1.一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，包括以下步骤：步骤1、读取数据信息，包括物流车信息、客户数量信息、客户位置信息和客户间的服务成本信息；构建不确定多仓库多物流车路径规划模型，建立优化目标函数以评价路径规划方案的质量；

步骤2、根据客户位置信息和客户间的服务成本信息，构建客户之间的服务成本矩阵，并初始化启发式信息矩阵；初始化蚁群系统算法参数，并使用贪心算法构建不确定多仓库多物流车路径规划方案，并初始化信息素矩阵和仓库权重向量；

步骤2具体为：蚁群系统算法包括蚂蚁团队数量NP、信息素因子α、启发式信息因子β、局部信息素蒸发率ξ、全局信息素蒸发率ρ和伪随机概率q0；

启发式信息是基于客户之间的服务成本所生成的，两个客户i  , j之间的启发式信息ηi,j的计算公式为：；

ei,j代表客户i和客户j之间的服务成本；

通过贪心算法构建一个贪心的多物流车路径规划方案包括以下步骤：步骤2‑1、初始化蚂蚁团队，包含M只蚂蚁；

步骤2‑2、蚂蚁团队的每只蚂蚁随机从客户集合中选择一个客户作为出发点，根据各客户之间的启发式信息选择下一个客户，开始贪心构建物流车路径规划方案；蚂蚁团队初始化一个客户禁忌表tabu，其中包含所有选中的初始客户，初始化每只蚂蚁的路径服务成本为0；

步骤2‑3、蚂蚁团队中的每只蚂蚁根据客户禁忌表获取各自可访问客户集candidates，随后每只蚂蚁从各自的可访问客户集candidates中预选择与各自的当前客户i具有最大启发式信息的客户j；然后，将每只蚂蚁预选客户加入到各自所构建的服务路径中，计算每只蚂蚁的预估路径服务成本；

步骤2‑4、选择预估路径服务成本最小的蚂蚁进行路径构建；将该蚂蚁所预选择的客户加入所构建物流车路径中，同时加入禁忌表，并更新对应的路径服务成本；其他蚂蚁则放弃其预选的客户；

步骤2‑5、重复步骤2‑3到步骤2‑4，直到蚂蚁团队中的每只蚂蚁都无法再选择客户，即所有客户均被物流车所服务，从而得到一个贪心的不确定多仓库多物流车路径规划方案；

步骤2‑6、使用贪心的不确定多仓库多物流车路径规划方案的适应值来赋值信息素初始值τ0，然后将所有信息素矩阵中的信息素初始化为τ0；

步骤3、构建蚂蚁团队群体，其中每个蚂蚁团队包含与物流车数量相同的蚂蚁，每个蚂蚁负责构建一辆物流车的服务路径；每个蚂蚁团队中的每只蚂蚁根据仓库权重向量，自适应选择仓库，作为路径的起始点；随后，每只蚂蚁依据所提出的自适应邻域方法和基于预估路径服务成本的蚂蚁选择技术，结合启发式信息矩阵和信息素矩阵，逐个客户构建物流车的服务路径，同时在路径构建过程中对信息素矩阵进行局部更新；

步骤3具体包括如下步骤：

步骤3‑1、构建NP个蚂蚁团队，每个团队包含M只蚂蚁；

步骤3‑2、采用自适应仓库选择策略确定蚂蚁团队中所有蚂蚁的起始客户；随后开始构建物流车路径规划方案；初始化一个客户禁忌表tabu，包含了所有路径的起始客户，初始化每个蚂蚁的路径服务成本为0；

步骤3‑3、蚂蚁团队中每只蚂蚁根据基于自适应邻域的客户选择机制预选择下一个客户；

步骤3‑4、采用基于预估路径服务成本的蚂蚁选择技术来选择蚂蚁构建物流车路径；将所选中蚂蚁的预选客户加入其所构建物流车路径中，同时加入蚂蚁团队的客户禁忌表，并更新对应的路径服务成本；同时调用局部信息素更新规则，即时更新蚂蚁当前所经过边上的信息素，其他的蚂蚁则放弃其预选客户；

步骤3‑5、重复步骤3‑3和步骤3‑4，直到所有客户全部被选中并进入tabu，从而得到一个不确定多仓库多物流车路径规划方案；

步骤3‑6、重复步骤3‑2到步骤3‑5，直到所有蚂蚁团队都构建了不确定多仓库多物流车路径规划方案；

步骤4、基于所提出的融合2‑opt的路径合并与分割策略，自适应依概率对蚂蚁团队构建出的物流车路径规划方案进行局部搜索操作；

步骤5、设定优化目标，对每个路径规划方案进行评估，并更新全局最优规划方案；采用全局最优规划方案对信息素矩阵进行全局更新；随后，依据每个路径规划方案，对仓库的权重向量进行更新；

