车辆路径的规划方法、装置、终端及可读存储介质

本申请涉及物流管理领域，特别涉及一种车辆路径的规划方法、装置、终端及可读存储介质。

背景技术：

随着电子商务的发展，快递行业也蓬勃兴起。在物流系统中，当货物寄出后，将被逐级发送往各个集散点中，而当货物运送到末级集散点后，通常需要通过人工运送的方式，将货物运送到目的地。

相关技术中，在末级集散点接收到一批货物后，将对该批货物进行运送路径的规划。该规划通常通过人工规划的方式进行，末级集散点的工作人员根据货物重量、运送工具的承载能力、时间与路况等多方面因素，综合自身经验进行货物运送的路线的规划，并根据路线规划的结果进行货物的运送。

然而，相关技术中的路径规划方法，针对一辆运输车辆，仅通过人工经验决策进行路线的判断，误差较大，容易导致物流运输效率较低的问题。

技术实现要素：

本申请关于一种车辆路径的规划方法、装置、终端及可读存储介质,能够优化物流配送末端的运输效率。该技术方案如下：

一方面，提供了一种车辆路径的规划方法，所述方法包括：

确定物流路径范围内与目的地对应的目的地位置以及目的地数量，物流范围内至少一辆车辆，车辆为进行物流配送的车辆；

基于粒子群算法确定与车辆对应的至少一条车辆路径，车辆路径中包括车辆途径的至少两个目的地，至少一条车辆路径中的目的地与物流范围内的目的地对应；

基于粒子群算法对车辆路径进行修正操作，得到修正车辆路径，修正操作包括依次进行的变异操作和交叉互换操作；

基于修正操作确定与至少一条车辆路径对应的至少一条车辆修正路径。

另一方面，提供了一种车辆路径的规划装置，所述装置包括：

确定模块，用于确定物流路径范围内与目的地对应的目的地位置以及目的地数量，物流范围内至少一辆车辆，车辆为进行物流配送的车辆；

确定模块，还用于基于粒子群算法确定与车辆对应的至少一条车辆路径，车辆路径中包括车辆途径的至少两个目的地，至少一条车辆路径中的目的地与物流范围内的目的地对应；

修正模块，用于基于粒子群算法对车辆路径进行修正操作，得到修正车辆路径，修正操作包括依次进行的变异操作和交叉互换操作；

确定模块，用于基于修正操作确定与至少一条车辆路径对应的至少一条车辆修正路径。

另一方面，提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本申请实施例中提供的车辆路径的规划方法。

另一方面，提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本申请实施例中提供的车辆路径的规划方法。

另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序指令，该计算机程序指令存储于计算机可读存储介质中。处理器从计算机可读存储介质读取该计算机指令，并执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的车辆路径的规划方法。

本申请提供的技术方案带来的有益效果至少包括：

通过对应车辆路径进行修正操作的方式，使物流路径中的车辆路径均经过修正，在由人工计算物流路径进步到计算机计算物流路径的同时，避免了因粒子群算法的固有特性而产生的路径规划错误的情况，进而优化物流配送末端的运输效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请一个示例性实施例提供的一种车辆路径的规划方法流程图；

图2示出了本申请一个示例性实施例提供的一种车辆路径的规划方法流程图；

图3示出了本申请一个示例性实施例提供的一种车辆路径的规划方法过程示意图；

图4示出了本申请一个示例性实施例提供的一种车辆路径的规划装置的示意图；

图5示出了本申请一个示例性实施例提供的另一种车辆路径的规划装置的示意图；

图6示出了本申请一个示例性实施例提供的一种执行车辆路径的规划方法的计算机设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先，对本申请实施例中涉及的名词进行简单的介绍：

cvrp问题(带容量约束的车辆路径问题capacitatedvehiclerouteproblem)，cvrp问题由dantzig和ramser在1959年提出，可被描述为有一个车场，共有k辆车，每辆车的最大载重为q，这些车辆为l个目的地服务，目的地i的需求为qi，每个目的地可由任一辆车进行服务，但只能被一辆车服务一次，每辆车服务完后必须返回原车场。其目标是找到一个合适的车辆调度方案，在满足目的地需求的同时使车辆的运输成本最低。

