一种配送属性数据驱动的协同配送联盟组建方法

1.本发明涉及物流配送领域，尤其涉及一种配送属性数据驱动的协同配送 联盟组建方法。


背景技术：

2.在现代城市配送中配送车辆路线交叉重叠现象突出、配送车辆空载率居 高不下，还加剧了环境污染和交通拥堵。因此，优化配送是降低社会物流总 成本和减少现代城市交通压力的重要落脚点、手段和必然需求。协同配送是 具有配送任务的企业，联合起来实现资源整合和配送集约化、规模化，可提 高资源利用率，减少运输车辆，进而可降低配送成本、减少交通污染和阻塞 的配送方式，是物流配送的发展趋势之一。选择合适的协同伙伴和协同方式 建立高效、稳定、可持续和公平的协同配送联盟是开展协同配送和实现其优 势的前提和保证。但无论面对熟知还是知之甚少的企业，如何高效优化地选 择或协调组织协同配送伙伴来建立稳定高效的协同配送联盟都是一个巨大的 挑战。
3.现有的伙伴选择研究，主要研究的面向单个企业的伙伴选择问题，都是 基于某个主体的需求来构建指标和多属性伙伴选择决策模型实现对潜在或初 选的合作伙伴的择优，即实现一对多伙伴的排序选择，且一般只选出一个最 优合作伙伴，因此，不具有普适性，由于考量指标存在差异，因此也不适合 协同配送。同时，配送中心存在明显的竞争关系而非供需关系，这决定了他 们缺少供需合作的驱动力，因此参与积极性不高，不能单纯地从一方角度去 评价合作伙伴，更应该关注彼此的合作效益，如没有明显的合作效益彼此不 可能合作。缺少(从第三方角度)针对众多企业间协调组织形成多个联盟的 研究，即缺少从第三方角度从众多企业间识别和确定组建多个联盟的定量决 策优化模型和方法，特别是大数据背景下直接基于数据的协同配送联盟伙伴 识别的方法。无法从众多配送中心中为多个配送中心较为快速地识别出潜在 的可长期合作的多个协同配送联盟伙伴，更无法将所有的配送中心根据某些 特征构成多个协同配送联盟。
4.针对此，本文结合大数据技术趋势，发明建立了一种配送属性数据驱动 的协同配送联盟组建方法，以实现快速识别潜在的稳定配送联盟，从多种配 送中心识别出可能的多个联盟和每个联盟的优选合作伙伴。为单个配送中心 确定最佳的协同配送伙伴和区域政府、物流园区等第三方协调组织配送企业 开展协同配送都提供了定量的优化决策支持方法。


技术实现要素：

5.本发明的目的在于提供一种配送属性数据驱动的协同配送联盟组建方 法，解决背景技术中提到的技术问题。快速识别潜在的稳定配送联盟，为单 个配送中心确定最佳的协同配送伙伴和区域政府、物流园区等第三方协调组 织配送企业开展协同配送都提供了定量的优化决策支持方法。
6.基于配送属性数据分析协同配送联盟可能的驱动方式，建立经济配送占 比模型、
共同社会关系强度模型、出车时段互补强度模型和车辆资源互补模 型衡量配送中心的协同效应；以此为优化目标，建立了配送属性数据驱动的 协同配送潜在联盟识别优化模型，提出了基于时空距离的最大最小聚类法来 划分配送域，结合数据预处理和遗传算法实现模型求解。
7.为了实现上述目的，本发明采用的技术方案如下：
8.一种配送属性数据驱动的协同配送联盟组建方法，所述方法包括如下步 骤，
9.步骤1：分析配送中心配送属性数据，发现潜在的协同机会；
10.步骤2：建立配送中心共同关系强度模型；
11.步骤3：建立配送中心经济占比模型；
12.步骤4：建立配送中心出车时段互补模型；
13.步骤5：建立配送中心车辆资源互补模型；
14.步骤6：建立配送属性数据驱动的协同配送联盟组建模型；
15.步骤7：基于数据预处理和遗传算法求解配送属性数据驱动的协同配送联 盟组建模型。
16.进一步地，步骤1的具体过程为，
