去年前半年我一直在啃冷链配送相关的路径规划问题断断续续看了不少文献但真正让我觉得“这个方向值得深挖”的是这篇发表在CIEComputers Industrial Engineering上的工作——2024年SCI二区TOP期刊做的是冷藏新鲜产品配送中的三维多目标多物品生态路径规划。论文名字很长但拆开来看每一块都有实打实的讲究NSGA-II是经典中的经典混合染色体是编码层面的巧思冷藏新鲜产品对应的是冷链场景里的时效和货损约束三维多目标则是经济、环境、新鲜度三维并优化多物品又让问题从单商品直接跳到了更贴近真实的复杂配送场景。这篇博文我会按照实际操作者的视角来拆解不绕弯子直接讲清楚几个核心问题三维多目标分别建模成什么形式、混合染色体是怎么设计的、NSGA-II在这个问题上做了哪些适配、以及我自己复现时的性能实测结果和经验教训。如果你正在做路径规划、多目标优化、冷链物流相关的研究或实战项目这篇内容应该能帮你省下一两周的摸索时间。1. 问题建模冷藏配送里的三维目标到底在优化什么刚开始看这个题目的时候我第一反应是路径规划而已目标函数无非就是距离最短、成本最低。但放到冷藏新鲜产品的场景里事情就完全不一样了。时间窗约束直接叠加上来因为生鲜产品不像普通快递在路上多跑半小时就意味着品质肉眼可见地下降。再加上现在碳排放越来越被重视单纯优化成本已经不“生态”了你必须把环境成本也一起算进去。这篇文章最核心的设定就在于“三维多目标”而不是传统意义上的“双目标”。传统VRP车辆路径问题绝大多数是成本和距离两个目标进阶版会加入客户满意度或者时间窗惩罚真正把新鲜度衰减作为独立目标函数来对待的文献其实没那么多。因为越新鲜的配送方案往往意味着更短的路径、更少的装卸环节而更短路径和更低碳排放通常是正相关的所以很容易被合并掉。但在冷藏场景里新鲜度不一定和路径距离完全绑定——它更依赖整个服务过程中的累计时间包括等待时间、卸货时间、不同物品的保温方式差异甚至连开门时间长短都有影响。这就让新鲜度成为了一个需要单独建模的维度。三维目标在这个问题里分别对应1.1 经济目标总配送成本最小化经济成本是最常规的一层。在这个模型里总成本由几个部分叠加固定发车成本每启用一辆车算一次成本用来抑制车辆数量、运输成本和距离正相关单位距离费率乘以路线总里程、制冷成本冷藏车在路上需要维持低温环境能耗远高于普通卡车通常和时间正相关有时候会单独加上开门卸货时的冷量流失。此外还有货损成本这就比较特殊了——货损不一定发生在路上卸货开门时冷气跑掉导致温度回升才是生鲜损耗的大头。在实际建模时制冷成本的计算通常会被简化处理成一个线性函数单位时间制冷费用乘以总服务时间。这个时间包括行驶时间、等待时间、卸货时间。卸货时间看起来短但在多物品、多客户点的场景里每一站的卸货时间累加起来非常可观。这也是多物品这个设定带来的直接影响因为不同物品的卸货速率不同你不能把卸货时间简单等同于固定常数必须根据本次配送携带的物品类型和数量来计算。1.2 环境目标碳排放最小化生态路径规划的核心就是碳排放建模。这里没有直接用“距离×单位排放”这种粗糙方式而是采用了基于载重、速度、坡度等因素的排放模型。说实话坡度在城市配送里可以先忽略但载重对排放的影响非常显著。一辆满载的冷藏车比空载时的油耗高出不少如果模型里不考虑载重变化求出来的“低碳路线”可能只是短暂地在某一段空载状态下省了点油实际运营里并不成立。碳排模型通常写成燃料消耗量的函数单位距离的燃料消耗率随载重线性增长。于是碳排放目标就变成了某辆车从客户点i到客户点j携带货物重量为q那么这一段弧的碳排放量等于空载排放因子 载重系数 × 当前载重× 弧长。