CN104537426A - 一种快递送货过程的优化调度方法 - Google Patents

Abstract

本发明涉及一种快递送货过程的优化调度方法，属于车辆调度智能优化调度技术领域。本发明通过确定快递送货过程的调度模型和优化目标，并使用基于量子蚁群算法的优化调度方法对优化目标进行优化。本发明提出了快递送货过程的调度模型和优化目标，使得调度过程表达清晰准确；采用根据算法步骤得到当代种群“最优个体”更新量子位观测模型，提出了基于距离可见度和量子位观测模型相互作用的观测方式，真正引导算法进行全局搜索；对当代种群“最优个体”执行基于问题性质的两阶段局部搜索，进一步提升算法的局部开发能力，显著提高解的质量。

Description

一种快递送货过程的优化调度方法

技术领域

本发明涉及一种快递送货过程的优化调度方法，属于车辆调度智能优化调度技术领域。

背景技术

现代物流(modern times Logistics)指的是将信息、运输、仓储、库存、装卸搬运以及包装等物流活动综合起来的一种新型的集成式管理，其任务是尽可能降低物流的总成本，为顾客提供最好的服务。我国许多专家学者则认为：“现代”物流是根据客户的需求，以最经济的费用，将物流从供给地向需求地转移的过程，它主要包括运输、储存、加工、包装、装卸、配送和信息处理等活动。

在经济全球化和电子商务的双重推动下，物流业正在从传统物流向现代物流迅速转型并成为当前物流业发展的必然趋势。在系统工程思想的指导下，以信息技术为核心，强化资源整合和物流全过程优化是现代物流的最本质特征。

在物流配送体系中，快递送货过程是其最为关键的一个环节。快递送货过程包括，从快递中心出发、依次到达各个配送客户、再返回快递中心3个阶段，每辆车经过如上3个阶段完成快递中心的所有配送任务。整个快递送货过程中，车辆行驶的总里程是物流配送成本的最大开销。因此，对快递送货过程进行合理的调度，是减少物流成本，提高经济效益的关键。具体来说由4辆车向100个客户送货，100个客户需要合理分配到4辆车，每辆车配送的客户数不一定相同，按照客户排列C依次将客户划分到4辆车上，由于每台配送车辆的最大载重相同，需要合理调度得到最小配送里程。综上所述，学术界定义该类车辆调度方法为一种带容量约束的车辆路径问题(CVRP)，已经证明CVRP属于NP难问题，即无法在多项式时间内求得其精确解。合理规划CVRP调度方法，可提高快递送货过程的效率，极大节省运输成本，明显提高经济效益。

由于快递送货过程的优化调度问题是NP难，传统数学规划方法在现实生产调度中只适应求解小规模问题，元启发式构造算法的求解质量随着问题规模的增大明显下降。因此，本发明设计了一种基于量子蚁群算法的优化调度方法，可在较短的时间内得到较高质量的优良解。

发明内容

本发明所要解决的技术问题是在较短时间内获得快递送货过程调度问题的优良解的问题，提供了一种快递送货过程的优化调度方法。

本发明的技术方案是：一种快递送货过程的优化调度方法，通过确定快递送货过程的调度模型和优化目标，并使用基于量子蚁群算法的优化调度方法对优化目标进行优化；其中调度模型依据配送车辆的约束条件、客户点间的距离及所有车辆的行驶总里程来建立，同时优化目标位最小化行驶总里程minZ：

$\min Z=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}{d}_{r_{k(i-1)}{r}_{\mathrm{ki}}}+d_{r_{k{n}_k}{r}_{k0}}\×\mathrm{sign}\left(n_k\right)]---\left(1\right)$

$\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}q{r}_{\mathrm{ki}}\≤Q_k---\left(2\right)$

0≤n_k≤L          (3)

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{n}_k=L---\left(4\right)$

R_k＝{r_ki|r_ki∈{1,2,...,L},i＝1,2,...,n_k}      (5)

