物联网环境下生鲜农产品物流配送路径优化研究

李昌兵+汪尔晶+袁嘉彬��

内容提要：针对传统生鲜农产品物流配送模式存在的不足，本文综合考虑物联网技术优势和生鲜农产品的特点，引入模糊时间窗函数、客户满意度函数、农产品损耗函数等主要约束条件，构建以客户满意度最大、配送费用最小为目标的物联网环境下多目标路径优化模型，提出物联网环境下生鲜农产品的配送模式；基于Matlab软件和改进后的遗传算法对模型进行仿真，通过多次遗传算法叠加得到模型最优解，以期为生鲜农产品物流配送路径的决策选择提供参考。

关键词：物联网；生鲜农产品；路径优化；改进后的遗传算法

中图分类号：F3032；F252文献标识码：A文章编号：1001-148X（2017）04-0001-09

物联网是将RFID射频识别技术、传感器技术、人工智能等技术相互聚合并集成应用，创造出一个可以感知现实世界的智能网络。生鲜农产品由于其易变质、易腐坏等特点，流通难度较大。物联网和农产品流通相结合，简单而言就是运用RFID射频识别等技术，通过信息网络实现对配送过程中农产品状态和车辆运输状态的实时监控、共享信息，并据此进行智能化运作。

关于物联网和农产品相结合应用的研究，国外多集中于利用物联网技术建立农产品信息管理系统，便于信息追溯，实现农产品流通乃至整个供应链的实时监控，保证农产品质量[1-2]。国内有关物联网技术在生鲜农产品配送中应用的研究相对较少[3-5]。物联网作为国家层面的信息技术发展战略，对我国农业发展具有重要的理论与现实意义，而我国当前农产品物联网配送模式还处于初级探索阶段。基于已有研究基础，本文针对生鲜农产品在配送过程中效率低、信息滞后、成本高等问题，运用物联网技术科学合理规划配送路径，目的是在提高配送效率和保证农产品品质的同时，降低配送成本，实现农产品企业的经济效益和客户满意度之间的平衡。

一、物联网环境下生鲜农产品物流配送模式的提出与分析

我国传统生鲜农产品物流配送模式（如图1所示），批发市场和集贸市场是农产品流通的主要渠道，对手交易是主要交易方式。生鲜农产品需要经过层层中间环节才能到达消费者手中，层层环节加价，导致农产品供应商增收困难、消费者花费高，需求信息采集不完善，增大市场营销的不稳定性。传统生鲜农产品配送环节过多，每一环节都需要进行相应的装卸搬运、运输等作业，不仅增加了物流配送成本，也导致农产品损耗增大。包装识别和信息交换技术的缺乏，影响产品分拣和配送速度，对生鲜产品运输状态的监控和调节的缺少，导致生鲜农产品的品质难适应人们要求，对生鲜农产品配送过程追溯和跟踪的缺少，一旦产品出现问题，不利于产品质量追踪溯源。

针对传统生鲜农产品物流配送模式的不足，结合物联网技术优势和生鲜农产品的特点，提出物联网环境下生鲜农产品配送模式（如图2所示），目标是实现生鲜农产品在采购、流通加工、运输仓储、运输、质量溯源等环节的智能化运作，推动农业向集约型转变，提高农业资源利用率和信息化水平。物联网环境下生鲜农产品配送模式可以划分为三个基本层次： 感知层、网络层和应用层。感知层是通过各种传感技术，将采集到的信息传至信息共享平台；网络层是让各种农产品信息通过基础承载网络传输到应用层，支撑感知层的农产品信息传递、路由和控制，保证数据在网络传输中的交换；应用层是利用物联网技术，通过对各种类型的感知数据进行统一管理，实现农产品在配送过程中智能化的直接体验。

配送是农产品产业链的核心环节，直接关系到客户和企业利益。在农产品采购和流通加工环节，根据客户订单直接从供应商处采购，通过RFID技术对农产品的各种详细信息进行编码，并记录到电子标签中，实现产品盘点、移动、监控等智能化操作，行为将会被阅读器记录、实时传输至数据管理中心。在农产品分拣装车环节，利用RFID标签可自行对货物进行准确、快速的分拣和装车，车辆进出海关时，运用RFID技术可自动化缴费。在运输环节，通过各类传感技术及时收集产品及周边环境信息，改变储存温湿度，确保生鲜农产品品质；利用GPS、GIS和RS等技术，实现对车辆全方位的跟踪定位，并在车辆没按规定时间到达消费者时发出延迟警报，在车辆实际路线与计划不一样时发出路径异常警报，当无法联系到驾驶员时可以实施紧急救援，真正实现智能化、自动化和可视化物流。具体配送环节流程，如图3所示。