粒子群算法，在1995年提出，是一种模仿鸟类觅食的群体搜索方法。在该算法中，每个粒子的编码代表该粒子所处的位置，实际问题的解由粒子的多维位置编码表示。在每一次迭代中，粒子根据其速度从原位置移动到下一位置，而粒子的速度又取决于粒子的认知信息与社会信息，认知信息为该粒子所到达过的最优位置，用pbest表示。在传统的粒子群算法中社会信息是粒子群中所有粒子到达过的最优位置，用gbest表示，但将gbest作为粒子群中唯一的社会信息容易导致粒子群过早聚集从而陷入局部最优解。为改善这一问题，该算法采用gln-pso算法，在gln-pso算法中社会信息除了全局最优解gbest外还包括局部最优解lbest以及邻域最优解nbest，gbest与nbest的引入较好地避免了算法早熟的问题。

gln-pso算法(含有全局最优，局部最优及邻域最优的粒子群算法globalbest，localandnearneighborbestparticleswarmoptimization)。gln-pso结构一定程度上地解决了传统的粒子群算法易陷入局部最优解的问题，但在gln-pso算法中粒子群仍有可能过早聚集而输出局部最优解，为进一步解决这一问题，该算法在每次求得gbest后判断gbest质量是否提高，如果在若干代内没有提高则判断可能陷入局部最优，此时引入遗传算法的交叉互换及变异操作，粒子以一定概率进行交叉、变异从而跳出局部最优。

为将粒子群算法应用于物流配送末端路径优化中，还需明确定义粒子位置编码与配送方案的对应关系。传统的编码方式往往有着计算量大、容易在迭代过程中产生大量无效解等缺陷。在2009年提出了一种经典的编码方式，该编码方式所需计算量较小且仅会在某些情况产生无效解，该作品采用了这一编码方式，并对配送次数(cvrp中的车辆数目)进行预先处理彻底解决了该编码方式产生无效解的问题。

针对相关技术中的路径规划方法，仅通过人工经验决策进行路线的判断，误差较大，容易导致物流运输效率较低的问题的情况，本申请提供了一种车辆路径的规划方法。如图1所示，提供的一种车辆路径的规划方法流程图，方法应用于计算机设备中，方法包括：

步骤101，确定物流路径范围内与目的地对应的目的地位置以及目的地数量，物流范围内包括一辆车辆，车辆为进行物流配送的车辆。

本申请的执行主体为具有计算功能的计算机。可选地，该计算机中存储有与物流路径范围内的车辆相关的车辆信息，以及与物流路径范围内的目的地相关的目的地信息，该车辆信息与目的地相关信息可以在物流路径规划过程中被即时调用。在本申请实施例中，目的地的数量为至少两个，车辆的数量为一辆，该车辆即用于对于物流路径范围内的目的地进行服务。

本申请实施例中，车辆包括但不限于三轮载货车、卡车、货车以及电动车中的至少一种，目的地包括但不限于商户、住宅、学校中的至少一种。本申请对于车辆与目的地的具体实现方式不作限制。

在本申请实施例中，物流路径范围对应末级集散点。在物流运送的过程中，物品通常要通过多级集散点进行分级运送。末级集散点即为各级集散点中，与物品的目的地距离最为相近的一级集散点。在上述物流路径范围内，至少有两个需要配送的目的地，物流配送车辆根据配送目的地的位置进行物流配送。

在本申请实施例中，车辆还对应有运输次数，该运输次数指示车辆进行运输的次数。在车辆按照运输次数结束运输后，所有目的地的运输要求均需要被满足。

步骤102，基于粒子群算法确定与车辆对应的至少一条车辆路径，车辆路径中包括车辆途径的至少两个目的地，至少一条车辆路径中的目的地与物流范围内的目的地对应。

车辆路径为车辆在物流路径范围内，基于部分目的地的需求所确定的物流运送过程中的部分路径。

在本申请实施例中，粒子群算法为前文中所示的gln-pso算法。

可选地，车辆路径对应有起始点以及结束点。在一个示例中，车辆路径的起始点以及结束点根据车辆工作开始前以及车辆工作结束后的具体位置而定。在另一个示例中，车辆路径的起始点与结束点为计算机设备当中预存的两个位置。本申请实施例对于车辆路径的具体起始点与结束点不作限定。

