1.一种基于改进遗传模拟退火算法的多式联运路径优化方法，其特征在于：通过多种运输方式组合的方式处理货运工作，多种运输方式组合的运输方案通过以下步骤得到：S1、依据货物运输路线图，确定图中各站点的位置，列出站点之间的距离；

S2、建立用于多式联运路径优化的多目标模型；过程如下：

S2‑1、设定目标函数，使总成本最小化，包括货物运输的运输成本、中转成本和时间成本：式(1)中，P为运输节点的集合，i,j∈P；K为铁路运输、公路运输、水路运输三种运输方式的集合； 为在节点j处由运输方式k转换成运输方式l； 为自节点i到节点j选择运输方式k进行运输； 自节点i到节点j选择运输方式k进行运输的运输成本； 为自节点i到节点j选择运输方式k的进行运输的运输时间； 为在中转节点j处由运输方式k转换成运输方式l的中转成本； 为在中转节点j处由运输方式k转换成运输方式l的中转时间； 为自节点i到节点j选择运输方式k的运输距离；vk为运输方式k的运输速度；q为运输箱数；

S2‑2、约束条件：

其中，式(3)代表在两个节点之间只能够选取一种运送方式；式(4)表示在任意节点转换运送方式时，只能由一种运送方式转换成另一种运送方式；式(5)表示运输总时间要小于客户需求时间；式(6)为决策变量约束；式(7)～式(8)表示决策变量的取值范围非1即0；S3、通过改进的遗传模拟退火算法求解步骤S2建立的多式联运路径优化模型，从而得到最优运输方案；具体过程如下：S3‑1、输入参数：运输距离、运输箱数、中转费用、运输费用、中转时间；

S3‑2、初始化遗传模拟退火算法相关参数；

S3‑3、用深度优先搜索算法寻找初始化可行解域，产生二分之一的初始种群，剩下的二分之一随机生成；生成多条路径，设置迭代次数，k＝0；

S3‑4、计算每条当前路径的适应度；

S3‑5、依据适应度选出适应度最高的初始路径；

S3‑6、通过选择交叉变异方式得到的遗传种群mupop；

S361、mupop中选择最优秀的R个子代组成NN种群；

S362、基于NN种群，通过模拟退火优化算子得到temp种群；

S363、将temp和mupop组成newpop种群，计算其目标函数值，为了保持遗传种群数量popsize不变，选择最优前popsize子代构成新的mupop；

S364、开启下一轮迭代循环；

S365、选择总成本最低即目标函数最小的候选解决方案；

S366、判断k是否大于设定的迭代次数L，若是，则步骤S365得到的候选解决方案为最终最佳的解决方案，否则，返回步骤S3‑4。

2.根据权利要求1所述的一种基于改进遗传模拟退火算法的多式联运路径优化方法，其特征在于：步骤S3‑3中运用深度优先搜索优化初始解集，寻找多式联运的可行解方法如下：S331、输入不同运输方式对应的距离矩阵，D1，D2，D3，对角线元素为0，其他位置不连通为一个极大值；

S332、将距离矩阵D1，D2，D3，输入到get_M_P函数中得到M和P元胞数组，其中M数组为任意两点之间可选择的运输方式编号，P数组中存储的是每个点可以到达的其他节点的编号集合；

S333、通过深度搜索法构造的函数proM搜索得到若干可行解，并通过test函数判断是否经过重复的节点，若经过则放弃改解，重新搜索；

S334、得到的若干可行解构成初始化可行解域。

3.根据权利要求1所述的一种基于改进遗传模拟退火算法的多式联运路径优化方法，其特征在于：所述步骤S3‑4中，计算的适应度用于评估当前的解决方案，计算公式如下：式(9)中，f1＝minQ1,f2＝minQ2,a+b＝1，f1为货物运输的最小运输成本，f2为货物运输的最小时间成本；a,b为权重系数，用于平衡或调整f1和f2在适应度值计算中的影响力。

4.根据权利要求1所述的一种基于改进遗传模拟退火算法的多式联运路径优化方法，其特征在于步骤S362的具体为：(1)针对NN中每一个个体N1，在相同的温度下，生成H(链长)个领域解；

(2)在Metropolos函数中输入原解N1、N2；

(3)通过Metropolos准则选择性的接受新解，得到NN1，加入到temp种群中；

(4)按照降温速率进行降温。