經(jīng)行駛的總距離；是點與點之間的距離；是到店購（或自提）的顧客需求占周邊總顧客需求的比例，取0.3；是保證配送時效性車輛的最大配送距離；是可能發(fā)生顧客到店購（或自提）的最大半徑；是單位產(chǎn)品運輸單位距離的成本；是車輛的最大配送能力。（3）決策變量1.2.3整數(shù)規(guī)劃模型建立相較于傳統(tǒng)的配送中心選址-路徑問題，全渠道模式下的前置倉選址-路徑集成優(yōu)化問題對配送時間與響應(yīng)速度提出了更高的要求，因此其選址多在消費者密集區(qū)域，用地成本較高，前置倉建設(shè)成本是總成本的重要組成部分；同時，在區(qū)域倉-前置倉-需求點的三級物流網(wǎng)絡(luò)中，區(qū)域倉到前置倉的運輸成本也在總成本中占據(jù)了極大的比例；此外，因全渠道模式下的前置倉以“多品種、小批量、多批次”的配送特點為主，且為保證配送時效性，配送距離較短，多以前置倉為中心，覆蓋周圍三到五公里的消費者需求范圍，因此配送頻次較高，配送成本也是總成本的重要組成部分。（1）目標(biāo)函數(shù)綜上所述，系統(tǒng)總成本主要包括前置倉建設(shè)成本、區(qū)域倉到前置倉運輸成本、車輛使用成本與前置倉到顧客群配送成本四部分子成本，各子成本具體表達式如下：1）前置倉的建設(shè)成本當(dāng)備選前置倉被選中進行建設(shè)時，便會產(chǎn)生建設(shè)成本，該成本為一次性投入的固定成本，與選址地點有關(guān)，會因地點不同而有所差異，但不會因顧客需求或配送次數(shù)等外在因素變化而變化，其計算公式如下：（6-1）2）區(qū)域倉到前置倉的運輸成本區(qū)域倉主要是對上游運輸來的貨物進行集中式存儲，并根據(jù)需求將貨物按照合適的種類與數(shù)量運輸?shù)角爸脗}，在貨物由區(qū)域倉向前置倉運輸?shù)倪^程中會產(chǎn)生一定的費用，該部分費用主要取決于運輸貨物數(shù)量以及運輸距離，其計算公式如下：（6-2）3）車輛的使用成本對于前置倉擁有的配送車輛，均會涉及到車輛保險費、管理費、車輛損耗與維修等費用。該部分費用與配送距離或配送次數(shù)沒有直接關(guān)系，其費用相對較固定，本文將該部分費用統(tǒng)一為車輛使用成本，其計算公式如下：（6-3）4）前置倉到顧客群的配送成本由于全渠道模式下前置倉對配送時效性的要求，配送車輛一般會在短時內(nèi)進行多次配送，且單次配送顧客群數(shù)量較少，配送距離較短，其配送成本主要取決于顧客需求量、配送距離與單位產(chǎn)品單位配送成本，其計算公式如下：（6-4）5）目標(biāo)函數(shù)建立：根據(jù)上文的分析，本文將考慮全渠道模式的前置倉選址-路徑集成優(yōu)化模型構(gòu)建如下：（6-5）（2）約束條件：約束條件（6-6）是要求前置倉需求與顧客群總需求相等：（6-6）約束條件（6-7）是要求前置倉所覆蓋的總需求小于其最大容量：（6-7）約束條件（6-8）與約束條件（6-9）是行駛總距離的迭代：（6-8）（6-9）約束條件（6-10）是全渠道顧客的需求變動：（6-10）約束條件（6-11）與約束條件（6-12）是確保所有車輛只能從選擇建設(shè)的前置倉出發(fā)或到達：（6-11）（6-12）約束條件（6-13）是確保每輛車最多使用一次：（6-13）約束條件（6-14）是確保每個顧客都只能由一輛車進行配送：（6-14）約束條件（6-15）是確保每輛車如果配送某個顧客必須從該顧客前往下一個顧客：（6-15）約束條件（6-16）是確保每輛車如果進行配送必須出發(fā)和返回同一個前置倉：（6-16）約束條件（6-17）是確保每輛車的配送距離不超過其最大配送距離：（6-17）約束條件（6-18）是確保每輛車裝載的貨物不超過其自身的裝載能力：（6-18）根據(jù)上文中對目標(biāo)函數(shù)和約束條件的確立，本文將客戶需求變動下全渠道模式前置倉選址-路徑集成優(yōu)化模型表述為如下：在以上公式（6-5）中，其中目標(biāo)函數(shù)是使前置倉的總費用最小。