低碳经济下考虑多车型冷链路径优化模型对比

程元栋,强子玲

（安徽理工大学经济管理学院,安徽淮南232000）

随着人民生活水平的不断提高和社会经济的飞速发展,越来越多的人在饮食和食品方面的重视程度与投入日益增加,这也使得国内各行电子商务与物流运输业不断发展.近年来我国物流运输业发展迅猛,2021 年快递行业量完成1 083.0 亿件,物流运输作为一门高污染和高能耗的行业,为了降低废气排放与天然能源消耗,自上世纪末至现今,新能源汽车不断受到各企业的追捧.一是由于纯电动物流车具有相对于以前汽油车不具有的低能耗和零排放等的特点,切实符合了目前现代物流行业的发展需求[1];二是多地出台帮扶政策以此加大新能源货车的市场占有率,在诸多因素的推动下,越来越多地使用新能源货车完成城市物流支线的配送任务.2022 年1-7 月,新能源物流车累计销量迈上新台阶,突破10 万辆,达到101 348 辆（不含交叉乘用车）.

从现代物流系统的总体管理结构组成来看,当下物流管理存在的主要问题是配送车路径规划以及车辆节能减排.特别是在互联网电商交易发达和物流产业飞速发展的今天,如何高效、动态、实时地合理安排生鲜品运输和及时有效地规划行车路径所带来最低总成本一直是各界共同关注的焦点.其作为运筹学中具有典型代表的组合优化问题,经过众多专家学者半个多世纪的深入研究,该问题已不是早期的那种纯静态,已经逐渐发展成为多目标、动态的、多类型配送车辆、带复杂约束条件等类型的路径规划问题.物流公司的路径规划问题一般表现为车辆种类以及配送车辆路径问题（Vehicle Routing Problem,VRP）[2-3],约束条件为每个客户点都有且仅被经过一次,生鲜冷链运输车辆在完成配送任务需要返回配送中心,它的终极目标就是:客户拿到高品质生鲜以提高企业市场竞争力,同时可以减少对环境的污染.1959 年运输车辆路径问题（VRP）概念是由Dantzig 和Ramser[4]首次提出的.Siam 最开始注意到配送车辆的最大载荷是有限的,所以其规定所有客户点的需求量应小于等于所有运输车辆总的荷载量[5].李冰和党佳俊构建了多配送中心车辆路径模型,理论上模型中任意配送中心均可向所有客户进行运输[6].高治佳、李星梅等提出一种基于已有充电站调整的电动车充电站选址,经过非线性函数验证可知已有充电站调整类型和新建充电站选择方案与规划者对充电距离和成本的偏好程度有关[7].毕军等总结出2014 年整年的运输电动车辆充放电数据,大多数城市物流配送车辆的使用者在下午2 点至4 点且此时车辆的剩余电量在30%至50%时就近充电站充电[8].邓友均和李明等以时间成本为基础,以配送车辆快速充电成本、电池损耗成本和排队等候时间成本之和的最小化为优化目标,建立电动运输车辆充电导航模型和路径规划,证明实时感知信息可以缓解充电压力同时还可以降低企业物流总成本[9].金珈辉等提出电动配送车辆路径模型,由于电动车的特性,其必须考虑充电以及时间窗这不可避免的问题[10].在此之后,VRP演变出许多种类及其扩展被应用于社会各个场景,其中研究最为广泛的两个扩展为:一是约束车辆的运输能力;二是一种客户必须在指定时间间隔内到达的带时间窗约束模型的VRP[11].

