1. 问题描述

在生鲜即时零售（O2O）场景中，一个核心挑战在于如何在满足时效性要求的前提下，合理分配有限的门店（前置仓）产能和服务范围，以覆盖全城高密度的随机订单。

本项目的核心目标是在20km 20km的城市区域内，为6个门店（前置仓）划分最优的服务覆盖范围。需针对区域内随机分布的顾客需求，寻找一种最优的指派策略，使得全局运输成本最小化，同时满足业务约束。

2. 模型建立

2.1 城市环境与供需分布模拟

为了贴近真实的业务场景，此处构建了一个离散的仿真环境，包含 个顾客样本和 个仓库节点。

  • 城市空间：模拟为一个 的二维平面区域。
  • 门店分布：共设立 个门店。位置生成采用排斥采样，确保任意两个门店之间的直线距离不小于 。
  • 顾客分布：为了模拟真实城市的人口结构，顾客位置 的生成采用高斯混合模型与随机噪声的组合：
    • 居住区/商圈聚类：约 70% 的顾客样本集中在 8 个随机生成的聚类中心周围，每个聚类服从标准差 的正态分布。这模拟了高密度的小区或核心商圈。
    • 背景随机分布：约 30% 的顾客样本作为背景噪声均匀分布在全城，模拟零散的随机需求。
    • 样本总量 设定为 12,000 个。

2.2 分段计费成本函数

考虑到生鲜配送的特殊性，随着配送距离增加，保鲜难度和冷链成本呈非线性上升。因此采用分段计费的曼哈顿距离模型。此处选择曼哈顿距离是因为在现代城市规划中，道路网络多呈棋盘式或网格状布局，车辆无法进行直线穿越，曼哈顿距离能更准确地近似实际行驶里程。 设 为顾客 到仓库 的曼哈顿距离，运输成本 定义如下： 其中，

  • 基础费率 ()：针对 3km 核心配送范围内的订单，设定较低的基础运费系数（基准值 ）。
  • 远途费率 ()：针对 3km 以外的订单，为了覆盖额外的冷链保温与时间成本，设定较高的费率系数（基准值 ）。
  • 路况差异模拟：为了模拟不同门店周边的交通状况差异（如拥堵程度、道路等级），每个门店的 和 系数均在基准值基础上叠加了 倍的随机波动。
  • 连续性修正 ()：通过计算截距项，确保成本函数在 3km 阈值处连续，避免价格断崖。

2.3 原始问题构建

优化目标是找到一个最优的运输方案 （表示从仓库 输送到顾客 的量），使得总成本最小： 其中， 为缺货惩罚成本（此处设定为8.0，较大d 可以减少因超出服务半径导致的拒单/缺货）， 为缺货变量，该优化问题需满足以下两个约束：

  1. 顾客需求满足约束：每个顾客 的需求权重 （模型中设定为 ）必须被配送方案或缺货状态完全覆盖。2. 仓库产能限制约束：每个仓库 实际处理的订单总量不得超过其预设的产能上限 。 此外，还需满足非负性约束：。

3. 求解方法

上述模型的求解基于半离散最优传输理论，但在实际工程实现中，采用样本均值近似与次梯度法相结合的数值优化策略。 此处理论推导与算法参考：Chung, N. P., Han, J., Li, B., & Li, Z. Unbalanced Optimal Total Variation Transport: A Theoretical Approach to Spatial Resource Allocation Problems. In The Thirty-ninth Annual Conference on Neural Information Processing Systems.

3.1 理论模型

在理论层面，假设城市人口（需求）为连续分布 ，门店位置为离散集合 。 原始问题的目标是将整个城市区域 划分为 个互不重叠的服务区域 以及缺货区域 ，以最小化总运输成本与缺货惩罚之和： 各门店的产能约束： 上述原始问题的对偶形式为： 其中：

  • 第一项 代表产能约束带来的对偶收益。
  • 第二项积分代表全城顾客在最优选择（包括选择缺货）下的总效用（负成本）。

3.2 数值离散化

由于目标函数中包含针对复杂几何区域（拉盖尔单元）的积分运算，且成本函数 具有分段非线性特征，直接解析求解积分在计算上不可行。

因此，引入蒙特卡洛模拟的思想，利用 个服从高斯混合分布的离散样本点来近似连续的人口分布 ，理论模型中的积分转化为有限样本的求和： 这一过程采用样本均值近似，将无限维的连续优化问题降维成有限维的离散优化问题。

