- 相關(guān)推薦
客戶時(shí)間窗變化的物流配送干擾管理模型
作者：丁秋雷
中國管理科學(xué) 2015年08期
修訂日期：2013-10-27
中圖分類號(hào)：C93；TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-207(2015)05-0089-09
DQI：10.16381/j.cnki.issn1003-207x.2015.05.012
1 引言
隨著社會(huì)的發(fā)展，人們在生活、工作上的節(jié)奏越來越快，時(shí)間不確定性也隨之越來越高，使得在物流配送過程中，經(jīng)常有客戶臨時(shí)要求變更配送時(shí)間[1]。然而，隨著電子商務(wù)的普及，物流配送已呈現(xiàn)出送貨點(diǎn)分散且點(diǎn)多面廣、送貨批量小且成本高等特點(diǎn)，由于物流企業(yè)運(yùn)力有限，因此難以適應(yīng)客戶變更配送時(shí)間的要求，這就使正在執(zhí)行的配送方案變得不可行，目前在大家電、貴重物品、重要文件等需要客戶親自簽收的快件配送上，已經(jīng)產(chǎn)生了一系列問題。
因此，如何科學(xué)地對配送方案進(jìn)行調(diào)整尤為重要！由于物流配送系統(tǒng)是一個(gè)典型的“人—機(jī)”系統(tǒng)，除了考慮降低成本損失之外，“人”的參與也必須受到重視。而人在面對擾動(dòng)時(shí)做出的反應(yīng)是不同的，因此當(dāng)某一個(gè)客戶的時(shí)間窗發(fā)生變化后，需要調(diào)整剩余客戶的配送順序，這樣勢必導(dǎo)致連鎖反應(yīng)，造成整個(gè)系統(tǒng)的混亂。此時(shí)就需要考慮擾動(dòng)對整個(gè)物流配送系統(tǒng)的影響，生成使系統(tǒng)擾動(dòng)最小的調(diào)整方案。在這種情況下，物流配送問題變得更加復(fù)雜，現(xiàn)有的方法和理論體系將難以勝任相關(guān)的研究工作。因此，如何有效地處理干擾事件，已成為影響現(xiàn)代物流產(chǎn)業(yè)發(fā)展的關(guān)鍵！
干擾管理[2]正是一種致力于實(shí)時(shí)處理這類問題的方法論，它需要針對各種實(shí)際問題和擾動(dòng)的性質(zhì)，建立相應(yīng)的優(yōu)化模型和有效的求解算法，通過對初始方案進(jìn)行局部優(yōu)化調(diào)整，實(shí)時(shí)生成使系統(tǒng)擾動(dòng)最小的調(diào)整方案。這個(gè)調(diào)整方案不是針對擾動(dòng)發(fā)生后的狀態(tài)完全徹底地重新進(jìn)行建模和優(yōu)化，而是以此狀態(tài)為基礎(chǔ)，通過對初始方案進(jìn)行局部優(yōu)化調(diào)整，快速生成使系統(tǒng)擾動(dòng)最小的調(diào)整方案。
干擾管理自提出以來，已成功應(yīng)用到航空[3]、機(jī)器調(diào)度[4]、供應(yīng)鏈[5]、項(xiàng)目管理[6]等多個(gè)領(lǐng)域。