考虑差异化服务时间的多车型电动汽车路径优化与充电策略研究
郭 放1，杨 珺2，杨 超2
(1.郑州大学管理工程学院，河南 郑州 450001；2.华中科技大学管理学院，湖北 武汉 430074)
摘 要： 在政府政策大力支持以及社会环境意识不断增长的背景下，电动汽车在物流配送行业快速普及。电动汽车参与的物流配送服务需要物流专员、电动汽车和顾客三方协作完成。因此，在传统车辆配送路径优化的基础上，车辆的多样性、充电策略、人车的匹配以及服务时间差异化等因素都会影响物流运营成本。本文提出了考虑差异化服务成本的多车型电动汽车路径优化与充电策略问题并建立了该问题的整数规划数学模型。其次，提出了混合启发式算法MCWGATS，并通过多组算例验证了算法的有效性。最后，采用多组算例分析了多车型和差异化服务时间对运营成本的影响。实验结果表明，该模型有助于物流企业提高人员、物流车辆、服务时间等资源的利用效率，降低运营成本。
关键词： 电动汽车；多车型车辆路径问题；混合启发式算法；差异化服务时间；人车匹配问题
1 引言
城市内小件货物送货上门服务处于物流环节的最末端。受到交通、人员以及环境的影响，市内配送环节产生的服务成本占据物流环节总成本的35%-60%[1]。为提高物流配送效率抢占末端配送市场，物流企业和学者在服务模式以及服务效率等方面进行了诸多尝试。陈义友等[2]研究了顾客差异化选择对自提点选址的影响。符卓等[3]研究了顾客需求可依据订单拆分情形下的物流车辆路径问题。此外，配送车辆的多样性、服务路径选择、人车匹配策略以及服务时间差异化等因素都会影响物流运营成本。因此，高效的物流配送服务需要物流专员、配送车辆和顾客三方协作完成。在熟悉顾客点周边的环境的情况下，物流专员能够快速准确地找到配送地址与合适的停车点，甚至能够熟悉顾客点周边交通状况从而避开拥堵的路段。物流专员的服务时间存在差异，由此带来的经济效益也愈加受到物流企业的重视。除差异化服务时间以外，物流专员指派策略还与配送车辆载重量、行驶成本和顾客位置等多种因素相互影响。相对于大型配送车辆，小型配送车辆较低的可变成本使其在路径选择方面更加灵活。但是，受到载重量较小的限制，物流企业需要安排更多数目的车辆与人员才能够满足服务需求。另一方面，具备较大载重量的车型可以满足更多顾客点的服务需求。车辆服务路径的增加可能会导致物流配送人员对配送区域和配送顾客不熟悉，增加了整体服务时间成本。由此可见，统筹安排物流专员、配送车辆和顾客三者的匹配工作，有助于物流企业提高人员、物流车辆、服务时间等资源的利用效率，降低运营成本。
分析还发现，2016年诊疗费次均费用构成比呈现较大幅度上升，较2014～2015年相比，2015～2016年诊疗费结构变动情况已由负向转变为正向。这在一定程度上反映了该院临床诊疗规范方面仍存在一定不足，可能会对医疗卫生资源造成不必要的浪费。因此，医院应配合卫生部门尽快建立合理科学的单病种临床路径，规范疾病分类系统，以便准确地测算各种病种的标准成本，建立诊疗规范体系[15, 16]；与此同时，院方还应对医生加强临床路径相关知识的培训与教育工作，提高医生对临床诊疗规范的认同感，以确保临床路径得以有效开展与实施，从而控制诊疗费用合理增长。
近几年来，国内外学者分别从车队规模、车型选择和差异化服务时间等方面拓展了对物流路径优化问题的研究。一部分学者探讨了多车型车辆路径问题(HVRP)，Golden等[4]研究了考虑车队规模与车型选择的车辆路径问题，在其研究中多车型通过不同的载重量体现。Liu和Shen[5]基于不同型号车辆的行驶成本不同而载重量相同的假设，探讨了时间窗约束下的HVRP问题。Taillard[6]结合了禁忌搜索和列生成算法的优势，采用混合算法解决了兼顾可变成本和不同载重量的多车型车辆路径问题。Salhi等[7]在多车型车辆路径问题的基础上进一步探究了载货返程情形下的服务策略。另一部分学者研究了考虑差异化服务成本的车辆路径问题(VRP)。差异化服务相关研究集中于小件商品的物流配送领域，服务的差异性通常表现为服务成本不同。Zhong等[8]采用差异化服务成本体现物流服务专员对不同服务对象的熟悉程度，通过允许跨区域服务实现路径策略的灵活性。Schneider等[9-11]在VRP问题的研究中引入了配送人员个性化服务时间的概念。服务时间的差异通过熟悉因子σ is 体现，熟悉因子表示熟悉服务对象i 的物流专员s (以下简称为熟悉专员)相对于对服务对象完全陌生的物流专员(以下简称为陌生专员)可节约的服务时间百分比。例如，熟悉因子σ is =0.2的时候，熟悉专员的服务时间降低为陌生专员的80%。Sungur等[12]采用补偿随机规划和鲁棒优化分别对顾客点和服务时间的不确定性进行研究。Schneide等[13]在时间窗约束下研究服务时间差异化的车辆路径问题。上述文献从不同角度分别研究了考虑多车型或差异化服务时间的车辆路径问题，鲜有文献涉及关于协调物流专员、配送车辆和顾客三方匹配策略的研究。
农村体制改革后，土地由集体经营转变为农民分散经营，水利工程管理体制没有完全理顺，导致一些地方水利工程建、管、用三位脱节，管理、维护主体缺位。一些地方存在重建轻管、重大轻小、重骨干轻配套的现象，农田水利工程管理相对薄弱，特别是中小型水利设施管理缺失或不到位，工程效益低。许多小型农田水利工程的维修和管理不同程度存在“三无管理”现象，即无管理机构、无管理人员、无管理资金，影响了农田水利设施功能的发挥。