17.配送中心配送属性数据包括地理位置、配送货物量、配送时间、配送车 辆、配送客户的地理位置和配送客户的需求时间窗，发现潜在的协同机会的 过程为，对配送中心间业务关系进行静态重叠识别和动态重叠识别，同时确 定配送中心间资源互补方法，静态重叠识别的过程为，通过判定不同配送中 心间的配送业务社会网络是否存在交叉重合关系及其强度则可判定不同配送 企业间的配送的规模化程度，动态重叠识别的过程为，每个配送中心都对应 一个配送范围，一个辐射范围，某配送中心配送范围的配送点不属于其自身 辐射范围，但却处于另一个配送中心的辐射范围，即表示由另一个配送中心 配送更经济，协同之后，将配送中心在辐射范围之外的配送点重新分配，使 其处于协同配送联盟的综合经济配送范围，配送中心间资源互补方法为配送 中心的车辆资源、节配送时间、频次不同，形成资源互补，协同之后提高资 源利用率和服务效率。
18.进一步地，步骤2的具体过程为，
19.建立配送中心共同关系强度模型为配送中心之间配送业务的重叠比例， 即配送中心共同配送域的客户数量之和与各配送中心客户数量总和之比，定 义
[0020][0021][0022]
协同配送联盟uk的共同社会关系强度模型公式如下：
[0023][0024]
式中，i表示配送中心合集，i∈i；h表示配送域合集，h∈h；表示 配送中心i在配
送域h的业务数量；qi表示配送中心i总业务量；uk表示第k个 联盟。
[0025]
进一步地，步骤3的具体过程为，
[0026]
经济配送占比模型指配送中心在平均辐射半径内的配送业务量与配送总 的业务量之比。联盟的经济配送占比越高，说明联盟在经济配送范围业务占 比越大，联盟的辐射范围协同效用值越大，因此，定义
[0027][0028]
则协同配送联盟uk经济配送占比模型定义为
[0029][0030]
式中，表示配送联盟uk的辐射范围；为配送中心i在配送联盟uk辐 射范围的配送量，bi表示配送中心i总配送量。
[0031]
进一步地，步骤4的具体过程为，
[0032]
配送中心出车时段互补强度定义为配送中心之间出车互补时段的相似业 务量与原本不出车进行配送的业务量之比，以及配送中心之间互相需要的程 度。其中，相似业务是指在出车互补时段内起点和终点相似的配送业务，配 送业务相似度采用曼哈顿距离对配送中心的距离和客户距离进行相似度计 算，当业务之间的配送中心的距离和客户距离之和小于阈值时，认为业务 具有相似性；配送中心的相互需要程度定义为配送中心间存在出车互补关系 的密度，例如，若有m个配送中心，包含的出车互补关系总数在理论上的最 大可能有m(m-1)/2个互补关系，如果m个配送中心的实际出车互补关系数目 为a，则这m个配送中心相互需要程度η为2a/(m(m-1))，定义
[0033][0034]
则配送联盟出车时段互补强度可计算如下：
[0035][0036]
其中，t表示时段合集，t∈t；η配送中心相互需要程度系数，在周期 t内配送中心i与配送联盟uk其他成员的相似业务数量，表示在周期t内配送 中心i的业务数量。
[0037]
进一步地，步骤5的具体过程为，
[0038]
配送中心车辆资源互补强度指配送中心车辆类型的异质程度，设配送中 心i的车辆资源合集为tpi，配送中心j的车辆资源合集为tpj，则两个配送中心 的异质性车辆资源合集为tpi∪tp
j-tpi∩tpj，则定义配送联盟的车辆互补资源 计算公式如下：
[0039][0040]
其中，为配送中心之间不同资源集合的元素数量，为 联盟车辆资源全集的元素数量。进一步地，步骤6的具体过程为，
[0041]
选定联盟经济配送占比、共同社会关系强度、出车时段互补、车辆资源互 补最高为目标，基于数据驱动来识别和协调组建协同配送联盟，得到的协同 配送的组建优化模型为：
[0042][0043]
s.t.
