阿拉善盟卫康大药店运输路径优化

题目：阿拉善盟卫康大药店运输路径优化绪论1.1研究背景与意义随着时代的进步，人们越来越重视身体健康问题，大健康产业取得了高速的发展，而大健康产业其中包含着药店这一重要板块。卫康大药店作为阿拉善盟零售药业行业中的中坚力量，成为了广大市民日常药品需求的主要来源。经营过程中，配送环节的成本结构将直接影响到整个企业的盈利比值。本文立足于实地调研卫康大药店在当地的真实情况的基础上，通过分析现阶段卫康大药店在当地物流配送路径规划上所存在的问题，决定分别使用节约里程算法和模拟退火算法来进行配送路径的优化处理然后将结果作对比分析，选出最优配送方案。1.2国内外研究现状国内学者张宝友，钮亮（2015）为了求解大规模城市路网中的物流配送最短路径问题，提出了基于MapReduce的并行算法和CIS仿真结合的求解方法[1]。刘婷婷,于卫红（2018）认为虽然目前国内外解决物流配送最短路径规划的方法有很多，但是也存在着一些不足之处。于是采用Kruskal算法构建物流配送网络最短路线规划模型，比较权值大小并用canvas画布显示最终路径图形等过程，得出物流配送网络的最佳路径并用实例进行了验证[2]。邓楠名,唐世轩等（2017）为了高效、准确地解决岛礁补给最优路径规划问题，分别对蚁群算法和模拟退火算法路径规划进行了仿真分析[3]。周君,贾昆霖（2017）认为旅行商路径规划问题(GTSP)是一个典型的NP完全问题。针对这一困难问题，改进了能够求解GTSP问题的传统模拟退火算法，这样的做法回避了传统算法的一些缺点，大量实验结果证明，改进的模拟退火算法能够在更短的时间内收敛，并可得到比传统方法质量更好的最优解[4]。国外学者ReineltG,TspliB（1991）针对二维eucli-dean旅行商问题（tsp），提出了一种改进的混合遗传算法。该算法将遗传算法与局部搜索完美结合，期望在合理的计算时间内获得更高质量的tsp问题解[5]。ShowalterS，ManleyJ（2016）研究了两自由度移动机器人在平面内穿越多边形未移动障碍物的运动规划问题。采用hopfield神经网络的方法。在双目标框架中追求最大化路径和最小化路径长度[6]。综上所述，国内外学者对路径优化问题难分千秋，虽然国外学者提供的理论方法更为先进，由上述时间轴就可看出，国外对于路径优化问题在90年代就已经有了一定的认识与见解，因此理论或许经过了时间长河的一次又一次验算，可却在国内鲜有理论与实际相结合的案列。国内学者依据物流中将可能遇到的路径问题提出了各种各样的解决方法，做了大量实验，依照本国国情，却显实际有效一些[3]。当然也存在着诸多不足之处。因此期盼国内外学者就此问题做更深入的研究，以求未来在此问题上有更加简洁且适用的方法。1.3研究内容及方法第1步：理论研究。通过上网查询及搜集物流工作中路径优化相关书籍，深入了解其理论概念，罗列出物流配送路径优化的要素，这样更利于理清研究思路。然后查阅其他学者的研究成果及所用方法，在诸多方法中初步大胆做对比猜测，最终选择认为适用的两方法，其一为老生常谈的节约里程法，另一种为模拟退火算法。第2步：深入了解企业配送现状。对阿拉善盟卫康大药房进行实地调研，收集企业的真实数据资料，并收取详细的分店位置信息。因为对本文研究方向来说，位置坐标是最重要的一个参数，因此在此项采集数据的工作流程上切勿发生“大概”的模糊性数据。整合原始数据，以便于更科学有效的分析问题。第3步：分析原有配送路径存在的问题。结合企业实际运营情况及人力物力消耗情况，做进一步的剖析，找出企业在配送作业中路径规划产生问题的主要原因[7]。第4步：获得优化方案。根据企业实际问题建立数学模型，先通过节约里程法对原有配送路径进行优化，再利用MATLAB编程软件对原有配送路径进行代码描述，其中要谨慎调试“退火速率”这项参数，这项参数的大小或影响最终运行结果。将两种不同方法所得出的优化方案做数据性对照。第5步：分析两种优化方法的适用性。综合企业运营情况和经济实力等因素，最终确定最适合本企业的路径优化方法。1.4技术路线图本文的研究思路图如图1-1所示 图1-1研究思路示意图

