考慮動態需求的生鮮商品物流配送優化方法研究

王勇，羅雙，茍夢圓，羅思妤

自動化與智能化技術

考慮動態需求的生鮮商品物流配送優化方法研究

王勇1,2，羅雙1，茍夢圓1,2，羅思妤1

（1.重慶交通大學，重慶 400074；2.綠色物流智能技術重慶市重點實驗室，重慶 400074）

針對生鮮商品配送過程中客戶需求的變化，協調靜態與動態客戶需求之間的關系，合理規劃路徑，并降低物流總成本。首先考慮客戶生鮮需求的多樣化溫控區間、隨機訂單請求時間及動態需求量等因素，構建物流總成本最小化的整數規劃模型。然后，設計基于高斯混合聚類的改進蟻群算法求解該模型，并提出動態需求處理策略，用于路徑的再優化。其次，通過與粒子群算法、遺傳算法和鯨魚優化算法進行對比分析，驗證文中設計算法的有效性。最后，以重慶市某生鮮配送網絡為例，對比分析優化前后的運營指標，并探討生鮮商品價值損失水平與物流總成本之間的關系。經優化后，物流總成本下降了22.35%，其中懲罰成本、價值損失、配送成本和溫控成本分別下降了39.84%、61.84%、29.80%、57.00%。文中所提的模型、算法和動態需求處理策略可以合理規劃配送路徑，有效降低了總成本，為考慮動態需求的生鮮配送網絡優化提供了參考。

生鮮商品配送；動態需求；價值損失；高斯混合聚類；改進蟻群算法

隨著經濟社會的快速發展和人民生活水平的不斷提高，生鮮商品的配送需求日益增加[1]。由于生鮮商品具有易腐性和時效性等特征，因此對配送過程的溫度控制和即時性提出了嚴格要求。目前，生鮮商品的配送過程普遍存在客戶需求多樣化和動態變化情景（如新增客戶需求，客戶需求增加或減少等），而不合理的配送線路設計會導致客戶需求服務延遲、配送過程溫控成本增加及生鮮商品價值損失嚴重等問題。2021年農業農村部數據顯示[2]，由生鮮商品運輸、存儲和配送過程的不規范及保鮮措施的不足導致的生鮮商品價值損失率高達30%。可見，研究考慮動態需求的生鮮商品物流配送優化問題，并高效處理生鮮商品動態需求、合理規劃生鮮商品配送車輛的路徑，進而降低生鮮商品價值損失和物流配送運營成本顯得尤為重要。國內外學者從生鮮商品配送路徑優化問題和考慮動態需求的車輛路徑問題2個方面展開了一系列研究工作。

在生鮮商品配送路徑優化問題研究方面，方文婷等[3]構建了總成本最小化的冷鏈物流路徑優化模型，設計了結合A*算法與蟻群算法的混合算法進行模型求解。李想等[4]考慮了配送距離和生鮮變質等因素，以總成本最小為優化目標，設計了模擬退火算法進行模型求解。Qi和Hu[5]從減少資源調度時間的角度，構建了價值損失最小化的數學模型，并設計了改進的蟻群算法進行模型求解。Liang等[6]構建了配送成本最小化和客戶滿意度最大化的雙目標模型，并提出了一種基于約束的混合元啟發式算法進行求解模型。由上述文獻可知，大部分研究集中考慮了靜態客戶需求的生鮮商品配送路徑優化問題，而結合客戶動態需求研究生鮮商品物流配送問題還有待進一步拓展。

