2024年CIE SCI2区TOP，基于NSGA-II与混合染色体的冷藏新鲜产品配送三维多目标多物品生态路径规划问题，深度解析+性能实测-平芜编程栈

1.摘要

针对发展中国家冷藏食品运输损耗严重与冷链碳排放矛盾的问题，本文提出三维多目标多物品生态路径规划模型，旨在同时优化配送路径、车辆速度与保鲜率，以最大化利润并最小化碳排放。本文提出改进NSGA-II算法（NSGA-IIwDOs），采用混合染色体编码，结合问题特定的交叉与变异算子。通过在标准问题上测试验证算法性能，分析了有无时间窗、路况车速约束等多种情景，给出了帕累托前沿与管理启示。

2.冷藏生鲜产品的三维多目标多项目生态路径

供应商从冷库出发，用冷藏车向多个零售商节点配送两类生鲜产品，按需求逐点卸货后返回冷库。网络为3D 多路径路网：节点之间、以及冷库与节点之间都存在多条可选路径。

制冷技术可减缓新鲜度劣化，但会增加运输成本与碳排放；车辆速度作为连续决策变量，同时影响行程时间、燃油消耗和碳排放。运输过程中需考虑收费站和铁路道口造成的等待时间、固定费用及额外碳排，同时还需计入卸货时间与成本、驾驶员强制休息时间，以及基于全单位折扣（AUD）的重量相关运输费率。模型目标函数为最大化利润与最小化碳排放。

论文分为以下模型讨论：

Model-A：含卸货时间窗 + 制冷 + 道口/收费站
Model-A0：无制冷
Model-A1：无卸货时间窗
Model-A2：在 A1 基础上增加总行程时长硬约束
Model-A3：精简路网

3.NSGA-IIwDOs算法

编解码方案和初始化

在NSGA-IIwDOs模型中，染色体编码了零售商的配送顺序，零售商编号从2到10，1代表仓库。配送计划从仓库出发，按顺序访问各零售商，最后返回仓库。每条路径有相应的车速和制冷速率，染色体的组成包括零售商顺序、路径选择、各路径的平均车速以及对应的制冷速率。初始种群通过随机生成解来创建，逐步形成配送路径，随机选择节点、路径、车速和制冷速率，确保每个解的唯一性。

改进选择算子

在NSGA-IIwDOs中，选择操作采用了基于非支配的概率选择方法，其允许适应度较低的染色体以较小的概率参与交配，从而加速收敛。过Boltzmann概率与混合度量相结合来决定选择，允许某些较低适应度的染色体进入配对池，有助于避免过早收敛并增强种群的多样性。

混合交叉算子

NSGA-IIwDOs算法结合了多目标优化原理和基因级别的非支配特性，生成具有非支配特征的后代。对于离散和连续变量，离散变量使用随机生成的新路径连接节点；对于连续变量采用实数编码交叉方法，通过结合父代基因值和随机生成的混合因子，生成新的后代基因。

4.结果展示

5.参考文献

[1] Thakur K, Maity S, Nielsen P, et al. A 3D multiobjective multi-item eco-routing problem for refrigerated fresh products delivery using NSGA-II with hybrid chromosome[J]. Computers & Industrial Engineering, 2024, 198: 110644.