2物流配送路径优化相关理论概述2.1物流配送路径优化内涵高效率合理的配送是物流系统顺利运行的保证，配送线路安排的合理与否对配送速度、成本、效益影响很大。可真正在现实中我们可以看出，诸多企业在物流配送就路径规划上还是存在着问题。这不但可以看出物流配送路径优化问题确实是有难度有技术的一项工作，还说明了物流配送路径优化对于现今企业是非常重要的战略计划，无论是物流企业还是非物流企业都离不开货物流转，面对飞速发展的社会以及人们对购物速度的需求进一步增长，物流的问题将是人们老生常谈的话题[8]。所以人们通过建立相关数学模型，对模型进行求解获得最优配送方案，正确合理地安排车辆的配送线路，实现合理的线路运输可以使企业达到科学化的物流管理，同时满足了广大消费者对购物速度的要求，这也是企业提高自身竞争力的有效途径之一。2.2物流配送路径优化要素物流配送路径优化所包含的几个要素如图2-1所示图2-1物流配送路径优化四大要素（1）成本支出最少物流成本的支出量直接影响着整个物流环节在企业的资金支出比重。企业如果想追求整体利益最大化，则必须正视物流成本问题，并且争对实际情况通过合理有效的路径优化使物流成本降到最低[9]，这不仅做到了资金优化，而且还管理为企业的发展提供一定程度的新机会。（2）人力物力耗损最少在物流配送活动过程中，需要调动大量的人力和物力，那么将给企业带来一定的资源配置压力。企业常常因资源使用不科学而导致物流配送效率低下，但却同时也消耗了企业中不小的人力物力资源。所以将人力物力损耗率将至最少是物流配送路径优化中最重要的要素之一。（3）行驶里程最短所谓行驶里程即行驶线路长度总和。要将行驶里程调整到最短，那么一定离不开对行驶线路的科学规划，而在现实中涉及的问题错综复杂，同时要考虑诸多因素才可做到最好的缩短行驶里程。其一：要考虑众多配送点的实际位置以及彼此间位置，掌握实地情况和相关数据。其二：每个配送点中消费者消费速度不同，在企业定时配送时，需求量存在差异。因此要结合本企业货车载重量情况来作线路安排。最终使得企业配送活动过程中达到行驶里程最短的目的（4）配送服务优配送服务虽然是整个物流配送中最末端环节，可它的角色举足轻重。配送服务可被看成物流过程中的附加项，可它离客户最近、接触最紧密。将配送服务调整到最优，或将直接影响企业形象与口碑，所以企业在做货物配送路径优化时应重视提升配送服务质量[10]。2.3配送路径优化的方法2.3.1节约里程法节约里程算法是解决运输车辆数量不确定问题最著名的启发式算法，也称为节约型算法或节约法。它以并行方式和串行方式对运行距离进行优化，将运输问题中的两条或多条线路集成到一个线路中是节约里程法的核心思想。以最小化单线路运距来组合成总运输距离，且直到达到一辆车的车辆负载极限，进行下一轮优化。优化过程分为并行模式和串行模式两种模式。进行线路优化工作前，先要确定好整个运输工作的配送中心的位置。首先从配送中心的运输能力和配送中心到各个配送点的距离以及各配送点之间相隔的距离出发，确定各配送点的需求量，然后为线路优化制定一定的限制条件。最终制定在限制条件内总体最优的配送方案，使车辆运输里程最小化。节约里程法在实施过程中需满足的条件：（1）客户的实际需求；（2）所使用的货车不得超载过量；（3）每辆车每次的总运行里程不超过上限。节约里程法的节本原理为几何原理之一：三角形一边之长必定小于另外两边之和。节约里程法基本原理表示图如图2-2所示：图2-2节约里程基本原理图示节约里程法的核心是将配送运输中存在的两个回来合并为一个整体回路。最终使总里程总长产生变化，所产生的变化量用△CAB来表示，则有算式如下所示：(2-1)2.3.2模拟退火算法模拟退火算法是一种基于概率的算法，它来源于固体退火的原理。其原理基本思想是将给定固体充分加温到至高点，再让其温度慢慢冷却。在固体被加温的过程中，固体内部粒子随着温度逐渐升高变成无序状，类似于粒子在给定范围内剧烈抖动，随之内能增大；而固体慢慢冷却时粒子逐渐趋于有序。当每个粒子都达到平衡静止状态，固体温度回归常温状态，随之内能也降至最小。它是迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如机器学习、神经网络、信号处理等领域[11]。说通俗一点，模拟退火算法的过程就好比人拿着一个桶，桶里装着大小形状不一的石头，将桶不停震动，桶里的石头便随着桶的摇摆而时刻变动着位置，当人将桶震动一段时间后，那么同种石头在某种概率下或许达到最小缝隙。那么就相当于模拟退火算法中在某种概率下温度降至最低而获得的最优解。模拟退火算法步骤为[14]：第1步设定温度上限与下限。初始温度为T0，随机得到一个可行解Xi，令当前解为Xi=X0；温度为Ti=T0。第2步若退火过程中获得的解温度Ti>Ti-1，那么所获得的解不为最优解，需要继续降温。若在该温度达到内循环停止,那么可以转到第3步。第3步输出结果，算法停止。