在考慮動態需求的車輛路徑問題研究方面，林明錦等[7]針對新增的客戶需求和原有客戶需求變動的問題，構建了車輛使用數量和行駛距離最小化的雙目標優化模型，并提出了并行算法和模擬退火算法相結合的混合算法求解模型。丁秋雷等[8]針對不確定的客戶需求，構建了最小化配送成本和最大化客戶滿意度的數學模型，并應用包含蟻群算法和鄰域交換法的混合啟發式算法進行模型求解。范厚明等[9]考慮了訂單釋放時間的不確定性，建立了最小化配送時間和行駛距離的兩階段優化模型，并設計了一種改進的鄰域搜索算法進行模型求解。Xiang等[10]以總成本最小化為目標，提出了一種改進的蟻群算法進行研究。Wang等[11]考慮了時間窗和動態需求的車輛路徑問題，建立了最小化行駛距離和客戶等待時間的雙目標優化模型，并設計了基于集成學習的動態多目標優化算法求解模型。由上述文獻可知，混合啟發式算法能夠克服單一啟發式算法的局限性，提高求解效率，且常被用于求解考慮動態需求的車輛路徑問題，為文中研究的考慮動態需求的生鮮商品物流配送優化問題提供了理論支持。

文中研究考慮動態需求的生鮮商品物流配送優化問題，首先結合價值損失、溫控成本和動態需求的插入成本，構建總成本最小化的整數規劃模型。其次，設計基于高斯混合聚類的改進蟻群算法（Improved ant colony algorithm based on Gaussian mixture clustering，GMC-IACO）求解上述模型，并提出動態需求處理策略，用于調整路徑，以服務各類動態需求。然后，為了驗證GMC-IACO算法的有效性，與粒子群算法（Particle Swarm Optimization，PSMO）、遺傳算法（Genetic Algorithm，GA）和鯨魚優化算法（Whale Optimization Algorithm，WOA）進行對比分析。最后，結合實例，對比分析優化前后的配送成本、價值損失和溫控成本等指標，并進一步分析價值損失水平與總成本之間的關系，擬為考慮動態客戶需求的生鮮物流車輛路徑優化問題提供決策支持。

1 問題描述

考慮動態需求的生鮮商品物流配送網絡包含生鮮配送中心和一系列客戶，客戶的生鮮商品需求可分為靜態客戶需求和動態客戶需求2類。其中，靜態客戶需求在配送服務開始前出現，且其需求量不變；動態客戶需求是在配送過程中出現的，可以細分為3種類型，第1類動態客戶需求指需求量臨時減少的客戶需求；第2類動態客戶需求指需求量臨時增加的客戶需求；第3類動態客戶需求指在配送服務開始后才出現的新增客戶需求。此外，結合生鮮商品類型和生鮮商品運輸過程中的溫控要求，這里選擇3類生鮮商品進行配送服務，具體包括櫻桃、葡萄和玉米等生鮮果蔬（1～5 ℃），冷凍水餃、冰激淋等生鮮商品（?10～?6 ℃），冷凍海鮮、肉禽等生鮮肉制品（?20～?15 ℃）。結合客戶生鮮商品需求的動態性和配送溫度要求，優化生鮮商品的配送路徑。考慮了動態客戶需求的生鮮商品物流配送優化前后對比如圖1所示。

在優化考慮動態需求的生鮮商品物流配送網絡前（圖1a），不同溫控區間的生鮮商品混合配送，導致價值損失增加，如路線D→9→8→7→D中，客戶8、9的生鮮需求溫控區間為?10～?6 ℃，而客戶7的生鮮需求溫控區間為?20～?15 ℃，其中D表示配送中心。配送中心派遣新的車輛服務動態客戶需求，導致配送路線迂回交錯、時間窗違背現象突出，增加了車輛使用數量和時間窗懲罰成本。在優化考慮動態需求的生鮮商品物流配送網絡后（圖1b），通過動態客戶需求處理策略調整了各配送路徑，消除了配送路徑交叉和車輛違反客戶時間窗的現象，減少了生鮮商品價值損失和車輛使用數量。

