铁路冷链联运集散中心作业流程优化设计

Optimized Operational Process Design for Railway Cold Chain Intermodal Distribution Center

摘要

针对铁路冷链联运集散中心在传统调度算法下存在的资源分配不合理、设备空载率高、路径冲突等典型问题，提出基于优化调度算法而设计的作业流程优化方案。通过分析传统调度算法下铁路冷链联运集散中心的核心作业流程，设计融合动-静态优先级评估、资源预分配机制以及最短路径规划的新型作业流程方案，依托仿真平台构建涵盖列车、集装箱、托盘等8类智能体的作业流程协同仿真模型，选择货物处理能力、损耗率等指标开展对比分析实验。实验表明：优化调度算法下的作业流程方案使得托盘和冷藏集装箱处理效率分别提升40.2%和23.7%，货物损耗率降低2.6个百分点，验证了该算法在规范作业流程、提升资源利用率方面的有效性，为铁路冷链联运集散中心的实际运营提供了有效建议。

Abstract

Aiming at the typical issues in railway cold chain intermodal distribution centers under traditional scheduling algorithms, such as inappropriate resource allocation, high equipment idling rates, and route conflicts, this paper proposed an optimized operational process scheme based on an improved scheduling algorithm. By analyzing core operational processes of such centers under conventional scheduling algorithms, a novel operational process scheme was designed, which integrated dynamic and static priority assessment, resource pre-allocation mechanisms, and shortest-path planning. A collaborative simulation model incorporating eight types of agents (including trains, containers, and pallets) was developed on a simulation platform, with comparative experiments conducted using metrics such as cargo handling capacity and loss rate. Experimental results demonstrate that the operational process scheme under the improved scheduling algorithm achieves 40.2% and 23.7% efficiency improvements in pallet and refrigerated container processing, respectively, along with a 2.6-percentage-point reduction in cargo loss rate. The findings validate the algorithm's effectiveness in standardizing operational processes and enhancing resource utilization, providing practical management suggestions for the real-world operation of the railway cold chain intermodal transport distribution center.

Graphical abstract

关键词

铁路冷链 / 调度算法 / 作业流程 / 仿真分析 / 损耗率

Key words

Railway Cold Chain / Scheduling Algorithm / Operational Process / Simulation Analysis / Loss Rate

0　引言

随着城镇化进程加快和居民消费结构升级，铁路冷链运输模式由于受到货源、运距、需求特点等条件的限制，难以单独承担小批量、多批次冷链运输业务的开展。作为结合多种运输方式优势的高效体系，冷链多式联运模式迅速崛起，与之配套的联运集散中心也因其集散、仓储、转运功能而发挥着各运输方式之间的枢纽节点作用。铁路冷链联运集散中心(以下简称“集散中心”)作为多式联运体系中的关键节点，配备冷库、冷藏车等专业设施，不仅承担着冷藏货物的集散、仓储功能，更是打通铁路、公路和水路运输的枢纽，可实现冷藏货物在不同运输方式间的高效转换。在集散中心内部，来自各类运输方式的冷链货物通过基础服务设施完成入库、转移、存储、出库等作业流程。然而传统调度算法由于采用静态任务分配模式，难以动态响应实时作业需求，所设计的作业流程存在设备等待时间过长、仓储资源分配冲突等问题。因此，利用最短路径、动态优先级等优化调度算法设计集散中心作业流程方案，以降低冷链货物损耗率、提高中心处理能力，对铁路冷链运输高质量发展具有重要意义。

现有文献对集散中心的研究主要围绕3方面展开，选址布局与功能设计、作业流程优化以及调度算法升级。在选址布局与功能设计方面，He^[1]提出基于AP聚类和熵权二元语义的冷链配送中心选址方法，避免重复服务并降低物流成本；丁丽娟等^[2]基于节点选址、路径规划和库存控制3方面因素，构建随机需求下的选址-路径-库存集成优化模型；李刚^[3]、李春雨等^[4]、金一文^[5]、肖婷婷^[6]分别围绕铁路传统货运场站与铁路冷链物流集散中心，对不同功能体系分区及平面布局设计进行适应性探讨，并提出针对性改进建议。在物流中心作业流程优化领域，武娜^[7]、陈旭超^[8]通过物理仿真软件对冷链物流中心进行模型搭建，分析仓储作业及调度转运作业的流程瓶颈，提出人员配置优化、先进先出原则等改进方案；许植深^[9]、Zhu等^[10]通过框架搭建及网络模型仿真技术，改进物流中心作业流程协同调度机制，实现了设备资源的动态分配与实时响应。随着设施布局的复杂化以及作业流程的精细化，学者们开始将更加智能、动态的调度算法引入到铁路冷链联运系统研究中。Wang等^[11]针对冷藏集装箱堆垛和重定位问题，提出了增强型变邻域搜索算法和启发式调度算法；王旭坪等^[12]提出了分级和预冷车辆协同调度模型，并设计混合遗传算法结合邻域搜索进行求解，解决协同复杂度高的实际调度问题；张铁金^[13]建立以集卡车派遣成本、空车运行成本和时间窗惩罚成本最小化为目标的整数规划模型，并通过特殊编码的遗传算法求解，证明联合调度可降低总运输成本。

