摘要：在生鲜物流配送过程中，道路用户需求的动态波动与随机交通拥堵会提高配送成本，并进一步影响易腐产 品的新鲜度质量和物流企业的运营效率。基于印度物流企业 Delhivery 的真实业务数据，对随机拥堵条件下的运输时 间与动态需求不确定性进行噪声仿真，研究综合考虑配送路径规划、多仓布局和两种车辆配置等现实约束，构建了以 实际配送时间、总运输距离和载重装卸时间为核心的三目标优化模型，对元启发式融合算法、机器学习算法和深度学 习算法进行系统比较。真实数据使用 Python 环境进行实验，结果表明，所选算法均表现出较好的优化效果，其中 XGBoost 算法表现最优，其配送时间预测的决定系数 R2达 0.996，均方根误差 RMSE 为 24.08，生鲜食品安全时限命中 率达到 98.54%，表现出较强的实际适应能力。研究可为不确定条件下的生鲜物流配送优化提供理论支撑和实践参考， 也为企业降低成本、提升配送质量提供了可行思路。