假設配送車輛的租賃成本為140元/輛，單位時間的配送成本和懲罰成本分別為40、10元，單位動態需求的插入成本為15元。溫控區間分別為1～5 ℃、?10～?6 ℃、?20～?15 ℃的生鮮商品，其單位商品價格分別為18、25、30元，新鮮度系數分別為0.2、0.3、0.1，單位時間溫控成本分別為5、10、15元。由于這里涉及的客戶數量和需求量較少，因此結合不同溫控區間的生鮮商品特征指派相應的生鮮配送車進行服務，且客戶需求的增加未超過車輛裝載量限制。優化前后的相關運營指標如表1所示。

由表1可知，經優化后車輛使用數量從4輛降至3輛，總成本從1 772.9元降至1 314.1元。其中，價值損失、配送成本和租賃成本分別降低了10.00%、31.82%、25.00%。

2 模型建立

2.1 模型假設

在生鮮商品配送過程中，車輛從生鮮配送中心出發依次服務客戶，在滿足生鮮配送線路上的靜態和動態客戶需求后返回配送中心。相關模型假設如下所述。

1）靜態客戶需求的相關信息（溫控區間、服務時間窗和地理坐標等）在配送中心開始服務前已知。當配送中心開始服務后，動態客戶需求在配送中心服務時間窗內出現[12]，且相關信息可知。

2）動態客戶需求包含3種類型的需求，第1種類型為需求量增加的客戶需求；第2種類型為需求量減少的客戶需求；第3種類型為新增客戶需求。第1種和第2種類型的生鮮商品需求僅考慮增加同一溫控區間的商品，且同一溫控區間的生鮮商品無差別。

3）生鮮商品配送車是單溫區冷藏車，且生鮮配送車輛在服務完最后一個客戶需求后，在返回配送中心的過程中不再計算溫控成本[13]。

4）生鮮商品的價值損失與配送行程時間呈正相關。

2.2 符號定義

模型構建相關變量定義如表2所示。

圖1 考慮動態客戶的生鮮商品物流配送網絡優化前后

表1 考慮動態客戶需求的生鮮物流配送網絡優化前后運營指標

Tab.1 Operating indicators of fresh commodity distribution network considering dynamic customer demands before and after optimization

表2 變量定義

Tab.2 Variable definitions

2.3 模型構建

以總成本最小化為目標，構建了考慮動態客戶需求的生鮮商品物流配送優化模型，具體見式（1）。

式中：1為配送成本，計算見式（2）；2為價值損失，計算見式（3）；3為動態客戶需求的插入成本和配送車輛的租賃成本，計算見式（4）；4為溫控成本，計算見式（5）；5為時間窗懲罰成本，計算見式（6）。

約束條件見式（7）～（25）。

式（7）表示消除子回路，式（8）表示每個客戶僅被訪問1次，式（9）表示節點流量守恒，式（10）表示車輛服務的需求量不超過該車輛的最大載重量，式（11）表示所有客戶的需求總量不超過配送中心的最大配送量，式（12）表示車輛使用數的計算，式（13）～（14）表示車輛到達客戶的時間約束，式（15）～（16）表示車輛在配送中心時間窗內進行服務，式（17）表示動態客戶需求在配送中心服務時間窗內產生，式（18）表示不用服務需求量減為0的客戶，式（19）表示單個動態客戶需求的需求量不超過車輛最大裝載量，式（20）～（25）表示決策變量。

3 基于高斯混合聚類的改進蟻群算法

針對考慮動態客戶需求的生鮮商品物流配送優化問題，這里設計了GMC-IACO算法進行求解。首先，應用高斯混合聚類（Gaussian mixture clustering，GMC）算法按照配送溫度和地理位置將客戶劃分到不同的簇。然后，在各個簇中，結合動態客戶需求處理策略，通過改進蟻群算法（Improved ant colony algorithm，IACO）規劃路徑。GMC-IACO算法流程如圖2所示，其中，max表示最大迭代次數，max表示聚類最大迭代次數，max表示螞蟻總數。