综上所述，聚焦集散中心作业流程优化问题，针对传统调度算法存在的资源分配僵化、多环节协同不足等缺陷，创新性引入包含动静态优先级、最短路径算法的优化调度算法并设计作业流程。研究梳理铁路冷链运输组织特征及集散中心要素，依托Anylogic平台开发多智能体作业流程仿真模型，重点刻画多式联运装备在月台装卸、中转暂存、路径规划等关键节点的交互逻辑。设计仿真实验，对比验证传统遗传算法与优化调度算法在库存周转时间、列车与公路冷藏车时间指标、货物处理能力和货物损耗率等维度的显著差异，规范集散中心资源分配及运作机制，以期为集散中心的实际运营提供可操作的有效建议。

1　问题描述

作为铁路冷链联运网络的核心枢纽，集散中心需在有限作业时空内协调冷藏集装箱、自动化搬运设备、温控仓储等多要素资源，其作业流程的衔接效率直接影响冷链物流全链条的温控稳定性与经济性。当前集散中心普遍采用传统调度算法，存在跨方式作业时序错位、冷库分区调度失配、应急响应机制缺失等系统性瓶颈，导致货物暴露于非控温环境的时长增加。聚焦作业流程的协同优化，引入优化调度算法并设计作业流程，对比分析2类调度算法下作业流程的显著差异，力求实现货物处理环节无缝衔接。 在此之前，需要对当前铁路冷链运输组织特征以及集散中心要素进行具体分析。

1.1　铁路冷链运输组织特征

目前，铁路冷链运输组织方式主要有成组式运输、整列式运输以及成组式-整列式混合运输^[14]。

（1）成组式运输：运用BX_1K冷藏集装箱车组进行冷藏货物运输，与普通货物班列混编，形成冷冻、冷藏、普货混编的列车。主要使用龙门吊将冷藏集装箱吊装至空车车组，形成重车车组，重车车组通过小运转列车转运至运转车场并编组至普通集装箱列车，形成成组式列车后整车发出。

（2）整列式运输：整列列车全部由铁路冷藏车或冷藏集装箱组成， 且只进行冷库或者集装箱场站之间的直达运输，中途不改编的运输组织模式。利用装卸机械将冷藏集装箱装至集卡车，集卡车将冷藏集装箱转运至装卸线，将冷藏集装箱吊装至列车，形成整列式列车后整车发出。

（3）成组式-整列式运输：将成组式和整列式铁路冷链运输整合为成组式-整列式混合运输服务网络，在某些车站实现成组式列车转换为整列式班列的运输组织模式。冷藏集装箱由成组式列车发出，在某些办理站集卡车将冷藏集装箱转运至装卸线，将冷藏集装箱吊装至列车，列车转运至运转车场与重车车组组合，形成整列式列车后整车发出。

集散中心作为冷链物流网络中的核心枢纽，主要承担温控货物的集散、仓储、分拣分拨及多式联运功能，完成铁路与公路、水路等运输方式之间的货物交互。其中涉及的铁路运输方式主要是整列式运输，凭借其库到库的特色优势与公路、水路末端配送的灵活性有机结合，依托标准化作业流程实现全程冷链无缝衔接。

1.2　集散中心要素分析

1.2.1　设施设备布局特征

集散中心的设施布局需满足多式联运恒温衔接的核心需求，与普通物流中心的基本设施配置有所不同。集散中心设备配置图如图1所示，集散中心功能区域包括铁路专用装卸区、冷库存储区、专用堆场、场内道路、停车场及辅助生产设施等。

（1）铁路专用装卸区。集散中心一般设置2~3个铁路专用装卸作业区，每个装卸作业区设置2条集装箱装卸线。铁路装卸线一端或两端连接路网中的集装箱中心站，专门用于冷链列车的停放和同步装卸作业。

（2）专用堆场。专用堆场包括铁路场站集装箱堆场区、港口堆场区以及空箱堆场。铁路堆场位于装卸线两侧，主要存放待装或卸下的冷藏集装箱；港口堆场位于集散中心与港口之间，用于存放转移的冷藏集装箱。

（3）冷库存储区。具备低温仓储、预处理与包装加工、产品综合管理及信息处理等功能，配备月台系统、仓储货架、搬运机械等设备，为冷藏集装箱或公路冷藏车的掏箱入库、出库装箱提供全程制冷环境。

1.2.2　铁路冷链联运特征

铁路冷链运输与依赖公路网络的普通冷链物流存在显著差异。

（1）时间刚性。由于铁路装卸站台数量有限，且冷链列车按照既定时刻表运行，装卸作业必须在严格的时间窗口内完成。这种时间刚性要求集散中心调度系统对装卸站台资源进行精确分配，否则将导致整条冷链物流链的延迟。