式中：从某个快递中心用K台车向L个客户进行配送服务，每台车辆的最大载重量为Q_k，k＝1,2,...,K；每个客户的需求量为q_i，i＝1,2,...,L；客户i到j的距离为d_ij，车场到各个客户的距离为d_0j，i,j＝1,2,...,L；n_k为第k台车辆配送的客户数，n_k＝0表示未使用第k台车辆；用集合R_k表示第k条路径，元素r_ki中的i代表客户r_ki在路径k中的顺序为i，其中不含配送中心；令r_k0＝0表示配送中心，求解的目标是在满足约束条件的情况下，使车辆行驶总里程最短，可得minZ。

所述基于量子蚁群算法的优化调度方法的具体步骤如下：

Step1、编码方式：基于量子位概率幅模型得到一个2维量子位观测模型β，通过观测矩阵β，可得标准01观测矩阵G，从而实现从量子位概率幅矩阵向十进制编码解的转换，可得如C＝[c[1],c[2],...,c[L]]客户排列，根据公式(2)～公式(7)的约束条件由客户排列C依次将客户c[i](1≤i≤L)划分进配送车辆，可得形如π＝[π[1],π[2],...,π[S]](S≥2+L)的可行解；

Step2、量子位观测模型初始化：令量子位观测模型(1≤i,j≤L，0≤|β_ij|²≤1)表示第i行第j列元素取值为1的概率；

Step3、可行种群的产生：按式1≤i,j≤L，j₁ ^*＝0，j_k ^*＝j，1≤k≤L-1，N表示仍未安排配送客户集合，进行客户转移，确定客户排列C＝[c[1],c[2],...,c[L]]，再由客户排列C得到可行解π，直至可行解的数量达到种群规模的要求，其中种群规模为P；

Step4、选择种群中的最优解进行局部搜索；

Step5、基于问题性质进行两阶段的局部搜索：阶段一，基于“2-opt*”操作对路径间的客户进行搜索直至所有车辆的配送总里程不变为止；阶段二，基于“2-opt”操作对路径内的客户进行搜索直至该车辆内的配送里程不变为止；

Step6、更新全局最优解：若则否则不变；

Step7、量子位观测模型更新：量子旋转初始步长为Δθ₀＝0.05π，根据式 ${\mathrm{\θ}}_{\mathrm{ij}}^{\mathrm{gen}}=\mathrm{sign}((f\left({\mathrm{\π}}^{\mathrm{gen}}\right)-f\left({\mathrm{\π}}_{\mathrm{gbest}}^{\mathrm{gen}}\right))\×(x_{\mathrm{ij}}^{\mathrm{gen}}-b{x}_{\mathrm{ij}}^{\mathrm{gen}})\×{\mathrm{\α}}_{\mathrm{ij}}^{\mathrm{gen}}\×{\mathrm{\β}}_{\mathrm{ij}}^{\mathrm{gen}})\×\frac{\mathrm{gen}\max -\mathrm{gen}}{\mathrm{gen}\max }\×\mathrm{\Δ}{\mathrm{\θ}}_0$ (genemax＝1000，1≤i,j≤L)进行量子门旋转变异，将本次迭代得到的最优个体信息反应到量子位观测模型，直接影响下一次迭代；

Step8、终止条件：设定终止条件的最大迭代次数为1000，如果满足，则输出“全局最优个体”；否则转至步骤Step3，反复迭代直至满足终止条件。

所述种群规模P为50。

本发明的工作原理是：

步骤1：建立一种快递送货过程的调度模型和优化目标；

调度模型依据配送车辆的约束条件、客户点间的距离及所有车辆的行驶总里程来建立，同时优化目标位最小化行驶总里程minZ。

$\min Z=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}{d}_{r_{k(i-1)}{r}_{\mathrm{ki}}}+d_{r_{k{n}_k}{r}_{k0}}\×\mathrm{sign}\left(n_k\right)]$