3.1 高斯混合聚類

GMC算法基于概率分布進行簇的劃分[14]，每個簇對應不同的高斯分布（即多元正態分布）。首先，假設簇的數量等于溫控區間數量，通過式（26）計算高斯混合密度概率。其次，應用式（27）計算客戶在各分布的條件概率，將客戶分配到最大條件概率對應的分布內。然后，應用式（28）更新相關參數，并進行迭代，直至達到最大迭代次數。最后，根據式（29）將客戶劃分到相應的簇中。

式中：為高斯分布數量；為客戶；α=1/；μ為簇的均值向量；∑為簇的協方差矩陣。

式中：z為客戶所屬的高斯分布。

式中：γ為客戶符合分布的概率。

3.2 改進的蟻群算法

3.3 算法檢驗

為了驗證GMC-IACO算法的有效性，將該算法與PSO[19]、GA[20]和WOA[21]算法進行比較。這里修改了Solomon數據集[22]中的20組測試數據，假設配送中心有3類生鮮商品，其溫控區間分別為?20～?15 ℃、?12～?7 ℃、?3～2 ℃，對應商品的價格依次為18、15、7元/kg，算例特征如表4所示。算法參數設置如表5所示，每組算例計算15次，選擇最優的結果進行比較，如表6所示。

表3 IACO算法偽代碼

Tab.3 Pseudocode of IACO algorithm

表4 數據集特征

Tab.4 Characteristics of datasets

表5 參數設置

Tab.5 Parameter settings

表6 不同算法結果比較

Tab.6 Comparison of different algorithm results

由表6可知，在總成本上，GMC-IACO算法結果的均值為1 775元，相較于PSO、GA、WOA算法結果的均值分別降低了11.03%、7.12%、15.76%；GMC-IACO算法的平均計算時間為36 s，PSO、GA、WOA算法的平均計算時間分別為39、41、38 s。由檢驗和的統計分析結果可知，GMC-IACO算法與其他3種算法的計算結果存在差異。由此可見，在求解考慮動態客戶需求的生鮮商品配送優化問題方面，GMC-IACO算法具有更好的尋優能力。

4 實例分析

4.1 實例數據

表7 客戶點特征

Tab.7 Characteristics of customers

圖3 配送中心與客戶地理位置分布

4.2 優化結果

基于上述配送中心及客戶點信息，根據客戶生鮮需求的配送溫度和地理坐標劃分客戶，聚類結果如圖4所示。

如圖4所示，通過GMC算法聚類后，各個客戶被分配到相應的溫控區間，溫控區間為?20～?15 ℃、?12～?7 ℃、?3～2 ℃的靜態客戶需求數量分別為30、30、25個，且相應動態客戶需求數量分別為15、9、11個。考慮動態客戶需求的生鮮商品優化后配送路線與優化前后的指標值如表8、9所示。

由表8和表9可知，經優化后總成本下降了22.35%。其中，懲罰成本、價值損失、配送成本和溫控成本分別下降了39.84%、61.84%、29.80%、57.00%。由此可見，通過GMC-IACO算法進行路徑規劃，可有效降低成本、提高配送效率。

圖4 聚類結果

表8 考慮動態客戶需求的生鮮商品優化后配送路線

Tab.8 Optimized routes of fresh commodity distribution considering dynamic customer demands

注：*表示新增客戶需求；^表示需求量增加的客戶；#表示需求量減少的客戶。

表9 考慮動態客戶需求的生鮮商品配送優化前后結果對比

Tab.9 Comparison of results of fresh commodity distribution considering dynamic customer demands before and after optimization

4.3 價值損失水平的敏感度分析

這里選取溫控區間為?20～?15 ℃內的客戶點，分析討論生鮮商品不同價值損失水平對總成本的影響。設置價值損失數值在150～200范圍內為低水平價值損失、在201～250范圍內為中等水平價值損失、在251～300范圍內為高水平價值損失。總成本和價值損失水平關系如圖5所示。

