CN111461402A

CN111461402A - 物流排程优化方法及装置、计算机可读存储介质、终端

Info

Publication number: CN111461402A
Application number: CN202010150944.2A
Authority: CN
Inventors: 郑仁; 项党
Original assignee: SAIC Motor Corp Ltd
Current assignee: SAIC Motor Corp Ltd
Priority date: 2020-03-06
Filing date: 2020-03-06
Publication date: 2020-07-28
Anticipated expiration: 2040-03-06
Also published as: CN111461402B

Abstract

本发明提供了一种物流排程优化方法及装置、计算机可读存储介质、终端，编码待优化物流的订单序列和车辆序列，并通过遗传算法处理订单序列和车辆序列生成代表多车物流排程可行解的种群，在遗传迭代过程中基于父代种群中个体在最短路径下的个体适应度随机生成子代种群，从而随机地逼近全局最优解，将种群多次迭代后生成的最高个体适应度的目标个体对应的多车物流排程作为最优多车物流排程。本发明在全局范围内搜索最优解，同时考虑各子问题对总体优化目标的影响，优化效果好，结果稳定；此外，本发明优化的主体为遗传算法，兼顾求解性能的同时，能保证算法的计算速度；最后，本发明可支持多车型的多车订单派送，算法框架的通用性和可移植性较强。

Description

物流排程优化方法及装置、计算机可读存储介质、终端

技术领域

本发明涉及物流技术领域，更具体地说，涉及一种物流排程优化方法及装置、计算机可读存储介质、终端。

背景技术

在实际的物流规划问题中，订单排程、车辆分配以及路径规划往往是密切相关、互相影响的，通常的物流规划方法是将这一综合问题分解为多个子问题分别求解。这种方式人为先验地缩小了理论求解的范围，使得问题的规模和复杂度大为降低，有利于快速计算次优解。

然而，上述方法存在两个缺点：1)实际问题是一个多目标耦合的复杂问题，分步依次求解子问题不能保证在解的全局空间内寻找最优解，因此，通常得到的是一个性能受限于数据情形的次优解；2)这些子问题之间通常存在某些约束条件、优化目标的关联，也就是说其中一个子问题的最优解可能会导致如下情形：考虑另一个问题后，优化目标的性能大为降低。

发明内容

有鉴于此，为解决上述问题，本发明提供一种物流排程优化方法及装置、计算机可读存储介质、终端。技术方案如下：

一种物流排程优化方法，所述方法包括：

编码待优化物流的订单序列和车辆序列，所述订单序列包含所述待优化物流的订单的编码值，所述车辆序列包含所述待优化物流的车辆的编码值；

通过遗传算法处理所述订单序列和所述车辆序列，随机生成能够表征多车物流排程可行解的种群，所述种群中的个体具有决定多车物流排程的参数，所述参数包含指示所述订单的编码值次序的第一参数、以及指示所述车辆的编码值优先级的第二参数；

在所述种群每次遗传迭代过程中，根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度，并基于所述个体适应度随机生成子代种群，所述个体适应度与多车物流排程的总成本成反比；

