针对模型中速度固定和车辆碳排放计算方法单一问题,国内外许多研究者进行了深入研究。陈久梅等
[6]考虑了不同产品对冷冻温度和湿度的不同需求,建立了生鲜农产品多隔室车辆路径优化模型( Multi-Compartment Vehicle Routing Problem,MCVRP),接着将车辆路径规划问题(Vehicle Routing Problem,VRP)的国际标准算例改变后得到28个MCVRP标准算例,最后使用融合了邻域搜索算法的粒子群算法对模型求解,改进后的算法求得的总路径降低了2%。张倩等
[7]建立了考虑配送成本、产品新鲜度、碳排放等因素的生鲜电商优化模型,其中计算产品新鲜度时考虑了距离和时间因素形成新鲜度公式,在计算碳排放时考虑了运输距离和负载,构建了包括总成本、产品新鲜度和碳排放的多目标优化模型,最后使用果蝇算法对该模型求解。上述研究虽然构建了考虑碳排放的模型,但忽视了车辆速度变化的现实情况,同时在碳排放计算方法上没有创新。肖建华等
[8]提出了基于城市道路限行的多车型车辆路径优化模型,并使用变邻域搜索算法求解该模型,证明该模型可以降低物流成本、提升配送效率和改善城市环境。赵志学等
[9]提出了考虑拥堵区域的多车型绿色车辆路径问题优化模型,求解结果表明不同的道路状况对物流配送成本有较大影响。李军涛等
[10]提出了考虑拥堵指数的多车型冷链路径优化模型,并使用自适应遗传模拟退货算法求解,结果表明该模型和算法可以降低56%的碳排放量。Wang等
[11]在2016年构建了总成本最低和最大新鲜度的多目标优化模型,并使用两阶段启发式算法求解,其中先使用K-means聚类方法生成初始解,接着使用可变邻域搜索和遗传算法对其进行进一步寻优。Ma等
[12]在时间依赖车辆路径问题的基础上(Time Dependent Vehicle Routing Problem,TDVRP),建立了车辆灵活出发条件下的生鲜农产品配送模型。Liu等
[13]在带时间窗的时间依赖车辆路径问题(Time Dependent Vehicle Routing Problem With Time Window,TDVRPTW)的基础上,提出了考虑固定成本、人力成本和燃油消耗的配送路径优化模型,并使用改进的蚁群算法对该模型求解。Hsiao等
[14]利用改进遗传算法研究了视频类型和温度变化的路径优化问题。Byung等
[15]比较了冷藏车和一般车型的配送成本,确认了冷藏车在生鲜农产品配送中的有效性。Alinaghian和Nadia等
[16]采用大规模邻域算法和变邻域算法解决了多隔室和多中心的配送路径问题。Hiassat等
[17]考虑易腐品特性,建立了配送中心-库存优化模型,并使用局部搜索改进的遗传算法求解。以上研究同时考虑了多车型和道路拥堵情况,但对于晴天时不同时间段的道路状况,没有建立起相应的车速特征模型。最后,部分研究
[6,9]的算例客户点数量均在30个以下,且算例客户分布类型较为单一,没有考虑大规模客户在离散、集中与混合分布的这三种情况下的求解结果。