曹文彬 王婷

摘? 要：隨著生鮮市場交易規(guī)模日益增加，生鮮冷鏈配送中存在著“損耗高、保鮮率低、冷鏈流通率低、成本高”等一系列現(xiàn)實(shí)問題。因此可構(gòu)建車輛使用成本、配送運(yùn)輸成本、配送制冷成本、碳排放成本、生鮮產(chǎn)品新鮮度和時間窗懲罰成本的生鮮冷鏈配送車輛路徑優(yōu)化模型，提出變鄰域搜索改進(jìn)遺傳算法，并通過MATLAB軟件對生鮮配送路徑進(jìn)行仿真得出配送總成本最優(yōu)解，結(jié)果表明：變鄰域搜索改進(jìn)遺傳算法（VNS-GA）求解的結(jié)果更加有效地避免了遺傳算法出現(xiàn)局部最優(yōu)解的情況，同時能降低總配送成本。

關(guān)鍵詞：生鮮產(chǎn)品新鮮度;模糊時間窗;遺傳算法;變鄰域搜索

中圖分類號：F252.14? ? 文獻(xiàn)標(biāo)識碼：A

Abstract： With the increasing transaction scale of fresh market， there are a series of practical problems in fresh cold chain distribution， such as high loss， low preservation rate， low circulation rate of cold chain and high cost. Therefore build vehicles using cost， distribution cost of transportation， distribution， refrigeration， carbon cost， fresh product freshness and time windows penalty cost of fresh cold chain distribution vehicle routing optimization model， provide VNS-GA and through the distribution path fresh simulation software MATLAB distribution total cost optimal solutions， the results indicate that the results of the VNS-GA is more effective to avoid the genetic algorithm local optimal solution， and reduce total distribution costs.

Key words： fresh product freshness; fuzzy time window; genetic algorithm; variable neighborhood search

0? 引? 言

隨著人們工作節(jié)奏的不斷加快和對生活品質(zhì)要求的逐步提高，我國居民對選擇蔬菜水果類生鮮產(chǎn)品送貨上門的社區(qū)生活方式需求程度空前高漲。但是蔬菜水果類生鮮產(chǎn)品在配送過程中存在的“損耗高、保鮮率低、成本高”等問題仍未得到有效解決，因此研究如何以最小的成本將最新鮮的生鮮產(chǎn)品準(zhǔn)時配送到用戶手中的問題具有現(xiàn)實(shí)意義。

生鮮冷鏈物流配送路徑問題是在傳統(tǒng)車輛路徑問題（VRP）上考慮生鮮產(chǎn)品時效性、易損耗的特性上進(jìn)行的擴(kuò)展和延伸。由于生鮮產(chǎn)品時效性強(qiáng)，Solomon等首次將服務(wù)時間窗引入了VRP問題[1]。李娜以硬時間窗為約束條件構(gòu)建車輛配送成本最小的生鮮食品配送模型，并且通過改進(jìn)蟻群算法來求解該問題[2]。由于現(xiàn)實(shí)配送過程中客戶對不能在指定時間窗內(nèi)送到并不會直接拒絕，因此馬雪麗等以軟時間窗為約束條件考慮食品生命周期服從負(fù)指數(shù)分布的損耗成本，構(gòu)建供應(yīng)商利潤最大化為目標(biāo)的易腐食品生產(chǎn)調(diào)度和路徑優(yōu)化聯(lián)合的問題，并應(yīng)用改進(jìn)遺傳算法進(jìn)行求解[3]。對于生鮮產(chǎn)品易損耗的特征，Ghezavati V R等以生鮮農(nóng)產(chǎn)品新鮮度和成熟度來構(gòu)建零售商利潤最大為目標(biāo)的配送路徑優(yōu)化模型[4]。李桂娥以配送時間和卸貨溫度差對產(chǎn)品新鮮度影響來刻畫生鮮貨損成本，構(gòu)建配送總成本最小為目標(biāo)的生鮮產(chǎn)品冷鏈物流配送路徑問題，并通過節(jié)約成本法進(jìn)行求解[5]。劉炎寶等考慮生鮮產(chǎn)品新鮮度下降的懲罰成本，結(jié)合碳排放成本構(gòu)建生鮮農(nóng)產(chǎn)品冷鏈物流配送車輛路徑優(yōu)化模型，并采用禁忌搜索的改進(jìn)遺傳算法對其求解，結(jié)果驗(yàn)證了改進(jìn)后算法比傳統(tǒng)遺傳算法得到結(jié)果更優(yōu)，加快了收斂速度同時配送成本更低[6]。