在客戶時(shí)間窗變化的物流配送干擾管理研究上，Wang等[7]針對中國郵路問題，采用模糊理論對客戶的時(shí)間窗進(jìn)行表示，構(gòu)建了服務(wù)水平最大化和任務(wù)完成時(shí)間最小化的數(shù)學(xué)模型；王明春等[8]針對需求變動(dòng)和時(shí)間窗變化，構(gòu)造了擾動(dòng)模型對物流配送系統(tǒng)進(jìn)行恢復(fù)；鐘石泉等[9]針對客戶時(shí)間窗和發(fā)貨量的變化，通過設(shè)計(jì)虛擬車場等方法實(shí)現(xiàn)車輛的緊急調(diào)度；王旭坪等[10]為解決由客戶時(shí)間變化引發(fā)的物流配送干擾問題，提出相應(yīng)的擾動(dòng)恢復(fù)策略；Hadjar等[11]針對客戶時(shí)間窗變化問題，在考慮配送成本的情況下構(gòu)建數(shù)學(xué)模型，并采用分支定界法進(jìn)行求解；王征等[12]提出包含客戶配送時(shí)間總偏離度、配送總成本、路徑偏差量、最長行駛時(shí)間違反總量4個(gè)因素的擾動(dòng)程度度量方法，以系統(tǒng)整體擾動(dòng)最小化為目標(biāo)，建立問題的目標(biāo)規(guī)劃數(shù)學(xué)模型；王旭坪等[13]采用時(shí)間窗模糊化處理方法定義客戶滿意度函數(shù)，根據(jù)干擾管理思想對車輛調(diào)度中組合性干擾事件進(jìn)行分析，建立基于模糊時(shí)間窗的車輛調(diào)度組合干擾管理模型；楊文超等[1]以客戶時(shí)間窗變化這類干擾事件發(fā)生時(shí)的問題狀態(tài)為基礎(chǔ)，提出了新車增派策略和多車協(xié)作策略，并在此基礎(chǔ)上建立了問題擾動(dòng)救援的啟發(fā)式算法。以上學(xué)者雖然為解決客戶時(shí)間窗變化的物流配送干擾問題開辟了新的思路，但是，由于物流配送系統(tǒng)是一個(gè)典型的“人—機(jī)”系統(tǒng)，包括客戶、物流配送運(yùn)營商、配送業(yè)務(wù)員等多個(gè)主體，現(xiàn)有研究過分重視物力、財(cái)力的調(diào)整與優(yōu)化，而忽略人的行為因素，從而導(dǎo)致尋得的最優(yōu)解往往在實(shí)踐中并不可行。因此，針對客戶時(shí)間窗變化的物流配送干擾管理這一多目標(biāo)的、主觀與客觀相結(jié)合的優(yōu)化難題，如何在考慮人的行為因素的情況下，通過權(quán)衡各方利益，形成一個(gè)多方滿意的調(diào)整方案，從而以盡量小的擾動(dòng)，盡快恢復(fù)系統(tǒng)的正常運(yùn)行，是目前該領(lǐng)域存在的主要難題。
本文針對上述難題，通過結(jié)合行為科學(xué)中對人的行為感知的研究方法與運(yùn)籌學(xué)中定量的研究手段，提出基于前景理論的擾動(dòng)度量方法，構(gòu)建客戶時(shí)間窗變化的物流配送干擾管理模型及其求解方法，以期為物流配送干擾管理的決策過程提供支持。
2 擾動(dòng)的分析
干擾事件發(fā)生后，為了有效地生成使系統(tǒng)擾動(dòng)最小的調(diào)整方案，需要對擾動(dòng)造成的影響進(jìn)行分析，從而確定目標(biāo)函數(shù)。由于客戶、物流配送運(yùn)營商以及配送業(yè)務(wù)員是使物流配送過程能夠順利運(yùn)行的行為主體，三者的利益是研究的關(guān)鍵。因此，本文首先分析擾動(dòng)對上述行為主體的影響，確定各主體考慮的首要目標(biāo)，具體如下：
(1)客戶：客戶是物流配送過程的接收者。當(dāng)某個(gè)客戶的時(shí)間窗發(fā)生變化后，需要調(diào)整剩余客戶的配送順序，這樣勢必引起連鎖反應(yīng)，影響后續(xù)一系列剩余貨物的配送，使得某些客戶無法按時(shí)收到貨物。因此，對于客戶來說，能否按時(shí)收到貨物，是其考慮的首要目標(biāo)。
