袁振杭
摘 要：B2C电子商务的发展带动了物流业的发展，不少电商企业构建自营物流，但是，由于电商物流的分散性，物流配送成本居高不下。本文基于顾客退货构建了一个物流配送网络优化模型，并运用遗传算法进行求解，最后通过一个实例对构建的模型进行了验证。
关键词：顾客退货；遗传算法；B2C电子商务；物流网络优化
一、引言
电子商务经济的推动，使得现代物流行业与电商的结合更为紧密，现代物流强调精细化管理，降低物流成本，而电子商务经济正是以较低的运营成本战胜实体店，两者成本角度考虑一致。另一方面，现代物流强调技术，从技术角度推进信息共享，从而更精细化计算物流配送路径，从而降低车辆配送成本。
物流网络优化一般涉及优化算法的求解，通过优化算法对构建的模型进行最优求解，指导物流企业运输调度。B2C电商物流是一种小批量、多批次的物流形态，在互联网经济时代该种物流形式占据主流，对于B2C电商物流的配送网络优化研究也成为了研究热点，但是，正是这种分散性的需求使得物流配送频繁，配送难度大，配送成本也居高不下，如何解决配送成本控制问题也成了研究焦点。针对此，不少学者从建立各地配送点出发，研究最佳配送路径方式来降低物流成本。本文对B2C物流进行网络建模，重点分析存在顾客退货时的物流网络优化问题，并引入遗传算法进行求解，为物流企业降低物流运作成本提供参考。
二、B2C电子商务物流配送网络研究现状
1.B2C电子商务物流网络优化研究
B2C电子商务物流与传统企业物流配送相比，最大的区别是逆向物流的规模及其重要性。商务部明确规定了“冷静期制度”，网购消费者可以在“冷静期”内取消订单，在电商平台虚拟化背景下，顾客对于货物的期望与实物很有可能会有落差，退货现象十分普遍，如果说电商企业提供满意的退换货物服务，则会给自身网络品牌带来灾难性的后果。因此，我们在构建B2C电子商务物流网络时要考虑退货物流回收点。另一方面，电商物流的分散性、小批量使得物流网络节点多，网络结构复杂，设立合理的配送网点，选取合适的配送路径，可以极大地降低物流配送成本。如何构建较好的配送路径，多数学者以优化理论构建优化模型，并运用优化算法进行求解，获得最优路径，降低配送成本。
2.基于遗传算法的物流配送网络优化研究
遗传算法模拟种群进化机制，进行个体的交叉、变异等操作，获得适应性最强的最优个体来得到问题的最优解。遗传算法具有较好的全局搜索能力，但是也存在早熟缺点，常常会陷入局部最优，通过对基因重组策略的调整，或者加入其它算法思想，如禁忌算法等，可以提高算法收敛速度。电商物流具有小批量、多批次、逆向物流、时效性强等诸多特点，因此，电商物流的配送路径规划具备实用性，在电商物流网络优化方面建模研究较多，对于具体的求解大多采用了优化算法，遗传算法是其中运用角度的一类优化算法选择。
以上B2C电子商务物流配送网络问题的研究主要是解决物流配送中心选址、运输优化等决策问题，很少考虑顾客退货的影响。然而，目前很多B2C电子商务配送中心物流基本趋于成熟，重新选址、设计和建立物流配送中心不仅加大资金投入，还无法起到提高物流配送效率的目的。为此，本文考虑在既有的配送基础设施上分析B2C电子商务物流配送优化问题，通过合理安排配送资源来降低物流成本，增加利润，并考虑存在顾客退货的情形，更加贴近实际情况，为电子商务企业发展物流网络提供决策依据。
三、配送网络优化模型构建
B2C电子商务物流网络优化的目的是降低企业物流成本，提高收益。本文主要涉及B2C电子商务企业与顾客组成的二级物流网络，在考虑顾客退货的情况下，对B2C电子商务企业配送路线问题进行优化设计，降低物流运作成本。
1.假设及参数说明
（1）基本假设
为了便于分析，本文做如下假设：
①不同的顾客货物可以混合装运。②各配送点的车辆统一，负荷及单位配送成本一致且已知。③顾客的购买需求与退货量已知，电商企业能够满足顾客需求。④只考虑运输成本。
（2）参数说明
表示所有物流配送中心（兼退货接收中心）， 表示所有物流配送中心车辆的集合，
表示顾客点集合。qi表示物流配送中心i销售物流货物量，rk表示顾客k退货量，Qm表示运输车m辆的负荷，dij表示物流中心i与j之间的距离，dik表示物流中心i与顾客k之间的距离。 ikm表示配送中心i至顾客k的配送任务由车辆m来完成，bijm表示配送中心i至配送中心j的转运任务由车辆m来完成。
2.网络优化数学模型
目标函数式（1）表示物流配送成本的最小化，其中第一项表示配送中心向顾客配送的成本，第二项表示配送中心的转运成本。考虑到B2C电商物流是一种小批量、多批次的物流形态，因此，本文目标函数式（1）主要体现配送节点之间的距离，在满足车辆负荷、顾客配送要求等各项约束条件下，实现最短配送路径。式（2）表示运输车辆不超过负荷运作。式（3）表示配送中心节点与顾客节点是否有车辆配送。式（4）标识配送中心节点之间是否有车辆配送。
