考虑多商品需求与库存差异的多车场协同配送车辆路径优化

摘要

针对现有多车场车辆路径问题研究多局限于同质商品配送的现状，提出考虑车场商品库存差异与客户多商品需求的多车场协同配送车辆路径问题(multi-depot collaborative distribution vehicle routing problem with multi-commodity, MDCDVRPMC)，通过订单拆分处理异构需求，构建以运输成本最小化为目标的混合整数规划模型，并设计增强型自适应大邻域搜索(enhanced adaptive large neighborhood search,EALNS)算法进行求解。该算法融合K–means聚类、节约算法和贪婪重组策略生成初始解，采用自适应大邻域搜索算法避免早熟收敛，结合2–opt邻域操作与模拟退火Metropolis准则实现深度优化。最后，采用Gurobi求解器与自适应大邻域搜索(ALNS)、遗传算法(genetic algorithm,GA)和蚁群算法(ant colony optimization,ACO)进行标准案例测试，验证模型正确性与算法性能。结果表明：EALNS在保证解质量的前提下，求解效率显著提升(求解时间仅为Gurobi的2%)；相较于对比算法，其求解质量提升13%～35%，解稳定性提高20%～40%，展现出更优的收敛性能和鲁棒性。研究成果为复杂物流环境下多车场的协同配送提供了高效解决方案，有效拓展了车辆路径优化理论在实际物流场景中的应用范围。

关键词

多车场车辆路径问题 / 多商品配送 / 库存差异 / 订单拆分 / 自适应大邻域搜索 / 协同配送 / 物流优化 / 智能算法