CN107169591A - 基于线性时序逻辑的移动端快递派送路径规划方法 - Google Patents

Abstract

基于线性时序逻辑理论的移动端快递派送路径规划方法，在Android系统的智能手机平台上，利用百度地图开发包构建符合实际派送环境的加权切换系统，同时利用线性时序逻辑语言描述多点派送任务，并将其转化为Büchi自动机，接着将切换系统与派送任务相融合，构建任务可行网络拓扑，在任务可行网络拓扑上利用Dijkstra算法搜索最优路径，然后将该路径映射回百度地图，获得离散的最优路径，最后利用百度地图开发包的定位导航功能，实现离散路径的连续化。该发明能够解决多点派送任务与派送区域受约束的问题，并保证快递员派单路径的最优性，提高快递员派送效率，实现互联网+的智慧派送。

Description

基于线性时序逻辑的移动端快递派送路径规划方法

技术领域

本发明涉及针对快递派送任务的最优路径规划领域，针对目前快递派送任务点较多，派送区域受快递员熟悉度限制问题，本发明提出了一种基于线性时序逻辑(LTL)的移动端多点快递派送路径规划方法，该方法以移动端百度地图开发包为基础，避免了快递员实际派送环境的复杂建模，能够解决多点派送任务与派送区域受约束的问题，并保证快递员派单路径的最优性。

背景技术

近年来，互联网得到迅速发展，衍生的电子商务也越来越普遍，网购也被大多数人所接受。随之带来的是快递物流压力，传统的快递物流模式已无法满足现在的生产生活需求。在物流的仓储拣货阶段，传统的人工拣货已逐渐被仓储机器人拣货代替，智能化仓库已经被大量研究，亚马逊公司装备Kiva机器人的智能化仓库已经带来巨大效益。而快递派送作为物流的末端环节，快递派送的时效性直接影响客户的满意度，派送环节就是检验快递服务水平和质量的关键。目前，快递员派送的区域受到快递员对该区域熟悉度的限制，此外，派送点较多时，快递员难以凭借对地理熟悉度规划一条最优派送路线，而现有的地图导航功能实现的也仅仅是两点之间的导航，这些约束严重影响了快递派送的时效性。根据快递员派送任务，规划一条最优路径使派送距离最短将提高快递员的派送效率，多点快递派送任务的路径规划研究具有重要的理论与现实意义。

快递员派送任务的路径规划问题，也就是快递员从货物分发处出发，遍历所有派送点，最后回到分发处，找到一条最短的路径，该问题属于典型的TSP问题。当前，关于路径规划问题，已经有了一些研究成果。丁浩和苌道方基于Dijkstra算法研究了快递车辆配送路径优化问题，考虑了配送车辆行驶的最大距离以及配送负载约束建立约束条件，从配送起点开始搜索，依次搜索距离当前节点最近的地点作为下一节点，直至遍历所有派送点(基于Dijkstra算法的快递车辆配送路径优化.价值工程,2014,(03):15-18)；徐彬,王权锋和刘斌等将A*算法与贪心算法相结合来解决物流配送路径的选择，A*算法加入了启发函数可以提高搜索效率，利用贪心算法思想实现多点派送的目的(贪婪和A-Star算法在物流配送中的应用及仿真.软件,2013,34(6):35-39)。但以上这两种方法，都是在经典的针对点对点路径规划算法基础之上，结合贪心算法思想实现多点派送的路径规划任务，该方法很难获得全局最优路径，大多得到的是次优路径，Dijkstra算法能保证两点间路径的最优性，但是无法获得多点快递派送这类复杂任务的最优路径。