另一方面，零排放的特点使得电动汽车非常适合城市良性发展的需求，促使其在城市物流配送行业中得到关注与应用[14]。国家各部门相继出台了一系列政策法规推进电动物流汽车产业和配套服务设施快速发展，为电动汽车在物流配送行业的普及提供了有力保障。电动物流车辆行驶距离受电池容量约束，电量不足时需要前往充电站点通过充电模式补充电量。如何科学地规划电动汽车服务路径与充电策略，优化电动汽车物流与服务网络成为了近来的研究热点问题。Erdogan和Miller-Hooks[15]最早提出绿色车辆路径问题(Green Vehicle Routing Problem，GVRP)，建立起以累计行驶距离最短为优化目标的混合整数规划模型。Schneider等[16-17]研究了时间窗与允许在途充电的电动汽车路径优化问题，并在文中采用变邻域搜索和禁忌搜索相结合的混合启发式算法对上述问题进行求解。杨珺等[18]研究电动汽车物流配送网络的设施选址和配送路径优化问题，提出了禁忌搜索和改进节约算法相结合的两阶段启发式算法。Bruglieri等[19]将电动汽车在服务站点的充电量作为决策变量，研究了带时间窗约束且允许在途充电的电动汽车路径问题。研究结果发现在带时间窗的前提下灵活可变的充电策略能够以较低的资金投入为顾客提供更加高效率的服务。
在水环境治理与修复技术方面，引进了河流“水华”控制、大型渠道清污、深水疏浚、污泥处理、水面垃圾清除、微菌生物污水处理等技术和仪器38项；创新转化技术和产品67项，开发了清污辅助决策系统，改进了深水和水面清污设备，取得专利22项，成果在广东、江苏、天津、上海等地进行成功运用；不仅促进了对污染源的控制能力，提高了水环境机械治理水平，而且提升了水环境生物修复能力，为从根本上治理我国水环境污染，建设环境友好型社会提供了技术支撑。
近期，部分学者将多车型与电动物流汽车车辆路径问题结合起来进行研究。揭婉晨等[20]和Penna等[21]研究了含时间窗的多车型电动汽车车辆路径问题(E-HVRPTW)，其中揭婉晨等[20]运用基于列生成的分支定价算法求解该问题的最优解，并提出了两种加速策略优化算法求解效率。Hiermann等[22]根据不同车型电动汽车的能源消耗和载重量等性能的差异性，将电动物流车队的车辆数和车型选择作为优化对象。
本文与已有研究的主要区别在于考虑了物流专员、配送车辆和服务对象三方协调匹配策略。研究了将上述三方指派与匹配策略作为优化对象的多车型电动汽车配送路径问题。随后，本文提出了基于改进节约算法、混合遗传算法以及禁忌搜索算法的混合启发式算法MCWGATS。采用CPLEX求解小规模算例并将其结果与MCWGATS算法的计算结果进行比较，证实了算法的有效性。最后，分析多车型与差异化服务时间对运营成本的影响。
2 问题描述及数学模型
2.1 问题描述
服务网络G =(V ,E )，其中V ={v 1,v 2,…,v n }表示由顾客区域集合I 、充电站点集合J 、配送中心o 和虚拟配送中心o ′共同组成的点集，V =I ∪J ∪{o }∪{o ′}。E ={(v i ,v j ):v i ,v j ∈V ,v i ≠v j }表示弧的集合。集合I ∪J 中每个节点i 都具有需求量参数q i ，q i 表示点i 所需配送的货物数量。对于集合J 中的节点i ，q i =0。集合I 中i 元素表示一个极小的服务区域(顾客点)，物流专员对同一服务区域的顾客具有相同的熟悉程度。集合E 中每条弧都包含非负参数d ij ，d ij 表示节点i 和j 之间的距离。物流专员s 对顾客点i 的熟悉因子为σ is ，0≤σ is ≤1。t i 为物流专员对陌生服务区域i 中单位货物的基准服务时间。K ={k 1,k 2,…,k m }表示配送车辆集合。集合K 中每一辆车k 都包含三个非负参数，即车辆k 的最大载重U k 、可变成本(即单位距离行驶成本)γ k 和满电量状态下最长行驶里程Q k 。集合R ={r 1,r 2,…,r z }是配送路径的集合，每条路径由一辆车负责配送。
表示车辆k 到达点i 的电量，
表示车辆k 离开点i 的电量，当i ∈I 时，
表示车辆k 离开点i 时的剩余货物量。x ijk 是0-1 变量，当车辆k 经过弧(i ,j )时x ijk =1，否则为0。n j 是0-1变量j ∈J ，j 点安置有充电服务设施时n j =1，否则为0。z isk 是0-1 变量，当物流专员s 驾驶车辆k 为i 提供服务时z isk =1，否则为0。y sk 是0-1 变量，当车辆k 被指派给物流专员s 时y sk =1，否则为0。f j 表示在j 点建立充电服务站点的成本。η 为时间成本系数。t is 表示物流专员s 服务i 所需总时间，t is =(1-σ is )q i t i 。M 为一个极大值，本文取M =10000。
2.2 基础模型
基于上述条件， 数学模型如下：
(1)
(2)
(3)
2013年1月1日生效实施的新的《刑事诉讼法》和2015年2月4日实施的《民事诉讼法司法解释》，把电子证据列为法定证据的一种，也结束了理论界和实务届对电子数据的纷争。在网络技术快速发展情况下，电子数据诉讼活动发挥着越来越大的作用。电子数据保全的案件发生与生活密不可分。我国现有的法律、法规“并未赋予证据保全制度独立存在的价值，而将其作为证据收集的一部分”。[1]现今整个立法体系没有一部相对完整的对电子数据保全的指导和规范方面的法律法规，不能满足日益增多的网络纠纷和网络电子犯罪案件的迫切需要。
