1.一种基于种子优化算法的多目标货运车辆路径规划方法，其特征在于，包括以下步骤：

11)鲁棒多目标优化车辆路径问题种群的初始化及模型构建：对鲁棒多目标车辆路径问题进行种群初始化设置和模型构建；

12)目标函数评估生成路径：客户根据种子优化算法赋值的位置进行优先级服务排序，一组车辆遍历所有客户形成可行路径，形成过程生成所需的车辆数、车辆总旅行距离、鲁棒值、鲁棒预测概率及行驶路线，对其进行评估生成一组可行解，并对其进行初次修剪得到初始非支配解集；

13)种子优化算法引导搜索可行路径：将最优性和鲁棒性融合归一，按归一值升序排序，种子优化算法以此进行搜索最优路径；

14)鲁棒多目标优化车辆路径问题针对不确定因素加干扰：基于现实生活中鲁棒多目标车辆路径问题存在不确定因素，在选定的基准问题上添加扰动并求得扰动状态下的鲁棒最优解；

15)种子优化算法筛选搜索生成鲁棒路径：针对新获取的种群，利用种子优化算法每代产生的解集进行蒙特卡洛实验检查其可行性，可行的解集保留下来，继续进行筛选搜索，直至达到最大迭代次数停止，得到货运车辆服务客户的鲁棒最优路径。

2.根据权利要求1所述的一种基于种子优化算法的多目标货运车辆路径规划方法，其特征在于，所述鲁棒多目标优化车辆路径问题种群的初始化及模型构建包括以下步骤：

21)设置种子种群大小、最大迭代次数、客户数量、客户位置上下限范围、客户被服务时间上限、车辆容载量上限、客户时间窗上下限、不确定因素扰动形式、鲁棒衡量公式、鲁棒预测概率系数、蒙特卡洛测试次数、选择植物种群分布演化模型并设置模型的参数；

客户位置上下限范围position确定如下：

0＜＜position＜＜1，

将每个客户的位置映射为[0，1]中的任意数，位置的大小反映了客户被服务的顺序，优先级值越低、客户被服务调度越早；初始化时，种子个体被编码，其长度等于客户的数量，其中每一个维度对应于一个客户，种子的每个维度都包含一个客户的优先级值；

22)基于带时间窗的车辆路径问题，指定由无向图G＝(V，E)描述，V＝{0，1，2，...，n，n+

1}，顶点集V代表的是仓库和所有的客户；D＝{0，n+1}，顶点0和n+1代表的是出发仓库和返回仓库；V/D代表的是所有的客户；E＝{eij|i，j∈V}，弧集E代表是所有的边，eij代表的是连接顶点i和j的边；di代表每个客户i的需求；[lbi，ubi]代表每个客户i的时间窗；disij代表eij的长度；tij代表在eij上的旅行时间；cij代表在eij上的旅行成本；cap代表每辆车的容载量；B代表车辆的集合；R＝{r1，r2，...，r|R|}，其中每个元素r|R|都是代表客户或仓库的顶点的路径，按服务顺序排序；

23)设定带时间窗的车辆路径问题必须满足的约束条件如下：

其中， xija代表的是车辆a是否经过客户i和j之间的边eij，若经过

边eij则xija＝1，不经过则为0；上述两个式子表示的是所有的路径必须从出发仓库开始，到返回仓库结束，也就是路径的第一个和最后一个元素是0和n+1；

其中a∈B，B是车辆，V代表的是仓库和所有的客户；D＝{0，n+1}，顶点0和n+1代表的是出发仓库和返回仓库；V/D代表的是所有的客户；上述两个式子代表每个客户必须只能被服务一次；

其中，di代表每个客户i的需求，cap代表每辆车的容载量；上述约束表示一条路径上所有客户的需求不能超过车辆的容量；

其中，arri是车辆到达客户i的时间，seri为车辆开始服务客户的时间，[lbi，ubi]代表每个客户i的时间窗，K是标量；上述两个约束表示车辆必须在客户的时间窗口内为客户服务；

上述约束表示：如果车辆是在lbi前到达第i个客户处，则等待至lbi，若是在ubi之后到达客户，则该路径被认为不可行；

24)根据现实场景中多种不确定因素对带时间窗的车辆路径问题的影响，在此设置了不确定因素的扰动形式 代表在确定情况下车辆在边eij上的旅行时间， 代表在不确定因素扰动情况下车辆在边eij上的旅行时间，其中扰动范围由最大扰动程度决定δ∈[‑δmax，δmax]。

