多级冷链物流网络优化研究

陈慧慧

（浙江经贸职业技术学院，浙江　杭州　310018）



多级冷链物流网络优化研究

陈慧慧

（浙江经贸职业技术学院，浙江杭州310018）

针对生鲜农产品在冷链物流过程中的不合理运作而产生不必要浪费的普遍问题，对冷链物流网络进行上下节点指派关系的优化。以湖北省为例，结合惩罚函数，以成本最小化为目标构建备选配送中心选址模型，确定7个备选配送中心地址，利用遗传算法，采用MATLAB进行编程实现备选地址的确定和各节点之间的指派。研究中心优化的重点在于成本，避免了冷链运输存储过程中的浪费，有一定的实践借鉴价值。

多级冷链；物流网络；遗传算法；选址优化

1　引言

近年来，消费者对生鲜类食品越来越青睐，对于现在提倡的绿色有机田园生活，人们更看重生鲜类食品的“鲜”。一方面是生鲜类食品市场快速的增长和发展，一方面却是冷链物流体系很吃力地在改进。过去的十二五规划中，国家出台了很多利好政策来改善冷链物流运作环境，不久前发生的疫苗事件，也让冷链物流备受关注。

湖北省是我国农产品大省，物流系统存在基础设施不完善、物流网络路线规划不合理、节点对应不科学等很多问题，经过“最后一公里”到达消费者手中的产品质量不容乐观。本文针对这些问题，结合湖北省实际物流网络，进行配送中心的选址并最终对冷链各节点进行科学可行的指派。

2　备选冷链中心选址研究

图1　冷链物流流程图

从图1易知，预冷站有m个，消费者有n个，备选配送中心有s个。

2.1构建备选配送中心选址模型

目标函数见式（1）：

其中：F为总成本；Y为运输费用；T为土地费用；G为保证配送中心运转的运营费用；L为冷库的租赁成本；M为库存成本；N为物流活动成本；f为冷链产品变质导致的腐败成本。

对冷链配送中心的运营费用和吞吐量进行拟合，可得式（2），其中腐败成本为惩罚函数。

hjk为把产品由配送中心j运送至消费者k所需单位成本为由配送中心j发往消费者k的量；djk为产品由配送中心j运送至消费者k的距离；Pj为备选配送中心单位面积的土地价格；L为备选配送中心的占地面积；Wj为配送中心j的单位运营费用为配送中心j的日租金为配送中心j单位库存成本为配送中心j单位作业成本；f为产品变质产生的腐败成本；Z为所要选择的节点个数，这里取Z=4。

式（2）对应的约束条件为：

2.2确定备选配送中心地址

湖北省产品种类多，冷链物流实际情况复杂，为便于研究，选择单产品情况。在查阅湖北省各区域生鲜农产品的产量、考察湖北省运输地理形势、收集冷链配送中心的规模后，确定物流网络各节点信息见表1。

表1　供货点、预冷站、备选配送中心节点信息表

设定湖北省是［0，180；0，100］的长方形区域，区域内共有100名消费者，消费者编号为1-100。

由遗传算法原理，根据编码及配送中心成本最小化的目标，可得适用度函数：

选择算子设定为随机遍历抽样法，变异算子设定为离散变异、交叉算子设为单点交叉的方式，变异率一般取0.001-0.1，本文设置为中间值，迭代步数设置为200。

利用MATLAB内置的默认遗传算法工具包可以便捷的对此类问题进行编程求解。

从迭代曲线图2可以看出，整个迭代过程趋于收敛且保持稳定，目标函数以180步为分界，180步之前目标函数呈高低波动态势，在180步之后趋于平缓稳定，目标函数值由5.40×107元收敛至1.43×107元。

图2　优化迭代曲线图

已知设定湖北省为长180，宽100的区域，如图3所示设定谷歌地图中的“恩施咸丰县”为原点，可在谷歌地图中直接读出7个配送中心的坐标分别为A（150，23）、B（150，32）、C（140，39）、D（57，32）、E（1，17）、F（83，86）、G（121，70），如图3中星形点所示。100个消费者设定为湖北省内的大中型超市，根据上述方式也可得出100个消费者的坐标值，如图3中的圆点所示。7个配送中心和100个消费者在图3中的坐标分布情况对应其在湖北省的实际位置信息，根据坐标信息及遗传算法运算在MATLAB中输出图3。

图3中的色线段表示100个消费者（圆点）对上游配送中心（星形点）进行了选择，没有被选择的配送中心没有线段进行指派，图3中的这种配送中心和100种消费者的选择类型能达到选址模型的成本最小化。结合MTALAB的迭代结果以及图3的选择图可以看出，7个配送中心中仅有4个配送中心被选中，根据坐标值可知被选中的4个配送中心分别是A、B、C、G。

