CN113344320B

CN113344320B - 多目标下的物流机器人配送路径动态自动规划方法及系统

Info

Publication number: CN113344320B
Application number: CN202110453895.4A
Authority: CN
Inventors: 谭艳艳; 闫泽远; 李圣涛; 孟丽丽; 张化祥
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2021-04-26
Filing date: 2021-04-26
Publication date: 2023-05-05
Anticipated expiration: 2041-04-26
Also published as: CN113344320A

Abstract

本公开提供了多目标下的物流机器人配送路径动态自动规划方法及系统，包括：获取多目标机器人所有可能的路径；将一个多目标机器人路径问题通过切比雪夫的分解方式转化为多个单目标子问题，并获得各个单目标优化函数的聚合函数；从单目标子问题的种群中选取父代，生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；根据预设权重从一组可行的配送方案中选择最终配送方案进行配送；同时由于算法分俩层优化进行，计算复杂度被大大降低；每次进入一个新的街道用于更新路径的时间消耗较少；能够更好的满足物流机器人的实用要求。

Description

多目标下的物流机器人配送路径动态自动规划方法及系统

技术领域

本公开属于物流调度领域，具体涉及多目标下的物流机器人配送路径动态自动规划方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成现有技术。

在进入二十一世纪之后，物流技术的发展速度明显加快，目前的物流派送已经进入了成熟期，各个企业之间的竞争已经转向了提高服务水平，扩大品牌号召力以及降低配送成本上，所以越来越多的企业开始关注于物流配送过程的优化。然而近年来物流相关领域又面对高涨的劳动力成本、土地成本和仓储租金，企业采用机械化和自动化设备取代人工的物流作业，提升土地利用率成为必然，这为物流装备企业带来了广阔市场和机遇。

随着5G的开放以及人工智能时代的到来，在大力推行5G应用以及人工智能技术的大环境下，智能化技术在各个行业大放异彩。在当前智能化蓬勃发展的背景下，如何利用智能化技术提升土地利用率的同时降低人工成本是目前我国物流领域所面对的新的挑战。

城市物流机器人是一种专门为城市内用户送货的新型产物，目的旨在降低成本的同时将快递准确，快速的送到用户的手中。在实际的生活中，机器人的配送成本主要体现在机器的磨损修复问题与电力消耗上，这主要与机器人走过的路程以及路面的情况有直接的关系。与此同时，配送的速度又直接影响用户体验和企业的口碑。然而，生活中车辆经过的最短路径并不一定是最快路径，最短路径往往容易遇到人流高峰以及车流高峰，这反而可能会大大增加时间成本。所以在实际生活中的物流配送问题，机器人的使用成本和配送的速度经常是一组相互冲突的目标。与此同时，人流车流量往往都是随着时间变化的变量，机器人的配送方案路径应该随着路面情况的变化实时更新，这样才能取得最好的配送效果。

在传统的优化领域，优化的目标经常以路径最短或者成本最低作为优化的目标去实现，也就是传统的单目标优化方法。单目标优化方法有很多，比如Dijkstra方法，Bellman-Ford算法等等。这些方法也取得了很好的效果，但是一般来说这些方法都具有较高的计算复杂度，并且这些方法只能解决只有一个目标追求的问题，对于解决具有多个相互冲突的目标的问题时就显得捉襟见肘了。有效的城市物流路径规划应该是以多目标优化为基础的，这也就拓出了多目标优化问题。多目标优化问题是要将多个目标同时优化，使得这些目标可以达到一个相对较好的标准，这往往是很难做到的，因为多个目标之间往往都会相会冲突制约，当某一个目标达到最好值的同时往往伴随着其他的目标的变差。因此，多目标问题是研究的重点和难点。目前广泛解决多目标问题的方法有：蚁群优化算法，狼群优化算法，进化算法等元启发式算法。