圖5 總成本與價值損失的關系

由圖5可知，相較于高水平價值損失和中等水平價值損失情況，低水平價值損失的總成本最高；在高水平價值損失下，其總成本高于中等水平價值損失下的總成本；在中等水平價值損失下，其總成本最低。由此可見，將價值損失設置為中等水平，能夠同時保障生鮮商品的新鮮度、降低總成本。

5 結論

考慮了配送過程中需求的動態性，研究了考慮動態客戶需求的生鮮商品物流配送優化問題，構建了總成本最小化的數學模型，并提出了包含動態客戶需求處理策略的GMC-IACO算法求解模型。基于改進的Solomon算例，將GMC-IACO算法與PSO、GA、WOA算法進行了比較分析，驗證了算法的有效性。最后，分析了重慶市某配送網絡優化前后的結果，經優化后總成本下降了22.35%，價值損失和溫控成本分別下降了61.84%、57.00%。同時，進一步探討了價值損失水平對總成本的影響，結果顯示，設置中等價值損失水平可以有效降低總成本。文中研究可為處理生鮮商品配送過程中的動態客戶需求提供新思路和方法借鑒。

[1] ZHANG Y D, FAN X M, MA Y H, et al. Spatial Impacts of Cold Chain Logistics for Fresh Agri-Products on Carbon Emissions[J]. Transportation Research Part D: Transport and Environment, 2022, 113: 103525.

[2] 張倩, 熊英, 何明珂, 等. 不確定需求生鮮電商配送路徑規劃多目標模型[J]. 系統仿真學報, 2019, 31(8): 1582-1590.

ZHANG Q, XIONG Y, HE M K, et al. Multi-Objective Model of Distribution Route Problem for Fresh Electricity Commerce under Uncertain Demand[J]. Journal of System Simulation, 2019, 31(8): 1582-1590.

[3] 方文婷, 艾時鐘, 王晴, 等. 基于混合蟻群算法的冷鏈物流配送路徑優化研究[J]. 中國管理科學, 2019, 27(11): 107-115.

FANG W T, AI S Z, WANG Q, et al. Research on Cold Chain Logistics Distribution Path Optimization Based on Hybrid Ant Colony Algorithm[J]. Chinese Journal of Management Science, 2019, 27(11): 107-115.

[4] 李想, 閔德權, 張祺. 隨機需求下半開放式冷鏈物流車輛路徑優化[J]. 包裝工程, 2022, 43(7): 160-169.

LI X, MIN D Q, ZHANG Q. Routing Optimization of Semi-Open Cold-Chain Logistics Vehicle under Random Demand[J]. Packaging Engineering, 2022, 43(7): 160-169.

[5] QI C M, HU L S. Optimization of Vehicle Routing Problem for Emergency Cold Chain Logistics Based on Minimum Loss[J]. Physical Communication, 2020, 40: 101085.

[6] LIANG X Y, WANG N M, ZHANG M, et al. Bi-Objective Multi-Period Vehicle Routing for Perishable Goods Delivery Considering Customer Satisfaction[J]. Expert Systems with Applications, 2023, 220: 119712.

[7] 林明錦, 王建新, 王超. 考慮動態度和時間窗的兩級車輛路徑問題[J]. 計算機集成制造系統, 2022, 28(6): 1870-1887.

LIN M J, WANG J X, WANG C. Two-Echelon Vehicle Routing Problem with Time Window Considering Dynamic Degree[J]. Computer Integrated Manufacturing Systems, 2022, 28(6): 1870-1887.

[8] 丁秋雷, 胡祥培, 位娟, 等. 動態需求下蓄冷式多溫共配多目標優化模型及算法[J]. 運籌與管理, 2021, 30(12): 13-19.

DING Q L, HU X P, WEI J, et al. Research on Multi-Objective Optimization Model and Algorithm of Cold Storage Multi-Temperature Joint Delivery under Dynamic Demand[J]. Operations Research and Management Science, 2021, 30(12): 13-19.