（2）铁路运力调整刚性。当货运需求波动时，公路冷链可通过增减车辆数量快速响应，而铁路冷链受限于列车编组方式和轨道容量，运力调整存在明显滞后性，难以实现即时弹性扩容，这要求集散中心必须具备更强的弹性调整能力和缓冲处理策略。

（3）显著空闲约束。轨道式龙门吊只能沿固定轨道移动，其工作范围严格限定在铁路专用线两侧的带状区域内，这导致龙门吊与集卡车必须在预设的交汇点完成作业交接。传统调度算法往往忽视这一空间约束，仅基于时序安排设备作业，导致集卡车与龙门吊到达交汇点的时间不匹配，造成设备等待和冷链环境暴露风险。

（4）装卸作业规模的经济性。铁路冷链一次性大批量装卸作业可降低单位货物的处理成本，但同时也面临装卸设备利用率不均衡的问题。优化调度算法需基于规模经济原理，优化设备配置与作业顺序，实现资源利用最大化。

（5）设备高精度协同需求。在实际作业中，龙门吊需要在轨道上找准位置，与停靠在指定位置的集卡车完成装卸交接，这种精确对位需求远高于普通物流中心的装卸精度要求。传统调度算法在处理这种高精度协同需求时表现不佳，常导致装卸效率低下。

1.2.3　作业流程现状

集散中心的作业流程，从到货验收至最终装运的全链条上，均围绕温控稳定性展开。集散中心与普通物流中心在作业流程上存在显著差异，集散中心与普通物流中心的作业区别如表1所示。到货验收环节，除常规核验外，集散中心必须检查温度记录并快速完成入库，避免货物在非控温环境中滞留；卸货分拣环节，须按温度要求进行紧急分区，高价值易腐货物享有优先处理权；库内存储环节，严格执行先进先出原则，并进行定期温度监测，而非仅追求空间利用率；拣货配送环节，基于货损风险评估进行动态调度，温控要求优先于常规作业效率考量。

此外，集散中心作业流程更加强调冷藏集装箱换装过程的有序衔接，换装过程需确保温度稳定、效率优先、损耗最低。在铁路换装公路过程中，冷藏集装箱随整列式列车到站后，龙门吊将冷藏集装箱卸至专用堆场，如此时集卡车已就位，集装箱可以直接从铁路吊装至集卡车底盘；而对于需要分拨的货物，则由集卡车转移至冷库，在低温月台快速拆箱分拣后装入公路冷藏车，严格控制货物暴露时间。在铁路换装水路运输过程中，当冷藏集装箱随整列式列车抵达装卸线后，龙门吊将冷藏集装箱卸至集卡车，转运至码头前沿堆场接电，等待桥吊作业。

因此，集散中心的作业流程主要由冷库仓储作业和园区转移作业2部分组成。冷库仓储作业包括入库、在库管理和出库3个环节。入库流程始于供应商发出送货通知，货物抵达月台后按照先到先服务进行单据检查、卸货拆包、品质验收和数量清点，合格货品由叉车按照固定路线转运至指定货架。在库期间，冷链货品按温度要求分区存放，管理员定期盘点并更新信息。出库阶段由信息部门接收订单，并通知冷库按照接收顺序进行拣货，货品经核对后随机分配分拣设备，并转运至月台区进行包装和装载。

园区转移作业涵盖到达、中转和出发3个主要流程。到达作业中，不同运输方式的冷链货物抵达后，工作人员按照先到先服务的顺序核对运单信息和温度记录，随机分配龙门吊或集装箱正面吊将冷藏集装箱卸下并转移至相应区域。中转作业针对需要转换运输方式的货物，根据其流向确定转运路径即来自铁路运输的货物可转移至冷库或港口，由水运到达的货物经查验后可转向铁路或公路，随公路冷藏车到达的货物则可直接入库或转向其他方式。出发作业由客户订单触发，冷库货物装箱并调温封箱后，通过集卡车转移至相应装载区域并离开集散中心。集散中心既有作业流程方案如图2所示。

可以看出，铁路冷链运输具有显著的时间周期性特征。冷链列车通常按固定时刻表运行，要求集散中心提前预分配装卸资源，若装卸线资源未提前锁定，易因龙门吊与集卡车协同失误错过作业窗口，迫使货物滞留非控温环境。例如，在列车到站前2 h，系统需锁定装卸线资源并启动预冷作业；若列车延误，需动态调整优先级以避免资源空置。这种周期性特征要求调度算法需融合时间窗约束，通过动态优先级机制平衡实时需求与固定资源分配之间的矛盾。不仅如此，龙门吊仅能在铁路装卸线两侧的带状区域作业，传统随机调度算法未考虑其移动路径的固定性，导致集卡车无法准时到达预设交汇点，产生设备等待与路径冲突。铁路冷链单次装卸量大，但传统调度算法采用“先到先服务”策略，未能根据货物优先级动态分配装卸资源，高价值货物与普通货物混杂处理，造成设备利用率不均和货损风险累积。