图3　消费者对上游配送中心的选择图

3　单产品冷链物流网络布局优化

3.1数学建模

函数的设立以整个供应链网络所耗成本最小为目标。

约束条件：

qij≥0，qTt≥0，表示供货量为正值。 Xti，Xij，Yi， Zj∈｛0，1｝。

其中：t为供货点；i为备选预冷站；j为备选冷链配送中心；a为成本的计算周期为预冷站i单位处理成本（单位：元/t·天）；hti为把产品由供货点t运送至预冷站i所需的单位成本（单位：元/km）；hij为把产品由预冷站i运送至配送中心j所需的单位成本（单位：元/km）；dti为产品由供货点t运送至预冷站i的距离（单位：km）；dij为产品由预冷站i运送至配送中心j的距离（单位：km）；为预冷站i最大处理能力（单位：万t）为供货点t日均供应量（单位：t/天）；Qj为配送中心j的仓库容量上限（单位：t）；为供货点t至预冷站i的日均供应量（单位：t/天）；qij为预冷站i至配送中心j的单位时间段供应量（单位：t）；Pi为预冷站i的采购周期。

3.2实例分析

本文对湖北省内的冷链物流网络进行了研究，表2为供货点与武汉的直线距离，表3为供货点与预冷站的直线距离。表格中的其他模糊数据来自于走访调研及网站查询所得。

表2　供货点到武汉的距离　（单位：km）

表3　供货点与预冷站的参数表

表4　预冷站与配送中心的参数表

由遗传算法原理，根据编码及配送中心120天成本最小化的目标，可得适用度函数：

采用遗传算法中的随机遍历抽样选择法，设置单点交叉和离散变异，利用MATLAB工具箱编程求解，变异概率为0.05，迭代步数为100，输出结果如图4、图5所示。

图4　优化迭代曲线图

由图4可知，整个迭代过程趋于收敛且保持稳定，目标函数以25步为分界，之后趋于平缓稳定，函数值由9.90×109元降至2.79×109元。由此可见，运用上述方法可以较快得出结果，优化物流网络，降低总成本。

图5中，第三排中菱形代表9个供货点，第二排中星形点代表6个预冷站，第一排中点代表4个冷链配送中心。为便于清晰识别，图中三种类型点的坐标值均为理论坐标值，线段代表的是三者的指派关系，从图中可以看出，部分预冷站、配送中心节点未被选择，表示在湖北省实际情况中，部分节点即可满足供应链需求，其余节点建议舍弃，具体选择结果见表5。

图5　供货点、预冷站，配送中心的上下游指定图

表5　湖北省实例优化结果

在湖北省冷链网络实际运输和存储规划设计中，可以参考表5的上下游路线结果。在统计了供应链各节点吞吐量、实际节点坐标等基本信息的基础上，考察了各节点所在湖北省区域的实际土地成本、仓储成本、运输成本、运营成本等数据，并根据冷链物流网络中生鲜产品易腐烂变质的特征，也考虑了此项耗损成本。运用遗传算法思想和MATLAB工具箱编程建模，能较快得到结果，且可知总成本得到明显优化，上下游的链接指向也能清晰得出，并符合湖北省各区域实际的物流流向。

4　结语

本文采用遗传算法思想，利用MATLAB软件进行建模计算，对网络中的各节点—供货点、预冷站、配送中心进行指派，最终提出针对湖北省内多级冷链物流网络的优化方案。运用此方法，能较快得出优化结果，且在建立数学模型时，考量的物流成本的构成符合湖北省冷链物流成本的实际情况，涵盖面较全。

本文在研究中优化的重点在于成本，避免冷链运输存储过程中的浪费，有一定的实践借鉴价值。但是文中为了建模计算方便，只围绕单产品进行考虑，建议在以后的研究中，应考虑多产品这一实际情况进行研究。

［1］朱荣荣，胡大伟.冷链物流配送中心选址的多目标优化模型［J］.物流技术，2012，（1）：108-110.

［2］王瑞庆，叶耀华，胡艳秋.层次分析法在冷链物流中心选址中的应用［J］.物流科技，2007，（10）：88-90.

［3］俞林.基于BP模糊评价的冷链物流中心选址问题研究［J］.物流技术，2013，（19）：95-98.

［4］王敏.基于遗传算法的冷链物流网络节点选址研究［D］.长沙：湖南大学，2010.

［5］陈静，李健美.活化能与温度关系图的计算机辅助释疑［J］.化学研究，2000，11（3）：55-57.

Study on Optimization of Multi-echelon Cold Chain Logistics Network

Chen Huihui
（Zhejiang Economic Trade Polytechnic， Hangzhou 310018， China）

In this paper， in view of the universality of the excessive waste due to the unreasonable operation of the fresh farm producecold chain activities， we proceeded to optimize the assignment relationship between the upper and lower nodes of the cold chain logisticsnetwork. With Hubei as example， in connection with the penalty function， we formulated the alternative distribution center location modelaiming at cost minimization， used it to determine seven locations from which to choose from， and at the end， based on the genetic algorithm，finalized the location of the distribution center as well as the assignment relationship between the nodes.

multi-echelon cold chain； logistics network； genetic algorithm； location optimization

F224；F252.8

A

1005-152X（2016）07-0102-04

10.3969/j.issn.1005-152X.2016.07.024

2016-06-01

陈慧慧（1988-），女，硕士，浙江经贸职业技术学院助教。