多中心冷鏈共同配送路徑優化及利潤分配研究

李麗瀅，羅繼康，牛莉霞

（遼寧工程技術大學 工商管理學院，葫蘆島 125000）

0 引言

隨著生鮮電商的快速發展，人們對于高質量生鮮商品的需求得以滿足。生鮮商品由于具有保存不易、易腐等特性，配送難度高于普通貨物。若配送路徑規劃不合理，則會導致配送時間長，使生鮮商品的損耗和配送成本增加[1]。國家下發的《“十四五”冷鏈物流發展規劃》中提出要優化冷鏈物流網絡，健全冷鏈物流服務體系，聚焦“肉類、水果、蔬菜等生鮮食品以及疫苗等醫藥產品[2]?？茖W合理的冷鏈物流配送體系是冷鏈物流企業降本增效的必要條件，多中心冷鏈共同配送是提高冷鏈配送服務質量的重要手段。研究新鮮度約束下的多中心冷鏈共同配送及利潤分配有助于實現冷鏈物流企業之間資源的合理配置，提高交付商品的新鮮度，降低企業運營成本，促進冷鏈物流產業的可持續發展。近年來，眾多學者對于多中心冷鏈共同配送路徑優化及利潤分配問題進行了一系列的研究。

針對冷鏈物流配送的車輛路徑問題研究中，LI等[3]以生鮮商品配送成本最小化為目標，設計自適應模擬退火變異遺傳算法求解，為生鮮物流企業提供了配送方案。趙志學、劉長石、王寧等[4-6]針對考慮生鮮商品新鮮度的冷鏈物流車輛路徑問題，分別利用自適應改進的蟻群算法、改進的蟻群算法和單親遺傳算法進行求解，研究表明冷鏈物流企業配送時考慮生鮮商品的新鮮度可以有效降低企業成本。趙邦磊[7]等設計改進的ACO算法，解決了多目標優化的冷鏈配送模型。李軍濤等[8]設計自適應災變遺傳算法，有效的解決了模糊時間窗下的冷鏈物流配送路徑優化問題。舒輝、張佳佳、王思洪等[9-11]分別設計自適應遺傳算法、粒子群算法、GAMS與遺傳算法相結合解決冷鏈物流配送路徑優化問題。王勇等[12]綜合考慮客戶時間窗和生鮮商品溫度控制，建立生鮮商品配送成本最少和生鮮商品價值損失最小的雙目標模型，并設計GA-TS混合算法進行求解。DEVAPRIYA等[13]利用進化的啟發式算法研究易腐商品運輸優化問題，結果表明生鮮商品的配送車輛比普通商品的配送車輛在物流成本、客戶滿意度、交付生鮮商品新鮮度等方面有更高的要求。由上述文獻可知，生鮮商品的配送研究主要集中于單中心配送，并且考慮在新鮮度約束下的生鮮商品配送研究較少。因此考慮新鮮度約束下多中心生鮮配送研究還有待進一步深度拓展。

在多中心共同配送以及合作利潤分配的研究中，葉勇等[14]建立了車輛總行駛路徑最小的目標模型，設計狼群算法進行求解。葛嘉怡等[15]構建改進模糊Shapley值的收益分配模型對醫藥冷鏈收益進行分配。辜勇、FITRIANA等[16,17]針對多中心協同配送下的車輛路徑問題，將大規模多配送中心路徑問題轉換為多個單配送中心路徑問題，設計改進蟻群算法求解該模型，證明了該模型的有效性。葛顯龍等[18]研究了前置倉獨立配送與協作配送的生鮮配送問題，設計改進的遺傳算法進行求解。范厚明等[19]在已有的研究基礎上，在多中心共同配送問題中考慮客戶集貨的隨機需求，設計預優化和重優化兩階段對路徑進行規劃，深化了多中心共同配送相關的理論研究。饒衛振等[20]設計貪婪算法和大鄰域搜索算法構成的兩階段算法，從理論視角下計算車輛協作與不協作狀態下的配送距離和能耗量。BEN ALAIA等[21]研究了封閉式多車輛多中心配集貨車輛路徑優化問題，利用遺傳算法和粒子群算法對該問題進行求解，但是未考慮到利潤分配問題。FERNáNDEZ等[22]研究了共享客戶資源的協作車輛問題，通過對基礎實例集進行計算，與非共享客戶資源模式進行比較，得出獨立運營商合作具有潛在效益的結論。王勇等[23]設計混合啟發式算法求解網絡運營成本最小和車輛使用數最小的雙目標模型，運用最小費用剩余節約方法（MCRS）求解多中心共同配送與收集網絡聯盟的利潤分配問題，為可持續的城市物流網絡規劃和共享物流合作聯盟的構建提供決策支持。由上述文獻可知，多配送中心共同配送問題方面的研究已取得了一系列的進展，進而對多中心冷鏈物流共同配送以及共同配送所帶來的利潤進行分配等方面提供了研究切入。

