随着消费升级,消费者越来越注重服务质量以及购物的便利性,传统的物流组织方式已经难以满足客户的需求,各大电商以及实体商超都开始转变末端物流组织模式,前置仓模式应运而生,目前关于前置仓的发展前景、前置仓种类等的研究内容日益完善,但是针对前置仓选址的研究较少,区别于城市配送中心选址问题,前置仓选址属于末端物流设施的选址,因此基于研究现状以及现实需要,本文提出了前置仓选址多目标模型与求解方法,主要做了以下四方面的研究:第一,本文针对前置仓模式以及前置仓的选址影响因素、步骤以及原则进行分析。通过分析得知前置仓辐射范围有限,客户需求分散,选址受人口、经济、政策等方面因素的影响,以及客户对服务时间敏感的特点,提出了前置仓的选址原则以及选址步骤。第二,利用K-means算法对客户需求点聚类。本文运用K-means算法,以高德地图POI数据为基础,将分散且众多的客户需求点进行聚类,并选择误差平方和以及轮廓系数对聚类效果进行评价,选取聚类效果最佳的k值。聚类后将前置仓选址问题转化为一般选址问题,选址难度大大降低,提高了选址效率。第三,本文从公司以及客户两个角度综合考虑,建立了公司总物流选址成本最小以及惩罚成本最小的多目标模型。前置仓是靠近消费者的末端仓库,商品类型以生鲜为主,末端配送呈现少量多频的特点,如果不能及时将商品送至客户手上,客户等待服务时间长导致客户满意度下降,进一步导致客户购买欲下降,对公司的盈利造成影响。因此将客户满意度用基于时间满意度的惩罚成本来表示,同时从公司运营角度出发,以公司物流选址总成本最低为目标,建立多目标选址模型。第四,以A公司为例进行模型与算法验证。对A公司在北京西城区的需求分布、需求状况进行数据收集和分析,对于前置仓模式中的两点间的实际道路最短距离,通过Python调用百度地图api求解,区别于图上距离,最短道路路径距离能最大化还原实际交通状况下两点间的距离,贴合实际,数据精确性得到了保证,提高了前置仓的选址精度。并运用多目标遗传算法NSGA—II对模型求解,得到了pareto最优解集,模型和算法的有效性和实用性得到了证明。图26幅,表14个,参考文献92篇。