CN109800911B - 一种为多名快递员派件路径统一导航的方法 - Google Patents

Abstract

本发明公开了一种为多名快递员派件路径统一导航的方法，属于路径导航领域，旨在解决物流配送的多点多目标导航问题。本方法力求派件路径尽可能短且大体相当，通过均值回跳策略与出入栈式可行解重组策略对均匀度指标进行了优化，尤其是出入栈式可行解重组策略，通过人为地对最长与最短子路径进行中和重组，改善了子路径的均匀表现，另一方面均值回跳策略与出入栈式可行解重组策略的组合也弥补了均值回跳策略可能导致的较长子路径的出现，使得整体的搜索在路径长度和均匀度上有着更好的表现。此外，在可行解评估和信息素更新方面进一步优化均匀度指标。采用本方法可以对多位快递员的配送路径进行统一导航，有效地降低人力成本，同时缩短配送时间。

Description

一种为多名快递员派件路径统一导航的方法

技术领域

本发明涉及路径导航领域，具体涉及一种为多名快递员派件路径统一导航的方法。

背景技术

在网络购物的拉动之下，快递服务业迅速发展，而在快递物流流程中，最亟待解决的问题便是关于快递配送的最后一公里问题，即在物流配送点的区域性下如何合理调配所有物流人员，使得所有的包裹能够尽可能快速有效的到达用户手中。只有合理有效地解决了最后一公里问题，才能满足充分利用人力资源、提高物流效率以及完善用户体验等实际需求。

解决物流配送问题其实就是经典多旅行商问题的一个实际应用，具体体现在多名快递员必须到达每一个配送点完成配送且有且只有一次到达该配送点，最终返回物流仓库点。由于是多旅行商问题，最终搜索得到的路径存在多条子路径，旨在解决多条子路径的总长度为最小化，实现配送总路径最小化的优化目标。许多研究者针对多旅行商问题这一领域提出了许多不同的解决方案：A.Kiraly等人利用遗传算法创造多旅行商的单染色体表示策略从而解决了多旅行商问题；M.Yousefikhoshbakht等人将插入策略、交换策略和2-opt算法应用到蚁群算法之中形成新的蚁群算法用于解决多旅行商问题等。

然而在现有的多旅行商问题的研究中存在一个问题：由于物流配送点的分配区域性，当优化目标仅仅关注路径总长度时，会出现某一个快递员的配送路径长度远远大于其他快递员，直接导致快递员调配的混乱，不仅劳动成本的浪费，而且物流效率也会降低。

发明内容

本发明的目的在于为多名快递员物流配送进行路径导航，实现每位快递员配送路径长度尽可能短且大体相当。本发明公开了一种为多快递员派件路径统一导航的方法，在保障物流配送路径长度最小化的基础上，通过均值回跳策略与出入栈式可行解重组策略对均匀度这一指标进行了优化，尤其是出入栈可行解重组策略，通过人为地对最长子路径与最短子路径进行中和重组，改善了子路径的均匀表现，另一方面均值回跳策略与出入栈可行解重组的组合策略也弥补了均值回跳策略可能导致的部分较长子路径的出现，使得整体的搜索在路径长度和均匀度这两个指标上有着更好的表现。此外，在可行解评估方式和信息素更新策略方面进一步优化均匀度这一指标。该方法主要优势在于构建了满足物流配送实际境况的多旅行商模型，同时通过改进策略与组合策略进行导航使得快递员的配送路径不仅在长度上尽可能短，而且大体相当，充分利用了人力资源，降低了时间成本。

本发明的目的可以通过如下技术方案实现：

一种为多名快递员派件路径统一导航的方法，该方法针对多目标多旅行商问题模型进行路径规划导航，最终得到满足实际需求的可行路径，包括以下步骤：

1)初始化：初始化最大最小蚂蚁系统的所有参数、蚁群的内部状态，依据实际问题模型设置多旅行商禁忌表以及初始化信息素矩阵；

2)搜索可行路径：初始化蚁群，对于蚁群中的每只蚂蚁k，首先将蚂蚁随机放置到某一个配送点，然后反复循环执行以下步骤：更新蚁群系统内部信息、状态转移，直至所有配送点遍历完成为止；m只蚂蚁完成搜索配送点产生m个多目标多旅行商问题的可行解，并进行筛选得到满足问题模型所有约束条件的可行解集P_iterate(t)，其中下标iterete表示迭代次数；