2　集散中心现存问题及优化设计

2.1　现存问题分析

集散中心整个作业流程中，资源调配和信息管理系统起着关键作用，但当前主要采用先到先服务、随机调度、固定路线规划和人工经验调度等调度算法，缺乏智能调配机制，在实际应用中存在以下问题。

（1）先到先服务算法无法区分货物优先级，导致高价值冷链货物与普通货物同等对待，无法保证时效性要求高的货物得到及时处理，特别是在货物集中到达时，容易造成资源分配不合理。

（2）随机调度算法缺乏系统规划，在叉车路径选择和冷库资源分配中应用广泛，但效率低下，路径冲突频繁，导致冷库利用率不均衡和设备空载率高。

（3）固定路线规划预设了设备运行的固定路径，无法考虑实时环境变化，导致交叉口堵塞等路径冲突问题，无法实现动态调整和避障，在高峰期尤其明显。

（4）人工经验调度过度依赖操作员主观判断，缺乏标准化流程，难以应对紧急订单和设备故障等突发情况，更无法规模化应用。

这些传统调度算法在集散中心运营中表现出明显的局限性，存在设备等待和资源冲突问题，成为影响冷藏货物品质和整体运营效率的瓶颈。

2.2　作业流程优化设计

为解决传统调度算法存在的问题，引入最短路径、多目标优化、静态优先级以及动态优先级等优化调度算法，从多个维度改善集散中心作业效率、保障冷链货物品质，找出可提高系统运行效率的关键优化点。优化调度算法如表2所示。

冷库仓储作业流程优化主要采用动、静态优先级结合的调度算法以及最短路径算法。一方面，货物入库作业时冷库能提前收到装货车辆到达的通知，采用资源预分配机制并根据静态优先级算法确保高价值或时效性货物优先处理，这样当车辆进入中心后，冷库就能立即开始装货，避免等待；此外，出库作业时采用动态优先级算法，依据Rong 等^[15]货物损耗率的指数表达式，为冷藏货物设置动态损耗率指标，损耗率较大的优先出库。最短路径算法方面，在冷库的冷藏间内部设置专用叉车，同时在冷藏间内部与外部之间设置临时暂存区，构建叉车路径网络，并设置最短路径选择函数，以供叉车选择最短移动路线从而完成月台至暂存点的转运作业。

园区转移作业流程优化中同样强调了静态优先级算法以及最短路径算法的重要性。列车提前通知集散中心装卸信息，集散中心接收装卸信息后根据资源预分配机制开始出库、转运作业，通过静态优先级算法将各类冷链货物按层级排序，等列车到达后直接依顺序装卸，减少列车的等待时间。同时园区设置冷藏集装箱暂存堆场，将集装箱正面吊、集卡车、龙门吊等设备设置于同一路径网络中，在选择最短路径完成作业的同时，防止产生冲突路径。同时，针对铁路冷链的时间刚性、空间约束与规模经济性，优化方案还需嵌入时间窗驱动的资源预分配、空间约束导向的路径规划。

根据列车时刻表提前锁定装卸线、龙门吊及冷库货架资源，避免时间窗口冲突；若列车延误，触发动态优先级调整，即临近温控阈值的高损耗货物优先装卸，低优先级任务自动延后；基于龙门吊移动范围限制，为集卡车与龙门吊预设非交叉路径，嵌入最短路径算法规避冲突；按货物价值与时效性分级，设计差异化装卸批次。

根据上述优化方案设计优化调度算法下的作业流程，优化调度算法下集散中心作业流程方案如图3所示。

3　集散中心作业仿真模型建立

为分析传统调度算法与优化调度算法下集散中心作业流程的差异，构建集散中心作业流程仿真模型，深度还原冷链货物于列车、货车、集装箱以及冷库之间的转移作业过程，识别各服务设施设备相互作用的影响机理^[16]。

3.1　模型假设

（1）假设冷链货物到达的批量都是固定的，不存在断货供应的情况，且公路冷藏车、冷链列车进入集散中心的时间是有规律的。

（2）假设各类冷链货物以箱为单位，模型中的托盘单位代表一个承载1.32 m³货品的托盘，每个托盘码放8箱货品。

（3）假设冷库叉车的搬运速度、园区集卡车及公路冷藏车的速度都设为平均状态，不考虑突然变速或加速的状况。

（4）考虑整列冷链列车的发车频率与到达频率较低，一般为每周3~4趟，假设模型中冷链列车的到达频率为每天1列。

3.2　多智能体逻辑框架

多智能体仿真适用于异构的、分散的复杂系统，所创建的智能体具有更高的主动性、自治性和智能性，通过交互、合作与协调机制，多个功能单一的智能体间的交互作用可产生复杂的行为^[17]。集散中心作业仿真系统中包括列车、车厢、集装箱、集卡车、龙门吊、叉车、托盘、公路冷藏车8类智能体。