3.3 优化算法

离散化后，目标函数 不再是光滑的函数，表面变成锯齿状或多面体，在某些边界点处不可导（即梯度不存在）。因此，采用次梯度上升法进行迭代求解。迭代公式如下：

  • 次梯度方向：向量 代表“目标产能”与“当前离散统计负载”之差。虽然在不可导点它不是严格的梯度，但它是函数的一个有效上升方向（次梯度）。
  • 步长衰减：由于次梯度法在最优解附近不会自动停止（梯度模长不为0），算法采用衰减步长策略以保证收敛。

4. 可视化与结果分析

基于优化结果，进行4个维度的可视化分析：

  1. 全局覆盖区域地图
e3c3b6571cfff57c073c553b2ad406b7 - `Figure 1`展示了优化后的每个门店的用户覆盖范围/骑手配送范围，各门店覆盖范围相邻但不重叠，每个范围轮廓均为6-12个点组成的多边形。 - 图中叠加了顾客散点分布，虚线构成的菱形表示各门店的3km（曼哈顿距离）基础配送费服务区。 2. **门店负载热力图与运营看板** 4ad298a2b987213c0019fd7175795817 - **热力图矩阵**：`Figure 2`为 6 个门店分别绘制了**订单密度热力图**。利用高斯核密度估计，展示了每个门店实际服务区域内的订单热点，可用于识别核心高产区与边缘长尾区。 - **负载统计**：通过条形图对比“设计产能”与“实际接单量”，反映系统的供需匹配度与算法的均衡效果。 3. **对偶势能面与边界** 
<img src="/assets/posts/生鲜零售即时配送门店覆盖范围策略优化-1/attachments/9dcf57f9cb06147c6b447d64b121ce49.png" alt="9dcf57f9cb06147c6b447d64b121ce49" width="450" loading="lazy" />
  • Figure 3 可视化了基于最优输运理论的对偶势能，其中Z 轴表示“最小有效成本”（即物理运输成本 减去该门店的调节补贴 ）。该三维曲面是由多个以门店为中心的倒锥体结构构成的下包络面，其局部极小值点对应门店位置，而曲面的脊线垂直投影至二维平面，形成了最优配送区域的边界。

  1. 成本与效能权衡分析

    63e8536156d829a3f85420a06cbaf3ac
    • Figure 4显示了各门店效率与成本的权衡，蓝色柱子代表门店的效能（利用率），橙色折线为平均配送成本，理想情况下，蓝色柱子高且橙色折线低，即门店效能高且成本低。
    • 如Figure 4所示，Store 3效能达到108%而配送成本最低，展现了最优的运营模式。相反，Store 1效能仅为83.8%但配送成本最高，这样的门店可能选址不合理或运营模式需要调整，可以考虑缩小规模或优化运营策略。同时，Store 3，4，5 均处于产能溢出状态（>100%），提示管理者该区域的物流基础设施已成为瓶颈，需要扩容。

5. 进一步思考与业务洞察

5.1 非连续服务区与长尾效应

受分段计费成本函数的影响，在模拟中观察到了“飞地”现象。 efb7a4407283e9798bee28b830bb004656cf33800caeb2892ba64717ea1ad55c 当某个门店（如 Store A）拥有更具竞争力的长途费率（较低的 ），而其邻居（Store B）的长途费率较高时，Store A 的有效成本曲线可能在远处再次低于 Store B，导致 Store A 除了服务周边的核心区域外，还能跳过 Store B，服务更远处的一片区域，如Figure 5所示，在一个采用均匀分布模拟需求的场景中，Store 3的覆盖范围是不连续的2个区域，各门店的分段配送成本函数如Figure 6所示，Store 3，4的远距离配送成本最低。

这一现象在业务上对应着长距离干线物流优势。大型枢纽仓可能因为拥有规模化的冷链车队，其长途配送成本反而优于某些中型仓库，从而能够服务远郊的“飞地”。

5.2 软划分与重叠覆盖

目前的模型基于硬划分逻辑，每个顾客严格归属于唯一的门店。然而，在实际的 O2O 配送场景中，门店的覆盖范围往往存在重叠。

  • 用户选择权：在平台下单时，处于两个门店交界处的用户通常可以看到多个可选门店，并根据配送时长或运费差异自行选择。
  • 动态调度：在高峰期，系统可能会动态地将订单指派给较远但运力充足的门店，形成临时的服务区重叠。 未来的模型优化可以考虑引入软聚类或概率指派模型，允许一个顾客以不同的概率归属于多个门店，从而更精确地模拟现实中的动态竞争与互补关系。