针对复杂的任务，比如快递派送的遍历任务、持续监控工厂几个任务点的巡回任务，随着模态逻辑的深入研究，时序逻辑语言，例如计算树逻辑(CTL)和线性时序逻辑(LTL)能够便捷的描述复杂的时序任务，时序逻辑理论在路径规划领域的应用越来越被关注。Smith S等人结合Büchi自动机理论，考虑时间权重，设计了最小瓶颈算法搜索出一条耗时最短的最优路径，解决了多点巡回问题(Optimal path planning for surveillance withtemporal-logic constraints.International Journal of Robotics Research,2011,30(14):1695-1708.)。但该方法受任务节点顺序的影响，使得搜索路径并非全局最优。针对此问题，肖云涛等人设计了一种扩展乘积自动机方法，确保多点巡回问题，不受任务公式顺序影响，所得路径为全局最优，针对解决的是巡回问题不适用于快递派送环境(基于线性时序逻辑的最优巡回路径规划.自动化学报,2014,40(10):2126-2133.)。丁洁以派送员经过的总路程最短作为目标函数建立数学模型，基于最小生成树的深度优先搜索算法，搜索出满足任务的“亚优解”，不能保证最优解(基于深度优先搜索算法的快递派送策略研究.市场周刊(理论研究),2012,(01):21-23.)。Wang K P等人对粒子群算法进行改进，提出交换操作数与交换序列理念，解决了TSP问题(Particle swarm optimization for travelingsalesman problem.In Proceedings of International Conference on MachineLearning and Cybernetics,Xian,China,2003.1583-1585.)。鲍立婷将粒子群算法与百度LBS技术相结合，利用LBS技术实现派送人员定位任务，并利用粒子全算法搜索可行派送路线(粒子群算法在基于LBS快递派送中的应用研究.东华理工大学,2016)。中国专利文献CN103383569A是本发明最接近的现有技术，该发明针对工厂巡回任务提出了循环移位的最优巡回任务路径规划方法，但针对快递派送任务，派送环境会因为派送点不同而不同，该发明并不能解决。上述方法大多采用的是智能搜索算法，搜索所得路径是次优解，并不能保证是路径最短，同时环境建模比较麻烦，而目前基于线性时序逻辑理论的路径规划方法可以满足复杂快递任务获得最优路径，但难以适用于快递员不断变化的派送环境，未给出适合快递派送的最优离散路径连续方法。

发明内容

本发明要克服现有技术的上述缺点，提出了一种基于线性时序逻辑的移动端快递派送路径规划方法，具体方法流程图如图1所示。

本发明利用移动端的百度地图应用包实现快递员的定位与导航任务，提出两层规划策略。顶层规划避开百度地图实际道路环境繁琐又庞大的建模，将快递派送问题转化为TSP问题，仅将快递员派送任务地点建模为一个有限状态的加权切换系统，状态之间的切换权重基于百度地图的自驾导航距离，而非简单的直线距离，以达到底层规划结果符合实际环境，确保最后搜索的路径最优性，同时利用线性时序逻辑语言描述多点快递派送任务，从而将切换系统信息与派送任务信息相融合，构建一个任务可行网络拓扑，并在该网络拓扑上基于Dijkstra算法搜索出快递员离散的最优路径。底层规划完成离散路径的连续化，离散路径的任意相邻任务点间的路径规划基于百度地图实现，从而实现顶层规划的离散路径连续化，获得快递员可派单的实际派送路线。

一种基于线性时序逻辑的移动端快递派送路径规划方法，具体步骤如下：

步骤1：在Android平台上，基于百度地图开发包进行加权切换系统的构建

根据快递派送任务地点，将快递派送转化为旅行商问题，避开百度地图复杂道路网络的建模，仅将任务地点建模为一个加权的有限状态切换系统(weighted finite-statetransition system,WFTS)；WFTS是一个元组T＝(Q,q₀,δ_T,AP,L_T,ω_T)，其中Q是一个有限的状态集；q₀∈Q是初始状态，代表派送员派送的起点；δ_T∈Q×Q代表切换关系；AP代表原子命题集；L_T:Q→2^AP代表标识函数集；代表两状态之间切换的成本(时间，距离等)；基于百度地图开发包能够获取地图中任意两点之间的实际驾车距离，本发明将该行驶距离作为它们间的切换权重；距离的获取是通过调用百度地图开发包的两点驾驶距离方法得到，即算法一中的BmapDrivingDis()，进而将任务点构建为有限状态的加权切换系统WFTS，算法一具体过程如下：

算法一：构建加权切换系统T(ConstructT())

若快递员的派送任务为“从快递分发处P₀出发，到P₁、P₂和P₃三个地点派送快递，然后返回快递分发处P₀”，根据算法一可得到对应的加权切换系统WFTS，如图2所示，图中箭头代表切换关系，数字代表切换权重，可用一个邻接矩阵T.adj进行表示。

步骤2：线性时序逻辑语言描述多点快递派送任务

针对快递员派送任务，线性时序逻辑语言可以方便的描述这些任务，它由原子命题和操作符构成，具有如下形式：

其中，α∈AP是一个原子命题，符号∨(与)、和(非)是标准布尔操作符，F(最终)，G(总是)和U(直到)是时序操作符，Fφ₀表示φ₀的最终状态为真，实现访问，表示全局总是避免φ₃，可用于避障，φ₄Uφ₅表示直到φ₅为真，φ₄一直保持为真；得到快递任务公式φ后，通过LTL2BA工具包将其转化为一个Büchi自动机，Büchi自动机是一个元组A_φ:＝(S_φ,S₀,∑_φ,δ_φ,F_φ)，其中S_φ代表一个有限的状态集；S₀∈S_φ代表初始状态；∑_φ代表输入的字符表；代表切换函数；代表最终状态集；