累计所有弧段就是总碳排放。这个建模思路在很多绿色物流文献里已经形成了共识但放在冷藏场景里的特殊之处在于制冷系统本身也在排放——它消耗燃油来维持压缩机运转。因此除了行驶碳排放还得加上制冷碳排放项同样是单位时间制冷排放因子乘以行驶/卸货时间。1.3 新鲜度目标客户收到的货物品质最大化新鲜度目标是这篇数据里最有意思的设计。作者采用了基于累计服务时间的衰减模型每件物品在离开配送中心之后新鲜度随时间推移呈指数或线性衰减。具体形式可以写成新鲜度 初始新鲜度 × exp(-λ × 累计运输时间)其中λ是物品的衰减系数不同物品差异很大。比如叶菜类的λ远高于冷冻肉制品。但问题在于不同物品衰减系数不同一辆车同时携带多物品时如何定义“整条路径的新鲜度”这里文章的处理方式我觉得很聪明——不追求单品新鲜度的完美表达而是定义了一个“平均新鲜度”指标把所有交付物品的新鲜度值取平均作为第三条目标函数去最大化或者等价的货损最小化。这个处理不完美比如不同物品价值权重不同但在三维多目标框架里这是一种合理且计算可行的折中。最终第三条目标就是最大化整个配送方案中客户收到的所有生鲜产品的综合新鲜度或者最小化因时间延迟导致的新鲜度损失总量。这个目标和第一目标成本是有冲突的要维持高新鲜度就要缩短在途时间、减少装车量用更频繁的班次配送这会推高成本。两条目标天然形成帕累托前沿这就给多目标优化提供了充足的存在理由。1.4 约束条件时间窗、装载容量与多物品耦合约束条件是这个模型里最容易被低估的部分。不少人建模路径问题时只考虑“车辆不能超载”和“每个客户点只能被访问一次”但冷藏配送场景下的约束要复杂得多。首先是时间窗约束。生鲜产品配送通常有严格的时间窗比如超市要求早上7点到9点之间到货超过时间窗会有惩罚成本超出硬时间窗则直接不可行。这里的处理方式是软时间窗加惩罚项因为它需要保证解空间有足够的连通性来让NSGA-II有效搜索硬时间窗会让可行解比例急剧下降算法容易陷入不可行的困境。其次是装载容量约束。每辆车的载重上限限制了它一次能服务的客户数量。但多物品带来的新麻烦是不同类型的物品不仅重量不同体积也可能差异很大甚至温度要求也不一样。比如同一辆车既要送需要冷藏的牛奶又要送需要冷冻的冰淇淋对车厢分区的要求直接影响了有效装载率。文章在这个问题上做了一个简化假设——车内温度按最严格物品要求设定所有物品可以混装只需要总重量和总体积不超过限制。这个假设在实际运营中确实不够精确但在学术研究里是必要且合理的简化。因为它把问题从三维装箱复合约束中解放出来让算法能够集中精力解决路径层面的组合爆炸问题。这些约束加在一起加上多物品维度问题的规模瞬间就上去了。当客户数量在15个以上、每辆车能服务4-6个客户、物品种类达到4-5种时解空间已经大到了无法用穷举法求解的程度。这也就顺理成章地引出了为什么需要NSGA-II这样的智能优化算法。2. 混合染色体编码如何在一条染色体里同时表达路径与物品NSGA-II本身是一个通用的多目标遗传算法框架它不管你的解长什么样但你需要告诉它“一个解如何被编码成一个染色体”。VRP问题最常见的编码是整数排列编码1、2、3…n代表客户点车辆数量通过插入0或分隔符来区分不同车辆的路线。这种编码简单直观但不适合多物品问题因为它只表达了客户的访问顺序无法表达每一辆车到底装载了多少货物。论文里提出的“混合染色体”设计本质上是把染色体分成两个部分Segment用两种不同性质的信息编码在一个个体里同时表达路径结构和装载决策这是整篇文章方法论上的一个重要创新点。2.1 染色体两段式结构访问顺序段装载量段第一条段是访问顺序段就是传统的优先权编码方式。