(4)
(5)
(6)
(7)
(8)
(9)
(10)
∀k ∈K ,s ∈S ,i ∈V\ {o ′}
7月初，继任者Michel Loris-Melikoff刚刚上任。他说已经想了一些办法挽留斯沃琪集团，事到如今只能表示遗憾。
(11)
u hk ≤u gk -q h x ghk +U k (1-x ghk )
∀h ∈V\ {o },g ∈V\ {o ′},g ≠h ,k ∈K
美国每年有数量930万m3，金额达10多亿美元的原木和锯材要销往中国。现在世界上没有哪个国家能消化美国这么大量的木材。
(12)
u ok ≤U k ∀k ∈K
(13)
u hk ≥0≤∀k ∈K ,h ∈V\ {o ′}
(14)
∀h ∈V\ {o },g ∈V\ {o ′},g ≠h ,k ∈K
这个形象的出现，大概是2005年。那时候广东的一些摄影家——比较典型的代表是黄国伟、梁亮——到红土地以后，他们除了拍风光，也拍一些人文的东西。拍到谁，就给他（她）几十块钱。这个老人，那时候年龄60岁左右，轮廓很好，形象很不错，就经常被拍。
(15)
(16)
(17)
(18)
(19)
(20)
x ghk ,y sk ,z isk ∈{0,1} ∀h ∈V\ {o },g ∈V\ {o ′},k ∈K ,j ∈J ,s ∈S
(21)
目标函数(1)表示最小化运营成本，等号右边依次为充电站点建站成本、车辆行驶成本和服务时间成本。式(2)表示每个点只接受一辆车服务，需求不能拆分。式(3)表示只能在建有充电服务站的地点充电。式(4)表示进出各点的流量平衡。式(5)表示配送车辆从配送中心出发，并且最后回到出发点。式(6)表示每辆车最多只能接受一条路径的配送任务。式(7)表示参与配送任务的车辆数目不能超过该物流公司拥有的车辆总数。式(8)表示车辆被指派给相应物流专员后才能执行配送任务。式(9)表示每辆电动汽车最多被指派给一名物流专员。式(10)表示一位物流专员最多驾驶一辆汽车。式(11)表示物流专员s 驾驶车辆k 服务顾客i 的前提条件是车辆k 由物流专员s 驾驶并且顾客i 由车辆k 服务。式(12)表示配送车辆按路径途经各点的剩余货物量。式(13)确保路径中顾客总需求量不超过服务车辆的最大载重量。式(14)表示剩余货物量为非负。式(15)表示配送车辆按照路径途经各点的剩余电量。式(16)表示车辆离开配送中心时为满电量状态。式(17)-(18)共同限制车辆离开服务站点时的电量范围。式(18)表示和的上下界约束。式(19)表示车辆经过顾客点时，其电池状态不会发生变化。式(20)确保车辆有充足的电量完成指定配送任务。式(21)表示变量属性。
3 启发式算法 MCWGATS
本节采用启发式算法MCWGATS求解考虑物流专员个性化服务时间的多车型电动汽车路径与充电策略问题。MCWGATS主要由改进节约算法(MCWS)、混合遗传算法(HGA)和禁忌搜索(TS)组成。
3.1 初始选址
依次将各备选位置作为圆心，标记其周围Q k /2距离内的顾客点(此处k为最大行驶距离最短的车型)。将所有备选点根据其标记的顾客数目按照由高到低的顺序排列在集合G 中，随后将集合G 的前n 个点添加到站点集合S 0。
3.2 路径预处理
步骤3：检查合并路径是否满足里程约束与载重量约束。如果不满足载重量约束则放弃此次合并，继续对SPL 中下一组进行合并。如果合并后的路径不满足里程约束，则在两个毗邻点之间加入一个绕行成本最低的充电站。如果路线仍不可行则放弃此次线路合并，继续对SPL 中下一组进行合并。
步骤2：核查路径(o -i -o )是否满足最大行驶里程约束。本节假设车辆离开配送中心时电池状态为满电量Q k ，d oi +d io ≤Q k 表示此路径符合行驶里程约束，可移入可行路径集合FR 。反之则移入不可行路径集合IR 。
(6)通过对施工的钻孔进行激电测井数据反演特征结果表明：在矿区深部仍存在与矿化脉一致的视电阻率，推测在深部低阻是由矿化体引起。
步骤3：对于集合IR 中所含路径(o -i -o )，从S 0依次选出一个站点
加入在o 与i 之间形成n 条新路径
若新路径中存在符合行驶里程约束的线路则从中选择距离最短的一条存入FR 。同时将原路径(o -i -o )从IR 中删除。
步骤4：若新路径均不符合里程约束，则安排车辆从顾客点返回配送中心途中再次前往充电站点
由此共生成为点i 服务的n 2条备选路径
从所有符合行驶里程约束的新线路中选择成本增加值最低的一条加入集合FR ，并将原路径(o -i -o )从IR 中删除。
本文设定预处理阶段为一位顾客提供服务的车辆最多可在往返途中各充电一次。在执行上述步骤1-4后依旧存在不符合行驶里程约束的路径，则视为选址方案存在不可行路线。
3.3 服务路径优化
其中，
二要落实用水效率控制红线。加强对核电等重点取水户的监督检查，开展取水户计划用水管理及取退水的全过程监督管理，加大违法取水户查处力度。严格水资源论证和取水许可管理，开展水资源论证后期评估和规划水资源论证试点。指导流域节水型社会试点建设。