相对于传统生鲜农产品配送模式，物联网环境下生鲜农产品物流配送模式的优势有：

提高配送效率。批发环节相对较少，减少了传统层层代理销售模式所带来的采购价格虚高，到货时间周期长等问题，流通环节相对较少，消除了相关再运输搬运成本。通过RFID进行自动化整批采集配送过程中各环节信息，提高了输入数据的准确性和高效性，实现生鲜产品配送各环节时间上的无缝链接，提高了配送效率。

稳定产销关系。RFID技术的运用一定程度上消除了需求信息不对称，从而减小需求预测误差，中间流通环节的减少和需求误差的减小，降低了牛鞭效应。

减少资源浪费。物联网技术可对农产品的周边环境进行实时监控，自动调节温度变化，减少生鲜农产品的损耗，保证农产品品质。另一方面物联网技术的运用提高了生鲜农产品在流通过程中自动化程度，减少大量不必要的剩余劳动力。

安全追踪溯源。消费者通过扫描电子标签、二维码、条形码等查询手段，可精确掌握生鲜农产品从采购、流通加工、运输仓储、装卸搬运等环节信息，一旦出现安全问题，可快速逐层排查找到责任源头。

二、构建物聯网环境下生鲜农产品配送路径优化模型

（一）模型假设与参数定义

1.模型的基本假设

（1）本文只考虑一个物流中心即配送中心，根据客户订单需求，车辆需从配送中心出发，在完成配送服务后，返回配送中心。

（2）每个客户的生鲜农产品需求量不能超过配送车辆的最大承载量，本文是单车型车辆配送，即车辆承载量、行驶速度、行驶成本等条件都是固定的。

（3）每个客户有且仅由一辆车辆进行配送，但每辆车可向多个客户提供配送服务任务。

（4）关于客户对生鲜农产品需求量、期望的配送时间段、可容忍的配送时间段、配送中心以及客户的具体地理位置都是已知的。

（5）客户在配送服务时间范围内，对生鲜农产品的需求量是恒定不变的。

2.相关参数和变量定义（表1）

（二）构建模型的约束条件

物联网环境下生鲜农产品物流配送路径优化主要是以客户满意度最高和配送成本最小为目标，合理规划配送网络，科学设计配送路径。为此，本文引入了模糊时间窗、客户满意度目标函数和生鲜农产品损耗函数。

1.模糊时间窗。实际生活中，客户对配送服务时间的要求并非完全刚性的，服务时间早或晚都会影响满意度的大小。因此，在构建物联网环境下生鲜农产品配送路径优化模型时，需引入时间窗并将之模糊化处理，用来满足客户对时间的实际要求，把客户i对时间的满意度U（Si）定义为其服务开始时间的隶属度函数。

当客户i在期望服务时间段[ETi，LTi]内服务，客户满意度为1；否则，客户满意度会因实际服务时间过早或过晚而降低，当实际服务时间在可容忍时间段之外时，即Si[EETi，ELTi]，客户满意度为 0。

假设客户最低服务水平参数为θ，令客户满意度U（Si）θ，从而防止客户因满意度低而流失。令：

在满足客户i最低满意度θ时，服务开始时间范围是[Inf（i，θ），Sup（i，θ）]，其中：

Inf（i，θ）、Sup（i，θ）分别为最早和最迟可接受服务时间，由于客户对时间的敏感系数β待确定，取最简单的线性变化作为满意度U（Si）和Si服务开始时间的表示关系，得到相应的Inf（i，θ）、Sup（i，θ）表示值，如图4所示。

2.客户满意度目标函数。客户满意度是指客户通过对企业的某种产品或服务所产生的感知效果与自己的期望对比得出的指数。相对来说，购买货物量占总配送货物量的比重的客户满意度目标函数，在权衡货物价值量的基础上考虑最大的客户满意度，其目标是在客户最大可容忍的服务时间内，保质保量完成配送任务，比较兼顾客户以及配送企业的利益，因此将满意度目标函数定义为：