[0044][0045][0046][0047][0048][0049]vit
＝{0,1}
ꢀꢀꢀꢀꢀ
(11)
[0050][0051][0052]
其中，l表示l个联盟，uk表示第k个联盟，式(5)表示配送联盟的综合 协同效应最大，式(6)表示配送联盟至少存在一个共同配送域，式(7)表 示配送联盟至少存在一个出车时段互补，式(8)表示配送联盟辐射范围重叠， 式(9)表示每个配送中心只参加一个联盟，式(10)-(13)为决策变量。
[0053]
进一步地，步骤7的具体过程为，
[0054]
划分配送域，计算配送中心平均辐射半径，构造配送中心出车信息0-1矩 阵，整合配送中心车辆类型信息，设计遗传算法；
[0055]
其中，划分配送域是基于时空距离的最大最小聚类法来划分配送域。首先 计算时空距离，在用最大最小聚类法来对配送业务进行聚类；
[0056]
假设配送中心i给客户g配送，客户g地理位置为(xg,yg)、需求时间窗为 [eg,lg]，配送中心i的地理位置(xi,yi)，由配送中心e给客户j配送，客户j地 理位置为(xj,yj)、需求时间窗为[ej,lj]，配送中心e的地理位置为(xe,ye)。
[0057]
客户的时间距离计算，在客户g处的服务时间为sg，从客户g到客户j需 要花费的时间为t
gj
，则车辆从客户g服务结束之后到达客户j的时间为t'， t'∈[eg sg t
gj
,lg sg t
gj
]，记e'j＝eg sg t
gj
,l'j＝lg sg t
gj
。则客户g和客户j的 时间距离的计算公式如下：
[0058][0059]
其中：为偏差系数，用以衡量车辆到达客户时间与客户点的期望服务时 间范围存在重合情况的时间距离偏差。
[0060]
客户的空间距离采用曼哈顿距离计算，客户空间距离定义为业务的地 理距离，公式如下：
[0061][0062]
客户的时空距离d
gj
公式如下：
[0063][0064]
式中，α为时间距离的权重，ε为时间距离和空间距离的转换系数。
[0065]
进一步地，最大最小聚类法来对配送业务进行聚类过程为，
[0066]
(1)导入配送中心的位置、客户位置、需求时间窗、偏差系数、距离权 重和转换系数；
[0067]
(2)确定θ值，任选一个业务作为第一聚类中心z1；
[0068]
(3)选择离z1距离最远的业务作为第二类聚类中心z2；
[0069]
(4)根据公式(16)逐个计算每个业务与已知确定的所有聚类中心之间 的时空距离，并选出其中的最小距离；
[0070]
(5)在所有最小距离中选出一个最大距离，如果该最大值达到θ||z1-z2||， 则将产生最大距离的那个业务定义为新增聚类中心，并返回上一步。否则， 聚类中心的计算步骤结束；
[0071]
(6)重复(4)和(5)，直到没有新的聚类中心出现为止；
[0072]
(7)寻找聚类中心的运算结束后，将业务按最近距离划分到相应的聚类 中心所代表的类别中。
[0073]
进一步地，设计遗传算法的具体过程为，
[0074]
(1)开始循环。初始化所有配送中心配送属性数据、预处理得到的数据 和联盟集合，当所有联盟包含的配送中心小于所有配送中心个数时执行循环。
[0075]
(2)编码，该问题属于0-1整数规划问题，变量只涉及0、1这两个值， 所以采用分段的二进制编码，染色体长度为配送中心的数量，每位编码的位 置代表对应编号的配送中心，编码值为1表示参与联盟(0表示不参与)，则 每条染色体代表一个联盟。例如，编码101000表示该区域一共有6个配送中 心，其中配送中心1和配送中心3形成一个配送联盟。