(a)断点：受行驶里程约束，车辆在当前电量下不能到达的点即为断点，断点具有性质
定义顾客点v 的可到达性为
路径r k 所含顾客点可达性最低值标记为
求得服务路径策略后调用改进混合遗传算法为其指派物流专员使服务时间成本最低。本节使用物流专员自身排列的编码方法来确定配送路径策略。直接生成N 个1～N 间不重复的整数的排列，每个自然数表示一个物流专员个体。根据排列中数字的顺序，依次指派给配送路径集合中的路径。当路径集合中的配送路径数多于可使用的物流专员数目的时候，认定该个体对应解为不可行解。在群体初始化过程中，采用随机生成的方式产生M 个不同个体，每个个体包含N 个1～N 间不重复的整数的排列。适应度公式F =1/(Z +MP )，Z 为目标函数值，M 表示该配送方案中缺少物流专员的数目，P 表示对缺少物流专员的惩罚权重。为了控制算法的收敛速率确保其不过早陷入局部最优解，本节将每代群体中适应度最高的个体复制后存入下一子代第一行，其余个体根据适应度大小在轮盘赌机制下以一定概率进入下一代。进化代数达到指定值则终止。
(c)路径节约值：找出可行线路中与o 点相连的毗邻点，计算任意连接不同路径上两个毗邻点的save kk′ 值。假设点i 和j 分别是路径r 1和r 2上与o 点相连的毗邻点。r 1、r 2和r 3的路径长度分别为s 1、s 2和s 3。其中,r 3是r 1和r 2连接后产生的新路径，S 3=S 1+S 2-d oj -d oi +d ij 。计算路径r 1、r 2和r 3的顾客需求量，满足相应载重需求的最小车辆行驶成本系数记为w 1、w 2和w 3。将毗邻点以成对的形式按照节约值save kk′ 降序排列放入节省对列表SPL中，save 12=w 1*S 1+w 2*S 2-w 3*S 3。将SPL中小于0 的save kk′ 值和与之对应的毗邻点删除。
(d)合并收益：路径r a 和r b 连接成为新路径r c 的合并收益为A ra r b 。合并收益包括路径熟悉度损失g ra r b ，里程节约值save ra r b 和断点惩罚值e ra r b 。
A ra r b =β 1save ra r b -β 2t i g ra r b -β 3e ra r b r a ,r b ∈R
(22)
首先对本节涉及的概念进行介绍：
β 1+β 2+β 3=1,β 1,β 2,β 3≥0
(23)
g ra r b
(24)
(25)
式(24)表示指派物流专员为新路径服务产生的熟悉度损失程度。右侧第一部分表示两条路径所包含的顾客点最优熟悉度在线路合并前后的差值。如果
说明线路合并后物流专员对应的最低路径熟悉度降低，将导致式(24)右侧第二部分大于1进而放大第一部分的累积差值。式子(25)表示断点惩罚值，当路径r c 中顾客点可达性最低值
时，说明新路径为可行路径，无需额外添加充电站点，此时e ra r b =0。反之，新路径r c 为不可行路径，需选择一个绕行距离最短的充电站点，将其添加到原路径连接点之间的位置。
步骤1：查找当前所有可行线路中与配送中心o 相连的点(毗邻点)，计算不同路径上两个毗邻点对应的合并收益。将毗邻点以成对的形式按照合并收益降序排列存入节省对列表SPL 。将SPL 中小于0 的合并收益和对应的毗邻点删除。
步骤2：将SPL 节省对按照合并收益降序顺序执行线路合并。合并方法如下：删除毗邻点与o 点之间的连接线，随后将两个毗邻点直接相连。
步骤1：为每一个等待服务的顾客点i 生成一条对应的线路(o -i -o )，其中o 为配送中心。
步骤4：将SPL 中所有毗邻点对合并之后，识别合并后的线路中多余的充电站点并删除。
步骤5：返回本环节步骤1进入新一轮线路合并，直到任意两条可行线路都不能进一步合并。
3.4 物流专员指派子问题
(b)路径熟悉度：当前备选物流专员集合中，使得路径r k 服务总成本最低的物流专员为s ，则物流专员对路径r k 中顾客点v 的熟悉程度为σ vs 。路径r k 的熟悉度等于顾客点熟悉度最低值，表示为
3.5 局部搜索
本节采用局部搜索中的点移动、点交换以及点插入策略进一步优化当前解。
(1)点移动：将点i从当前位置移动到同路径的其他位置。
(2)点交换：从两条路径分别选取一个点加入到对方路径，交换点在新路径中的位置为该点插入后距离增量最小处。
步骤4：如果站点数达到最大值或者增加ψ 次后满意解仍没有改进则停止。否则，充电站点数目加1，返回步骤1开始下一轮搜索。
虽然这两位学者对这种现象持批评态度，但不可否认，这就是事实。人们实际上更多的使用的是“增强权能”的精神方面的含义。因此，如果简单的解释什么是“增强权能”，我们就可以采用陈树强的说法，即“增强权能”就是“挖掘或激发案主的潜能”。[2]
3.6 禁忌搜索
步骤1：初始化站点集合，计算目标函数值并赋给当前解和满意解，置空禁忌表。
步骤2：在已建成的充电站点集合中随机选择一个点并删除此处的充电站点。随后，在没有建站的备选点中随机开设一个充电站点。在新的邻域生成后再次求解，将产生的新解存入候选解集中。
∀h ∈V\ {o ,o ′},k ∈K
总而言之，目前中职院校中机械专业教学方法仍旧存在着一些问题，影响着学生的学习。作为中职机械专业的教师，需要着眼于学生的学习兴趣，让学生体会到学习的乐趣，为学生构建一个高效、高质量的教学模式，引导学生积极主动地探索知识，提高学生的学习能力。在教师的科学引导下，打造高效课堂。