3.2.1　列车及车厢类智能体

列车及车厢类智能体逻辑图如图4所示。列车类智能体依据预设的时间表在仿真系统中产生，一经创建则首先检查轨道的占用状态，若此时专用线内存在空闲的轨道，列车类智能体将迅速获取装卸线位置，并驶入指定装卸线等待进行装卸作业。当列车类智能体产生的车厢类智能体卸空或满载后，列车类智能体将再次检查轨道的占用情况，当轨道为空闲状态时，其会结束延迟并占用轨道，按照既定的路线和速度离开集散中心。

3.2.2　公路冷藏车类智能体

公路冷藏车类智能体逻辑图如图5所示，公路冷藏车智能体按照预设时间表生成，根据装载状态，其行为逻辑分为2种情况。若公路冷藏车智能体为重车，则调用卸货月台资源，并沿最短路径行驶至指定卸货月台。到达后，公路冷藏车智能体生成若干不同类别的托盘智能体，这些托盘由叉车智能体搬运至对应的冷藏货架存储点。完成卸货后，公路冷藏车智能体释放占用的月台资源并离开系统，随后从仿真环境中消失。

若公路冷藏车智能体为空车，则调用装货月台资源，并沿最短路径行驶至指定装货月台。根据预先接收的订单信息，叉车智能体从冷藏货架存储点提取指定数量的托盘智能体，将其搬运至装货月台区域并装入冷藏车中。待装载完成后，公路冷藏车智能体释放占用的月台资源并离开系统，随后从仿真环境中消失。

3.2.3　转移类智能体

转移类智能体逻辑图如图6所示，涉及逻辑流程分为卸货作业和装货作业。在卸货作业流程中，列车类智能体抵达集散中心后，首先卸下车厢类智能体，并生成集装箱类智能体。随后，系统调用龙门吊类智能体，将冷藏集装箱从车厢中卸下并放置到堆场的指定点位。接着，系统获取集卡车类智能体资源，开始冷藏集装箱的转运工作。其中，部分冷藏集装箱由集卡车直接转运至港口堆场，等待后续的船舶装载；另一部分冷藏集装箱则通过集卡车获取卸货月台资源，并转运至冷库月台。到达冷库月台后，集装箱类智能体生成一定数量的托盘类智能体，并由叉车类智能体搬运至冷库内的指定货架进行储存。

在装货作业流程中，托盘类智能体获取叉车类智能体资源，并释放装车指令。随后，托盘通过叉车被转移至装货月台，等待装货作业。与此同时，系统接收到装车指令后，从空箱堆场中调用集装箱类智能体，并获取集卡车类智能体资源。冷藏集装箱通过集卡车被转运至装货月台，等待与托盘的装货作业。装货完成后，一部分货物被转运至港口堆场暂存，等待后续装载至船舶；另一部分货物则被转运至铁路堆场，等待列车的到来。当列车抵达装卸线后，系统调用龙门吊类智能体，将冷藏集装箱装载至车厢类智能体。待车厢满载后，列车类智能体发出，驶离集散中心仿真系统。

3.3　作业仿真模型搭建

基于多智能体作业逻辑框架，利用Anylogic仿真软件中的流程建模库、轨道库构建集散中心作业流程仿真模型，包含月台、货架、堆场、轨道等固定设施设备以及叉车、冷链列车、公路冷藏车、龙门吊、集卡车等移动设施设备。传统调度算法下冷链列车作业流程逻辑图如图7所示。

按照前文作业流程优化设计的思路，引入优化调度算法对作业流程进行改造。

（1）公路冷藏车产生模块Truck Source设置延迟到达，利用queue模块将公路冷藏车提前分配于月台资源。

（2）月台资源获取模块Seize中按照货物品类设置任务优先级，并设置“无继续获取资源”任务抢占策略，对叉车分配任务优先级最高的冷藏货物进行处理。

（3）设计损耗函数模块“CargoLossRate”，为每个进入中心的冷藏货物配置损耗率监测值(其中初始货物损耗率按照概率进行分布)，在冷藏货物下架模块RackPick中设置自定义资源选择，动态选择货物损耗率最高的冷藏货物进行出库。

（4）在冷藏间内部与外部之间设置中转暂存区及专用叉车，构建叉车路径网络，逻辑中新增资源选择与分配逻辑(Seize-MoveTo-Release)。

（5）冷链列车产生模块Train Source设置延迟到达，利用queue模块将冷链列车提前分配于装卸线资源。

（6）园区设置冷藏集装箱暂存堆场，将集装箱正面吊、集卡车、龙门吊等设备设置于同一路径网络中。

优化调度算法下冷链列车作业流程逻辑图如图8所示。

4　案例分析

某国际冷链有限公司经营范围包括粮油仓储、低温仓储、集装箱租赁、食用农产品初加工、海关监管货物仓储等服务。旗下运营的集散中心总建筑面积30.5万m²，总库容为22.7万t，现已建成3座冷库、1个冷藏集装箱堆场和1栋配套展示楼，是全国最大临港冷链仓库群及综合性冷链物流集散分拨基地。