$\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}q{r}_{\mathrm{ki}}\≤Q_k---\left(2\right)$

0≤n_k≤L

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{n}_k=L$

R_k＝{r_ki|r_ki∈{1,2,...,L},i＝1,2,...,n_k}

从某个快递中心用K台车向L个客户(城市)进行配送服务，每台车辆的最大载重量为Q_k，k＝1,2,...,K；每个客户的需求量为q_i，i＝1,2,...,L；客户i到j的距离为d_ij，车场到各个客户的距离为d_0j，i,j＝1,2,...,L；再设n_k为第k台车辆配送的客户数(n_k＝0表示未使用第k台车辆)，用集合R_k表示第k条路径，而元素r_ki中的i代表客户r_ki在路径k中的顺序为i(其中不含配送中心)，令r_k0＝0表示配送中心，求解的目标是在满足约束条件的情况下，使车辆行驶总里程最短，可得minZ。

步骤2：解的表达；

基于量子位概率幅模型得到一个2维量子位观测模型β，通过观测矩阵β，可得标准01观测矩阵G，从而实现从量子位概率幅矩阵向十进制编码解的转换，可得如C＝[c[1],c[2],...,c[L]]客户排列，根据约束条件(2)～(7)由客户排列C依次将客户c[i](1≤i≤L)划分进配送车辆，可得形如π＝[π[1],π[2],...,π[S]](S≥2+L)的可行解(标号0表示快递中心)；

步骤3：量子位观测模型初始化：令量子位观测模型(1≤i,j≤L，0≤|β_ij|²≤1)表示第i行第j列元素取值为1的概率；

步骤4：种群的产生：按式(1≤i,j≤L，j₁ ^*＝0，j_k ^*＝j，1≤k≤L-1，N表示仍未安排配送客户集合)进行客户转移，确定客户排列C＝[c[1],c[2],...,c[L]]，再由客户排列C得到可行解π，直至可行解的数量达到种群规模的要求，其中种群规模为P；

步骤5：当代最优解：选择种群中的最优解进行局部搜索；

步骤6：局部搜索：基于问题性质进行执行两阶段的局部搜索，阶段一，基于“2-opt*”操作对路径间的客户进行搜索直至所有车辆的配送总里程不变为止；阶段二，基于“2-opt”操作对路径内的客户进行搜索直至该车辆内的配送里程不变为止；

步骤7：历史最优更新：若则否则不变；

步骤8：量子位观测模型更新：量子旋转初始步长为Δθ₀＝0.05π，根据式 ${\mathrm{\θ}}_{\mathrm{ij}}^{\mathrm{gen}}=\mathrm{sign}((f\left({\mathrm{\π}}^{\mathrm{gen}}\right)-f\left({\mathrm{\π}}_{\mathrm{gbest}}^{\mathrm{gen}}\right))\×(x_{\mathrm{ij}}^{\mathrm{gen}}-b{x}_{\mathrm{ij}}^{\mathrm{gen}})\×{\mathrm{\α}}_{\mathrm{ij}}^{\mathrm{gen}}\×{\mathrm{\β}}_{\mathrm{ij}}^{\mathrm{gen}})\×\frac{\mathrm{gen}\max -\mathrm{gen}}{\mathrm{gen}\max }\×\mathrm{\Δ}{\mathrm{\θ}}_0$ (genemax＝1000，1≤i,j≤L)进行量子门旋转变异，将本次迭代得到的最优个体信息反应到量子位观测模型，直接影响下一次迭代；