(2)物流配送運(yùn)營商：物流配送運(yùn)營商是物流配送過程的主導(dǎo)者。擾動(dòng)發(fā)生后，配送車輛的行車路線隨之發(fā)生變化，此時(shí)必然影響配送成本。由于在整個(gè)物流配送過程中，配送成本是物流配送運(yùn)營商關(guān)注的核心，因此，在生成調(diào)整方案時(shí)，應(yīng)適當(dāng)兼顧成本因素，盡可能節(jié)省配送成本。
(3)配送業(yè)務(wù)員：配送業(yè)務(wù)員是物流配送過程的執(zhí)行者。當(dāng)系統(tǒng)發(fā)生擾動(dòng)后，初始配送方案將變得不可行。在新的調(diào)整方案下，勢必需要更改行車路線，這就會(huì)影響配送業(yè)務(wù)員的工作情緒。如果新的行車路線與初始的行車路線具有較大偏差，將有可能導(dǎo)致配送業(yè)務(wù)員消極怠工。因此，調(diào)整方案與初始方案之間配送路線的偏差大小，是配送業(yè)務(wù)員考慮的首要目標(biāo)。
本文通過分析上述三個(gè)行為主體面對擾動(dòng)時(shí)所關(guān)注的目標(biāo)，對三者的利益進(jìn)行權(quán)衡，從而度量系統(tǒng)的擾動(dòng)程度，以形成使系統(tǒng)擾動(dòng)最小的調(diào)整方案。
3 基于前景理論的擾動(dòng)度量方法
由第2節(jié)可知，物流配送系統(tǒng)包含多個(gè)主體，是一個(gè)典型的“人—機(jī)”系統(tǒng)，擾動(dòng)必然會(huì)對人的行為產(chǎn)生影響。因此，現(xiàn)有在完全理性假設(shè)條件下的研究成果難以直接用于解決實(shí)際的物流配送干擾管理問題。
前景理論[14-15]是行為科學(xué)中具有重大影響的一種行為決策理論，它以人的有限理性為基礎(chǔ)，能夠更加真實(shí)的描述人在不確定條件下的決策行為。因此，本節(jié)以前景理論為基礎(chǔ)，提出系統(tǒng)擾動(dòng)的度量方法。
3.1 價(jià)值函數(shù)的表示
擾動(dòng)發(fā)生后，由于各主體考慮的目標(biāo)不同，因此，基于前景理論，對各個(gè)目標(biāo)的價(jià)值函數(shù)進(jìn)行表示，其中目標(biāo)i的價(jià)值函數(shù)可表示為：
函數(shù)的形狀如圖1所示(為目標(biāo)i的參照點(diǎn))。
由圖1可知，人們在開始決策時(shí)，首先需要選擇一個(gè)價(jià)值為0的參照點(diǎn)，進(jìn)而才能判定結(jié)果到底是盈利還是虧損。由于人們在決策選擇時(shí)只注意其差異，如果保持現(xiàn)狀就等于沒有選擇，它本身的價(jià)值為0，因此，本文選擇現(xiàn)狀作為參照點(diǎn)。
3.2 不滿意隸屬函數(shù)的確定
由于各目標(biāo)的主體是人，而人又是主觀的，對擾動(dòng)的感知是模糊的。因此，需要對各目標(biāo)進(jìn)行模糊化處理。
設(shè)的不滿意隸屬函數(shù)為時(shí)，基于前景理論，此時(shí)人們面臨的是虧損，表現(xiàn)出來的是風(fēng)險(xiǎn)追求，根據(jù)式(1)可知：
函數(shù)形狀如圖2中曲線所示。因?yàn)閬頉Q定，而對于不同主體，是不同的，因此也是不同的�？刹捎脤�(shí)證研究的方法，通過對各主體進(jìn)行問卷調(diào)查，以確定上述參數(shù)。
圖1 目標(biāo)i的價(jià)值函數(shù)
圖2 的不滿意隸屬函數(shù)
3.3 擾動(dòng)度量函數(shù)的構(gòu)建
