李 倩，蔣 麗，梁昌勇

合肥工業(yè)大學(xué) 管理學(xué)院，合肥 230009

受消費(fèi)水平不斷提高和消費(fèi)觀念逐漸轉(zhuǎn)變的影響，人們對(duì)生鮮冷鏈產(chǎn)品的需求量日益增大，質(zhì)量要求也越來越高。生鮮冷鏈產(chǎn)品由于具有保存不易、易腐等特性，配送難度高于普通貨品。企業(yè)為保證生鮮冷鏈產(chǎn)品的新鮮度，配送時(shí)需進(jìn)行嚴(yán)格的溫度控制，而冷藏車等溫度控制設(shè)備的使用會(huì)導(dǎo)致配送成本的提高。另外，若配送時(shí)路徑規(guī)劃不合理，配送時(shí)長(zhǎng)就會(huì)增加，生鮮冷鏈產(chǎn)品的損耗就會(huì)隨之增大，車輛配送成本也會(huì)因此上升。在這種情況下，冷鏈配送更加難以滿足客戶的時(shí)間窗要求，極易引起客戶滿意度水平的降低，甚至導(dǎo)致客戶的流失?？偟膩碚f，這些因素都使冷鏈配送路徑的研究越來越重要。

冷鏈配送路徑優(yōu)化是由車輛路徑問題演化而來。而車輛路徑問題自1959年首次提出就吸引許多學(xué)者的關(guān)注，經(jīng)過許多年的研究，成果非常豐碩。其中，Huang等[1]研究了顧客自提和送貨上門相結(jié)合的策略下，包含多類型站點(diǎn)的電動(dòng)物流車輛路徑問題。郭放等[2]考慮前置倉(cāng)選址策略，研究面向城市的小件物流配送同時(shí)取送貨的車輛路徑問題。徐小峰等[3]構(gòu)建考慮需求優(yōu)先等級(jí)和配送成本的多油品多油庫(kù)車輛路徑規(guī)劃多目標(biāo)優(yōu)化模型，并采用MOPSO算法對(duì)模型求解。王新等[4]考慮了多個(gè)無人機(jī)站點(diǎn)和顧客的時(shí)間窗要求，研究車輛與無人機(jī)聯(lián)合配送路徑問題。

隨著研究的不斷深入以及實(shí)際配送的需要，國(guó)內(nèi)外專家學(xué)者在傳統(tǒng)車輛路徑問題的基礎(chǔ)上加入時(shí)間窗、新鮮度、準(zhǔn)時(shí)性等約束，將其擴(kuò)展為冷鏈物流配送路徑優(yōu)化問題，并分別從不同方面對(duì)此問題進(jìn)行了研究。Xiao等[5]考慮異質(zhì)車輛、時(shí)變交通、時(shí)間窗、碳排放、車輛容量及里程約束，構(gòu)建了混合整數(shù)線性規(guī)劃模型來解決GVRSP問題。Hsiao等[6]提出基于自適應(yīng)生物地理優(yōu)化的算法來求解多溫共配的冷鏈物流配送模型。Belhaiza等[7]設(shè)計(jì)滿足納什均衡條件的混合變鄰域禁忌搜索算法，結(jié)合加拿大運(yùn)輸公司的實(shí)例來驗(yàn)證多目標(biāo)模型的可行性。Li等[8]和Ding等[9]均構(gòu)建了總成本最小的單目標(biāo)路徑優(yōu)化模型，分別通過改進(jìn)粒子群算法和混合蟻群算法對(duì)模型進(jìn)行求解。Zhang等[10]在冷鏈物流中加入碳排放成本，改進(jìn)蟻群算法并有效降低碳排放量。王淑云等[11]針對(duì)冷鏈物流多溫共配問題，將多種算法結(jié)合并通過實(shí)例來驗(yàn)證其有效性。馬向國(guó)等[12]考慮日溫度差，對(duì)冷鏈配送中的制冷成本進(jìn)行修正，建立總成本最小的優(yōu)化模型。鮑春玲等[13]考慮多配送中心情況下的冷鏈物流聯(lián)合配送問題，證明聯(lián)合配送在配送費(fèi)用及碳排放成本方面均大大低于分區(qū)配送。方文婷等[14]將節(jié)能減排轉(zhuǎn)化為綠色成本與車輛路徑問題結(jié)合，并構(gòu)造混合蟻群算法改進(jìn)原算法收斂速度慢的缺陷。于江霞等[15]在VRP的基礎(chǔ)上加入客戶分類以提高配送準(zhǔn)時(shí)性，加強(qiáng)客戶精細(xì)化管理。

