探谈物流配送与多目标规划模型干扰管理
需求量变动引言物流配送过程经常受到某些不确定事件的干扰，如客户需求量变动，客户时间窗变动，车辆故障等，这些干扰事件经常导致已有的配送计划不可行。如何有效地处理干扰事件，使干扰事件对整个物流配送系统产生的扰动最小，已成为物流配送管理中的难点问题。干扰管理（Disruption Management）正是一种致力于实时处理这类问题的方法论，是近年来国际上管理科学、运筹学和系统工程等领域备受关注的前沿性研究方向，具有重要的科学意义和广阔的应用前景。详细请上工商管理专业人才培养之我见一文。
根据 Yu 和Qi[1]对干扰管理的定义可知，干扰管理需要针对各种实际问题和干扰事件的性质，建立相应的优化模型和有效的求解算法，快速、及时地给出处理干扰事件的最优调整计划。该调整计划不是针对干扰事件发生后的状态完全彻底地重新进行建模和优化，而是以此状态为基础快速生成对系统扰动最小的调整方案，虽然也考虑节省费用，但往往不是费用最省的方案。干扰管理的概念自提出以来，其应用研究涉及到了航空[2]、供应链[3]、项目管理[4]等多个领域。因为物流配送系统的复杂性，在该领域的研究起步较晚。目前该领域大部分的研究仍以全局重调度的方法实现路径的重排，调整后的结果将先前的计划完全打乱，往往会给配送系统中的各个实体带来更大的负面影响。因此，如何充分借鉴干扰管理的思想，降低路线重排的负面影响，变得十分关键。另外，由于物流配送系统是由多方参与的，如何建立一个能够在路线重排过程中权衡各方利益的模型比较困难。
本文采用干扰管理思想，考虑物流配送系统中顾客、物流配送运营商和车辆司机这三个行为主体，从三方的利益角度对系统扰动进行度量，以最小化客户不满意度、配送成本和路径偏离程度为目标构建物流配送系统的干扰管理模型，并提供多种度量客户不满意度的函数，可以根据不同的实际应用条件灵活选用，实用性更高。
国内外研究现状及分析由于干扰管理是一个相对较新的领域，研究物流配送车辆调度与路径规划的干扰管理文献较少，相关的是动态车辆路径问题（Dynamic Vehicle Routing Problem）和车辆重调度问题的研究（Vehicle Rescheduling Problem）。对于配送过程中有新需求出现的动态车辆路径问题的研究，代表性的成果有：Ichoua 等[5]针对配送过程中的新增订单问题设计禁忌搜索算法，为车辆寻找下一个任务点；Yang 等[6]针对配送过程中不断到达的客户需求建立离线模型，并用仿真方法比较了多种处理策略；也有些研究将客户的需求量或客户的到达看作随机变量[7][8]，用随机理论优化配送方案。对于车辆重调度问题的研究，代表性的是Li 等人[9]～的研究成果：针对配送过程中，某车辆故障而无法继续剩余任务的问题，提出基于拉格朗日松弛的启发式算法，求解由它车进行援救的策略[9][10]，并设计重调度的决策支持系统[11]。就作者所知，将干扰管理的思想结合到车辆路径重调度问题的研究中，Rhalibi 和是最早者，他们对配送中某路段发生时间延迟的问题进行优化，目标之一是新路线要尽量少地偏离原路线，符合干扰管理的思想。其它同类研究有：Zhang 和Tang[13]对延迟问题建立了衡量原问题目标和时间窗偏离的多目标模型，并设计了混合算法对模型求解；Huisman 等提出解决具有旅行时间延迟的多车场问题的方法，其模型的目标函数最小化三个指标：
车辆使用数、服务时间延迟的客户数占总数的百分比、延迟费用；王明春等[15]针对有时间窗的车辆路径问题（Vehicle Routing Problem with Time Windows, VRPTW）中发生的需求量变动和时间窗变动问题，将模型的目标函数定义为网络运行费用及与原计划偏离所需费用的加权和，并设计了混合算法对模型求解。工程硕士论文网分享。
由于物流配送系统由多行为主体参与，各主体的目标不一致甚至互相矛盾，而干扰管理决策又是一个实时的过程，因此，物流配送系统的干扰管理问题是一个多目标、动态实时的复杂问题，建模极其困难。虽然上述相关研究已对类似问题的数学模型进行了初步的探索，但仍存在以下不足：①尚未提出系统化的扰动度量方法：已有大部分研究采用全局重规划的方法，虽然从数学上能得出相应的最优解，但是这个最优解有时并不是解决这个实际问题的可行解，它往往给参与配送过程的某些实体带来更大的扰动。②目标的设置不够合理：多数研究采用赋权重的方法区分目标的重要度，权重值的确定难以客观化，使得模型与实际情况相差较大。