本發(fā)明涉及一種物流配送路徑規(guī)劃方法，屬于物流配送技術領域。

背景技術：

郵政速遞物流的業(yè)務一般是借用普通服務的郵政網(wǎng)絡，通過不同地區(qū)的速遞物流營業(yè)網(wǎng)點進行郵件的配送。實際上，郵車在進行配送作業(yè)時，其路徑的選擇一般都是靠郵車司機的配送經(jīng)驗，沒有科學的路徑選擇依據(jù)，對于配送路徑的選擇比較盲目，甚至有時郵車司機現(xiàn)在的是最不合理的配送路徑，遠遠增大了配送環(huán)節(jié)的物流成本，從而使速遞物流企業(yè)得不到滿意的收益。因此，在實際的物流配送中，郵車在營業(yè)網(wǎng)點之間的路徑選擇成為影響速遞物流配送成本高低的關鍵因素。配送路徑安排的合理與否對配送速度、成本、效益影響很大，采用科學、合理的方法對郵車路徑進行優(yōu)化是速遞物流郵車高效率、高質量完成配送任務的關鍵所在。

速遞物流郵車的路徑問題需要研究的是：如何在復雜的交通網(wǎng)絡中快速、科學的尋找合適的行車路線，有效的解決速遞物流配送過程中郵車路徑的選擇問題，以便達到最大限度的減少配送時間，節(jié)省配送過程中產(chǎn)生的成本；可以實現(xiàn)準時運輸，按客戶要求的指定時間段將郵件送到客戶手中，做到人性化服務，更能滿足當今消費者對速遞物流的要求；在完成配送作業(yè)的同時，使配送過程的總成本降低，提高企業(yè)效益，優(yōu)化資源配置，提高物流水平。在眾多解決配送車輛路徑問題的算法中，蟻群算法逐步被應用到車輛路徑優(yōu)化領域中來，成為近年來學者研究優(yōu)化組合問題的熱點，然而蟻群算法在求解實際問題的最優(yōu)路徑時不僅搜索時間過長，而且容易陷入局部最優(yōu)，因此需要在理論層面對蟻群算法的改進是非常必要的。

車輛路徑問題的研究具有重要的理論意義，在解決實際問題時應用范圍廣泛。1959年解決車輛路徑問題的算法被提出后并沒有得到學者們的關注，直到1964年，clarke和wright提出一種danting-ramser方法改進算法—啟發(fā)式danting-ramser節(jié)約算法，由此車輛路徑問題得到了眾多學者的青睞。隨著學者們的不斷研究和探索，車輛路徑問題的研究方法不斷更新和完善，國內越來越多的學者開始研究解決車輛路徑優(yōu)化問題算法。

基于混沌神經(jīng)網(wǎng)絡的路徑優(yōu)化策略，結合供應鏈需要給出允許兩次服務失敗的數(shù)學模型，提出了一種混合神經(jīng)網(wǎng)絡求解算法，解決了供應鏈中隨機需求車輛路徑問題。但是這種方法車輛超負荷運行，利用效率低，管理方法落后，隨著企業(yè)規(guī)模的不斷擴大，配送業(yè)務量以及配送網(wǎng)點的逐漸增多，這種方法不僅不能完成配送業(yè)務，還會還給企業(yè)帶來巨大的成本，造成人力與財力的浪費，嚴重制約了企業(yè)的發(fā)展。

基于多級路徑優(yōu)化的路徑規(guī)劃策略，克服了蟻群算法在信息柵格中路徑優(yōu)化容易陷入單路徑死鎖的弱點，加強蟻群算法搜索的正反饋、高效收斂的優(yōu)勢，避免算法過早或過晚結束而影響劃分算法的整體性能，使得信息柵格節(jié)點調度能依據(jù)任務量和路徑性能進行有效的分配。但是這種方法計算初期信息素匱乏，求解速度慢，當問題規(guī)模較大時，蟻群算法在搜索最優(yōu)路徑時搜索速度過慢，需要耗費大量時間才能得到高質量的解。

