1 引言

云仓储是一种新型的仓储模式, 它借助物联网、虚拟化等技术实现仓储作业资源的虚拟化和效劳化, 利用云盘算等信息技术对信息和资源高效整合, 实现物流效劳的智能匹配, 以资源协同的方法满足客户的个性化需求。

云仓储系统的加入者有三种:客户 (仓配效劳使用者) 、物流资源提供商和中间商 (仓配云效劳整合运营商) , 漫衍于差别地区的物流资源提供商在平台宣布自己的物流资源和物流能力, 仓储云效劳整合运营商将资源虚拟化、效劳化后在平台集中治理, 建立标准资源库和标准效劳子任务库�？突Э稍谄教ㄖ悄芷ヅ涞侥苈阈枨蟮奈锪髯试醇靶Ю�。

在云仓储模式下, 系统主要由云仓储效劳需求端、云仓储平台及云仓储资源提供端三部分组成。其系统业务流程如图1所示, 云仓储资源提供端聚集了漫衍在差别地区, 拥有差别物流资源及物流资源的主体, 这些主体将仓储资源、运输资源、盘算资源等物流资源及物流能力向云仓储平台宣布, 经虚拟化、效劳化处理后, 形成一个地舆位置疏散但逻辑上统一的虚拟资源池。云仓储效劳需求端主要指漫衍在差别地区的云仓储效劳使用者, 包括个人企业等需要物流效劳的群体, 他们向云仓储平台提出个性化物流效劳需求。云仓储平台则是充目今两者之间的连接桥梁, 将资源池的物流资源及能力处理成一个个的标准化的效劳�？榧拔锪髯尤挝�, 通过效劳发明、组合、协作等方法, 为云仓储需求端的物流任务匹配出最优的效劳计划, 抵达对云仓储效劳需求端的动态化的、智能化的按需效劳的效果[1]。

图1 云仓储效劳的业务流程   

在云仓储模式下, 仓配模式同现有的物流效劳模式实质差别, 该模式下越发突出虚拟性、集成性、动态性、高柔性、智能性、协同性等特点, 所以势须要求物流资源及物流能力在功效、形态和配置上也要有相应的变革, 本文提出了一种新的能够支持资源集成治理和动态协同分派的选址分派要领, 其设计思路和立异点如下:

古板的选址-分派模型中都假设各配送中心独立运营, 配送中心和需求点之间是“一对一”或“一对多”的关系, 这就使得资源统一调理能力较差, 不可满足云仓储模式下的动态性和智能性要求。本文设计的云仓储模式下基于虚拟资源云的协同仓配选址-分派模型如图2所示, 在这种分派模式下物流资源和物流效劳之间的紧密耦合关系被有效解除, 中心货仓和区域货仓及区域货仓和需求点之间形成的效劳映射模式是“多对多”的关系。这种模式使得物流资源获得了动态组合, 云仓储平台通过各物流资源的协同实现统一调理, 动态、智能化的为云仓储需求端提供一体化效劳[2]。

图2 云仓储选址分派模式  

2 笼罩半径和笼罩状态

笼罩半径是指设施效劳点以自己为圆心向外辐射效劳的最远距离。笼罩状态是指设施效劳点有没有向某个需求点提供效劳。

古板配送中心的笼罩状态只有两种:当需求点在配送中心的效劳半径之内且由该配送中心完全满足其需求时为笼罩, 不然为不笼罩, 即笼罩状态只有0和1两种, 即要么笼罩, 要么不笼罩, 这种笼罩难以与云仓储模式下实际情况不符, 倒运于资源的一体化协同效劳, 同时也导致选址方法不灵活, 在云仓储模式下漫衍式的资源一体化调理, 智能、动态、协同地完成物流任务, 本文允许某一云仓只笼罩一个需求点的部分需求, 即笼罩状态是[0, 1]上的连续量, 各云仓协同效劳于某一需求点, 其示意如图3, 允许云仓2和3协同满足需求点4和5的需求, 缩小了整体笼罩半径, 提高了系统协同性和灵活性, 降低了物流本钱。