在本申请实施例中，车辆对应所有的目的地，可以生成至少一条车辆路径，该至少一条车辆路径可以将物流范围内的所有目的地涵盖。车辆路径的数量与运输次数对应，也即，车辆的单次运输即表示一条车辆路径。

步骤103，基于粒子群算法对车辆路径进行修正操作，得到修正车辆路径，修正操作包括依次进行的变异操作和交叉互换操作。

在本申请实施例中，由于车辆路径为针对单个车辆进行确定的路径，当基于粒子群算法对车辆路径进行确定后，该车辆路径即为计算机设备根据物流路径范围与车辆的位置以及状态确定的最优路径。然而，当基于粒子群算法，使所有车辆路径中的一条车辆路径或部分车辆路径得到最优解后，上述车辆路径与其余车辆路径相组合，无法实现对于总体车辆路径的最优计划。在此情况下，本申请实施例提供了依次进行的交叉互换操作和变异操作两种修正操作方式。

步骤104，基于修正操作确定与至少一条车辆路径对应的至少一条车辆修正路径。

在本申请实施例中，车辆修正路径即为多条车辆路径进行修正后的集合。在该物流路径中，包括了与该车辆相互对应的车辆修正路径。在本申请实施例中，该物流路径使物流路径范围中的每个目的地的送货要求均得到满足，且车辆对应修正车辆路径进行从集散点到目的地的物流运送。

综上所述，本申请实施例提供的方法，在基于粒子群算法确定物流范围内的车辆路径后，对车辆路径进行修正操作，并进一步整合生成物流路径。在进行车辆路径的规划过程中，通过对应车辆路径进行修正操作的方式，使物流路径中的车辆路径均经过修正，在由人工计算物流路径进步到计算机计算物流路径的同时，避免了因粒子群算法的固有特性而产生的路径规划错误的情况，进而优化物流配送末端的运输效率。

图2示出了一种车辆路径的规划方法流程图，方法应用于计算机设备中，方法包括：

步骤201，确定物流路径范围内与目的地对应的目的地位置以及目的地数量，和与车辆对应的运输次数。

如前文所述，本申请的执行主体为具有计算功能的计算机。可选地，该计算机中存储有与物流路径范围内的车辆相关的车辆信息，以及与物流路径范围内的目的地相关的目的地信息，该车辆信息与目的地相关信息可以在物流路径规划过程中被即时调用。在本申请实施例中，目的地的数量为至少两个，且车辆的运输次数也为至少两次。

物流路径范围对应末级集散点，在一个示例中，本申请实施例中的车辆实现为物流货车，本申请实施例中的目的地实现为物流路径末级集散点的居民住宅。

步骤202，在物流路径范围内，确定与目的地对应的目的地坐标，以及与车辆对应的车辆坐标。

目的地坐标为货物配送所要到达的终点位置，车辆坐标为配送车辆在配送过程中实时反馈的车辆具体位置。可选地，该目的地坐标与车辆坐标之间的距离即为剩余配送距离。

步骤203，基于目的地坐标生成目的地优先级向量。

从步骤203起，本申请实施例将借助粒子群算法中的gln-pso算法，进行车辆路径的规划。步骤203即为在gln-pso算法应用过程中对应单个车辆生成目的地优先级向量的过程。

在车辆配送过程中，随着车辆在物流配送范围内不断地移动，与上述目的地的距离也在改变，所以需要对配送目的地进行优先级排序，根据所有车辆与目的地的距离、车辆自身载重和目的地所需载重生成目的地的优先级向量。

步骤204，基于最小值取值函数对目的地优先级向量中的目的地进行优先级排序。

在该过程中，目的地优先级向量对应有向量特征值，该向量特征值最小时，指示车辆的配送方式最优。也即，该过程通过上述每辆物流配送范围内配送目的地的优先级向量，得到最符合的车辆与车辆路径，给单次车辆运送过程中匹配的目的地配送货物。