同時，本文結(jié)合約束條件（6-6）至約束條件（6-18）應(yīng)用遺傳算法對以上問題進行求解。1.3遺傳算法設(shè)計1.3.1算法適用性分析當(dāng)前常見的算法主要有精確算法與啟發(fā)式算法兩類。其中，精確算法有分支定界法、背景分割法、動態(tài)規(guī)劃法等，此類算法雖能找到最優(yōu)解，但當(dāng)數(shù)據(jù)量大時，計算所需時間過長，因此主要適用于求解小規(guī)模問題；啟發(fā)式算法則是在可接受的時間內(nèi)找出問題的可行解，對于計算時間較長或難以找到最優(yōu)解的問題，啟發(fā)式算法具有較強的實用性。常見算法分類如圖6-1所示。圖6-1常見算法分類Figure6-1Classificationofcommonalgorithms基于全渠道模式前置倉選址-路徑集成優(yōu)化問題屬于NP-hard問題，其數(shù)據(jù)規(guī)模較大，隨著數(shù)據(jù)量的增多精確算法的計算量將呈指數(shù)性上漲，難以在較短時間內(nèi)有效解決問題，因此通常使用啟發(fā)式算法進行計算，本節(jié)將對幾種常見的啟發(fā)式算法進行對比，從中選出適用于本模型的算法。（1）爬山算法爬山算法是一種簡單的貪婪搜索算法，其基本思想可概括為：在爬山時，當(dāng)沒有任何有關(guān)山頂?shù)男畔⒌那闆r下，會選擇沿著高度增加的方向爬，如果在爬山過程中沒有比當(dāng)前更高的位置時便認(rèn)為到達了山頂。其中爬山過程表示搜索過程，山頂表示搜索得到的最優(yōu)值。爬山算法通過啟發(fā)選擇部分節(jié)點可以避免遍歷，提高效率，與其他的啟發(fā)式算法相比，該算法簡單且使用方便，但解的好壞受鄰域結(jié)構(gòu)的直接影響，極易陷入局部最優(yōu)。（2）禁忌搜索算法美國科羅拉多大學(xué)教授FredGlover于1985年提出禁忌搜索算法，其基本思想可概括為：對于一個給定的初始可行解，選擇一系列的移動方向進行試探，并將使特定目標(biāo)函數(shù)值變化最多的移動作為該次的可接受解。采用領(lǐng)域優(yōu)選的搜索方法避免陷入局部最優(yōu)，并利用禁忌表避免算法陷入迭代循環(huán)。對于放入禁忌表中的可接受解，在下次迭代時將加以禁止，隨著迭代的進行禁忌表將不斷更新，直到最后找到最優(yōu)解，其具體步驟如圖6-2所示。圖6-2禁忌搜索算法基本步驟Figure6-2BasicstepsofTabuSearchAlgorithm與局部搜索相比，禁忌搜索算法可在一定程度上解決陷入局部最優(yōu)問題，且有著更強的魯棒性，但其對于初始解的依賴性較強，且計算時間較長，通常用于求解較大規(guī)模的問題。（3）蟻群算法意大利學(xué)者MarcoDorigo于1992年提出蟻群算法，其靈感來源于蟻群覓食行為。蟻群算法的基本思想可概括為：從起點出發(fā)，螞蟻在覓食過程中會在走過的路徑上留下信息素，其他螞蟻在感知到后習(xí)慣于追蹤信息素爬行，同樣也在爬行過程中釋放信息素。一條路徑上的信息素越濃，后來的螞蟻就有更高的概率選擇這條路徑，并進一步加強該條路徑上的信息素蹤跡，形成一種信息正反饋。螞蟻傾向于選擇較短的覓食路徑，因此隨著時間的推移，最終所有的螞蟻都會集中到最短路徑上來，從而實現(xiàn)協(xié)同合作搜索最短覓食路徑的目的。