根據(jù)3.2節(jié)，對各目標(biāo)采用不滿意的隸屬度進(jìn)行度量。目標(biāo)i的不滿意度越小，對主體i的擾動(dòng)越小。因此，目標(biāo)i的擾動(dòng)度量函數(shù)為：
4 客戶時(shí)間窗變化的物流配送干擾管理模型
本節(jié)首先建立初始方案的數(shù)學(xué)模型。當(dāng)系統(tǒng)發(fā)生擾動(dòng)后，在該模型的基礎(chǔ)上，構(gòu)建調(diào)整方案的干擾管理模型。
4.1 初始方案的數(shù)學(xué)模型
4.1.1 問題界定
本文對要研究的物流配送問題描述如下：
(1)每輛車從配送中心出發(fā)，沿著一條路線把裝載的貨物配送到指定客戶后，返回配送中心；
(2)每輛車可以服務(wù)多個(gè)客戶，但每個(gè)客戶的貨物只能由一輛車配送；
(3)每輛車所載貨物不能超過裝載能力，為簡化問題，假設(shè)所有車輛的裝載能力相同；
(4)每個(gè)客戶都有其接受服務(wù)的時(shí)間窗，即客戶對貨物到達(dá)時(shí)間的要求是在某個(gè)時(shí)間段上。
要求合理安排車輛配送路線和行車時(shí)間，使得目標(biāo)函數(shù)最優(yōu)，即準(zhǔn)時(shí)到達(dá)和成本最低。
4.1.2 參數(shù)及變量說明
n：客戶總數(shù)量；
上述模型中，式(5)為目標(biāo)函數(shù)，表示總配送成本最低；式(6)為車輛裝載的貨物總量不大于車輛的裝載能力；式(7)為每輛車都從配送中心出發(fā)；式(8)為每個(gè)客戶只由一輛車配送并且所有客戶都得到服務(wù)；式(9)為車輛對客戶服務(wù)完畢后，返回配送中心；式(10)和(11)表示變量之間的關(guān)系；式(12)和(13)表示滿足客戶要求的時(shí)間窗。
4.2 干擾管理模型的構(gòu)建
4.2.1 問題描述
在某個(gè)客戶的時(shí)間窗發(fā)生變化后，以各配送車輛所在位置作為虛擬的配送中心，是擾動(dòng)后配送的起點(diǎn)，初始配送中心為配送的終點(diǎn)，即車輛對客戶服務(wù)完畢后，返回初始配送中心。
另外，如果配送中心有多余的配送車輛，可以協(xié)助在途車輛進(jìn)行配送，但實(shí)際上，配送中心往往并沒有多余的配送車輛。因此，本文在制定調(diào)整方案時(shí)，假設(shè)剩余的任務(wù)只由原配送車輛完成。
4.2.2 參數(shù)及變量說明
m：未完成配送任務(wù)的客戶總數(shù)量；
V：客戶點(diǎn)集合，代表初始配送中心；代表未完成配送任務(wù)的客戶；代表當(dāng)前配送車輛所在的位置，即虛擬的配送中心；
對貨物到達(dá)時(shí)間的不滿意度；
：物流配送運(yùn)營商對配送成本的不滿意度；
：配送業(yè)務(wù)員對新路段個(gè)數(shù)的不滿意度；
其他參數(shù)及變量與前文相同。
4.2.3 擾動(dòng)的度量函數(shù)
(1)客戶擾動(dòng)的度量
根據(jù)第2節(jié)，對于客戶而言，最關(guān)心的是貨物的到達(dá)時(shí)間。因此，建立客戶i的價(jià)值函數(shù)為：
其中：由于初始方案中沒有新路段，因此函數(shù)的參照點(diǎn)為0，如果調(diào)整方案的新路段個(gè)數(shù)g＞0，意味著配送業(yè)務(wù)員虧損(x＜0)；而g不可能小于0，說明配送業(yè)務(wù)員不可能盈利(x≥0)。
根據(jù)公式(3)，配送業(yè)務(wù)員對新路段個(gè)數(shù)的不滿意隸屬函數(shù)可表示為：