根据所述种群多次迭代后所生成的最高个体适应度的目标个体的第一参数、第二参数和相应的最短路径，确定最优多车物流排程。

优选的，所述根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度，包括：

按照所述第一参数和所述第二参数还原多车物流排程的策略，所述策略至少包含订单与车辆的装载关系；

至少基于所述订单与车辆的装载关系计算车辆配送订单所经过的最短路径的配送成本；

确定与所述配送成本相对应的个体适应度。

优选的，所述至少基于所述订单与车辆的装载关系计算车辆配送订单所经过的最短路径的配送成本，包括：

通过预设的动态规划算法处理所述订单与车辆的装载关系得到车辆配送订单所经过的最短路径；

计算所述最短路径的长度所对应的车辆运输成本；

将所述车辆运输成本和预设的车辆调度成本之和作为车辆的配送成本。

优选的，所述确定与所述配送成本相对应的个体适应度，包括：

将所述配送成本的迭加和作为所述多车物流排程的总成本；

将所述多车物流排程的总成本的倒数作为个体适应度。

优选的，所述基于所述个体适应度随机生成子代种群，包括：

从所述父代种群中确定个体适应度符合预设精英策略的第一个体，并复制所述第一个体；

对于所述父代种群中除所述第一个体之外的第二个体，对所述第二个体进行交叉和/或变异得到第三个体，所述第三个体的个体数量与所述第二个体的个体数量相同；

将复制的所述第一个体和所述第三个体构成子代种群。

优选的，所述第二个体的交叉方式包括：部分匹配交叉、顺序交叉、循环交叉、基于循环交叉和反序交叉中的一种。

优选的，所述第二个体的变异方式包括：反转、嵌入、移位和互换中的一种。

一种物流排程优化装置，所述装置包括：

编码模块，用于编码待优化物流的订单序列和车辆序列，所述订单序列包含所述待优化物流的订单的编码值，所述车辆序列包含所述待优化物流的车辆的编码值；

遗传模块，用于通过遗传算法处理所述订单序列和所述车辆序列，随机生成能够表征多车物流排程可行解的种群，所述种群中的个体具有决定多车物流排程的参数，所述参数包含指示所述订单的编码值次序的第一参数、以及指示所述车辆的编码值优先级的第二参数；在所述种群每次遗传迭代过程中，根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度，并基于所述个体适应度随机生成子代种群，所述个体适应度与多车物流排程的总成本成反比；

确定模块，用于根据所述种群多次迭代后所生成的最高个体适应度的目标个体的第一参数、第二参数和相应的最短路径，确定最优多车物流排程。

一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行任一项所述物流排程优化方法的步骤。

一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行任一项所述物流排程优化方法的步骤。

以上本发明提供的物流排程优化方法及装置、计算机可读存储介质、终端，编码待优化物流的订单序列和车辆序列，并通过遗传算法处理订单序列和车辆序列生成代表多车物流排程可行解的种群，在遗传迭代过程中基于父代种群中个体在最短路径下的个体适应度随机生成子代种群，从而随机地逼近全局最优解，将种群多次迭代后生成的最高个体适应度的目标个体对应的多车物流排程作为最优多车物流排程。本发明在全局范围内搜索最优解，同时考虑各子问题对总体优化目标的影响，优化效果好，结果稳定；此外，本发明优化的主体为遗传算法，兼顾求解性能的同时，能保证算法的计算速度；最后，本发明可支持多车型的多车订单派送，算法框架的通用性和可移植性较强。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的物流排程优化方法的方法流程图；

图2为本发明实施例提供的物流排程优化方法的部分方法流程图；

图3为本发明实施例提供的物流排程优化方法的另一部分方法流程图；

图4为本发明实施例提供的物流排程优化装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明使用遗传算法求解多车物流排程优化问题，将订单排程、车辆分配和路径规划整合为一个综合问题进行全局求解。待求解物流问题包括：需安排配送的订单池、可分配车辆资源池，求解的优化问题为综合成本最低。

本发明实施例提供一种物流排程优化方法，该方法的方法流程图如图1所示，包括如下步骤：

S10，编码待优化物流的订单序列和车辆序列，订单序列包含待优化物流的订单的编码值，车辆序列包含待优化物流的车辆的编码值。

本发明实施例中，对订单池中的订单进行整数编码，一个订单对应一个唯一的、表征该订单的编码值，订单池中所有订单的编码值构成一个订单序列，该订单序列是无序的，也就是说，此时订单池中各订单之间是无次序先后的。比如，对于订单池中的N个订单，可以将整数1～N中一个整数对应一个订单。

同样的，对车辆资源池中的车辆进行整数编码，一个车辆对应一个唯一的、表征该车辆的编码值，车辆资源池中所有车辆的编码值构成一个车辆序列，该车辆序列是无序的，也就是说，此时车辆资源池中各车辆之间是无优先级高低的。比如，对于车辆资源池中的M个车辆，可以将整数1～M中一个整数对应一个车辆。

