一种派件配送路径规划方法与流程

1.本发明涉及车辆路线规划领域，具体涉及一种派件配送路径规划方法。


背景技术：

2.随着电商行业的蓬勃发展，快递市场的规模取得了进一步扩张。随着快件数量的增多，高效快捷地进行共同配送考验着末端共享网点的派件能力。于是对派件路径进行合理的路线规划成为了末端共享网点考虑的问题。
3.针对末端共同配送路线的规划本质上是车辆路径问题，即vrp问题。针对vrp问题在不同情况下的应用的研究也有很多。本文中运用的是混合遗传模拟退火算法。遗传算法的通用性强，便于对不同约束的问题模型进行移植，但容易陷入局部最优。模拟退火算法也常用于组合优化领域，根据概率接收准则更新最优解。各种算法在单一使用时均有各自的优缺点，所以取长补短结合多种算法构造更优的算法。


技术实现要素：

4.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
5.本发明的目的在于解决上述问题，提供了一种派件配送路径规划方法，结合遗传算法与模拟退火算法作为混合遗传算法，通过混合遗传算法对配送路径规划模型进行迭代优化，从而获取到最佳派件配送路径进行物流配送。
6.本发明的技术方案为：
7.本发明提供一种派件配送路径规划方法，包括以下步骤：
8.基于派件地址建立配送路径规划模型；
9.采用混合遗传算法迭代优化配送路径规划模型，获取最佳派件配送路径；
10.基于最佳派件配送路径进行快件配送。
11.根据本发明的派件配送路径规划方法的一实施例，所述配送路径规划模型通过以下公式进行建模：
12.；
13.其中，
14.v＝{v0,v1,
…
,vn}表示路径节点集合,v0表示末端共享网点，vn表示各派送地址集合，n表示对应的派送地址数量；
15.e＝{(s,e)|(s,e)∈v}表示各路径节点之间直线路径的集合，(s,e)表示路径节点e和路径节点s之间的直线路径，d
se
表示直线路径(s,e)的距离；
16.k＝{k1,k2,
…
,kv}表示快递员配车集合，ek则表示快递员配车k的单位运输成本，ck则表示快递员配车k的最大派件量；
17.nk表示派件任务组集合，p则表示各派件任务组派件费，表示派件任务 i的派件费用；
18.t＝{0,1,2
…
,m}表示时间范围t内派件任务集合，m表示派件任务数量；
19.c＝{c1,c2,
…
,ci}表示参与末端共享网点v0的快递公司集合，t
ci
表示各快递公式c的派件任务最晚派件时间；
20.为按照软时间窗规则的单位惩罚时间成本，用于判断快递员车辆的派件时间是否在派件任务i最晚派件时间之前；若是，则无需接受时间惩罚；若否，则相应时间差受到时间惩罚
21.用于判断派件任务i是否分配给快递员配车k的第p个派件任务组；若是，则若否，则
22.用于判断快递员配车k的第p个派件任务组是否经过直线路径(s,e)；若是，则若否，则
23.根据本发明的派件配送路径规划方法的一实施例，所述派件配送路径规划方法采用混合遗传算法迭代优化配送路径规划模型，确定最佳派件配送路径；包括以下步骤：
24.初始化任务序列染色体种群；
25.计算各任务序列染色体的配送利润适应度，并保存最优染色体；
26.判断是否达到最大优化次数；若是，则直接输出最优染色体作为最优解，完成迭代；若否，则对任务序列染色体种群进行遗传算法操作，并重新计算迭代后的任务序列染色体种群中各任务序列染色体的配送利润适应度进行迭代，确定最优解。
27.根据本发明的派件配送路径规划方法的一实施例，所述混合遗传算法采用启发式算法初始化多条任务序列染色体，组成任务序列染色体种群染色体种群；其中，初始化任务序列染色体包括以下步骤：
28.基于随机选择的初始派件任务创建任务序列染色体，并将初始派件任务的派件地址集合作为路径节点集合；
29.基于随机数和选择概率判断是否在当前的路径节点集合中随机选择其他任务添加到任务序列染色体中；若是，则在当前的路径节点集合中随机其他任务添加到任务序列染色体；若否，则重新选择不同的派件地址集合并从中随机选择派件任务添加到任务序列染色体中；
30.判断是否有派件任务未加入到任务序列染色体中；若是，则继续向任务序列染色体中添加派件任务；若否，则完成任务序列染色体的初始化。
31.根据本发明的派件配送路径规划方法的一实施例，所述混合采用轮盘赌算法重新选择不同的派件地址集合。