步骤3：如果当前解的最小值优于满意解，则认为此候选解满足特赦准则，更新满意解与其目标函数值。否则，在未被禁忌的候选解中选择成本最小的解作为当前解。同时用与它对应的禁忌对象替代最早进入禁忌列表的禁忌对象。
重复执行步骤2-3直到迭代次数达到预定最大次数，执行步骤4。
(3)点插入：以路径1中的顾客点i为例，在路径2中找出距离i 点最近的两个点a和b。将i点移动到路径2中a点和b点之间的位置，并将原路径2中a、b两点间各点依次移动到b点之后。
4 实验结果及分析
本节通过多组算例验证MCWGATS的寻优能力并分析车型和服务时间等参数对运营策略的影响。实验的计算机参数配置为Intel(R) I5-4460，3.20GHz，8GB RAM。算法在JAVA 中实现为单线程代码。
4.1 测试用例
到目前为止，已发表文献中没有专门用于分析物流专员差异性服务时间的实验算例。本文采用Augerat等[23]、Rinaldi和Yarrow[24]及Taillard[25]使用的三种被广泛应用于VRP研究的算例作为实验数据，相关数据可以从网站http://neo.lcc.uma.es/vrp/vrp-instances/获取。熟悉因子是求解DSTHEVRP问题的重要参数，其最大值介于0.4到0.5之间[9]。本文算例中熟悉因子最大值取0.4，物流专员s 为顾客点i 服务所需时间t is =(1-σ is )q i t i 。根据物流专员对于其服务对象的熟悉程度，熟悉因子σ is 在[0,0.4]范围内取值。在物流专员对服务对象完全不熟悉的情况下σ is =0。通过实地调研与数据采集可知物流专员每天工作时间约10小时，人均派件100-150件，单件配送收益0.6到3元不等。由此估算出派送一件货物平均需要4-6分钟，本节折中选择t i =5，η =0.5。算例中使用A、B、C 三种车型，B车型满电量状态下最大行驶距离为当前网络中两点间欧几里得距离最大值的ω 倍(|I |≤20时，ω =1.2。否则ω =1.3)，B车型其余参数取值与上述网站对应算例相同。A、C车型的载重与可变成本分别B车型的0.9和1.1倍，A、C车型的满电量最大行驶距离分别B车型的0.8和1.2倍。Sce.1-3分别使用A、B和C车型。算法参数设置如表1所示。
表1 MCWGATS参数设置
4.2 算例分析
4.2.1 算法验证
本节使用IBM CPLEX求解小规模算例并将其结果与MCWGATS算法的计算结果进行比较。为了保证实验的一般性，实验数据来源于Augerat[23]及Rinaldi和Yarrow[24]提出的算例，且只选用原文算例的最后n个顾客点。考虑到实际使用效果，设定CPLEX的运行时间上限为3小时(10800s)。“*”为CPLEX运行3小时得到的满意解，“#”表示CPLEX没有找到可行解。实验结果如表2所示，第11列是算法满意解与CPLEX最优解的相对差值(Gap)：(算法满意解-CPLEX最优解)/CPLEX最优解。通过表2可以看出在CPLEX能够在限定时间内找到最优解的情况下(P-n6，P-n7，P-n8)，MCWGATS算法与CPLEX计算结果非常接近并且启发式算法的求解效率较更高。随着算例规模增大，MCWGATS寻优能力与计算效率的优势更加明显。当顾客数达到15时(RY-n15)，CPLEX在3小时内不能找到可行解，而算法在5秒内得到满意解。实验结果表明MCWGATS求解此问题的效果好于CPLEX，验证了本文提出的算法的有效性。
表2 CPLEX与MCWGATS实验结果对比
4.2.2 差异化服务时间对运营成本的影响性分析
不同于传统车辆路径问题，本文考虑了物流专员、配送车辆和服务对象三方协调匹配策略，帮助物流企业提高人员、物流车辆、服务时间等资源的利用效率，降低运营成本。本节通过设置对照实验组，在输入参数完全一致的情况下，将对照组实验结果与本文所述协调匹配策略进行对比分析。本文从Taillard[25]算例中选取6组实例，各组实例包含的顾客点由75到150不等。对照组采用分阶段优化策略，第一阶段在不考虑时间成本的前提下采用改进节约算法与禁忌搜索完成站点选址与车辆服务路径策略。第二阶段将上一阶段的最优解作为输入参数，采用混合遗传算法完成物流专员指派策略。分阶段优化策略与MCWGATS的主要区别在于前者仅能在路径成本最低的策略下进行物流专员指派优化，无法统筹兼顾三方协调匹配策略。表3-5分别展示了Sce1-3情形下MCWGATS和分阶段优化策略的满意解、距离成本、时间成本、建站数、求解时间以及时间成本相对差值Gap，其中Gap X =(时间成本X -时间成本)/时间成本。以表3为例，受益于MCWGATS提供的协调匹配策略Sce.1的时间成本相对较低，Gap 1的平均值达到-3.49%。虽然Sce.1对照组的距离成本略低于Sce.1，Sce.1的总运营成本(满意解)在6组实例中均比对照组更低，表4-5情况与表3类似。此外，服务策略会因目标权重的调整产生相应变化。本节以时间成本为例，分析其权重变化对于路径选择策略的影响。实验结果如图1所示，其中Tw=0.5与Tw=1.0分别表示时间成本权重为0.5和1.0情形下的距离成本与时间成本权重为0情形下距离成本的相对差值Gap。由图1可知，所有算例的距离成本Gap均为正数且Tw=1.0对应结果高于Tw=0.5。实验结果可由如下现象解释：在制定路径策略时，为达到总成本最低的目的，时常需要选择非最短的路径来谋求更低的时间成本。因此图1实验结果均为正数。此外，时间成本权重越高，可接受的绕行距离越长，图1中表现为Tw=1.0折线在Tw=0.5折线之上。