綜上所知，現有的文獻主要集中在將冷鏈物流、多中心共同配送、聯盟利潤分配分開進行研究，將冷鏈物流、多中心共同配送并對聯盟利潤進行分配結合考慮的研究涉及較少。其次，學者大多研究的是企業共享客戶資源和所有車輛?？紤]到現實中存在企業之間進行共同配送時，共享客戶資源但只共享轉運車輛的形式。鑒于此，本文針對生鮮商品的特性，在滿足交付商品新鮮度約束的前提下，建立轉運車輛和配送車輛的固定成本、運輸成本、制冷成本、貨損成本以及時間窗懲罰成本之和最小為目標的車輛路徑優化模型，設計一種基于K-means聚類的改進混合蟻群算法進行求解。最后通過Shapley值法對冷鏈物流企業組建聯盟所獲得的共同利潤進行合理分配，通過對比聯盟組建前后企業的成本，證明該模型的可行性。本文的研究對豐富和完善當前的冷鏈配送網絡具有重要的現實意義。

1 模型構建

1.1 問題描述

目前大部分冷鏈物流企業擁有各自的物流中心和若干客戶，由于物流中心建設時序、客戶契約關系等因素，物流中心之間很少有合作關系，各自獨立完成配送服務。如圖1中a所示，這種配送方式會出現過遠運輸、交叉運輸和生鮮商品損壞、違反時間窗等問題。如果企業之間建立多中心冷鏈共同配送聯盟，共享客戶資源，共享轉運車輛，就可以消除以上弊端。如圖1中b所示，企業冷鏈物流中心1、2、3分別將各自兩個配送距離較遠的客戶交由其他兩個企業進行配送，使用冷藏卡車在物流中心1、2、3之間轉運因客戶服務關系轉變的生鮮商品，然后各個物流中心使用冷藏貨車根據客戶的地理位置、時間窗和生鮮商品的新鮮度要求對客戶進行服務，以配送成本最小化為目標優化配送路線，實現物流網絡中資源的有效利用。最后，不合理的利潤分配機制會導致聯盟成員的利潤分配不均，合作關系不會維持很久。因此，基于優化后的網絡，利用合作博弈論中的Shapely值法，將節約成本作為聯盟的利潤分配值，通過衡量聯盟內成員對聯盟節約值帶來的邊際貢獻值進行利潤分配，保證聯盟合作關系的穩定。