3.根据权利要求1所述的一种基于种子优化算法的多目标货运车辆路径规划方法，其特征在于，所述目标函数评估生成路径包括以下步骤：

31)将所有客户编码在一个种子中，客户数量对应于种子的维度，并按照赋予的位置position值由车辆进行排序访问，优先级值越低、客户被服务调度越早；

编码方法为每个客户分配一个优先级值来反映要调度的序列，解码过程根据优先级值对客户进行排序，并采用贪婪策略将客户安排至路径中，基于贪婪解码器，在解码过程中违反约束时贪婪解码器跳过当前客户并继续遍历以下的K个客户，K是用于控制搜索范围的一个预定阈值；

32)路径集R初始化为空集，然后第一个元素为0，意味着车辆从仓库出发，按照贪婪算法取排序好的第一个客户进入路径，若当前客户满足容量约束和时间窗口约束，则将客户添加至路径并从原排序序列中删除，若当前客户违反了约束，则接下来K个客户将被逐个检查其可行性，如果所有K客户都不能满足约束，则停止并构建新路径；如果将新客户添加至路径，则通过添加前一个客户与当前客户之间的旅行时间来更新时间，添加当前客户的需求来更新容量；如果构建一条新的路径，则容量和时间都更新为0，车辆数增加一辆；

33)对解码过程生成的路由基于适应度函数进行适应度评估，适应度函数有三项，一项车辆数、一项总旅行距离、一项鲁棒预测概率；

解码过程中，若当前车辆因为容载量或者时间窗约束，不能继续服务客户时，则再派出车辆去服务剩下的客户，即车辆数依次增加，最终服务完所有客户后，得到所有车辆数；

经过上述解码过程，总旅行距离计算为

route是车辆路径，disroute(i)，route(i+1)是route中客户i到下一个客户的距离；在这里，距离就是两个顶点之间的欧几里得距离，旅行时间和旅行距离呈现正比；

在不确定环境下，利用鲁棒评价指标来衡量解的鲁棒性，当客户到达时间靠近时间窗口的中心，即使有干扰，到达时间也不超过[lbi，ubi]的范围，即认为这样得到的解决方案更具有可行性，因此用到达时间到时间窗口中心的距离来衡量鲁棒程度：arri是车辆到达客户i的时间，[lbi，ubi]代表每个客户i的时间窗；鲁棒值rob越小，对扰动则越不敏感，则鲁棒性越好；

在鲁棒值的基础上，采用抛物线函数对其进行修正，

2

crob＝rob

crob是修正的鲁棒值，修正的鲁棒值越小解更具有稳健性，反之亦然；

在修正鲁棒值crob基础上，使用双曲正割函数对其构建第三个适应度函数鲁棒预测概率，基本公式如下：其中，rpp是鲁棒预测概率， 是鲁棒预测概率系数，修正的鲁棒值crob越小，对应的鲁棒预测概率越大，则具有更好的鲁棒性，获得更多的鲁棒解；

34)对解码过程生成的路径经过适应度函数进行适应度评估后，生成一组可行解，并对其进行非支配排序得到初始非支配解集rep。

4.根据权利要求1所述的一种基于种子优化算法的多目标货运车辆路径规划方法，其特征在于，所述种子优化算法引导搜索可行路径包括以下步骤：

41)对于种群中的个体，在由目标函数评估生成路径的过程中，产生了每个个体pop的车辆数、旅行距离和鲁棒值rob，将车辆数、旅行距离和鲁棒值做权重分配并融合归一，分配比例w1、w2、w3，使w1+w2+w3＝1，并将归一的值作为个体新的引导值fitguide，以此选择引导值fitguide最优的个体作为一号父种；

42)计算方差参数、父种的间距阈值参数和后代分布比例参数，将个体按引导值fitguide排序，之后再进行父种选择，选择引导值fitguide第二优和第三优的作为二号和三号父种，选择三个父种后，判断是否达到切换父种轮换分布方式的阈值；

若达到，则使用赌轮法决定父种后代分布比例，否则每个父种产生相同数量的后代；判断是否迭代次数达到阈值，若满足则进入局部搜索，使用单父种的正态分布进行搜索并产生后代，若没有满足则使用柯西分布进行搜索，产生后代；在局部搜索生成后代后执行变异机制；