32.根据本发明的派件配送路径规划方法的一实施例，所述混合遗传算法计算得到各任务序列染色体的配送利润适应度，采用轮盘赌算法选择进行遗传操作的父代染色体，包括以下步骤：
33.计算任务序列染色体种群中各任务序列染色体的配送利润适应度f(xi)；其中，i＝(1,2，
…
，m)，m为任务序列染色体种群大小；
34.计算各任务序列染色体被遗传到下一代群体中的概率p(xi)，计算公式如下：
[0035][0036]
；其中，n为染色体种群大小，i＝(1,2，
…
，n)，表示染色体种群总配送利润适应度。
[0037]
计算各任务序列染色体被遗传到下一代群体中的累积概率qi，计算公式如下：
[0038][0039]
在[0,1]区间生成一个均匀分布的伪随机数r，基于伪随机数r选择任务序列染色体；
[0040]
判断基于伪随机数r选择任务序列染色体的次数是否达到任务序列染色体种群大小；若是，则完成父代染色体选择；若否，则继续基于伪随机数r选择任务序列染色体。
[0041]
根据本发明的派件配送路径规划方法的一实施例，若伪随机数r小于任务序列染色体i的累积概率qi时，则选择该任务序列染色体i；若伪随机数r大于或者等于任务序列染色体i的累积概率qi时，则基于不等式q[k-i]＜r≤q[k] 选择任务序列染色体k。
[0042]
根据本发明的派件配送路径规划方法的一实施例，所述混合遗传算法通过遗传算法操作对任务序列染色体种群进行交叉变异，生成新的任务序列染色体种群；其中，所述遗传算法操作包括交叉操作和变异操作。
[0043]
根据本发明的派件配送路径规划方法的一实施例，所述交叉操作对满足交叉概率的任务序列染色体进行编码组的易位交叉操作，包括以下步骤：
[0044]
基于各任务序列染色体的配送利润适应度选择两个父代染色体；
[0045]
随机选取父代染色体的交叉编码组片段进行易位；
[0046]
易位后以启发式插入算法将未分配的派件快件插入下一代任务序列染色体中。
[0047]
根据本发明的派件配送路径规划方法的一实施例，其特征在于，所述变异操作对随机选择的任务序列染色体进行编码组的拆分变异操作，包括以下步骤：
[0048]
随机选择任务序列染色中的几个编码组；
[0049]
删除选中的编码组的快递员配车，并将选中的编码组内的派件任务设置为未分配状态；
[0050]
采用启发式插入算法将未分配状态的派件任务重新插入到任务序列染色体中，生成变异的新染色体。
[0051]
根据本发明的派件配送路径规划方法的一实施例，所述启发式插入算法将未分配状态的派件任务重新插入到任务序列染色体中，包括以下步骤：
[0052]
随机从未分配状态派件任务集合选择一个派件任务，并新建编码组成本记录集合；
[0053]
遍历派件任务染色体中各编码组，根据各编码组的快递员配车载量将派件任务插
入到对应的编码组中；
[0054]
判断未分配状态派件任务集中所有派件任务是否完成分配；若是，则完成新染色体的生成；若否，则继续选取派件任务进行分配。
[0055]
根据本发明的派件配送路径规划方法的一实施例，启发式插入算法通过编码组成本记录集进行未分配状态派件任务的插入，包括以下步骤：
[0056]
判断插入派件任务后派件任务重量不超过编码组的快递员配车载量且插入需求可行；若是，则算插入派件任务后各编码组的运输成本变化和时间成本变化，将运输成本变化和时间成本变化记录到编码组成本记录集中；若否，则跳过该编码组进行下一个编码组的判断。
[0057]
判断编码组成本记录是否为空；若是，则将派件任务插入到编码组成本记录集中记录最小的编码组中；若否，则选择当前最早返回的快递员配车为新增车辆，并将派件任务分配到所述新增车辆。
[0058]
删除已分配的派件任务，并判断未分配状态派件任务集合是否存在未分配任务；若是，则继续插入未分配任务；若否，则完成新染色体的生成。
[0059]
根据本发明的派件配送路径规划方法的一实施例，所述混合遗传算法生成新的任务序列染色体种群后，通过模拟退火操作对新的任务序列染色体种群进行模拟退火；其中，所述模拟退火操作包括交换操作、逆序操作和插入操作。
[0060]
