1.一种基于改进遗传算法的多目标车辆配送路径确定方法，其特征在于，包括：获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

根据所述基本信息计算影响车辆配送路径的准则参数；

根据所述准则参数建立目标函数；

以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径；

利用改进的遗传算法选择最优的车辆配送路径，具体包括：

对所述配送中心节点和各所述客户节点进行染色体编码；

通过洗牌算法对各所述客户节点随机排列生成随机个体，生成的所有所述随机个体作为初始种群；所述随机个体的数量达到预设的个体数量；以所述初始种群为当前群体；

以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值；

根据所述适应度值对当前群体中的个体进行选择操作，基于选择操作后的个体进行交叉和变异计算，将交叉变异后的个体作为所述新一代群体的个体；

所述新一代群体为所述当前群体，返回步骤“以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值”，直至种群迭代次数达到预设迭代次数，输出最后一代种群中所述适应度值最大的个体，最后一代种群中所述适应度值最大的个体即为车辆最优配送路径；

利用改进顺序交叉算法对所述选择操作后的个体进行交叉计算，具体包括：从所述选择操作后的个体中随机选择两个个体，记为个体P1和个体P2；

对所述个体P1和所述个体P2分别随机产生两个交叉点，记为交叉点X和交叉点Y；所述交叉点X和所述交叉点Y之间的基因记为交叉段基因；

将所述个体P1中的所述交叉点Y后的基因作为一个整体移至所述个体P1的首部，构成个体P11；将所述个体P2中的所述交叉点Y后的基因作为一个整体移至所述个体P2的首部，构成个体P22；

将个体P2中的所述交叉段基因移至所述个体P11的首部，同时消去所述个体P11中与所述交叉段基因相同的基因，构成个体PC1；

将个体P1中的所述交叉段基因移至所述个体P22的尾部，同时消去所述个体P22中与所述交叉段基因相同的基因，构成个体PC2。

2.根据权利要求1所述的方法，其特征在于，所述准则参数包括行驶时间、碳排放量、燃油成本和道路风险。

3.根据权利要求2所述的方法，其特征在于，所述行驶时间的计算公式为：其中，tij表示任意两节点i和j之间的车辆行驶时间；dij表示任意两节点i和j之间的距离；vij表示任意两节点i和j之间车辆行驶速度；

其中，f(v)为车辆速度的概率密度函数；vd为车辆拥堵速度；vf为车辆自由流速度；vm为介于车辆拥堵速度和车辆自由流速度之间的速度值；

所述碳排放量计算公式为：

其中，eij表示车辆通过任意节点i和j的碳排放量；参数{p,a,b,c,d,h,f}的取值与车辆类型有关。

4.根据权利要求2所述的方法，其特征在于，所述燃油成本的计算公式为：其中，cij表示任意节点i和j之间的车辆燃油成本；γ表示燃油单价；ρ0表示当车辆负载为零时正常行驶单位距离燃料消耗率；ρ1表示当车辆满载时正常行驶单位距离燃料消耗率；G表示车辆载重；M表示货物重量；

所述道路风险计算方法为：

根据任意两节点i和j之间的道路交通标志设置比例、道路路面完好率、交叉口数量、车流量建立道路交通安全评价指标体系，对道路交通安全进行定量分析，得到任意两节点i和j之间的道路风险系数。

5.根据权利要求2所述的方法，其特征在于，所述根据所述准则参数建立目标函数，具体包括：以所述准则参数综合值最小为所述目标函数；

所述目标函数表达式为：

F表示目标函数；wt，wc，we，wr分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量和道路风险的权重；ti′j，ci′j，ei′j，rij′分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量以及道路风险归一化后的值；xijk为0‑1规划变量，表示车辆k是否经过节点i和j；m表示车辆数量；n表示节点数量。

6.根据权利要求5所述的方法，其特征在于，所述目标函数的约束条件为每个客户有且仅由一辆车服务且每辆车所服务的客户需求总量不超过车辆载重。

7.一种基于改进遗传算法的多目标车辆配送路径确定系统，其特征在于，包括：数据获取模块，用于获取确定车辆路径的基本信息；所述基本信息包括配送中心节点和各客户节点的地理位置、客户数量、客户货物需求量以及车辆的最大载重；

准则参数计算模块，用于根据所述基本信息计算影响车辆配送路径的准则参数；

目标函数建立模块，用于根据所述准则参数建立目标函数；

最优的车辆配送路径确定模块，用于以所述目标函数为适应度函数，利用改进的遗传算法确定最优的车辆配送路径；

利用改进的遗传算法选择最优的车辆配送路径，具体包括：

对所述配送中心节点和各所述客户节点进行染色体编码；

通过洗牌算法对各所述客户节点随机排列生成随机个体，生成的所有所述随机个体作为初始种群；所述随机个体的数量达到预设的个体数量；以所述初始种群为当前群体；

以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值；

根据所述适应度值对当前群体中的个体进行选择操作，基于选择操作后的个体进行交叉和变异计算，将交叉变异后的个体作为所述新一代群体的个体；

所述新一代群体为所述当前群体，返回步骤“以所述目标函数为适应度函数，计算当前群体中每个个体的适应度值”，直至种群迭代次数达到预设迭代次数，输出最后一代种群中所述适应度值最大的个体，最后一代种群中所述适应度值最大的个体即为车辆最优配送路径；

利用改进顺序交叉算法对所述选择操作后的个体进行交叉计算，具体包括：从所述选择操作后的个体中随机选择两个个体，记为个体P1和个体P2；

对所述个体P1和所述个体P2分别随机产生两个交叉点，记为交叉点X和交叉点Y；所述交叉点X和所述交叉点Y之间的基因记为交叉段基因；

将所述个体P1中的所述交叉点Y后的基因作为一个整体移至所述个体P1的首部，构成个体P11；将所述个体P2中的所述交叉点Y后的基因作为一个整体移至所述个体P2的首部，构成个体P22；

将个体P2中的所述交叉段基因移至所述个体P11的首部，同时消去所述个体P11中与所述交叉段基因相同的基因，构成个体PC1；

将个体P1中的所述交叉段基因移至所述个体P22的尾部，同时消去所述个体P22中与所述交叉段基因相同的基因，构成个体PC2。

8.根据权利要求7所述的系统，其特征在于，所述目标函数建立模块具体包括：以所述准则参数综合值最小为所述目标函数；所述准则参数包括行驶时间、碳排放量、燃油成本和道路风险；

所述目标函数表达式为：

F表示目标函数；wt，wc，we，wr分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量和道路风险的权重；ti′j，ci′j，ei′j，rij′分别表示任意两节点i和j之间的行驶时间、燃油成本、碳排放量以及道路风险归一化后的值；xijk为0‑1规划变量，表示车辆k是否经过节点i和j；m表示车辆数量；n表示节点数量。