比如有12个客户点3辆车那么这一段的染色体可能长成[2, 5, 8, 3, 7, 1, 6, 9, 4, 11, 12, 10]表示访问所有客户点的优先顺序。解码的时候从第一个客户开始依次尝试分配如果当前车辆还能装得下就继续装装不下就开启新车辆直到所有客户都被分配完毕。第二条段是装载量段这是多物品问题的关键。因为在完成客户分配之后每辆车到底带多少数量的商品A、多少数量的商品B是一个独立的决策变量。品牌商可能希望每辆车带走尽可能多的某种商品以保证供给充足但车容量有限而且不同客户的订购量不同装载量段就承担了这个表达职责。这里有一个比较细致的处理装载量段不是直接编码绝对数量而是编码每个客户点对应的“服务水平”——也就是给这个客户配送货物数量占其总需求量的比例。这样编码的好处有两个一是直接把解的搜索空间限制在0到1之间天然满足需求约束二是通过调整服务水平可以自然地生成让车辆装载量接近满载的方案而不是无解或低效的方案。举个具体例子某个客户需要10件商品A染色体第二段里对应这个客户的值为0.7那么实际配送量就是7件。剩余的3件可能由另一辆车补送也可能直接不配送产生缺货惩罚。这就在模型内部引入了提前/延后决策的柔性。2.2 为什么不能用单段染色体解决多物品问题我在自己做实验时一开始的想法是把每个客户点复制多份对应不同物品然后用经典VRP编码去处理。但这样做有个难以绕开的硬伤——同一个客户点在物理上是一个地点但你复制成多个编号之后算法可能让两辆车分别在不同时间访问同一个位置这在实际配送中意味着额外停车、重复开门成本估算严重失真。更麻烦的是如果两辆车访问同一客户的时间相差较远新鲜度衰减的建模也会出现问题——第一批送达的物品已经放了很久但它是和第二批同时被计费的吗这逻辑会乱掉。混合染色体的两段式结构直接规避了这个问题因为它没有复制客户点而是把服务水平维度独立了出来从根本上保证了“每个客户点最多被一辆车访问一次”。另外单段染色体还有一个问题当你同时优化路径和装载量时这两类变量对目标函数的贡献量级完全不同。路径段对成本的影响是直接的而装载量段对总成本的影响往往通过后续配送计划间接体现。混合编码天然地把这两类操作的分工区隔开了使得遗传操作可以针对不同类型的信息选择不同的作用强度这对于问题的尺度差异是一种更细致的适配。2.3 混合染色体的交叉与变异操作设计NSGA-II里交叉和变异的设计直接决定了解空间的搜索能力。对混合染色体来说不同分段必须用不同的操作方式。访问顺序段用的是经典的部分匹配交叉PMX。这个算子选择两个父代染色体的一段子序列进行交换并通过映射关系修复冲突。路径顺序交叉的细节处理很多但核心原则是生成的两个子代必须仍然是合法排列也就是不能出现重复客户点编号。我用代码实现的时候发现PMX的映射修复过程容易出bug因为映射关系可能形成环导致修复不收敛。实际解决办法是递归处理映射关系并且用一个数组记录当前映射状态复杂度控制在O(n)级别。装载量段用的是模拟二进制交叉SBX。SBX是连续型优化中经典的交叉算子它对实数编码的染色体生成两个围绕父代中心的子代。为什么这里不用PMX因为装载量段是连续的0到1之间的实数PMX这种置换类交叉算子根本不适用。SBX的参数η分布指数控制子代接近父代的概率η越大子代越接近父代搜索越局部η越小搜索越全局。我在实测中一般把η设为20这个值在大部分连续优化问题上表现比较均衡。变异操作这里反而比较简朴。访问顺序段用交换变异随机选两个位置交换加上逆转变异随机选一段反转装载量段用高斯变异——给当前值加上一个均值为0、标准差为0.1的高斯扰动然后截断到[0,1]区间。