表3 Sce1实验结果对比
表4 Sce2实验结果对比
表5 Sce3实验结果对比
图1 时间成本权重对比
4.2.3 物流专员的选择对时间成本的影响性分析
本节从两个方面分析了物流专员自身特性对时间成本的影响。Sce1-3情形下物流专员对顾客的熟悉因子为[0，0.4]范围内事先生成的随机数。Sce1-3对照组中物流专员对顾客的熟悉因子为在集合{0，0.4}内事先随机选择的数值，对照组中物流专员对顾客的熟悉程度只有两种情况(非常熟悉和完全不熟悉)。实验结果如表6所示，其中Gap X =(SceX 对照组-SceX )/SceX 。Gap值为负数表示对照组的时间成本更低，其中3组出现在Sce1，1组出现在Sce2。上述现象的原因在于Sce.1采用的车型载重量较小且物流专员平均服务的顾客数最少，而同一路径中服务顾客越多服务时间与效率越难以得到保障。整体来看，即便是平均服务顾客数最少的Sce.1，对照组的服务时间成本也处于不利位置。为兼顾服务质量与运营成本，只有在安排较小车型为少数顾客提供服务时，使用对照组类型的物流专员更加有利。一般情形下，对不同区域熟悉程度相差较小的物流专员较为适合服务区域广、顾客数量多的配送任务。图2-3展示了Sce.1和Sce.3情形下熟悉因子取值范围对时间成本的影响。对于不同车型，提升物流专员的熟悉因子上限均有助于降低时间成本。值得注意的是Sce.1在不同熟悉因子上限条件下时间成本差异大于Sce.3，在平均服务顾客数较少的情形下时间成本对熟悉因子上限的变化更加敏感。物流企业为少数顾客提供服务计划的时候，安排熟悉度上限较高的物流专员能节约更多的时间成本。而在服务顾客数量较多的情形下，熟悉度上限较高的物流专员相对于熟悉度上限较低者的时间成本优势会在一定程度上被拉近。
分层教学符合现代教学理论，苏联教育家维果斯基的“最近发展区”理论以及新课程改革下义务教育阶段的英语课程标准，都为分层教学打下了坚实的理论基础。
表6 时间成本实验结果对比
图2 Sce.1时间成本对比
图3 Sce.3时间成本对比
4.2.4 多车型的影响性分析
本节从Augerat[23]和Taillard[25]采用的算例中共选取11组实例(顾客点数目为20-150)，通过改变可用车辆的限制型号研究车型选择对运营成本的影响。Sce.0情形下可用车型包含A、B、C三种，而Sce.1-3只能分别使用A、B和C车型。表7的第2列表示实例包含的顾客数，第3-4列为Sce.0情形下MCWGATS求得的满意解和求解时间。第5-10列展示Sce.X情形下MCWGATS的满意解X以及Gap X，其中GapX =(满意解X -满意解0)/满意解0。实验结果显示有三种车型可供使用的情形下运营总成本低于其余只能选用单一车型的情形，Sce.0以更加低廉的总运营成本完成配送任务，体现出多车型策略下的成本优势。在使用单一车型的情况下Sce.1的平均Gap最低，分别为1.23%和1.04%。受到载重量较小的约束Sce.1情形下各车辆(或物流专员)平均服务顾客数最少，物流专员可以专注服务熟悉度更高的顾客而降低因地点相邻等原因“顺路”服务熟悉度不高顾客的概率。另一方面，具备最大载重量的C车型受到时间成本和可变成本的影响，Sce.3的平均Gap最高，分别为2.80%和3.40%。
4.2.5 差异化服务时间与车型策略对时间成本的影响
会上，为了表彰老一辈科学家对我国农药行业所作出的卓越贡献，中国化工学会农药专业委员会特设立“农药学科特殊贡献奖”。原化工部沈阳化工研究院副总工程师、副院长及院党委委员李宗成，浙江工业大学教授、博士生导师徐振元荣获第一届“农药学科特殊贡献奖”。
本节在考虑差异化服务时间的情形下，采取随机指派策略、分阶段优化策略与本文提出的MCWGATS算法策略的时间成本进行比较，随后分析多车型策略在差异化服务时间下对时间成本的影响。从Taillard[25]采用的算例中选取8组对其服务时间成本进行分析。图4随机组表示随机指派物流专员情形下的时间成本，对照组表示分阶段优化策略对应的时间成本。随机指派策略产生的服务时间成本在8个算例中均高于其余两种策略。Sce.0与Sce.0随机组的时间成本平均差异接近30%，最高达到38.2%(tai100c)。Sce.0与Sce.0对照组的时间成本平均差异为6.1%。实验结果表明相对于仅考虑多车型的服务路径问题(随机组)和分阶段优化策略(对照组)，协调与兼顾服务员人、服务车型和服务对象三者匹配的HVRP问题更有利于降低成本提高企业利润。
表7 车型实验结果对比
图4 多车型时间成本对比
5 结语