针对步骤1的任务描述，“从快递分发处P₀出发，到P₁、P₂和P₃三个地点派送快递，然后返回快递分发处P₀”，令P₀为搜索起点，即T.q₀＝P₀，线性时序逻辑语言描述如下：

Fp₁∧Fp₂∧Fp₃∧GFp₀ (1)

由于任务公式(1)无法利用现有理论直接与构建的加权切换系统相结合，任务信息与环境信息不能相融合，最后搜索路径难以同时满足任务信息与环境信息，本文利用Büchi自动机理论，通过LTL2BA工具包将线性时序逻辑公式转化为Büchi自动机，Büchi自动机具有图表形式，式(1)对应的Büchi自动机如图3所示，图中共有九个状态，init代表初始状态，节点8代表最终接收状态。

步骤3：构建任务可行网络拓扑

为将环境信息与任务信息相融合确保最终搜索的路径既满足环境信息又符合快递派送需求，通过将加权切换系统与Büchi自动机笛卡尔乘积，构建任务可行网络拓扑(Product自动机)，即它也是一个元组A_P＝(S_P,S_P0,δ_P,ω_P,F_P)，其中是状态集；S_P0＝{q₀}×S₀代表初始状态集；代表状态间的切换函数，其定义为当且仅当q_j∈δ_T(q_i)并且s_l∈δ_φ(s_k,L_B(q_i))时，(q_j,s_l)∈δ_P((q_i,s_k))成立；ω_P:S_P×S_P→R⁺继承自T且为正的权重函数，即当(q_j,s_l)∈δ_P((q_j,s_k))时，则ω_P((q_i,s_k),(q_j,s_l))＝ω_T(q_i,q_j)；F_P＝Q×F_φ代表一个最终的接收状态集；对于任务可行网络拓扑的一个搜索路径r_P，如果那么此r_P是可被接受的，其中inf(r_P)代表路径的循环部分。

根据图2加权切换系统与图3的Büchi自动机，可以得到图4所示的任务可行网络拓扑。图2中加权切换系统T有四个状态，图3的Büchi自动机A_φ存在九个状态，所以通过笛卡尔乘积，Product自动机A_P存在三十六状态。在图4中，包含S₀的第一列是Product自动机的初始状态，包含S₈的最后一列为Product自动机的最终接收状态；图4中每一列代表同一Büchi自动机状态下的切换关系，且不同列的同一Büchi自动机状态下的切换关系是一致的，图中箭头代表两状态间的切换关系，箭头上的数字是两状态间的切换权重值，该值继承加权切换系统T的切换权重，为了图4的可读性，同一Büchi自动机状态下的切换关系仅在第一列做了图示，其余列与该列一致。

步骤4：快递派送最优离散路径搜索

在构建任务可行网络拓扑A_P后，根据快递派送的起始状态，最终接收状态和状态间的切换关系，利用Dijkstra最短路径搜索算法搜索最终的可行离散路径，算法过程如算法二所示：

算法二：搜索最优路径r_P(OptimalPath())

根据图2加权切换系统T与图3的Büchi自动机A_φ，设置搜索起点(P₀,S₀)，利用算法二可以获得最优路径r_P，如图4中黑色实线箭头所示，r_P＝(P₀,S₀)→(P₃,S₀)→(P₁,S₁)→(P₂,S₅)→(P₀,S₇)，图中S₇与S₈之间的切换源于任务公式(1)GFp₀的循环路径且故该搜索路径r_P可被接受，同时此路径的总耗费Cost(r_P)＝11是所有可行路径中最小的，确保了路径的最优性。

步骤5：快递员实际环境派送路线搜索

对于在任务可行网络拓扑上搜索出的满足派件任务需求的任意路径r_P＝(p₀,s₀)→(p₁,s₁)→(p₂,s₂)...，在加权切换系统T中都有与之对应的路径r_T＝p₀→p₁→p₂...存在，且r_T同样满足派送任务需求，r_T与r_P的总耗费相同，该路径满足派送任务需求的同时保证了路径最优性；最后在Android平台上，基于百度地图开发包的两点间的驾驶导航方法(即算法三中的BmapDriving())将映射回加权切换系统中的离散路径r_T连续化，进行二次规划获得派送员实际可驾驶派送路线R，二次规划的权重问题在步骤1的算法一中已经被考虑。实现过程如算法三所示：