[9] 范厚明, 咸富山, 王懷奇. 動態需求下考慮訂單聚類的外賣配送路徑優化[J]. 系統仿真學報, 2023, 35(2): 396-407.

FAN H M, XIAN F S, WANG H Q. Takeout Distribution Routes Optimization Considering Order Clustering under Dynamic Demand[J]. Journal of System Simulation, 2023, 35(2): 396-407.

[10] XIANG X S, QIU J F, XIAO J H, et al. Demand Coverage Diversity Based Ant Colony Optimization for Dynamic Vehicle Routing Problems[J]. Eng Appl Artif Intell, 2020, 91: 103582.

[11] WANG F, LIAO F S, LI Y X, et al. An Ensemble Learning Based Multi-Objective Evolutionary Algorithm for the Dynamic Vehicle Routing Problem with Time Windows[J]. Computers & Industrial Engineering, 2021, 154: 107131.

[12] WANG Y, ZHE J Y, WANG X W, et al. Collaborative Multicenter Reverse Logistics Network Design with Dynamic Customer Demands[J]. Expert Systems with Applications, 2022, 206: 117926.

[13] 王勇, 張杰, 劉永, 等. 基于資源共享和溫度控制的生鮮商品多中心車輛路徑優化問題[J]. 中國管理科學, 2022, 30(11): 272-285.

WANG Y, ZHANG J, LIU Y, et al. Optimization of Fresh Goods Multi-Center Vehicle Routing Problem Based on Resource Sharing and Temperature Control[J]. Chinese Journal of Management Science, 2022, 30(11): 272-285.

[14] 王宏偉, 柴秀俊. 基于高斯混合模型聚類的非均勻采樣系統的多模型切換辨識[J]. 控制與決策, 2021, 36(12): 2946-2954.

WANG H W, CHAI X J. Multi-Model Switching Identification for Non-Uniformly Sampled Systems Based on Gaussian Mixture Model Clustering[J]. Control and Decision, 2021, 36(12): 2946-2954.

[15] 劉琳, 賈鵬, 高犇, 等. 新鮮度限制約束下物流配送中心選址-路徑優化[J]. 包裝工程, 2022, 43(5): 232-241.

LIU L, JIA P, GAO B, et al. Location Routing Optimization of Logistics Distribution Center under Freshness Limitation[J]. Packaging Engineering, 2022, 43(5): 232-241.

[16] 王書勤, 黃茜. 軍事定向越野路徑優化問題建模及混合蟻群算法求解[J]. 運籌與管理, 2018, 27(4): 105-111.

WANG S Q, HUANG Q. Route Optimization Model of Military Orienteering and Its Solution to a Hybrid Ant Colony Algorithm[J]. Operations Research and Management Science, 2018, 27(4): 105-111.

[17] 李陽, 范厚明, 張曉楠. 動態需求下車輛路徑問題的周期性優化模型及求解[J]. 中國管理科學, 2022, 30(8): 254-266.

LI Y, FAN H M, ZHANG X N. A Periodic Optimization Model and Solution for Capacitated Vehicle Routing Problem with Dynamic Requests[J]. Chinese Journal of Management Science, 2022, 30(8): 254-266.

[18] 陳萍, 董文哲, 于信堯. 新能源移動充電車路徑優化問題研究[J]. 運籌與管理, 2020, 29(2): 12-18. CHEN P, DONG W Z, YU X Y. Study on Routing Problem for New Energy Mobile Charging Vehicles[J]. Operations Research and Management Science, 2020, 29(2): 12-18.

[19] 楊健健, 唐至威, 王子瑞, 等. 基于VSPSO和A-G網絡的掘進機動態路徑規劃[J]. 控制與決策, 2019, 34(3): 642-648.

YANG J J, TANG Z W, WANG Z R, et al. Dynamic Path Planning of Roadheader Based on VSPSO and A-G Net[J]. Control and Decision, 2019, 34(3): 642-648.