图3 基于几个笼罩选址-分派模型笼罩状态   

3 模型建立

3.1 问题描述

本文研究的是由中心货仓 (CD) -区域货仓 (RD) -需求点 (R) 组成的三级供应链系统中的多云仓及多末端配送中心选址问题。并且每个候选中心货仓及区域货仓都因仓储资源和设备资源等限制而有能力约束。综合考虑中心货仓和区域货仓两层设施选址, 并确定中心货仓-区域货仓, 以及区域货仓-需求点的分派计划。优化目标是考虑两层设施选址和两层级分派的整体最优计划, 包括如下子决策问题:

两层设施选址决策。在候选的中心货仓和区域货仓中选定设施地点。

两层级分派决策。确定两个层级之间的需求分派关系, 即决策中心货仓-区域货仓, 以及区域货仓-需求点的分派计划。

3.2 符号界说

参数:

I为候选中心货仓荟萃, i= (1, 2, …, I) ;

J为候选区域货仓荟萃, j= (1, 2, …, J) ;

K为需求点荟萃, k= (1, 2, …K) ;

Qk为需求点k对产品的需求量;

Si为中心货仓i的容量限制;

Sj为末端配送中心j的容量限制;

Ai为中心货仓i的建站用度;

ai为中心货仓i的建站及运营本钱系数;

Bj为区域货仓j的建站用度;

bj为区域货仓j的建站及运营本钱系数;

dij为中心货仓i到区域货仓j的距离;

djk为区域货仓j到需求地k的距离;

v为配送历程中车辆平均行驶速度;

c1为中心货仓到区域货仓之间的单位运量单位运距的平均运输本钱;

c2为区域货仓到需求点之间的单位运量单位运距的平均运输本钱;

M为计划将建设的中心货仓的数量限制;

N为计划将建设的区域货仓的数量限制;

决策变量

xi为0-1变量, 体现是否在中心货仓i进行建站, 1体现建立, 不然为0;

yj为0-1变量, 体现是否在区域货仓j进行建站, 1体现建立, 不然为0;

zij为中心货仓i对区域货仓j的配送量 (配送比例) ;

wij为区域货仓j对需求点k的配送量 (配送比例) ;

3.3 模型建立

式 (1) 为总本钱目标函数, 依次为中心货仓荟萃I的建设和运营本钱, 区域货仓荟萃J的建设和运营本钱, 中心货仓到区域货仓的运输本钱, 区域货仓到需求点的配送本钱。式 (2) 体现所有区域货仓向任意一个需求点提供总需求满足该需求点的需求, 及区域货仓协同实现对需求点的完全笼罩。

式 (3) 体现中心货仓的配送量与区域货仓的配送量相等。式 (4) 体现每一个区域货仓的进出流量相等, 左边体现中心货仓的流出量, 右边体现需求点的流入量。式 (5) 体现中心货仓建站总数量小于限制最大值M。式 (6) 体现区域货仓建站总数量小于限制最大值N。式 (7) 体现每一其中心货仓的贮存量要小于其容量限制。式 (8) 体现每一个区域货仓的贮存量要小于其容量限制。式 (9) 和式 (10) 是对决策变量的约束, 为0-1变量, 体现是否在i或j处建站。式 (11) 和式 (12) 是对决策变量的约束, 体现配送量非负。

4 量子遗传算法设计

4.1 量子比特编码

接纳二进制编码, 对保存多态的问题进行量子比特编码, 如两态则用一个量子比特进行编码, 四态则用两个量子比特进行编码。针对本文提出了中心货仓-区域货仓-需求点的三级选址分派问题, 提出如下编码计划:[3,4,5,6]

图4   

在本编码计划中, 设施选址和分派问题整合在一起编码, 系统编码可分为三部分:即中心货仓编码段、区域货仓编码段、需求点编码段。

接纳大批子比特编码m个参数的基因如下:

其中n体现种群规模, 为qjt染色体, 体现第t代的第j个个体的染色体;m为染色体的基因个数, k为编码每一个基因的量子比特数。

把单其中心货仓、区域货仓及需求点都按一个基因编码, 在每个编码段中, 依据上级设施点的基因数量来确定本层每个基因的量子比特数。如上级设施点基因数为x, 本层设施点编码时, 为同时考虑选址问题和分派问题, 可用y个量子比特位编码来体现每个设施点, y与x需要满足条件:

