近年来我国冷链物流市场规模持续保持高速增长，发展良好。但冷链物流需要全程控温不断链，使得冷链物流成本比常温物流高40%−60%，燃油冷藏车尾气排放量较常温车高30%。而在“双碳”战略下，采用电动冷藏车替代传统燃油车开展城市冷链配送是大势所趋。公安部最新发布的统计数据显示，截至2023年9月底，成都超越北京，成为全国汽车保有量最高的城市。目前程度有纯电动冷藏车（62%，1785辆）、燃料电池冷藏车（663辆，23%）和插电式混合动力冷藏车（446辆，15%），连续三年夺冠。
但是，电动冷藏车配送作业易受道路状况、风阻系数、动力系统转换效率等不确定因素影响，电动冷藏车辆电能消耗难以精准估算，车辆因电池续航里程不足存在无法完成配送任务的风险。冷链产品配送作业面临客户更高新鲜度和个性化时间窗的要求。相较于传统燃油车配送常温产品，面对能耗的不确定性和高服务需求，如何解决电动冷藏车辆路径优化问题更具挑战性。
因此，研究主要以燃油车辆冷链配送为背景，关注配送作业碳排放管控、客户满意度目标达成、道路交通情况影响、多温共配模式采用、应急情景融入、干扰事件影响、客户服务时间窗满足以及产品新鲜度的保持等。部分学者开始关注电动冷藏车配送路径优化问题。
现有研究存在三方面不足:
第一，现有研究鲜有从电动冷藏车能耗机理入手，系统分析车辆配送作业能耗的影响因素及其不确定性对车辆路径优化的影响，这在一定程度使得所构建的数学优化模型应用性不足。
第二，现有研究大多将提前和超过客户规定服务时间窗所产生的单位时间惩罚成本等同化处理，这未能正确反映冷链产品随时间推移其品质变化的客观规律，且与现实中消费者对两类情形的心理接受意愿不符。
第三，现有研究对于货损成本的刻画多仅考虑配送作业时间、开关门次数对货物损耗的线性影响，鲜有从产品质变的微观机理入手对货损变化进行精准描述。
其主要工作如下：
1.在所构建的车辆路径优化成本目标函数中，充分考虑车辆速度、加速度、路况、电池转换效率、摩擦力等因素的不确定性对电动冷藏车辆能耗的影响，构建能耗鲁棒优化模型计算能耗成本。
2.考虑冷链产品提前和延迟送达产生差异化的单位时间影响构建惩罚成本函数，以及参考生物种群变化规律，设计微分方程模型构建货损成本函数。
3.针对模型特点设计混合遗传粒子群算法，并应用实际案例对算法及模型的有效性进行验证。
（二）问题描述
研究的问题主要是已知电动冷藏车的数量和性能参数，客户点的位置、需求数量和服务时间窗要求，以及充电桩的分布情况。电动冷藏车从配送中心出发，在客户规定的时间内完成对其访问，否则将产生惩罚成本。电池是车辆唯一的动力来源，但影响车辆能耗的因素众多，且随配送环境不断变化，对此可能存在车辆无法按时完成配送任务的风险。在如此的背景下，考虑车辆能耗不确定性及客户服务时间窗要求，如何选择最优配送路线，在确保完成配送任务前期下使总成本最小。
（三）模型构建
模型构建主要包含固定成本、能耗成本、充电服务成本。同时，具体分析了电动冷藏配送作业的能耗估算模型、鲁棒优化模型、货损成本模型、惩罚成本模型等。其中能耗估算模型主要为驱动车辆做功和克服阻力做功，并给出了不同运动状态的能耗模型。
（四）案例分析
以成都某大型冷链物流企业XSH公司为例，安排2辆电动冷藏车对20个客户点配送，对每辆车的配送路径进行规划。
在求解中，创新设计了混合遗传粒子群算法。遗传算法（Genetic Algorithm，GA）可以不受初始条件和求解域影响，具有较强的鲁棒性，能够探寻全局最优解，对本文研究的不确定性车辆路径优化问题具有一定适用性。但它的局限性在于对相关参数的控制性较差，算法易早熟，且收敛速度慢，局部寻优能力较弱。而粒子群算法（Particle Swarm Optimization，PSO）具有收敛速度快、稳定性好、局部寻优能力强以及相关参数设置简单等优点，同时对迭代过程的较优粒子具有记忆性，在处理大规模优化问题具有较强的优势。两种算法在多个方面优劣势互补。因此，甘博士将这两类算法结合，设计混合遗传粒子群算法（Hybrid Genetic Particle Swarm Optimization，HGPSO）对模型求解。通过实例求解，运用混合遗传粒子群算法比粒子群算法的寻优能力更佳，基于此优化的车辆路径能耗更低，行驶里程、完成配送作业耗时及总配送成本更小。因此，该算法在电动冷藏车配送作业中降低能耗、成本和提高客户满意度方面的优化效果更显著。
最后，冷冻链又介绍了该模型对车辆速度、服务时间、企业管理经验系数的敏感性分析。