式(20)為目標(biāo)函數(shù)，表示調(diào)整方案與初始方案的偏離最小，即系統(tǒng)的擾動(dòng)程度最小。在本模型中，客戶擾動(dòng)之和的最小化為第一級(jí)目標(biāo)，物流配送運(yùn)營商擾動(dòng)的最小化為第二級(jí)目標(biāo)，配送業(yè)務(wù)員擾動(dòng)的最小化為第三級(jí)目標(biāo)；式(21)為不同目標(biāo)的優(yōu)先級(jí)，決策者可針對實(shí)際情況，調(diào)整不同目標(biāo)的優(yōu)先級(jí)順序；式(22)為車輛裝載的貨物總量不大于車輛的裝載能力；式(23)為每輛車都從虛擬的配送中心出發(fā)；式(24)為車輛對客戶服務(wù)完畢后，返回初始配送中心；式(25)和(26)表示滿足客戶要求的時(shí)間窗。
5 干擾管理模型的求解方法研究
由于干擾管理模型以初始方案的數(shù)學(xué)模型為基礎(chǔ)，而該數(shù)學(xué)模型是NP-hard的，因此干擾管理模型也是NP-hard的。加之，干擾管理模型還需考慮干擾事件對整個(gè)物流配送系統(tǒng)的影響，相對來說更加復(fù)雜，求解起來也更加困難。而物流配送實(shí)時(shí)性很強(qiáng)，需要快速處理干擾事件。在這種背景下，由于蟻群算法具有正反饋、分布式計(jì)算以及貪婪的啟發(fā)式搜索等特點(diǎn)，為求解上述問題提供了可能。但是，該算法仍然存在著容易陷入局部優(yōu)化、搜索速度較慢等缺陷，因此本文提出改進(jìn)的蟻群算法——混合蟻群算法(Hybrid Ant Colony Optimization，HACO)，對干擾管理模型進(jìn)行求解。
在HACO中，采用信息素調(diào)整策略、最優(yōu)個(gè)體交叉及變異策略來防止陷入局部優(yōu)化，改善搜索結(jié)果；采用目標(biāo)節(jié)點(diǎn)選擇策略、集成其他算法策略來減少計(jì)算量，提高搜索速度。
5.1 信息素調(diào)整策略
(1)蟻群算法中，蟻群運(yùn)動(dòng)總是趨近于信息量最強(qiáng)的路徑，但是如果該路徑離最優(yōu)解相差較遠(yuǎn)，將會(huì)導(dǎo)致信息量得到不應(yīng)有的增強(qiáng)，使得后續(xù)的螞蟻難以發(fā)現(xiàn)更好的全局最優(yōu)解，這說明信息量最強(qiáng)的路徑不一定能反映出最優(yōu)的路徑。為了提高算法的全局搜索能力，本文采用確定性選擇和隨機(jī)性選擇相結(jié)合的策略，即當(dāng)搜索陷入局部最優(yōu)時(shí)，對路徑上的信息量進(jìn)行動(dòng)態(tài)調(diào)整，縮小最好和最差路徑上信息量的差距，并適當(dāng)加大隨機(jī)選擇的概率，以利于對解空間更完全地搜索。
(2)由于信息素的更新作用，每條路徑上信息量可能在某次搜索后出現(xiàn)極大值或極小值的現(xiàn)象，極大值將使搜索早熟，極小值則不利于全局搜索，因此本文吸收了最值螞蟻算法[16]的思想，將信息素水平限制在最大值和最小值之間，同時(shí)在搜索前，將所有邊的信息素水平設(shè)為最大值，從而使螞蟻在搜索初期具有更大的搜索范圍。另外，當(dāng)各邊信息素水平相差很大時(shí)，將各邊信息素水平與信息素的最大值進(jìn)行加權(quán)平均，從而使信息素差異相對減少，有利于產(chǎn)生新的搜索路線。
(3)當(dāng)問題規(guī)模較大時(shí)，由于信息素保留系數(shù)ρ的存在，那些從未被搜索到的邊，信息量會(huì)逐漸減小到接近于0，降低了算法的全局搜索能力。為解決這一問題，本文采用自適應(yīng)改變?chǔ)训姆椒╗17]。