4.1　设计布局

集散中心的总体设计布局包括冷库内部布局和园区作业布局。立体冷库采用地上8层，地下1层结构，配置-23 ℃低温区和0 ℃温区，以“工”字型穿堂实现高效存储。冷库1层月台作业区南北各设立24个月台，货物存储区拥有4个1 300 m²的大型冷藏间。

园区北侧设5.46万m²的港口空箱堆场区域，南侧设大型铁路场站集装箱堆场，利用轨道龙门吊对4条装卸线上的冷藏集装箱进行装卸作业，通过道路网络实现公铁海多式联运的高效衔接，集散中心设计布局图如图9所示。

4.2　实验方案设计

针对以上设计布局方案，开展传统调度算法作业流程与优化调度算法作业流程效率及货物损耗率的对比分析仿真实验。为了满足仿真模拟系统与实际系统的一致性要求，模型运行时间以秒为单位，按照集散中心工作时长为每天8 h，模型运行3 d，即86 400 s，针对各个环节的作业流程时间、移动设施设备相关仿真参数进行设置。模型仿真参数设置如表3所示。

4.3　仿真实验及分析

在以上仿真参数设置下分别对传统调度算法下的作业流程以及优化调度算法下作业流程进行仿真实验，结合数据指标，对比分析二者之间的差异性，模型仿真效果图如图10所示。

4.3.1　库存周转时间对比分析

库存周转时间对比如表4所示。经过优化调度算法的全面应用，库存周转效率实现了系统性提升。在出入库环节，优化前，仿真中入库时间长达1 695 s，主要由于传统调度算法使用的“先到先服务”策略，无法动态响应实时需求，冷库资源分配冲突频发，对货物的库存周转产生了一定的延误。优化后，算法通过静态优先级与资源预分配机制，入库作业时间从1 695 s缩减至1 060 s，降幅达37.4%；出库环节通过动态优先级与最短路径调度算法，作业时长由2 960 s压缩至2 192 s，降幅达25.9%。这种双向效率提升推动整体库存周转时间从46 445 s降至45 768 s，降幅1.5%，提升冷库内部响应速度。此外，优化调度算法下作业流程使得冷链托盘货物的入库前准备流程得到深度优化，货物上架时间节点平均提前10 min。这种及时上架机制虽然使存储周期增加736 s，但有效规避了传统作业模式下货物在暂存区滞留产生的品质风险，同时为动态库位优化创造了操作窗口。

4.3.2　园区固定设备工作指标对比分析

采用优化调度算法后，园区固定设备的工作效能实现多维跃升，园区固定设备工作指标对比如表5所示。不同功能堆场的冷藏集装箱周转效率呈现阶梯式优化特征：港口堆场依托优化调度算法下作业流程的资源预分配机制，使集装箱平均堆存时间从12 h压缩至9 h，降幅达36.9%；空箱堆场冷藏集装箱滞留时间由11 h降至9 h，周转效率提升23.7%；铁路堆场冷藏集装箱受益于静态优先级算法和装卸流程优化，集装箱堆存时间从10.1 min骤减至7.8 min，降幅22.7%，有效降低因铁路堆场无法接电而带来的货物损耗风险。数据表明提出的作业流程优化方案有效减少冷藏集装箱在各类固定设备中的堆存时间，提高设备利用率，在提升集散中心的整体作业效率和服务能力的同时，降低货物暴露于非控温环境的风险，减少冷链货物损耗。

4.3.3　园区移动设备工作指标对比分析

园区移动设备工作指标对比如表6所示，各环节作业效率呈现差异化提升特征。在传统调度算法中，其调度策略僵化，缺乏动态优先级机制、路径规划静态化，缺乏实时避障与优化、资源分配缺乏预见性，未能适应铁路冷链运输的时间刚性、空间约束及动态需求波动。传统调度算法采取固定路线规划，当产生拥堵、突发任务等情况会大幅降低工作效率。此外传统算调度法未实施资源的预分配，当列车到站后，由于装卸线、龙门吊等资源未提前锁定，错过了工作窗口。通过优化调度算法的静态优先级策略以及资源预分配机制，列车作业体系呈现结构性改良：卸货列车平均停留时间缩减131 s，降幅4.9%，在确保作业质量前提下实现效率提升；装货环节优化效果更为突出，平均停留时间下降1 974.8 s，降幅达24%，这源于优化调度算法对装载准备流程的提前预判，提升设备就绪匹配度。公路冷藏车作业方面，卸货停留时间压缩913.4 s，降幅达52.9%，装货停留时间同步下降238.9 s，降幅为9.48%，内集卡车作业时间优化3 733.9 s/辆。移动设备作业效率整体提高，加快货物周转速度，为降低冷链货物损耗率提供了保障。