國內(nèi)外生鮮產(chǎn)品冷鏈物流車輛路徑問題研究領(lǐng)域中，考慮生鮮產(chǎn)品新鮮度和時間窗共同約束的文獻(xiàn)較少，研究不足，因此將新鮮度和時間窗懲罰成本囊括進(jìn)配送目標(biāo)函數(shù)更能豐富或完善該項(xiàng)研究。本文將重點(diǎn)研究如何以最小化配送成本將生鮮產(chǎn)品送到顧客手中，目的是在有效地降低配送成本的基礎(chǔ)上提高人們對生鮮產(chǎn)品新鮮度的滿意度。

1? 生鮮冷鏈物流配送路徑問題描述及建模

1.1? 問題描述與假設(shè)

本研究以一個生鮮冷鏈物流配送中心，多個顧客需求點(diǎn)來考慮生鮮產(chǎn)品配送服務(wù)車輛路徑問題。在顧客新鮮度和時間窗要求等約束條件下構(gòu)建配送總成本最小化的生鮮冷鏈物流配送路徑優(yōu)化模型，并基于生鮮冷鏈物流配送特征，進(jìn)行如下假設(shè)：

（1）僅有一個配送中心，且可使用車輛有限，車輛均為同一類型，且已知其最大載重;

（2）配送車輛從配送中心發(fā)出，獨(dú)立完成配送任務(wù)后回到配送中心處，配送車輛從配送中心出發(fā)最后返回配送中心，均要符合配送中心的工作時段;

（3）顧客需求獨(dú)立不可分割，且需求量不大于車輛的最大載重;

（4）每一條路線上只安排一輛車，避免車輛浪費(fèi);

（5）每輛配送車輛可以服務(wù)多個顧客節(jié)點(diǎn)，但是每個顧客只能由一輛車進(jìn)行配送;

（6）服務(wù)系統(tǒng)允許缺貨，一旦缺貨，需求就流失;

（7）生鮮產(chǎn)品從儲存到配送處于恒溫下，不考慮溫度對產(chǎn)品變質(zhì)的影響，新鮮度僅與時間相關(guān);

（8）車輛配送過程中行駛速度被假定是不變的。

1.2? 相關(guān)參數(shù)表示

1.3? 配送成本分析

（1）車輛使用成本

車輛單次使用成本包括車輛單次損耗折舊費(fèi)用和人工費(fèi)用的總和。

C=c*Z? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

（2）配送運(yùn)輸成本

假設(shè)需求點(diǎn)處的坐標(biāo)位置是提前已知的，但是在現(xiàn)實(shí)中道路并不是呈直線狀態(tài)，為了研究方便假設(shè)距離為直線距離，并且采用歐幾里得直線距離表示，定義D為從i到j(luò)的直線距離，如式（2）所示。生鮮配送運(yùn)輸總成本如式（3）所示。

d=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

C=c*d*X? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

（3）制冷成本

生鮮產(chǎn)品為了更好地維持新鮮度需要在配送過程中將采用冷藏車進(jìn)行配送，冷藏車將從生鮮配送中心出發(fā)直到最后一個需求點(diǎn)完成服務(wù)都會產(chǎn)生制冷成本。本文將生鮮產(chǎn)品配送過程中的總制冷成本分為配送過程中制冷成本和卸貨過程中制冷成本，如式（4）所示。

C=c*d*Z+y*st*c? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

（4）碳排放成本

生鮮配送過程中自身油耗加上制冷效果，排放的CO2比普通貨物配送產(chǎn)生的CO2要多，冷鏈配送過程主要涉及到的碳排放，是由車輛油量燃燒產(chǎn)生的，而車輛油量燃燒又與運(yùn)輸距離相關(guān)。本文計算配送過程中將以碳排放成本以單位距離碳排放成本和行駛距離乘積為結(jié)果。

C=cd? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

（5）生鮮產(chǎn)品新鮮度懲罰成本

由于生鮮產(chǎn)品新鮮度函數(shù)隨時間推移會發(fā)生變化，因此本文分析生鮮產(chǎn)品新鮮度隨時間變化的函數(shù)如式（6）所示。

ft=2-e， β>0， 0≤t≤? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

其中：β為新鮮度衰減系數(shù)，β值越大，代表新鮮度衰減速度越快。t=0時，ft=1，代表生鮮產(chǎn)品從配送中心送出時生鮮的新鮮度最佳。t=時生鮮產(chǎn)品新鮮度衰減到0，表示生鮮產(chǎn)品失去全部食用價值。如圖1表示生鮮產(chǎn)品新鮮度與時間的關(guān)系。