[20] 王勇, 羅思妤, 周雪, 等. 多中心共同配送開閉混合式的車輛路徑優化問題[J]. 系統管理學報, 2023, 32(2): 215-232.

WANG Y, LUO S Y, ZHOU X, et al. Open-Closed Hybrid Vehicle Routing Optimization of Multi-Center Joint Distribution[J]. Journal of Systems & Management, 2023, 32(2): 215-232.

[21] 劉景森, 馬義想, 李煜. 改進鯨魚算法求解工程設計優化問題[J]. 計算機集成制造系統, 2021, 27(7): 1884-1897.

LIU J S, MA Y X, LI Y. Improved Whale Algorithm for Solving Engineering Design Optimization Problems[J]. Computer Integrated Manufacturing Systems, 2021, 27(7): 1884-1897.

[22] SOLOMON M M. Algorithms for the Vehicle Routing and Scheduling Problems with Time Window Constraints[J]. Operations Research, 1987, 35(2): 254-265.

[23] 蔣海青, 趙燕偉, 徐兆軍, 等. 動態需求低碳開放式選址?路徑問題[J]. 計算機集成制造系統, 2020, 26(1): 202-212.

JIANG H Q, ZHAO Y W, XU Z J, et al. Dynamic Demand Open Location-Routing Problem Considering Carbon Emissions[J]. Computer Integrated Manufacturing Systems, 2020, 26(1): 202-212.

[24] 任騰, 陳玥, 向迎春, 等. 考慮客戶滿意度的低碳冷鏈車輛路徑優化[J]. 計算機集成制造系統, 2020, 26(4): 1108-1117.

REN T, CHEN Y, XIANG Y C, et al. Optimization of Low-Carbon Cold Chain Vehicle Path Considering Customer Satisfaction[J]. Computer Integrated Manufacturing Systems, 2020, 26(4): 1108-1117.

Fresh Commodity Logistics Distribution Optimization Considering Dynamic Demands

WANG Yong1, 2, LUO Shuang1, GOU Mengyuan1, 2, LUO Siyu1

(1. Chongqing Jiaotong University, Chongqing 400074, China; 2. Chongqing Key Laboratory of Green Logistics Intelligent Technology, Chongqing 400074, China)

The work aims to coordinate the relationship between static and dynamic customer demands in view of the changes in the customer demands for the fresh commodity distribution, and plan the path reasonably and reduce the total logistics cost. Firstly, an integer programming model was established for minimizing the total logistics cost in consideration of the diverse temperature control intervals, random order request time, and dynamic customer demands quantity. Then, an improved ant colony algorithm based on Gaussian mixture clustering was designed to solve this model, and a dynamic demands processing strategy was proposed to re-optimize routes. Next, the effectiveness of the proposed algorithm was verified through comparison with particle swarm optimization, genetic algorithm and whale optimization algorithm. Finally, with the fresh commodity distribution network in Chongqing as an example, the operational indicators before and after optimization were compared and analyzed. Besides, the relationship between the value loss level of fresh commodity and the total logistics cost was explored. After optimization, the total logistics cost decreased by 22.35%, in which the penalty cost, the value loss, distribution cost and temperature control cost reduced by 39.84%, 61.84%, 29.80% and 57.00%, respectively. The proposed model, algorithm and dynamic demands processing strategy can reasonably plan routes and effectively reduce the total cost, which provides a methodological reference for fresh commodity distribution network optimization with dynamic demands.

fresh commodity distribution; dynamic demands; value loss;Gaussian mixture clustering; improved ant colony algorithm

TP18；F570

A

1001-3563(2024)07-0148-11

10.19554/j.cnki.1001-3563.2024.07.019

2023-10-10

國家自然科學基金（72371044，71871035）；重慶市教委科學技術研究重大項目（KJZD-M202300704）；重慶市自然科學基金面上項目（CSTB2022NSCQ-MSX0535）；巴渝學者青年項目（YS2021058）；智能物流網絡重慶市重點實驗室開放基金（KLILN2023ZD003）