3.生鲜农产品损耗函数。生鲜农产品具有易变质、易损坏等特性，在配送过程中，利用物联网技术手段对农产品周围温度的实时监控，并自动调节周边温度，能有效地减缓农产品损耗速度。参考U Dave（1985）[6]关于指数速度腐败连续型生命周期函数，建立生鲜农产品的损耗函数：

Q0为生鲜农产品的最初质量；t为车辆配送所花费时间；为生鲜农产品对时间的敏感系数，如果农产品对时间较敏感，则的取值较小，反之取值较大；B原为生鲜农产品随温度变化而变化的一个动态值，本文通过物联网技术对农产品周围温度进行实时监控，并保持温度恒定不变，则可设定B为常数值088[6]。

当客户i的现实需求量为gi时，配送中心实际发货的数量为Qi，根据公式（6）得出：

（三）构建数学模型

综合考虑物联网技术优势与生鲜农产品的特性后，再根据优化目标，构建物联网环境下生鲜农产品配送路径优化模型，表述如下。

目标函数：

目标函数LP1（8）表示在满足服务开始时间、车辆容量等约束条件下，保证客户满意度最大化；目标函数LP2（9）表示配送成本最小化，左起第一项表示配送费用的总成本，第二项表示配送过程中的固定成本，第三项表示配送过程中的变动成本，第四项表示配送过程中的惩罚成本。

固定成本：在物联网条件下生鲜农产品配送过程中，车辆的固定成本是租金、车辆的损耗等，RFID技术的固定成本是设施装备和构建相关软件系统的损耗[7]，则固定成本的公式如下：

变动成本：在物联网条件下生鲜农产品配送过程中，配送成本随着路程的远近而不断变动，其包括了人工成本、汽油费、保养成本，则变动成本的公式如下：

物联网维护和标签成本：C5=ρ[C4+C3（1-γ）]Qi，ρ为产品应用物联网技术复杂程度，如平均n个单位应用一个电子标签，那么ρ为1/n。

惩罚成本：主要包括分为早到和晚到的惩罚费用，车辆若早到客户点，则需支付等待成本，车辆若晚到，则需支付延迟成本。其公式如下：

约束函数（10）表示车辆k在运输过程中，货物总重量不能超过车辆规定的最大货物载重量。

约束函数（11）表示生鲜农产品在配送中心的装载量大于实际客户的需求量，确保按客户要求质量完成配送任务。

约束函数（12）表示的车辆配送路径的数量不得超过车辆的总数。

约束函数（13）表示任意一条配送路线上的所有客户数量不能大于总需求的客户数量。

约束函数（14）表示将服务开始时间模糊化处理。

约束函数（15）表示为防止客户满意度太低造成客户流失，确保客户满意度不低于最低值。

约束函数（16）表示车辆到达客户点的时间，同时保证车辆在完成该客户的服务后驶向下一位客户。

约束函数（17）表示模糊化时间窗的条件下，车辆在各客户点的服务开始时间约束；

约束函数（18）表示保证每个客户只能被一辆车提供服务。

约束函数（19）表示车辆从配送中心出发，完成配送任务后必须再次返回配送中心。

〖HS（3〗三、物聯网环境下生鲜农产品配送路径的仿真研究

（一）算法选取

本文立足于物联网环境下的生鲜农产品配送路径优化模型属于多目标优化问题，采用改进后的遗传算法，就是在一般遗传算法中引入最优保留策略，避免优秀染色体被破坏。通过多次遗传算法叠加求解模型，对配送路径进行全局优化调整，求得以客户满意度最高、配送成本最小为目标的最佳配送路径。

（二）遗传算法改进后的运算过程

1.编码机制。本文将服务开始时间模糊化处理，不能像传统方法一样对客户编码，要采用整数编码的方法，染色体表示基因顺序为（G1，G2…Gi，0，L1，L2…Lk），其中染色体中的Gi是所有客户被服务次序的编码，是1-i个随机生产的整数；染色体中的Lk是对车辆的编码，表示每辆车所服务客户的数量范围。这条染色体可以简化为所服务客户的次序编码方式，在仿真演算中，若染色体长度为n+m个基因，即可设定序列为（0，X1，X2，X3，…Xs，0，Xs+1，Xs+2，…Xq，0，Xq+1，Xq+2，…Xn+m，0）。例如，有10个客户3辆车的编码方式（5，8，2，4，1，6，3，7，9，10， 0，3，7，10），则其服务客户的次序编码方式可简化如下：