基于互信息相似度的混合蟻群算法路徑優(yōu)化策略，為了表示最優(yōu)路徑和待配準路徑之間的互信息熵，在蟻群算法的概率算子中增加了一個新的相似度影響因子，從而可以增加原算法的全局搜索能力，同時可以加速算法在解空間的搜索速度將該算法應用在旅行商問題上，根據(jù)旅行商問題的特定環(huán)境，對混合蟻群算法的算式進行了一定程度的化簡，使得算法在解決此類問題時，相應的時間復雜度降低。但是這種方法當搜索開始進行到一定程度后，所有螞蟻找到的解會與某個或是某些局部最優(yōu)解相近，從而出現(xiàn)停滯現(xiàn)象，導致蟻群算法無法繼續(xù)對解空間進行進一步搜索，不利于發(fā)現(xiàn)全局的最優(yōu)解。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是提供一種提高算法性能和搜索能力，并能夠均衡時間效率和求解效率的物流配送路徑規(guī)劃方法。

本發(fā)明為了解決上述技術問題采用以下技術方案：本發(fā)明設計了一種物流配送路徑規(guī)劃方法，用于完成各個配送點配送路徑的規(guī)劃，首先初始化n＝1，然后執(zhí)行如下步驟：

步驟a.根據(jù)蟻群算法，分別以各個任意配送點為起點，獲得第n次循環(huán)下各條分別覆蓋所有配送點的初級配送路徑，該次循環(huán)下初級配送路徑的數(shù)量等于預設第一數(shù)量，且各條初級配送路徑中分別所經(jīng)過的配送點數(shù)量均等于所有配送點的總數(shù)；同時，基于第n次循環(huán)下各條初級配送路徑的獲得，針對所有配送點，更新各個配送點之間配送路徑上的信息素；然后進入步驟b；

步驟b.針對第n次循環(huán)下各條初級配送路徑，選擇路徑長度低于預設路徑長度閾值的各條初級配送路徑，作為第n次循環(huán)下各條中級配送路徑，然后進入步驟c；

步驟c.采用遺傳算法，針對第n次循環(huán)下各條中級配送路徑進行交叉、變異操作，獲得單條初級最優(yōu)配送路徑，作為第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d；

步驟d.判斷n是否等于預設最大循環(huán)次數(shù)nmax，是則進入步驟e；否則針對n的值進行加1更新，并返回步驟a；

步驟e.針對各次循環(huán)下初級最優(yōu)配送路徑，選擇最短路徑長度的初級最優(yōu)配送路徑，作為最優(yōu)配送路徑，用于完成各個配送點的配送。

作為本發(fā)明的一種優(yōu)選技術方案，所述步驟a包括如下步驟：

步驟a1.針對所有配送點，根據(jù)蟻群算法，將k只螞蟻分別隨機分布在任意配送點上，并構建分別對應各只螞蟻的各個配送禁忌表為空，然后進入步驟a2；其中，k等于預設第一數(shù)量；

步驟a2.分別針對各只螞蟻，根據(jù)螞蟻所在配送點，在排除該螞蟻所對應配送禁忌表中配送點的前提下，通過狀態(tài)轉移概率公式獲得該螞蟻的下一中轉配送點，并將該配送點加入該螞蟻所對應的路徑當中，同時將該配送點加入該螞蟻所對應的配送禁忌表中，如此循環(huán)執(zhí)行本步驟上述操作，直至該螞蟻所經(jīng)過路徑覆蓋所有配送點，由此獲得各只螞蟻分別所對應的路徑，即獲得第n次循環(huán)下的k條初級配送路徑，然后進入步驟a3；

步驟a3.根據(jù)蟻群算法，基于所獲第n次循環(huán)下的k條初級配送路徑，更新各個配送點之間配送路徑上的信息素，然后進入步驟b。

作為本發(fā)明的一種優(yōu)選技術方案，所述步驟c包括如下步驟：

步驟c1.針對所有配送點，分別采用不同數(shù)值進行標記，獲得各個配送點分別所對應的配送標記值，然后進入步驟c2；

步驟c2.根據(jù)各個配送點分別所對應的配送標記值，構建第n次循環(huán)下各條中級配送路徑分別所對應的配送標記值序列，然后進入步驟c3；

步驟c3.采用遺傳算法，針對第n次循環(huán)下的各個配送標記值序列進行交叉、變異操作，獲得單條初級最優(yōu)配送標記值序列，然后進入步驟c4；

步驟c4.根據(jù)各個配送點分別所對應的配送標記值，獲得初級最優(yōu)配送標記值序列所對應的路徑，即第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d。