本发明对比现有技术有如下的有益效果：本发明采用遗传算法与模拟退火算法相结合的混合遗传算法对派件配送路径进行规划，并通过配送利润适应度对种群中个体进行评估，从而获取到总利润最优的派件配送路径，不仅避免了各种算法在单一使用时的各自缺点，而且提高了配送利润。
附图说明
[0061]
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
[0062]
图1是示出本发明的派件配送路径规划方法一实施例的总体流程图。
[0063]
图2是示出本发明的派件配送路径网络一实施例的整体网络图。
[0064]
图3是示出本发明的混合遗传算法一实施例的流程图。
[0065]
图4是示出本发明的任务序列染色体初始化方法一实施例的流程图。
具体实施方式
[0066]
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
[0067]
在此公开一种派件配送路径规划方法的一实施例，图1是示出本发明的派件配送路径规划方法一实施例的总体流程图。请参照图1，以下是对派件配送路径规划方法各步骤的详细描述。
[0068]
步骤s1：基于路径规划参数建立配送路径规划模型。
[0069]
本实施例中，根据车辆路径规划参数来建立配送路径规划模型，从而解决车辆路
径规划问题vrp。其中，vrp是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，并组织适当的行车路线，由一个车队负责分送货物，从而使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。图2是示出本发明的派件配送路径网络一实施例的整体网络图，下面结合图2，进一步说明本实施例。
[0070]
如图2所示，本实施例中，派件配送网络图中包括多个路径节点和1个派件地址点。其中，路径节点用数字进行标注，派件任务用英文字母进行标注(例如快递a、快递b、快递c)，每个路径节点都可被多个派件任务访问。将派件任务的起始路径节点作为末端共享网点，使用带箭头的直线来标注派件任务从起始路径节点到最终的派件地址点之间各路径节点的访问顺序，从而构成一条完整的派件配送路径。其中，起始路径节点与派件地址点之间可以通过多条路径进行配送，为了节约配送成本，提高配送效率，需要通过配送路径规划模型进行规划，从而选择出最优的派件配送路径。
[0071]
具体地，本实施例中，通过以下公式建立配送路径规划模型：
[0072][0073]
其中，v＝{v0,v1,
…
,vn}表示路径节点集合,v0表示末端共享网点，vn表示各派送地址点集合，n表示对应的派送地址数量。e＝{(s,e)|(s,e)∈v}表示各路径节点之间直线路径，即最优路线的集合，(s,e)表示路径节点e和路径节点s之间的直线路径，d
se
则表示直线路径(s,e)的距离。且该距离满足对称性，即d
se
＝d
es
，同一节点之间的距离为0，即d
ss
＝0，s∈v。k＝{k1,k2,
…
,kv} 表示快递员配车集合，ek则表示快递员配车k的单位运输成本，ck则表示快递员配车k的最大派件量。nk表示派件任务组集合，p则表示各派件任务组派件费，p
ci
表示派件任务i的派件费用。t＝{0,1,2
…
,m}表示时间范围t内派件任务集合，m表示派件任务数量。c＝{c1,c2,
…
,ci}表示参与末端共享网点v0的快递公司集合，t
ci
表示各快递公司c的派件任务最晚派件时间，ai表示单位时间惩罚成本。为按照软时间窗规则的单位惩罚时间成本，用于判断快递员车辆的派件时间是否在派件任务i最晚派件时间之前；若迟到，相应时间差受到时间惩罚为否则，无需接受时间惩罚。本实施例中，在建立配送路径规划模型对派件路径进行优化时，同时受到以下约束条件，对配送路径规划模型进行约束限制：
[0074]
(1)本实施中，末端共享网点、派件地址的位置及其之间的最短距离是已知、快递员配车的数量和载重已知、配送快件任务信息也是已知的；
[0075]
(2)每个运单的起点为末端共享网点，终点为某个派件地址；
[0076]
(3)所有快递员的配车都从末端共享网点出发，完成配送后再回到末端共享网点；
[0077]
(4)每个快件只被一位快递员配送，每位业务员可以配送多个快件，即每台车辆可以进行多次配送任务；
[0078]
