物流配送是一个耗费大量人力物力的领域,有较大的优化空间。本文研究的是最后一公里配送中的不确定性车辆路径问题。实际情况中企业的配送需求是随机的,其随机因素包括订单位置、服务时间等。另一方面,配送员对配送路径的熟悉程度会直接影响其配送效率,配送员在配送区域的服务时间会影响客户的体验。因此,企业需要规划出多天随机需求下的鲁棒车辆路径。本文则提供了一个描述多场景下车辆路径鲁棒性问题的通用框架。首先,本文在考虑随机因素下车辆路径的鲁棒性时,引入各场景计划一致性的概念,提出了带主计划一致性的车辆路径模型。模型旨在给出一个主计划和每一天的日常计划。模型的目标函数是最小化所有计划的加权总成本。除了确定性模型会包含的许多约束外,本文提出的模型还包括主计划一致性约束以确保每天的日常计划与主计划中同一车辆时空路径的偏离程度较小。本文将区域质心作为需求点的单位。区域质心汇总了此区域内的需求。模型的随机因素是区域在不同场景下的随机总需服务时间、时间窗和总重量。其次,车辆路径问题本身就是一个NP难题,引入不确定性因素后问题变得更为复杂。不确定性问题的约束既包含确定性问题中的整数约束及大量边际约束,也包含主计划与子计划之间车辆路径的一致性约束。这两类约束将主计划和子计划中同一车辆、同一计划中不同车辆的变量耦合在一起,使问题变得难以求解。因此,本文采用拉格朗日松弛法和交替方向乘子法(下文统称为ADMM)将原问题分解以重构模型。文中首先通过拉格朗日松弛法将一致性约束松弛到目标函数中。然后将耦合的原问题拆分为各个计划的独立子问题。接下来本文利用ADMM技术松弛每一个计划内的整数约束,将多车车辆路径问题进一步拆分为单车车辆路径子问题。本文基于时空状态网和动态规划法按序求解单车路径子问题。最后,本文用Python编程实现具体的算法并做了大量实例分析。本文首先通过小算例详细阐述多场景下鲁棒时空路径的概念以及模型的求解过程。然后,本文会给出不同场景数的收敛性分析及中等规模网络的实验。最后本文将分析基于配送站点构建的案例以验证模型的实用性。上述实验证明,模型有较好的收敛效果。对比不考虑一致性约束的方案,本文模型在总成本小幅增加的前提下可给出多场景下的鲁棒车辆路径方案。图30幅,表18个,参考文献98篇。