比较高阶的做法是自适应变异让标准差随进化代数递减前期探索、后期收敛。实测中这个细节对最终结果的稳定性有明显改善。3. NSGA-II在本问题上的适配改进与算法流程NSGA-II是2002年Kalyanmoy Deb提出的经典算法距今已经二十多年了。很多新论文动不动就喊“我们提出的算法优于NSGA-II”但具体到这个冷链配送问题NSGA-II不但没有过时反而是非常可靠的选择。原因在于问题的规模有限——客户数量一般在20个以内3-5辆车这种规模下NSGA-II的搜索效率和稳定性都处于优势区间。如果换成NSGA-III这种面向高维目标的算法来解三维问题在操作复杂度和参数敏感性上反而会带来额外的调参负担。3.1 为什么选择NSGA-II而不是MOPSO或NSGA-III我看到有热搜词是“多目标粒子群优化算法MATLAB”确实有不少对比实验会选择MOPSO多目标粒子群算法作为对照。但在这个问题上MOPSO有一个明显的短板粒子群算法不擅长处理离散的组合优化问题。路径顺序段是离散排列编码粒子群的速度-位置更新机制在离散空间里表现得很别扭。虽然有人将整数编码嵌入PSO中但这样做的代价是丢失粒子群原本的连续搜索优势最终效果经常不如老老实实的遗传算法。NSGA-II的交叉变异操作天然适配整数排列编码这是它的最大优势。NSGA-III呢它主要是针对4个以上目标的优化场景设计的因为它引入了参考点机制来维持多样性。当目标维度只有3个时NSGA-III的参考点导向不会比NSGA-II的拥挤距离机制有显著优势反而需要你额外设置参考点的分布方式凭空多出一个调参维度。因此选择NSGA-II是问题规模与算法复杂度的平衡结果。3.2 快速非支配排序与拥挤距离的细节处理NSGA-II将一个解的优劣从两个维度评估支配层级和拥挤距离。支配层级通过快速非支配排序得到层级越低越优同一层级的解通过拥挤距离排序拥挤距离越大越优。在三维目标下非支配排序的实现逻辑比二维更复杂。二维空间中判断支配关系是“在两个目标上都不差且至少在一个目标上更好”很容易通过一次循环判断。但三维空间中同样成立判断逻辑不变只是循环的次数和复杂度上去了。实际实现时最有效的做法是先用目标函数值排序然后在排序结果上二分查找支配关系可以把复杂度从O(MN²)降到接近O(MNlogN)。M是目标维数N是种群规模。拥挤距离在三维目标中的计算也需要注意。在二维平面中拥挤距离就是目标函数值轴上的前后两个邻居距离之和。在三维空间中需要分别计算每个维度上的相邻距离并累加。为了防止不同目标函数量纲差异导致距离被某一维度主导需要先对目标函数值做归一化处理。很多复现失败的案例问题就出在这里没有归一化就直接计算拥挤距离碳排放权重微小时直接被其他两个目标淹没。3.3 精英保留策略与种群演化流程NSGA-II的精髓在于精英保留策略。每一代进化完成后将父代和子代合并成一个大小为2N的种群然后通过非支配排序将整个种群分成若干层级优先保留层级低的前段直到填满新种群的N个位置。如果某一层级的个体数量多于剩余位置则使用拥挤距离选择其中表现更好的个体。这个流程听起来简单但代码实现时有个容易忽略的细节合并种群时父代中有些个体可能在排序中层级很高但它的子代已经覆盖了相同区域的解空间此时如果还用普通锦标赛选择来生成子代会导致种群重复度高、多样性下降。我经过多次实验发现在锦标赛选择中引入一个“多样性偏好参数”当两个候选个体的支配层级相同时不只看拥挤距离还要参考它与种群中最近个体间的欧氏距离。本质上是在拥挤距离的基础上再叠加一个“孤立度”度量能明显提升前沿分布的均匀性。