城市物流机器人在选择配送路线的时候，会考虑配送的速度和机器的维护成本问题。机器人在配送过程中，如果希望提升配送的速度，那么就会经常需要绕开人流以及车流高峰路段，这会增加电池以及车体等部件的损耗，增加维护费用。而希望减少机器的维护费用，就经常需要避开路面状况不佳的路线，这亦会导致配送时间边长。所以配送的速度与机器的维护成本是相互冲突的。同时机器的维护成本受到路面情况，天气等等因素所影响，配送的速度会受到交通情况，人流以及天气因素等影响。这些都是会随着实际时间动态发生变化的因素，如果只是使用静态的多目标优化算法按住最开始的路径前进，而不考虑这些动态的因素就做出决策，很有可能对公司和用户都造成多余的损失。所以此时需要提出一种适用于物流配送的动态多目标优化算法。

动态多目标优化技术相对于目前的静态单目标优化技术具有更加广泛的应用前景以及研究意义，但是动态多目标优化技术同时也是一个研究的难点。目前动态多目标优化的相关的研究内容还不多见。

进化算法作为一种传统的元启发式算法在优化的各个领域中都占有重要的意义。相对于传统的优化方法，进化算法有着简明性，解决全局化问题的有效实用性以及简单易操作性等优点。在过去的二十年间，进化算法在工程领域以及金融等领域应用广泛，取得了良好的效果。目前使用进化算法求解动态多目标优化问题的成果主要有由Deb等学者提出基于Pareto支配关系的算法：DNSGA-II。改进的正交多目标进化算法OMOEA-II等等。这些算法通过研究实验证明获得了不错的表现，但是在一些问题上比较耗时，同时解的结果还有待于进一步的提升。

近些年来也有一些学者研究动态多目标进化算法来解决实践问题。尚荣华等人提出了克隆选择动态多目标进化算法，并根据人工免疫等概念提出了免疫遗忘动态多目标进化算法，在解集的多样性，分布性上均有较好的表现。

以上学者提出的动态多目标进化算法虽然都取得了不错的效果，但是基本上都有计算复杂度高，对硬件算力要求高的缺点，并且求解的精度并不高。由于物流机器人本身硬件搭载有限，同时物流路径规划需要对当前路径做出及时的反应，所以这些方法对物流路径规划问题来说并不合适。

发明内容

为了解决上述问题，本公开提出了多目标下的物流机器人配送路径动态自动规划方法及系统。

第一方面，本公开提供了多目标下的物流机器人配送路径动态自动规划方法，包括：

获取多目标机器人所有可能的路径；

将一个多目标机器人路径问题通过切比雪夫的分解方式转化为多个单目标子问题，并获得各个单目标优化函数的聚合函数；

从单目标子问题的种群中选取父代，通过进化方式生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；

根据预设权重从一组可行的配送方案中选择最终配送方案进行配送。

第二方面，本公开提供了多目标下的物流机器人配送路径动态自动规划系统，包括：

数据获取模块，被配置为获取多目标机器人所有可能的路径；

数据处理模块，被配置为将一个多目标机器人路径问题通过切比雪夫的分解方式转化为多个单目标子问题，并获得各个单目标优化函数的聚合函数；

数据优化模块，被配置为从子问题的种群中选取父代，通过进化方式生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；

配送方案确定模块，被配置为根据预设权重从一组可行的配送方案中选择最终配送方案进行配送。

第三方面，本公开提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上述实施例中所述的多目标下的物流机器人配送路径动态自动规划方法。

第四方面，本公开提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上述实施例中所述的多目标下的物流机器人配送路径动态自动规划方法。

与现有技术对比，本公开具备以下有益效果：

1、本公开能在动态实时的城市道路，空间气候以及政策限行下为机器人提供自动的、实时的路径规划，并且在极少的人工干预下就可以实现，最终决策的路径同时考虑配送成本以及配送效率俩个目标，最终系统还会依据机器人自身情况对人工设置权重做出微调以适应实际情况。同时由于算法分俩层优化进行，计算复杂度被大大降低。每次进入一个新的街道用于更新路径的时间消耗较少。目前在本公开测试问题下实测每次更新路径平均只需要3.387s，这能够更好的满足物流机器人的实用要求。