算法三：离散路径连续化(ProjectToR())

图4中满足派送任务的最优路径r_P＝(P₀,S₀)→(P₃,S₀)→(P₁,S₁)→(P₂,S₅)→(P₀,S₇)映射回加权切换系统中的最优路径为r_T＝P₀→P₃→P₁→P₂→P₀，如图5所示，该路径满足派送任务需求的同时保证了路径最优性。最后在Android平台上，基于百度地图开发包的两点间的驾驶导航函数(即算法三中的BmapDriving())进行二次规划，将映射回加权切换系统中的离散路径r_T连续化，获得派送员实际可驾驶派送路线R，并且二次规划的权重问题在算法一中已经被考虑。

本发明的优点是：针对目前快递派送任务点较多，派送区域受快递员熟悉度限制问题，本发明避开快递派送实际环境的道路网络复杂建模，根据快递派送任务，灵活的将快递派送问题基于百度地图转化为解决旅行商问题，基于百度地图开发包的自驾导航获取任务点的距离权重，而非简单的直线距离，使构建的切换系统更加符合实际情况，其次将线性时序逻辑理论应用到快递派送当中，能够方便解决复杂的派送任务，并且保证路径的最优性。该发明扩大了快递员的派送范围，并能够一次性派送多点且保证派送路径最优，而非次优路径，同时，当派送过程中遇到道路拥堵时，可以根据百度地图的实时导航做局部优化，从而实现互联网+的智慧派送，提高快递员的派送效率，满足当前的快递派送需求。

附图说明

图1为本发明的方法流程图

图2为本发明的构建的切换系统模型

图3为本发明的式(1)对应任务的Büchi自动机

图4为本发明的相应的任务可行网络拓扑

图5为本发明的切换系统中最优路径

图6为本发明的快递派送地图

图7为本发明的快递员可派送最优路径

具体实施方式

以下结合附图对本发明作进一步描述。

本发明针对目前快递派送的区域受限与多点快递派送任务的派送路径很难到达最优问题，考虑互联网+的智慧出行，基于Android平台，结合百度地图开发包的定位与导航，提出了基于LTL的移动端快递派送路径规划方法，提高快递员派送效率，实现智慧派送。本发明首先根据快递员的派送任务，利用算法一构建有限状态的加权切换系统WFTS，接着利用线性时序逻辑语言描述派送任务，获得线性时序逻辑任务公式并通过LTL2BA工具包将任务公式转化为Büchi自动机A_φ，然后通过笛卡尔乘积构建任务可行网络拓扑A_P并在该拓扑上利用算法二搜索最优离散路径r_P，之后将r_P映射回加权切换系统，获得实际环境中的离散路径r_T，最后基于百度地图开发包进行二次点对点路径规划，将离散路径转化为连续的快递员实际驾驶派送路线R。具体过程如下：

步骤1：在Android平台上，基于百度地图开发包进行加权切换系统的构建

在Android平台上，如图6所示设计派送软件的派送地图，图中A为浙江工业大学屏峰校区、B为浙江大学紫金港校区、C为浙江大学玉泉校区、D为浙江工业大学朝晖校区、E为杭州汽车北站、F为浙江省药品审评中心、G为申花公园、H为文新公园八个点为快递员当前的派送地址。快递员需要完成的派送任务为“派送员从A点出发，遍历B、C、D、E、F、G和H七个地点进行派送快递，最后返回A点”。根据快递员派送任务可得派送起点P₀＝A，派送地点集P＝{A，B，C，D，E，F，G，H}，利用环境建模算法ConstructT()构建相应的加权切换系统T，具体过程如下：

从而可以得到8x8的邻接矩阵T.adj，其中第一行代表点A依次到达A、B、C、D、E、F、G和H的实际距离，第二行代表点B依次到达A、B、C、D、E、F、G和H的实际距离，以此类推，距离单位为公里。

步骤2：线性时序逻辑语言描述多点快递派送任务

根据快递员需要完成的派送任务：“派送员从A点出发，遍历B、C、D、E、F、G和H七个地点进行派送快递，最后返回A点”，令搜索起点T.q₀＝p₀＝A，p₁、p₂、p₃、p₄、p₅、p₆、和p₇分别代表B、C、D、E、F、G和H七个地点，则任务公式为：