其中，螞蟻的行走路徑表示問題的可行解，而所有行走路徑中的最短路徑表示問題的最優(yōu)解，其具體步驟如圖6-3所示。圖6-3蟻群算法基本步驟Figure6-3BasicstepsofAntColonyAlgorithm蟻群算法有著較強的局部搜索能力，不易陷入局部最優(yōu)，但該算法對于信息素函數(shù)有著較強的依賴性，其通用性不強，魯棒性較差，多應(yīng)用于對現(xiàn)有路徑的改造。（4）遺傳算法美國密歇根大學(xué)的Bagley于1967年首次提出遺傳算法，是通過模擬優(yōu)勝劣汰的生物進化過程來尋找最優(yōu)解的一種啟發(fā)式算法。遺傳算法的基本思想可概括為：首先隨機產(chǎn)生一個種群，并對種群中的個體進行適應(yīng)度評估；然后通過一定的選擇策略選出父代，對父代個體進行交叉與變異操作；最后將變異結(jié)果與終止條件進行比較，如果符合則輸出結(jié)果，結(jié)束計算，否則重新進行適應(yīng)度評估，重復(fù)上述過程直到達到終止條件，其具體步驟如圖6-4所示。圖6-4遺傳算法基本步驟Figure6-4BasicstepsofGeneticAlgorithm遺傳算法雖然容易早熟收斂，但有著較強的魯棒性與全局搜索能力，不易陷入局部最優(yōu)，常用于解決復(fù)雜的優(yōu)化問題。（5）各算法對比分析根據(jù)上述分析，對各算法優(yōu)缺點與使用對象進行歸納比較，如表6-1所示。表6-1不同算法優(yōu)缺點與適用對象Table6-1Advantagesanddisadvantagesofdifferentalgorithmsandapplicableobjects算法名稱優(yōu)點缺點適用對象爬山算法效率高、簡單、使用方便極易陷入局部最優(yōu)-禁忌搜索算法魯棒性強對初始解依賴性強、計算時間長較大規(guī)模問題蟻群算法局部搜索能力強，不易陷入局部最優(yōu)對信息素函數(shù)依賴性強、魯棒性差現(xiàn)有路徑改造遺傳算法魯棒性強、全局搜索能力強、不易陷入局部最優(yōu)易早熟收斂復(fù)雜的優(yōu)化問題本文要解決的基于全渠道模式的前置倉選址-路徑問題本質(zhì)上是一個優(yōu)化問題，需要涉及到前置倉的選址與路徑規(guī)劃兩方面的決策，且在目標(biāo)函數(shù)中不同成本間存在著較明顯的效益背反現(xiàn)象，數(shù)據(jù)規(guī)模大且求解復(fù)雜，結(jié)合上文對算法適用性的分析，本文考慮選用遺傳算法對問題進行求解計算。1.3.2算法流程遺傳算法包括編碼、種群初始化、適應(yīng)度函數(shù)、遺傳算子、交叉算子、變異算子等基本步驟。本節(jié)設(shè)計遺傳算法運算流程如圖6-5所示。圖6-5遺傳算法流程圖Figure6-5Flowchartofgeneticalgorithm根據(jù)遺傳算法的計算流程，本節(jié)將對遺傳算法關(guān)鍵步驟進行詳細介紹。（1）編碼和解碼編碼的過程就是通過設(shè)計基因?qū)⑺芯繂栴}中的決策內(nèi)容轉(zhuǎn)換為計算機可識別符號的過程，本文決策內(nèi)容主要包括前置倉選擇、顧客分配以及配送路徑設(shè)計。在遺傳算法中常見的編碼方式有實數(shù)編碼、二進制編碼以及符號編碼等，本文采用二進制和實數(shù)混合編碼。該模型編碼情景可描述為：模型中有個備選前置倉可供選擇、個顧客需要服務(wù)，所選前置倉需確保自己的配送服務(wù)能覆蓋所有顧客群，因此整個編碼過程涉及前置倉選擇、顧客分配以及配送路徑設(shè)計三個決策內(nèi)容，算法對應(yīng)三部分決策內(nèi)容。因此，根據(jù)備選前置倉與顧客信息確定其對應(yīng)的唯一數(shù)字ID碼分別為和，并根據(jù)決策需求設(shè)計三部分基因序列，共個基因。