圖1 多中心冷鏈共同配送聯盟建立前后對比

1.2 符號說明

1）集合

節點集合Z={1,2,...,n,n+1,...,n+m}；

配送客戶集合M={1,2,...,m}；

生鮮物流中心集合N={1,2,...,n}；

L：在物流中心之間轉運資源的冷藏卡車集合，l∈L；

K：物流中心進行配送的冷藏貨車集合，k∈K

2）參數

f1：冷藏卡車l的固定成本

f2：冷藏貨車k的固定成本

c1：冷藏卡車l的單位運輸成本

c2：冷藏貨車k的單位運輸成本

Dij：物流中心i到物流中心j的距離

dij：客戶i到客戶j的距離

Tijl：冷藏卡車從物流中心i到物流中心j的時間

Tijk：冷藏貨車從客戶點i到客戶點j行駛時間

b1、b2：冷藏卡車開門時和運輸時的單位時間制冷成本

λ1、λ2：冷藏貨車開門時和運輸時的單位時間制冷成本

[αi,bi]：客戶i的時間窗

δ：生鮮商品單位產品價值

α：冷藏貨車早于αi到達客戶點i的懲罰系數

β：冷藏貨車晚于bi到達客戶點i的懲罰系數

Qij：物流中心i調配到物流中心j的送貨量

Pij：物流中心i調配到物流中心j的取貨量

Qt：時間點t時冷藏卡車在物流中心之間調配的實時裝載量

qi：配送客戶i的需求量

Gl：冷藏卡車l的最大裝載量

Gk：冷藏貨車k的最大裝載量

3）決策變量

Xijk：冷藏貨車從客戶點i出發到客戶點j時為1，否則為0，其中i,j∈M；

Yk：冷藏貨車k被使用時為1，否則為0；

Wijl：冷藏卡車l是從物流中心i出發到物流中心j為1，否則為0，其中i,j∈N

Yl：冷藏卡車l被使用時為1，否則為0。

Erij：客戶r的服務關系從物流中心i轉移到物流中心j時為1，否則為0，r∈M，i,j∈N

1.3 模型構建

1.3.1 新鮮度約束

生鮮商品具有易損性，配送時間和配送距離會影響生鮮商品的新鮮度，在運輸過程中會產生貨損成本，生鮮商品的新鮮度衰減函數表達如式(1)：

其中，θ(t)為生鮮商品t時刻的新鮮度，θ0為生鮮商品的初始新鮮度，為新鮮度衰減系數，要求θ(ti)≥Gb，ti為到達客戶點i的時間，Gb為商品交付時要滿足客戶的最低新鮮度。

1.3.2 成本模型

本文所研究的新鮮度限制約束下多中心冷鏈共同配送模型問題以車輛固定成本、運輸成本、制冷成本、貨損成本和時間窗懲罰成本之和最小化建立模型：

1）C1為冷藏卡車和冷藏貨車的固定成本

固定成本主要包括駕駛員工資、車輛的固定費用等，與車輛使用數成正比。

2）C2冷藏卡車和冷藏貨車的運輸成本

運輸成本主要包括冷藏卡車和冷藏貨車的保養維修、油費等。

3）C3為冷藏卡車和冷藏貨車的制冷成本

制冷成本主要包括冷藏卡車和冷藏貨車運輸時為了保持車廂溫度恒定所產生的費用以及防止卸貨時車門敞開導致車廂溫度上升所產生的預冷費用。

4）C4為生鮮商品的貨損成本

由于裝卸時間相較于運輸時間較短，因此貨損成本只包括物流中心之間運輸生鮮商品和物流中心配送商品過程中產生的貨損成本。

5）C5為時間窗懲罰成本

懲罰成本指生鮮商品無法在顧客規定的時間窗內送達產生的成本。

1.4 約束條件

式(8)表示所有的客戶只被冷藏貨車服務一次；式(9)表示車輛k將貨物送到客戶點i時產品新鮮度必須大于等于產品保質的最低標準；式(10)表示車輛k從物流中心O出發，完成客戶點服務后返回物流中心O；式(11)表示冷藏卡車l只在物流中心之間調配貨物；式(12)表示冷藏貨車k只用來服務客戶；式(13)表示冷藏卡車l調配貨物時的載重量不超過其最大載重量；式(14)表示冷藏貨車k服務客戶i時的載重量不超過其最大載重量；式(15)表示到達客戶點j的時間等于冷藏卡車到達物流中心i的時間與冷藏貨車到達客戶點j的時間之和；式(16)表示冷藏卡車從物流中心i調配到物流中心j的送貨量；式(17)表示冷藏卡車從物流中心j調配到物流中心i的集貨量；式(18)表示消除子回路。

2 基于K-means聚類的混合蟻群算法

針對多中心冷鏈共同配送車輛路徑優化模型，設計基于K-means聚類的混合蟻群算法來求解該模型。根據客戶的地理位置，通過K-means聚類算法計算客戶點距離物流中心的歐氏距離，并將其分配到離該客戶距離最近的物流中心。應用節約算法形成各聚類單元初始路線。然后設計改進混合的蟻群算法對各聚類單元之間的路徑進行優化，其中將局部搜索算法的局部尋優能力應用于容易陷入局部最優的蟻群算法，通過不斷迭代，最終得到最優配送路線。

2.1 K-means聚類算法

本文使用的K-means聚類算法是在聚類點坐標已知的前提下，計算各個客戶點到聚類點的歐式距離，根據計算結果將客戶點分配到距離最近的聚類點，確定客戶和物流中心的服務關系。假設物流中心i的坐標為(xi,yi)，客戶點j的坐標為(xj,yj)，則客戶與物流中心的計算公式為：