4.3.4　货物处理能力对比分析

运行仿真模型得到2种作业流程下托盘及冷藏集装箱处理能力曲线图，托盘货物处理曲线对比图如图11所示。对比分析发现，在托盘作业环节，优化调度算法下设备综合处理能力实现突破性提升。

数据显示，托盘处理效率从原方案的每小时244个跃升至342个，增量达98个/h，处理能力提升幅度达40.2%。动态仿真曲线进一步揭示，在连续仿真时间内，新方案处理量曲线始终稳定高于原方案基准线，峰值时段处理效率差距最大扩展至128个/h，充分验证了作业流程优化的鲁棒性。

冷藏集装箱处理曲线对比图如图12所示。通过仿真动态曲线对比分析可以清晰观察到，优化调度算法下冷藏集装箱处理能力形成系统性突破。数据显示，在连续作业仿真时间内，新方案的累积处理量曲线始终以稳定优势领先于传统调度算法下作业流程基准线，至模拟周期结束时累计处理差额达30 FEU。曲线的周期性波动特征与冷链列车时刻表形成精确映射，每个周期对应2班次列车到达事件，触发处理量阶梯式跃升。尤为关键的是，优化调度算法下曲线的震荡幅度较基准线更加剧烈且明显，有力地证明该方案在显著提升冷藏集装箱整体处理效率上的实用性。

4.3.5　货物损耗率对比分析

仿真实验结果表明，采用优化调度算法后，货物损耗率由6.9%降至4.3%，降低2.6个百分点。传统方案下货物在暂存区平均滞留时间达45 min，而新方案通过动态优先级调度将其压缩至28 min。通过资源预分配机制与最短路径规划，基于动、静态优先级设定的分配机制，可以支持冷链物流从传统经验驱动向数据智能决策转型。

4.4　集散中心优化管理建议

经优化调度算法所设计的作业流程方案，在实证应用中取得显著成效，实现处理能力提升、货物损耗率降低、列车停留时间减少等优化目标，验证了多种调度算法在复杂物流场景中的适应性。基于算法的运行逻辑，建议集散中心从3个维度实施管理升级，将算法内核转化为管理规则及技术指标。

（1）搭建动态优先级分级机制。根据仿真中动态优先级调度使货物损耗率降低38.4%的结论，关联动-静态优先级算法的应用效果，集散中心制定《冷链货物分级管理标准》，将货物划分为A(高价值易腐)、B(常规冷链)、C(耐储温控)三级，分别对应差异化的处理时效；同时开发货物损耗率实时监测系统，当货物损耗率监测值超过阈值时自动升级优先级，触发应急调度预案。

（2）实施路径标准化及动态调整控制。基于仿真中路径冲突率从18%降至4%的优化效果，建议设计作业动线规则，集散中心按照《综合货运枢纽设计规范》设计作业动线，如规定铁路装卸区与冷库之间直线距离、轨道龙门吊与集卡车分时段共享通道、冷库主干道及货架通道等；同时设计移动设备路径优先级规则，制定避让冲突机制，如空载设备避让满载设备、低优先级货物设备避让高优先级货物设备、后到设备避让先到设备等。

（3）推进资源预分配机制。结合预分配机制使铁路堆场集装箱堆存时间减少22.7%，集散中心实施资源预分配机制，推行“三提前”制度，即铁路冷链列车到站前2 h预分配龙门吊资源、公路冷藏车到达前1 h分配目标月台、冷藏货物出入库作业前30 min匹配叉车-货架-月台资源链。

5　结束语

针对提升铁路冷链联运集散中心作业效率的关键需求，提出一种融合动-静态优先级评估、资源预分配机制与最短路径规划的新型作业流程方案。通过仿真平台实现了2种作业流程的可视化模拟，并选择关键平均指标开展对比分析实验。结果表明：优化调度算法通过动态调整资源分配策略和优化多智能体协同路径，使得托盘与冷藏集装箱的处理能力分别提升40.2%和23.7%，货物损耗率降低2.6个百分点，验证了动-静态优先级评估与资源预分配机制在复杂物流场景中的适应性与优越性，为集散中心的实际运营优化提供了有效的技术支撑。

参考文献

[1] HE K. AP Clustering Algorithm for Analysis of the Impact of Cold Chain Distribution Center Location on Logistics Costs[J]. Journal of Industrial and Production Engineering，2023，40(8)：661-676.

[2] 丁丽娟，陈红丽. 基于保供的城市生鲜冷链配送中心布局优化研究[J]. 物流研究，2023(6)：25-33.

[3] DING Lijuan， CHEN Hongli. Optimization of the Layout of Urban Fresh Cold Chain Distribution Centers Based on Supply Guarantee[J]. Logistics Research，2023(6)：25-33.