据上述分析表明,大多数国内外学者研究重点是电动汽车的车辆路径与充换电的选址,又或者单独研究纯燃油配送车辆, 而针对电动汽车的智能充电策略和纯燃油配送车辆在时间窗等约束条件下的对比研究相对较为薄弱,智能安排充电位置作为其中一种优化手段,能够提高运输车辆的电池电能的利用率,从而降低电动运输车的配送成本.以往很多学者在对两种运输汽车进行路径优化或者选址优化时,多数是将电动汽车的充电行为进行最好设想处理, 如假设这些车辆离开配送中心时为满电量状态或采取换备用电池操作等,这些假设以及处理方式可能不太符合现实情况,降低结果在社会的普适性;或不考虑两种车型路上所有意外情况,都进行最好预处理.因此,本文以电动汽车和纯燃油两种物流配送车辆为研究对象,对两种运输车辆的配送过程进行分析,建立了分别考虑车辆的固定成本、运输成本以及其他成本[12]的两种物流配送车辆的优化目标,本文还根据所研究问题的特点,设计了一种改进的遗传算法对其进行求解,最后通过数值分析对所建立的仿真模型和算法进行验证.

1 模型构建分析

1.1 问题描述

通过对消费者、冷链企业和社会环境的三方立场进行分析,可以得出消费者对生鲜产品最为关注的是其新鲜度,企业希望通过降低成本提升竞争力,社会需要减少冷链物流产生的碳排放量.为确保生鲜产品的质量,同时降低产品损耗,需要在采摘后迅速将生鲜产品进行预冷处理,最大化保留产品新鲜度.对冷链物流建设来说,在配送中心需要通过多台配送车辆向下游各个客户点及时有效地按需调度和配送.本文构建以冷链物流配送车辆类型和配送路径优化问题的仿真模型, 其中包括综合考虑纯电动运输车和燃油运输车在配送过程中产生的总成本,燃油车的总成本包括车辆产生的固定成本、运输成本、制冷成本、碳排放成本以及因生鲜货物新鲜度下降所带来的损耗成本[13],与此同时新能源车还需考虑配送过程中因充电所增加的成本,平衡环境与企业经济效益两者之间的影响.在求解最优方式的配送路径问题过程中,综合考虑消费需求、社会环境和企业发展三方立场,以满足消费者全面性需求、减少环境污染和提高企业竞争力为最终目标,从冷链系统角度,构建了以冷链运输总成本最小为目标的配送中心路径优化模型[12].在对现有冷链配送模式、已有冷链配送路径优化方法分析基础上,本文将生鲜冷链配送过程中碳排放对环境造成的负面影响进行量化并作为外部成本考虑在内,探索顾客满意度、环境和经济效益三者间的平衡点,探索最优车种总成本最低的最佳配送路径.

1.2 假设条件

由于考虑燃油运输车辆和纯充电策略的汽车物流配送问题较为复杂,因此,在仿真模型构建之前,需要做出如下假设:

（1）本文研究的是多个客户由一个配送中心运输的路径优化问题;

（2）单辆配送车辆的最大装载容量应大于等于单个客户点的最大需求量,且单个客户点的需求量不可由多辆运输车进行配送;

（3）新能源运输车辆和燃油运输车辆的装载量以及车型均相同;

（4）新能源车的电池容量相同;

（5）新能源冷链运输车辆从配送中心出发时电池没有消耗;

（6）配送车辆（燃油车和新能源汽车）的电量消耗与距离成正比;

（7）每个充电站点仅且只能被访问一次;

（8）配送车辆（燃油车和新能源汽车）在完成配送任务时都要返回配送中心;

（9）在整个运输过程中,交通拥堵、车辆故障、司机状态等一些其他特殊因素的影响不考虑;

（10）两种冷链运输车辆在进行配送服务过程中的速度是恒定不变的;

（11）所有配送车辆都配备了冷藏室和制冷设备,且配送的产品均为生鲜品[13];

（12）客户的坐标位置、需求货物量以及能接收货物到达时间范围条件均为已知[13];

（13）假设两种配送车辆驶离配送中心的时间均为0 时刻.