3.基于遗传算法的物流网络优化模型求解
对于特定的顾客，最终总是单个配送中心给予配货，可以是配送中心之间通过了调货转运。因此，最终我们的最优路径可以表示为一条，当对某个顾客的货物配送动用了配送中心间的调货，我们可以把参与转运及最终配货的物流配送中心视为同一次配送活动。
（1）编码
我们将所有配送中心、顾客按顺序用自然数进行编码（1，2，3，……，i，……，i+k），最优配送路径用数字表示，如（3，6，10），那么我们就把（3，6，10）作为一个个体。对最优解进行编码是遗传算法的第一步，也是比较关键的一步，按自然数编码比较容易理解，对后续处理也比较方便，因此选用此类编码方式。
（2）初始化种群
配送活动总有一个起点，我们事先不知道从哪里开始配送将会达到最优点，最优解是如何，那么就需要随机选取几组最优路径，经过遗传算法后续过程逐步逼近最优解，我们需要确定一个群体的规模（个体的数量），即可能的最优解可选项。初始化种群的规模需根据经验设定，种群过大会降低收敛速度，而种群过小又会过早收敛，因此，我们需要合理选取种群规模。
（3）适应度函数
适应度函数是遗传算法的关键，在很大程度上决定着我们的优化解的求解速度与求解质量，适应度函数是用于选取可以进行遗传的个体，即可以继续参与交叉、变异的优良个体（最靠近最优配送路径的参考路径），因为我们的目标函数是求解最小成本，目标函数求解最小值，我们可以取目标函数的倒数作为个体的适应度。
（4）交叉运算
交叉运算是将两个个体的部分染色体进行交换的过程，模仿遗传过程中的交叉遗传，是遗传算法与其他优化算法的一个重要区别。具体操作过程为：对群体进一个随机的交叉配对，对于某一配对随机地选择一个交叉位置，交换配对个体之间基因。交叉操作是对遗传优势的提升，不同个体之间的交叉可以获取对方优势，促进最优个体的产生，即提升收敛速度，提升获取最优解速度。
（5）变异运算
变异操作是为了避免因为种群大小造成的进化停止问题，加入变异运算可以提高个体间的差异，有利于遗传进化。具体操作为：随机产生各个体变异的位置，对于所有需要变异的位置按照一定的概率进行取反值操作。
（6）持续以上操作，直到迭代次数达到设定值为止
通过以上六个一般遗传算法操作步骤，我们可以对物流网络优化模型进行求解，或最优配送路径。遗传算法是一迭代求解最优的算法，引入生物学遗传规则，优胜劣汰，来获取我们的最优解。由于遗传算法的全局搜索与收敛速度较快等优势，被多数学者列为优化类问题求解算法之首选。
四、实例分析
根据前述构建的B2C网络优化模型，以下就一个简单实例进行具体说明，运用我们的模型及遗传算法进行求解，获得最佳配送路径。
令某B2C电商企业配送网络有10配送顾客目标，2个配送中心，配送中心各有一台货车，车辆负荷为5吨，各顾客点的货物需求量与退货量，以及各点间的距离表1、表2所示，其中，V1-V10表示顾客节点，而V11-V12表示两个配送中心。
从获得的两个最优配送路径可以看出，我们的配送中心V11与V12的运输车辆都有一次返回配送中心的过程。基于顾客退货的存在，配送车辆在配送过程中，同时收集顾客的退货，当退货量达到车辆负荷要求时，将回到就近的配送中心。配送中心V11的运输车辆回到自身配送点，而配送中心V12的运输车辆则是回到配送中心V11，当配送中心运输车辆在配送中心交付退货的货物之后，再开始向其他顾客配送。
五、结语
随着新经济形态的产生，电子商务逐渐成为消费主流，尤其是其中较为稳固的B2C模式，对于配送网络优化研究具有实际意义。电商物流具备了批量小、顾客分散、物流配送服务水平较低等不足，配送成本居高不下，如何规划一个合理的电商物流配送路径将有助于降低电商企业物流配送成本，提升营利水平。本文构建了一个以运输成本最优化的物流网络模型，其中考虑了电商物流重视程度极高而区别于传统物流的退货物流因素。遗传算法的较快收敛性，是路径规划问题中考虑较多的算法，对于构建的模型，本文运用遗传算法进行求解，并通过一个实例运算对模型进行验证。但是，本文尚未考虑多种运输方式的优化问题，也未有融合低碳绿色环保等方面的要求，接下来可以做进一步的研究和探讨。
参考文献：
[1]饶绍伦.电子商务物流体系优化研究[J].物流技术，2014.
[2]陈浩，吴洁明.基WebGIS的物流电子商务与配送网络优化集成[J].计算机与现代化，2005.
[3]周艳聪，孙晓晨，余伟翔.基于改进遗传算法的物流配送路径优化研究[J].计算机工程与科学，2012.
[4]王永亮.物流配送路径优化问题的研究与应用[D].太原理工大学，2009.