3阿拉善盟卫康大药店物流配送现状分析3.1阿拉善盟卫康大药店企业背景阿拉善盟卫康大药店连锁有限责任公司成立于2003年09月14日，主要经营范围为许可经营项目：中药材、中成药、中药饮片、化学药制剂、生化药品、生物制品、抗生素、保健品、普通诊察器械、物理治疗及康复设备、中医器械、医用卫生材料及敷料、医用高分子材料及制品，胰岛素的销售等。企业人数达到360人，其中物流配送部门下人数可达50人。阿拉善盟卫康大药店作为当地药业支柱，依旧在一天天的发展壮大。但因处特殊产业，存货量的需求高，以及在配送路径规划方面存在一定的问题，导致企业资金流转不迅速，因此一直不能成为阿拉善盟顶尖企业。3.2阿拉善盟卫康大药店网点布局阿拉善盟卫康大药店网点布局图如图3-1所示。图3-1阿拉善卫康大药店网点布局图如图3-1所示：卫康大药店（温馨花园店为总配送中心店）记作Q点A:农牧局店B：巴彦花园店C：太西店D:锡林南路店E：鸿福店F：环城南路店G:煜丰锦城店H:第四中学店I:怡和店J：城管局店3.3阿拉善盟卫康大药店配送网络按照地图上上北下南左西右东的地理位置，使用比例尺的方法将配送路径图画出，如图3-2所示图3-2阿拉善盟卫康大药店配送路径图阿拉善盟卫康大药店共有10个分店配送点，配送中心现有载重量为2t和4t两种货车车型，但因未作科学的配送路径规划，则一直采用2t或4t的货车对10个配送点两两为一条配送线对配送分店进行配送。总里程为：78.3千米。各分店间距离如表3-1所示。

表3-1各分店间距离表QABCDEFGHIJQ0A13.20B6.37.50C6.376.92.70D3.610E4.513.88.737.273.650F2.414.47.017.905.826.770G315.99.2795.594.143.940H110.366.73.886.312.370I5.418.111.711.538.998.643.704.586.340J6.918.312.6511.627.924.548.070各分店到配送中心的距离和需求量如表3-2所示。表3-2运输任务表（单位：千米）分店ABCDEFGHIJ货运量0.8配送距离

4阿拉善盟卫康大药店配送路径存在问题原因分析阿拉善盟卫康大药店作为本地区医药业领军企业，大量的物流配送工作是企业必不可少的运营环节。在上一章节中陈述了本企业经营状况及在物流环节具体的配送路径方案。本章将结合企业实际情况，对企业在配送路径的规划上所导致产生诸多问题的原因进行分析。存在问题分析饼状图如图4-1所示图4-1阿拉善盟卫康大药店配送路径问题占比图4.1物流配送路径规划缺乏科学性近年来，物流配送路径规划问题的研究越来越受广大学者争锋研究，这也诠释出了一个道理，任何工作都需要追求更科学更合理和更具依据的方法来保障其更顺利的运作，当然，寻求科学性的方法对于物流行业来说无疑更是重中之重。如果仅依靠以往个人经验来对物流环节中的路径问题进行解答的话，那么将对企业造成资源浪费的严重经营性错误。从阿拉善盟卫康大药店为本企业制定的物流配送路径方案可看出，企业在制定路径方案仅仅是依据经验来判断进而选择路线，没有科学的数据分析作支撑[12]，随机性太强，因此常常导致配送不及时。4.2物流配送路径规划浪费大量人物力资源现今社会企业间竞争力越来越大，因此也对企业的综合实力要求非常高。人力物力资源被称作企业的灵魂力量，企业所拥有的人物力资源越雄厚，或者说企业将自身所拥有的人物力资源最大程度的安排优化使用[13]，那么将大大提升企业在业内的竞争力。阿拉善盟卫康大药店在配送时并未十分重视资源的优化，分别采用2t或4t的货车对10个配送点两两为一条配送线进行配送，因此一共须动用5辆货车完成全部配送任务。