步骤205，基于车辆坐标生成目的地优先级矩阵。

在车辆配送过程中，随着车辆在物流配送范围内不断地移动，车辆的坐标也在实时的改变，通过车辆坐标的改变，与配送范围内目的地的距离也在改变，所以需要对配送车辆进行距离、车辆载重和目的地所需载重，得出优先级排序。

步骤206，基于目的地优先级矩阵确定与车辆对应的车辆候选路径。

通过目的地优先级矩阵中各个目的地对应车辆的排列顺序，可以得出与对应该配送车辆的车辆候选路径。

步骤207，响应于与至少一个候选目的地对应的目的地需求载重小于等于车辆载重，将候选车辆路径确定为车辆路径。

在本申请实施例中，候选车辆对应有车辆载重，目的地对应有目的地载重。其中，目的地载重为该目的地所需的货物的重量，候选车辆的车辆载重指示该车辆的货物承载能力。在粒子群算法中，目的地载重与车辆载重会以特征向量或特征数值的形式被表征。

当确认目的地对应的目的地需求载重小于等于车辆载重时，就可以得出该目的地最匹配的车辆路径。

在本申请实施例中，基于粒子群算法，当一条车辆路径被确定时，与其对应的所有车辆路径将同步被确定。在粒子群算法中体现为，所有粒子中的特征向量被同步确定。

步骤208，响应于与至少一个候选目的地对应的目的地需求载重大于车辆载重，重置候选车辆路径。

当目的地对应的目的地需求载重大于车辆载重时，需要重新选择车辆路径，根据车辆载重，车辆与目的地的距离和目的地所需载重重新确认候选车辆路径。此时，所有车辆路径将会被同步重新确定，在粒子群算法中体现为，粒子的特征向量内容发生变化，并对应发生的变化进行重新求解。

步骤209，对候选车辆路径中的目的地进行筛选。

该过程即为步骤208中所述的重新求解的过程。

步骤210，根据筛选结果确定更新候选车辆路径。

经对车辆路径中的目的地实时的筛选后，计算机设备将得到符合条件的车辆路径。

步骤211，通过两元素优化算法对车辆路径进行局部优化。

两元素优化算法即为在粒子群算法的应用过程中，利用相邻元素调整,寻找其中的规律,来直接得到最优的方案，作用在物流配送车辆路径上可以对单条路径上的配送方案进行局部的优化，进一步提升运输效率。

在本申请实施例设计的两元素优化算法之后，本申请实施例中，即引入变异操作与交叉互换操作，解决车辆路径确定过程中遇到的，粒子群算法应用时产生的局部最优解问题。

步骤212，基于粒子群算法确定粒子群中的第一粒子与第二粒子。

在本申请实施例中，粒子群算法对应有粒子群集合，粒子群集合中包括至少两个粒子，粒子对应有粒子序号，第一粒子的序号为奇数，第一粒子与第二粒子相邻，第一粒子对应有第一粒子特征向量，第二粒子对应有第二粒子特征向量。

步骤213，在第一粒子特征向量中选取第一向量值，并在第二粒子特征向量中选取第二向量值。

在本申请实施例中，第一向量值与第二向量值对应的向量维度相同。例如，与第一粒子特征对应的第一粒子特征向量对应有100个向量维度，与第二粒子特征对应的第二粒子特征向量对应有100个特征维度，则第一向量值与第二向量值均为对应第50个向量维度的向量值。

步骤214，将第一向量值与第二向量值进行互换。

步骤212至步骤214对应步骤103中的交叉互换操作，该操作主要通过粒子群算法中，对应两个粒子的相同维度的某个向量进行调换，以实现在粒子群算法中，对于车辆路径的最优解的重新获取，以避免根据单个条件导致的车辆路径局部解最优化的情况，也即，避免粒子群算法应用过程中陷入局部最优的情况。