表示从配送中心出发的第一辆车，经过客户点5、客户点3、客户点7，最后返回配送中心，形成配送路线I：0-5-3-7-0；以此类推出配送路径II：0-4-1-6-8-0和配送路径III：0-2-9-10-0。

2.种群初始化。初始化要考虑客户对服务时间窗的限制和最低满意度值，首先产生初始可行的染色体，其次采用模糊化的处理方法进行局部调整，使得可行染色体服务开始时间Si不断趋近于客户期望服务时间[ETi，LTi]。在已经生成的染色体基础上加入筛选因子，去除那些不合格的染色体，构造出符合可行时间要求的染色体（G1，G2，…Gi，0，L1，L2，…Lk）。

3.约束条件处理。（1） 查看产生的染色体中每条线路上客户需求量之和，是否满足配送车辆预计的最大承载量，若没超过最大载重量，则该染色体作为一个可行解；否则，该染色体直接去除。（2） 查看产生的每条染色体对应的客户配送服务时间，是否在所有客户可容忍时间段内，若在可容忍时间内，则该染色体作为一个可行解；否则，该染色体直接去除。

4.适应度函数。个体性能优劣与适应度值正相关，根据适应度的大小对个体进行选择，确保性能较好的个体能有更多机会被选中，作为优秀染色体得以遗传。遗传算法中要求适应度函数值为非负数，但实际问题的目标函数常常是成本最小，例如函数LP2，需要根据适应度函数非负原则转换为求解最大目标的形式，即适应度函数为：

5.遗传操作

（1）选择。在传统轮盘赌的基础上采取最优保留策略，使适应度值较高的染色体得以遗传，提高全局搜索的收敛性，避免产生局部最优的现象。其具体选择操作过程如下：

①设种群A={A1，A2，A3，…，An}，大小为n，初始状态为X={}，计算种群中个体的适应度值f（Ai），按照由大到小的次序依次排序，得出新的种群为B=〖JB（{〗B1，B2，…Bn〖JB）}〗，同时记录种群中适应度最大的个体k，即f（Ak）=max（f（A1），f（A2），…f（An））。

②计算出种群B中所有染色体的适应度总和 每一个染色体被选中概率 每一个染色体的累积概率

③轮盘转动：

Step1：随机产生n个0与1之间的数值，若数值小于q1，则选择染色体B1；若数值是介于qk-1和qk，则选择染色体Bk。

Step2：得出各区间的ξ值：ξ1，ξ2，ξ3，…ξn，其中ξ1为在i号区间内随机数的个数。取ξj=max（ξ1，ξ2，…ξn）中最大值，在區间j中对应的个体Bj作为本次所选的染色体个体Mj。

Step3：检查染色体的个数是否达到了种群的规模n，若达到，将Mj加入到群体X中，否则转至Step1。

④寻找群体X中适应度最小的个体，即f（Ci）=min（f（C1），f（C2），…f（Cn）），用最高适应度的染色体k替代染色体i。

⑤保存所有选出的个体，返回新的种群。

（2） 交叉。交叉操作在遗传算法中起到核心作用，决定了遗传算法的全局搜索能力[8]。本文针对客户被服务次序以及车辆的编码次序进行均匀交叉操作。

（3） 变异。对于基因序列按照设定好的变异概率Pm进行变异操作，本文对各基因中的每个客户被服务次序进行变异操作，即G1-Gi和车辆编号L1-Lk。同交叉操作一样，本文采用均匀突变的方法，选取均匀分布的随机数中较小的概率，替换个体编码串中原有基因值。

（三）算例检验与分析

1.算例基本情况。本文具体算例是以某大型生鲜农产品企业为配送主体，通过配送中心对客户进行配送服务，客户和配送中心的相关具体数据如表2所示，并取θ=085，经过公式（1）、（3）、（4）计算出模糊时间窗[Inf（i，θ），Sup（i，θ）]的值。

采用向量距离来衡量客户与客户、客户与配送中心之间的距离，一般来说，实际距离比向量距离大，则设定距离公式为：

根据表2给出的配送中心和各客户点的具体位置，计算出各客户点距离，如表3所示。

2.最优配送方案的求解。此配送中心有4辆装有物联网技术的生鲜农产品配送车，每辆车载重为15t，每次每辆车的固定成本为10美元，车辆每公里费用为04美元；运货平均速度36km/h，需求量卸货速度为12t/h；等待成本为10美元、延迟成本为50美元。设置种群规模pop为160，遗传代数gen为500，交叉概率Pc为03，变异概率Pm为03。