43)计算种群的适应度，并将种群pop并入档案archive，之后进行两次局部搜索，第一次局部搜素在50％的概率下，改变客户的位置值position，从而改变优先级，对此进行局部搜索；第二次局部搜索在90％的概率下，删除客户数小于一定数量的路径进行局部搜索；更新档案archive；

44)把当前种群pop和初代非支配解集rep合并，并更新非支配解集rep为新的非支配解集newrep，在新的非支配解集newrep中找最优引导值fitguide的个体，更新为一号父种；

判断是否满足结束条件，不满足则回到42)计算方差参数、父种的间距阈值参数和后代分布比例参数那一步骤，否则种子优化算法引导搜索可行解这一部分结束，最终生成非支配解集newrep和档案newarchive。

5.根据权利要求1所述的一种基于种子优化算法的多目标货运车辆路径规划方法，其特征在于，所述鲁棒多目标优化车辆路径问题针对不确定因素加干扰包括以下步骤：

51)根据现实场景中多种不确定因素对带时间窗的车辆路径问题的影响，设置不确定因素的扰动形式 代表在确定情况下车辆在边eij上的旅行时间， 代表在不确定因素扰动情况下车辆在边eij上的旅行时间，其中扰动范围由最大扰动程度决定δ∈[‑δmax，δmax]，这是不确定旅行时间的扰动形式；

52)对种子优化算法引导搜索可行解获得的非支配解集newrep和档案newarchive进行蒙特卡洛测试，以检查非支配解集newrep和档案newarchive中解的可行性，可行性检查之后，删除所有不可行方案并更新newrep和newarchive为newrep′和newarchive′；对档案newarchive′做非支配排序，将得到的非支配解集与newrep′合并，并更新为PF，若PF为空集，则将种子优化算法引导搜索可行解获得的非支配解集newrep赋给PF；将档案newarchive′中剩余的支配解集作为新的档案newarchive″；

53)为了构造新的初始种群pop′进行接下来的鲁棒优化阶段，对新的档案newarchive″根据鲁棒值rob进行升序排序，如果档案newarchive″中的解的数量大于种群数量N，则选择前N个解作为鲁棒优化阶段的种群；

如果档案newarchive″中的解的数量为0，则初始化一个新的种群N，并对其进行适应度评价和蒙特卡洛测试；

如果档案newarchive″中的解的数量0＜tt＜N，则前tt个个体选择档案newarchive″，后(N‑tt)个个体仍初始化一个新的种群(N‑tt)，并对于进行适应度评价和蒙特卡洛测试；

54)通过计算解的违反程度来衡量在扰动下每个解的鲁棒程度，每个解在扰动下评估一定次数n，第i个解的违反程度计算为其中， 代表的是第i个解是否违反了第j个测试中的时间窗口约束，表示为

arri是车辆到达客户i的时间，ubi代表每个客户i的时间窗上限；

i

综上，对于第i个解决方案，如果violation_degree是0，则将其视为不确定情况下的鲁棒解。

6.根据权利要求5所述的一种基于种子优化算法的多目标货运车辆路径规划方法，其特征在于，所述种子优化算法筛选搜索生成鲁棒路径包括以下步骤：

61)对新的种群pop′，按照13)步种子优化算法引导搜索可行路径的步骤进行，在得到最优解后，增加干扰，即将14)步鲁棒多目标优化车辆路径问题针对不确定因素加干扰的步骤作为可行性检查，在每代增加可行性检查，留下可行解；之后再进行两次局部搜索，第一次局部搜素在50％的概率下，改变客户的位置值position，从而改变优先级，对此进行局部搜索；第二次局部搜索在90％的概率下，删除客户数小于一定数量的路径进行局部搜索；若发生局部搜索，则增加扰动，即增加可行性检查，判断可行性，留下可行的解；

62)把可行的解和52)步骤获得的非支配解集PF合并，并更新非支配解集PF为新的非支配解集PF′，在新的非支配解集PF′中找最优引导值fitguide的个体，更新为一号父种；

判断是否满足结束条件，不满足则回到计算方差参数、父种的间距阈值参数和后代分布比例参数那一步骤，否则种子优化算法筛选搜索生鲁棒解这一部分结束，最终生成新的非支配解集PF′，得到货运车辆服务客户的鲁棒最优路径。