步骤215，确定与粒子群中的粒子对应的变异概率。

步骤216，响应于变异概率大于变异概率阈值，确定与粒子对应的变异特征向量。

需要说明的是，变异概率阈值为本申请实施例中，粒子群算法中的粒子均对应有变异概率，当变异概率大于计算机设备中存储的，或计算机设备在执行相应过程中接收到的变异概率阈值时，即确定与粒子对应的变异特征向量，

步骤217，在变异特征向量数值范围内，对变异特征向量进行变异操作，得到变异粒子。

在本申请实施例中，对应变异特征向量的维度，原始的粒子对应有在该范围内的最大值与最小值。在进行变异操作时，对应该变异特征向量维度，在范围内选取一个随机值，并对该变异特征向量维度进行重新复制，以在粒子群算法的应用过程中得到变异粒子。

步骤215至步骤217对应步骤103中的变异操作。

需要说明的是，步骤212至步骤217中所述的互换操作与变异操作的过程，是在粒子群算法陷入局部最优情况，无法得到最优解时提出的。

步骤218，基于修正操作确定与至少一条车辆路径对应的至少一条车辆修正路径。

在本申请实施例中，物流路径即为物流路径范围内所有运输次数的集合。在该至少一条车辆修正路径中，包括了与该车辆相互对应的车辆修正路径。在本申请实施例中，该至少一条车辆修正路径使物流路径范围中的每个目的地的送货要求均得到满足，且使每辆车辆对应修正车辆路径进行从集散点到目的地的物流运送。

综上所述，本申请实施例提供的方法，在基于粒子群算法确定物流范围内的车辆路径后，考虑到车辆载重和车辆路径与目的地之间的实时变化，对车辆路径进行修正操作，并进一步整合生成修正车辆路径。在进行车辆路径的规划过程中，为进一步提高搜索能力，该算法将遗传算法的交叉和变异操作与粒子群算法结合，使得当若干代内最优解没有得到提高时判断算法陷入局部最优，开始交叉和变异操作，使物流路径中的车辆路径均经过修正，跳出原算法的陷入车辆路径局部最优的情况。在由人工计算物流路径进步到计算机计算物流路径的同时，避免了因粒子群算法的固有特性而产生的路径规划错误的情况，进而优化物流配送末端的运输效率。

图3示出了本申请一个示例性实施例提供的一种车辆路径的规划方法过程示意图，方法应用于计算机设备中，方法包括：

步骤301，车辆运输次数的确定。

可选地，该过程包括：

(1)、计算客户总需求量q，该过程如下公式1所示：

公式1：

其中，n为目的地数量，qi为目的地i的需求载重；

(2)、确定车辆运输次数m，该过程如下公式2所示：

公式2：(m-1)*w<q≤m*w：

其中，w为车辆载重；

(3)、随机产生100个(n+2m)维编码，并进行解码操作。若解码得到的路径包含所有目的地，则至步骤(5)，若路径未包含所有目的地，则至步骤(4)，其中(n+2m)维为在该编码方式下每个特征向量的位置编码；