綜上所述，目前關(guān)于冷鏈物流配送路徑的研究以成本為主，構(gòu)建模型時(shí)局限于單一目標(biāo)的優(yōu)化?；诖?，本文基于時(shí)間窗引入客戶滿意度函數(shù)，并考慮由固定成本、制冷成本、貨損成本、懲罰成本構(gòu)成的總配送成本，構(gòu)建客戶滿意度最高和總成本最小的多目標(biāo)優(yōu)化模型。針對(duì)模型的求解，利用Pareto最優(yōu)處理多目標(biāo)問題的優(yōu)勢(shì)，設(shè)計(jì)了基于Pareto最優(yōu)的NSGA-II多目標(biāo)智能算法，再結(jié)合solomon數(shù)據(jù)集進(jìn)行仿真模擬實(shí)驗(yàn)。實(shí)驗(yàn)表明，該算法在較短的運(yùn)行時(shí)間里可獲得較優(yōu)的運(yùn)行結(jié)果，得出的配送方案也更加高效。

1 問題描述

考慮到冷鏈企業(yè)實(shí)際配送中的成本約束，本文僅設(shè)置單個(gè)配送中心，并對(duì)該情況下的冷鏈配送路徑問題進(jìn)行研究。配送時(shí)車輛均從同一配送中心出發(fā)，對(duì)有需求的客戶點(diǎn)完成配送后返回起始配送中心。

冷鏈物流企業(yè)面臨的競(jìng)爭(zhēng)不斷加劇，客戶已成為企業(yè)提高競(jìng)爭(zhēng)力的重要資源。因此，本文在考慮總成本最小的基礎(chǔ)上，還設(shè)置了客戶滿意度最大為優(yōu)化目標(biāo)，解決在車輛最大載重量、客戶需求量、時(shí)間窗等限制之下，客戶滿意度最大和總成本最小的問題。假設(shè)如下：

（1）配送中心可滿足所有客戶點(diǎn)的冷鏈品配送需求，無缺貨情況；

（2）配送車輛生鮮品的裝載量不超過車輛的最大裝載量，且配送的為同一冷藏溫度的生鮮產(chǎn)品，配送車輛均為同種類型；

（3）已知客戶要求的時(shí)間窗、客戶點(diǎn)位置、冷鏈品需求量；

（4）每個(gè)客戶點(diǎn)僅由一輛車提供配送服務(wù)，且只能到達(dá)和出發(fā)一次，但每輛配送車可服務(wù)多個(gè)客戶點(diǎn)；