3)可行路径重组：通过人为干预重组中和最长子路径和最短子路径，使得新的可行解在满足约束条件的前提下，在各个目标上的评分能够有更好的表现；由于蚁群算法在搜索过程中以路径长度的倒数作为启发式信息，并不倾向于均匀度指标，从而造成实际问题中的资源浪费；因而针对快递员派送路线尽可能短且大体相当这一目标，采用出入栈式可行解重组策略对快递员派送路线进行可行路径重组，具体步骤如下：

首先从步骤2)蚂蚁搜索得到的可行解中筛选出最长子路径与最短子路径；

然后获取最长子路径和最短子路径中物流派送的首站及终点站，即子路径回环去掉仓库点后形成的路线首尾点，同时判断最长子路径的首尾点与最短子路径的首尾点哪两个点最接近，则以该两点为栈顶分别将最长子路径与最短子路径压入栈中；

循环执行以下步骤：将最长子路径栈中的栈顶配送点取出，并压入最短子路径栈中，判断重新形成的两个子路径栈所构造的路径回环差距是否达到最小；此处对新路径回环差距的最小值判断如下：由于几何性质，最长子路径栈出栈后重新构造的路径回环长度是变小的，最短子路径栈入栈后重新构造的路径回环长度是变大的，因此两者的差距随着出入栈是不断变小的，一旦在某次迭代出入栈后，两个子路径栈所构造的路径回环差距比上次迭代大，则说明上次迭代所形成的重组可行解是差异最小的，从而将最长子路径和最短子路径中和；

由上述出入栈式重组可行解，将最长子路径和最短子路径中和，能够进一步地改善可行解的均匀度表现；

4)可行路径评估：获取蚁群搜索的非支配全局解集P_global(t)，其中下标global表示在所有迭代过程中的全局变量，从P_iterate(t)∪P_global(t)得到当前迭代的非支配全局解集P_global(t+1)，并根据多目标多旅行商问题模型的实际评估指标对P_global(t+1)中的所有解集进行优越度评价，筛选出优越度最高的可行解，为当前迭代的最优解路径；

5)信息素更新反馈；

6)重复以上步骤直至满足结束条件，最终返回得到的最优可行解，完成多名快递员派件路径的统一导航。

进一步地，步骤2)中，在进行状态转移时，由于传统蚁群算法的状态转移方式大概率由信息素信息和启发式信息所决定，而启发式信息一般由配送点距离所决定，导致传统蚁群算法的状态转移方式并不对均匀度指标有所倾重，因此提出针对均匀度的新的状态转移方式，称之为均值回跳策略，采用均值回跳策略，如下：

其中，式(1)是传统蚁群算法的状态转移公式，也称为随机比例规则，τ_ij(t)是在第t轮迭代时配送点i与配送点j之间的信息素量；η_ij(t)是配送点i与配送点j之间的启发式信息，为距离的倒数；α为信息素权重因子；β为启发式信息权重因子；allowed_k是禁忌表外的蚂蚁可选的配送点集合；传统算法根据式(1)计算转移概率并使用轮盘赌方法选择蚂蚁要遍历的下一个配送点；

式(2)是均值回跳策略的状态转移公式，其中S即为由式(1)所计算出蚂蚁要遍历的下一个配送点；由于所研究模型的其中一方面是多旅行商问题，最终蚂蚁所走的路径存在多条子路径，即为各个快递员的配送路径；length_{depot→subpath}是指某个快递员以仓库点为起点当前所走路径的长度；d_{curcity→s→depot}是指该快递员当前所在配送点与由式(1)计算出的下一个要转移的配送点S之间的距离和转移配送点S回到仓库点的距离之和；mean_old是指当前迭代的非支配全局解集中的最优可行解的所有快递员配送长度的均值；