圖1中表示，當(dāng)配送車輛到達(dá)配送點(diǎn)時，生鮮產(chǎn)品新鮮度f，假設(shè)顧客期望的生鮮產(chǎn)品新鮮度為f，最低能接受生鮮產(chǎn)品新鮮度為F，因此若當(dāng)配送車輛到達(dá)配送點(diǎn)時，生鮮產(chǎn)品新鮮度f>f，則滿足顧客滿意度為100%，對產(chǎn)品或公司增加了好感度，則會產(chǎn)生相應(yīng)的激勵成本，隨著用戶對生鮮產(chǎn)品的要求能力越高，單位激勵成本φ值越大;當(dāng)配送車輛到達(dá)配送點(diǎn)時，生鮮產(chǎn)品新鮮度F

W=φmaxe-e， 0+φmaxe-e， 0? ? ? ? ? ? ? ? ? ? ? ? （7）

（6）配送時間窗不準(zhǔn)時懲罰成本

本文將研究模糊時間窗的情況，假設(shè)顧客預(yù)約配送服務(wù)的時間為s，e，如果在預(yù)約服務(wù)時間窗內(nèi)配送，則不會產(chǎn)生顧客不滿意懲罰成本。但是在實(shí)際的配送過程中，不合理的配送安排或者交通擁堵都可能導(dǎo)致車輛在與顧客預(yù)約的時間之前或者之后到達(dá)，這就會降低顧客滿意度。設(shè)S代表顧客能接受的最早服務(wù)時間，E代表顧客能接受的最晚服務(wù)時間，在S，s或E，e時間范圍內(nèi)，顧客滿意度隨著與指定時間的差距增大而減小。當(dāng)配送車輛在S，E時間范圍外到達(dá)，則顧客不滿意懲罰成本為無窮大。顧客對配送時間滿意函數(shù)如圖2所示。

由于顧客對配送服務(wù)窗早到和遲到均會產(chǎn)生不滿意的情緒，降低生鮮電商企業(yè)的信譽(yù)，所以對早到和遲到都做懲罰因素，本文假設(shè)顧客對早到的厭惡程度比遲到的厭惡程度更大，因此早到的單位時間懲罰成本θ1小于遲到的單位時間懲罰成本θ，因此配送不準(zhǔn)時產(chǎn)生懲罰成本如式（8）所示。

W=θmaxs-t， 0+θmaxt-e， 0? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

1.4? 模型構(gòu)建

通過對相關(guān)成本進(jìn)行分析后得到生鮮冷鏈物流配送總成本的模型如式（9）所示。

MinZ=c*Z+c*d*X+c*d*Z+y*c*st+C*d

+φmaxe-e， 0+φmaxe-e， 0+θmaxs-t，0+θmaxt-e，0

約束條件如下：

0≤Z≤Q， i=1，2，…，N+1， k=1，2，…，k? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （10）

x=1， i=1，2，…，N? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

y=K， x=1， i=1，2，…，N， k=1，2，…，k? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （12）

W=? ?i=1，2，…，N? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（13）

W=? ? i=1，2，…，N? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （14）

t=t+g+*x， i=1，2，…，N+1， k=1，2，…，K， j=1，2，…，N+1? ? ? ? ? ? ? ? ? ? ? ? ? （15）

t≤wt， j=1，2，…，N? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（16）

x=y， x=y， i，j∈1，2，…，N， k=1，2，…，K? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（17）

式（9）表示配送總成本最小，包括車輛使用成本、運(yùn)輸成本、制冷成本、碳排放成本、新鮮度和時間窗懲罰成本;式（10）表示在車輛k的最大容量，也就是確保每一次配送中心出來的貨物數(shù)量會滿足顧客的需求。式（11）表示每一條路線上只有一輛車，也就是每一個顧客最多由一輛車配送服務(wù)。式（12）表示車輛從配送中心處出發(fā)配送結(jié)束后又回到配送中心。式（13）表示生鮮產(chǎn)品懲罰成本只要是指車輛到達(dá)顧客的時間是早于顧客期望新鮮度時間點(diǎn)t或者介于顧客期望新鮮度時間點(diǎn)t和最低能接受新鮮度時間點(diǎn)t之間。式（14）表示時間窗懲罰成本只要是指車輛到達(dá)顧客的時間是早于s或者晚于e。式（15）表示在配送車輛k路線上需求點(diǎn)j的到達(dá)時間等于需求點(diǎn)i的到達(dá)時間加上g服務(wù)時間再加上需求點(diǎn)i到j(luò)的路上行駛時間。式（16）表示配送車輛K在路線上需求點(diǎn)j到達(dá)時間必須小于等于每天的工作時間。式（17）表示到達(dá)每個需求點(diǎn)的車只有一輛。