5.2 最優(yōu)個(gè)體交叉及變異策略
遺傳算法通過交叉和變異操作，能夠增加種群的多樣性，防止算法早熟。因此在HACO中，通過借鑒上述思想，可有效擴(kuò)大搜索空間，避免得到局部最優(yōu)解。
(1)交叉策略
當(dāng)搜索陷入停滯時(shí)，將最優(yōu)個(gè)體和次優(yōu)個(gè)體的編碼進(jìn)行交叉操作，假設(shè)兩組編碼分別為，交叉規(guī)則如下：
(2)變異策略
當(dāng)算法傾向于局部收斂時(shí)，對最優(yōu)個(gè)體進(jìn)行變異，即在這個(gè)局部最優(yōu)路徑上取任意一段或幾段，讓信息素減少至最小值。于是下次不得不跳出此路徑，而去尋找另外可能的更好路徑。實(shí)驗(yàn)表明，對于規(guī)模較大的問題，在引入變異后可明顯看到求解結(jié)果出現(xiàn)震蕩，然后向更好解的方向變化。
5.3 目標(biāo)節(jié)點(diǎn)選擇策略
對于一個(gè)較復(fù)雜的最短路徑問題，節(jié)點(diǎn)i在選擇下一個(gè)旅行節(jié)點(diǎn)j時(shí)，不可能是離i較遠(yuǎn)的那些節(jié)點(diǎn)。而蟻群算法中，螞蟻在選擇下一個(gè)節(jié)點(diǎn)時(shí)，需要計(jì)算所有未走過節(jié)點(diǎn)的轉(zhuǎn)移概率，耗費(fèi)較長的計(jì)算時(shí)間。
根據(jù)上述分析，螞蟻對下一個(gè)節(jié)點(diǎn)的選擇僅局限于離當(dāng)前節(jié)點(diǎn)較近的部分節(jié)點(diǎn)，只對這些節(jié)點(diǎn)計(jì)算轉(zhuǎn)移概率即可，這樣能大幅度提高算法的搜索速度。因此本文引入目標(biāo)節(jié)點(diǎn)選擇策略，其原理是分別以n個(gè)節(jié)點(diǎn)為起點(diǎn)，根據(jù)該節(jié)點(diǎn)與其他n-1個(gè)節(jié)點(diǎn)的距離，建立n個(gè)距離由短到長的排序表，選擇其中前若干個(gè)建立該節(jié)點(diǎn)的候選節(jié)點(diǎn)列表，螞蟻對下一個(gè)節(jié)點(diǎn)的選擇只在候選節(jié)點(diǎn)列表中產(chǎn)生。
5.4 集成其他算法策略
蟻群算法易與傳統(tǒng)啟發(fā)式算法相結(jié)合的特點(diǎn)，決定其具有很強(qiáng)的耦合性，因此將節(jié)約法、交換法兩種簡潔高效的優(yōu)化算法集成到蟻群算法中，可大幅度提高算法的求解速度。
6 算例驗(yàn)證及結(jié)果分析
由于物流配送干擾管理問題尚未有標(biāo)準(zhǔn)的測試數(shù)據(jù)集，因此，算例驗(yàn)證包括兩部分：第一部分采用測試題庫對算法進(jìn)行測試；第二部分首先設(shè)計(jì)一個(gè)具體算例，以配送成本最低為目標(biāo)，得到初始方案。之后將此方案作為客戶時(shí)間窗變化的物流配送干擾管理問題的背景，運(yùn)用本文方法進(jìn)行求解。通過與全局重調(diào)度方法、局部重調(diào)度方法的結(jié)果進(jìn)行對比，驗(yàn)證本文方法的有效性。
6.1 算法驗(yàn)證
(1)實(shí)驗(yàn)結(jié)果