配送作业时通常派遣两名员工同车出行，则在总体配送作业中利用了大量不必要的人力和物力。4.3物流配送路径行驶总里程太长物流配送路径的方案制定中，所追求的最大目标定是利用科学的手段实现车辆行驶路径最短化[15]，最短化意味着货物能够以最快时间到达各分店，满足各分店的经营需求和消费者对药物的即时性需求，同时也意味着为企业节省了一笔不小的开销。如果因配送路径制定不合理而导致的车辆总里程太长，那么或将造成分店屡次不能及时满足临近消费者药物需求而流失了消费者，进而长期以往必将影响企业口碑及危害企业形象。阿拉善盟卫康大药店没有采用科学的方法去制定配送路路，使得配送路径总里程过长。

5阿拉善盟卫康大药店配送路径优化方案5.1原配送路径基本数据分析目前，阿拉善盟卫康大药店所采用的配送方案及每条线路的云货量等基本信息如表5-1所示。表5-1配送信息表线路运输里程运货量车型司机最大载重量周期(KM)（t）（t）（人）(T)（周）Q-A-B-Q271.92t1人2t1Q-C-D-Q13.51.72t1人2t1Q-E-J-Q162.44t2人4t1Q-H-G-Q9.51.82t1人2t1Q-I-F-Q12.31.72t1人2t1从上表可获知，企业每周需要载重量为2t的货车出车4次、载重量为4t的货车出车1次。司机总用人达6人。运输总里程为78.3千米。5.2建立阿拉善盟卫康大药店配送多回路VRP模型依据对阿拉善盟卫康大药店收集的基础数据对阿拉善盟卫康大药店的配送系统建立VRP模型。基本条件：阿拉善盟卫康大药店总配送中心需要配送货物给10个分店，设配送中心为Q点，10个分店依次为A,B,…,J,现有载重为2t和4t的货车。模型目标：明确在VRP模型下配送货车使用数目、载重车型、每车次出车行驶路径以及司机数目。在合理的范围内，达到总行驶里程最短、所用人力物力资源最少、最经济。限制条件：每天每车次运送里程不得超过50KM每辆车在配送结束必须返回配送中心Q点一条配送线的货物载重量不得超过4t货车最大载重量。5.3基于节约里程法配送路径优化已知阿拉善盟卫康大药店配送中心为Q点，分别向10个分店配送，本企业拥有载重量为2t和4t两种类型的货车。设分店C=﹛Ci,j=A,B,C…J﹜,各分店间节约距离为∆Cij。每辆车载重量为Di，D求节约里程。参照表3-1，计算出各分店之间的节约里程数，并且按照从大到小的顺序依次排列，填入节约里程顺序表中。如表5-2所示表3-1各分店间距离表QABCDEFGHIJQ0A13.20B6.37.50C6.376.92.70D3.610E4.513.88.737.273.650F2.414.47.017.905.826.770G315.99.2795.594.143.940H110.366.73.886.312.370I5.418.111.711.538.998.643.704.586.340J6.918.312.6511.627.924.548.070表5-2节约里程顺序表连接点节约里程连接点节约里程连接点节约里程A-C12.67A-E3.9A-H1.1A-B12G-I3.82F-J1.06H-J10.06C-E3.6D-G1.01B-C9.97E-G3.36C-F0.87E-J6.87D-J2.58B-J0.55A-D6.3B-E2.07A-I0.5C-D6.26D-H2C-G0.37G-H5.73A-J1.8A-G0.3E-H5.72B-F1.69B-H0.29G-J5.6C-J1.65C-I0.24B-D4.77F-G1.46D-F0.18D-E4.45E-I1.26E-F0.13I-J4.23A-F1.2B-G0.03H-I4.16F-H1.19D-I0.01F-I4.1C-H1.11B-I0按节约里程从大到小排列顺序进行合并路径（1）∆ D L故合并A,C两点，则 I（2）∆DA+故合并A,B两点，则 I（3）∆ D L故合并H,J两点，则 I（4）∆CBC=9.97KM（5）∆ D L L故合并H,I两点，则 I（6）∆D L L故合并A,D两点，则 I（7）∆CCD=6.26KM（8）∆C（9）∆CEH=5.72KM,（10）∆C（11）∆CBD=4.77KM（12）∆CDE=4.5KM（13）∆D L L故合并I,J两点，则 I（14）∆CHI=4.16KM,（15）∆C（16）∆CAE=3.9KM（17）∆C（18）∆CCE=4.16KM,（19）∆C（20）∆CDJ=2.58KM（21）∆CBE=2.07KM（22）∆CDH=2.KM（23）∆CAJ=1.8KM（24）∆C（25）∆CCJ=1.65KM（26）∆D L故合并F,G两点，则 I至此，合并结束。