其中，第一部分由個基因組成，用于表示所選前置倉，基因位置表示對應(yīng)備選前置倉ID，基因值代表該備選前置倉是否被選擇，編碼方式為0-1二進制：基因值為1時表示選擇該前置倉，基因值為0時表示不選擇該前置倉；第二部分由個基因組成，表示各顧客被分配的前置倉，基因位置表示對應(yīng)ID的顧客，基因值表示服務(wù)該顧客的前置倉ID，該部分采用實數(shù)編碼，取值范圍為；第三部分表示配送路徑設(shè)計，每個基因表示一個顧客，基因值為顧客的數(shù)字ID，由于配送路徑中不允許出現(xiàn)兩個相同的顧客，因此采用排列編碼，通過基因排列順序來表示不同的設(shè)計路徑。編碼操作舉例如圖6-6所示：圖6-6編碼方式示意圖Figure6-6Codingmode（2）種群初始化種群初始化是生成初始解的過程，即通過算法得到一組解集。初始種群如果數(shù)量太小，那么種群的多樣性就很難保障，計算的準(zhǔn)確性、結(jié)果的穩(wěn)定程度也會下降；如果數(shù)量太大，算法計算過程的計算量就會變得太大，導(dǎo)致算法性能下降。但是種群的大小沒有固定的公式推導(dǎo)，大多通過根據(jù)模型與算法，多次嘗試，得到經(jīng)驗最優(yōu)值。在保證種群多樣性的同時，計算的性能也不會損失太多。初始種群通過隨機數(shù)排列，生成隨機染色體，并且通過算法篩選出可行解。通過隨機生成的方式盡量保障種群內(nèi)部的多樣性，防止種群出現(xiàn)“早熟”的情況。通常種群大小NP取10至200，通過多次預(yù)實驗嘗試，本文將NP設(shè)置為100。（3）適應(yīng)度函數(shù)在種群進化的過程中，一個染色體對應(yīng)可行解的編碼。判斷一個染色體所代表的方案是否是更好的解，則需要設(shè)計一個適應(yīng)度函數(shù)，通過計算各染色體的適應(yīng)度值來評價染色體的優(yōu)劣程度。本文中的目標(biāo)函數(shù)為總成本最低，即總成本越低的染色體適應(yīng)度越高，二者成負(fù)相關(guān)關(guān)系。因此，設(shè)計如下適應(yīng)度函數(shù)：（6-19）公式（6-19）中，表示第個染色體的適應(yīng)度函數(shù)，表示第個染色體通過計算得到的總成本值。根據(jù)反比例函數(shù)可知，方案的總成本越高，染色體的適應(yīng)度越低。由于本算法在編碼過程中并未考慮前置倉容量限制，為避免出現(xiàn)“不可行解成為適應(yīng)度最高的染色體”的情況，本算法將不可行解的總成本乘以一個足夠大的數(shù)，從而利用遺傳算法的特性使得最終結(jié)果中適應(yīng)度最高的染色體一定是可行解。該方法既保證了適應(yīng)度最高的染色體是可行解，同時又降低了算法編碼的復(fù)雜度。（4）選擇算子在種群進化過程中，每個個體對環(huán)境的適應(yīng)度不同，適應(yīng)度越大的個體越容易存活，越容易將自己的遺傳信息傳遞給下一代。在遺傳算法中，根據(jù)適應(yīng)度挑選出可以遺傳到下一代的個體叫選擇。在選擇操作開始之前，為防止在世代之間失去種群中最好的個體，本算法采用了“精英主義”，即在群體中設(shè)定若干個精英個體，該精英個體不做改變，添加到下一代種群中，這樣最優(yōu)個體就不會在世代之間丟失。雖然這些個體沒有進行交叉操作，但它們?nèi)詴贿x為另一個個體的親代，讓它們的遺傳信息仍然可以和種群中的其他個體分享。通常情況下，精英個體的數(shù)目只占種群總規(guī)模的很小一部分，如果設(shè)置過高就會減緩遺傳算法搜索過程，因為包裹太多個體會導(dǎo)致缺乏遺傳多樣性。