本節(jié)采用典型的測試題庫——Benchmark Problems[18]對算法進(jìn)行測試。在該題庫所列的六類例題中，每一類隨機(jī)選取兩個(gè)問題組成測試數(shù)據(jù)集，采用傳統(tǒng)蟻群算法(ACO)、改進(jìn)蟻群算法[19-20]、改進(jìn)遺傳算法[21]、改進(jìn)禁忌搜索算法[22]和HACO算法進(jìn)行求解，如表1所示。
(2)對比分析
在求解上述12個(gè)例題中，根據(jù)表1的實(shí)驗(yàn)結(jié)果，HACO得到的結(jié)果100%優(yōu)于傳統(tǒng)蟻群算法得到的結(jié)果，92%優(yōu)于或接近于改進(jìn)蟻群算法——IACS-SA得到的結(jié)果，75%優(yōu)于或接近于改進(jìn)蟻群算法——MACS-IH得到的結(jié)果，100%優(yōu)于或接近于改進(jìn)遺傳算法——GenSAT得到的結(jié)果，92%優(yōu)于或接近于改進(jìn)禁忌搜索算法——SATabu得到的結(jié)果。
分析結(jié)果表明，HACO的求解結(jié)果已有部分優(yōu)于文獻(xiàn)中已有的最好結(jié)果，特別是在RC1-03上表現(xiàn)顯著，其他則與最好結(jié)果非常接近，因此HACO在求解NP-hard問題時(shí)是非常有競爭力的。由于HACO中的參數(shù)選擇是憑多次試驗(yàn)而定的，沒有理論依據(jù)，因此求出的解不是算法所能取得的最好解。將算法中各參數(shù)設(shè)置成最優(yōu)，其最終解還有進(jìn)一步改進(jìn)的余地。
6.2 干擾管理模型驗(yàn)證
(1)算例設(shè)計(jì)
某配送中心坐標(biāo)為(0.7，0.7)，在0時(shí)向周圍的24個(gè)客戶配送貨物，為計(jì)算方便，假設(shè)客戶的信息無量綱，如表2所示。設(shè)車輛的裝卸貨時(shí)間不計(jì)，即服務(wù)時(shí)間為0。
根據(jù)上述條件，得出初始方案的配送路線如下。路線1：0→19→16→20→11→12→6→22→23→13→14→7→0；路線2：0→3→9→10→1→17→8→24→0；路線3：0→21→18→15→5→2→4→0。此時(shí)總配送成本為5.7，即目標(biāo)函數(shù)最優(yōu)。
(2)實(shí)驗(yàn)結(jié)果
本節(jié)采用兩種情況來評價(jià)干擾管理模型，即：
情況1：當(dāng)t=0.25時(shí)，客戶12的時(shí)間窗由[0，1.5]變?yōu)閇1.3，3]；
情況2：當(dāng)t=0.3時(shí)，客戶1的時(shí)間窗由[1，2]變?yōu)閇1.5，2.5]。
根據(jù)Tversky等[15]，取β=0.88、λ=2.25。分別采用本文方法、全局重調(diào)度方法和局部重調(diào)度方法進(jìn)行求解，結(jié)果如表3所示。
(3)對比分析
對表3進(jìn)行分析，得出的主要結(jié)論如下：
①從客戶的擾動(dòng)來看，本文方法得到的結(jié)果明顯優(yōu)于其他兩種方法得到的結(jié)果，這說明干擾管理模型在降低客戶不滿意度上的效果是非常顯著的；
②從物流配送運(yùn)營商的擾動(dòng)來看，本文方法得到的結(jié)果劣于其他兩種方法得到的結(jié)果，但是相差不多，說明干擾管理模型得到的配送成本在物流配送運(yùn)營商可以接受的范圍之內(nèi)；
③從配送業(yè)務(wù)員的擾動(dòng)來看，本文方法得到的結(jié)果與其他兩種方法得到的結(jié)果相同，這說明干擾管理模型在抑制配送路線的偏差上不劣于其他兩種方法。
