作者：骆有隆唐元义
中国储运 2006年04期
本文试对不确定环境下配送网络的规划，包括DC（配送中心）选址和DC到销售点的配送关系进行研究。为了更好的解决此类问题，在第一部分笔者建立了一个模拟随机需求下的相关机会优化模型，第二部分提出一种将优化算法、随机模拟方法和遗传算法合成在一起，设计出的混合智能算法。第三部分进行数值演算。
一、问题的提出
对于物流配送中心选址模型的建立本文的讨论，假设在进行配送中心选址决策时，设置如下参数和变量：
（一）参数
本文要研究的问题是：如何在各个销售点中选取相应的点作为配送中心，使得整个配送网络整体需求在满足一定的条件范围下，而总的配送费用最少。
为了配送中心能顺利的执行配送任务，尽可能少的造成货物分配的延误，或者不能及时入库而造成损失，因此被选中作为配送中心的点的存储容量之和至少要大于各个需求点的需求总和，（注：某需求点被选作配送中心，其销售点职能不变），即
在确定N个配送中心的同时，作为网络规划，我们还必须确定销售点由哪一个选定的配送中心进行配送，即
因此我们建立如下模型
其中为一个随机向量，假设服从正态分布，当然，服从的概率概率分布也可以一些为指数分布，一些为平均分布，其他为正态分布，本文考虑统一为正态分布的情况。现在根据上面的分析，引入概率统计的概念，引入带有随机需求的物流配送的相关机会规划模型(dependent chance programming model)，该DCP模型的核心思想就是在不确定环境下通过极大化随机事件成立的机会从而给出最优的决策。
当需求量为随机变量时，总运送成本也就是一个随机变量，本文要研究的主要问题是在随机需求的作用下，如何选择物流配送中心以及相应的配送关系，使得配送存储容量不小于所有区域会求总和的条件下，使得总的配送运输费用不超过上限G的概率尽可能大。
二、随机需求下物流配送网络0-1规划混合算法
本文采用一种新的思路，将优化算法、随机模拟方法和遗传算法合成在一起，设计出的混合智能算法，这个算法会大大降低计算，可以用该算法来处理大规模的问题。
第一步：初始化染色体，即考虑染色体编码针对模型，我们采用传统的位串编码，即将各决策变量按照一定的顺序排成行。
整个编码可分成N（备选DC数，本文中所有销售点均为被选DC）段，每段占2+K（客户数）位。各段的第1位代表为备选DC的库存容量，第2位代表是否选该点为配送中心，第3～2+N-M位依次代表配送中心是否为该客户进行配送。图1描述了2个销售点时的编码。
图1 染色体编码
为了防止染色体的不可行性，在初始产生种群和交叉、变异中都加以限制：
(1)各段中第1位之和大于等于各个客户需求之和；
(2)第2位只能在0、1中选取，各段第2位之和等于M；
(3)第3～4+K位的和必须等于1。
模拟的方法来得到的不确定函数的值，即求解。
表1 各个区域之间运输单价表
C1C2C3C4C5
C10 40205073
C2400 323263
C320320 2850
C45032280 30
C5736350300
经过4次试验，每次500代进化，参数也有所调整，具体数据如表3。
表2 各区域的仓库容量及需求表
C1C2C3C4C5
库存容量 4570201236
模拟需求量1 N(12,3)
模拟需求量2 N(14,3)
表3 调整后的参数
popsizepcpm gen Pr* 模拟需求量 Pr*_optimal
1 25 0.8 0.1 500
0.8453 N(10,2) 0.8823
2 25 0.85 0.15 500
0.8232 N(12,3) 0.8613
试验证明，该算法比较稳定，参数设置的变化对计算结果影响不大，具有一定的鲁棒性。这个模型和算法可以推广到类似的随机相关机会决策忧化模型。
四、结论
虽然很多学者对物流网络规划问题和它在不确定性环境中的决策做了研究，但是由于问题的复杂性，针对随机需求随机相关机会规划模型还没有在文献中提到。在本文中，建立起通用的模型和解法；并首次提出通用混合智能算法，将0-1规划问题、遗传算法、随机模拟算法集合在一起，有效地解决了不确定性需求下的物流网络规划问题。
作者介绍：骆有隆 武汉理工大学 管理学院，湖北 武汉 430070； 唐元义 湖北大学 数学与计算机科学学院，湖北 武汉 430071