步骤9：终止条件：设定终止条件的最大迭代次数为1000，如果满足，则输出“全局最优个体”；否则转至步骤4，反复迭代直至满足终止条件。

本发明的有益效果是：提出了快递送货过程的调度模型和优化目标，使得调度过程表达清晰准确；采用根据算法步骤得到当代种群“最优个体”更新量子位观测模型，提出了基于距离可见度和量子位观测模型相互作用的观测方式，真正引导算法进行全局搜索；对当代种群“最优个体”执行基于问题性质的两阶段局部搜索，进一步提升算法的局部开发能力，显著提高解的质量。

附图说明

图1为本发明中快递送货过程示意图；

图2为本发明算法流程图；

图3为本发明的“2-opt*”操作示意图；

图4为本发明的“2-opt”操作示意图。

具体实施方式

实施例1：如图1-4所示，一种快递送货过程的优化调度方法，通过确定快递送货过程的调度模型和优化目标，并使用基于量子蚁群算法的优化调度方法对优化目标进行优化；其中调度模型依据配送车辆的约束条件、客户点间的距离及所有车辆的行驶总里程来建立，同时优化目标位最小化行驶总里程minZ：

$\min Z=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}{d}_{r_{k(i-1)}{r}_{\mathrm{ki}}}+d_{r_{k{n}_k}{r}_{k0}}\×\mathrm{sign}\left(n_k\right)]---\left(1\right)$

$\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}q{r}_{\mathrm{ki}}\≤Q_k---\left(2\right)$

0≤n_k≤L          (3)

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{n}_k=L---\left(4\right)$

R_k＝{r_ki|r_ki∈{1,2,...,L},i＝1,2,...,n_k}      (5)

式中：从某个快递中心用K台车向L个客户进行配送服务，每台车辆的最大载重量为Q_k，k＝1,2,...,K；每个客户的需求量为q_i，i＝1,2,...,L；客户i到j的距离为d_ij，车场到各个客户的距离为d_0j，i,j＝1,2,...,L；n_k为第k台车辆配送的客户数，n_k＝0表示未使用第k台车辆；用集合R_k表示第k条路径，元素r_ki中的i代表客户r_ki在路径k中的顺序为i，其中不含配送中心；令r_k0＝0表示配送中心，求解的目标是在满足约束条件的情况下，使车辆行驶总里程最短，可得minZ。

所述基于量子蚁群算法的优化调度方法的具体步骤如下：

Step1、编码方式：基于量子位概率幅模型得到一个2维量子位观测模型β，通过观测矩阵β，可得标准01观测矩阵G，从而实现从量子位概率幅矩阵向十进制编码解的转换，可得如C＝[c[1],c[2],...,c[L]]客户排列，根据公式(2)～公式(7)的约束条件由客户排列C依次将客户c[i](1≤i≤L)划分进配送车辆，可得形如π＝[π[1],π[2],...,π[S]](S≥2+L)的可行解；

Step2、量子位观测模型初始化：令量子位观测模型(1≤i,j≤L，0≤|β_ij|²≤1)表示第i行第j列元素取值为1的概率；

Step3、可行种群的产生：按式1≤i,j≤L，j₁ ^*＝0，j_k ^*＝j，1≤k≤L-1，N表示仍未安排配送客户集合，进行客户转移，确定客户排列C＝[c[1],c[2],...,c[L]]，再由客户排列C得到可行解π，直至可行解的数量达到种群规模的要求，其中种群规模为P；

Step4、选择种群中的最优解进行局部搜索；

Step5、基于问题性质进行两阶段的局部搜索：阶段一，基于“2-opt*”操作对路径间的客户进行搜索直至所有车辆的配送总里程不变为止；阶段二，基于“2-opt”操作对路径内的客户进行搜索直至该车辆内的配送里程不变为止；