因此, 量子比特数y可盘算得:

凭据y位量子比特位视察获得的二进制编码串对应的十进制, 用取值为零和非零体现设施选址, 即若对应的十进制值为0, 对应的设施点未被选中;若对应的十进制值>0, 则对应的设施点被选中, 且其对应的十进制值还体现和上一级设施点的分派关系。

4.2 量子进化算法运算办法:

(1) 确定量子进化算法系统参数, 包括群体巨细, 视察次数、最大运算代数、体制条件等;

(2) 初始化种群, Q (t0) ={q1t, q2t…qjt…, qnt}等概率随机的生成n个以量子比特位编码的染色体, 此处t=0;

(3) 对初始种群Q (t0) 中的每个个体进行视察, 获得二进制解集P (t0) ={x1t, x2t, …xjt, …, xnt}即为第0代个体;

(4) 对P (t) 所对应的计划进行有效性检验, 包管其对应的计划的可行性, 同时对各解进行适应度评估;

(5) 纪录P (t0) 中最优个体和其对应的适应度;

(6) 检查是否满足结束条件, 若满足, 则停止运算, 输出最优个体及相关数据, 不然, 继续下一步;

(7) 对种群Q (t) 中的每个个体进行视察, 生成二进制解集P (t) ;

(8) 对P (t) 中各解进行有效性检验及适应度评估;

(9) 利用量子旋转门更新种群, 获得新种群Q (t+1) ;

(10) 纪录P (t) 中最优个体和其对应的适应度;

(11) 迭代次数t加1, 转向办法 (6) ;

(12) 结束, 输出最优个体及其他相关信息。

5 案例剖析

A公司建立于2004年, 是全球领先的第三方电商物流供应链企业, 天猫超市仓储治理效劳的焦点提供商。为提升企业竞争力, 拟在浙江省建立至多3其中心货仓 (CD) 及至多7个区域配送中心 (RD) , 实现物流响应时效性质的提升, 为客户提供越日达、限时达等效劳, 提高客户满意度。本文将66个主要县市区笼统为节点, 如图5, 以其外地政府所在职位置作为节点位置, 以两点间的公路距离作为两点间的距离, 据A公司2017年运营数据, 剖析处理得, A公司在浙江省对各个区县的单日配送量均值为3.05千件, 所以, 每个需求点的需求量按正态漫衍N (3.05, 0.5) 的密度爆发, 经考察调研, 选取1、10、16、27、40号节点为候选中心货仓, 其相关参数见表1, 选取4、9、24、31、48、55、59号节点为候选区域货仓, 其相关参数见表2, 选取39个节点为需求点。模型中的其他参数, 参考接纳同类文献和经验判断的方法给出:c1=25元, c2=50元。

表1 候选中心货仓相关参数  

图5 节点漫衍示意图  

表2 候选区域货仓相关参数  

以Matlab 2014a为操作平台, 在Inter (R) , Pentium (R) , Core (TM) i5—3520MCPU, 2.9GHz, 4.00 GB内存, Windows 7操作系统上执行算法。参数设置为:种群巨细为5, 即量子进化盘算中有两条量子染色体, 视察次数设定为10, 即子群体巨细为10, 最大进化运算代数为4000。经盘算, 最终选取1、16、40号节点作为中心货仓, 选取4、9、31、55、59作为区域货仓, 其分派计划如表3和表4所示, 各需求点的需求获得满足, 每个货仓的容量未凌驾容量限制, 总的物流系统本钱为4522.4万元。

表3 中心货仓选址结果及分派计划 

表4 区域货仓选址结果及分派计划

6 结论

本文结合云仓储模式的特点, 基于荟萃笼罩模型, 通过松弛笼罩半径和笼罩状态, 研究了三级供应链系统中的多对多分派关系下的选址分派问题, 设计量子遗传算法求解, 通过案例剖析验证了其可行性, 对实际决策有一定的指导意义。