2? 變鄰域改進(jìn)遺傳算法求解

遺傳算法（Genetic Algorithm，GA）最早是由美國的John Holland提出，是一種模擬生物自然進(jìn)化現(xiàn)象的全局性隨機(jī)搜索算法。該算法通過借鑒達(dá)爾文的物種進(jìn)化理論，采用選擇、交叉、變異操作模擬自然界遺傳機(jī)制，是一種基于種群的優(yōu)化方

法[7]。變鄰域搜索算法（Variable Neighborhood Search，VNS）最早是由Mladenovi和Hansen提出的一種局部搜索方法，主要包括隨機(jī)擾動、局部搜索和鄰域變換等三個過程[8]。其主要思想是通過改變鄰域結(jié)構(gòu)以提高局部搜索能力，避免過早陷入局部最優(yōu)。因此本文結(jié)合GA和VNS各自優(yōu)勢，提出一種優(yōu)化方法變鄰域遺傳搜索算法（Genetic Algorithm-Variable Neighborhood Search，VNS-GA）。針對每代種群，VNS-GA首先將GA搜索到的最優(yōu)解作為VNS的初始解，然后通過不同的鄰域結(jié)構(gòu)進(jìn)行局部搜索。與傳統(tǒng)GA算法相比具有較好的全局和局部搜索能力。

（1）編碼與解碼

本文的遺傳算法使用整數(shù)編碼的方式，假設(shè)現(xiàn)有3輛車，8個需求點(diǎn)的編碼方式為0，1，2，3，0，4，5，6，0，7，8，0表示調(diào)用了三輛車進(jìn)行配送即含有三條子路徑，0表示配送中心，即第一輛車的配送路線為0-1-2-3-0;第二輛車的配送路線為0-4-5-6-0;第三輛車的配送路線為0-7-8-0。

（2）種群初始化及適應(yīng)度函數(shù)

本文初始種群采用隨機(jī)生成的方式生成，以保證個體的多樣性。適應(yīng)度值用來衡量種群中個體質(zhì)量的優(yōu)劣，染色體對應(yīng)的路徑方案的成本越低，該路徑方案對應(yīng)的解適應(yīng)度值越高。本文模型的目標(biāo)函數(shù)是降低路徑方案的生鮮產(chǎn)品冷鏈物流配送總成本，因此本文所設(shè)計的算法中將目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)。成本越低，解的適應(yīng)度值越高。

（3）選擇算子

本文選擇輪盤賭法作為選擇算子。輪盤賭選擇算子思路如下：

第一步：將種群中的每個個體代入適應(yīng)度值函數(shù)，計算適應(yīng)度值f和種群所有個體的適應(yīng)度值之和F。

第二步：計算種群中每個個體被選擇的概率，計算公式如式（18）。

p=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（18）

第三步：計算選擇累計概率，組成輪盤，計算公式如式（19）。

P=p? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（19）

第四步：生成0至1間的隨機(jī)數(shù)n，當(dāng)n

第五步：進(jìn)行種群規(guī)模次輪盤賭選擇，生成新的下一代的種群。

（4）交叉算子

交叉算子在遺傳算法中有助于提升算法的全局搜索能力，為了避免交叉過程中可能產(chǎn)生重復(fù)個體。本文交叉算子首先生成兩個點(diǎn)作為交叉區(qū)間的兩個端點(diǎn)，將序列中進(jìn)行互換的基因序列放到另一個染色體的前方，從左往右遍歷序列，刪除互換基因序列中與原序列中重復(fù)的基因，刪除重復(fù)元素后得到交叉后的兩個新個體，如圖3所示。

（5）變異算子

變異算子決定算法的局部搜索性能。本文選擇Swap算子作為變異算子，在種群中隨機(jī)選擇的一個個體中隨機(jī)選擇要變異的兩個基因位置，將兩個位置的基因交換得到新的個體，如圖4所示。

（6）鄰域結(jié)構(gòu)