Step6、更新全局最优解：若则否则不变；

Step7、量子位观测模型更新：量子旋转初始步长为Δθ₀＝0.05π，根据式 ${\mathrm{\θ}}_{\mathrm{ij}}^{\mathrm{gen}}=\mathrm{sign}((f\left({\mathrm{\π}}^{\mathrm{gen}}\right)-f\left({\mathrm{\π}}_{\mathrm{gbest}}^{\mathrm{gen}}\right))\×(x_{\mathrm{ij}}^{\mathrm{gen}}-b{x}_{\mathrm{ij}}^{\mathrm{gen}})\×{\mathrm{\α}}_{\mathrm{ij}}^{\mathrm{gen}}\×{\mathrm{\β}}_{\mathrm{ij}}^{\mathrm{gen}})\×\frac{\mathrm{gen}\max -\mathrm{gen}}{\mathrm{gen}\max }\×\mathrm{\Δ}{\mathrm{\θ}}_0$ (genemax＝1000，1≤i,j≤L)进行量子门旋转变异，将本次迭代得到的最优个体信息反应到量子位观测模型，直接影响下一次迭代；

Step8、终止条件：设定终止条件的最大迭代次数为1000，如果满足，则输出“全局最优个体”；否则转至步骤Step3，反复迭代直至满足终止条件。

所述种群规模P为50。

实施例2：如图1-4所示，一种快递送货过程的优化调度方法，通过确定快递送货过程的调度模型和优化目标，并使用基于量子蚁群算法的优化调度方法对优化目标进行优化；其中调度模型依据配送车辆的约束条件、客户点间的距离及所有车辆的行驶总里程来建立，同时优化目标位最小化行驶总里程minZ：

$\min Z=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}{d}_{r_{k(i-1)}{r}_{\mathrm{ki}}}+d_{r_{k{n}_k}{r}_{k0}}\×\mathrm{sign}\left(n_k\right)]---\left(1\right)$

$\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}q{r}_{\mathrm{ki}}\≤Q_k---\left(2\right)$

0≤n_k≤L          (3)

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{n}_k=L---\left(4\right)$

R_k＝{r_ki|r_ki∈{1,2,...,L},i＝1,2,...,n_k}      (5)

式中：从某个快递中心用K台车向L个客户进行配送服务，每台车辆的最大载重量为Q_k，k＝1,2,...,K；每个客户的需求量为q_i，i＝1,2,...,L；客户i到j的距离为d_ij，车场到各个客户的距离为d_0j，i,j＝1,2,...,L；n_k为第k台车辆配送的客户数，n_k＝0表示未使用第k台车辆；用集合R_k表示第k条路径，元素r_ki中的i代表客户r_ki在路径k中的顺序为i，其中不含配送中心；令r_k0＝0表示配送中心，求解的目标是在满足约束条件的情况下，使车辆行驶总里程最短，可得minZ。

所述基于量子蚁群算法的优化调度方法的具体步骤如下：

Step1、编码方式：基于量子位概率幅模型得到一个2维量子位观测模型β，通过观测矩阵β，可得标准01观测矩阵G，从而实现从量子位概率幅矩阵向十进制编码解的转换，可得如C＝[c[1],c[2],...,c[L]]客户排列，根据公式(2)～公式(7)的约束条件由客户排列C依次将客户c[i](1≤i≤L)划分进配送车辆，可得形如π＝[π[1],π[2],...,π[S]](S≥2+L)的可行解；

Step2、量子位观测模型初始化：令量子位观测模型(1≤i,j≤L，0≤|β_ij|²≤1)表示第i行第j列元素取值为1的概率；

Step3、可行种群的产生：按式1≤i,j≤L，j₁ ^*＝0，j_k ^*＝j，1≤k≤L-1，N表示仍未安排配送客户集合，进行客户转移，确定客户排列C＝[c[1],c[2],...,c[L]]，再由客户排列C得到可行解π，直至可行解的数量达到种群规模的要求，其中种群规模为P；

Step4、选择种群中的最优解进行局部搜索；

Step5、基于问题性质进行两阶段的局部搜索：阶段一，基于“2-opt*”操作对路径间的客户进行搜索直至所有车辆的配送总里程不变为止；阶段二，基于“2-opt”操作对路径内的客户进行搜索直至该车辆内的配送里程不变为止；