本算法設(shè)置精英個體的數(shù)目為2，即將種群中所有個體的適應(yīng)度進行降序排列，取前兩個個體作為精英個體。本算法將種群中非精英個體作為父代a，采用錦標(biāo)賽選擇來確定進行交叉的父代b，即隨機從種群中選取若干個個體進行錦標(biāo)賽，選取適應(yīng)度最大的個體作為進行交叉操作的父代b。本算法設(shè)置參加錦標(biāo)賽的個體數(shù)為10。（5）交叉算子自然條件下在生物遺傳產(chǎn)生子代的過程中，兩個同源染色體會通過交叉重組來形成新的染色體。在遺傳算法中通過某種方式交換部分基因，產(chǎn)生新個體的過程就是交叉。在算法設(shè)計中針對不同區(qū)域基因，采用不同方式進行交叉。對于第一部分基因采用單點交叉的方式，即子代有相同的幾率繼承父代a或者父代b的基因；對于第二部分基因同樣采用單點交叉的方式，為保證顧客所被分配到的前置倉是存在的，第一部分基因值需要根據(jù)第二部分基因交叉的結(jié)果進行更新；第三部分基因采用多點交叉的方式，隨機產(chǎn)生兩個不相同的斷點1和斷點2，子代直接繼承父代a兩個斷點之間的基因，子代其它基因在保證不出現(xiàn)重復(fù)基因的基礎(chǔ)上從斷點2開始依次由父代b的基因進行填充。交叉概率一般設(shè)置在0.25至1.00之間，高交叉概率可以擴大搜索區(qū)域，但是也會增加其破壞現(xiàn)有解的概率，而低交叉概率會使得算法的效率不高，通過預(yù)實驗多次嘗試，本文設(shè)定交叉概率=0.9。交叉操作舉例如圖6-7所示：圖6-7交叉重組示意圖Figure6-7Crossover（6）變異算子變異是指生物的染色體上的基因發(fā)生了變異，可有效增加生物的多樣性。在遺傳算法中，交換操作雖然能夠增加子代基因多樣性，但其效果可能不明顯，為進一步增加種群多樣性，就需要進行變異操作。在算法設(shè)計中針對不同區(qū)域基因，采用不同方式進行變異操作。對于第一部分基因，由于采用二進制編碼，變異操作只需將基因值由0變異為1或由1變異為0，為保證顧客只能被分配給已建設(shè)的前置倉，第二部分基因值需要根據(jù)第一部分基因值進行更新，即顧客選擇距離其最近的已建設(shè)的前置倉獲得配送服務(wù)，該部分基因的變異方式為隨機變異，即基因值隨機變異成已建設(shè)的前置倉數(shù)字ID；對于第三部分基因采用隨機交換的變異方式，即需要變異的基因隨機與該部分其他基因進行交換完成變異。變異操作是向種群中添加新個體的一種重要方式，有利于增加種群中個體的多樣性，防止出現(xiàn)種群早熟與陷入局部最優(yōu)等情況的出現(xiàn)。交叉和變異兩種方式本質(zhì)上是從全局和局部對空間進行搜索。本算法中設(shè)置變異概率=0.01。變異操作舉例如圖6-8所示：圖6-8變異操作示意圖Figure6-8Mutationoperation（7）終止條件遺傳算法是一種搜索算法，通過不斷迭代，逐漸靠近最優(yōu)解。如果迭代次數(shù)太少，得到的解可能不是近似最優(yōu)解；如果迭代次數(shù)太多，雖然能夠在后期迭代過程中逐漸靠近最優(yōu)解，但由于誤差十分小，多次迭代對于解決實際問題意義不大，反而會造成運算時間過長和算力資源的浪費。設(shè)置終止條件的意義就是在迭代次數(shù)和解的優(yōu)劣程度之間尋找平衡。本文在算法中設(shè)置最大迭代次數(shù)為1000次，終止條件為迭代次數(shù)已經(jīng)達到設(shè)定的最大迭代次數(shù)。1.4案例分析海淀區(qū)作為北京市經(jīng)濟發(fā)展較好的地區(qū)之一，其消費市場活躍，2019年海淀區(qū)社會消費品零售總額達到2421.6億元，其中網(wǎng)絡(luò)零售額為1891.2億元，占該地區(qū)社會零售總額的78.1%，居民網(wǎng)絡(luò)消費需求旺盛，該地區(qū)電子商務(wù)企業(yè)數(shù)據(jù)具有一定的代表性。