1.3 参数符号和变量的定义

Hi= {h= 0,1,2,3,… ,n} :配送中心和客户点集合;i=0 表示配送中心;i= 1,2,3… ,25表示所有客户点集合;

Kf={f=1,2,3}:燃油车配送车辆的数量;

Ke= {e=1,2,3}:新能源配送车辆的数量;

ne为新能源车车型的车辆数,e 为新能源车车型的第e 辆车;

nf为燃油车车型的车辆数,f为燃油车车型的第f 辆车;

Mm={m=1,2}:新能源汽车充电桩的数量;

Qh:配送中心h的最大容量;

qi:客户点i 的需求量;

qe:新能源车辆最大荷载量;

qf:燃油车最大荷载量;

fe:新能源车的单位运输费率;

Ff:燃油车的单位运输费率;

B:新能源车电池容量;

r:新能源的电池消耗速率;

:新能源车离开i 点后的载质量;

:燃油车离开i 点后的载质量;

bij:新能源车经过i后的电池使用量;

:新能源车到达i点时的电量;

:新能源车离开i点时的电量;

:燃油车辆经过弧(i,j)的运行时间;

:新能源车经过弧(i,j)的运行时间;

:新能源车到达i点的时间;

:新能源车离开i点的时间;

:燃油车到达i 点的时间;

:燃油车离开i点的时间;

:新能源汽车经过弧(i,j)电池使用量;

:燃油车经过弧(i,j)的碳排放量;

:汽车经过(i,j)的长度;

Fk:新能源汽车和燃油汽车的固定成本;

twi:在客户点i 处的等待时间;

fi:在客户点i 处的服务时间;

ei:客户要求的最早服务时间;

li:客户要求的最迟服务时间;

tij:汽车从i点到j 点的时间;

Cc:单位充电时间的费用.

决策变量定义:

1.4 建立数学模型

根据对问题描述的分析以及燃油运输车辆和新能源运输车辆在实际冷链物流配送过程中的应用,燃油冷链运输车辆以建立包括生鲜产品损耗成本、固定成本、软时间窗的惩罚成本、运输成本以及碳排放成本最小化的优化目标函数[14],而新能源车在燃油车成本考虑基础上增加电车配送过程的充电成本,两种车型的进一步研究,以寻找冷链配送过程中既能保证顾客满意度又能实现低碳排放的总成本最低的最优路径方案.

1.4.1 固定成本 假定燃油冷藏车和新能源冷藏车的固定成本相同,配送过程中的总固定成本可以表示为

1.4.2 运输成本 车辆在运输过程中的耗能都与行车速度和载重相关,燃油车和新能源车由于不同车型会导致不同的能耗,则运输成本可以表示为

fe、ff分别表示新能源车和燃油车的单位运输费率;和分别为新能源冷藏车、燃油冷藏车的单位里程能耗.

1.4.3 生鲜货物损耗成本 车辆k 从配送中心出发到达客户点i 时,其新鲜度降低为,运输过程中和卸货过程中的货损成本可以表示为

1.4.4 时间惩罚成本 若到达客户点的时间早于或晚于期望时间窗,则要接受一定的惩罚成本,其与客户订购的产品的价格数量呈线性关系,考虑到提前送达和延迟送达两种状态对客户的影响不同,因此运用不同的惩罚函数权重表示,函数如下

1.4.5 碳排放成本 碳排放成本主要包括运输和制冷过程中产生的碳排放,但是由于车型不同,使用的动力能源不同,导致不同车型的碳排放也会有所不同,这里用εe和εf分别表示新能源车以及燃油车的车辆动能碳排放系数,和分别表示新能源车以及燃油车的单位里程能耗,碳排放成本表示如下

1.4.6 充电成本 由于新能源配送车在配送中心满电出发时的最大里程为160 km,在不足以从i 点配送到j 点时,就必须就近寻找充电桩进行充电,此处用CC表示单位充电时间的费用,单次配送车辆充电成本表示如下

综上所述,新能源车和燃油车冷链配送路径优化模型的目标函数如下

式（10）（11）表示新能源车和燃油车的目标函数,即车辆运输成本最小,其约束条件为:式（12）表示配送过程中使用的冷藏车辆总数不超过配送中心车辆总数;式（13）（14）表示各客户需求总量的质量和容量不能超过当前冷藏车的最大载质量和最大容量约束;式（15）表示单个仿真模型中每个客户点仅且只能被一辆冷链运输车辆进行配送服务;式（16）表示冷链运输车辆完成单辆车任务后最终需返回起始配送中心;式（17）表示对任一客户,有且仅只能有一辆配送车辆到达客户点完成配送任务后再次离开;式（18）表示配送过程的连续性,即车辆在一个顾客点的服务开始时间必须要大于其在上一个顾客的服务开始时间加等待时间和两者之间的行驶时间,其中M 表示一个足够大的数.