本文采用的鄰域結(jié)構(gòu)有2種：逆序變化、互換變化。具體過程如圖5所示。

（7）設(shè)定終止條件

本文算法采用的終止條件是設(shè)定最大進(jìn)化代數(shù)，當(dāng)?shù)螖?shù)達(dá)到這個最大進(jìn)化代數(shù)時算法停止運(yùn)行。

通過上述描述，歸納變鄰域搜索遺傳算法的主要步驟如下：

Step1：編碼與解碼。通過參數(shù)編碼將實(shí)際的解空間映射為遺傳算法處理的遺傳空間，通過解碼將遺傳空間轉(zhuǎn)化成實(shí)際的解空間;

Step2：設(shè)置算法參數(shù)。包括種群規(guī)模、交叉概率、變異概率和最大終止次數(shù)，確定適應(yīng)度函數(shù);

Step3：種群初始化。隨機(jī)產(chǎn)生一定數(shù)目的初始解，其數(shù)目應(yīng)適中，保證個體多樣性;

Step4：計算個體適應(yīng)度。根據(jù)個體對應(yīng)的目標(biāo)函數(shù)值來計算其適應(yīng)度大小，采用輪盤賭方式選擇適應(yīng)度大的個體遺傳給下一代;

Step5：對選擇的每個個體，按一定的概率進(jìn)行交叉、變異等操作不斷產(chǎn)生子代;

Step6：對當(dāng)前代最優(yōu)解進(jìn)行VND鄰域搜索，得到鄰域最優(yōu)解，若搜索到鄰域解優(yōu)于當(dāng)前最優(yōu)解，則進(jìn)行替換，否則在下一鄰域結(jié)構(gòu)中繼續(xù)搜索，直到全部鄰域結(jié)構(gòu)均未找到優(yōu)于當(dāng)前最優(yōu)解則結(jié)束本次搜索;

Step7：回到步驟Step4直至滿足終止條件時停止進(jìn)化。

3? 算例分析

參考M生鮮電商企業(yè)的一個生鮮配送中心為城區(qū)配送各個生鮮需求節(jié)點(diǎn)的歷史數(shù)據(jù)，隨機(jī)產(chǎn)生各個需求點(diǎn)的配送需求q，且單個生鮮節(jié)點(diǎn)的需求量不超過生鮮電商配送中心車輛的最大核定載重量。假設(shè)車輛最大載重量Q=300kg，配送車輛每天早上6：00發(fā)車，每個客戶點(diǎn)的服務(wù)時間小于30分鐘，若車輛超過顧客期望時間窗則支付無窮大時間懲罰成本M，配送生鮮產(chǎn)品不能達(dá)到顧客最低能接受的新鮮度懲罰成本無限大。模型中相關(guān)參數(shù)取值和算法中相關(guān)參數(shù)表如表1所示。

隨機(jī)選取某生鮮電商配送中心附近的20個需求節(jié)點(diǎn)，為了便于計算顧客節(jié)點(diǎn)之間的空間距離，生鮮電商配送中心和各個需求點(diǎn)形成橫縱x，y坐標(biāo)點(diǎn)分布如圖6所示。

通過整理上述坐標(biāo)和隨機(jī)生成的各個生鮮超市節(jié)點(diǎn)需求量以及時間窗得到所有需求節(jié)點(diǎn)的相關(guān)信息如表2所示，生鮮超市節(jié)點(diǎn)的序號從1～20表示，生鮮電商配送中心序號為0的節(jié)點(diǎn)。

本文采用Matlab R2018a軟件進(jìn)行編程，根據(jù)上述實(shí)例的具體數(shù)據(jù)分別對傳統(tǒng)遺傳算法和變鄰域搜索改進(jìn)后的遺傳算法進(jìn)行求解，得到該算例分別在兩種算法情況下的車輛最優(yōu)路徑如圖7所示，最優(yōu)車輛配送路線、配送成本及行駛距離如表3所示。

從表3中可以看得出變鄰域遺傳算法求解出來的最優(yōu)車輛路徑總成本和行駛路徑為972.4元和206.21km，而傳統(tǒng)遺傳算法求解出來的最優(yōu)車輛路徑總成本和行駛距離為1 112.6元和232.64km。在兩種不同規(guī)模需求點(diǎn)配送情況下變鄰域遺傳算法求解的總成本比傳統(tǒng)算法求解的結(jié)果分別減少了12.6%和11.4%。由此可見變鄰域遺傳算法對M生鮮電商公司配送周邊生鮮需求點(diǎn)的冷鏈物流配送路徑求解結(jié)果比傳統(tǒng)遺傳算法配送路徑總距離更短、配送總成本更低，為了更好地體現(xiàn)各項(xiàng)成本之間的差異，需要對上述配送路徑的各項(xiàng)成本具體的分析如表4所示。