因此，本章選取（上文4.4.1所述的）實證企業(yè)在海淀區(qū)的數(shù)據(jù)集作為實驗樣本進行實例論證。1.4.1數(shù)據(jù)來源與參數(shù)設(shè)置為驗證本章前置倉選址-路徑集成優(yōu)化模型的有效性，利用實證企業(yè)相關(guān)基礎(chǔ)數(shù)據(jù)作為算例參數(shù)進行計算，在計算過程中，根據(jù)前置倉可覆蓋范圍對數(shù)據(jù)進行篩選，剔除超出前置倉服務(wù)范圍（5km）的顧客群14個，最終得到符合要求的顧客群共186個。計算涉及到的算例參數(shù)主要包括以下四類：（1）備選前置倉信息：備選前置倉編號（1-60），各前置倉經(jīng)緯度、容量與建設(shè)成本；（2）區(qū)域倉信息：區(qū)域倉編號（1）以及區(qū)域倉經(jīng)緯度；（3）顧客信息：顧客編號（1-186），顧客所在經(jīng)緯度以及顧客需求量；（4）距離信息：各前置倉與區(qū)域倉距離，前置倉與顧客距離以及顧客與顧客的距離。在四類算例參數(shù)中，距離信息以顧客、前置倉以及區(qū)域倉的經(jīng)緯度坐標(biāo)為基礎(chǔ)，利用大圓距離公式計算不同點之間的距離。大圓距離公式基本計算原理可理解為：將地球看作一個完美的球體，其半徑R取地球平均半徑6371.004千米，計算公式為。此時，若想知道地表上任意兩點的距離，只需以0度經(jīng)度線為基準(zhǔn)，根據(jù)兩點的經(jīng)緯度坐標(biāo)計算即可得出。例如，在地球上存在兩點A、B，其坐標(biāo)分別為（LonA,LatA）、（LonB,LatB），以0度經(jīng)線為基準(zhǔn)線，東經(jīng)取正（Longitude），西經(jīng)取負(fù)（-Longitude），北緯取90-緯度值（90-Latitude），南緯取90+緯度值（90+Latitude），經(jīng)過處理后A、B點坐標(biāo)分別為(MLonA,MLatA)、(MLonB,MLatB)。利用三角推導(dǎo)公式，得到兩點距離計算公式為：（6-20）（6-21）同時，考慮到實際情況下兩點間為直線路徑的情況較少，大多存在迂回情況，因此本文取交通迂回系數(shù)為1.2，即兩點間交通距離=大圓距離×1.2。1.4.2計算結(jié)果與量化分析在求解時，本章利用Java語言實現(xiàn)1.3.2設(shè)計的遺傳算法，模型在第916代時總成本達到最優(yōu)，迭代過程中總成本的變化趨勢如下圖6-9所示。圖6-9總成本變化趨勢Figure6-10Totalcosttrend該算法的性能及計算數(shù)據(jù)如下表6-2所示：表6-2模型性能Table6-2Modelperformance需求點（個）最優(yōu)總成本（元）選址點車輛數(shù)（輛）1862462251.9前置倉建設(shè)成本1150000.04、9、19、22、27、32、34、45、58119運輸成本866434.0車輛使用成本17850.0配送成本427967.9由上表6-2可見，該模型總成本最小為2462251.9元；其中，前置倉建設(shè)成本為1150000.0元，運輸成本為866434.0元，車輛使用成本為17850.0元，配送成本為427967.9元，前置倉布局點為9個，共需配送車輛119輛。各前置倉服務(wù)顧客范圍如下圖6-10所示；其中，五角星表示各前置倉布局地點，不同顏色的點表示被分配給不同前置倉的顧客，不同顏色區(qū)域表示不同前置倉的服務(wù)覆蓋范圍。