首先按照随机比例规则，即式(1)，计算出蚂蚁到禁忌表外的各个可选配送点之间的概率大小，并进行归一化，然后根据轮盘赌算法来选择蚂蚁转移的下一跳配送点S，并根据配送点S人为假设性地构造一个完整的物流配送路线，计算其长度即为length_{depot→subpath}+d_{curcity→s→depot}，这段路径长度包括以物流配送中心为起点快递员当前所走路径长度length_{depot→subpath}、快递员当前所处配送点到由式(1)得到的下一跳配送点S的距离以及从配送点S返回物流配送中心的距离；然后与当前迭代的非支配全局解集中的最优可行解的快递员路线长度均值mean_old作比较，若大于当前最优均值，则蚂蚁下一跳返回物流配送中心，完成一条快递员物流配送路线；否则蚂蚁选择随机概率计算出的转移配送点S进行状态转移。

均值回跳策略本质上是为了基本保证蚂蚁搜索产生的旅行商路径比当前迭代最优的旅行商路径长度更小，均匀度更优；人为地避免掉可能出现的更长的旅行商路径，小于并接近与当前迭代最优的旅行商路径。

进一步地，步骤4)中，所述多目标多旅行商问题模型的实际评估指标为可行解的长度以及均匀度的权衡，可行解的评估方式如下：

f(s^best)＝mean+mult_α×var

其中，mean是指各个快递员所走路径的均值；var是各个快递员所走路径的方差；mult_α是指均匀度指标的权重。

改进可行解评估本质在于权衡多个目标，在应用上使之满足实际问题模型的需求，在算法上能够使结果收敛在多目标加权函数评价更优的可行解。

进一步地，步骤5)中的信息素更新采用如下策略：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

其中，ρ是信息素挥发系数，表示路径中信息素挥发的速度；Δτ_ij(t)表示在第t轮循环中添加在配送点i到配送点j的路径上的信息素；

根据信息素轨迹分布情况，可将蚁群搜索可行解的时间节点划分为发散阶段与收敛阶段：蚁群搜索前期，信息素轨迹分布较为分散，此时蚁群搜索处于发散阶段；随着迭代的推移，信息素具有的共享、局部以及长期的记忆特性，导致信息素轨迹分布呈现出一条完整的可行解路径，当在N次迭代保持不变，没有出现优越程度更好的可行解，此时表示蚁群搜索处于收敛阶段，这里N值取2000；然后，在蚁群搜索的发散阶段和收敛阶段对Δτ_ij(t)采用不同的计算策略，如下：

发散阶段：对最优可行解进行优越程度评价，并以此优越程度评价为信息素添加含量的基础，在最优可行解路径上添加信息素从而优化下一轮迭代搜索；其具体更新策略如下：

式中，Q表示信息素强度，通常取值为1；s^best是当前迭代的最优可行解；f(s^best)为可行解优越程度评价结果；

收敛阶段：获取当前迭代所有蚂蚁的可行解集，筛选出不大于当前最优的快递员物流配送路线长度均值的所有快递员物流配送路线集合，记为list_{ant_subpath}，并在其路径上添加信息素从而优化搜索，具体更新策略如下：

式中，τ_max是信息素的最大值；L[k]为list_{ant_subpath}[k]的路径长度；α_k是权重因子，表示L[k]与mean_old的差距程度；f_{like_sigmoid}是一个类似sigmoid函数的映射函数。

收敛阶段的信息素更新策略的本质是较为适当的局部搜索策略，在可行解出现收敛现象时，对蚁群搜索产生的较为理想的旅行商路径集合进行信息素添加，而不是局限于最优可行解路径，进一步扩宽搜索空间，同时，对旅行商路径集合进行信息素权重分配，越接近当前最优长度均值的旅行商路径，权重分配越大，信息素添加量也随之增大；反之，则信息素添加量越小，二者结合从而进一步优化搜索结果。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提供的一种为多名快递员派件路径统一导航的方法，提出了均值回跳策略的状态转移方式，让本就整个搜索系统较为弱势的均匀度指标得到加强改善，使得算法能在保持原有高效，兼顾多目标等基础上进一步提升了均匀度这个指标，让整个融合指标得到改善。