從表4中可以看出對時間窗而言，算法中的懲罰成本都是最小的，即車輛配送的時效性比較好，顧客滿意度比較好。對于配送車輛運(yùn)輸成本應(yīng)用改進(jìn)后遺傳算法求解得到的結(jié)果比傳統(tǒng)遺傳算法降低了11.4%。為了保證生鮮產(chǎn)品新鮮度高，變鄰域遺傳算法改進(jìn)后生鮮產(chǎn)品新鮮度懲罰成本較傳統(tǒng)遺傳算法成本降低了33%。制冷成本應(yīng)用變鄰域遺傳算法求解得到的結(jié)果比傳統(tǒng)遺傳算法降低了11.4%。

由此可見變鄰域遺傳算法求解出來的配送總成本和行駛路徑長度均小于傳統(tǒng)遺傳算法的求解結(jié)果，從各項(xiàng)成本具體分析可見，變鄰域改進(jìn)后遺傳算法求解后，生鮮新鮮度懲罰成本、運(yùn)輸成本等降低幅度明顯，表明在降低配送總成本的基礎(chǔ)上可以更好地滿足顧客要求，有利于生鮮企業(yè)長期發(fā)展，同時驗(yàn)證了生鮮冷鏈物流配送路徑優(yōu)化模型的可行性和有效性。

4? 結(jié)? 論

本文以車輛固定成本、運(yùn)輸成本、制冷成本、碳排放成本、生鮮產(chǎn)品新鮮度和時間窗懲罰成本之和最小化為目標(biāo)，構(gòu)建生鮮冷鏈物流配送路徑優(yōu)化模型，并結(jié)合變鄰域搜索對遺傳算法改進(jìn)的模型進(jìn)行求解。以M生鮮電商公司一個配送中心、20個需求配送點(diǎn)為案例，將傳統(tǒng)遺傳算法求解結(jié)果與變鄰域搜索改進(jìn)后遺傳算法求解結(jié)果進(jìn)行對比，結(jié)果表明變鄰域搜索改進(jìn)后的遺傳算法有效降低了生鮮產(chǎn)品冷鏈物流配送總成本，同時在顧客指定時間窗內(nèi)減少了生鮮產(chǎn)品新鮮度的損耗，提高了顧客滿意度。因此本文所建模型和求解算法對于生鮮產(chǎn)品冷鏈物流配送路徑問題具有適用性和有效性，為生鮮冷鏈物流發(fā)展提供支持。

參考文獻(xiàn)：

[1]? Solomon M M， Desrosiers J. Time Window constraint routing and scheduling problems[J]. Transportation Science， 1988，22（1）：1-13.

[2] 李娜. 不確定需求和配送時間窗約束下的供應(yīng)鏈優(yōu)化[J]. 計算機(jī)仿真，2015，32（4）：424-428.

[3] 馬雪麗，王淑云，劉曉冰，等. 易腐食品二級供應(yīng)鏈生產(chǎn)調(diào)度與配送路線的協(xié)同優(yōu)化[J]. 工業(yè)工程與管理，2017，22（2）：46-52.

[4]? Ghezavati V R， Hooshyar S， Tavakkoli-Moghaddam R. A Benders' decompose tion algorithm for optimizing distribution of perishable products considering postharvest biological behavior in agri-food supply chain： a case study of tomato[J]. Central European Journal of Operations Research， 2017，25（1）：29-54.

[5] 李桂娥. 生鮮農(nóng)產(chǎn)品冷鏈物流配送路徑優(yōu)化研究[J]. 物流科技，2019，42（10）：68-72.

[6] 劉炎寶，王珂，楊智勇，等. 考慮碳排放與新鮮度的冷鏈物流配送路徑優(yōu)化[J]. 江西師范大學(xué)學(xué)報（自然科學(xué)版），2019，43（2）：188-195.

[7] 孫琦，戢守峰，劉旭. 基于變鄰域搜索算法的物流配送系統(tǒng)集成優(yōu)化研究[J]. 工業(yè)技術(shù)經(jīng)濟(jì)，2016，35（8）：46-55.

[8] 張曉楠，范厚明，李劍鋒. 同時配集貨定位—路線問題的變鄰域分散搜索算法[J]. 計算機(jī)集成制造系統(tǒng)，2015，21（9）：2535-2548.