2 改进遗传算法

燃油车辆路径问题（Fuel Vehicle Routing Problem,FVRP）和新能源车辆路径问题（Electric Vehicle Routing Problem,EVRP）,作这两类配送运输问题是传统运输车辆路径问题的一类变种,同时这也属于比较突出典型的NP-Hard 问题.一方面这一类问题很难通过精确算法得到其精确解,特别是对于一些数据规模比较庞大的具体算例;另一方面通过对当前这一类文献的收集、整理和研究发现,大多数国内外的专家学者采用智能启发式算法对这一类问题进行求解,此类方法不但对求解的可信度品质和运行效率非常好,同时其对求解大规模的具体实例有着明显的优势,带时间窗约束的配送车辆路径问题（Transport Vehicle Routing Problem with Time Windows,TVRPTW）相较于一般的EVRP 问题,其求解的约束条件以及环境更多且复杂,同时其对算法求解的质量要求和时效性更为严格,所以这里采用了并行寻优能力较强的改进遗传算法对其进行运算求解.遗传算法（Genetic Algorithm,GA）是一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,同时也是一种通过模拟自然进化过程搜寻局部最优解的方法[15-16],该算法在求解过程中,首先是将问题中有关参数编码为染色父本,染色体对应各个数据或数据组,通常表示为一组结构数据串,串上各个位置对应基因的双值,染色体就是这些基因组成的串,也被称为个体（Individuals）,因此很多数量的染色体个体就可以组成一个种群（Population）,种群的个体数目又被称为种群规模（Population Size）或种群大小,同时使用一定的运算法则计算染色体个体的适应度值（Fitness）,再利用选择、交叉以及变异等进行设置的代数迭代以及计算种群中染色体的信息,最终生成符合优化问题目标函数值的染色体个体,即为问题的最优解.与此同时,为了避免算法过早地陷入局部最优解,这里采用锦标赛选择法和移民操作[12].

2.1 染色体编码

对于多车型配送车辆路径规划模型,本文运用整数编码的形式对染色体进行整体编码,用于选择总成本最低的最优车型路径优化.当车辆使用数为m 且顾客数目为n 时,此时染色体长度为m+n-1,例如冷链配送服务的车辆允许最多使用2 辆, 而有服务需求的顾客数目为6, 则有以下两种情况的路径:12ab3456,其中12ab3456 中的a 和b 代表配送中心,a 和b 将顾客123456 划为2 条配送路径,配送中心用0 表示,分别为:0-1-2-0 以及0-3-4-5-6-0;另一种可行的染色体表达为123456ab,此时这个染色体表示1 条配送路径:0-1-2-3-4-5-6-0.

2.2 种群初始化

配送车辆路径规划模型的初始化,首先需要构造问题的初始解,因此设定客户点顾客数量为 {1 ,2,...n},从设定的所有顾客中任意挑选一个顾客α∈{1， 2， 3，…n} ,同时初始化冷链运输车辆所使用的车辆数目,生成一个遍历顾客的序列s= {1,… ,j−1,j,j+1,… ,n} , 遍历序号为1 一直遍历到n 即为所生成的初始解.按照遍历顺序s 遍历顾客s(i),根据约束条件,此时将顾客添加至第k 条冷链配送路径中,紧接着更新k.此方法所得出的初始解即为一条完整的运输方案,假设有6 个顾客,最多能使用2 辆车,那么一个可行的配送方案就可以表示为:0-1-2-0 和0-3-4-5-6-0; 然后再将这个配送方案中的路径进行合并.为1203456,其中0 代表配送中心,此时用a 和b 替换1203456 中的0,结果表示为12ab3456,代表为一个染色体个体:重复当前操作直到种群规模达到初始大小,完成初始种群[17].