设定每个配送中心只 能参与1个联盟，为了避免某配送中心重复参加联盟组建，对于已参加联盟 的配送中心，在循环时设定其编码值为0，然后以该位置为中心，对其左右段 分别使用随机二进制数编码，例如在以上6个配送中心的联盟问题中，若配 送中心1和3已参加联盟，则置编码的第1、3位置为0，对位置1和位置3 的之间(第2位)和位置4、6之间采用随机生成0或1方式填充；
[0076]
(3)生成初始种群，随机生成初始种群，种群规模的大小决定了初始的 搜索空间，种群数量不可太大或太小，具体数量可以根据配送中心规模大小 确定；
[0077]
(5)适应度函数，将目标函数进行指数变换得到适应度函数，如式(17) 所示，其中取α＝-0.5，f为目标函数。适应度函数越大，染色体越优，反之越 劣质，
[0078]
fitness＝e-α(f)
ꢀꢀꢀꢀꢀꢀ
(17)；
[0079]
(6)选择操作，采用轮盘赌策略，如个体适应度值越大，被选中的概率 越大；
[0080]
(7)交叉操作。随机截取两个染色体的片段进行交换。如对6个配送中 心的编码，通过生成[1,6]区间的两个不同的随机整数a1和a2，然后交换a1 和a2之间的编码，如a1＝2，a2＝4，交换染色体1|010|10与染色体0|101|01第 2、4之间的基因，得到染色体1|101|10和染色体0|010|01。设交叉概率为0.8；
[0081]
(8)变异操作，通过随机选择和交换单个染色体上两个位置的基因来实 现变异。例如，选择101010的第2和第5位进行交换变异为111000，代表。 设定变异概率为0.03；
[0082]
(9)重复步骤(5)-(8)直到满足迭代次数，输出结果；
[0083]
(10)判断所有配送联盟是否已经包含了所有配送中心，如是则终止循 环，输出所有联盟，否则继续以上所有步骤。
[0084]
本发明由于采用了上述技术方案，具有以下有益效果：
[0085]
本发明直接由配送数据驱动在某区域或多个配送中心中构建了多个存在 配送网络重叠、辐射范围重叠、出车时间互补、车辆类型资源互补的稳定的 配送联盟，为单个配送中心确定最佳的协同配送伙伴，该方法避免了以往伙 伴选择方法的主观的指标选择和排序，同时克服了只能选择一个联盟伙伴和 一次只能组建一个联盟的弊端。
附图说明
[0086]
图1是本发明配送属性数据结构图；
[0087]
图2是本发明配送中心业务关系动态重叠识别示意图；
[0088]
图3是本发明配送业务聚类算法流程图。
具体实施方式
[0089]
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举 出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中 列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的 理解，即便没有这些特定的细节也可以实现本发明的这些方面。
[0090]
如图1-3所示，一种配送属性数据驱动的协同配送联盟组建方法，所述方 法包括如下步骤。
[0091]
步骤1：分析配送中心配送属性数据，发现潜在的协同机会。
[0092]
配送数据结构如图1所示，配送中心间业务关系的静态重叠识别方法， 通过判定不同配送中心间的配送业务社会网络是否存在交叉重合关系及其强 度则可判定不同配送企业间的配送的规模化程度；配送中心间业务关系的动 态重叠识别方法，如图2所示，每个配送中心都对应一个配送范围，一个辐 射范围，某配送中心配送范围的配送点不属于其自身辐射范围，但却处于另 一个配送中心的辐射范围，即表示由另一个配送中心配送更经济，这样协同 之后，可以将这些点重新分配，使其处于协同配送联盟的综合经济配送范围； 配送中心间资源互补方法，配送中心的车辆资源、节配送时间、频次不同， 形成资源互补，协同之后提高资源利用率和服务效率。