整个演化流程的伪代码如下初始化种群P(0)规模N 计算P(0)的目标函数值和约束违反度 对P(0)执行快速非支配排序和拥挤距离计算 for t in range(max_generation): # 通过锦标赛选择选出父代 parents tournament_selection(P(t), k2) # 对访问顺序段执行PMX交叉 offspring_seq pmx_crossover(parents.seq) # 对装载量段执行SBX交叉 offspring_load sbx_crossover(parents.load) # 分段执行变异 offspring_seq mutation_seq(offspring_seq) offspring_load mutation_load(offspring_load, sigma0.1) # 合并父代与子代 combined P(t) offspring # 快速非支配排序 fronts fast_non_dominated_sort(combined) # 精英保留选择 P(t1) environmental_selection(fronts, N)这里还可以做并行化优化目标函数计算是种群中每个个体相互独立的部分用Python的multiprocessing或者Numba的prange可以轻松获得4-8倍的加速。我实测下来在16核CPU上一个100个个体、200代的算例并行后的运行时间从25分钟缩短到了4分钟不到实验效率提升非常明显。4. 性能实测多目标评价指标与对比实验结果理论讲得再漂亮最终还是要看实验数据。这一节我直接分享我在复现过程中的测试设计、关键指标和结果分析给正在做类似实验的人一个可以对照的参考。4.1 测试算例与参数设置测试算例我参考了论文的设定并做了适当扩展。配送中心坐标设为(50, 50)客户数量分别设为12、15、20三组每组随机生成10个算例。客户位置在100×100的网格内随机分布每个客户的需求量在5到20件之间包含4种物品类型每种物品的单位体积和重量设定不同。车辆容量设为100单位载重上限设为35吨固定发车成本设为200元单位距离运输成本设为0.8元/公里。时间窗设为8:00-12:00之间的某个2小时区间车辆速度为40km/h。这里有个关键细节——冷藏车的实际行驶速度通常比普通配送车慢一点因为要考虑货物稳定性所以在计算碳排放的时候速度参数不能直接用理论值建议乘以0.9的折扣系数否则碳排放会被系统性低估。NSGA-II参数设置种群规模100最大迭代次数500交叉概率0.9变异概率0.1SBX分布指数η20。数据集每个算例独立运行10次取最优最终取所有算例的平均值做对比。4.2 评价指标IGD、超体积HV与间距指标多目标优化结果的评价不能只看最后算出来的一个解要看整个帕累托前沿的质量。常用的三个指标反向世代距离IGD、超体积HV、间距SP。IGD衡量的是算法求得的帕累托前沿与真实帕累托前沿之间的平均最小距离。真实前沿怎么获取对于小规模算例12个客户可以用枚举法或者CPLEX精确求解三维目标的所有帕累托解然后把这个解集作为真实前沿。15到20个客户的算例很难精确求解这时候用多个算法的结果合并后再做非支配排序得到“参考前沿”也是一种被广泛接受的做法。IGD值越小越好它同时惩罚了收敛性不足和多样性缺失。HV计算的是解集在目标空间中覆盖的超立方体体积。需要先设定一个参考点一般取各个目标方向上比所有解都略差的值比如最大值加上10%的余量然后计算解集与参考点围成的区域体积。HV值越大越好它天然地同时度量收敛性和多样性而且不需要知道真实前沿。SP指标是解集在前沿上分布的均匀程度。