2.3 适应度函数

在遗传算法中种群中各个染色体个体的优劣程度是用适应度值来衡量的[17].为避免目标函数在数值上过大,通常采用倒数形适应度函数表达式,这里对求解中的适应度函数设置为

式（20）中：c(s) 为配送车辆路径规划模型中目标函数的通用表达式;ω(x)为模型的约束条件进行惩罚函数处理后的表达式.这样设置以后既能保证惩罚函数值和目标函数值综合较小的染色体个体的适应度值较高,使得其能被遗传到下一代种群中的概率变高.

2.4 遗传操作

2.4.1 选择 锦标赛选择法是遗传算法中流行的选择策略,其简单高效,因此这里采用锦标赛选择法.所谓的锦标赛选择法,是从已有的所有种群个体中随机选择若干个,比较被选中个体的适应度值,适应度值大的个体被挑选出来进行后续的交叉、变异,具体步骤如下:

（1）首先确定每次选择的样本个体数量N;

（2）从已有的所有种群个体中随机选择设定的N 个个体（单个个体被选中的概率相同）构成小种群,根据小种群中单个个体的适应度值大小,选择出适应度值最大的个体优先进入下一代种群;

（3）步骤（2）重复多次（重复次数为种群的大小）,直到新的种群大小规模和最开始的种群规模一样[18].

2.4.2 交叉 交叉主要是模仿生物进化中的交配重组,根据交叉概率P 对两个父代染色体在某些位置以某种规则进行基因重组的操作,此操作过后可以产生新一代染色体.交叉算子中的进行频率由交叉概率决定,其概率过大或过小都不利于产生更优秀的染色体.

本文采用部分匹配交叉算子（Partially-matched crossover,PMX）进行操作,部分匹配交叉不仅保证了在一个染色体上始终不会出现重复的基因, 同时还保证了每个染色体中的基因仅出现一次.其实PMX与两点交叉有点类似,其做法是在染色体上随机挑选两个交叉点以此确定其交叉范围,操作之后一般会出现一个无效的染色体组,同时新的无效染色体组中可能有极个别基因会出现重复的情况,因此为了修复该染色体,可以建立起交叉区域内每个染色体之间的一一对应关系,最后对重复基因应用此匹配关系在区域外消除冲突.具体操作步骤如图1～4 所示.

图1 父代基因图Fig.1 Paternal gene diagram

图2 父一代基因图Fig.2 Paternal generation gene diagram

（1）在染色体中任意挑选（父代）两个基因点作为始末位置（两父代染色体挑选位置相同）.

（2）两组基因的位置相互交换.

（3）冲突染色体检测.根据b 操作中所得的两组染色体基因建立一个一一对应的映射关系[19],如图3所示,以2-8-5 这一映射关系为例,可以看出第二步结果中子代1（child1）存在重合基因2,这时候需要通过对应关系将其转变为5 基因,以此类推直至染色体基因中冲突没有为止,所有有冲突的基因都会经过映射,最终形成的新一代中不存在冲突基因.

图3 基因映射关系图Fig.3 Gene-mapping relationship diagram

图4 子一代基因图Fig.4 Genetic plots of the subgeneration

最终结果为

2.4.3 变异 经过交叉操作之后得到新个体,其具有一定基因突变的概率,此操作与选择一样是基于概率的,这个变异概率为Pm,一般来说变异概率设置得很小,将变异引入遗传算子的目的有两个:一是维持样本多样性,预防收敛现象在未成熟前就发生;二是使遗传算法具有一定的局部随机搜索能力,当该算法通过交叉算子已接近最优解邻域时,利用变异算子的这种局部随机搜索能力可以加速向最优解收敛.本文运用的操作是基本位变异法.基本位变异法是指个体编码中以变异概率Pm 随机指定的一个或几个基因座上的基因值作变异运算[20-21].操作过程如下所示:

（1）对编码个体的每一个基因座,指定其为变异点且概率为Pm;

（2）对指定变异点进行变异操作.