2、本公开在多个动态多目标优化算法的基础上提出了基于分解的动态双层多目标进化算法、系统以及存储介质，本方法可以在复杂的城市道路环境下，基于决策者的偏好为自动驾驶机器人动态的提供路径规划。算法将一个多目标优化问题转化为一系列的子问题同时优化，同时在机器人每要经过一个路口的时候动态的得到一条基于偏好的新路线以供选择。本公开的方法具有计算复杂度低，精度较高的优点，即使在需要配送目标数量增加的情况下算法时间的消耗也并没有明显的增加。最后，本公开在实际的城市道路地图的背景下做了模拟实验表明实验效果良好。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本公开的多目标下的物流机器人配送路径动态自动规划方法的流程图；

图2为本公开双层结构流程图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释：

帕累托最优(Pareto Optimality)，也称为帕累托效率(Pareto efficiency)，是指资源分配的一种理想状态，假定固有的一群人和可分配的资源，从一种分配状态到另一种状态的变化中，在没有使任何人境况变坏的前提下，使得至少一个人变得更好，这就是帕累托改进或帕累托最优化。

实施例1

如图1所示，多目标下的物流机器人配送路径动态自动规划方法，包括：

步骤S1：获取多目标机器人所有可能的路径；

步骤S2:将一个多目标机器人路径问题通过切比雪夫的分解方式转化为多个单目标子问题，并获得各个单目标优化函数的聚合函数；

步骤S3：从子问题的种群中选取父代，使用进化方法产生新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复S3的上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；

步骤S4:根据预设权重从一组可行的配送方案中选择最终配送方案进行配送。

作为一种实施方式，所述步骤S1包括：

获取起始点坐标、多个目的地坐标和地图信息，依据地图信息确定道路编码和路口编码并生成节点图，根据节点图结合起始点坐标和多个目的地坐标生成多目标机器人路径。

具体的，开始导航，输入快递的地址数n以及接下来需要派送快递地点对应的目的地坐标(std₁,std₂,...,std_n)，判断快件是否超重，由决策者输入权重偏好(λ₁，λ₂)，λ₁+λ₂＝1。其中λ₁表示当前决策者对于目标一(配送成本)的倾向，而λ₂表示当前决策者对于目标二(配送速度)的倾向。由地图卫星系统确定当前位置以及大地图道路具体信息，具体的有天气情况、交通流量情况和道路交通管制部门的限行情况等等，同时为所有的街道进行编号并生成节点图，节点图的生成以及道路权重的调节相关操作，此为本领域技术人员可根据现有技术进行设置，在本实施例中不涉及这部分具体内容，测试用例的节点图信息以及道路权重由地图软件提供，此部分内容也不在本实施例中加以赘述。

作为具体的实施方式，假如令x是一个X维的多目标路径优化问题的决策变量空间，在此处的X指的是本问题中地图上路的数目。Y是目标空间的维度，在本公开中，Y＝2。令t为当前所在街道。所以当前问题可以转化为如下的数学模型：

在上述的公式中，X×Ts＝Y确定了由X→Y空间的映射关系，Ts是街道的路段的变化t取值空间；

而道路情况以及街道的划分是实时确定的，所有的数据有地图软件实时提供。节点图是一种实时道路信息模拟抽象的分析辅助图像，通过地图软件提供的地图将每俩个路口之间的街道作为一条独立的道路并加以编号，其命名为道路编码。同时也将每个路口进行编号，其命名为路口编码，将所有编码后的道路以及路口按照其实际的空间位置对应连接后就得到了节点图。本公开中使用节点图来辅助优化以及观测在实际道路上的运行结果。

作为另一种实施方式，所述S2包括：

初始化一个机器人路径种群，对种群中所有个体进行编码；其中，可行的一种方案为,初始化一个机器人路径种群pop^k，在这个种群中一共有k个个体，个体的维度为X维，编码的方式采用(0，1)编码；

