基于Anylogic仿真的货运O2O平台车辆调度*

□ 刘美玲，孟博冉，胡文杰

(华东交通大学 交通运输与物流学院，江西 南昌 330013)

货运O2O平台致力于解决的货运订单匹配问题，是车辆路径规划(Vehicle Routing Problem，简称VRP)这一NP-hard难题在货运行业的实际应用。近年来，理论界对于车辆路径规划问题的研究从变换车辆容量、服务时间窗、订单特殊需求等约束条件出发，衍生出了带时间窗的、需求可拆分的、多车场的、半开放式车辆路径规划问题等多种贴合实际需求的VRP分支。学者们的研究也从对于寻求改进各类VRP优化算法的理论探讨，不断向衍生车货匹配数智化平台的实际运用深化。

优化算法求解方面：何小锋等[1]同时运用量子蚁群算法、蚁群算法、改进遗传算法和改进粒子群算法对带有时间窗的车辆路径规划问题进行了求解，结果表明量子蚁群算法和改进的遗传算法求解结果最优，但在运行时间上量子蚁群算法有明显优势；刘冉等[2]利用节约算法、顺序插入算法、并行后悔插入算法三种启发式算法对半开放式多车场车辆路径问题进行了求解；杨鹏等[3]在带有时间窗约束的基础上，又增加了货主需求可以被拆分的假设，利用改进的蚁群算法求解最优路线配送方案；韩亚娟等[4]针对传统软时间窗的车辆路径问题，提出了折现软时间窗概念，利用超启发式算法对于构建的数学模型进行求解，并利用算例验证算法的可行性；范厚明等[5]在引入局部优化算法和擂台法则的基础上，设计了混合遗传算法，对于Solomon的VRPTW标准算例进行求解，得出混合遗传式算法在求解多目标优化问题方面具有良好性能的结论。实际运用方面：刘枚莲等[6]在考虑顾客即时需求的情况下，以碳排放和时间窗为约束条件，研究了车辆路径优化问题。

总的来说，有关车辆路径规划问题的研究硕果累累，但如何将理论研究成果运用到实际的复杂场景中仍然需要进一步的探索。本文以真实场景为基础，建立模型约束条件，利用Anylogic软件对场景进行模拟仿真，以求得最贴近实际情况的最优解。

1 问题描述

根据现行货运O2O平台实际运营模式，在同城货运中，大部分平台采用“逐级推送”模式的车辆订单匹配策略[7]，即在货物匹配时以客户订单为中心进行车辆选取。本文以客户需求为基础，同时加入车辆容积、半开放等要求，使客户订单在最快的时间内由最近的车辆完成配送，具体问题如下。

①软时间窗约束在货运中具有较强的现实意义，即在现实情况下，货运O2O平台中客户对订单完成的要求高于对时间的要求，因此订单超时完成时，大部分顾客仍允许车辆完成订单，只是会在一定程度上降低顾客满意度；

②每个车辆有容积限制；

③车辆可访问多条路径；

④每个订单只允许被访问一次；

⑤车辆完成订单后无需回到起点。

2 Anylogic模拟仿真设计

Anylogic是一款广泛应用于物流、供应链等领域的仿真软件，其基于多智能体的建模方法具有高效、低成本的优势。本文利用Anylogic软件模拟问题描述中提到的现行货运O2O平台车辆调度和配货方法，以计算出算例的最优车货匹配方案。

图1为货运O2O配货在此平台上的仿真模拟过程，具体方法如下：

图1 仿真模拟过程

①实地调研和收集货运订单信息(如时间、交货点、提货点等信息)、车辆信息(如装载量、单位运输成本等信息)并生成EXCEL表格。

②新建一个智能体模型，在主函数中插入一个GIS地图，功能为模拟车辆的行驶路径。将收集的EXCEL表导入到主函数中。

③在智能体模型中新建订单、车辆、配货三个智能体类(如图2)，用于描述平台的配货逻辑和过程。

图2 新建订单、车辆、配货智能体类

实际流程逻辑图如图3所示，具体过程如下：

图3 配货逻辑

步骤1 订单时间紧急程度排序。对订单池中所有订单进行统计后按照时间紧急顺序进行排序，在后面进行订单车辆分配时，以时间紧急程度为第一要求进行方案优化；

步骤2 订单分配车辆。选取现行订单中时间最紧急的订单1，优先挑选离订单1最近的车辆1，检查车辆容积是否符合现行订单量容积要求。如果订单货物容积<车辆剩余容积，则车辆与订单匹配完成；如果订单货物容积>车辆剩余容积，则寻找车辆2，继续检查是否符合容积要求，按照此逻辑一直找寻到符合要求的车辆X完成订单1；

步骤3 车辆集货。车辆X完成订单1配货后，根据剩余容积=车辆原剩余容积-订单1货物容积继续查看订单池中剩余订单中是否存在订单m容积<剩余容积，若存在则将距离订单1最近的订单m1分配给车辆1；直至车辆无剩余集货订单，车辆集货完成。

步骤4 继续筛选剩余订单。在步骤3完成后，进行新一轮的车辆分配和集货，从当前剩余订单中，选出最紧急的订单，按照步骤1-步骤3的逻辑进行订单的车辆分配与车辆集货步骤，完成车辆2集货。

步骤5 所有订单分配完成。在经历多轮配货集货之后，所有现行订单都被完成，本次模拟仿真结束，得出一个最优结果。

3 Anylogic求解算例

3.1 数据获取与模型参数设置

本文对以货拉拉为主的货运O2O平台进行了实际调研，了解各个平台实际运作规则，针对规则进行算例数据获取与模拟，得到送货车辆信息(见表1)与货主订单信息(见表2)。

表1 送货车辆信息

表2 货主订单信息

模型参数设置如下：单位装卸货时间成本为60元/小时；货物装卸时间系数为0.1小时/立方米；车辆平均行驶速度30千米/小时。

3.2 算例结果展示及分析

根据基本信息与模型参数设置进行Anylogic模拟仿真设计，能够看到结果如图4所示，在系统运行14∶49时，所有订单都被匹配完成。

图4 Anylogic模拟仿真结果

根据Anylogic仿真结果，车辆1、2、3、4、6完成10个订单配送，订单配送路线依次为：车辆1-5-3-13-15，车辆2-10-8-9-19-20-18，车辆3-1-4-14-11，车辆4-2-12，车辆5-6-16，车辆6-7-17(其中11-20分别代表1-10提货点对应的交货点)。车辆1的行驶总路程为19.89千米，车辆2的行驶总路径为46.87千米，车辆3的行驶总路径为39.43千米，车辆4的行驶总路径为22.83千米，车辆5的行驶总路径为18.52千米，车辆6的行驶总路径为39.29千米。根据设定的参数模型，求得运输成本为1109.32元，装卸货成本为236.4元，总成本为1345.72元。

4 结语

本文利用Anylogic软件，对货运O2O平台的车辆订单匹配与路径规划问题进行了研究，通过加入车辆容积限制，以最大程度满足客户要求和实现车辆运输配送成本最小化为目标，进行模拟仿真，以求得最优车货匹配方案。与启发式算法不同的是，Anylogic计算结果为精确的解析解，订单匹配耗时较长。在实际情况中，处理货运O2O平台的海量订单不仅需要结果的精确度，更对求解的时间与速度提出了一个更高的要求，因此在后续研究中，如何利用多种启发式方法以提高计算的速度与方案的优越性是进一步研究的方向。