2.1.1 改進的混合蟻群算法

多中心冷鏈物流車輛路徑優化模型屬于VRP的拓展問題，它是在經典VRP的基礎上考慮多中心、客戶時間窗、新鮮度等因素，屬于NP-hard問題。蟻群算法屬于啟發式算法，可以依靠其較強的魯棒性和搜索較優解等優點，有效的解決路徑優化問題。但是蟻群算法收斂速度慢并且容易陷入局部最優。通過設計動態信息素揮發因子更新機制和信息素增量獎勵機制來幫助算法跳出局部最優。另外，局部搜索算法可通過插入、互換、2-opt操作提高算法的局部搜索能力，進而提高算法的全局搜索能力。因此，本文旨在將蟻群算法的全局尋優能力和局部搜索算法的局部優化能力相結合，從而快速求得最優解。算法流程如圖2所示。

圖2 改進的混合蟻群算法流程

2.1.2 構建路徑

在蟻群算法中，螞蟻在剛開始搜索時具有盲目性，所以采用文獻[24]中節約矩陣原理形成初始路線。路徑上信息素濃度的高低和啟發函數重要程度因子的大小決定螞蟻選擇下一路徑的概率。為了形成最優路徑，避免陷入局部最優，設計確定性選擇和隨機性選擇相結合的策略，并且在轉移概率公式內引入車輛等待時間與時間窗寬度啟發式因子，利用輪盤賭去選擇下一個要轉移的點。轉移概率如式(20)所示：

其中：Tabuk記錄螞蟻已經走過的路徑，τij(t)為t時刻路徑i、j上的信息素，為t時刻路徑i、j的可見度，width=bj-αj為時間窗寬度，α、β、γ、λ分別為信息素因子、啟發式因子、時間窗寬度因子、等待時間因子，Pc為轉移規則的參數，Pc=[0，1]。

2.1.3 自適應信息素因子更新機制

螞蟻從客戶點i到下一個客戶點j會分泌一種叫“信息素”的化學物質，螞蟻會根據路徑上信息素濃度的高低選擇下一個要走的路徑。同時信息素也會揮發，當螞蟻經過所有客戶點后，需要對全局路徑上的信息素進行更新，通過不斷迭代最終螞蟻找到最優路徑。信息素更新公式為：

信息素揮發系數ρ的取值影響著蟻群算法的全局搜索能力和收斂速度，ρ值過大，算法容易陷入局部最優，ρ值過小算法收斂速度過快。為了快速準確的得到最優路徑，設計一種動態信息素揮發系數更新機制，如式(23)所示：

其中：N為當前迭代次數，N_max為最大迭代次數，ρmin為信息素揮發因子最小值。

式(22)中Δτij(t)表示本次迭代中路徑i，j上信息素的增量，表示螞蟻k在路徑i，j上留下的信息素。為了進一步增強算法的全局尋優能力和加快收斂速度，設計一種信息素獎勵機制：記錄當前最優路徑為Route_best，計算每次迭代螞蟻的路徑長度為Route_iter，若Route_iter＜Route_best，則對該螞蟻走過的路徑進行信息素獎勵，采用式(24)，若Route_iter≥Route_best，則采用正常信息素更新方式，采用式(25)。

2.1.4 局部搜索算法

蟻群算法容易陷入“早熟”，得到的解不一定是全局最優解。為了彌補這一缺陷，增大解的空間性，在每次迭代的最優解的基礎上，引入“插入”、“互換”、“2-opt”局部搜索操作，對路徑內進行搜索。若操作后的成本小于操作前的成本則保留該路徑。若操作后的成本大于操作前的成本，則保留操作前的路徑。操作方式如下：

1）插入操

在路徑上隨機選擇兩個客戶點i、j，將客戶點j從路徑中刪除，然后將客戶點j插入到客戶點i的后面，如圖3所示。

圖3 插入

2）互換操

在路徑上隨機選擇兩個客戶點i、j，將客戶點i的位置和客戶點j的位置進行互換，如圖4所示。

圖4 互換

3）2-opt

在路徑上隨機選擇兩個客戶點i、j，客戶點i保持不變，倒序排列客戶點i、j間的客戶，如圖5所示。

圖5 2-opt

2.2 算法檢驗

為了驗證改進的混合蟻群算法的有效性，將該算法與改進的蟻群算法[25]、遺傳算法進行對比分析。選取Cordeau的數據集（http://iescm.com/vrp/instances/P5MDVRPTW.asp）中pr01-pr04作為驗證算例基礎，數據集中物流中心數為4，客戶規模分別為48、96、144、192，并附加客戶需求量、客戶關系、客戶服務時間，對比結果如表1。其次選取文獻[25]中的多中心配送問題實例進行檢驗，該算例包括4個物流中心和48個客戶點坐標、需求、時間窗以及服務時間，對比結果如表2所示。其中TL為行駛路徑，TC為總成本，AVG/%為平均值改進幅度。

