loading
O2O模式下生鲜农产品配送路径优化
张文会，苗琪琪，管 峰，宫之巍
【摘 要】[摘 要]为了提高O2O模式下生鲜农产品配送车辆的实载率、满足顾客对产品的时效性要求、降低物流成本，基于顾客可接受产品的时间窗口建立以配送成本最低为目标的数学模型。模型的目标函数考虑了配送车辆的固定成本和变动成本、生鲜农产品的消耗成本和时间惩罚成本；约束条件考虑配送车辆最大载货量和行驶里程、顾客可接收产品的时间窗等因素。采用扫描算法预先划分配送区域，再用遗传算法求解最优路径。实例应用表明，所建模型可用于求解线上交易、线下配送的生鲜农产品配送路径优化问题，与单纯采用遗传算法求解相比，结合扫描算法可进一步降低配送成本。 【期刊名称】物流技术 【年(卷),期】2018(037)012 【总页数】6
【关键词】[关键词]O2O模式；生鲜农产品；配送路径；路径优化；遗传算法 [基金项目]教育部人文社会科学研究青年基金（17YJCZH250）；中央高校基本科研业务费专项基金（2572015CB13）
1 引言
O2O（Online To Offline）模式下生鲜农产品电子商务为顾客提供线上交易、线下配送的服务。从生产地到达需求地的过程中，对生鲜农产品损失率影响较大的是配送质量，农产品易腐性对配送服务的时效性要求较高，物流企业以顾客为中心，首先考虑配送时间约束，又兼顾配送成本。因此，配送质量是衡量O2O模式下生鲜农产品供应链最为关键的指标，优化配送路径也成为物流环节
最为关注的技术问题之一。
近年来，O2O模式下的生鲜电商取得了快速的发展，随着生鲜农产品需求量的增加，线上交易和线下服务质量研究不断多元化。对于线上交易，一般以提升交易效率和可靠性为研究热点，针对生鲜农产品电商平台发展模式[1]、运营策略[2]和影响顾客购买行为的因素[3]进行研究。在配送路径研究方面，国内外学者一般以车辆行驶路径最短、运输费用最低、配送车辆数量最少、配送时间最短等单个或多个指标作为目标函数，建立多约束下的优化模型，采用混合启发式算法[4-5]、元启发算法[6]、遗传算法[7-8]、蚁群算法[9-10]等求得模型最优解或满意解。
本文在以上研究的基础上，针对目前O2O模式下生鲜农产品配送中存在的问题，以顾客满意度最大和配送成本最小为目标，引入配送消耗成本和时间窗惩罚成本两个决策变量，在顾客时间窗、车辆行驶最大里程和最长时间的限制下构建O2O模式下生鲜农产品配送路径优化模型，结合扫描法与遗传算法，获得模型的最优解。
2 生鲜农产品配送问题描述
O2O模式下生鲜农产品配送问题可以简单描述为下列过程： （1）生鲜农产品交易线上平台接收、整理、处理顾客订单；
（2）将顾客收货位置、生鲜农产品需求量、设置的时间窗等配送信息传递至线下实体店；
（3）线下实体店根据配送信息，完成生鲜农产品的出库，设计最优配送路径，逐一访问顾客位置，完成生鲜农产品的配送任务。 2.1 配送目标
（1）提高顾客的满意度。一方面，顾客线上交易时间虽然随机化，但对生鲜农产品的接收时间有要求；另一方面，线下实体店尽量在顾客可接收时间内及时完成配送，保证产品新鲜度。
（2）降低配送成本。生鲜商品属于易腐、易耗产品，线下配送成本不仅包括配送车辆的固定成本和变动成本，也包括产品损耗成本和时间惩罚成本。 考虑以上配送目标，在建模时引入车辆行驶最大里程和最长行驶时间的约束条件，同时引入顾客时间窗，当不能满足顾客可接收时间要求时，增加早到或晚到的惩罚成本。车辆的固定成本（如车辆折旧费用）与运输里程和顾客数量都没有直接关系；车辆的变动成本（如油耗）与运输距离有关。生鲜农产品的损耗成本可简化为运输时间的线性函数，这是由于在时间—温度变化品质耐性研究中，随着保存温度、时间的增加，产品质量会受到影响，而温度在一定时间内变化不大，可以不考虑。时间惩罚成本是生鲜配送早于或晚于顾客设定的时间窗完成交货产生的费用。 2.2 约束条件
（1）生鲜农产品实体店数量为1个，接收线上顾客订单信息，有充足货源满足顾客需求，拥有多辆型号相同的专用配送车辆，实体店为线下配送服务的出发地点。
（2）顾客收货的地理位置、时间窗限制和对生鲜农产品的需求量（单一品种）根据线上订单信息可知，每个顾客需求量低于配送车辆的最大载重量，各顾客之间距离低于配送最大行驶里程。
（3）线下配送车辆要在顾客设置的时间窗内完成配送服务，否则产生惩罚成本。 （4）每条配送线路只安排一辆配送车辆，每条线路上顾客需求量之和不超过配