当种群中的第i个体pop^k(i)的第j维如果是1，代表最终在第i个决策下机器人会经过j号街道，反之则是不经过；

采用的分解方式为切比雪夫的切分方式，将一个动态多目标优化问题转化为一系列动态单目标优化问题，即多个单目标子问题，并获得各个目标优化函数的聚合函数；

所述聚合函数包括决策变量、维度和权重向量；

在聚合函数的优化过程中每一个解对应于一个权重向量，依照某权重向量进行优化并获取对应权重下的Pareto最优解。

具体的，依据地图卫星所给的信息计算各个道路的权重。初始化种群pop^k，初始化权向量λ＝(λ¹，λ²，...，λ^k)，依据切比雪夫的分解方式将一个多目标问题转化为一系列单目标优化问题，每个单目标子问题的优化目标是一个各个目标优化函数的聚合函数；初始化交叉概率p^c，初始化最大迭代次数MAXeva。

初始化一个种群pop^k，在这个种群中一共有k个个体，个体的维度为X维，编码的方式采用(0，1)编码。那么，当种群中的第i个体pop^k(i)的第j维如果是1，那么就代表最终在第i个决策下机器人会经过j号街道，反之则是不经过。

采用的分解方式为切比雪夫的切分方式，使用这种方式去将一个动态多目标优化问题转化为一系列动态单目标优化问题。分解后的子问题表述为：

其中x＝(x¹,x²,...,x^X)为一个决策变量，维度为X，λ＝(λ₁,λ₂,...,λ_k)为权重向量，

在优化过程中每一个解对应于一个权向量，由于权向量是均匀分布的，所以依照权向量优化的解最终会依照某权向量优化为对应权重下的Pareto最优解。f_i(x)为当前问题在决策为x的情况下，在第i个目标上的值。g^te(x,t|λ,z^*)为在t街道将多个目标进行综合考量后的待优化路径目标函数。

为当前问题在1，2俩个目标方向上的理想点。

对于理想点，认为其是某一个现实情况的理想值，其被设定为某一个目标上的最好的结果，比如希望路径最短，那么路径最短的最理想情况为0，而希望时间最快，那么消耗的时间最理想的值为0。事实上理想点并不一定是一个可以到达的点，它的作用是引导整个种群的结果向理想值靠近。在实施例中的理想点设定为(0，0)。

作为其中一种实施方式，所述步骤S3包括：

从子问题的种群中得到当前父代个体pop^k(i)，随机从种群中选取另一个父代个体pop^k(r)，通过单点交叉方式依据交叉概率进行交叉，生成子代y1，然后将子代y1进行变异获取新个体y2；所述变异的方式为在其的基因上随机选择一点使其0，1互换；

通过聚合函数判断新个体y2是否可行，若可行则判断是否优于父代pop^k(i)或pop^k(r)，若优于则替换其中之一，形成新的种群；

对所有权重的决策进行同时优化，重复步骤S3上述步骤在优化迭代的次数达到最大迭代次数MAXeva后输出结果种群pop^k；依据结果种群pop^k提供一组可行的配送方案。

具体的，步骤S3是进入算法的第一层进化优化。假如pop^k中一共有k个个体，那么每个个体就是一个基于当前路面情况下的多目标路径优化结果，以当前所在位置为起点，到所有需要派送的目标点的全局最优路径。

步骤(3.1)从种群pop^k中得到当前的个体pop^k(i)，然后随机的从种群中选取另一个个体pop^k(r)，然后依据交叉概率p^c进行交叉，在此处使用单点交叉的方式进行交叉，生成一个子代个体y1。之后将子代个体y1进行变异，这里使用了一种新的变异方式，每次生成一新个体y2则必然发生变异，变异的方式为在其的基因上随机选择一点使其0，1互换。在本公开的实际实验中，这种方式比较起传统的随机变异来说实际效果更好。其后，判读新个体y2是否是一个可行解，如果它是一个可行解(所有线路连通)则进入步骤(3.2)，如过不是可行解则直接丢弃。

步骤(3.2)对于当前新个体y2，依照公式(2)判断个体质量，如果该个体的质量优于父辈个体pop^k(i)，则使用y替换掉pop^k(i)，否则则不替换，转而判断其质量是否优于个体pop^k(j)。如果该个体的质量优于父辈个体pop^k(j)，则使用y替换掉pop^k(j)，进入步骤(3.3)。