S20，通过遗传算法处理订单序列和车辆序列，随机生成能够表征多车物流排程可行解的种群，种群中的个体具有决定多车物流排程的参数，参数包含指示订单的编码值次序的第一参数、以及指示车辆的编码值优先级的第二参数。

本发明实施例中，遗传算法可以是现有启发式的遗传算法，通过该遗传算法处理订单序列和车辆序列随机生成能够代表多车物流排程可行解的种群，该种群中个体的个数可以预先设置，比如设置为K。

种群中每个个体都具有决定多车物流排程的第一参数和第二参数，也就是说每个个体都拥有两条基因共同决定其代表的多车物流排程，第一参数即基因1可以指示订单序列中各个订单的编码值的次序，第二参数即基因2可以指示车辆序列中各个车辆的编码值的优先级，使得订单池中各订单之间具有先后次序、车辆资源池中各车辆之间具有高低优先级。

假设订单池中订单的数量N＝5，种群中个体1的第一参数将订单池中的订单排序为[12543]，也就是说，订单的装载次序为订单1、订单2、订单5、订单4和订单3。假设车辆资源池中车辆的数量M＝3，种群中个体1的第二参数将车辆资源池中的车辆排序为[321]，也就是说，车辆分配的优先级由高到低依次为车辆3、车辆2和车辆1。

S30，在种群每次遗传迭代过程中，根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度，并基于个体适应度随机生成子代种群，个体适应度与多车物流排程的总成本成反比。

本发明实施例中，在第一次遗传迭代时，将步骤S20中通过遗传算法随机生成的种群作为第一代的父代种群进行遗传而获取第一代的子代种群；在第二次遗传迭代时，将第一次遗传迭代得到的第一代的子代种群作为第二代的父代种群进行遗传进而获取第二代的子代种群；在第三次遗传迭代时，将第二次遗传迭代得到的第二代的子代种群作为第三代的父代种群进行遗传而获取第三代的子代种群；……，经过一代代的繁殖优化逼近全局最优解。

以一次遗传迭代的过程进行说明：

本发明实施例中，可以通过父代种群中个体的第一参数和第二参数来规划车辆配送订单过程中所经过的最短路径，从而获得该最短路径对应的多车物流排程的总成本，进一步，将与该多车物流排程的总成本成反比的一个数据作为该个体适应度。

具体实现过程中，步骤S30中“根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度”可以采用如下步骤，方法流程图如图2所示：

S3011，按照第一参数和第二参数还原多车物流排程的策略，策略至少包含订单与车辆的装载关系。

本发明实施例中，基于第二参数按照优先级由高到低依次确定当前分配的车辆的编码值，并通过该车辆的编码值获取该车辆的车辆信息，比如车辆型号、车辆尺寸、车辆调度成本、所在车场位置坐标等；进一步，基于第一参数按照先后次序向该车辆中逐步装载订单，根据该订单的编码值可以获取该订单的订单信息，比如订单号、订单提货点位置坐标、订单卸货点位置坐标、订单货物的类型、货量以及规格尺寸等等，直至该车辆无法再装入下一个订单时停止装载，将已装载至该车辆的订单进行分组，并将该组的组名标记为该车辆的编码值。重复上述操作，直至所有订单被分组。

因此，通过订单池中订单被标记的组名可以确定装载其的车辆，从而获得多车物流排程的策略，即车辆与其装载订单的物流排程方案。

S3012，至少基于订单与车辆的装载关系计算车辆配送订单所经过的最短路径的配送成本。

本发明实施例中，对于一组已分组的订单，该组订单将由其组名所对应的车辆进行统一配送，该车辆以其车场为起点、经过该组订单中所有订单的提货点后，再经过所有订单的卸货点，最终回到其车场。因此，根据车辆所在车场位置坐标、该组订单中每个订单的订单提货点位置坐标和订单卸货点位置坐标，通过常规的动态规划算法可以求出车辆在配送该组订单过程中所经过的最短路径。

