物流管理论文哪里有？本文在前人研究的基础上，针对传统K-means++算法K值选择问题、多约束条件下的需求点聚类问题以及传统多种群遗传算法局部收敛能力差、相同染色体交叉、进化选择等问题提出了改进措施，并从结果的对比分析中证明了算法的有效性。
1绪论
1.2 国内外研究现状
1.2.2国外研究现状
在车辆与无人机联合配送方面，国外研究时间比国内学者要早，研究范围也相对较广。国外学者研究了车辆与无人机组合配送的五种模式，分别为：卡车与无人机协同配送、卡车与无人机并行配送、卡车支持无人机配送、无人机支持卡车配送、以及以上两种或以上配送方式结合的混合配送模式[29]。由于卡车与无人车联合配送相关研究起步较晚，目前仅有少量研究文献，因此选择与本文的研究方向关联度较大的“卡车支持无人机配送”和“卡车与无人机混合配送”的相关研究，共三部分作为本节文献综述主要研究内容。
(1)卡车支持无人机配送
关于卡车支持无人机配送方面的研究，国外学者通常首先确定卡车搭载无人机的集散点，卡车遍历全部集散点释放无人机，由无人机完成末端配送任务，构建配送路径优化模型规划卡车与无人机的配送路径。这种构建模型的思想类似于选址-路径问题，即先确定二级配送点位置，然后规划配送中心到二级配送点以及二级配送点到客户点的路线。
Mathew(2015) 等人将该问题定义为HDP(heterogeneous delivery problem) ，假设无人机的有效载荷能力为一个货物，因此在每次运输后返回卡车，以最小化成本为目标研究在城市中一辆卡车与一辆无人机联合配送的任务调度和路径规划问题[30]。
Othman(2017) 等人将该问题细分为四个子问题模型。第一、二个问题模型假设无人机在装载货物后立即起飞，不同的是前者无人机可以返回之前起飞的地点即卡车会在原处等待无人机完成配送任务后汇合，而后者在无人机起飞后，卡车会沿着预定路线行驶，卡车与无人机会在之后客车预定路线中某一结点汇合；第三、四个模型假设无人机在某个节点降落后到下一次起飞点之间可以搭乘卡车在后面的节点起飞，第三、四两个模型的区别与一、二两个模型的区别一致，即卡车是否会在起飞点等待无人机返回。
3 需求点需求紧迫度评价方法
3.1 层次分析法确定主观权重
3.1.1 层次分析法概述
在20世纪70年代初，美国运筹学家萨蒂教授在研究 “工业部门电力分配”问题时，提出了一种层次权重决策分析方法，这种研究方法被后人称为层次分析法，也叫AHP法。这种方法是将影响最终决策结果的要素分为目标、准则、方案等层次，完成层次划分后进行定性和定量分析的决策手段。其主要特点是将定性分析和定量分析合理的结合起来，把复杂的决策过程层次化、数量化。
层次分析法的原理是从问题的最终目的出发。将决策问题分解为不同的影响因素。并根据各个因素间的相互影响以及隶属度关系将其划分为不同的层次，形成一个多层级的决策模型，从而使决策问题归结为最底层(方案、建议等) 对最顶层(决策结果) 的相对重要权值的确定。层次分析法特别适用于研究无法量化的复杂问题[51]。
5 路径优化方案设计
5.1 “卡车-无人车”混合配送模式简介
随着科技的不断发展，无人配送逐渐走进人们的日常生活，其中较为常见的就是无人车配送与无人机配送。尤其是在突发公共卫生事件(新型冠状肺炎) 的今天，越来越多的无人配送设备投入到疫区物资配送中来。以京东为例，2020年武汉疫情爆发后，京东迅速利用L4级别的自动驾驶技术和北斗卫星定位系统，投用智能无人车，以开展无接触式配送，为疫情期间提供安全保障。国家博物馆收藏了一辆曾服务于武汉第九医院的无人车，以纪念其在抗疫期间做出的贡献。
此后，京东的智能无人车前后多次参与到广州、石家庄等地的抗疫行动。在上海疫情期间，京东紧急调运大量无人车以及室内配送机器人，服务范围覆盖65个社区、5个方舱医院和24个快递站点，为超25万居民和100多名医护人员提供物资配送服务。
与无人机相比，无人车行驶速度较为缓慢，但是无人车的载重量远超无人机，这也是疫情期间无人车多次出现在应急物资配送前线的原因。本章根据孙立君教授提出的“大车适合运输远距离站点，小车适合运输近距离站点”的理论成果，提出“卡车完成干线运输任务，无人车完成末端配送任务”[54]这一配送思想，进而构建了“卡车搭载无人车配送”与“无人车独立配送”的混合配送模型。为方便表述用UC(UGV-only Customer) 表示配送中心无人车服务需求点，TUC(Track-based UGV Customer) 表示卡车搭载无人车服务需求点。
5.2 “卡车-无人车”混合配送模型构建
突发公共卫生事件下的大批量应急物资无接触式配送路径优化模型的构建，主要包括模型假设、参数及决策变量定义、目标函数及约束条件构建以及对目标函数和约束条件的解释等内容。
5.2.1 模型假设 问题假设如下。
假设1：所有需求点的位置及需求紧迫度评价相关数据已知，且配送中心物资总供给量已知。
假设2：无人车消杀作业时间、装卸货时间为定值且已知，不考虑无人车释放及回收时间。
假设3：突发公共卫生事件初期配送中心的物资供给量小于客户点物资需求量，应急物资按客户点需求紧迫度占总需求紧迫度比重分配。
假设4：无人车每次只能为1个客户点提供服务，暂不考虑订单组合与拆分的情况。
假设5：卡车释放与回收无人车仅在聚类中心完成，回收时早到达的一方等待另一方到达。
假设6：考虑到疫区管控措施，道路车流及人流量较少，将道路拥挤度设为畅通，卡车与无人车均匀速行驶。
假设7：配送中心无人车数量为卡车最大无人车装载量的2倍。
7 结论与展望
7.2 展望
虽然本文对突发公共卫生事件下大批量应急物资配送问题做了较为深入的研究，取得了一定的研究成果，但是由于物资分配及配送过程中印象因素较多，作者考虑因素及能力方面有限，本文的研究仍存在不足之处，这也作为未来的研究方向，供自己以及相关领域研究学者继续研究。本文的不足主要有以下三个方面。
(1)需求紧迫度评价指标不尽完善
本文仅从理论层面上将感染人数、易感人数、总人数以及物资缺口率作为影响物资需求紧迫度的评价指标，但是在实际物资分配过程中可能会有更多的影响因素以及更科学更合理的物资配送方案。另外在突发公共卫生事件暴发初期，本文提出的评价指标相关数据可能难以获取，如何获取以及处理评价指标相关数据，使之成为理论研究数据这也是本文尚未考虑的方面。
(2)仅考虑单一配送中心
本文建立的模型中仅考虑了单一配送中心，但在实际配送过程中的配送网络较为复杂。为缓解配送压力，可能由两个乃至多个配送中心共同完成物资配送任务。因此在后续的研究工作中可以基于多配送中心研究应急物资无接触式配送问题。
(3)应急物资分类不完善
应急物资种类繁多，在实际配送过程中会分门别类地进行配送。由于缺乏官方统计数据，本文仅将物资重量单一属性作为物资分配标准，且一些模型参数多是依靠实验随机生成和经验设定，缺乏严谨的数据支撑。
参考文献（略）
