Green Vehicle Routing for Mixed-Fleet Cold-Chain Distribution under Time- and Location-Dependent Traffic Congestion
本研究提出了一种混合车队冷链车辆路径模型，该模型将时间及位置相关的交通拥堵集成到非线性能耗框架中，并使用改进的自适应大邻域搜索算法进行求解，旨在最小化总配送成本，同时展示混合车队在动态拥堵条件下的运营与经济优势。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代城市的繁忙动脉中，货物的移动是一场关于时效与温度的高风险、高强度芭蕾。对于新鲜农产品、乳制品和药品等易腐物品而言，从仓库到客户门口的旅程不仅仅是距离的问题，更是一场与时间和热量的赛跑。如果送货卡车在交通拥堵中停留过久，制冷装置就必须更加努力地工作，从而消耗更多能源，并增加货物变质的风险。随着城市引入电动卡车以减少碳排放，这种微妙的平衡变得更加复杂。虽然电动汽车提供了更清洁的路径，但它们也带来了一套不同的约束条件：有限的电池寿命和充电需求。物流经理现在面临着一个难题：如何混合使用这两类车辆，应对难以捉摸的城市交通节奏，并在不耗费巨额成本的前提下保持食品新鲜。由于交通状况在不同地点、不同时间的表现各不相同——某条路在中午可能畅通无阻，但在下午5点可能陷入瘫痪；某个特定街区可能是瓶颈，而隔壁街区却能自由通行——这一挑战变得更加严峻。
中国东北林业大学的研究人员通过开发一种新的规划方法，解决了这一复杂问题，该方法适用于由电动和燃油制冷卡车组成的混合车队。他们意识到，传统的规划方法通常将交通视为静态平均值，或者将时间和位置分开处理，忽略了拥堵是一个不断变化的、三维现象的现实。为了捕捉这一点，研究团队创建了一个详细的模型，将每段道路拆分为更小的部分，根据具体的时间点和特定区域的拥堵程度，计算卡车行驶通过每一部分的所需时间。这种方法使他们能够构建一个全面的成本计算器。这个计算器不仅计算里程，还计入了发动机消耗的电量或燃料、维持货物冷藏所需的额外能量、因延迟导致的食品变质损失、因早到或晚到产生的罚款，以及碳排放成本。通过将这些复杂的数据输入到一个先进的搜索算法中，研究人员可以模拟数百万种可能的路线组合，从而为混合车队找到最高效的路径。
该研究聚焦于一个特定的场景：配送中心向许多客户发送卡车，且每个客户都有严格的时间窗口。研究人员利用各种城市布局和交通模式测试了他们的模型，范围涵盖了小型社区到大型扩张型区域。他们发现，最有效的策略很少是仅使用电动卡车或仅使用燃油卡车。相反，混合车队始终被证明是最经济且最具灵活性的解决方案。在他们的模拟中，结合这两种车型可以使系统适应当天的特定需求。例如，在客户密集、路径较短的区域，电动卡车可以蓬勃发展，利用其较低的运营成本。然而，当路线变得漫长、分散，或者遭遇威胁到电池电量或可能错过交付窗口的严重交通拥堵时，燃油卡车则提供了必要的续航能力和可靠性。结果显示，与使用单一类型的车辆相比，这种混合方法显著降低了总分销成本，且混合车队在几乎所有测试场景中表现最佳。
研究还强调了这些配送系统对交通状况的敏感程度。团队进行了模拟实验，增加了高峰时段的时长和拥堵区域的大小。他们观察到，随着交通状况恶化，损耗、制冷和时间窗口罚款的成本大幅上升。车速降低意味着卡车在路上停留的时间更长，这不仅消耗了更多能量，还增加了易腐货物暴露在潜在温度波动下的时间。针对这些更苛刻的条件，算法会自动调整其策略，部署更多的燃油车辆以确保按时完成交付，即使这意味着燃料消耗会略有增加。这种动态调整表明，僵化的车队无法应对多变的城市交通；根据实时情况在不同车型之间进行切换的能力，对于维持效率至关重要。
此外，研究人员将他们的新算法与几种现有方法（包括标准遗传算法和其他搜索技术）进行了对比。他们的新方法（结合了大邻域搜索和模拟退火过程）始终能找到更好的解决方案。它特别擅长跳出“局部陷阱”——即某些路线看起来不错但远非最优解的情况——因为它会偶尔接受稍差的路线，以探索新的可能性。在涉及多达一百个客户的测试中，新算法在每种情况下都找到了成本最低的路径，明显优于其他方法。这项研究表明，对于旨在实现绿色转型又不牺牲可靠性的物流公司而言，答案不在于单一的技术，而在于一种智能、适应性强的技术组合。通过理解交通的具体且不断变化的过程，并将之与合适的电动及燃油车辆进行匹配，城市可以迈向一个冷链分销既环保又具备经济可行性的未来。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。