綜上，在考慮人的行為因素的情況下，本文方法以犧牲較小的配送成本，換來了客戶不滿意度較大幅度的降低。因此，與全局重調(diào)度方法和局部重調(diào)度方法相比，本文方法得到的結(jié)果更為實(shí)用。另外，雖然從短期看，物流配送運(yùn)營商犧牲了一定的成本，但從長期的戰(zhàn)略角度看，有利于擁有穩(wěn)定的客戶群并吸引更多的新客戶，進(jìn)而擴(kuò)大企業(yè)的影響力，促進(jìn)企業(yè)的可持續(xù)發(fā)展。
7 結(jié)語
本文針對客戶時(shí)間窗變化的物流配送干擾管理問題，結(jié)合行為科學(xué)、運(yùn)籌學(xué)等相關(guān)理論，做了較深入的研究工作，具體體現(xiàn)在：
(1)提出客戶時(shí)間窗變化問題基于行為的擾動(dòng)度量方法，為物流配送系統(tǒng)中涉及人的行為感知的擾動(dòng)度量提供了新工具，為解決干擾管理領(lǐng)域擾動(dòng)度量這一關(guān)鍵問題提供了新思路。
(2)將人的行為因素考慮在內(nèi)，構(gòu)建物流配送干擾管理的多目標(biāo)優(yōu)化模型，并提出改進(jìn)的蟻群算法——混合蟻群算法的基本原理，為快速求解干擾管理模型這一NP-hard問題提供了新思路，為尋找擾動(dòng)最小的物流配送調(diào)整方案提供較為實(shí)用的定量分析工具。
本文方法在理論層面上，通過將人的行為因素考慮在內(nèi)，能夠獲得較為實(shí)用的擾動(dòng)最小的調(diào)整方案，這不僅有利于豐富干擾管理理論和方法，也能夠促進(jìn)行為運(yùn)籌學(xué)、行為運(yùn)作管理等新興學(xué)科的發(fā)展；在實(shí)際層面上，本文構(gòu)建的干擾管理模型具有較強(qiáng)的實(shí)際操作性，各個(gè)目標(biāo)之間的優(yōu)先級(jí)別能夠非常靈活地進(jìn)行轉(zhuǎn)變，適用范圍較廣泛，這有利于促進(jìn)現(xiàn)代物流產(chǎn)業(yè)的發(fā)展。
為了研究的方便，本文采用Tversky和Kahneman[14-15]給出的β、λ值進(jìn)行算例驗(yàn)證，如何確定上述參數(shù)的實(shí)際值，從而完善物流配送干擾管理模型，是下一步研究的重點(diǎn)。另外，物流配送系統(tǒng)中存在著大量的干擾事件，客戶時(shí)間窗變化僅僅是眾多干擾事件之一，如何將本文方法進(jìn)一步深化，使其應(yīng)用于需求變動(dòng)、運(yùn)力受擾等其他干擾事件的處理，也是值得研究的重要方向，有利于干擾管理的發(fā)展與普及。
作者介紹：丁秋雷(1980-)，男，漢族，山東汶上人，東北財(cái)經(jīng)大學(xué)工商管理學(xué)院，博士，講師，研究方向：干擾管理、電子商務(wù)與物流管理、生產(chǎn)運(yùn)作管理，遼寧 大連 116025
【客戶時(shí)間窗變化的物流配送干擾管理模型】相關(guān)文章：
帶干擾更新風(fēng)險(xiǎn)模型的有限時(shí)間破產(chǎn)概率05-01
帶干擾兩險(xiǎn)種風(fēng)險(xiǎn)模型的破產(chǎn)概率04-26
帶干擾的多險(xiǎn)種離散風(fēng)險(xiǎn)模型的破產(chǎn)概率04-28
旋翼/機(jī)身氣動(dòng)干擾的神經(jīng)網(wǎng)絡(luò)模型04-30
帶干擾雙Cox風(fēng)險(xiǎn)模型的破產(chǎn)概率研究04-30
物流配送中心優(yōu)化布局的運(yùn)籌模型分析05-02
基于GIS的物流配送中心選址模型研究04-28
客戶經(jīng)理模型報(bào)告10-29