2、本发明提供的一种为多名快递员派件路径统一导航的方法，提出了出入栈式可行解重组策略，避免了较长子路径与较短子路径的出现，改善了子路径的均匀表现。

3、本发明提供的一种为多名快递员派件路径统一导航的方法，提出了均值回跳策略与出入栈可行解重组的组合策略，弥补了均值回跳策略可能导致的部分较长子路径的出现，使得搜索得到的子路径分布更加均匀化，进一步改善了路径总长度与均匀度这一综合指标。

附图说明

图1为本发明实施例中多名快递员派件路径统一导航系统的框图。

图2为本发明实施例中多名快递员派件路径统一导航系统的实现流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例：

本实施例针对多目标多旅行商问题，具体实施场景为快递员物流配送的情况，即物流中心有若干名快递员需要完成若干点的快递配送，优化目标是满足多名快递员快递配送路径长度最小化和路径长度数值差异最小化。提供了一个为多名快递员派件路径统一导航的系统。系统框架如图1所示，分为服务器端和移动手机端，服务器端由物流中心统一管理，在调配快递员进行派送快递之前，首先从物流数据库中获取当前需要派送的所有快递配送点的位置信息以及当前可进行派送任务的快递员人数，将这两个信息输入至物流中心服务器进行快递员群路径导航计算，计算结束后返回较佳的配送路径集合，最后通过网络传输方式将配送路径集合逐个发送至每位快递员手机中，完成分派快递配送的任务，每位快递员再结合手机GPS以及服务器发送的配送路线进行快递配送的导航。系统的实现既统一了快递员的合理调配，又有效地降低了人力成本，同时还缩短了配送时间，满足了物流配送的实际需求。

所述系统的实现流程如图2所示，主要分为三个部分：物流数据库部分、服务器导航计算引擎部分以及移动手机端部分。

物流数据库部分的实现，其具体步骤如下：

步骤1、从物流数据库中获取当前需要派送的所有快递点的位置信息，结合地图API的地理编码功能，将快递地点的位置信息转换成数学模型的点图信息，并计算两两快递地址之间的路线距离，封装成距离的邻接矩阵，传入服务器导航计算引擎中用于实现路径导航的计算；

步骤2、从物流数据库中获取当前可进行派送任务的快递员手机账号信息以及人数，将快递员人数传入服务器导航计算引擎中用于实现路径导航的计算；手机账号信息则用于网络传输部分，将导航的路径结果传输到指定的快递员移动手机端中用于派送导航。

服务器导航计算引擎部分，针对多目标多旅行商问题模型提出了为多名快递员派件路径统一导航的方法，其具体步骤如下：

步骤1、获取从物流数据库传入的快递配送点位置信息以及快递员人数；

步骤2、初始化：初始化所有参数、蚁群的内部状态，依据实际问题模型设置多旅行商禁忌表以及初始化信息素矩阵；

步骤3、搜索可行解：初始化蚁群，对于蚁群中的每只蚂蚁k，首先将蚂蚁随机放置到某一个配送点，然后重复执行以下步骤：

a、更新蚂蚁的内部状态信息，禁忌表信息以及对应的路径信息；

b、判断此时蚂蚁是否完成可行解构造，未完成则转到步骤c，否则转到步骤

4进行可行解重组以及转到步骤5进行可行解评估；

c、状态转移：采用均值回跳策略进行状态转移，具体策略如下：

首先按照随机比例规则，即式(1)，计算出蚂蚁到禁忌表外的各个可选配送点之间的概率大小，并进行归一化，然后根据轮盘赌算法来选择蚂蚁转移的下一跳配送点S，并根据配送点S人为假设性地构造一个完整的物流配送路线，计算其长度即为length_{depot→subpath}+d_{curcity→s→depot}，这段路径长度包括快递员当前所走路径长度(以物流配送中心为起点)、快递员当前所处配送点到由式(1)得到的下一跳配送点S的距离以及从配送点S返回物流配送中心的距离；然后与当前迭代的非支配全局解集中的最优可行解的快递员路线长度均值作比较，若大于当前最优均值，则蚂蚁下一跳返回物流配送中心，完成一条快递员物流配送路线；否则蚂蚁选择随机概率计算出的转移配送点S进行状态转移；