圖6-10各前置倉服務(wù)顧客范圍Figure6-10Rangesofcustomersservedbypre-positioningwarehouse圖6-11各前置倉車輛路徑規(guī)劃圖Figure6-11vehicleroutingdiagramofpre-positioningwarehouse對由各前置倉出發(fā)的車輛路徑規(guī)劃如下：由4號前置倉出發(fā)的車輛數(shù)為17輛，其服務(wù)范圍介于北京動物園與定慧橋之間，顧客分布較為分散，大多數(shù)車輛一次只服務(wù)一個顧客群，其中，顧客群21與配送中心距離最遠，為4.68km。該前置倉配送路線表與配送路線圖分別如表6-3和圖6-11(a)所示。表6-3配送路線表（前置倉4出發(fā)）Table6-3Distributionroutetable(departfrompre-positioningwarehouse4)車輛總數(shù)（輛）車輛編號路線配送距離（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號前置倉出發(fā)的配送車輛總數(shù)為9輛，服務(wù)范圍為上清橋附近，顧客群分布較為均勻，配送車輛單次服務(wù)顧客群數(shù)基本一致，除個別車輛單次服務(wù)1個客戶群（1、2號車輛）或3個客戶群（3號車輛）外，其余車輛單次均服務(wù)2個客戶群。該前置倉配送路線表與配送路線圖分別如表6-4和圖6-11(b)所示。表6-4配送路線表（前置倉9出發(fā)）Table6-4Distributionroutetable(departfrompre-positioningwarehouse9)車輛總數(shù)（輛）車輛編號路線配送距離（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號前置倉共需配送車輛21輛，服務(wù)范圍為海淀公園附近，顧客群分布十分集中，在所有配送車輛中，一次配送顧客群數(shù)量最少為1個，最多為5個；除極少數(shù)車輛外（4輛），其他車輛單次配送距離均大于2km，且超半數(shù)車輛配送距離大于4km（要求配送距離≤5km）。該前置倉配送路線表與配送路線圖分別如表6-5和圖6-11(c)所示。表6-5配送路線表（前置倉19出發(fā)）Table6-5Distributionroutetable(departfrompre-positioningwarehouse19)車輛總數(shù)（輛）車輛編號路線配送距離（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在被選中的9個前置倉內(nèi)，由22號前置倉出發(fā)的配送車輛數(shù)最多，為20輛，其服務(wù)顧客群主要介于北京動物園與馬甸橋之間，最遠可到達北京語言大學(xué)附近（2號顧客群）。車輛單次配送距離差異相對較小（最短2.14km，最長4.71km）。該前置倉配送路線表與配送路線圖分別如表6-6和圖6-11(d)所示。表6-6配送路線表（前置倉22出發(fā)）Table6-6Distributionroutetable(departfrompre-positioningwarehouse22)車輛總數(shù)（輛）車輛編號路線配送距離（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號前置倉出發(fā)的車輛總數(shù)為14輛，前置倉服務(wù)顧客群主要集中在晉元橋與定慧橋附近，呈現(xiàn)出區(qū)域性集中的分布特點。