[0093]
步骤2：建立配送中心共同关系强度模型
[0094]
为了评定不同配送中心间重合程度，基于配送主体关系、配送时间、配 送主体地理位置等配送属性数据，提出“共同社会关系强度”模型来反映配 送中心社会网络重叠的程度，进而衡量协同配送的规模效应。共同社会关系 强度，指配送中心之间配送业务的重叠比例，即配送中心共同配送域的客户 数量之和与各配送中心客户数量总和之比。配送中心的共同社会关系强度越 大，则协同后的规模效益越大，配送中心协同的可能性越高；因此，定义
[0095][0096][0097]
协同配送联盟uk的共同社会关系强度模型公式如下：
[0098][0099]
式中，i表示配送中心合集，i∈i；h表示配送域合集，h∈h；表示 配送中心i在配送域h的业务数量；qi表示配送中心i总业务量；uk表示第k个 联盟。
[0100]
步骤3：建立配送中心经济占比模型
[0101]
在配送中心辐射力模型基础上，提出配送中心经济配送占比(economic distribution ratio)来评价辐射范围效应。将经济配送占比定义为指配送中心在 平均辐射半径内的配送业务量与配送总业务量之比；联盟的经济配送占比越 高，说明联盟在经济配送范围业务占比越大，联盟的辐射范围协同效用值越 大；因此，定义
[0102][0103]
则协同配送联盟uk经济配送占比模型定义为
[0104]
[0105]
式中，表示配送联盟uk的辐射范围；为配送中心i在配送联盟uk辐 射范围的配送量，bi表示配送中心i总配送量。
[0106]
步骤4：建立配送中心出车时段互补模型
[0107]
配送中心出车时段互补强度定义为配送中心之间出车互补时段的相似业 务量与原本不出车进行配送的业务量之比，以及配送中心之间互相需要的程 度。其中，相似业务是指在出车互补时段内起点和终点相似的配送业务，配 送业务相似度采用曼哈顿距离对配送中心的距离和客户距离进行相似度计 算，当业务之间的配送中心的距离和客户距离之和小于阈值时，认为业务 具有相似性；配送中心的相互需要程度定义为配送中心间存在出车互补关系 的密度，例如，若有m个配送中心，包含的出车互补关系总数在理论上的最 大可能有m(m-1)/2个互补关系，如果m个配送中心的实际出车互补关系数目 为a，则这m个配送中心相互需要程度η为2a/(m(m-1))。由此，定义
[0108][0109]
则配送联盟出车时段互补强度可计算如下：
[0110][0111]
其中，t表示时段合集，t∈t；η配送中心相互需要程度系数，在周期t内 配送中心i与配送联盟uk其他成员的相似业务数量，表示在周期t内配送中 心i的业务数量。
[0112]
步骤5：建立配送中心车辆资源互补模型
[0113]
配送中心车辆资源互补强度指配送中心车辆类型的异质程度，设配送中 心i的车辆资源合集为tpi，配送中心j的车辆资源合集为tpj，则两个配送中心 的异质性车辆资源合集为tpi∪tp
j-tpi∩tpj。则定义配送联盟的车辆互补资源计算公式如下：
[0114][0115]
其中，为配送中心之间不同资源集合的元素数量，为联 盟车辆资源全集的元素数量。步骤6：建立配送属性数据驱动的协同配送联盟组建模型
[0116]
选定联盟经济配送占比、共同社会关系强度、出车时段互补、车辆资源互 补最高为目标，基于数据驱动来识别和协调组建协同配送联盟。得到的协同 配送的组建优化模型为：
[0117]
[0118]
s.t.