(5)每个快递员每次配送的快件总重量不能超过他的配车的最大载重限制；
[0079]
(6)每位快递员到达一个派送地址点后卸载本次配送该派送地址点的所有所属快件，每次任务中每个派送地址点仅经过一次；
[0080]
(7)每个派送地址点的配送需求可以由多位快递员经过多次配送满足。基于以上
约束，本实施例中配送路径规划模型的建立公式通过变量和进行约束。其中，用于判断派件任务i∈t是否分配给快递员配车k∈k的第p∈nk个派件任务组；若是，则若否，则用于判断快递员配车k的第p个派件任务组是否经过直线路径(s,e)∈e；若是，则若否，则
[0081]
步骤s2：采用混合遗传算法迭代优化配送路径规划模型，获取最佳派件配送路径。
[0082]
本实施例中，混合遗传算法为一般遗传算法(genetic algorithm,ga)与模拟退火算法的结合。其中，遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。儿女模拟退火算法来源于固体退火原理，是一种基于概率的算法，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。图3是示出本发明的混合遗传算法一实施例的流程图，请参照图3，以下是对混合遗传算法各步骤的详细说明。
[0083]
步骤s21：初始化任务序列染色体种群。
[0084]
本实施例中，派件任务之间是离散的，且要同时表示车辆装载情况和派送顺序，故本实施例采用分组编码的方案，每一条染色体包含若干个编码组，该染色体中有几个编码组，就有几次派送任务组。每个编码组用运单任务编号排列的整数编码形式代表安排给车辆的该次所有任务及顺序，因此，本实施例一个染色体就是一套可行的路径解决方案。
[0085]
由于本实施例中相同派件地址的派件任务数量密集，随机初始化染色体容易造成盲目搜索，致使搜索产生大量无关路径，进化操作效果不明显，容易陷入局部最优，故本实施例中混合遗传算法采用启发式算法初始化派件任务序列染色体，图4是示出本发明的任务序列染色体初始化方法一实施例的流程图，请参照图4，以下是对任务序列染色体初始化方法各步骤的详细说明。
[0086]
步骤s211：基于随机选择的初始派件任务创建任务序列染色体，并将初始派件任务的派件地址集合作为路径节点。
[0087]
本实施例中，初始时任务序列染色体为空，随机选择派件任务i作为第一个派件任务加入到任务序列染色体ch中，并将派件任务i所属的派件地址集合作为路径节点v。
[0088]
步骤s212：基于随机数和选择概率判断是否在当前的路径节点中随机选择其他任务添加到任务序列染色体中；若是，则在当前的路径节点中随机其他任务添加到任务序列染色体；若否，则重新选择不同的派件地址集合并从中随机选择派件任务添加到任务序列染色体中。每次随机选择一个任务然后不断循环这个过程直到全部任务均被选择
[0089]
本实施例中，生成随机数r来构建任务序列染色体的派件任务集合。其中，若随机数r小于选择概率local，则在路径节点v中随机其他派件任务加入染色体ch中。若随机数r小于选择概率local，则根据路径节点v与其他派件地址集合距离倒数进行选择概率线性标定，将其作用于随机选择的过程，然后根据轮盘赌算法选择不同的派件地址集合，并随机选择其中的派件任务加入到ch 中。
[0090]
步骤s213：判断是否有派件任务未加入到任务序列染色体中；若是，则继续向任务序列染色体中添加派件任务；若否，则完成任务序列染色体的初始化。
[0091]
本实施例中，每次随机选择一个派件，任务然后不断循环执行步骤s211、 s212，直到所有派件任务都加入到了任务序列染色体中。此外，本实施例中，初始化的为多个染色体构成的任务序列染色体种群，但上述初始化方法为初始化一条染色体的算法。由于初始化算法中选择的任务具有随机性，所以通过初始化算法可以产生的多条不同的任务序列染色体，然后组成任务序列染色体种群染色体，从而完成任务序列染色体种群的初始化。
[0092]
步骤s22：计算各任务序列染色体的配送利润适应度，并保存最优染色体。
[0093]
本实施例中，通过计算各任务序列染色体的配送利润适应度来对各任务序列染色体进行评估，从而确定要进行遗传算法操作的父代染色体和最优染色体。在一种实施方法中，混合遗传算法采用轮盘赌算法选择进行遗传操作的父代染色体，同时采用精英保留策略将每代的最优染色体直接传递给下一代进行迭代优化，包括以下步骤：