步骤(3.3)判断迭代次数是否达到MAXeva，如果已经达到最大。则选择跳出循环，并依照用户预先选择的权重挑出对应解转入步骤S4，否则转回步骤(3.1)。

作为一种或多种实施方式，所述步骤S4包括：

按照用户输入的权重，将该权重下的全局最优解进而二次优化获取最终选择的路径，最终选择的路径为最终配送方案，选择最终配送方案进行配送。所述二次优化以路径的消耗代价为优化目标。

所述按照用户输入的预设权重，将预设权重下的全局最优解进而二次优化获取最终选择的路径包括：

步骤(4.1)：依据当前点坐标与剩余待配送的目标点，算法初始化一个当前解；并且依据当前权重下的最优路径计算当前点到各个目标点路径在目标1与目标2下的消耗代价；

步骤(4.2)：采用变异方式生成新的解，同时计算以当前解为配送顺序时的消耗代价；

步骤(4.3)：比较新的解的消耗代价和当前解的消耗代价；如果新的解的消耗较小于当前解的消耗代价则替换掉当前解，同时使得计数参数重置为零，并返回步骤(4.2)；否则不发生替换同时使得计数参数加一，并判断技术参数是否达到设定值，若未达到并返回步骤(4.2)，若达到则进入步骤(4.4)；

步骤(4.4)：当计算参数大于设定值时，输出最终决策，以最终决策作为最终选择的路径。

具体的，步骤S4主要是第二层进化算法，依据当前的最优路径去选择最好的送货顺序。这里分以下几步叙述：

步骤(4.1)依据当前点坐标与剩余待配送的目标点，算法初始化一个解subiv＝(std₁,std₂,...,std_n)。这里的n为接下来的待配送点。并且依据当前权重下的最优路径计算当前点到各个目标点路径在目标1与目标2下的代价。转入步骤(4.2)。

步骤(4.2)这里使用只变异，不交叉的方式生成新的解α。变异的方式是随机调整配送的顺序生成新解，同时计算以当前解为配送顺序时的消耗代价。转入步骤(4.3)。

步骤(4.3)判断α与subiv的消耗代价，如果α的消耗较小则替换掉subiv，同时使得计数参数time＝0，否则不发生替换同时使得time+1。time是一个计数参数，是为了统计一个解的优秀度而设立的，一个解越好则不被替换的次数就越多，那么time的值也就越大。转入步骤(4.4)。

步骤(4.4)当time>200的时候，中断循环。同时输出决策subiv。若time≤200则返回步骤(4.2)。

在一些实施例中，所述自动规划方法还包括：

步骤S5：判断当前路径的预计电力消耗是否大于当前剩余电量，若大于则依据当前权重微调获取新的路径，以获取满足电力实际需求下的配送路径。

具体的，由当前路径计算电力消耗，如果当前路径的预计电力消耗大于当前剩余电量则依据当前权重微调，以适应电力实际情况。如果当前无论如何调整都无法完成目标则会主动请求人工改变派送量。如果满足电力要求则进入步骤S6。

步骤S6：当机器人的坐标进入一条新街道时，判断是否达到目标送货地址所在街道，如果没有则转入步骤S2；如果到达目标所在街道则前往指定派送地点派件，派件结束之后转入步骤S2，同时更新快递信息以及目的地信息。

具体的，由于在现实生活中，送货机器人属于机动车辆，机动车在某一条街道上的行进路线只能是单行道，所以当进入某一条街道后机器人在当前街道的行动轨迹无法改变，所以本公开以进入某条街道为频率去动态更新机器人的前进路径。当机器人的坐标进入一条新街道时，判断是否达到目标送货地址所在街道，如果没有则转入步骤S2。如果到达目标所在街道则前往指定派送地点派件，派件结束之后转入步骤S2，同时更新快递信息以及目的地信息。若所有快件都已经派送完毕则执行机器人返回操作。

实施例2

本实施例提供了多目标下的物流机器人配送路径动态自动规划系统，包括：

数据优化模块，被配置为从子问题的种群中选取父代，使用进化方法产生子代，将子代进行变异生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；

进一步的，所述数据采集模块、数据处理模块、数据优化模块和配送方案确定模块所被配置的具体方式分别对应上述实施例中所述的多目标下的物流机器人配送路径动态自动规划方法的具体步骤。