2.5 移民操作

设定阈值并由此判定当前的算法是否陷入了早熟收敛,如若是,就施行“移民策略”引入外部个体,此种操作可以增强种群局部搜索能力,从而可以使种群的多样性增加.由于遗传算法容易“早熟”,即容易局部收敛,算法停止而得到错误解.为了解决这一问题,本文采用“移民策略”,就是将目前保留的群体中移植部分较为优秀的个体以增加种群多样性,进而提高算法搜索的效率.首先需要判断当前的算法是否出现了早熟收敛现象,假设发生早熟收敛时,进一步表明目前群体中个体适应度非常高,因此可以根据各群体的适应度方差来判断算法是否陷入了早熟收敛.为了便于计算,令E=.式中:fi为第i个个体的适应度;为群体的平均适应度;N为种群规模.当E 小于之前设定的阈值时,当即就可确定算法出现早熟收敛现象,就要对其实施“移民操作”[12].

2.6 大规模领域搜索算法（LNS）局部搜索操作

本文首先采用当前解并采用相似性公式计算,以及破坏算子移除若干相似客户和删除若干客户,接着在满足此前设定的各约束条件前提下, 最后再利用修复算子将之前被移除的客户点重新加入被破坏的解中,使其尽可能多地将移除的客户插回到使目标成本最小的位置.

2.7 终止

迭代终止条件,路径规划模型中设置当种群中个体进化代数达到设定迭代次数的终止条件时,停止迭代.

3 算例研究

3.1 算例介绍

本文描述的是生鲜品冷链物流配送模型,为了检验本文中所构建模型以及算法的有效性,案例模型的数据来源于文献[22].其主要包含的内容如下:以三辆新能源汽车和三辆燃油车分别作为单次配送车辆,对于在一定区域内时间窗约束已知且均匀分布的25 个客户点提供配送服务,同时单个客户点只能被一辆冷链配送车进行服务,此外,当正在执行配送任务的新能源车电池电量不足以完成剩余配送任务时,此配送车辆需要进入到邻近的充电站进行半个小时的充电,以支撑其完成剩余配送任务,所以在模型设定的有效区域内设置2 处可供配送车辆进行充电的充电站,在此过程中所采用的是快速充电的方式,使得电动配送车辆充满一次电需要30 min 左右.本文采用的是改进的遗传算法,此模型中的相关参数设置如表1 所示,生鲜物流的配送过程中共使用了2 种冷藏车车型,具体参数如表2 所示.

表1 相关参数信息Tab.1 Related parameter information

表2 两种冷藏车具体参数Tab.2 Specific parameters of the two kinds of refrigerated vehicles

仿真模型案例的坐标系统（X,Y）采用的是平面直角坐标系,坐标的单位是公里（km）;其中0 代表配送中心;1、2、3、…25 表示的是客户点;26、27 表示充电站.每个服务点需求量的单位是吨（t）; 最早服务时间和最晚服务时间是基于仓库0 为起始时间的偏移量,单位小时（h）,“100”代表不限制;服务时间的单位是小时（h）,详细信息如表3 所示.

表3 各节点详细信息Tab.3 Each node details

算法中涉及的参数:迭代次数MAXGEN=1 000,种群规模A=300,交叉率pc=0.9,变异率pm=0.05,代沟GGAP=0.9,违反限质量惩罚系数ALPHA=10 000.采用MATLAB 2022a 实现并运行上述算法,根据上述实例的具体数据对燃油车和新能源车分别进行考虑碳排放以及不考虑碳排放的模型进行求解, 得到局部最优配送路线、配送路径的各项具体成本以及配送车辆行驶总距离,如表4 所示[13].

