Con el rápido desarrollo de la economía colaborativa, la distribución en logística de terceros (3PL) se puede modelar como una variante del problema de enrutamiento de vehículos abiertos (OVRP). Sin embargo, muy pocos documentos han estudiado 3PL con restricciones de carga. En este trabajo, se describe un problema de enrutamiento de vehículos abiertos bidimensional con ventanas de tiempo (2L-OVRPTW), y se propone un algoritmo de optimización de ballenas de aprendizaje multiobjetivo (MLWOA) para resolverlo. Dado que el 2L-OVRPTW está integrado por el subproblema de enrutamiento y el subproblema de carga, el MLWOA está diseñado como un algoritmo de dos fases para abordar estos subproblemas. En la fase de enrutamiento, se utilizan los mecanismos de exploración y estrategia de aprendizaje en el MLWOA para buscar la población a nivel global. Luego, se diseña un método de búsqueda local basado en cuatro operaciones de vecindario para la explotación de las soluciones no dominantes. En la fase de carga, para evitar descartar soluciones no dominantes debido a fallas de carga, se diseña una estrategia de carga basada en skyline con un método de puntuación para ajustar razonablemente el esquema de carga. A partir del análisis de simulación de diferentes instancias, se puede observar que el algoritmo MLWOA tiene una ventaja absoluta en comparación con el estándar WOA y otros algoritmos heurísticos, independientemente de los resultados de ejecución en la escala de 25, 50 o 100 conjuntos de datos.