摘要：针对多中心车辆路径问题研究在动态客户撤销和新增服务需求与多中心多周期协同配送相结合方面存在的不足，提出动态客户服务策略和多中心多周期协同调度机制，研究了考虑动态客户需求的多中心多周期配送车辆路径问题。首先，构建了包含车辆租赁成本、维护成本、调度成本、运输成本、配送成本、违反时间窗惩罚成本和动态需求变动成本等的物流运营成本最小化和车辆使用数最小化的双目标优化模型。其次，根据客户空间地理位置和服务时间窗分布特征，设计了基于高斯混合聚类的改进多目标粒子群算法求解模型，该算法通过高斯混合聚类进行了多周期服务划分和客户需求指派，并在改进的多目标粒子群算法中引入了双档案更新机制，从而避免了传统单一档案更新的随机性，增强了种群多样性和提高了多目标粒子的搜索性能，进而设计了两阶段撤销和新增动态客户服务策略以及多中心多周期资源共享机制，提高了混合算法的寻优精度及帕累托优化解的求解质量。然后，将所提算法与双种群遗传-变邻域搜索算法、多目标模拟退火算法、非支配排序-自适应大邻域搜索算法、多目标灰狼算法，以及未考虑双档案更新机制的多目标粒子群算法进行对比分析，验证了提出算法在求解效率与求解质量方面的优势。最后，结合实例对提出的模型和算法进行了进一步验证研究，并探讨分析了不同动态客户服务策略和资源共享机制的组合模式以及不同服务周期情景下的多中心多周期配送车辆路径优化方案，研究结果表明，同时考虑动态服务策略和资源共享机制能够有效降低物流运营成本和减少车辆使用数，而合理的服务周期划分可以有效满足动态客户服务需求和提高资源配置效率，并显著提高多中心多周期物流配送网络的运营效率，进而可为城市多中心多周期的物流体系构建和考虑动态客户需求即时响应的智慧物流平台设计提供方法借鉴和理论支撑。
文章目录
1 引言
2 问题描述
3 模型建立
3.1 模型假设
3.2 符号定义
3.3 模型构建
4 基于高斯混合聚类的IMOPSO算法
4.1 高斯混合聚类算法
4.2 IMOPSO算法
4.2.1 双档案更新机制
4.2.2 两阶段动态客户服务策略
4.2.3 多中心多周期资源共享机制
4.3 算法检验
5 实例分析
5.1 实例数据
5.2 优化结果
5.2.1 聚类结果
5.2.2 路径优化结果
5.3 分析与讨论
5.3.1 考虑动态客户