(4)、将对车辆运输次数的赋值进行递加，并再次执行步骤(3)；

(5)、完成车辆运输次数的确定，车辆运输次数为m。

步骤302，建立目的地优先级向量u：

(1)、建立集合s＝{1...n}；

(2)、在集合s中取a放入u的末尾，以满足公式3：

公式3：a＝argminxa(a∈s)：

其中，a为局部最优计数器；

(3)、将a从集合s中移除；

(4)、至步骤2直到s为其中为空集。

步骤303，建立车辆对每个目的地的优先级矩阵v：

(1)、得到每一辆车的虚拟坐标，该过程如下公式4所示：

公式4：fori＝1...m,xvti＝xn+i,yvti＝xn+m+i；

(2)、对n个目的地fori＝1...n：

①得到每辆车到目的地i的距离，forj＝1...m,第j辆车的虚拟坐标到第i个目的地的距离为dj；

②建立集合s＝{1...m}；

③在集合s中取整数a放入向量vi末尾，且a＝argminda(a∈s)，其中vi为矩阵v第i行行向量，d为车辆路径中路径点对应的目标特征维度；

④将a从集合s中移除；

⑤至步骤③直到s为

步骤304，求解车辆待服务目的地，将每一个目的地放入车辆的路径向量中。

fori＝1...n：

(1)、令l＝ui,p＝1；

(2)、令j＝vlp；

(3)、检验车辆j已载重量与目的地l需求量之和是否超出最大载重，若超过则p＝p+1并至步骤(2)，若未超过则将目的地l放入路径向量rj的末端。

步骤305，采用局部优化算法优化车辆路径，对每一辆车的路径采用局部优化算法进行优化。

本申请实施例中，采用二选择(2-options，2-opt)算法进行优化，2-opt算法具体操作如下：

(1)、将最优计数器a置零；

(2)、在t维车辆路径rk中随机取p，q两点(1≤p,q≤t∩p,q∈z∩p≠q)，其中rk为车辆k的路径；

(3)、将路径rk中p,q两点及其中间元素反向排列得到路径rknew，其中rknew为局部优化过的车辆k的路径。

(4)、若rknew路径长度≥rk路径长度，则计数器a＝a+1，若rknew路径长度<rk路径长度则计数器a＝0，rk＝rknew；

(5)、若a>50输出最优路径rk，若a≤50至步骤(2)。

步骤306，采用交叉互换操作修正车辆路径。

交叉互换时，对于每个序号为奇数的特征向量，若取值范围在[0,1]的随机数u大于交叉概率pc则该特征向量与其下一个特征向量进行交叉互换，在交叉互换时，在特征向量位置编码中随机取一点并将该特征向量与其后一个特征向量在该点之后的编码进行互换。

步骤307，采用变异操作修正车辆路径。

变异时，对于每个特征向量，若取值范围在[0,1]的随机数u大于变异概率pm则该特征向量进行变异操作，进行变异操作时，在该特征向量编码中随机取一维度作为变异点，将该维度上的元素用[xmin,xmax]范围内一随机数代替。

步骤308，得到与车辆对应的修正车辆路径。

基于得到的多条修正车辆路径从而确定了物流路径范围内的物流路径。

综上所述，本申请实施例提供的方法，在基于粒子群算法确定物流范围内的车辆路径后，考虑到车辆载重和车辆路径与目的地之间的实时变化，对车辆路径进行修正操作，并进一步整合生成修正车辆路径。在进行车辆路径的规划过程中，为进一步提高搜索能力，该算法将遗传算法的交叉和变异操作与粒子群算法结合，使得当若干代内最优解没有得到提高时判断算法陷入局部最优，开始交叉和变异操作，使物流路径中的车辆路径均经过修正，跳出原算法的陷入车辆路径局部最优的情况。在由人工计算物流路径进步到计算机计算物流路径的同时，避免了因粒子群算法的固有特性而产生的路径规划错误的情况，进而优化物流配送末端的运输效率。

图4示出了本申请一个示例性实施例提供的一种车辆路径的规划装置的示意图，该装置包括：

确定模块401，用于确定物流路径范围内与目的地对应的目的地位置以及目的地数量，和与车辆对应的运输次数，物流范围内包括一辆车辆，车辆为进行物流配送的车辆；

确定模块401，还用于基于粒子群算法确定与车辆对应的至少一条车辆路径，车辆路径中包括车辆途径的至少两个目的地，至少一条车辆路径中的目的地与物流范围内的目的地对应，车辆路径的数量与运输次数对应；

修正模块402，基于粒子群算法对车辆路径进行修正操作，得到修正车辆路径，修正操作包括依次进行的变异操作和交叉互换操作；

确定模块401，用于基于修正操作确定与至少一条车辆路径对应的至少一条车辆修正路径。

在一个可选的实施例中，修正操作包括交叉变换操作，

确定模块401，还用于基于粒子群算法确定粒子群中的第一粒子与第二粒子，粒子群算法对应有粒子群集合，粒子群集合中包括至少两个粒子，粒子对应有粒子序号，第一粒子的序号为奇数，第一粒子与第二粒子相邻，第一粒子对应有第一粒子特征向量，第二粒子对应有第二粒子特征向量；

