1.一种基于启发式粒子群算法的物流车辆低碳路线规划方法，其特征在于，包括以下步骤：

S1，读取路线规划信息，定义优化目标，设定约束条件：所述路线规划信息包括物流车辆需要访问的客户点数量T、客户具体坐标以及客户所需的物品重量；所述优化目标为所规划路线中车辆的碳排放量最少；

S2，初始化基于启发信息的改进粒子群算法参数：设置改进粒子群算法进化种群规模为N、最大迭代次数为G、邻域搜索最大规模Y、逆转变异选择概率Pr、优先卸货客户点比例α、相似度阈值K设置迭代计数器t＝0；

S3，生成初始候选种群，并计算适应度：采用整数编码，随机生成N个个体，每个个体表示物流车辆前往客户点送货的顺序：X＝{x1,x2,L,xT}

其中，xi(i＝1,2,L,T)表示被服务客户点的标号；计算每个个体的目标值f(X)：其中，dij表示客户i与客户j之间的距离，ε(Mij)表示客户点之间载重与碳排放系数的函数关系：

则个体的适应度为F(X)：

选出种群中的全局极值和每个个体的个体极值；

S4，采用个体多元变异策略对所有个体进行变异：S5，贪婪交叉：

变异后的个体分别与个体极值，全局极值依次贪婪交叉产生新个体，若新生成个体的适应度值更优，则接受新个体，否则，不接受新个体；

S6，更新个体极值和全局极值：根据优胜劣汰的规则在每次迭代中更新个体极值和全局极值；

S7，基于优先卸货的启发信息对个体极值进行局部搜索：首先，从配送中心出发，依次选择距离前一点最近的客户优先服务，直至替代原个体极值的前α*T位，然后，用缺少客户依次替代重复客户，在剩下的(1‑α)*T位中随机产生两个变异点，并在这两点之间进行逆转变异，产生新的个体极值；

S8，基于种群的相似度对全局极值进行精细化搜索：将2‑opt算子作用在全局极值上，接着判断种群中每个个体与全局极值的相似程度，若最小的相似度大于给定的阈值K，则利用点插法对全局极值进一步搜索，t＝t+1；

S9，终止准则判断：

若t>G则终止迭代，输出适应度最优的个体，该个体为规划好的访问客户的顺序，否则t＝t+1，转步骤S4。

2.根据权利要求1所述的基于启发式粒子群算法的物流车辆低碳路线规划方法，其特征在于，步骤S1中，所述读取路线规划信息，定义优化目标，设定约束条件的过程包括以下步骤：

设客户的平面坐标信息{(Ax1,Ay1),(Ax2,Ay2),…,(AxT,AyT)}，问题的规模表示访问客户的数量T，则不同客户间距离为欧式距离计算公式，其定义为：其中，dij表示客户i与客户j之间的距离；

定义优化目标主体为物流车辆在规划路线中的碳排放量，其定义为：其中，ε(Mij)表示客户点之间载重与碳排放系数的函数关系。

定义约束条件包括以下三个：

(1)每个客户必须被服务且仅被服务一次，即：(2)物流车辆从配送中心出发，最终回到该配送中心，即：(3)物流车不得超载，且各客户节点总的需求量不能超过装载量，即：其中，mi(i＝2,3,…,n)表示除仓库点之外每个客户点的需求量，M1表示物流车在从仓库出发时的装载量，M0表示物流车的最大装载量限制。

3.根据权利要求1所述的基于启发式粒子群算法的物流车辆低碳路线规划方法，其特征在于，步骤S4中，变异方式采取交换变异、逆转变异以及插入变异，并为三种变异方式赋予选择概率，基于轮盘赌策略为个体选择变异方式；

采用个体多元变异策略对所有个体进行变异的实现步骤如下：S41，根据输入的逆转变异概率Pr，计算交换变异和插入变异的概率Ps和Pi，其中，S42，基于轮盘赌方式选择变异方式的序号；

S43，如果选择变异方式1，则对个体进行交换变异；

S44，如果选择变异方式2，那么对个体进行逆转变异；

S45，如果选择变异方式3，则对个体进行插入变异；

S46，输出变异后的新个体。

4.根据权利要求1所述的基于启发式粒子群算法的物流车辆低碳路线规划方法，其特征在于，步骤S5中，所述贪婪交叉算子的实现步骤为：S51，确定需要交叉的个体X、个体极值Xpbest以及全局极值Xgbest；

S52，以仓库点作为起始客户S，选择客户S在Xpbest中的左侧客户SLp和右侧客户SRp，在X中左侧客户SLX和右侧客户SRX作为下个访问的候选客户；

S53，在候选客户集{SLp,SRp,SLX,SRX}中，选择距离客户S’，使得由S’和S行成的路径碳排放量最小；

S54，如果客户S’∈{SLp,SLX}，执行S55，否则执行S56；

S55，在X和Xpbest中删除S，将S’作为首个客户S，仅从S左侧客户{SLp,SLX}中选择新的S’作为下一服务客户点，使得S’与S形成的路径碳排放量最小，重复执行S55，直至服务完所有客户，即生成新解Xnew；

S56，在X和Xpbest中删除S，将S’作为首个客户S，仅从S右侧客户{SRp,SRX}中选择新的S’作为下一服务客户点，使得S’与S形成的路径碳排放量最小，重复执行S55，直至服务完所有客户，即生成新解Xnew；

S57，将新解Xnew与全局极值Xgbest再一次进行贪婪交叉，生成新解。

5.根据权利要求1所述的基于启发式粒子群算法的物流车辆低碳路线规划方法，其特征在于，步骤S7中，所述对个体极值局部搜索的具体实现步骤如下：S71，确定个体极值Xpbest、优先服务客户点比例α以及客户规模T；

S72，从配送中心出发，依次选择距离前一点最近的客户点优先服务，直至确定好前α*T个客户点，并用它们替代原个体极值的前α*T位；

S73，确定当前个体极值回路中的缺少客户和重复客户，并用缺少客户依次替代重复客户；

S74，在剩下的(1‑α)*T位中随机产生两个变异点，并在这两点之间进行逆转变异，产生新的个体极值。

6.根据权利要求1述的基于启发式粒子群算法的物流车辆低碳路线规划方法，其特征在于，步骤S8中，所述考虑种群同化程度的全局极值精细化搜索，具体实现步骤为：S81，确定全局极值Xgbest、问题规模T和相似度阈值K；

S82，将2‑opt算子作用在全局极值上，通过随机交换两条边的方式，能够有效打开在回路中的交叉路线；

S83，接着判断种群中每个个体与全局极值的相似程度；

S84，若最小的相似度大于给定的阈值K，则利用点插法对全局极值进一步搜索，通过移动某一点的位置，改变三条边，有助于寻找在无交叉情况下的最优解决方案；

S85，输出通过精细化搜索后的全局极值。