进一步，可以通过预先设置的配送成本计算规则获取该车辆配送该组订单所经过的最短路径的配送成本。具体的，可以将配送成本细化为该组车辆的车辆调度成本和车辆行驶路程所消耗的车辆运输成本。将最短路径的长度与每公里所需的费用的乘积作为车辆运输成本，将车辆运输成本与车辆调度成本之和作为车辆的配送成本。

S3013，确定与配送成本相对应的个体适应度。

本发明实施例中，通过步骤S3012可以获得每个车辆配送其订单的配送成本，进一步可以将将配送成本的迭加和作为多车物流排程的总成本，从而按照预先设置的个体适应度确定规则获取与多车物流排程的总成本成反比的个体适应度。具体的，可以将多车物流排程的总成本的倒数作为个体适应度。

此外，本发明实施例中，在执行基于个体适应度随机生成子代种群的过程中，可以采用保留精英、交叉、变异的方式随机地逼近全局最优解。

在具体实现过程中，步骤S30中“基于个体适应度随机生成子代种群”可以采用如下步骤，方法流程图如图3所示：

S3021，从父代种群中确定个体适应度符合预设精英策略的第一个体，并复制第一个体。

本发明实施例中，对于父代种群中的个体按照个体适应度由高到低的进行排序，使用预设精英策略保留最优秀的多个个体，也就是多车物流排程的总成本最低的多个个体，并直接复制到子代种群中。假设精英数量设置为j，则将父代种群K个个体中个体适应度最高的j个个体取出，直接复制到子代种群中。

S3022，对于父代种群中除第一个体之外的第二个体，对第二个体进行交叉和/或变异得到第三个体，第三个体的个体数量与第二个体的个体数量相同。

本发明实施例中，对于父代种群中剩余的K-j个个体，交叉的概率设为α、变异的概率设为β。

从父代种群中选择父亲个体1，选择方式可以为轮盘赌，即个体被选中的概率与其个体适应度成正比。当然选择方式不限于轮盘赌，还可以是随机遍历采样、超比例选择、Sigma缩放选择、基于排名选择、线性排名选择、锦标赛选择、种马进化选择算法中的任意一种，本发明实施例对此不做限定。

根据交叉的概率α选择父亲个体2，即存在1-α的概率跳过与父亲2交叉的步骤直接对父亲1变异得到子代。

在父亲个体1和父亲个体2执行交叉时，父亲个体1的基因1和父亲个体2的基因1交叉得到子代个体的基因1、父亲个体1的基因2和父亲个体2的基因2交叉得到子代个体的基因2。交叉方式包括但不局限于部分匹配交叉、顺序交叉、循环交叉、基于循环交叉和反序交叉中的任意一种。

子代个体的基因1和基因2可以以变异的概率β发生变异。变异方式包括但不局限于反转、嵌入、移位和互换中的任意一种。

以此方式，产生K-j个交叉和/或变异得到的子代个体，即第三个体，再综合复制到子代种群中的j个第一个体，得到子代种群。

为方便理解，以下对部分交叉和变异的方式进行简单介绍：

一、交叉方式

1)部分匹配交叉。以单点交叉为基础，对交叉后的基因进行修正。比如说如下两个父代个体P1和P2：

P1＝[234561]，P2＝[326145]

如果在两个基因的中间执行单点交叉，可以得到两个子代个体：

c1＝[234145]，c2＝[326561]

因为每个编码只能出现一次，所以这些子代个体无效。用c2中的一个6替换c1中的一个4，修补后如下：

c1＝[236145]，c2＝[326541]

如果使用部分匹配交叉，一次产生两个子代个体。

2)顺序交叉。将基因的一部分从父代个体1复制给子代个体，然后从父代个体2复制余下的给子代个体并保持这部分基因的顺序不变。例如两个父代个体：

P1＝[923845617]，P2＝[452187693]

