摘要：为更高效地解决高强度快递需求区域移动仓库的选址问题，建立了基于相遇蚁群算法的多粒度集合覆盖模型。提出了将需求点虚拟成粒子，利用K-means算法对粒子聚类，在划分好的粒子群里给出集合覆盖模型生成的移动仓库备选点，通过相遇蚁群算法对备选点进行寻优，在满足区域需求及移动仓库服务能力约束的前提下，合理确定移动仓库具体位置。设计了基于K-means算法的粗粒度聚类、细粒度的相遇蚁群寻优、目标仓库选择策略、状态转换策略以及信息素更新策略的求解算法。实验结果表明，相遇蚁群算法能够有效提高蚁群算法的全局寻优能力。该选址模型为高强度快递需求区域的移动仓库选址决策提供了更为有效的解决方案，能够显著提高现有快递网络的服务水平。
关键词：快递；移动仓库；集合覆盖；蚁群算法；K-means
引言
经过近三十年的发展，我国快递业已成为物流业中举足轻重的一部分，其丰富的利润、巨大的市场规模及增长潜力，促使着这项新兴产业的蓬勃发展。而重中之重的高强度快递需求区域，诸如商业集群与产业集群区域，更是国内外快递企业争夺的“兵家要地”。在这样的高强度快递需求区域，高速增长的客户需求，不断演变为快件量高度集中、服务区域广泛与时效要求越来越高的矛盾。为更好地服务客户、方便客户，提高客户满意度，快递企业如何以低成本、高效率，合理地选择移动仓库具体位置，覆盖大量的潜在客户群，是使己方有效提高竞争力，快速抢占市场份额的关键。
移动仓库[1]是在高强度快递需求区域租赁一个或多个场地，建立“前沿”交接中转站，主要在快件揽收、投递的过程中起到衔接的作用，为服务范围内的所有具体的客户提供上门取件派件的服务，节省单个收派员往返于客户与服务网点之间的时间。其最大限度地覆盖了全部客户，确保在最短时间内响应客户的快递需求，降低了快递企业的运营成本，提高了现有快递网络的服务水平。
国内外学者对物流配送中心选址的定量研究成果颇多，主要是针对连锁的零售企业配送中心，或者是提供第三方物流服务的配送中心展开选址研究，但是涉及到快递企业服务网点选址环节的定量研究非常少。因此，本文将重点研究高强度快递需求区域中移动仓库的选址问题。文献[2]利用重心法得到配送中心备选点的基础上，引用离散模型筛选出最佳配送中心位置，但该方法需要大量的数据支持、假设条件过多，在实际的运用中仍需不断完善。文献[3]针对选址本身的NP性质，构造了基于遗传算法的选址数学模型，通过适当的编码方法和遗传算子，在运输成本最低的基础上，求得了模型的最优解。文献[4]分析了选址问题的相关优化模型的本质，提出了适合求解一般选址问题的通用型双层模拟退火算法，在满足用户需求和受物流节点能力限制的前提下，对设施选址和用户需求分配进行优化决策。文献[5] 提出了一种基于蚁群优化的物流配送中心选址模型，结合蚂蚁将物体聚堆的行为，将物流配送中心选址映射成一个聚类过程，有效地确定了配送中心的位置、规模和数量。
与物流配送中心不同，快递配送的服务对象和服务客体范围较窄，其服务对象主要是个人、企业，特别是在电子商务环境下进行网络交易的企业和个人，配送的物品大小轻重不一，大多是商务文件、小包裹等[6]。因此，本文只考虑在高强度快递需求区域如中关村范围内，建立移动仓库，负责此区域内快件的接收和派送，区域与区域之间的快件如何传递暂不考虑。基于以上考虑，本文从问题的描述出发，将高强度快递需求区域粒度化，利用基于K-means算法的粗粒度聚类及细粒度的蚁群寻优，实现问题规模简约化，结合蚂蚁在一次巡游过程中，对于路径的选择越来越受到限制，后期的路径选择效果明显比前期差的问题[7]，提出一种相遇蚁群算法，在粒度划分之后寻找覆盖全部粒子的最优移动仓库集合，力求从本质上解决启发式算法在求解大规模设施选址问题时运行时间过长且得不到最优解的问题。