Step6、更新全局最优解：若则否则不变；

Step7、量子位观测模型更新：量子旋转初始步长为Δθ₀＝0.05π，根据式 ${\mathrm{\θ}}_{\mathrm{ij}}^{\mathrm{gen}}=\mathrm{sign}((f\left({\mathrm{\π}}^{\mathrm{gen}}\right)-f\left({\mathrm{\π}}_{\mathrm{gbest}}^{\mathrm{gen}}\right))\×(x_{\mathrm{ij}}^{\mathrm{gen}}-b{x}_{\mathrm{ij}}^{\mathrm{gen}})\×{\mathrm{\α}}_{\mathrm{ij}}^{\mathrm{gen}}\×{\mathrm{\β}}_{\mathrm{ij}}^{\mathrm{gen}})\×\frac{\mathrm{gen}\max -\mathrm{gen}}{\mathrm{gen}\max }\×\mathrm{\Δ}{\mathrm{\θ}}_0$ (genemax＝1000，1≤i,j≤L)进行量子门旋转变异，将本次迭代得到的最优个体信息反应到量子位观测模型，直接影响下一次迭代；

Step8、终止条件：设定终止条件的最大迭代次数为1000，如果满足，则输出“全局最优个体”；否则转至步骤Step3，反复迭代直至满足终止条件。

所述种群规模P为50。

不同问题下，具体参数设计如下：

选取A-n80-k10为例，A表示测试问题的类型，n80表示共有80个客户进行优化调度即L＝80，k10表示参与配送的车辆数为10即K＝10，车辆最大载重量Q_k＝100(k＝1,2,...,10)。

选取B-n78-k10为例，B表示测试问题的类型，n78表示共有78个客户进行优化调度即L＝78，k10表示参与配送的车辆数为10即K＝10，车辆最大载重量Q_k＝100(k＝1,2,...,10)。

选取P-n55-k10为例，P表示测试问题的类型，n55表示共有55个客户进行优化调度即L＝55，k10表示参与配送的车辆数为10即K＝10，车辆最大载重量Q_k＝115(k＝1,2,...,10)。

选取P-n101-k4为例，P表示测试问题的类型，n101表示共有101个客户进行优化调度即L＝101，k4表示参与配送的车辆数为4即K＝4，车辆最大载重量Q_k＝400(k＝1,2,...,4)。

详细内容可查询以下网址：http://www.coin-or.org/SYMPHONY/branchandcut/VRP/data/index.htm。

表1给出了本发明提出的方法和经典QACA方法的比较结果，所有测试结果均在相同的运算时间下得到。由表1可知本发明提出的方法可得到明显优于经典QACA方法的结果，具有较强的稳健性，可用于求解快递送货过程的优化调度问题。

表1为本发明提出的方法与经典QACA方法在不同问题规模情况下求得的目标函数值比较。

测试问题	A-n80-k10	B-n78-k10	P-n55-k10	P-n101-k4
					经典QACA	1781.00	1222.00	697.00	681.00
量子蚁群	1763.00	1221.00	695.00	681.00

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (3)

1.一种快递送货过程的优化调度方法，其特征在于：通过确定快递送货过程的调度模型和优化目标，并使用基于量子蚁群算法的优化调度方法对优化目标进行优化；其中调度模型依据配送车辆的约束条件、客户点间的距离及所有车辆的行驶总里程来建立，同时优化目标位最小化行驶总里程minZ：

$\min Z=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}[\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}{d}_{r_{k(i-1)}{r}_{\mathrm{ki}}}+d_{r_{k{n}_k}{r}_{k0}}\×\mathrm{sign}\left(n_k\right)]---\left(1\right)$

$\underset{i=1}{\overset{n_k}{\mathrm{\Σ}}}{\mathrm{qr}}_{\mathrm{ki}}\≤Q_k---\left(2\right)$