（5）若未按照約定的配送時(shí)間窗對(duì)客戶點(diǎn)進(jìn)行配送，企業(yè)需支付罰金；

（6）配送車輛從配送中心出發(fā)，完成配送后返回起始配送中心。配送過程中，除為客戶點(diǎn)服務(wù)外不發(fā)生裝卸產(chǎn)品的情況；

（7）配送車輛的燃油為汽油。

2 模型構(gòu)建

2.1 參數(shù)設(shè)置

0：配送中心；

N：配送中心服務(wù)的客戶點(diǎn)總數(shù)；

K：滿足配送中心配送需要的車輛數(shù)；

fk：使用配送車輛K的固定成本；

b3：?jiǎn)挝恢评涑杀荆?/p>

tsi：配送車輛服務(wù)客戶點(diǎn)i所需要的時(shí)間；

tik：配送車輛k到達(dá)客戶點(diǎn)i的時(shí)間；

t0k：配送車輛k從配送中心出發(fā)的時(shí)間；

Qim：配送車輛服務(wù)完客戶點(diǎn)i離開時(shí)，車上所剩生鮮品的重量。

qi：客戶點(diǎn)i對(duì)生鮮品的需求量；

Q：車輛最大載重量；

wi：配送車輛在客戶點(diǎn)i的等待時(shí)間。

2.2 變量分析

2.2.1 決策變量分析

決策變量xijk：

xijk=直接由客戶點(diǎn)i駛向客戶點(diǎn)j時(shí)，xijk=1，否則為0。

決策變量yik：

yik=點(diǎn)i由車輛k提供配送服務(wù)且滿足配送需求時(shí)，yik=1，否則為0。

2.2.2 引入客戶滿意度

假設(shè)客戶預(yù)約服務(wù)時(shí)間為[ei,li]，若在此時(shí)間窗內(nèi)進(jìn)行配送，則fi(ti)=1。但是在實(shí)際配送過程時(shí)，配送時(shí)間會(huì)受到配送安排及交通情況等多種因素的影響，這就造成實(shí)際配送會(huì)早于或晚于客戶預(yù)約服務(wù)的時(shí)間窗，從而導(dǎo)致客戶滿意度的降低。假設(shè)Ei、Li分別表示客戶能接受的最早和最晚服務(wù)時(shí)間。若在[Ei,ei]或[li,Li]時(shí)間范圍內(nèi)進(jìn)行配送，則客戶滿意度隨著與預(yù)約服務(wù)時(shí)間窗的時(shí)間差的增大而降低。若配送時(shí)間在[Ei,Li]范圍之外，fi(ti)=0。圖1為客戶滿意度隨時(shí)間窗變化情況。

圖1 時(shí)間滿意度函數(shù)Fig.1 Time satisfaction function

時(shí)間滿意度函數(shù)如式（1）所示：

其中，ti為客戶點(diǎn)i開始服務(wù)的時(shí)間，α、β為客戶對(duì)事件的敏感系數(shù)。

2.2.3 成本變量分析

（1）固定成本

固定成本一般由駕駛員工資、車輛折舊費(fèi)、保養(yǎng)費(fèi)等費(fèi)用組成，僅與車輛的數(shù)量有關(guān)，如式（2）所示：

（2）制冷成本

本文中的制冷成本不僅包括車輛行駛過程中為維持車廂溫度而產(chǎn)生的成本，還包括裝卸貨物時(shí)開車門而產(chǎn)生的成本，如式（3）所示：

其中，Qk1=R S(1+β0)(θw-θn)；Qk2=f(0.54Vk+3.22)(θwθn)；Qk1表示配送車輛k運(yùn)輸行駛的熱負(fù)荷；Tk為配送車輛k完成配送任務(wù)回到配送中心的時(shí)間；β0為車廂破損程度；R為傳熱率；S為車廂傳熱面積；θw為外界空氣溫度；θn為生鮮產(chǎn)品冷藏溫度；Vk為配送車輛k冷藏箱的體積；f為開門附加熱負(fù)荷系數(shù)。

（3）貨損成本

冷鏈品產(chǎn)生貨損的原因主要有兩個(gè)：第一個(gè)是由于配送過程中時(shí)間累積造成的；第二個(gè)是由于裝卸時(shí)周圍環(huán)境變化導(dǎo)致產(chǎn)品損失。本文結(jié)合冷鏈品新鮮度衰減函數(shù)構(gòu)建貨損成本，新鮮度衰減函數(shù)如式（4）所示：

θ(t)表示生鮮品在t時(shí)刻的新鮮程度，θ0表示冷鏈產(chǎn)品從配送中心出發(fā)時(shí)的新鮮程度，?1表示運(yùn)輸過程中的新鮮度衰減系數(shù)，?2表示裝卸過程中的新鮮度衰減系數(shù)。新鮮度衰減系數(shù)受溫度、含氧量等影響較大，裝卸過程中易產(chǎn)生較大波動(dòng)，故?2>?1。貨損成本如式（5）所示：

其中，p表示所運(yùn)輸?shù)纳r品的單位價(jià)值。

（4）懲罰成本

由2.2.2小節(jié)中可知，[ei,li]為客戶要求的接受服務(wù)的時(shí)間窗，[Ei,Li]為客戶能接受的最大容忍時(shí)間窗。懲罰成本如式（6）所示：

其中，δ1、δ2分別為配送車輛到達(dá)客戶點(diǎn)時(shí)間在[Ei,ei]、[li,Li]內(nèi)的懲罰系數(shù)。

2.3 數(shù)學(xué)模型

通過以上分析，本文構(gòu)建冷鏈物流車輛配送優(yōu)化模型，以客戶滿意度最大，固定成本、制冷成本、貨損成本、懲罰成本總成本最小為目標(biāo)函數(shù)。