完成状态转移后返回步骤a更新系统信息；

步骤4、可行解重组：将步骤3得到的可行解人为地进行干预重组，使得新的可行解在满足约束条件的前提下，在各个目标上的评分能够有更好的表现，由于蚁群算法在搜索过程中以路径长度的倒数作为启发式信息，并不倾向于均匀度指标，从而造成实际问题中的资源浪费；因而针对快递员派送路线尽可能短且大体相当这一目标，提出一种出入栈式可行解重组策略，其具体步骤如下：

a、从步骤3得到的可行解中筛选出最长子路径与最短子路径；

b、获取最长子路径和最短子路径中物流派送的首站及终点站，即子路径回环去掉仓库点后形成的路线首尾点，同时判断最长子路径的首尾点与最短子路径的首尾点哪两个点最接近，则以该两点为栈顶分别将最长子路径与最短子路径压入栈中；

c、循环执行以下步骤：将最长子路径栈中的栈顶配送点取出，并压入最短子路径栈中，判断重新形成的两个子路径栈所构造的路径回环差距是否达到最小；此处对新路径回环差距的最小值判断：由于几何性质，最长子路径栈出栈后重新构造的路径回环长度是变小的，最短子路径栈入栈后重新构造的路径回环长度是变大的，因此两者的差距随着出入栈是不断地变小，一旦在某次迭代出入栈后，二者的差距比上次迭代较大，则可说明上次迭代所形成的重组可行解是差异最小的；

由上述出入栈式重组可行解，将最长子路径和最短子路径中和，将较大程度地改善可行解的均匀度表现。然后将重组的可行解转到步骤5进行可行解评估。

步骤5、可行解评估：判定蚁群搜索得到的所有解，并剔除掉不满足问题限制条件的解，然后将剩下的解进行多目标评估获得优越度评价，筛选出优越度最高的可行解，为当前迭代的最优解；这里考虑快递员的配送路径尽可能短且大体相当，因此根据可行解的长度以及均匀度的权衡，可行解评估方式如下：

f(s^best)＝mean+mult_α×var

其中，mean是指各个快递员所走路径的均值；var是各个快递员所走路径的方差；mult_α是指均匀度指标的权重；

判断是否蚁群中所有蚂蚁都已搜索遍历，是则转到步骤6，否则转回步骤3重新开始搜索可行解；

步骤6、信息素更新反馈：信息素更新策略如下：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

首先，对蚁群搜索的不同阶段进行定义，规定蚁群迭代搜索前期处于发散阶段；当非支配全局最优可行解在N次迭代保持不变，没有出现优越程度更好的可行解，则表示蚁群搜索处于收敛阶段，这里N＝2000；然后，在蚁群搜索的发散阶段和收敛阶段对Δτ_ij(t)采用不同的计算策略，如下：

发散阶段：对最优可行解进行优越程度评价，并以此优越程度评价为信息素添加含量的基础，在最优可行解路径上添加信息素从而优化下一轮迭代搜索；其具体更新策略如下：

收敛阶段：获取当前迭代所有蚂蚁的可行解集，筛选出不大于当前最优的快递员物流配送路线长度均值的所有快递员物流配送路线集合，记为list_{ant_subpath}，并在其路径上添加信息素从而优化搜索，具体更新策略如下：

式中，τ_max是信息素的最大值；L[k]为list_{ant_subpath}[k]的路径长度；α_k是权重因子，表示L[k]与mean_old的差距程度；f_{like_sigmoid}是一个类似sigmoid函数的映射函数；