作為本發(fā)明的一種優(yōu)選技術方案，還包括步驟b-c如下，執(zhí)行完步驟b之后，進入步驟b-c，執(zhí)行完步驟b-c之后，進入步驟c；

步驟b-c.將配送中心節(jié)點加入至第n次循環(huán)下各條中級配送路徑中的開頭，更新第n次循環(huán)下的各條中級配送路徑；

所述步驟c中，針對第n次循環(huán)下的各條中級配送路徑，采用遺傳算法，在保持各條中級配送路徑中開頭節(jié)點不變的情況下，針對各條中級配送路徑進行交叉、變異操作，獲得單條初級最優(yōu)配送路徑，作為第n次循環(huán)下初級最優(yōu)配送路徑。

作為本發(fā)明的一種優(yōu)選技術方案，所述步驟c包括如下步驟：

步驟c1.針對配送中心節(jié)點和所有配送點，分別采用不同數(shù)值進行標記，獲得配送中心節(jié)點和各個配送點分別所對應的配送標記值，然后進入步驟c2；

步驟c2.根據(jù)配送中心節(jié)點和各個配送點分別所對應的配送標記值，構建第n次循環(huán)下各條中級配送路徑分別所對應的配送標記值序列，然后進入步驟c3；

步驟c3.針對第n次循環(huán)下的各個配送標記值序列，采用遺傳算法，在保持各個配送標記值序列中第一個配送標記值不變的情況下，針對各個配送標記值序列進行交叉、變異操作，獲得單條初級最優(yōu)配送標記值序列，然后進入步驟c4；

步驟c4.根據(jù)各個配送點分別所對應的配送標記值，獲得初級最優(yōu)配送標記值序列所對應的路徑，即第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d。

本發(fā)明所述一種物流配送路徑規(guī)劃方法，采用以上技術方案與現(xiàn)有技術相比，具有以下技術效果：

(1)本發(fā)明設計的物流配送路徑規(guī)劃方法，在復雜的交通網(wǎng)絡中快速科學的尋找合適的行車路線，以便最大限度的減少配送時間，節(jié)省配送過程中產(chǎn)生的成本；

(2)本發(fā)明設計的物流配送路徑規(guī)劃方法，可以實現(xiàn)準時運輸，按照客戶要求的指定時間段將郵件送到客戶手中，做到人性化服務，更能滿足當今消費者對速遞物流的要求；

(3)本發(fā)明設計的物流配送路徑規(guī)劃方法，在完成配送作業(yè)的同時，使配送過程的總成本降低，提高企業(yè)效益，優(yōu)化資源配置，提高物流水平；

(4)本發(fā)明設計的物流配送路徑規(guī)劃方法，改進路徑搜索算法，解決蟻群算法在尋找最優(yōu)路徑時存在的求解速度慢，跟不上問題規(guī)模擴大，陷入局部最優(yōu)等缺陷。

附圖說明

圖1是本發(fā)明所設計物流配送路徑規(guī)劃方法的示意圖。

具體實施方式

下面結合說明書附圖對本發(fā)明的具體實施方式作進一步詳細的說明。

蟻群算法是通過信息素的累積和更新來選擇最優(yōu)路徑，具有分布、并行、全局收斂能力，但是搜索初期信息素匱乏，算法運行速度慢；相比之下，遺傳算法具有快速全局搜索能力，但其隨機性較強，無法保證每次都能快速準確地收斂于最優(yōu)解。遺傳算法和蟻群算法各自有各自的優(yōu)勢，而且兩種算法的結合會有很強的互補性，因此本文將遺傳算法引入蟻群算法將極大地提高算法的性能和搜索能力。

為了提高算法的性能和全局搜索能力，彌補蟻群算法和遺傳算法各自的缺陷，我們引入遺傳算法的交叉、變異操作，能夠有效避免在局部搜索過程中的早熟、早收斂現(xiàn)象。利用遺傳算法的隨機搜索、快速、全局收斂性產(chǎn)生所要解決問題的初始解，并將該初始解轉化為蟻群算法的初始信息素分布，然后利用蟻群算法的并行性、正反饋機制以及求解效率高等特點尋求最優(yōu)解，克服了蟻群算法初始信息素匱乏不足的問題，得到時間效率和求解效率都比較好的啟發(fā)式算法。

