即时配送高峰期选择性订单拒收的双目标车辆路径优化——融合前景理论与改进NSGA-II方法

《Applied Sciences》：Joint Time-Lapse Seismic Impedance Inversion via Closed-Loop Deep Learning

　　# 摘要在即时配送订单高峰期面临运力与需求不匹配及客户流失问题之际，选择性车辆路径规划提供了一种具有前景的替代方案，即主动拒绝低价值订单，而非被动接受所有请求。本研究构建了一个双目标路径优化模型，在最小化配送成本的同时最大化保留客户的满意度。首先，构建了一个基于博弈论的层次分析法—熵权法组合赋权框架，用于多维度的客户拒绝损失评估，并设置了自适应筛选阈值，通过±15%的权重扰动验证了模型的鲁棒性。其次，基于累积前景理论推导的分段指数满意度函数刻画了用户的损失厌恶特性；纳入最大拒绝率和每客户最低满意度的双硬约束，以维持保留客户的基本服务水平，尽管被拒绝客户的满意度为零，且全体客户的平均满意度随拒绝率的上升而下降。针对该NP难问题，提出了一种改进的多目标NSGA-II算法，结合自适应遗传算子和分阶段增量式模因局部搜索进行求解。在规模化基准实例和真实即时配送实例上开展的数值实验及统计假设检验表明，合理的拒绝阈值能够在不降低基本服务水平的情况下有效减少配送成本。在本文的测试实例中，10%的拒绝率上限在大规模和大规模测试案例中均产生了最有益的权衡效果，因为它显著降低了配送成本，同时提高了保留客户的满意度。所生成的帕累托权衡方案可为即时配送平台的峰期调度决策提供定量支持。