请参考图5，该装置，还包括选取模块403，用于在第一粒子特征向量中选取第一向量值，并在第二粒子特征向量中选取第二向量值，第一向量值与第二向量值对应的向量维度相同；

互换模块404，用于将第一向量值与第二向量值进行互换；

确定模块401，还用于基于粒子群算法，以及向量值互换后的第一粒子与第二粒子，确定修正车辆路径。。

在一个可选的实施例中，修正操作包括变异操作；

确定模块401，还用于确定与粒子群中的粒子对应的变异概率；

确定模块401，还用于响应于变异概率大于变异概率阈值，确定与粒子对应的变异特征向量；

该装置，还包括变异模块405，用于在变异特征向量数值范围内，对变异特征向量进行变异操作，得到变异粒子；

确定模块401，用于基于粒子群算法通过变异粒子进行求解，确定修正车辆路径；

在一个可选的实施例中，车辆对应有车辆载重，目的地对应有目的地需求载重；

确定模块401，还用于在物流路径范围内，确定与目的地对应的目的地坐标，以及与车辆对应的车辆坐标；

确定模块401，还用于基于车辆坐标、车辆载重与目的地坐标确定与车辆对应的候选车辆路径，候选车辆路径中包括至少一个候选目的地；

确定模块401，还用于响应于与至少一个候选目的地对应的目的地需求载重小于等于车辆载重，将候选车辆路径确定为车辆路径。

在一个可选的实施例中，该装置，还包括重置模块406，用于响应于与至少一个候选目的地对应的目的地需求载重大于车辆载重，重置候选车辆路径；

筛选模块407，用于对候选车辆路径中的目的地进行筛选；

确定模块401，用于根据筛选结果确定更新候选车辆路径。

在一个可选的实施例中，该装置，还包括生成模块408，用于基于目的地坐标生成目的地优先级向量；

该装置，还包括排序模块409，用于基于最小值取值函数对目的地优先级向量中的目的地进行优先级排序；

生成模块408，还用于基于车辆坐标生成目的地优先级矩阵；

确定模块401，用于基于目的地优先级矩阵确定与车辆对应的车辆候选路径。

在一个可选的实施例中，该装置，还包括优化模块410，用于通过两元素优化算法对车辆路径进行局部优化。

综上所述，本申请实施例提供的装置，在基于粒子群算法确定物流范围内的车辆路径后，考虑到车辆载重和车辆路径与目的地之间的实时变化，对车辆路径进行修正操作，并进一步整合生成修正车辆路径。在进行车辆路径的规划过程中，为进一步提高搜索能力，该算法将遗传算法的交叉和变异操作与粒子群算法结合，使得当若干代内最优解没有得到提高时判断算法陷入局部最优，开始交叉和变异操作，使物流路径中的车辆路径均经过修正，跳出原算法的陷入车辆路径局部最优的情况。在由人工计算物流路径进步到计算机计算物流路径的同时，避免了因粒子群算法的固有特性而产生的路径规划错误的情况，进而优化物流配送末端的运输效率。

需要说明的是：上述实施例提供的车辆路径的规划装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

图6示出了本申请一个示例性实施例提供的一种执行车辆路径的规划方法的计算机设备的结构示意图，该计算机设备包括：

处理器601包括一个或者一个以上处理核心，处理器601通过运行软件程序以及模块，从而执行各种功能应用以及数据处理。

接收器602和发射器603可以实现为一个通信组件，该通信组件可以是一块通信芯片。可选地，该通信组件可以实现包括信号传输功能。也即，发射器603可以用于发射控制信号至图像采集设备以及扫描设备中，接收器602可以用于接收对应的反馈指令。

存储器604通过总线605与处理器601相连。

存储器604可用于存储至少一个指令，处理器601用于执行该至少一个指令，以实现上述方法实施例中的各个步骤。

本申请实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，以由处理器加载并执行以实现上述车辆路径的规划方法。

本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的车辆路径的规划方法。

可选地，该计算机可读存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、固态硬盘(ssd，solidstatedrives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(reram,resistancerandomaccessmemory)和动态随机存取存储器(dram，dynamicrandomaccessmemory)。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

上述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。