从P1随机地选择子行程，假设从P1中选择的子行程为[8456]。于是，子代个体的一部分为c1＝[---8456--]。

c1还需要加入编码1，2，3，7，9，这写编码在P2中的顺序为{2,1,7,9,3}，按照这个顺序将编码复制到c1中，得到

c1＝[217845693]。

3)循环交叉。循环交叉在两个父代个体生成子代个体时，将尽可能多地保存来自父代个体1的基因信息，并用父代个体2的基因信息完成子代个体。

假设有父代个体：

P1＝[234561]，P2＝[452163]。

我们生成下面一个子代个体：

随机选择1和n之间的一个指标，假设选择4，P1(4)＝5，因此，子代个体被初始化为c＝[---5--]；

P2(4)＝1，而编码1处在P1的第6位，因此，子代个体补充为c＝[---5-1]；

P2(6)＝3，而编码3处在P1的第2位，因此，子代个体补充为c＝[-3-5-1]；

P2(2)＝5，但子代个体已经包含编码5，因此，从P2复制余下的编码到子代个体，得到c＝[432561]。

4)基于顺序交叉。基于顺序交叉是对循环交叉的一种修改，在父代个体P1中随机选择几个位置，并找出P2中出于相应位置的编码，然后用它们在P2中的顺序在P1中对这些编码重新排序。例如，在P1中随机选择一定数量的位置实施交叉，假设选择的位置为1，3，4，在P2中处于这些位置的编码是4，2，1。用来自P1中除了4，2，1的编码初始化子代个体：

c＝[-3-56-]

然后，复制编码4,2,1到子代个体，顺序与它们在P2中相同，得到子代个体c＝[432561]。

反序交叉。已知父代个体P1和P2，反序交叉的方法如下：

从P1随机地选择一个位置s，假设P1(s)＝r；

假设r是P2的第k位，即P2(k)＝r，置终点为e＝P2(k+1)；

在P1中将P1(s+1)和e之间的编码次序反转得到子代个体。

二、变异方法

1)反转。反转是让随机选出的两个位置之间的编码顺序颠倒过来。

2)嵌入。嵌入将处于位置i的编码移动到位置k，i和k都是随机选择出来的。

3)移位。移位是一般化的嵌入，将编码中的第i位开始的q个编码序列移动到第k位，q、i、k都是随机选择的。

4)互换。互换是将第i位和第k位的编码交换，i和k是随机选择出来的。

S3023，将复制的第一个体和第三个体构成子代种群。

S40，根据种群多次迭代后所生成的最高个体适应度的目标个体的第一参数、第二参数和相应的最短路径，确定最优多车物流排程。

本发明实施例中，重复步骤S30的方式产生子代种群，直到遗传迭代的次数达到最大值，获取个体适应度最高的个体作为目标个体，通过解码该目标个体的第一参数、第二参数还原多车物流排程的策略。订单被标记的组名可以确定装载其的车辆，一组订单由其组名所对应的车辆进行统一配送，通过常规的动态规划算法求取得最短路径为车辆在配送该组订单过程中所经过的最优路径、多车物流排程的总成本也可以通过目标个体的个体适应度确定。

本发明实施例提供的物流排程优化方法，可以在全局范围内搜索最优解，同时考虑各子问题对总体优化目标的影响，优化效果好，结果稳定；此外，本发明优化的主体为遗传算法，兼顾求解性能的同时，能保证算法的计算速度；最后，本发明可支持多车型的多车订单派送，算法框架的通用性和可移植性较强。