蟻群算法從第一個城市走到最后一個城市走完所有城市后，對于蟻群算法而言完成了對模型中全部城市的訪問，在這種情況下禁忌表被填滿，通過計算可以得出每只螞蟻走過的路徑長度，兩兩進行對比后選出最短路徑。隨后不斷重復清空禁忌表、更新信息素這兩個過程，一直到完成所需遍歷的次數(shù)或一定的循環(huán)過程中你沒有出現(xiàn)更好的解為止。

應用蟻群算法求解路徑規(guī)劃實際問題，首先應生成具有一定數(shù)量螞蟻的蟻群，每只螞蟻從初始節(jié)點出發(fā)，根據(jù)路徑上的信息素濃度選擇下一個轉移節(jié)點，直到建立起一個解；螞蟻根據(jù)所找到解得好壞程度在經(jīng)過的路徑上釋放與解的質量成正比的信息素；，每只螞蟻開始新的求解過程，直到找到滿意解。

本發(fā)明所設計物流配送路徑規(guī)劃方法中，基于蟻群算法的應用，同時引入遺傳算法，其中，遺傳算法對蟻群算法改進主要通過以下幾個具體步驟實現(xiàn)：

1、復制：即在每一輪搜索后，將父代的最優(yōu)解復制到下一代，使得算法的最優(yōu)個體能夠在算法中得到延續(xù)

2、編碼：對車輛路徑問題的模型進行編碼，將模型中的數(shù)學數(shù)據(jù)轉化為基因數(shù)據(jù)，針對各個客戶點，采用彼此互不相同的數(shù)分別進行標識；針對各輛配送車，同樣采用互不相同的數(shù)值進行分別標記。

3、交叉：遺傳算法中的交叉操作可以增加種群多樣性，將交叉操作引入蟻群算法可以有效的擴大搜索空間，有效避免陷入局部最優(yōu)解。經(jīng)過蟻群算法搜索結束之后，將最優(yōu)解和次優(yōu)解進行交叉，直到得到有效解。

4、變異：在交叉操作形成子代種群基礎上，適度的變異既能保持種群內個體的多樣化，又能提高算法的效率。如種群中最優(yōu)個體的編碼s，在此我們選擇隨機生成兩個不同的自然數(shù)n1，n2，且滿足n1，n2>1，將第n1位的編碼相互對調，則生成新的編碼s’即產(chǎn)生新的配送路徑。

將遺傳算法和蟻群算法進行結合后，算法尋找最優(yōu)解的速度和搜索能力得到了一定的提高，具體從狀態(tài)改變規(guī)則、可見度、信息素更新這三個方面來說明。

1、改進狀態(tài)轉移規(guī)則：為了防止蟻群算法容易陷入局部最優(yōu)解，在蟻群算法的模型中引入一個新的參數(shù)f，當螞蟻k從城市i訪問城市j時，首先在區(qū)間[0,1]上產(chǎn)生一個隨機數(shù)f，當f的值小于參數(shù)f時，螞蟻根據(jù)參數(shù)f選擇下一個城市。改進后的狀態(tài)轉移規(guī)則如下：

加入?yún)?shù)f后，限制了因為螞蟻的正回饋行而導致出現(xiàn)較大誤差解的影響，當螞蟻在對下一個城市進行訪問時，增強了算法的隨機發(fā)現(xiàn)能力，擴大了發(fā)現(xiàn)解的范圍空間，成功的解決了算法過早陷入某個范圍內最優(yōu)解的缺陷。

2、可見度的改進：定義一個城市之間的對比距離uij：uij＝doi+doj-dij，其中doi,doj,dij分別表示城市0中心到城市i的距離，城市0到城市j的距離，城市i到城市j的距離。uij的值越高說明應當在訪問城市i之后直接訪問城市j，因此將改進可見度為：

為避免dij＝0而使可見度趨于無限大，又當分母為1時，ηij＝1，系數(shù)不起作用，在分母上加入常數(shù)c(c>1)可以保證可見度對城市節(jié)點選擇的影響。

3、改進信息素更新規(guī)則：信息素更新中通過信息素揮發(fā)系數(shù)p的引入來提高對尚未訪問路徑的搜索機會，擴大搜索空間，避免過早出現(xiàn)停滯現(xiàn)象。螞蟻k在搜索最優(yōu)路徑過程中，當從節(jié)點i轉移到節(jié)點j后，對節(jié)點i、j之間的信息素按照下式進行局部更新：τ(i,j)←(1-ρ)·τ(i,j)+ρ·δτ(i,j)