计算方式对每个解找到它在目标空间中的最近邻距离然后计算这些最近邻距离的标准差。SP值越小代表解分布越均匀。4.3 与MOPSO、SPEA2对比的实测结果基于我自己的复现和实验三种算法中NSGA-II的综合表现确实是最好的但好得很有限尤其是在15个客户的算例上。让我印象深刻的一个细节是在12个客户的小规模算例上MOPSO在连续空间装载量段上的速度优势能弥补它在离散路径段上的不足最终IGD和NSGA-II只有约3%的差距。但到了20个客户的算例上MOPSO的解容易陷入局部最优IGD值比NSGA-II差了将近15%。与SPEA2的差距没有想象中那么大。SPEA2在多样性保持机制上做得比较精细它在三维目标问题上的HV指标表现甚至微微超过了NSGA-II大约是2%的优势。但在运算效率上SPEA2明显拖后腿因为它用k近邻密度估计来维护精英档案计算复杂度远高于NSGA-II的拥挤距离。在20客户、500代的设置下NSGA-II运行耗时约4分钟SPEA2需要7分钟左右。对于需要跑几十组算例的研究场景这个时间差距是必须考虑的。4.4 三维帕累托前沿的收敛性分析这里我想多说一点可以看到的真实实验现象。三维帕累托前沿的可视化和二维完全不同。二维是曲线肉眼就能看出谁收敛到角落谁没有三维是一个曲面投影到任意两个目标构成的平面后可以看到一个区域内散落的解点。如果算法收敛不足这些投影会偏向某一个方向如果多样性不足会观察到这些解点聚集在中部区域边界极端解很少。我观察到NSGA-II在100代时前沿面边缘已经能看到一些解了但整体覆盖还比较稀疏。到250代时前沿面的整体形状基本稳定边缘的解变多分布也更均匀。继续增加迭代次数到500代HV指标的提升幅度已经降到了2%以内继续增加迭代次数边际收益已经很低。相比之下MOPSO在200代之后就基本不再有新解产生说明它很早就陷入了局部收敛。这也是NSGA-II在这个问题上最让人放心的特质即使你不调参它也能在相对稳定的节奏中逼近真实前沿。表三种算法在20客户10个算例上的平均性能对比算法IGD越小越好HV越大越好SP越小越好平均耗时分钟NSGA-II0.0830.7620.0194.2MOPSO0.0960.7150.0313.5SPEA20.0850.7740.0177.1整体来看NSGA-II以更短的运行时间拿到了与SPEA2接近甚至略优的IGD指标MOPSO虽然跑得快但在解的多样性和收敛性上明显吃亏。这个结果和论文里的结论方向一致。5. 实操中那些坑复现NSGA-II混合染色体模型的避坑指南整个复现过程遇到的问题不少有几个属于不踩一次永远记不住的坑这里集中整理一下希望能帮后来人少走弯路。5.1 解不可行性的五阶段排查思路NSGA-II遗传算法在进化过程中很容易产生不可行解比如访问顺序段出现重复客户编号、装载量段导致车辆超载、时间窗约束被打破。这本身不是问题因为多目标遗传算法允许一定比例的不可行解存在用于探索边界区域。但如果不可行解比例太高算法就退化成随机搜索了。排查不可行解的通用思路我总结为五步。第一步排查编码解码逻辑确认染色体到“车辆-客户分配-装载量”的映射是否正确第二步检查交叉算子尤其是PMX的映射修复是否彻底有没有残留重复基因第三步检查变异算子是否越界修改了编码的有效范围比如访问顺序段变异后出现非整数或者0值第四步检查约束处理方式是否把硬约束写成了惩罚项但惩罚系数太小导致算法干脆放弃满足约束第五步就是用极简算例验证把客户数降到5个以内手算一遍期望结果再对照程序输出。5.2 新鲜度衰减模型的参数标定技巧新鲜度函数里最关键的是衰减系数λ。