基于物联网的食品银行供应链中人工智能工具应用研究

《Measurement: Food》：Application of artificial intelligence tools in the problem of food bank supply chain based on the Internet of Things

　　

摘要专业翻译 人道主义食品银行中高效的物流协调对于缓解城市食物浪费和支持弱势群体至关重要。本研究针对德黑兰大都市区的实际运营挑战，提出了一种新颖的多周期、多产品、多层级定位-分配与带严格时间窗的车辆路径问题（Location-Allocation and Vehicle Routing Problem with Time Windows），应用于物联网（Internet of Things, IoT）赋能的食品银行供应链。在结构上，研究构建了包含感知层、传输层和云处理层的稳健三层物联网架构，将物理传感器数据（如波动的捐赠者容量、动态的慈善机构需求以及实时的交通速度）动态映射为确定性的数学模型公式。为求解这一高维NP-hard组合优化问题，研究设计了一种人工智能优化框架：一种嵌入反馈驱动学习引擎的混合智能局部搜索遗传算法（Smart Local Search Genetic Algorithm, SLS-GA），该学习引擎由动态高斯指数衰减函数调控，以平衡全局探索与局部开发。该框架通过涵盖德黑兰22个行政区的大规模案例研究进行了实证验证。计算基准测试表明，所提出的SLS-GA算法具有高效率，与精确CPLEX方法相比，求解差距小于1%，同时执行速度最高提升34倍，使其可用于实时运营部署。此外，非参数Wilcoxon符号秩检验（Wilcoxon Signed-Rank Test）在统计上证实了该AI算法（p<0.05）相对于基线标准遗传算法（Standard GA）和粒子群优化（Particle Swarm Optimization, PSO）元启发式算法的优越性。敏感性与情景分析揭示了强大的网络韧性，其中慈善需求严重激增50%仅导致总物流成本增加6.79%。最终，本研究为市政规划者和国际人道主义网络提供了可操作的技术蓝图，以在全球范围内构建可扩展、有韧性且数据驱动的粮食安全基础设施。

论文解读文章

一、研究背景与问题提出

随着物联网（Internet of Things, IoT）和人工智能（Artificial Intelligence, AI）等新兴技术的涌现，食品行业从生产到分销的各个环节均受到深刻影响。食品供应链参与者利用电子设备、软件、传感器和执行器等IoT工具，以降低运输和生产成本、改善食品质量、提高生产效率、减少人为失误并缩短食品交付时间。在人道主义物流的具体情境中，食品银行通常不直接向贫困个体分发食品，而是与各类正式注册的慈善机构协调合作，将收集到的食品分配给有需要的群体。本质上，食品银行充当连接过剩食品供应与迫切人类需求的关键桥梁，使原本将被浪费或丢弃的食品得以增值利用。然而，食品银行的运营高度依赖其供应商（食品企业及其他捐赠者）及其作为专业批发商的角色。由于食品产品的高度易腐性，其质量和数量可能迅速恶化，这进一步增加了网络管理的复杂性。

本研究动机源于德黑兰大都市区食品银行面临的实际运营挑战。研究人员与覆盖德黑兰22个市政区的当地慈善组织直接合作，这些组织每日开展食品收集和再分配活动。捐赠者、食品银行和慈善机构之间缺乏实时协调，加之车辆容量有限以及捐赠食品的易腐性，导致了显著的效率低下和损失。这些现实问题促使研究人员设计了所提出的IoT赋能优化模型。现有研究存在以下明显局限：传统数学模型大多将慈善需求、交通状况和捐赠量等参数视为静态或基于情景的变量，IoT基础设施在捕获实时运营流中的关键作用仍未得到充分探索；精确优化方法（如CPLEX）无法在实际执行时间内求解大规模NP-hard城市路径问题，而标准遗传算法等基础元启发式算法虽具速度优势，但在多层级、多周期网络中常陷入局部最优并过早收敛；近期文献大多孤立地处理食品易腐性、IoT实施或算法改进，缺乏将IoT赋能数学模型与反馈驱动的智能局部搜索元启发式算法相结合的整体框架。

基于上述背景，本研究明确提出了两个研究问题：RQ1——如何将IoT基础设施数学形式化，以在多层级都市食品分销网络中捕获实时数据流（容量、动态需求和交通波动）；RQ2——嵌入反馈驱动智能局部搜索的混合人工智能算法，能够在多大程度上优化定位-路径决策并最小化总物流成本，相较于传统精确求解方法效果如何。研究目标包括：开发新颖的多周期、多产品、多层级人道主义食品银行物流数学规划模型，考虑严格时间窗和实时运营输入；设计通过动态学习机制优化的定制化智能局部搜索遗传算法（SLS-GA），用于在严格执行时间约束下求解大规模NP-hard物流问题；基于德黑兰22个行政区的大规模实证案例研究验证集成IoT-AI框架；开展严格的敏感性与情景分析，证明模型在极端人道主义需求冲击下的经济与结构稳健性。