表4 车辆路径规划结果Tab.4 Vehicle Path Planning Results

从表4 可以看出:（1）新能源车考虑碳排放和不考虑碳排放的总成本分别为3 378.8 元和3 449.6 元,相对于燃油车考虑碳排放和燃油车不考虑碳排放两种情况其成本减少1 020.9 元和961 元,下降比例分别为23.20%和21.79%,对比结果可知使用新能源车执行配送任务企业可以有效节约运营成本;（2）燃油车考虑碳排放和不考虑碳排放配送生鲜所产生的运输成本分别高于新能源运输车同类型1 142.040 8元和1 260.500 3 元,使用新能源车后成本下降61.74%和64.41%.运输成本不仅会增加客户和企业的成本负担,而且会增加环境负担,因此需要加强生鲜品冷链物流的配送管理和人员降低车辆运输成本.从长远来看,新能源车可以减少天然燃料的使用和大气污染物的产生,更符合当前社会需求与形势[13];（3）燃油配送车辆考虑碳排放比新能源配送车辆考虑碳排放所产生的碳排放成本增加99.10%,使用新能源车更符合低碳环保的当今发展趋势;（4）由于新能源车在配送过程中充电是一个不可避免的问题,同时充电站可能不在既定配送线路上,这使得新能源车的配送总路程较燃油车有所增加,分别增加91.080 3km 和44.160 2km,总路程的增加使得生鲜货物的路上时间增加,进而货损成本增加-9.43%和36.19%.

3.2 算例结果分析

仿真模型分析的是新能源车和燃油车考虑碳排放以及不考虑碳排放的四种情况.经过结果对比可知,新能源配送车辆考虑碳排放的总成本最低最具成本优势,较其他三种情况总成本分别减低2.10%、30.54%和30.21%.由于目前生鲜品的物流配送过程较为繁杂,需求配送点和货运种类逐渐增加,车辆交通路线错综复杂,同时顾客对生鲜品的品质要求提高,在市场经济的大环境下,无形中增加了生鲜品的市场竞争需求.

仿真模型的四种路径规划中,时间惩罚成本和货损成本约占总成本的36.76%、35.22%、49.74%和54.26%,因此针对对时间要求严格的生鲜货物,软时间窗约束以及损耗函数的引用,使得模型更加贴合实际情况,缩短运输逾期带来的成本费用的同时也能增加客户满意度,这对现代物流业发展具有重要的推动力和促进作用[13].

4 结论

冷链配送物流产业是当下高能耗领域,低碳经济是可持续发展的重要方向,因此低温配送是冷链物流走向低碳经济的关键环节.文中将冷链运输车辆路径优化问题作为研究方向,目的是对比燃油车和新能源车作为配送车辆以达到配送总成本最小、环境最友好。为了改善传统遗传算法容易早熟收敛和陷入局部最优解的不足[23],运用锦标赛选择算法和移民策略进行改进,通过改进遗传算法对仿真冷链物流配送案例进行求解,验证了本文设计的改进遗传算法能够使求解结果更优,为解决相关冷链物流配送路径优化问题提供了参考[24].

针对生鲜品配送路径规划问题进行研究,在满足各个客户点的各种需求的前提下,来对比燃油配送车辆和新能源配送车辆总成本之和最小的优化目标,燃油车总共成本包括生鲜品的货损成本、运输成本、固定成本、以及碳排放成本和时间窗约束所造成的惩罚成本[12],与此同时新能源车还需要增加一个充电成本因素,构建了时间窗约束下的生鲜品配送路径规划模型,并为此设计出改进的遗传算法,最后借助MATLAB 软件结合仿真算例,对两种运输车辆模型的结果进行比对.（1）采用改进遗传算法设计出来的方案不仅在进化过程中能更早地搜寻到最优解,同时还能使求解结果更好;（2）本文所构建的生鲜品配送路径规划模型具有一定的通用性且此处改进的遗传算法在求解模型时更具有高效性, 能为解决当前生鲜品配送路径规划问题提供一定的科学决策依据.对于高速发展的现代社会,不论是对企业、社会环境还是消费者,新能源车辆进行配送较燃油车更具有未来发展优势.