顺应电动汽车在物流配送行业发展趋势，考虑差异化服务时间的多车型电动物流车辆路径问题是一个应用前景广泛的现实问题。电动汽车参与的物流配送服务需要物流专员、电动汽车和顾客三方协作的完成。兼顾服务人员指派、车型选择和服务对象选择三者的匹配问题有助于提升资源利用率提高企业收益。本文提出了考虑差异化服务成本的多车型电动汽车路径优化与充电策略问题，并建立了该问题的整数规划数学模型。为求得模型的满意解，本文采用了基于改进节约算法、遗传算法与禁忌算法结合的混合启发式算法MCWGATS，通过多组中小规模算例验证了算法的有效性。最后，分析了多车型类型和差异化服务时间对运营成本的影响。实验结果表明，该模型可以帮助物流企业高效率地降低行驶成本节约服务时间进而到达降低运营成本的目的，为物流企业提供良好借鉴与帮助。以下方面还有待进一步研究，在未来的研究中可以进一步分析不同车型电池充电率，电池单位消耗率与固定成本在内的更多因素；其次，为保障物流服务的时效性，硬时间窗因素将作为重要参数纳入后续研究中；最后，设计更加高效的算法策略将是未来工作的一个重点。
参考文献：
[1] Wasner M, Zapfel G. An integrated multi-depot hub-location vehicle routing model for network planning of parcel service[J]. International Journal of Production Economics, 2004, 90(3): 403-419.
[2] 陈义友, 张锦, 罗建强. 顾客选择行为对自提点选址的影响研究[J]. 中国管理科学, 2017, 25(5): 135-144.
[3] 符卓, 刘文, 邱萌. 带软时间窗的需求依订单拆分车辆路径问题及其禁忌搜索算法[J]. 中国管理科学, 2017, 25(5): 78-86.
[4] Golden B, Assad A, Levy L, et al. The fleet size and mix vehicle routing problem[J]. Computers & Operations Research, 1984, 11(1): 49-66.
[5] Liu F H, Shen S Y. The fleet size and mix vehicle routing problem with time windows[J]. Journal of the Operational Research Society, 1999, 50(7): 721-732.
[6] Taillarde D. A heuristic column generation method for the heterogeneous fleet VRP[J]. RAIRO-Operations Research, 1999, 33(1): 1-14.
[7] Salhi S, Wassan N, Hajarat M. The fleet size and mix vehicle routing problem with backhauls: Formulation and set partitioning-based heuristics[J]. Transportation Research Part E: Logistics and Transportation Review, 2013, 56: 22-35.
[8] Zhong H, Hall R W, Dessouky M. Territory planning and vehicle dispatching with driver learning[J]. Transportation Science, 2007, 41(1): 74-89.
[9] Schneider M. The vehicle-routing problem with time windows and driver-specific times[J]. European Journal of Operational Research, 2016, 250(1): 101-119.
[10] Schneider M, Doppstadt C, Sand B, et al. A vehicle routing problem with time windows and driver familiarity[R]. Working papr, Darmstadt Technical University, Department of Business Administration, Economics and Law, Institute for Business Studies (BWL), 2010.
[11] Schneider M, Doppstadt C, Stenger A, et al. Ant colony optimization for a stochastic vehicle routing problem with driver learning[C]//IEEE Congress on Evolutionary Computation,Barcelona, Spain, July 18-23, 2010.
[12] Sungur I, Ordónez F, Dessouky M. A robust optimization approach for the capacitated vehicle routing problem with demand uncertainty[J]. IIE Transactions, 2008, 40(5): 509-523.