二、研究内容与主要结论

研究人员开发了一种基于IoT的食品银行供应链网络模型，该模型由食品捐赠中心（餐厅、慈善机构、超市等）、食品银行和慈善机构三个层级组成。在概念模型中，慈善组织在不同时间窗口内申报对不同食品项目的需求，食品银行须予以满足；选择正确的食品银行至关重要，只有被选中的食品银行才能响应慈善机构的请求。每个食品银行利用IoT工具为向慈善机构配送食品的车辆选择最优路线。在第二层级，捐赠者满足各食品银行的需求，捐赠者选择同样关键，只有被选中的捐赠者才能规划向食品银行运送和分配食品。由于食品的易腐性及其及时配送的重要性，超出时间窗口的食品分配将面临罚款。

为弥合概念技术与运营数学模型之间的差距，研究构建了包含感知层、网络传输层和应用处理层的稳健三层IoT架构。感知层部署智能称重传感器和自动秤追踪捐赠者存储区域的实时过剩食品可用性，数字CRM门户和本地化智能库存平板登记慈善站点的即时需求波动，主动RFID标签和GPS/车载单元安装在一二级配送车辆上以监控实时空间坐标和交通引起的速度变化。网络传输层通过ZigBee、Wi-Fi、蜂窝网络（4G/5G LTE）和低功耗广域网（LPWAN/LoRaWAN）实现异构原始数据的无线传输。应用处理层由食品银行运营商管理的集中式云端决策支持系统接收数据流，数据处理引擎过滤噪声并将原始信号转换为在每个周期开始时直接填充数学模型参数的确定性参数。

该数学模型为多产品、多周期、多层级模型，包含以下关键假设：需求信息、运输路线交通、车辆位置和慈善机构请求时间均通过IoT工具收集；所有慈善机构请求必须满足，不允许短缺；食品银行和捐赠者的容量已知；车辆容量已知，且第二层级车辆运力大于第一层级；慈善机构请求须在预定义时间窗口内提交，超出时间窗口将产生罚款；允许在食品银行中储存食品；车辆在模型中视为同质。

三、关键技术与方法

本研究采用的核心技术方法包括：其一，三层IoT架构设计，涵盖感知层（智能称重传感器、RFID标签、GPS/车载单元、CRM终端）、传输层（ZigBee、Wi-Fi、4G/5G LTE、LPWAN/LoRaWAN）和云处理层（数据过滤与参数映射引擎），实现实时数据采集、传输与数学参数化；其二，混合智能局部搜索遗传算法（SLS-GA），在标准遗传算法框架中嵌入反馈驱动的智能局部搜索机制，利用动态高斯指数衰减函数调控全局探索与局部开发的平衡；其三，与精确CPLEX方法的对比验证，以及非参数Wilcoxon符号秩检验进行统计显著性验证；其四，敏感性分析与情景分析，评估模型在极端需求冲击下的网络韧性。实证案例基于德黑兰22个行政区的实际食品银行网络运营数据。

四、研究结果

模型求解性能与效率验证。 通过大规模案例研究，计算基准测试表明所提出的SLS-GA算法具有高效率，相对于精确CPLEX方法实现小于1%的求解差距，同时执行速度最高提升34倍，使其可用于实时运营部署。这一结果表明，所设计的混合算法能够在实际操作时间约束下提供接近精确最优解的高质量解决方案。

算法优越性的统计验证。 非参数Wilcoxon符号秩检验在统计上证实了AI算法（p<0.05）相对于基线标准遗传算法（Standard GA）和粒子群优化（PSO）元启发式算法的优越性。这一统计验证确保了算法性能差异的可靠性，而非随机波动所致。

网络韧性的敏感性分析。 敏感性和情景分析揭示了模型强大的网络韧性，其中慈善需求严重激增50%仅导致总物流成本增加6.79%。这表明所提出的IoT赋能优化框架能够在极端人道主义需求冲击下维持经济可行性，有效控制成本增幅。

IoT数据映射的有效性验证。 通过系统性的数据到参数映射框架，研究验证了物理IoT硬件（智能秤/RFID、CRM终端、车辆GPS/车载单元、交通API集成器）采集的原始数据能够有效填充数学模型中的关键参数（捐赠者容量、慈善需求、距离与路径成本、车辆到达时间窗），确保模型能够响应实时运营变化。

五、讨论与结论

本研究通过整合三层IoT架构与智能局部搜索遗传算法，成功弥合了实时数据采集与智能决策之间的鸿沟。所提出的框架在德黑兰22个行政区的实际案例中得到了实证验证，展示了在大型都市网络中提供接近精确最优解的高质量解决方案的能力。研究的独特贡献在于将IoT赋能的数学建模与反馈驱动的智能局部搜索元启发式算法相结合，填补了现有文献中缺乏整体框架的空白。研究结论表明，所开发的IoT赋能优化模型能够有效最小化食品银行供应链中的总运营成本，包括食品银行选择成本、车辆路径成本、食品分配成本以及超出时间窗口的罚款成本。该研究为市政规划者和国际人道主义网络提供了可操作的技术蓝图，以在全球范围内构建可扩展、有韧性且数据驱动的粮食安全基础设施。未来研究可进一步探索将该框架扩展到其他城市环境，以及纳入更多不确定性因素（如天气条件、突发事件等）的扩展模型。