0≤n_k≤L                                    (3)

$\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{n}_k=L---\left(4\right)$

R_k＝{r_ki|r_ki∈{1,2,...,L},i＝1,2,...,n_k}                               (5)

式中：从某个快递中心用K台车向L个客户进行配送服务，每台车辆的最大载重量为Q_k，k＝1,2,...,K；每个客户的需求量为q_i，i＝1,2,...,L；客户i到j的距离为d_ij，车场到各个客户的距离为d_0j，i,j＝1,2,...,L；n_k为第k台车辆配送的客户数，n_k＝0表示未使用第k台车辆；用集合R_k表示第k条路径，元素r_ki中的i代表客户r_ki在路径k中的顺序为i，其中不含配送中心；令r_k0＝0表示配送中心，求解的目标是在满足约束条件的情况下，使车辆行驶总里程最短，可得minZ。

2.根据权利要求1所述的快递送货过程的优化调度方法，其特征在于：所述基于量子蚁群算法的优化调度方法的具体步骤如下：

Step1、编码方式：基于量子位概率幅模型得到一个2维量子位观测模型β，通过观测矩阵β，可得标准01观测矩阵G，从而实现从量子位概率幅矩阵向十进制编码解的转换，可得如C＝[c[1],c[2],...,c[L]]客户排列，根据公式(2)～公式(7)的约束条件由客户排列C依次将客户c[i](1≤i≤L)划分进配送车辆，可得形如π＝[π[1],π[2],...,π[S]](S≥2+L)的可行解；

Step2、量子位观测模型初始化：令量子位观测模型(1≤i,j≤L，0≤|β_ij|²≤1)表示第i行第j列元素取值为1的概率；

Step3、可行种群的产生：按式1≤i,j≤L，j₁*＝0，j_k*＝j，1≤k≤L-1，N表示仍未安排配送客户集合，进行客户转移，确定客户排列C＝[c[1],c[2],...,c[L]]，再由客户排列C得到可行解π，直至可行解的数量达到种群规模的要求，其中种群规模为P；

Step4、选择种群中的最优解进行局部搜索；

Step5、基于问题性质进行两阶段的局部搜索：阶段一，基于“2-opt*”操作对路径间的客户进行搜索直至所有车辆的配送总里程不变为止；阶段二，基于“2-opt”操作对路径内的客户进行搜索直至该车辆内的配送里程不变为止；

Step6、更新全局最优解：若则否则不变；

Step7、量子位观测模型更新：量子旋转初始步长为Δθ₀＝0.05π，根据式 ${\mathrm{\θ}}_{\mathrm{ij}}^{\mathrm{gen}}=\mathrm{sign}((f\left({\mathrm{\π}}^{\mathrm{gen}}\right)-f\left({\mathrm{\π}}_{\mathrm{gbest}}^{\mathrm{gen}}\right))\×(x_{\mathrm{ij}}^{\mathrm{gen}}-{\mathrm{bx}}_{\mathrm{ij}}^{\mathrm{gen}})\×{\mathrm{\α}}_{\mathrm{ij}}^{\mathrm{gen}}\×{\mathrm{\β}}_{\mathrm{ij}}^{\mathrm{gen}})\×\frac{\mathrm{gen}\max -\mathrm{gen}}{\mathrm{gen}\max }\×{\mathrm{\Δ\θ}}_0$ (genemax＝1000，1≤i,j≤L)进行量子门旋转变异，将本次迭代得到的最优个体信息反应到量子位观测模型，直接影响下一次迭代；

Step8、终止条件：设定终止条件的最大迭代次数为1000，如果满足，则输出“全局最优个体”；否则转至步骤Step3，反复迭代直至满足终止条件。

3.根据权利要求1或2所述的快递送货过程的优化调度方法，其特征在于：所述种群规模P为50。