[4] 李　刚. 基于节点理论的铁路冷链集散中心运作研究[D]. 北京：中国铁道科学研究院，2016.

[5] 李春雨，李长淮，王　言. 铁路冷链物流基地设施布局优化设计研究[J]. 铁道运输与经济，2020，42(9)：57-62，111.

[6] LI Chunyu， LI Changhuai， WANG Yan. Design of Facility Layout Optimization of Railway Cold Chain Logistics Centers[J]. Railway Transport and Economy，2020，42(9)：57-62，111.

[7] 金一文. 基于MSFLB框架下的长沙霞凝铁路港冷链物流基地发展战略研究[D]. 成都：西南交通大学，2019.

[8] 肖婷婷. JIT配送下生鲜农产品批发市场的探讨[J]. 物流工程与管理，2020，42(3)：42-43.

[9] XIAO Tingting. Discussion on the Wholesale Market of Fresh Agricultural Products under JIT Distribution[J]. Logistics Engineering and Management，2020，42(3)：42-43.

[10] 武　娜. T冷链物流配送中心仓储作业系统仿真与优化研究[D]. 邯郸：河北工程大学，2020.

[11] 陈旭超. 铁路物流中心运输核心作业仿真及优化研究[D]. 北京：北京交通大学，2020.

[12] 许植深. 基于多智能体的铁路快捷物流作业区作业能力优化仿真研究[J]. 铁道运输与经济，2024，46(7)：69-77.

[13] XU Zhishen. Optimisation of Operation Capacity of Railway Express Logistics Area Based on Multi-Agent Simulation[J]. Railway Transport and Economy，2024，46(7)：69-77.

[14] ZHU C Z， JI G P. Studies on the Simulation Optimization of Distribution Center Operations for Cold Chain Logistics Using Petri Nets and AnyLogic[C]//2024 12th International Conference on Traffic and Logistic Engineering (ICTLE). China：IEEE，2024：219-223.

[15] WANG W Y， LIU H K， TIAN Q，et al. An Enhanced Variable Neighborhood Search Method for Refrigerated Container Stacking and Relocation Problem with Duplicate Priorities[J]. Transportation Research Part E：Logistics and Transportation Review，2024，188：103643.

[16] 王旭坪，王　悦，李　娅，等. 果蔬采后分级和预冷车辆协同调度模型与算法[J]. 系统管理学报，2024，33(1)：76-89.

[17] WANG Xuping， WANG Yue， LI Ya，et al. Collaborative Scheduling of Grading and Pre-Cooling Vehicles for Post-Harvest Fruits and Vegetables：Model Formulations and Solution Algorithms[J]. Journal of Systems & Management，2024，33(1)：76-89.

[18] 张铁金. 海铁联运一体化集装箱场站集卡调度研究[J]. 铁道运输与经济，2024，46(2)：54-61.

[19] ZHANG Tiejin. Research on the Truck Scheduling of Container Yard for Integrated Sea-Rail Intermodal Transport[J]. Railway Transport and Economy，2024，46(2)：54-61.

[20] 张光远，户克玮，李亚凌，等. 铁路冷链运输服务产品发展研究[J]. 铁道货运，2024，42(10)：13-22.

[21] ZHANG Guangyuan， HU Kewei， LI Yaling，et al. Development of Railway Cold Chain Transportation Service Products[J]. Railway Freight Transport，2024，42(10)：13-22.

[22] RONG A Y， AKKERMAN R， GRUNOW M. An Optimization Approach for Managing Fresh Food Quality Throughout the Supply Chain[J]. International Journal of Production Economics，2011，131(1)：421-429.

[23] 刘俊杰，鲁工圆，张宏翔，等. 基于多智能体仿真的高铁货运场站作业能力分析方法[J]. 铁道运输与经济，2024，46(12)：19-29.

[24] LIU Junjie， LU Gongyuan， ZHANG Hongxiang，et al. A Method for Analyzing Operational Capacity of High Speed Rail Freight Terminals Based on Multi-Agent Simulation[J]. Railway Transport and Economy，2024，46(12)：19-29.

[25] 刘亮. 复杂系统仿真的AnyLogic实践[M]. 2版. 北京：清华大学出版社，2023.

[26] 唐　浩，于晓东，吴志伟，等. 铁路货场货运组织作业优化的探讨[J]. 铁道货运，2024，42(7)：7-11，17.

[27] TANG Hao， YU Xiaodong， WU Zhiwei，et al. Operation Optimization of Freight Organization in Railway Freight Yards[J]. Railway Freight Transport，2024，42(7)：7-11，17.

基金资助

国家自然科学基金面上项目(52472332)

四川省自然科学基金面上项目(2024NSFSC0178)

四川省高等教育人才培养质量和教学改革项目(JG2024-0291)

西南交通大学本科教改项目(JG2024031)