表1 MDVRPTW標準算例對比

表2 MDVRPTW實例對比

編程采用MatlabR2021a進行開發，操作系統為Windows10，電腦內存為8G，CPU為Intel i5-11260H，主頻為2.6GHz。關鍵參數設置如下：螞蟻數量m=客戶數×1.5，最大迭代次數inter_max=100，選擇概率Pc=0.7，交叉概率Pm=0.8。

對四組規模不同的算例的計算結果如表1所示，本文所提出的改進的混合蟻群算法在總行駛路徑和總成本方面均優于改進的蟻群算法和遺傳算法。在平均行駛路徑方面，改進混合蟻群算法計算得到的平均行駛距離比改進的蟻群算法減少了6.8%，比遺傳算法減少了11.5%。在平均總成本方面，改進的混合蟻群算法的計算結果比改進的蟻群算法節約了8.1%，比遺傳算法節約了11.7%。

對文獻[25]的實例數據計算5次結果如表2所示，本文所提出的改進蟻群算法所求平均行駛路徑和平均總成本分別是1278.8元、27804.3千米，比改進蟻群算法減少12.6%、18.5%，比遺傳算法降低了17.8%、23.2%。其中表3為最優車輛行駛路線。

表3 改進的混合蟻群算法最優路徑

根據上述對比結果可知，改進的混合蟻群算法在求解質量上比其他算法有更大的優勢。其主要原因在于設計的動態信息素衰減系數、信息素獎勵機制和局部搜索操作提高了算法的全局尋優能力，避免了算法陷入局部最優。證明了改進的混合蟻群算法在求解MDVRPTW問題的有效性。

3 基于Shapley值的利潤分配模型

多家冷鏈物流企業成立聯盟，共享客戶資源和轉運車輛，最大的收益是成本的降低。聯盟將這部分成本節約值作為利潤進行分配，并將利潤合理、準確分配給參與聯盟的物流企業來保證聯盟的穩定運行。合作博弈論理論中Shapley值法是Shapley LS（1953）[26]所提出的求解多人合作的利潤分配方法，本文選用該方法進行利潤分配。

3.1 聯盟可分配利潤

假設聯盟的參與者有N個成員，則能夠形成2N-1個聯盟子集，其中T=(1,2,3…,t)為N的任意一個子集，V(T)為定義在N上的一個實數值函數，即V(T)是聯盟T可分配的利潤，C(T)為聯盟T的總成本，C(i)為成員i獨立運營成本。每個聯盟的成本節約值為該聯盟的利潤分配值，計算方法如式(26)所示：

3.2 聯盟成員利潤分配值

Shapley值模型的核心是根據每個成員對聯盟所做的貢獻程度進行分配利潤。根據式(27)計算結果可知聯盟的可分配利潤值，根據式(28)計算每個成員i在聯盟中可分得利潤。

其中：Ti為包含成員i的聯盟，|T|為聯盟中成員個數，w(|T|)為加權因子，V(T)為聯盟總收益，V(T/i)為除去成員i獲得的收益，[V(T)-V(T/i)]為成員i在聯盟中所產生的邊際貢獻，為聯盟成員所分得收益值。

4 算例分析

本文所提出的模型為帶時間窗的多中心車輛配送問題，選取MDVRPTW標準算例（https//github.com/PariseC/Algorithms_for_solving_VRP/tree/master/data/MDVRPTW）來驗證模型的可行性，隨機選取該算例的50個客戶，算例有3個物流中心，客戶服務關系是[1,3]的隨機整數。

算例參數設置如下：冷藏卡車的載重Gl=20t，冷藏貨車的載重為Gk=10t，冷藏卡車單位固定成本f1=800元/輛，冷藏卡車單位運輸成本c1=16元/km，冷藏貨車車單位固定成本f2=400元/輛，冷藏貨車單位運輸成本c2=9元/km，車輛平均行駛速度為V=60km/h，冷藏卡車開門時和運輸過程中單位時間制冷成本分別為λ1=50元/h，λ2=0.8元/km，冷藏貨車開門時和運輸過程中單位時間制冷成本分別為b1=20元/h，b1=0.3元/km，生鮮商品的單位價值δ=5元，生鮮商品的腐敗率δ=0.002，時間窗早到等待因子=30元/h，時間窗晚到懲罰因子β=50元/h，產品最低新鮮度要求Gb=0.75。算法參數設置：螞蟻數量m=50，最大迭代次數inter_max=100，信息素重要程度因子α=1，啟發函數重要程度因子β=3，等待時間重要程度因子λ=2，時間窗跨度重要因子γ=3，更新信息素濃度常數Q=5，信息素獎勵系數μ=1.5，選擇概率Pc=0.7，交叉概率Pm=0.8。

