1.一种基于改进遗传算法的物流配送优化方法，其特征在于，所述物流配送优化方法包括以下步骤：

1)获取所在城市的路径基础信息集合E、路径交点集合V、配送车辆的运送成本C、决策变量Xij、路况因子θij、客户点集合I＝{I1,I2,I3,...,IN}、配送中心J、配送中心车辆集合K＝{K1,K2,K3,...,KM}、车辆载重量Q、客户需求量为qL，L∈{1,2,3,...,N}，配送中心到各个客户点的距离为d0i，客户点i到客户点j的距离为dij，i,j∈{1,2,3,...,N}；配送车辆k从客户点i到客户点j时Xij取值为1，否则为0；以配送总里程数最短为目标函数，建立如下数学模型：

2)参数设置：配送车辆的运送成本C、客户点数目N、车辆载重量Q、变异概率R、种群规模S、迭代次数G，约束条件：每条路径上各个客户的货物需求量之和不超过配送车辆的载重，且每个客户仅能由一辆车配送；

3)将城市的路径基础信息、路径交点信息导入ArcMap平台，根据真实道路进行地图矢量化操作和地理配准，利用网络分析模块得到目标区域的网络数据集，并创建表征配送中心和客户点的特征图层；

4)分析获取道路距离成本矩阵D， N表示客户点编号，0表示配

送中心，矩阵中对角线元素d00,d11,…,dNN值为0，d0j表示配送中心0到客户点j的真实道路距离，di0表示客户点i返回配送中心0的真实道路距离，dij表示客户点i到客户点j之间的真实道路距离，i,j∈V且i≠j；

5)编码：采用自然数的编码方式，0表示配送中心，1,2,3,…,N表示客户点的编码；

6)种群初始化，过程如下：

6.1)从客户点集合I中随机选择一个客户点Ir作为初始目标点，并将其添加到染色体的第一个编码位置；

6.2)以Ir为目标中心点，将距离客户点Ir最近的三个客户点按升序排列，记为Ia,Ib,Ic，其权重概率依次赋值为p1,p2,p3，p1＞p2＞p3且p1+p2+p3＝1，利用轮盘赌的思想从Ia,Ib,Ic中随机选择一个客户点Ir′，添加到染色体的第二个编码位置，其中Ir′∈{Ia,Ib,Ic}；

6.3)将目标中心点Ir更新为Ir′，重复步骤6.2)完成相应的权重赋值和添加染色体新的编码操作，直至遍历完集合中的所有客户点，可形成一条初始染色体；

6.4)迭代步骤6.1)至步骤6.3)S次，得到包含S条染色体的初始种群，即S种配送方案；

7)交叉操作，过程如下：

7.1)随机选择两条父代染色体，产生两个小于染色体长度的随机数w1，w2；

7.2)交换父代染色体2中位于w1，w2的客户点片段，并且保留客户点w1，w2之间的路径；

7.3)生成一个子代染色体，使子代染色体中w1到w2的客户点与父代染色体1中w1到w2的客户点相同；

7.4)对比两条父代染色体，将父代染色体1中w1到w2的客户点设为Y，去除父代染色体2中与Y相同的客户点，将父代染色体2中其余客户点按其原有顺序写入子代染色体中，同理，交换父代染色体1、父代染色体2的位置，将生成另外一个子代染色体，计算两条父代染色体和两条子代染色体的适应度fi，适应度函数为目标函数的倒数，选择适应度较高的两条染色体作为交叉操作的结果；

7.5)迭代步骤7.1)至7.4)，遍历所有染色体，得到交叉操作后的所有配送方案；

8)变异操作：产生一个0到1之间的数，若该数小于变异概率R，随机选择染色体中的一个客户点编码，交换该客户点相邻的两个客户点编码，将该染色体作为变异操作的结果，否则保留该染色体，得到变异操作后的配送方案；

9)选择操作：计算变异前后两条染色体的适应度，若变异后染色体的适应度优于变异前染色体的适应度，则接受该染色体，否则以一定的概率接受，接受概率为 ε为变异后染色体的接受概率，Ei为变异前染色体的适应度，Ej为变异后染色体的适应度，通过该操作得到选择后的配送方案；

10)解码操作：在染色体首位基因前和末位基因后添加0，若满足 且

则在染色体的第m个基因后面插入0，即客户点m后需要重新安排车辆，随后重新开始计算，直至遍历完所有客户点，获得配送车辆数目K，得到一个可行解；

11)迭代步骤8)至10)达到最大迭代次数，根据适应度的大小筛选出适应度最高的染色体并进行解码操作，得到目标函数的最优解，即物流配送的最佳路线。