其中，δτ(i,j)＝τ0

針對上述遺傳算法對蟻群算法的改進，我們發(fā)現(xiàn)改進蟻群算法在整體結構上保持和蟻群算法一致，只需要在模型中增加遺傳算法的選擇、交叉、變異等操作算子。改進蟻群算法的物流配送路徑優(yōu)化問題的算法流程如下圖所示。

如圖1所示，本發(fā)明所設計一種物流配送路徑規(guī)劃方法，用于完成各個配送點配送路徑的規(guī)劃，實際應用中，我們針對遺傳算法的應用具體分為兩種設計考慮，第一種，在遺傳算法中不涉及到配送中心節(jié)點的考慮，即應用設計遺傳算法中，獲得僅基于各個配送點的最優(yōu)配送路徑，然后由配送中心節(jié)點出發(fā)，沿最優(yōu)配送路徑進行配送；第二種，在遺傳算法中考慮到配送中心節(jié)點，即應用設計遺傳算法中，獲得基于配送中心節(jié)點和各個配送點的最優(yōu)配送路徑，然后直接沿最優(yōu)配送路徑進行配送。

我們首先看第一種對應的實施例，首先初始化n＝1，然后執(zhí)行如下步驟：

步驟a.根據(jù)蟻群算法，分別以各個任意配送點為起點，獲得第n次循環(huán)下各條分別覆蓋所有配送點的初級配送路徑，該次循環(huán)下初級配送路徑的數(shù)量等于預設第一數(shù)量，且各條初級配送路徑中分別所經(jīng)過的配送點數(shù)量均等于所有配送點的總數(shù)；同時，基于第n次循環(huán)下各條初級配送路徑的獲得，針對所有配送點，更新各個配送點之間配送路徑上的信息素；然后進入步驟b。

上述步驟a具體包括如下步驟：

步驟a1.針對所有配送點，根據(jù)蟻群算法，將k只螞蟻分別隨機分布在任意配送點上，并構建分別對應各只螞蟻的各個配送禁忌表為空，然后進入步驟a2；其中，k等于預設第一數(shù)量。

步驟a2.分別針對各只螞蟻，根據(jù)螞蟻所在配送點，在排除該螞蟻所對應配送禁忌表中配送點的前提下，通過狀態(tài)轉移概率公式獲得該螞蟻的下一中轉配送點，并將該配送點加入該螞蟻所對應的路徑當中，同時將該配送點加入該螞蟻所對應的配送禁忌表中，如此循環(huán)執(zhí)行本步驟上述操作，直至該螞蟻所經(jīng)過路徑覆蓋所有配送點，由此獲得各只螞蟻分別所對應的路徑，即獲得第n次循環(huán)下的k條初級配送路徑，然后進入步驟a3。

步驟a3.根據(jù)蟻群算法，基于所獲第n次循環(huán)下的k條初級配送路徑，更新各個配送點之間配送路徑上的信息素，然后進入步驟b。

步驟b.針對第n次循環(huán)下各條初級配送路徑，選擇路徑長度低于預設路徑長度閾值的各條初級配送路徑，作為第n次循環(huán)下各條中級配送路徑，然后進入步驟c。

步驟c.采用遺傳算法，針對第n次循環(huán)下各條中級配送路徑進行交叉、變異操作，獲得單條初級最優(yōu)配送路徑，作為第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d。

上述步驟c具體包括如下步驟：

步驟c1.針對所有配送點，分別采用不同數(shù)值進行標記，獲得各個配送點分別所對應的配送標記值，然后進入步驟c2。

步驟c2.根據(jù)各個配送點分別所對應的配送標記值，構建第n次循環(huán)下各條中級配送路徑分別所對應的配送標記值序列，然后進入步驟c3。

步驟c3.采用遺傳算法，針對第n次循環(huán)下的各個配送標記值序列進行交叉、變異操作，獲得單條初級最優(yōu)配送標記值序列，然后進入步驟c4。

步驟c4.根據(jù)各個配送點分別所對應的配送標記值，獲得初級最優(yōu)配送標記值序列所對應的路徑，即第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d。