另外，信息素更新策略满足MMAS算法的另几个特点：

1)MMAS第一次循环后，信息素轨迹量被设为τ_max(1)；最大信息素与最小信息素的计算公式如下：

其中ρ是信息素挥发系数，表示路径中信息素挥发的速度；P_best表示当MMAS收敛时找到最佳方法的概率；n是配送点的数量；avg表示蚂蚁在配送点上的解元素个数，通常为n/2；

2)为了避免搜索的停滞，信息素轨迹量的值域范围被限制在[τ_min,τ_max]；

步骤7、判断终止条件：经过以上流程后，蚁群搜索的一次迭代完成，此时判定算法是否满足终止条件，若不满足则回到步骤3进行下一轮迭代；否则算法结束，返回导航结果。

移动手机端部分的实现，其具体步骤如下：

步骤1、根据物流数据库中获取的参与派送的快递员的手机账号信息，通过网络传输方式将服务器导航计算引擎部分返回的导航结果发送至指定的快递员移动手机端中；

步骤2、将由服务器导航计算引擎部分传输来的快递派送的路线与手机端的GPS结合，实现实时实地快递配送的导航；

步骤3、每将到达一个配送点自动发送短信至客户手机通知取件；

步骤4、每位快递员可以在移动手机端实时更新自己的派送状态，当完成派送任务后，同步更新物流数据库中的快递员派送状态，以便进行下一次派送任务的调配。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (4)

1.一种为多名快递员派件路径统一导航的方法，其特征在于，所述方法在使得物流配送路径长度最小化的基础上，通过出入栈式可行解重组策略对均匀度指标进行优化，包括以下步骤：

1)初始化：对最大最小蚂蚁系统的所有参数及蚁群的内部状态进行初始化，依据实际问题模型设置多旅行商禁忌表以及初始化信息素矩阵；

2)搜索可行路径：初始化蚁群，对于蚁群中的每只蚂蚁k，首先将蚂蚁随机放置到某一个配送点，然后反复循环执行以下步骤：更新蚁群系统内部信息、状态转移，直至所有配送点遍历完成为止；m只蚂蚁完成搜索配送点产生m个多目标多旅行商问题的可行解，并进行筛选得到满足问题模型所有约束条件的可行解集P_iterate(t)，其中下标iterete表示迭代次数；

3)可行路径之子路径重组：针对快递员派送路线尽可能短且大体相当这一目标，采用出入栈式可行解重组策略对快递员派送路线进行子路径重组，具体步骤如下：

首先从步骤2)蚂蚁搜索得到的可行解中筛选出最长子路径与最短子路径；

然后获取最长子路径和最短子路径中物流派送的首站及终点站，即子路径回环去掉仓库点后形成的路线首尾点，同时找出最长子路径的首尾点与最短子路径的首尾点中距离最近的两个点，则以该两点为栈顶分别将最长子路径与最短子路径压入栈中；

循环执行以下步骤：将最长子路径栈中的栈顶配送点取出，并压入最短子路径栈中，判断重新形成的两个子路径栈所构造的路径回环差距是否达到最小；此处对新路径回环差距的最小值判断如下：一旦在某次迭代出入栈后，两个子路径栈所构造的路径回环差距比上次迭代大，则说明上次迭代所形成的重组可行解是差异最小的，从而将最长子路径和最短子路径中和；

4)可行路径评估：获取蚁群搜索的非支配全局解集P_global(t)，其中下标global表示在所有迭代过程中的全局变量，从P_iterate(t)∪P_global(t)得到当前迭代的非支配全局解集P_global(t+1)，并根据多目标多旅行商问题模型的实际评估指标对P_global(t+1)中的所有解集进行优越度评价，筛选出优越度最高的可行解，为当前迭代的最优解路径；