根据具体案例数据，绘制出配送中心和客户点的地理位置分布图，数值0为配送中心坐标点，其余数值1-12代表客户坐标点，如图5所示。利用改进后的遗传算法对模型进行仿真，得出的种群进化趋势图，如图6所示。

从种群进化趋势图可以看出，迭代开始阶段直线下降比较陡，随着迭代次数的增多，直线变化逐渐趋于平缓，即本文遗传算法在搜索过程朝着目标更优化的方向收敛，逐渐朝着最优解靠近。

本文通过Matlab多次运用遗传算法叠加求解，得到两组近似于最优解，如图7所示。

对上述两组多次遗传算法得到的近似最优解进行比较分析，如表4所示。

方案1和2是多次遗传算法叠加后的两个近似最优解，方案1的配送成本略高于方案2，但客户满意度和花费时间都要比方案2效果好，考虑农产品企业成本最小与消费者满意度最大之间的平衡，本文选择方案1为最优解，再通过Matlab软件进行仿真运算得出，得到最佳运输路径示意图，如图8所示。

因此，本文最优解为配送成本3423496，客户满意度08333，最佳运输路线为配送路线I：0-8-5-7-0；配送路线II：0-6-11-12-0；配送路线III：0-9-4-0；配送路线IV：0-10-2-3-1-0。

本文通过多次遗传算法叠加求解模型，以满足客户满意度最大和配送成本最小为目标，避免局部最优的情况出现，得到了整个模型的最优解。

四、结束语

在分析了传统生鲜农产品配送模式存在不足的基础上，根据物联网技术特点，提出物联网环境下生鲜农产品配送模式，促进了农产品配送环节的信息化、自动化与智能化，随着5G技术普及，物联网应用领域与深度将得到进一步拓展。本文在构建优化模型时，结合物联网技术优势和生鲜农产品的特点，引入生鲜农产品损耗函数和模糊时间窗概念，使得模型更符合实际情况，兼顾客户和企业利益；在一般遗传算法中引入最优保留策略，再用改进后的遗传算法进行仿真，验证了本文研究可为现实生活中物流配送提供帮助。

参考文献：

[1]LI M B， ZHU Z， CHEN G Y. Information Service System of Agriculture IOT[J].Automatika： Journal for Control， Measurement， Electronics， Computing and Communications， 2013， 54（4）： 415-426.

[2]LIU Y， WANG H， WANG J Y， et al. Enterprise-Oriented IOT Name Service for Agricultural Product Supply Chain Management[J].International Journal of Distributed Sensor Networks，2015：1-12.

[3]颜波，石平，丁德龍.物联网环境下的农产品供应链风险评估与控制[J].管理工程学报， 2014， 28（3）：196-173.

[4]颜波，王欣妮，冯子祺.物联网环境下的农产品安全可追溯监管体系研究，科技管理研究，2016（14）：153-159.

[5]孙涛，董永凯.物联网产业发展对智慧城市建设影响研究[J].理论探讨，2015（2）：86.

[6]DAVE U， PANDYA B. Inventory returns and special sales in a lot-size system with constant rate of deterioration[J].European journal of operational research，1985，19（3）： 305-312.

[7]张李浩， 范体军.供应链企业投资RFID技术成本分摊研究[J].中国管理科学，2014，22（4）：26-33.

[8]张家善， 王志宏， 陈应显，等. 一种求解旅行商问题的改进遗传算法[J].计算机系统应用， 2012，21（9）：192-194.

（责任编辑：李江）

收稿日期：2016-11-07

作者简介：李昌兵（1970-），男，四川华蓥山人，重庆邮电大学经济管理学院教授，工学博士，研究方向：复杂网络分析、智能决策及优化；汪尔晶（1992-），男，江苏连云港人，重庆邮电大学经济管理学院研究生，研究方向：物流规划与设计。

基金项目：国家自然科学基金资助项目，项目编号：60905066；重庆教委科技项目，项目编号：KJ070509；电子商务与现代物流重庆高校市级重点实验室项目，项目编号：ECML201403；重庆邮电大学自然科学基金资助项目，项目编号：A2009-03。