其中，晉元橋附近顧客群整體離27號前置倉較遠，受距離限制，為該區(qū)域提供服務(wù)的車輛單次只能配送一個顧客群；而定慧橋與前置倉距離相對較近，因此服務(wù)該區(qū)域的車輛部分單次可配送2個顧客群。該前置倉配送路線表與配送路線圖分別如表6-7和圖6-11(e)所示。表6-7配送路線表（前置倉27出發(fā)）Table6-7Distributionroutetable(departfrompre-positioningwarehouse27)車輛總數(shù)（輛）車輛編號路線配送距離（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號前置倉共需配送車輛6輛，該前置倉服務(wù)顧客群數(shù)量較少，配送車輛單次服務(wù)顧客群數(shù)量為1-2個。其中，70號顧客群雖然距離前置倉較近，但與其他距離較遠，較為孤立，因此車輛在配送過程中仍單獨為其提供服務(wù)。該前置倉配送路線表與配送路線圖分別如表6-8和圖6-11(f)所示。表6-8配送路線表（前置倉32出發(fā)）Table6-8Distributionroutetable(departfrompre-positioningwarehouse32)車輛總數(shù)（輛）車輛編號路線配送距離（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號前置倉出發(fā)的車輛總數(shù)為10輛，其服務(wù)顧客群分布呈現(xiàn)出整體分散，部分集中的特點，車輛單次配送顧客群數(shù)量較少但配送距離相對較長，各次配送均大于2.5km，最長達4.92km。該前置倉配送路線表與配送路線圖分別如表6-9和圖6-11(g)所示。表6-9配送路線表（前置倉34出發(fā)）Table6-9Distributionroutetable(departfrompre-positioningwarehouse34)車輛總數(shù)（輛）車輛編號路線配送距離（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號倉出發(fā)的配送車輛總數(shù)為11輛，其服務(wù)顧客群主要介于百望山與圓明園之間，百望山西側(cè)零星分布有少量顧客群（46號顧客群、77號顧客群），所有配送車輛中8號車單次服務(wù)顧客群數(shù)量最多（3個顧客群），10號車雖然只服務(wù)2個顧客群，但因108、109號顧客群距前置倉較遠，配送距離最長，為4.88km。該前置倉配送路線表與配送路線圖分別如表6-10和圖6-11(h)所示。表6-10配送路線表（前置倉45出發(fā)）Table6-10Distributionroutetable(departfrompre-positioningwarehouse45)車輛總數(shù)（輛）車輛編號路線配送距離（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號前置倉共需10輛配送車輛，服務(wù)顧客群主要分布在北京奧林匹克公園與馬甸橋附近。在所有配送車輛中，7號車單次配送3個顧客群，配送顧客群數(shù)量最多，配送距離最長，為4.98km。該前置倉配送路線表與配送路線圖分別如表6-11和圖6-11(i)所示。表6-11配送路線表（前置倉58出發(fā)）Table6-11Distributionroutetable(departfrompre-positioningwarehouse58)車輛總數(shù)（輛）車輛編號路線配送距離（km）10158→58→582.24258→83→582.81358→178→81→584.72458→86→583.05558→96→177→583.26658→179→582.667