φ＝Fp₁∧Fp₂∧Fp₃∧Fp₄∧Fp₅∧Fp₆∧Fp₇∧GFp₀ (2)

接着将任务公式(2)利用LTL2BA工具包转换为Büchi自动机A_φ。

步骤3：构建任务可行网络拓扑

通过步骤1和步骤2获得了对应的有限状态的加权切换系统T和Büchi自动机A_φ，为将环境信息与任务信息相融合确保最终搜索的路径既满足环境信息又符合快递派送需求，通过将加权切换系统与Büchi自动机笛卡尔乘积，构建任务可行网络拓扑(Product自动机)，即

步骤4：快递派送最优离散路径搜索

在构建任务可行网络拓扑A_P后，根据快递派送的起点T.q0＝p0＝A结合Büchi自动机A_φ的初始状态得到任务可行网络拓扑A_P的搜索起点s_P0＝(q₀,s₀)，基于Dijkstra算法的OptimalPath()搜索最终的可行离散路径，具体过程如下：

得到任务可行网络拓扑上的最优路径r_P后，映射回加权切换系统的得到最有离散路径r_T＝p₀p₂p₅p₃p₄p₆p₁p₇p₀，即r_T＝A→C→F→D→E→G→B→H→A其总路程为37公里，在所有可行路线中路程最短，为最优路线。

步骤5：快递员实际环境派送路线搜索

通过步骤4得到了百度地图中离散的最优派送路线，基于百度地图进行二次规划，实现离散路径的连续化，得到快递员实际的可派送路线，具体过程如下：

通过离散路径连续化后的到的快递员实际可派送路线如图5所示，快递员可以根据百度地图按照此路线进行导航完成多点派送路线。

上述本发明的实例，最终规划路线验证了本发明的最优性以及可行性，需要指明的是，本发明不仅仅局限于该实例，针对其他地图平台以及其他操作系统，采用本发明的方案，均可以获得快递员的最优派送路线。

本发明在Android平台，利用百度地图开发包进行定位与导航，基于线性时序逻辑理论进行快递员多点派送任务的最优路径规划，根据派送任务，提出了相应的加权切换系统建模方法，避开百度地图实际街道的繁琐建模，并在任务可行网络拓扑上采用Dijkstra最短路径搜索算法搜索最优路径，而非次优路径，保证了派送路径的最优性，而且在离散路径连续化时，由于环境建模采用百度地图自驾驶模型，最后生成的连续路径满足派送任务的同时符合快递员实际派送情形。该发明解决了目前快递派送的区域受限问题，快递员一次派送数量受限问题和派送路径非最优问题，提高了快递派送效率，实现了互联网+的智慧派送。

Claims (3)

1.一种基于线性时序逻辑的移动端快递派送路径规划方法，具体步骤如下：

步骤1：在Android平台上，基于百度地图开发包进行加权切换系统的构建；

根据快递派送任务地点，将快递派送转化为旅行商问题，避开百度地图复杂道路网络的建模，仅将任务地点建模为一个加权的有限状态切换系统(weighted finite-statetransition system,WFTS)；WFTS是一个元组T＝(Q,q₀,δ_T,AP,L_T,ω_T)，其中Q是一个有限的状态集；q₀∈Q是初始状态，代表派送员派送的起点；δ_T∈Q×Q代表切换关系；AP代表原子命题集；L_T:Q→2^AP代表标识函数集；代表两状态之间切换的成本(时间，距离等)；基于百度地图开发包能够获取地图中任意两点之间的实际驾车距离，将该行驶距离作为它们间的切换权重；距离的获取是通过调用百度地图开发包的两点驾驶距离方法得到，即算法一中的BmapDrivingDis()，进而将任务点构建为有限状态的加权切换系统WFTS，算法一具体过程如下：

算法一：构建加权切换系统T(ConstructT())

步骤2：线性时序逻辑语言描述多点快递派送任务；

针对快递员派送任务，线性时序逻辑语言可以方便的描述这些任务，它由原子命题和操作符构成，具有如下形式：

其中，α∈AP是一个原子命题，符号∨(与)、和(非)是标准布尔操作符，F(最终)，G(总是)和U(直到)是时序操作符，Fφ₀表示φ₀的最终状态为真，实现访问，表示全局总是避免φ₃，可用于避障，φ₄Uφ₅表示直到φ₅为真，φ₄一直保持为真；得到快递任务公式φ后，通过LTL2BA工具包将其转化为一个Büchi自动机，Büchi自动机是一个元组A_φ:＝(S_φ,S₀,∑_φ,δ_φ,F_φ)，其中S_φ代表一个有限的状态集；S ₀∈S_φ代表初始状态；∑_φ代表输入的字符表；代表切换函数；代表最终状态集；