得到优化后的结果如表5-3所示：表5-3节约里程优化结果线路运距载重量最大载重量车型司机（KM)(t)(t)（t）（人）Q-E-J-H-I-Q22.713.9t4t4t2人Q-B-A-C-D-Q28.013.6t4t4t2人Q-G-F-Q9.342t2t2t1人从上表可知，阿拉善盟卫康大药店每周需要派遣4t载重车两车次、2t载重车一车次向10个分店进行配送货物。在满足车辆不超重、总里程最短的情况下，一共需要6名司机在岗。运输总里程为60.06千米，节约总里程为18.24千米。优化后线路图如图5-1所示 图5-1优化后线路图5.4基于模拟退火算法在MATLAB中实现路径优化当中心仓库车辆数为k，客户数为n时，每辆车都必将分配有若干客户，每辆车分配的客户没有交集，且总客户数要为n。将此前各点之间的相对距离数据放入CAD视图软件中，将配送中心Q点坐标设为（0,0）获得各点直角系坐标如表5-4所示：表5-4各分店坐标配送点XY需求量A-13.201.5B-5.9727-2.00410.4C-6.33280.67180.5D-2.91482.11281.2E-0.15344.49741.6F1.0364-2.16470.8G2.63521.43371.2H3.62093.59160.6I4.7049-2.65020.9J4.28185.41070.8

第1步：将配送中心各配送点数据单独分装在名为readdata程序中functionmotor=readdata(filename)[adata1,bdata1,cdata1]=xlsread(filename,'分店数据');xy=adata1(:,2:3);%各客户点位置坐标needdata=adata1(:,4);%各客户点的需求量q=[0;needdata];[adata2,bdata2,cdata2]=xlsread(filename,'配送中心坐标');XYdc=adata2(1,2:3);%配送中心的坐标位置[adata3,bdata3,cdata3]=xlsread(filename,'车型数据');Q=adata3(:,2);%车辆载重限制V=adata3(:,3);%速度F=adata3(:,4);%固定成本G=adata3(:,5);%变动成本m=size(Q,1);xy=[XYdc;xy;];%所有点坐标n=size(xy,1);%节点个数第2步：在固定车辆数的情况下，为车辆随机分配可能客户。MATLAB算法主要程序如下：clearall;clc;closeall;formatshortg;tic;%读取数据filename='数据10.xlsx';motor=readdata(filename);Ncity=motor.N-1;%客户个数Demand=motor.q;%每个客户点的需求量Distance=motor.D;%计算距离矩阵InitalTemperature=10000;%初始温度LowTemperature=10;%终止温度DampFactor=0.96;%降温速率%GenerateinitialsolutionSolutionTSP=GenerateSolutionRandom(Ncity);%随机产生初始路线[SolutionVRP,Bus,ValueVRP]=ConvertToVRPSolution(SolutionTSP,Demand,motor);%TSP==>>VRP%CatatkondisiawalTemperature=InitalTemperature;bestSolutionTSP=SolutionTSP;bestSolutionVRP=SolutionVRP;bestValueVRP=ValueVRP;bestBus=Bus;initalSolutionTSP=SolutionTSP;%solusiiterasiinitalSolutionVRP=SolutionVRP;%solusiiterasiinitalValueVRP=ValueVRP;%jaraksolusiiterasiinitalBus=Bus;count=0;Iter=ceil(double(solve(['10000*(0.99)^x=',num2str(10)])));%Iron=Iter/10;%switch分级别用的wait_hand=waitbar(0,'running...','tag','TMWWaitbar');%进度条%BeginiterationofSAwhileTemperature>LowTemperaturecount=count+1;temp(1,20)=struct('TSP',[],'VRP',[],'Value',[],'BusStyle',[]);%储存每一链条下的结果fork=1:20%链长为200%selectlocalsearchbyrandomSelect=randi(3);switch(Select)case1%1-insertnewSolutionTSP=PerformInsert(initalSolutionTSP);[newSolutionVRP,MinBus,newValueVRP]=ConvertToVRPSolution(newSolutionTSP,Demand,motor);[newSolutionVRP,MinBus,newValueVRP]=OptBus(newSolutionVRP,MinBus,motor)case2%1-swapnewSolutionTSP=PerformSwap(initalSolutionTSP);[newSolutionVRP,MinBus,newValueVRP]=ConvertToVRPSolution(newSolutionTSP,Demand,motor);[newSolutionVRP,MinBus,newValueVRP]=OptBus(newSolutionVRP,MinBus,motor);case3%2-inversenewSolutionTSP=PerformInverse(initalSolutionTSP);[newSolutionVRP,MinBus,newValueVRP]=ConvertToVRPSolution(newSolutionTSP,Demand,motor);[newSolutionVRP,MinBus,newValueVRP]=OptBus(newSolutionVRP,MinBus,motor);end%CheckwhethernewsolutionisbetterthantheinitalsolutionifnewValueVRP<initalValueVRPinitalSolutionTSP=newSolutionTSP;initalSolutionVRP=newSolutionVRP;initalValueVRP=newValueVRP;initalBus=MinBus;%Checkwhethernewsolutionisbetterthanthebestsolutiondecidedaboveelse%Ifnewsolutionisnotbetterthantheinitalsolution,determineacceptbyprobabilityornotifrand<(Temperature-LowTemperature)/(InitalTemperature-LowTemperature);initalSolutionTSP=newSolutionTSP;initalSolutionVRP=newSolutionVRP;initalValueVRP=newValueVRP;initalBus=MinBus;endendtemp(k).TSP=initalSolutionTSP;temp(k).VRP=initalSolutionVRP;temp(k).Value=initalValueVRP;temp(k).BusStyle=initalBus;endMinTSP=temp(index).TSP;%找出当前温度下的最优tspVRP=temp(index).VRP;%找出当前温度下的最优vrpMinBus=temp(index).BusStyle;%找出当前温度下的最优车型安排%Opt优化[totalCost,Route]=Opt2(VRP,MinBus,motor);iftotalCost<bestValueVRPbestSolutionTSP=MinTSP;bestSolutionVRP=Route;bestValueVRP=totalCost;bestBus=MinBus;end%PlotVrp(newSolutionVRP,motor.xy)%画出路线图Temperature=Temperature*DampFactor;disp(['第',num2str(count),'代'])disp(['%%%%%总成本：'num2str(bestValueVRP)])Fee(count)=bestValueVRP;%记录每一代的最优值画迭代图用%现实完成进度百分比ifIter-count<=10waitbar(count/Iter,wait_hand,'即将完成');elseword=['进度',num2str(count/Iter*100),'%'];waitbar(count/Iter,wait_hand,word,'facecolor','b');end%waitbar(count/Iter,wait_hand);%显示进度比enddelete(wait_hand);%删除进度条%PlotVrp(bestSolutionVRP,motor.xy)%画出路线图%subplot(1,2,1)figure(1)PlotVrp(bestSolutionVRP,motor.xy);%画出行车路线图%subplot(1,2,2)figure(2)plot(1:count,Fee,'b-');%画出迭代图xlabel('迭代次数');ylabel('成本');title('迭代图');disp('bestSolutionVRP:');OutputPath(bestSolutionVRP);disp('bestValueVRP');disp(bestValueVRP);%CarType(bestValueVRP,Bus,motor);%%显示车辆信息car=length(find(bestSolutionVRP==1))-1;hh=find(bestSolutionVRP==1);disp('');disp(['一共使用--',num2str(car),'--辆车']);DLWeight=0;DLong=0;fori=1:carduan=bestSolutionVRP(hh(i):hh(i+1));disp(['第',num2str(i),'辆:','车型为：',num2str(bestBus(i))]);disp(['路线为：',num2str(duan)]);forj=1:length(duan)-1DLWeight=DLWeight+motor.q(duan(j));DLong=DLong+motor.D(duan(j),duan(j+1));enddisp(['载重量:',num2str(DLWeight),'']);disp(['载重率:',num2str((DLWeight/motor.Q(bestBus(i)))*100),'%','']);disp(['行驶距离:',num2str(DLong),'']);DLWeight=0;DLong=0;end