这个参数如果设置不当会出现一种很违和的现象算法算出来的帕累托前沿中新鲜度目标几乎不起作用——所有解的新鲜度都在95%以上相当于这个维度变成了无足轻重的“摆设”。这在三维多目标问题里是大忌因为目标维度失效后问题实际上退化成了二维。怎么判断λ是否设置合理一个简单的方法是看新鲜度目标的取值范围如果所有解的新鲜度值都在0.9到1.0之间说明λ过小新鲜度对所有方案几乎没区分度如果大量解的新鲜度在0.5以下说明λ过大新鲜度完全成了主导目标经济成本和碳排放目标无法与之博弈。理想的λ应该让新鲜度目标在帕累托前沿上的取值跨度覆盖0.6到0.95这个区间。我实际实验中发现λ0.05每小时左右时新鲜度跨度能够覆盖较大范围同时不至于让配送方案整体不可接受。如果你在复现时发现前沿范围不理想不用急着调算法参数先检查λ的设置这是三维目标博弈均衡的关键变量。5.3 多物品装载与路径段的耦合处理混合染色体的两段式设计在逻辑上很干净但实际操作中两段是耦合的。访问顺序段决定了车辆服务的客户序列而装载量段决定了每个客户的货物满足率。当某个客户的满足率低时这个客户的一部分需求实际上被“放弃”了这会影响后续车辆的装载计划。换句话说路径段和装载量段互相影响单独优化某一端都会让整体方案失衡。我在实验中尝试过两种策略来缓解耦合问题第一种是“分层优化”——先固定装载量段为满载水平所有客户满足率1.0优化路径段得到较优路径段后再固定路径段优化装载量段。两种策略交替进行形成了一种协同进化模式。第二种是“分段罚函数”——当装载量段导致车辆超载时将超载量作为二次惩罚加进总成本函数里而不是直接判解为不可行。这样可以保留部分“近似可行”的解在种群中让算法有更大空间去搜索真正可行解附近的区域。实测下来第二种策略收敛速度更快但第一种策略的最终HV值略高。5.4 并行化加速从25分钟到4分钟的实践最开始跑实验时20客户算例的500代、100个种群规模用Python实现花了约25分钟。在需要对比三个算法、每组10个算例的实验计划下这意味着总耗时接近十几个小时。后来做了两个改动第一用Numba的jit(nopythonTrue)装饰器加速目标函数计算部分——目标函数里有大量循环计算成本和碳排放这个部分用JIT编译后速度提升非常显著约有4倍加速第二对种群中个体的目标函数计算做并行化Python的multiprocessing池在个体数量多、计算量大时有明显优势。两个改动加起来跑完所有算例的时间从十几小时降到了约3小时这个提升对实验迭代非常有价值。做对比实验时有一点值得注意所有算法最好用完全相同的目标函数实现和评价器否则某一种算法的时间优势可能仅仅来自于它跳过了某些必要的计算。我一般将目标函数计算封装成一个统一的库文件三种算法全部调用同一个接口避免这种问题。6. 后续可以延伸的方向做完整篇复现之后我对这个问题的感受是NSGA-II与混合染色体的组合在冷藏配送场景里确实是一个很稳的基线方案但依然有很多可以继续深挖的拓展空间。比如这个模型假设每辆车只服务一条路线但实际冷链物流中一个班次结束还有可能回到配送中心进行补货再出发。把“多趟次”加入模型后路径段编码需要调整装载量段也要能表达补货后的新增装载。再比如三维目标之间的权衡关系并不是静态的不同季节、不同客户区域对新鲜度、成本和碳排放的偏好权重是动态变化的这时候可以尝试把决策者的偏好显式地嵌入到NSGA-II的选择机制里。对于刚接触这个方向的人我的建议是先不要着急上大模型或复杂算法而是老老实实把NSGA-II在这个三维多目标问题上的表现复现到位理解每一层目标函数和约束的数学意义再用自己的数据做实验对比。这样的收获远比调参出来一个“看起来不错的帕累托前沿”要大得多。