4.1 不同配送模式下路徑和成本分析

應用K-means聚類算法確定客戶的服務關系，表4為聚類前服務關系歸屬表，表5為聚類后服務關系歸屬表。應用改進的混合蟻群算法計算不同配送模式下總行駛距離和成本，表6為獨立運營模式和共同配送模式下對比結果。由對比結果可知：

表4 聚類前服務關系歸屬表

表5 聚類后服務關系歸屬表

表6 不同模式下優化結果

1）獨立運營模式下各個企業冷鏈物流中心之間的客戶資源未共享，各個物流中心之間不存在資源的集中調配，總行駛距離為1752.13千米，車輛行駛路徑圖如圖6所示。在共同配送模式下，共享客戶資源減少了大量的過遠運輸、交叉運輸等，總行駛距離為947.42千米，比獨立配送減少了45.9%，車輛行駛路徑圖如圖7所示。

圖6 物流中心獨立運營模式下路徑優化結果

圖7 物流中心共同配送模式下路徑優化結果

2）獨立運營模式總成本為19994.83元，而共同配送模式下總成本為14627.59元，減少了行駛距離和車輛使用數，使配送順序和車輛調配更合理，故使成本下降26.8%。

4.2 不同聯盟模式下利潤分配分析

聯盟規模的大小會影響聯盟最后的利潤。假設上述算例中DC1、DC2、DC3分別為三家冷鏈物流企業A、B、C的物流中心，利用Shapley值法計算每個企業在不同聯盟中的利潤。如果三個企業未組建聯盟，各自單獨配送，各自從聯盟獲利0元。若企業A和企業B組建聯盟，可產生共同利潤2275.68元，企業A和企業C組建聯盟，可產生共同利潤533.53元，企業B和企業C組建聯盟，可產生共同利潤574.63元。如果企業A、B和企業C達成共識組建聯盟，可產生共同利潤4792.24元。

利用Shapley值利益分配模型（式(27)、式(28)）計算建立聯盟后企業A、B、C的利潤分配值。結果如表7所示，當企業A與企業B建立聯盟時可分得的利潤均為1137.84元，當企業A與企業C建立聯盟時可分得的利潤均為266.665元，當企業B和企業C建立聯盟時可分的利潤均為287.315元，但當企業A、B、C共同組建聯盟時可分的利潤分別為2874.07元、1894.63元、1023.54元。通過對比不同聯盟組合下的利潤分配值發現，組建成大聯盟之后，聯盟的整體運營成本比小聯盟運營成本降低更多，各成員比獨立配送和兩兩組建聯盟所獲得的利潤值更明顯。

表7 不同聯盟體下的利潤分配表

5 結語

冷鏈物流企業之間建立聯盟有助于優化當前物流網絡，可以大幅降低企業成本，而科學合理規劃車輛路徑和建立聯盟利潤分配機制是關鍵。本文對于多中心共同配送及利潤分配進行了研究，得到了以下的結論：

1）本文提出的多中心冷鏈共同配送車輛路徑優化問題，可以解決物流中心獨立配送中過遠運輸、交叉運輸、生鮮商品交付時新鮮度低的弊端。

2）運用K-means聚類算法對客戶進行分類，引入節約算法提高了初始解的質量，通過改進蟻群算法概率轉移規則、設計動態更新信息素衰減系數和信息素獎勵機制，提高了算法的全局搜索能力，最后結合局部搜索算法提高了算法的局部搜索能力。通過選取標準算例和實例分別進行計算，證明本文算法的求解質量優于改進蟻群算法和經典遺傳算法，證明了本文算法的有效性。

3）根據算例計算結果證明，多中心冷鏈配送聯盟能夠有效的減少冷鏈企業車輛配送距離、車輛使用數量進而提高了企業的利潤，并且聯盟規模越大企業可獲得的利潤越多。

本文的研究能夠為多個企業建立多中心冷鏈共同配送聯盟提供較好的解決方案，但是本文未考慮不同溫度下的生鮮商品和客戶的動態需求。因此，在多中心共同配送聯盟的研究中考慮不同溫度下的生鮮商品和客戶動態需求是下一步研究的方向。