在上述約束條件中，式（7）表示客戶滿意度最大；式（8）表示路徑優(yōu)化總成本最??；式（9）確保不超過車輛最大載重量；式（10）保證每個(gè)客戶點(diǎn)只被訪問一次；式（11）保證車輛從配送中心出發(fā)且返回配送中心；式（12）確保配送所需的車輛不會(huì)超過配送中心車輛總數(shù)；式（13）和（14）確保每個(gè)客戶點(diǎn)只允許配送車輛出發(fā)到達(dá)一次；式（15）定義決策變量；式（16）確保無子回路；式（17）保證配送的連續(xù)性；式（18）定義等待時(shí)間；式（19）保證配送服務(wù)在最大時(shí)間窗內(nèi)。

3 算法設(shè)計(jì)

本文解決的是客戶滿意度最大和配送總成本最小的多目標(biāo)問題。通常多目標(biāo)優(yōu)化問題中不同目標(biāo)相互制約，只有非劣解解集即帕累托解集。而NSGA-II算法是在2002年由Deb等[16]提出的基于Pareto最優(yōu)解的多目標(biāo)優(yōu)化算法，在處理多目標(biāo)優(yōu)化問題上簡(jiǎn)單有效并且具有明顯的優(yōu)越性，通過引入精英策略、擁擠度和擁擠比較算子來更好地求解多目標(biāo)優(yōu)化模型。因此，本文選擇NSGA-II算法來對(duì)模型進(jìn)行仿真求解。

3.1 算法原理步驟

NSGA-II算法主要是從快速非支配排序、擁擠度和擁擠比較算子、精英策略三個(gè)方面進(jìn)行改進(jìn)，更好地降低了計(jì)算的復(fù)雜度，加快算法的收斂速度。算法具體步驟如下所示：

步驟1通過編碼確定初始種群P(t)，t=1，種群規(guī)模為N；

步驟2對(duì)初始種群進(jìn)行非支配排序、選擇、交叉、變異操作，產(chǎn)生子代種群Q(t)；

步驟3將子代種群Q(t)與初始種群P(t)合并組成種群R(t)，大小為2N，并對(duì)種群R(t)進(jìn)行非支配排序、擁擠度計(jì)算、精英保留策略操作，得到種群P(t+1)；

步驟4終止判斷。若進(jìn)化代數(shù)已達(dá)到最大，則算法停止并輸出Pareto解，否則返回到步驟2。

算法流程圖如圖2所示。

圖2 NSGA-II算法流程圖Fig.2 NSGA-II algorithm flow chart

3.2 編碼及算子設(shè)計(jì)

3.2.1整數(shù)編碼

配送路徑優(yōu)化問題是配送車輛從配送中心出發(fā)，經(jīng)過不同的客戶點(diǎn)得到的車輛行駛路線，即車輛配送路徑。本文根據(jù)研究問題的特點(diǎn)，采取整數(shù)編碼的形式。在配送網(wǎng)絡(luò)中，客戶點(diǎn)編碼為1、2、…、N，配送車輛編碼為N+1、N+2、…、N+K。每條染色體都由車輛編號(hào)和客戶需求點(diǎn)編號(hào)兩部分組成，由于有且僅有一個(gè)配送中心，所有配送車輛均從該配送中心出發(fā)，故不在染色體中設(shè)置配送中心位置。這種編碼方式表達(dá)較為簡(jiǎn)潔、可擴(kuò)充性強(qiáng)，能夠在一定程度上減少模型的復(fù)雜度，提升算法的計(jì)算效率。

3.2.2交叉算子

在交叉算子的選擇中，本文采用PMX，即部分匹配法來提高Pareto解集質(zhì)量。從父代染色體中隨機(jī)選擇兩個(gè)個(gè)體，再選擇兩個(gè)個(gè)體中被選位置相同的幾個(gè)基因的起止位，將選中的基因提取出來并進(jìn)行交換。然后進(jìn)行沖突檢測(cè)，將交換后的兩組基因建立相應(yīng)的映射關(guān)系，通過映射把交換后個(gè)體中重復(fù)的基因進(jìn)行轉(zhuǎn)變，重復(fù)這個(gè)步驟直到個(gè)體中沒有沖突為止。最終所有沖突的基因都會(huì)經(jīng)過映射，形成一對(duì)新的無沖突基因的子代。具體步驟如圖3所示。

3.2.3變異算子

變異操作采取與交叉操作相同的基因編碼方式，并通過變異概率來判斷是否需要進(jìn)行變異。若需要變異則采用交換變異方式，設(shè)置產(chǎn)生兩個(gè)隨機(jī)數(shù)，從父代中選擇隨機(jī)數(shù)所對(duì)應(yīng)的兩個(gè)基因位置，再將這兩個(gè)位置的基因進(jìn)行互換，通過不斷的隨機(jī)變異，從而找到最短路徑。