5)信息素更新反馈；

6)重复以上步骤直至满足结束条件，最终返回得到的最优可行解，完成多名快递员派件路径的统一导航。

2.根据权利要求1所述的一种为多名快递员派件路径统一导航的方法，其特征在于，步骤2)中，在进行状态转移时，采用均值回跳策略，如下：

其中，式(1)是传统蚁群算法的状态转移公式，也称为随机比例规则，τ_ij(t)是在第t轮迭代时配送点i与配送点j之间的信息素量；η_ij(t)是配送点i与配送点j之间的启发式信息，为距离的倒数；α为信息素权重因子；β为启发式信息权重因子；allowed_k是禁忌表外的蚂蚁可选的配送点集合；传统算法根据式(1)计算转移概率并使用轮盘赌方法选择蚂蚁要遍历的下一个配送点；

式(2)是均值回跳策略的状态转移公式，其中S即为由式(1)所计算出蚂蚁要遍历的下一个配送点；由于所研究模型的其中一方面是多旅行商问题，最终蚂蚁所走的路径存在多条子路径，即为各个快递员的配送路径；length_{depot→subpath}是指某个快递员以仓库点为起点当前所走路径的长度；d_{curcity→s→depot}是指该快递员当前所在配送点与由式(1)计算出的下一个要转移的配送点S之间的距离和转移配送点S回到仓库点的距离之和；mean_old是指当前迭代的非支配全局解集中的最优可行解的所有快递员配送长度的均值；

首先按照随机比例规则，即式(1)，计算出蚂蚁到禁忌表外的各个可选配送点之间的概率大小，并进行归一化，然后根据轮盘赌算法来选择蚂蚁转移的下一跳配送点S，并根据配送点S人为假设性地构造一个完整的物流配送路线，计算其长度即为length_{depot→subpath}+d_{curcity→s→depot}，这段路径长度包括以物流配送中心为起点快递员当前所走路径长度length_{depot→subpath}、快递员当前所处配送点到由式(1)得到的下一跳配送点S的距离以及从配送点S返回物流配送中心的距离；然后与当前迭代的非支配全局解集中的最优可行解的快递员路线长度均值mean_old作比较，若大于当前最优均值，则蚂蚁下一跳返回物流配送中心，完成一条快递员物流配送路线；否则蚂蚁选择随机概率计算出的转移配送点S进行状态转移。

3.根据权利要求1所述的一种为多名快递员派件路径统一导航的方法，其特征在于：步骤4)中，所述多目标多旅行商问题模型的实际评估指标为可行解的长度以及均匀度的权衡，可行解的评估方式如下：

f(s^best)＝mean+mult_α×var

其中，mean是指各个快递员所走路径的均值；var是各个快递员所走路径的方差；mult_α是指均匀度指标的权重。

4.根据权利要求1所述的一种为多名快递员派件路径统一导航的方法，其特征在于，步骤5)中的信息素更新采用如下策略：

τ_ij(t+1)＝(1-ρ)·τ_ij(t)+Δτ_ij(t)

其中，ρ是信息素挥发系数，表示路径中信息素挥发的速度；Δτ_ij(t)表示在第t轮循环中添加在配送点i到配送点j的路径上的信息素；

首先，对蚁群搜索的不同阶段进行定义，规定蚁群迭代搜索前期处于发散阶段；当非支配全局最优可行解在N次迭代保持不变，没有出现优越程度更好的可行解，则表示蚁群搜索处于收敛阶段；然后，在蚁群搜索的发散阶段和收敛阶段对Δτ_ij(t)采用不同的计算策略，如下：

发散阶段：对最优可行解进行优越程度评价，并以此优越程度评价为信息素添加含量的基础，在最优可行解路径上添加信息素从而优化下一轮迭代搜索；其具体更新策略如下：

式中，Q表示信息素强度；s^best是当前迭代的最优可行解；f(s^best)为可行解优越程度评价结果；

收敛阶段：获取当前迭代所有蚂蚁的可行解集，筛选出不大于当前最优的快递员物流配送路线长度均值的所有快递员物流配送路线集合，记为list_{ant_subpath}，并在其路径上添加信息素从而优化搜索，具体更新策略如下：

式中，τ_max是信息素的最大值；L[k]为list_{ant_subpath}[k]的路径长度；α_k是权重因子，表示L[k]与mean_old的差距程度；f_{like_sigmoid}是一个类似sigmoid函数的映射函数。

Images