[0119][0120][0121][0122][0123][0124]vit
＝{0,1}
ꢀꢀꢀꢀꢀꢀ
(11)
[0125][0126][0127]
其中，l表示l个联盟，uk表示第k个联盟，式(5)表示配送联盟的综合 协同效应最大，式(6)表示配送联盟至少存在一个共同配送域，式(7)表 示配送联盟至少存在一个出车时段互补，式(8)表示配送联盟辐射范围重叠， 式(9)表示每个配送中心只参加一个联盟，式(10)-(13)为决策变量。 步骤7：基于数据预处理和遗传算法求解配送属性数据驱动的协同配送联盟组 建模型
[0128]
直接获取的配送业务数据不符合模型的数据要求。因此模型整个求解阶 段分为数据预处理、寻优的配送联盟两个阶段。求解流程如图3，其中数据预 处理完成配送域划分、配送平均辐射半径的计算、出车信息0-1矩阵的构建和 配送中心车辆类型整合，为模型提供输入数据；寻优阶段基于数据预处理的 数据，找出协同效应最大的协同配送联盟组合。
[0129]
(1)首先计算时空距离，在用最大最小聚类法来对配送业务进行聚类。
[0130]
假设配送中心i给客户g配送，客户g地理位置为(xg,yg)、需求时间窗为 [eg,lg]，配送中心i的地理位置(xi,yi)；由配送中心e给客户j配送，客户j地 理位置为(xj,yj)、需求时间窗为[ej,lj]，配送中心e的地理位置为(xe,ye)。
[0131]
客户的时间距离计算。在客户g处的服务时间为sg，从客户g到客户j需 要花费的时间为t
gj
，则车辆从客户g服务结束之后到达客户j的时间为t'， t'∈[eg sg t
gj
,lg sg t
gj
]，记e'j＝eg sg t
gj
,l'j＝lg sg t
gj
。则客户g和客户j的 时间距离的计算公式如下：
[0132][0133]
其中：为偏差系数，用以衡量车辆到达客户时间与客户点的期望服务时 间范围存在重合情况的时间距离偏差。
[0134]
客户的空间距离采用曼哈顿距离计算。客户空间距离定义为业务的地 理距
离，公式如下：
[0135][0136]
客户的时空距离d
gj
公式如下：
[0137][0138]
式中，α为时间距离的权重，ε为时间距离和空间距离的转换系数。
[0139]
最大最小聚类法来对配送业务进行聚类步骤如下。
[0140]
步骤1：导入配送中心的位置、客户位置、需求时间窗、偏差系数、距离 权重和转换系数。
[0141]
步骤2：确定θ值，任选一个业务作为第一聚类中心z1。
[0142]
步骤3：选择离z1距离最远的业务作为第二类聚类中心z2。
[0143]
步骤4：根据公式(16)逐个计算每个业务与已知确定的所有聚类中心之 间的时空距离，并选出其中的最小距离。
[0144]
步骤5：在所有最小距离中选出一个最大距离，如果该最大值达到、 θ||z1-z2||，则将产生最大距离的那个业务定义为新增聚类中心，并返回上一步。 否则，聚类中心的计算步骤结束。
[0145]
步骤6：重复步骤4和5，直到没有新的聚类中心出现为止。
[0146]
步骤7：寻找聚类中心的运算结束后，将业务按最近距离划分到相应的聚 类中心所代表的类别中。结果如表1所示。表中数值表示对应配送中心在特 定配送域的业务数量，如第1列分别表示配送中心1在配送域1中有5个业 务，在配送域2中有1个业务等。
[0147]
表1配送中心在各配送域业务量分布情况
[0148][0149]
(2)计算配送中心平均辐射半径
[0150]
将配送中心月平均配送量和配送中心之间的距离带入公式(17)-(18) 计算配送中心之间的辐射半径和配送中心的平均半径。
[0151][0152][0153]
式中：l
ip
为配送中心i到断裂点p的距离；mi、me为配送中心i、e配送 供给能力，由于客户位置和配送量都影响配送经济性，此处使用配送中心到 每个客户的距离及其配送量的乘积来表示对每个客户的供给能力，将所有配 送客户的供给能力之和定义为配送中