[13] Schneider M, Stenger A, Schwahn F, et al. Territory-based vehicle routing in the presence of time-window constraints[J]. Transportation Science, 2014, 49(4): 732-751.
[14] Chellaswamy C, Ramesh R, Rau C V. A supervisory control of a fuel free electric vehicle for green environment[C]// Emerging Trends in Electrical Engineering and Energy Management(ICETEEEM), Chennai,Dec 13-15, IEEE, 2012: 387-393.
[15] Erdoan S, Miller-Hooks E. A green vehicle routing problem[J]. Transportation Research Part E: Logistics and Transportation Review, 2012, 48(1): 100-114.
[16] Schneider M, Stenger A, Goeke D. The electric vehicle-routing problem with time windows and recharging stations[J]. Transportation Science, 2014, 48(4): 500-520.
[17] Schneider M, Stenger A, Hof J. An adaptive VNS algorithm for vehicle routing problems with intermediate stops[J]. OR Spectrum, 2015, 37(2): 353-387.
[18] 杨珺,冯鹏祥,孙昊,等.电动汽车物流配送系统的换电站选址与路径优化问题研究[J].中国管理科学,2015, 23(9): 87-96.
[19] Bruglieri M, Pezzella F, Pisacane O, et al. A variable neighborhood search branching for the electric vehicle routing problem with time windows[J]. Electronic Notes in Discrete Mathematics, 2015, 47: 221-228.
[20] 揭婉晨, 杨珺, 杨超. 多车型电动汽车车辆路径问题的分支定价算法研究[J]. 系统工程理论与实践, 2016, 36(7): 1795-1805.
[21] Penna P H V, Afsar H M, Prins C, et al. A hybrid iterative local search algorithm for the electric fleet size and mix vehicle routing problem with time windows and recharging stations[J]. IFAC-Papers OnLine, 2016, 49(12): 955-960.
[22] Hiermann G, Puchinger J, Ropke S, et al. The electric fleet size and mix vehicle routing problem with time windows and recharging stations[J]. European Journal of Operational Research, 2016, 252(3): 995-1018.
[23] Augerat P, Belenguer J M, Benavent E, et al. Computational results with a branch and cut code for the capacitated vehicle routing problem[J]. Rapport de recherche- IMAG,1995.
[24] Rinaldi G, Yarrow L A. Optimizing a 48-city traveling salesman problem: A case study in combinatorial problem solving[M]. New York:New York University, Graduate School of Business Administration,1985.
[25] Taillard E. Benchmarks for basic scheduling problems[J]. European Journal of Operational Research, 1993, 64(2): 278-285.
Study on Heterogeneous Electric Vehicle Routing and Batterycharging Problem with the Consideration of Differentiated Service Cost
GUO Fang 1,YANG Jun 2,YANG Chao 2
(1.School of Management Engineering, Zhengzhou University, Zhengzhou 450001，China; 2.School of Management, Huazhong University of Science and Technology, Wuhan 430074, China)
Abstract ： With the substantial support from government and development of environmental awareness, electric vehicles grow more and more popular in logistics fields. Small package shipping is in the back end of logistics distribution and performs deliveries from local deports to customers. Logistic operational cost may be affected by many factors, including heterogeneous vehicles, staff assignment and differentiated service time. An effective utilization of logistics deliverer can bring economic benefits, which has been paid more attention by logistics enterprise gradually. Logistics distribution service needs the cooperation of the professional delivery staffs, electric vehicles and numerous customers, with a great deal of interplay between staff assignment, vehicle capacity and customer distribution. A heterogeneous electric vehicles routing and battery charging problem is presented with the consideration of differentiated service time. The problem is formulated as an integer programming model. Then, a heuristic MCWGATS and is proposed to solve the problem. MCWGATS is composed of four parts: modified Clark and Wright saving algorithm, hybrid genetic algorithm, local search and tabu search. The modified savings mechanism is used to optimize the service routes in the path subproblem. And then hybrid genetic algorithm is proposed to get assignment strategies. Finally, current strategy is optimized by LS and TS. Compared with the MIP solver of CPLEX on small-size instances, MCWGATS can solve the problem within a shorter computing time and get reasonable solutions. Then, parameter analysis of heterogeneous vehicles and differentiated service time is systematically conducted for this problem. The results show that the model contributes to help logistics firms to improve the utilization efficiency of such resources as staff, electric vehicles, service time, etc.
Key words ： electricvehicles; heterogeneous vehicle routing problem; hybrid heuristic algorithm; differentiated service time; staff assignment problem
文章编号： 1003-207( 2019) 08-0118-11
DOI: 10.16381/ j.cnki.issn1003-207x.2019.08.012
中图分类号： U116.2; O221
文献标识码： A
收稿日期： 2017-10-24； 修订日期： 2018-07-07
基金项目： 国家自然科学基金重大资助项目(71320107001)；武汉市黄鹤英才(现代服务)计划资助项目
通讯作者简介： 郭放(1990-)，男(汉族)，四川江油人，郑州大学管理工程学院讲师，博士，研究方向：网络优化，E-mail: fang_guo@zzu.edu.cn.
标签：电动汽车论文; 多车型车辆路径问题论文; 混合启发式算法论文; 差异化服务时间论文; 人车匹配问题论文; 郑州大学管理工程学院论文; 华中科技大学管理学院论文;