实施例3

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上述实施例中所述的多目标下的物流机器人配送路径动态自动规划方法。

实施例4

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上述实施例中所述的多目标下的物流机器人配送路径动态自动规划方法。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.多目标下的物流机器人配送路径动态自动规划方法，其特征在于，包括：

获取多目标机器人所有可能的路径；

从单目标子问题的种群中选取父代，通过进化方式生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；从而进入算法的第一层进化优化；所述提供一组可行的配送方案的步骤包括：

从子问题的种群中得到当前父代个体，随机从种群中选取另一个父代个体，通过单点交叉方式依据交叉概率进行交叉，生成子代，然后将子代进行变异获取新个体；其中，变异的方式为在个体的基因上随机选择一点使其0，1互换；

通过聚合函数判断新个体是否可行，若可行则判断是否优于任一父代个体，若优于则替换其中之一，形成新的种群；

根据预设权重从一组可行的配送方案中选择最终配送方案进行配送；所述选择最终配送方案进行配送步骤包括：将预设权重下的全局最优解进而二次优化获取最终配送方案，所述二次优化以路径的消耗代价为优化目标，具体包括：

步骤4.1：依据当前点坐标与剩余待配送的目标点，算法初始化一个当前解；并且依据当前权重下的最优路径计算当前点到各个目标点路径在目标1与目标2下的消耗代价；

步骤4.2：采用变异方式生成新的解，同时计算以当前解为配送顺序时的消耗代价；

步骤4.3：比较新的解的消耗代价和当前解的消耗代价；如果新的解的消耗较小于当前解的消耗代价则替换掉当前解，同时使得计数参数重置为零，并返回步骤4.2；否则不发生替换同时使得计数参数加一，并判断技术参数是否达到设定值，若未达到并返回步骤4.2，若达到则进入步骤4.4；

步骤4.4：当计算参数大于设定值时，输出最终决策，以最终决策作为最终选择的路径；

判断当前路径的预计电力消耗是否大于当前剩余电量，若大于则依据当前权重微调获取新的路径，以获取满足电力实际需求下的配送路径。

2.如权利要求1所述的多目标下的物流机器人配送路径动态自动规划方法，其特征在于，所述获取多目标机器人所有可能的路径步骤包括：获取起始点坐标、多个目的地坐标和地图信息，依据地图信息确定道路编码和路口编码并生成节点图，根据节点图结合起始点坐标和多个目的地坐标生成多目标机器人路径。

3.如权利要求1所述的多目标下的物流机器人配送路径动态自动规划方法，其特征在于，所述获得各个单目标优化函数的聚合函数步骤包括：

初始化一个机器人路径种群，对种群中所有个体进行编码；

采用的分解方式为切比雪夫的切分方式，将一个动态多目标优化问题转化为一系列动态单目标优化问题，获得各个目标优化函数的聚合函数；

所述聚合函数包括决策变量、维度和权重向量。

4.如权利要求1所述的多目标下的物流机器人配送路径动态自动规划方法，其特征在于，对所有权重的决策进行同时优化，重复上述步骤在优化迭代的次数达到最大迭代次数后输出结果种群；依据结果种群提供一组可行的配送方案。

5.多目标下的物流机器人配送路径动态自动规划系统，其特征在于，包括：

数据优化模块，被配置为从子问题的种群中选取父代，通过进化方式生成新个体，通过聚合函数对新个体进行分析，若新个体可行且优于父代则替换父代；重复上述步骤直至达到最大迭代次数输出结果种群，根据结果种群提供一组可行的配送方案；从而进入算法的第一层进化优化；所述提供一组可行的配送方案的步骤包括：

配送方案确定模块，被配置为根据预设权重从一组可行的配送方案中选择最终配送方案进行配送；

所述选择最终配送方案进行配送步骤包括：将预设权重下的全局最优解进而二次优化获取最终配送方案，所述二次优化以路径的消耗代价为优化目标，具体包括：

6.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1-4任一所述的多目标下的物流机器人配送路径动态自动规划方法。

7.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-4任一所述的多目标下的物流机器人配送路径动态自动规划方法。