基于上述实施例提供的物流排程优化方法，本发明实施例还提供一种执行上述物流排程优化方法的装置，该装置的结构示意图如图4所示，包括：

编码模块10，用于编码待优化物流的订单序列和车辆序列，订单序列包含待优化物流的订单的编码值，车辆序列包含待优化物流的车辆的编码值。

遗传模块20，用于通过遗传算法处理订单序列和车辆序列，随机生成能够表征多车物流排程可行解的种群，种群中的个体具有决定多车物流排程的参数，参数包含指示订单的编码值次序的第一参数、以及指示车辆的编码值优先级的第二参数；在种群每次遗传迭代过程中，根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度，并基于个体适应度随机生成子代种群，个体适应度与多车物流排程的总成本成反比。

确定模块30，用于根据种群多次迭代后所生成的最高个体适应度的目标个体的第一参数、第二参数和相应的最短路径，确定最优多车物流排程。

可选的，用于根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度的遗传模块20，具体用于：

按照第一参数和第二参数还原多车物流排程的策略，策略至少包含订单与车辆的装载关系；至少基于订单与车辆的装载关系计算车辆配送订单所经过的最短路径的配送成本；确定与配送成本相对应的个体适应度。

可选的，用于至少基于订单与车辆的装载关系计算车辆配送订单所经过的最短路径的配送成本的遗传模块20，具体用于：

通过预设的动态规划算法处理订单与车辆的装载关系得到车辆配送订单所经过的最短路径；计算最短路径的长度所对应的车辆运输成本；将车辆运输成本和预设的车辆调度成本之和作为车辆的配送成本。

可选的，用于确定与配送成本相对应的个体适应度的遗传模块20，具体用于：

将配送成本的迭加和作为多车物流排程的总成本；将多车物流排程的总成本的倒数作为个体适应度。

可选的，用于基于个体适应度随机生成子代种群的遗传模块20，具体用于：

从父代种群中确定个体适应度符合预设精英策略的第一个体，并复制第一个体；对于父代种群中除第一个体之外的第二个体，对第二个体进行交叉和/或变异得到第三个体，第三个体的个体数量与第二个体的个体数量相同；将复制的第一个体和第三个体构成子代种群。

可选的，第二个体的交叉方式包括：部分匹配交叉、顺序交叉、循环交叉、基于循环交叉和反序交叉中的一种。

可选的，第二个体的变异方式包括：反转、嵌入、移位和互换中的一种。

本发明实施例提供的物流排程优化装置，可以在全局范围内搜索最优解，同时考虑各子问题对总体优化目标的影响，优化效果好，结果稳定；此外，本发明优化的主体为遗传算法，兼顾求解性能的同时，能保证算法的计算速度；最后，本发明可支持多车型的多车订单派送，算法框架的通用性和可移植性较强。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行图1至图3示出的物流排程优化方法的步骤。所述计算机可读存储介质例如可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。

本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行图1至图3示出的物流排程优化方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims

1.一种物流排程优化方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据父代种群中个体的第一参数和第二参数计算最短路径下的个体适应度，包括：

确定与所述配送成本相对应的个体适应度。

3.根据权利要求2所述的方法，其特征在于，所述至少基于所述订单与车辆的装载关系计算车辆配送订单所经过的最短路径的配送成本，包括：

计算所述最短路径的长度所对应的车辆运输成本；

4.根据权利要求2所述的方法，其特征在于，所述确定与所述配送成本相对应的个体适应度，包括：

将所述配送成本的迭加和作为所述多车物流排程的总成本；

将所述多车物流排程的总成本的倒数作为个体适应度。

5.根据权利要求1所述的方法，其特征在于，所述基于所述个体适应度随机生成子代种群，包括：

将复制的所述第一个体和所述第三个体构成子代种群。

6.根据权利要求5所述的方法，其特征在于，所述第二个体的交叉方式包括：部分匹配交叉、顺序交叉、循环交叉、基于循环交叉和反序交叉中的一种。

7.根据权利要求5所述的方法，其特征在于，所述第二个体的变异方式包括：反转、嵌入、移位和互换中的一种。

8.一种物流排程优化装置，其特征在于，所述装置包括：

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至7任一项所述物流排程优化方法的步骤。

10.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至7任一项所述物流排程优化方法的步骤。