心的供给能力，即mi＝∑q
indin
，d
in
为配 送中心i到客户n的配送距离；l
ie
为配送中心i、e的距离；ri为配送中心辐射 半径；m为配送中心个数。
[0154]
(3)构造配送中心出车信息0-1矩阵
[0155]
将一天24小时均分为多个时段(如12个，具体可根据管理和配送及时 性需要来确定划分粒度)作为行，以各配送中心出车情况为列构建配送中心 出车信息矩阵，若配送中心在划分后的某时段出车则记为1，否则为0。结果 如表2所示。
[0156]
表2配送中心出车0-1矩阵示意
[0157][0158]
(4)获取配送中心的车辆信息
[0159]
整理配送中心拥有的车辆类型以及数量，结果如表3所示。
[0160]
表3各配送中心车辆类型矩阵
[0161][0162]
(5)设计循环的遗传算法来求解出多个最优联盟组合。
[0163]
步骤1：开始循环。初始化所有配送中心配送属性数据、预处理得到的数 据和联盟集合，当所有联盟包含的配送中心小于所有配送中心个数时执行循 环。
[0164]
步骤2：编码。该问题属于0-1整数规划问题，变量只涉及0、1这两个 值，所以采用分段的二进制编码，染色体长度为配送中心的数量，每位编码 的位置代表对应编号的配送中心，编码值为1表示参与联盟(0表示不参与)， 则每条染色体代表一个联盟。例如，编码101000表示该区域一共有6个配送 中心，其中配送中心1和配送中心3形成一个配送联盟。设定每个配送中心 只能参与1个联盟，为了避免某配送中心重复参加联盟组建，对于已参加联 盟的配送中心，在循环时设定其编码值为0，然后以该位置为中心，对其左右 段分别使用随机二进制数编码，例如在以上6个配送中心的联盟问题中，若 配送中心1和3已参加联盟，则置编码的第1、3位置为0，对位置1和位置 3的之间(第2位)和位置4、6之间采用随机生成0或1方式填充；
[0165]
步骤3：生成初始种群。随机生成初始种群，种群规模的大小决定了初始 的搜索空间，种群数量不可太大或太小，具体数量可以根据配送中心规模大 小确定。
[0166]
步骤4：适应度函数。将目标函数进行指数变换得到适应度函数，如式(19) 所示，其中取α＝-0.5，f为目标函数。适应度函数越大，染色体越优，反之越 劣质。
[0167]
fitness＝e-α(f)
ꢀꢀꢀꢀꢀꢀ
(19)
[0168]
步骤5：选择操作。采用轮盘赌策略，如个体适应度值越大，被选中的概 率越大。
[0169]
步骤6：交叉操作。随机截取两个染色体的片段进行交换。如对6个配送 中心的编码，通过生成[1,6]区间的两个不同的随机整数a1和a2，然后交换a1 和a2之间的编码，如a1＝2，a2＝4，交换染色体1|010|10与染色体0|101|01第 2、4之间的基因，得到染色体1|101|10和染色体0|010|01。设交叉概率为0.8。
[0170]
步骤7：变异操作。通过随机选择和交换单个染色体上两个位置点的基因 来实现变异。例如，选择101010的第2和第5位进行交换变异为111000，代 表。设定变异概率为0.03。
[0171]
步骤8：重复步骤4到7直到满足迭代次数，输出结果。
[0172]
步骤9：判断所有配送联盟是否已经包含了所有配送中心，如是则终止 循环，输出所有联盟；否则继续以上所有步骤。
[0173]
结果如表4所示。
[0174]
表4最优配送联盟示例
[0175][0176]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普 通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润 饰，这些改进和润饰也应视为本发明的保护范围。