圖3 PMX原理圖Fig.3 PMX schematic diagram

4 算例驗(yàn)證

本文的算例驗(yàn)證使用Solomon的標(biāo)準(zhǔn)數(shù)據(jù)集[17]作為實(shí)驗(yàn)數(shù)據(jù)，在Solomon的標(biāo)準(zhǔn)數(shù)據(jù)集中，一共包含了6類：R1，R2，C1，C2，RC1，RC2。數(shù)據(jù)集中包含著每個(gè)客戶的坐標(biāo)、需求量、時(shí)間窗的開始和結(jié)束時(shí)間以及客戶的服務(wù)時(shí)間。其中，R類（random）為隨機(jī)分布的客戶地理位置，C類（clustered）則為聚集分布的客戶地理位置，RC類為部分聚集部分隨機(jī)。數(shù)字1、2類則表示：1類問題中，調(diào)度范圍及車輛容量小，服務(wù)的客戶對(duì)象較少，時(shí)間窗較窄。2類問題中時(shí)間窗相對(duì)較寬，調(diào)度范圍較大，每條路線允許更多的客戶。

模型參數(shù)設(shè)置為車輛固定成本fk為500元，車輛行駛速度為60 km/h勻速行駛，車輛單位距離運(yùn)費(fèi)為40元/km，假設(shè)θw為夏季最高平均氣溫38℃，θn為0~2℃，配送車輛單位制冷成本b3為5.72元/L。產(chǎn)品在車輛運(yùn)輸和裝卸階段的新鮮度衰減系數(shù)分別為0.03和0.06，配送車輛早于約定時(shí)間窗罰金為50元/h，晚于約定的時(shí)間窗罰金為100元/h?？蛻艚邮艿淖畲髸r(shí)間窗可以在約定的服務(wù)時(shí)間提前或延后5~15 min。

算法參數(shù)設(shè)置種群規(guī)模為N=100，交叉概率為Px=0.9，變異概率為Pm=0.2。本文選取R102、R104、R202、R204、C102、C104、C202、C204、RC102、RC104、RC202、RC204共12組數(shù)據(jù)來進(jìn)行算例驗(yàn)證，涵蓋數(shù)據(jù)集中所有種類，并將各組算例最優(yōu)運(yùn)行結(jié)果進(jìn)行對(duì)比分析，結(jié)果如表1、表2所示。

表1 運(yùn)行結(jié)果1Table 1 Computational results 1

表2 運(yùn)行結(jié)果2Table 2 Computational results 2

數(shù)據(jù)最優(yōu)運(yùn)行結(jié)果如表1、表2所示。為使運(yùn)行結(jié)果對(duì)比更加方便，在表1、2的基礎(chǔ)上繪制圖4~圖7。如圖所示可以更清晰地看到，迭代次數(shù)設(shè)置為300及以上時(shí)，最優(yōu)運(yùn)行結(jié)果明顯優(yōu)于迭代次數(shù)為100。由此可知迭代次數(shù)對(duì)算法性能有一定的影響，根據(jù)運(yùn)行結(jié)果建議R類數(shù)據(jù)迭代次數(shù)取值300，以節(jié)省運(yùn)行時(shí)間。而C類、RC類數(shù)據(jù)迭代次數(shù)設(shè)置為500效果更好。

參考以往許多學(xué)者的研究，solonmon數(shù)據(jù)集中C類數(shù)據(jù)客戶配送路徑長(zhǎng)度一般明顯低于另外兩類，但本文運(yùn)行結(jié)果中并未有顯著差別，對(duì)比可知此算法在處理C類數(shù)據(jù)中相對(duì)無優(yōu)勢(shì)。鑒于此，將不再在下文中對(duì)C類數(shù)據(jù)進(jìn)行對(duì)比分析。