优化迭代过程如图5-2所示：图5-2优化迭代图通过利用模拟退火算法的思想在matlab中运行程序最终的结果如图5-3所示：图5-3运行结果图以上思路为通过模拟退火算法的概率思想得出运输最短路径。已知企业配有2t和4t两种车辆，结合各分店需求量情况。对MATLAB线路优化结果进行VRP多目标规划。包含车辆及人员的安排如表5-5所示表5-5模拟退火算法优化结果线路运距载重量最大载重量车型司机（KM)(t)(t)（t）（人）Q-D-C-A-B-Q28.00933.6t4t4t2人Q-I-H-J-E-Q22.69893.9t4t4t2人Q-F-G-Q9.33762t2t2t1人从上表可知，阿拉善盟卫康大药店每周需要派遣4t载重车两车次和2t载重车1车次向10个分店进行配送货物。在满足车辆不超重、总里程最短的情况下，一共需要5名司机在岗。运输总里程约为60.06千米，通过计算结果可看出节约总里程为18.24千米。5.5验证分析（1）节约里程法优化前后对比节约里程法优化前后对比如表5-5所示。表5-5优化前后对比表线路运距车型司机线路运距车型司机(KM)（t）（人）(KM)（t）（人）Q-A-B-Q272t1人Q-E-J-H-I-Q22.74t2人Q-C-D-Q13.52t1人Q-E-J-Q164t2人Q-B-A-C-D-Q284t2人Q-H-G-Q9.52t1人Q-I-F-Q12.32t1人Q-G-F-Q9.32t1人经过节约里程法对原有配送路线优化，优化前后结果分析：优化前：企业每周需要载重量为2t的货车出车4次、载重量为4t的货车出车1次。司机总用人达6人。运输总里程为78.3千米。优化后：企业每周需要载重量为2t的货车出车1次、载重量为4t的货车出车2次。司机总用人达5人。运输总里程约为60.06千米。（2）模拟退火算法优化前后对比模拟退火算法优化前后对比如表5-6所示。表5-6优化前后对比表线路运距车型司机线路运距车型司机(KM)（t）（人）(KM)（t）（人）Q-A-B-Q272t2人Q-E-J-H-I-Q22.69894t2人Q-C-D-Q13.52t2人Q-E-J-Q164t2人Q-B-A-C-D-Q28.00934t2人Q-H-G-Q9.52t2人Q-I-F-Q12.32t2人Q-G-F-Q9.33762t1人经过模拟退火算法对原有配送路线优化，优化前后结果分析：优化前：企业每周需要载重量为2t的货车出车4次、载重量为4t的货车出车1次。司机总用人达6人。运输总里程为78.3千米。优化后：企业每周需要载重量为4t的货车出车3次。司机总用人达5人。运输总里程为60.06千米。

6结论与展望6.1结论阿拉善盟卫康大药店作为当地药业支柱企业，发展的硬实力越来越强。但是在企业运营活动中的物流配送环节存在着配送体系混乱、缺乏科学规划的问题。物流配送实力的强弱直接决定着企业的软实力是否强大。本文通过对阿拉善盟卫康大药店实地调查与分析，建立VRP数学模型，分别运用节约里程法和模拟退火算法对企业原有配送路径进行科学的优化，使得企业物流配送路径体系更为科学完善，进一步提升阿拉善盟卫康大大药店本企业的软实力。经过模型求解，获得最优配送路径方案。已知企业原有配送方案需企业每周调动载重量为2t的货车出车4次、载重量为4t的货车出车1次；现每周需要调动载重量为2t的货车出车1次、载重量为4t的货车出车2次，满载率较高。从总配送车次来看，优化后节省了2车次；从配送效率来看，原多采用2t载重车进行配送，无法同时完成多分店配送，效率低下，优化后多分店合并为一条配送线路中，效率大大提升。在企业配送路径优化前，运输总里程为78.3千米；优化后运输总里程为60.06千米。总节约里程为：18.24千米表6-1节约里程法和模拟退火算法对比表线路运距车型载重率线路运距车型载重率(KM)（t）(KM)（t）Q-E-J-H-I-Q22.74tQ-E-J-H-I-Q22.69894tQ-B-A-C-D-Q284t较高Q-B-A-C-D-Q28.00934t较高Q-G-F-Q9.32tQ-G-F-Q9.33762t在阿拉善盟卫康大药店配送案例中，利用节约里程法和模拟退火算法这两种算法分别对原有配送路线进行科学优化。通过上述计算结果可得出，在本案例中，节约里程算法获得的计算结果与模拟退火算法计算结果几乎相同。同样都为本案例中企业节省了18.24千米的运输里程。结合两种算法的不同思想来考虑这个结果，从模拟退火算法来看，模拟退火算法是一种以概率性事件为主要思想的方法，当数据量巨大的情况下，或许这种算法会存在一定的误差，当计算数据为本案例中所涉及的少量数据下时，便可通过机器在一段时间内获得出最优解；从节约里程算法来看，节约里程算法通过逐个排查是否满足所设定目标的方法，算法可谓是比较严谨的计算方法，但此种算法或许并不适用于存在大量数据的案例中。算法虽然严