步驟d.判斷n是否等于預設最大循環(huán)次數(shù)nmax，是則進入步驟e；否則針對n的值進行加1更新，并返回步驟a。

步驟e.針對各次循環(huán)下初級最優(yōu)配送路徑，選擇最短路徑長度的初級最優(yōu)配送路徑，作為最優(yōu)配送路徑，用于完成各個配送點的配送。

接著看第二種對應的實施例，首先初始化n＝1，然后執(zhí)行如下步驟：

步驟a.根據(jù)蟻群算法，分別以各個任意配送點為起點，獲得第n次循環(huán)下各條分別覆蓋所有配送點的初級配送路徑，該次循環(huán)下初級配送路徑的數(shù)量等于預設第一數(shù)量，且各條初級配送路徑中分別所經(jīng)過的配送點數(shù)量均等于所有配送點的總數(shù)；同時，基于第n次循環(huán)下各條初級配送路徑的獲得，針對所有配送點，更新各個配送點之間配送路徑上的信息素；然后進入步驟b。

上述步驟a具體包括如下步驟：

步驟a1.針對所有配送點，根據(jù)蟻群算法，將k只螞蟻分別隨機分布在任意配送點上，并構建分別對應各只螞蟻的各個配送禁忌表為空，然后進入步驟a2；其中，k等于預設第一數(shù)量。

步驟a2.分別針對各只螞蟻，根據(jù)螞蟻所在配送點，在排除該螞蟻所對應配送禁忌表中配送點的前提下，通過狀態(tài)轉移概率公式獲得該螞蟻的下一中轉配送點，并將該配送點加入該螞蟻所對應的路徑當中，同時將該配送點加入該螞蟻所對應的配送禁忌表中，如此循環(huán)執(zhí)行本步驟上述操作，直至該螞蟻所經(jīng)過路徑覆蓋所有配送點，由此獲得各只螞蟻分別所對應的路徑，即獲得第n次循環(huán)下的k條初級配送路徑，然后進入步驟a3。

步驟a3.根據(jù)蟻群算法，基于所獲第n次循環(huán)下的k條初級配送路徑，更新各個配送點之間配送路徑上的信息素，然后進入步驟b。

步驟b.針對第n次循環(huán)下各條初級配送路徑，選擇路徑長度低于預設路徑長度閾值的各條初級配送路徑，作為第n次循環(huán)下各條中級配送路徑，然后進入步驟b-c。

步驟b-c.將配送中心節(jié)點加入至第n次循環(huán)下各條中級配送路徑中的開頭，更新第n次循環(huán)下的各條中級配送路徑，然后進入步驟c；

步驟c.針對第n次循環(huán)下的各條中級配送路徑，采用遺傳算法，在保持各條中級配送路徑中開頭節(jié)點不變的情況下，針對各條中級配送路徑進行交叉、變異操作，獲得單條初級最優(yōu)配送路徑，作為第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d。

上述步驟c具體包括如下步驟：

步驟c1.針對配送中心節(jié)點和所有配送點，分別采用不同數(shù)值進行標記，獲得配送中心節(jié)點和各個配送點分別所對應的配送標記值，然后進入步驟c2。

步驟c2.根據(jù)配送中心節(jié)點和各個配送點分別所對應的配送標記值，構建第n次循環(huán)下各條中級配送路徑分別所對應的配送標記值序列，然后進入步驟c3。

步驟c3.針對第n次循環(huán)下的各個配送標記值序列，采用遺傳算法，在保持各個配送標記值序列中第一個配送標記值不變的情況下，針對各個配送標記值序列進行交叉、變異操作，獲得單條初級最優(yōu)配送標記值序列，然后進入步驟c4。

步驟c4.根據(jù)各個配送點分別所對應的配送標記值，獲得初級最優(yōu)配送標記值序列所對應的路徑，即第n次循環(huán)下初級最優(yōu)配送路徑，然后進入步驟d。

步驟e.針對各次循環(huán)下初級最優(yōu)配送路徑，選擇最短路徑長度的初級最優(yōu)配送路徑，作為最優(yōu)配送路徑，用于完成各個配送點的配送。

上面結合附圖對本發(fā)明的實施方式作了詳細說明，但是本發(fā)明并不限于上述實施方式，在本領域普通技術人員所具備的知識范圍內，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。