除表1、表2中的12組數(shù)據(jù)之外，本文另選取6組數(shù)據(jù)，并將其運(yùn)行結(jié)果與文獻(xiàn)[18-19]對(duì)比分析。文獻(xiàn)[18]算法IAO表示伊藤-螞蟻優(yōu)化算法。文獻(xiàn)[19]算法NSGAII表示帶精英策略的非支配排序遺傳算法。由表3可以看出，本文所設(shè)計(jì)的NSGA-II算法相對(duì)于文獻(xiàn)[18-19]中設(shè)計(jì)的算法更有優(yōu)越性。其中，針對(duì)R101、R105、RC101、RC105分別節(jié)省54.2%、31.58%、50%、42.1%的車輛，并縮短9.7%、0.07%、16.13%、21.23%的路徑長(zhǎng)度。由此得出，本文所設(shè)計(jì)的算法更適合解決時(shí)間窗較窄且客戶地理位置隨機(jī)或部分聚集部分隨機(jī)的配送問題。此外，本文利用部分R1、RC1類數(shù)據(jù)，設(shè)置不同種群規(guī)模并通過運(yùn)行獲取最優(yōu)運(yùn)行結(jié)果，具體結(jié)果如表4所示。整體來看，不同種群規(guī)模的客戶滿意度均可達(dá)到或接近100%的水平，但是隨著種群規(guī)模的不斷增大，配送車輛數(shù)、總路徑長(zhǎng)度、配送成本均不斷上升?？紤]到實(shí)際配送中需面臨的各種問題，建議單個(gè)配送中心匹配20~40個(gè)客戶點(diǎn)，以更有效地控制配送成本，提高客戶配送滿意度。

5 結(jié)語(yǔ)

本文從滿意度和總成本兩方面考慮，建立相應(yīng)的數(shù)學(xué)模型，對(duì)模糊時(shí)間窗下的冷鏈物流配送進(jìn)行研究。通過NSGA-II算法對(duì)模型進(jìn)行求解分析，并利用數(shù)據(jù)集對(duì)不同類型問題進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證模型和算法的可行性和優(yōu)越性。最終得出結(jié)論如下：

圖4 車輛數(shù)運(yùn)行結(jié)果圖Fig.4 Number of vehicles running results chart

圖5 總路徑長(zhǎng)度運(yùn)行結(jié)果圖Fig.5 Total path length run result graph

圖6 滿意度運(yùn)行結(jié)果圖Fig.6 Satisfaction running result chart

圖7 總成本運(yùn)行結(jié)果圖Fig.7 Total cost running results chart

表3 本文最優(yōu)結(jié)果與文獻(xiàn)最優(yōu)結(jié)果對(duì)比Table 3 Comparison of optimal results of this paper and other literatures

表4 不同規(guī)模運(yùn)行結(jié)果對(duì)比Table 4 Comparison of operation results of different scales

（1）在實(shí)際生活中，冷鏈產(chǎn)品配送既不是絕對(duì)的硬時(shí)間窗也不完全是軟時(shí)間窗，大部分更偏向處于軟硬時(shí)間窗之間的模糊時(shí)間窗。配送車輛一定范圍內(nèi)早于或晚于約定時(shí)間窗會(huì)產(chǎn)生相應(yīng)的成本，影響客戶對(duì)于配送的滿意程度，但大部分客戶并不會(huì)因此拒收而導(dǎo)致配送失敗。

（2）針對(duì)研究的問題進(jìn)行模型構(gòu)建時(shí)，很可能出現(xiàn)多目標(biāo)優(yōu)化的情況，此時(shí)解并不唯一，而是有多個(gè)非劣解。帕累托最優(yōu)解可以以最小的損失來?yè)Q取最優(yōu)化的效益產(chǎn)出，更好地對(duì)多個(gè)目標(biāo)之間進(jìn)行平衡。

（3）相對(duì)于未考慮客戶滿意度的情況，本文在配送時(shí)所需的配送車輛更少，配送路徑總長(zhǎng)度更短。在同樣的客戶點(diǎn)數(shù)量、客戶需求、車輛構(gòu)造等條件下，考慮客戶滿意度時(shí)的總成本更低。除此之外，企業(yè)考慮客戶滿意度并采取策略提高客戶滿意度更能維持已有客戶的忠誠(chéng)度，并且更有利于發(fā)掘潛在客戶，提高企業(yè)利潤(rùn)。

本文的研究雖能為企業(yè)生鮮冷鏈配送提供理論參考，提醒企業(yè)在降低成本的同時(shí)也要注重顧客滿意度的提升。但本文所考慮的配送產(chǎn)品均為同一溫度要求，且并未考慮配送過程中交通等突發(fā)情況。在未來的研究中可結(jié)合現(xiàn)實(shí)中的具體問題解決時(shí)變路網(wǎng)、異構(gòu)車輛下的生鮮冷鏈配送問題。