步骤3：构建任务可行网络拓扑；

为将环境信息与任务信息相融合确保最终搜索的路径既满足环境信息又符合快递派送需求，通过将加权切换系统与Büchi自动机笛卡尔乘积，构建任务可行网络拓扑(Product自动机)，即它也是一个元组A_P＝(S_P,S_P0,δ_P,ω_P,F_P)，其中是状态集；S_P0＝{q₀}×S₀代表初始状态集；代表状态间的切换函数，其定义为当且仅当q_j∈δ_T(q_i)并且s_l∈δ_φ(s_k,L_B(q_i))时，(q_j,s_l)∈δ_P((q_i,s_k))成立；ω_P:S_P×S_P→R⁺继承自T且为正的权重函数，即当(q_j,s_l)∈δ_P((q_j,s_k))时，则ω_P((q_i,s_k),(q_j,s_l))＝ω_T(q_i,q_j)；F_P＝Q×F_φ代表一个最终的接收状态集；对于任务可行网络拓扑的一个搜索路径r_P，如果那么此r_P是可被接受的，其中inf(r_P)代表路径的循环部分；

步骤4：快递派送最优离散路径搜索；

在构建任务可行网络拓扑A_P后，根据快递派送的起始状态，最终接收状态和状态间的切换关系，利用Dijkstra最短路径搜索算法搜索最终的可行离散路径，Dijkstra()代表Dijkstra算法，minCost()为求最小花费方法，算法过程如算法二所示：

算法二：搜索最优路径r_P(OptimalPath())

输入：T，A_φ，搜索起点s_P0＝(q₀,s₀)

输出：可行最优路径r_P

13)构建任务可行网络拓扑S_P0＝s_P0

14)如果

15)返回步骤13)

16)对于A_P每一个最终接收状态f_P∈F_P

17)搜索可行路径r_P＝Dijkstra(s_p0,f_P)

18)如果

19)返回路径不存在

20)结束判断

21)结束循环

22)r_P＝{r_P'|minCost(r_P'),r_P'∈r_P}

23)返回最优路径r_P

步骤5：快递员实际环境派送路线搜索

对于在任务可行网络拓扑上搜索出的满足派件任务需求的任意路径r_P＝(p₀,s₀)→(p₁,s₁)→(p₂,s₂)...，在加权切换系统T中都有与之对应的路径r_T＝p₀→p₁→p₂...存在，且r_T同样满足派送任务需求，r_T与r_P的总耗费相同，该路径满足派送任务需求的同时保证了路径最优性；最后在Android平台上，基于百度地图开发包的两点间的驾驶导航方法(即算法三中的BmapDriving())将映射回加权切换系统中的离散路径r_T连续化，进行二次规划获得派送员实际可驾驶派送路线R，二次规划的权重问题在步骤1的算法一中已经被考虑，实现过程如算法三所示。

算法三：离散路径连续化(ProjectToR())

输入：加权切换系统中的离散路径r_T

输出：快递员实际驾驶派送路线R

24)对于i＝0,1,2...n-1，n为r_T路径节点数

25)如果i＝n-1

26)R(n-1)＝BmapDriving(r_T(n-1),r_T(0))

27)否则R(i)＝BmapDriving(r_T(i),r_T(i+1))

28)判断结束

29)结束循环

30)返回R＝R(0)R(1)R(2)...R(n-1) 。

2.根据权利要求1所述的基于线性时序逻辑的移动端快递派送路径规划方法，其特征在于：步骤1中叙述的加权切换系统构建方法即算法一，基于Android平台的百度地图开发包，将快递派送任务转换为旅行商问题，以两点之间的驾驶距离将派送任务点进行建模，而非派送的实际复杂道路网络的百度地图，不仅能够满足快递派送任务点经常变化的特点而且符合实际环境。

3.根据权利要求1所述的基于线性时序逻辑的移动端快递派送路径规划方法，其特征在于：步骤5中叙述的最有离散路径的连续化即算法三，得到的离散路径不能满足实际派送环境，通过算法三将其连续化，并且基于百度地图自驾导航，而非其他形式的导航将离散路径连续化，更符合派送实际情况。