[0094]
步骤s221：计算任务序列染色体种群中各任务序列染色体的配送利润适应度f(xi)；其中，i＝(1,2，
…
，m)，m为任务序列染色体种群大小。
[0095]
本实施例中，使用各任务序列染色体的配送利润适应度来计算各任务序列染色体的被遗传到下一代群体中的累积概率，根据各任务序列染色体的累积概率选择进行遗传操作的父代染色体。
[0096]
步骤s222：计算各任务序列染色体被遗传到下一代群体中的概率p(xi)，计算公式如下：
[0097][0098]
；其中，n为染色体种群大小，i＝(1,2，
…
，n)，表示染色体种群总配送利润适应度。
[0099]
步骤s223：计算各任务序列染色体被遗传到下一代群体中的累积概率qi，计算公式如下：
[0100][0101]
步骤s224：在[0,1]区间生成一个均匀分布的伪随机数r，基于伪随机数r 选择任务序列染色体。
[0102]
本实施例中，若伪随机数r小于任务序列染色体i的累积概率qi时，则选择该任务序列染色体i。若伪随机数r大于或者等于任务序列染色体i的累积概率qi时，则选择任务序列染色体k，使得不等式q[k-i]＜r≤q[k]成立。
[0103]
步骤s225：判断基于伪随机数r选择任务序列染色体的次数是否达到任务序列染色体种群大小；若是，则完成父代染色体选择；若否，则继续基于伪随机数r选择任务序列染色体。
[0104]
本实施例中，根据各任务序列染色体的累积概率选择进行遗传操作的父代染色体。
[0105]
步骤s23：判断是否达到最大优化次数；若是，则直接输出最优染色体作为最优解，完成迭代；若否，则对任务序列染色体种群进行遗传算法操作，并重新计算迭代后的任务序
列染色体种群中各任务序列染色体的配送利润适应度进行迭代，确定最优解。
[0106]
本实施例中，混合遗传算法通过遗传算法操作对任务序列染色体种群进行交叉变异，生成新的任务序列染色体种群；其中，所述遗传算法操作包括交叉操作和变异操作。
[0107]
具体地，本实施例中，交叉操作对满足交叉概率pc的任务序列染色体进行编码组的易位交叉操作，包括以下步骤：
[0108]
步骤c1：基于各任务序列染色体的配送利润适应度选择两个父代染色体。
[0109]
步骤c2：随机选取父代染色体的交叉编码组片段进行易位；
[0110]
步骤c3：易位后以启发式插入算法将未分配的派件快件插入下一代任务序列染色体中。
[0111]
本实施例中，易位操作可能导致某些派件任务重复。为了消除这些重复的派件任务，将原父代任务染色体中的相同派件任务去除，并设为未分配状态，然后以启发式算法将未分配状态的派件任务分别插入两个子代染色体中。
[0112]
此外，本实施例中，还对满足变异概率pv的任务序列染色体采用编码组的拆分变异，包括以下步骤：
[0113]
步骤d1：随机选择任务序列染色中的几个编码组。
[0114]
步骤d2：删除选中的编码组的快递员配车，并将选中的编码组内的派件任务设置为未分配状态。
[0115]
步骤d3：采用启发式插入算法将未分配状态的派件任务重新插入到任务序列染色体中，生成变异的新染色体。
[0116]
具体地，本实施中，上述步骤c3和d3中采用启发式插入算法将未分配状态的派件任务插入到任务序列染色体中包括以下步骤：
[0117]
步骤e1：随机从未分配状态派件任务集合t选择一个派件任务i，并新建编码组成本记录集合。
[0118]
步骤e2：遍历派件任务染色体ch中各编码组，根据各编码组的快递员配车载量将派件任务插入到对应的编码组中。
[0119]
本实施例中，遍历派件任务染色体ch，对派件任务染色体ch中每个编码组中尝试插入派件任务i，并结合编码组成本记录集对未分配状态的派件任务i 的进行插入，包括以下步骤：
[0120]
步骤e21：判断插入派件任务后派件任务重量不超过编码组的快递员配车载量；若插入派件任务i后派件任务重量不超过编码组的快递员配车载量且插入需求可行，则计算计算插入派件任务i后各编码组的运输成本变化和时间成本变化，并将运输成本变化和时间成本变化记录到编码组成本记录集中。若插入派件任务i后超过编码组车辆载重或插入需求不可行，则判断下一个编码组，直至染色体中的编码组全部尝试完成。
