基于Agent的物流配送最优路线决策系统研究.docx

基于Agent的物流配送最优路线决策系统研究

【摘要】近年来随着电商平台与直播带货的火热发展，直接地带动了中国物流行业的快速发展以及促进行业资源的整合，提高了现在的物流速度。但是，现在的物流配送路线是由各个公司根据自己的效益所决定的，并不是最优路线。为了解决配送的最优路线问题，本文利用Agent的移动性、主动反应性以及实时性等特点，构建了基于Agent的物流配送决策系统，在系统的最优路线决策模型中利用Dijkstra算法来求解发货地与目的地之间的最优路线，从而实现物流配送最优路线的决策问题。

【关键词】物流配送?最优路线?决策系统?Agent建模?Dijkstra算法

一、引言

物流配送是现代物流管理的一个重要环节，是实现电商、直播带货的关键一环和基本保证。近年来，随着互联网的大力发展，电子商务得到了空前的发展。在今年疫情下，直播带货又将电子商务推上了一个新的高度。因此，也直接的带动了物流行业的迅猛发展。在今年一、二季度因疫情原因使得市场经济低迷的情况下，物流行业的经济指标依然有很好的增长。

现在的各种物流配送系统中，需要采取一些配送的策略来降低货运费用和行驶路程，提高物流配送速度和服务水平，物流配送策略其中车辆路线安排问题（VRP）是物流领域中一个研究的热点问题。VRP属于多约束条件的组合优化问题，是由Dantzig和Ramser于1959年首次提出，是运筹学、管理学、计算机应用、组合数学、图论等学科的组合优化问题。当前的物流配送路线决策涉及客户信息管理、订单信息管理、配送点管理、地理位置信息管理等许多方面，体系复杂庞大。因此需要建立一个物流配送决策系统，管理物流系统中的各种数据信息，选择配送的最优路线。

智能体（Agent）是人工智能领域中一个很重要的概念，出现于20世纪70年代，80年代后发展起来。智能体具有自治性、反应性、交互性、主动性以及社会性等特征。它自身拥有行为控制机制，可根据自身状态以及外部环境的感知，做出决策和相应的行为;因为具有社会性，所以它可以与其他的智能体进行交流合作;同时可以感知所处环境信息，可以实时的做出适当的反应。智能体的概念和方法不仅是计算机领域和人工智能领域研究的热点，而且引起了军事、教育、交通、物流等许多领域的关注和相关的应有研究。

本文利用Agent的移动性、主动反应性以及实时性等特点，构建了基于Agent的物流配送決策系统。在系统的最优路线决策模型中采用Dijkstra算法选择最优路线。

二、利用Dijkstra算法求解最优路线

（一）Dijkstra算法概述

在物流配送过程中最重要的一环是选择车辆最优配送路线问题即VRP问题，在车辆配送过程中，耗费的油量、花费的时间以及高速路费等支出与两点之间的路程是具有正相关性的。故而本文选择车辆配送最优路线以配送点与客户两点之间的最短路径为标准，即最短路线为最优路线。决策系统利用图论知识中的Dijkstra算法来求解两点之间的最短路线即为物流配送最优路线。

迪杰斯特拉算法（Dijkstra）是由荷兰计算机科学家狄克斯特拉于1959年提出的，因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法，解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始，采用贪心算法的策略，每次遍历到始点距离最近且未访问过的顶点的邻接节点，直到扩展到终点为止。

（二）Dijkstra算法应用原理

物流配送点根据服务端发来的订单数据，解析数据得到客户的地理位置信息，利用地图可将配送点与客户看作地图上两点，其余点都是各个城市所设立的快递中转站。将配送点作为起点、客户作为终点，所以有物流配送网络图模型表示为G=v，e，表示起点、终点以及各个中转站点，E表示每两个点之间的路线距离。以图1物流配送模拟图为例：

G=v，e

其中，V={v1，v2，v3，v4，v5，v6}，E={dij|1≤i，j≤6}

Dijkstra算法求解流程包含以下方面：①初始时S只包含起点v1;U包含除v1外的其他顶点，且U中顶点的距离为起点v1到该顶点的距离;②从U中选出距离最短的顶点k，并将顶点k加入到S中;同时，从U中移除顶点k;③更新U中各个顶点到起点v1的距离。之所以更新U中顶点的距离，是由于上一步中确定了k是求出最短路径的顶点，从而可以利用k来更新其它顶点的距离;④重复步骤②和③，直到遍历完所有顶点。通过以上四步即可求出v1到v6之间的最短路径即为物流网络配送过程的最优路线。

三、构建基于Agent的物流配送决策系统

为了对构建基于Agent的物流配送决策系统，我们需要知道现在的网络物流配送决策过程，然后从现有的决策系统中判断哪些模块是可以具有智能体的特性，以此构建基于Agent的物流决策系统。

（一）典型的网络配送决策结构

典型的网络配送决策过程主要分四部分：