[0121]
步骤e22：判断编码组成本记录是否为空，即运输成本变化和时间成本变化记录是否插入到编码组成本记录集中。若编码组成本记录为空，则选择当前最早返回的快递员配车为新增车辆，并将派件任务分配到该新增车辆，然后从未分配状态派件任务集合t中删除派件任务i。若不为空，则将派件任务i插入到编码组成本记录集中记录最小的编码组中,并从未分配状态派件任务集合 t中删除派件任务i。
[0122]
步骤e23：删除已分配的派件任务，并判断未分配状态派件任务集合是否存在未分
配任务；若是，则继续插入未分配任务；若否，则完成新染色体的生成。
[0123]
从未分配状态派件任务集合t中删除派件任务i，然后判断是否还需要插入未分配的任务。
[0124]
步骤e3：判断未分配状态派件任务集合t中所有派件任务是否完成分配；若是，则完成新染色体的生成；若否，则继续选取派件任务进行分配。
[0125]
重复上述步骤e1、e2、e3，直到将未分配状态派件任务集合t中的全部派件任务都分配出去，最终生成新的染色体并传递到下一代种群中进行迭代。
[0126]
此外，虽然遗传算法的通用性强，便于对不同约束的问题模型进行移植，但容易陷入局部最优。而模拟退火算法也常用于组合优化领域，根据概率接收准则更新最优解。因此，本实施例中，混合遗传算法生成新的任务序列染色体种群后，还通过模拟退火操作对新的任务序列染色体种群进行模拟退火。其中，模拟退火操作包括交换操作、逆序操作和插入操作。
[0127]
具体地，交换操作采用单点交换，随机选择两个路径节点，然后交换两个路径节点的位置。逆序操作采用倒位变异，随机选择两个路径节点位置作为切点，然后将路径节点中间片段的所有任务序列倒位放置。插入操作采用单点插入，随机选择两个路径节点，然后将被选中的后置路径节点插入前置路径节点前位置。
[0128]
本实施例中，模拟退火操作的初始温度为t0、终止温度为te、降温系数为a。若在温度t，当前状态i
→
新状态j。若ej＜ei，则接受j为当前状态。否则若概率p大于[0,1)区间的随机数，则仍接受状态j为当前状态；若不成立，则保留状态i为当前状态。其中，概率p的计算公式如下：
[0129]
p＝exp[-(e
j-ei)/kt]
[0130]
其中，t表示温度，ei表示当前状态的能量，ej表示新状态的能量。
[0131]
上述的模拟退火操作中，在高温下，可接受与当前状态能量差较大的新状态；在低温下，只接受与当前状态能量差较小的新状态。通过对新生的派件任务染色体种群进行模拟退火操作，避免陷入局部最优的情况。
[0132]
步骤s3：基于最佳派件配送路径进行快件配送。
[0133]
本实施例中，当迭代此处达到最大优化次数g时，则输出最优染色体作为最优解，根据最优染色体中各编码组中派件任务的顺序作为最佳派件配送路径，然后根据最佳派件配送路径进行派件配送。
[0134]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
[0135]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的
功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0136]
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp 与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0137]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram 存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0138]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom 或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
[0139]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。