步骤6、重复步骤3至步骤5，直至达到迭代终止条件，最终输出全局最优物流车路径规划方案。

2.根据权利要求1所述的一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，步骤1具体为：所述读取数据信息包括客户数量N，客户坐标(xi, yi)，其中, xi, yi分别表示第i个客户的横坐标和纵坐标；客户间的服务成本eij，物流车数量M；

构建不确定多仓库多物流车路径规划模型具体为：给定N个客户和M辆物流车，将车辆服务地图建模为一个完全无向图G = (V, E)，其中V = {(xi, yi) | 1≤i≤N}表示客户集合；E = { eij | i, j∈V }是所有客户之间的边集；每条边上赋有一个权重，表示从客户i到客户j的服务成本；

构建优化目标：

；

；

；

其中，R表示规划方案，Ek表示第k条路径的总服务成本，Rk表示规划方案中的第k条路径， 代表第k条路径第i个客户与第k条路径第i+1个客户之间的服务成本，代表第k条路径第一个客户与第 个客户之间的服务成本，nk表示第k条路径的客户数量，ni表示第i条路径的客户数量。

3.根据权利要求1所述的一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，步骤2‑3中，所述可访问客户集candidates采用如下公式进行获取：；

其中，V表示所有客户的集合，tabu表示禁忌表；

步骤2‑3中，采用如下公式计算蚂蚁的预估服务成本：

；

其中，future_expensei代表第i条路径Ri的预估服务成本，ni代表表示第i条路径的客户数量，prei表示路径Ri对应蚂蚁所预选的客户， 代表客户 与客户prei之间的服务成本,  代表客户 与客户prei之间的服务成本，Ei表示路径服务成本；

步骤2‑4中，进行物流车路径构建的蚂蚁是根据如下公式所选择的，即选择预估服务成本最小的蚂蚁进行路径构建；

；

其中M为物流车数量；在所选择的蚂蚁将预选客户放入其路径后，采用如下公式更新对应的路径服务成本Ei和路径客户个数ni：；

；

步骤2‑6中，使用贪心路径规划方案中最大的路径服务成本来赋值信息素初始值τ0，计算公式为：；

其中N代表客户数量，Egreedy代表贪心算法构建出的求解方案中最大的路径服务成本。

4.根据权利要求1所述的一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，步骤3‑2具体包括如下步骤：步骤3‑2‑1、初始化可访问客户集candidates，其包括所有客户；初始化每个客户作为仓库的初始权重wi；

步骤3‑2‑2、依据信息素浓度，计算集合中所有客户被选择的概率，概率的计算方式为：；

其中，wi,wj分别表示仓库权重向量中客户i与客户j作为仓库的权重，α表示信息素因子；

并采用轮盘赌选择机制选择一个客户作为一个仓库，并将其从可访问客户集candidates中删除，并进行局部权重更新；局部权重更新的方法为：；

其中 是信息素初始值， 为局部蒸发率；

步骤3‑2‑3、重复3‑2‑2，直至找到M个仓库，将仓库分别分配给蚂蚁团队中的M只蚂蚁作为其仓库。

5.根据权利要求1所述的一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，步骤3‑3中，客户选择机制具体为：以当前路径k的最后一个客户i作为当前客户，根据以下公式计算选择客户j的概率：；

其中， 为从客户 i到客户j的信息素浓度，ηi,j为从客户i到客户j的启发式信息， 为从客户i到客户l的信息素浓度，ηi,l为从客户i到客户l的启发式信息，α和β为信息素因子和启发式信息因子，candidates表示可访问客户集，基于禁忌表和自适应领域共同构建而成；

在得到可访问客户集中各个客户的概率后，采用轮盘赌选择机制选择客户；根据候选客户集合中各个客户的概率，采用如下公式选择下一个访问的客户：；

其中，j*代表采用轮盘赌策略按照上述计算的客户选择概率选择的客户，rand(0,1)代表一个0到1之间的随机数，q0代表是一个概率参数，表示蚂蚁将以q0的概率贪心选择信息素浓度和启发式信息最强的客户，pi,l为以i作为当前节点，选择客户l作为下一个节点的概率，以(1‑q0)的概率按照轮盘赌选择机制选择客户。

6.根据权利要求1所述的一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，步骤4具体包括如下步骤：步骤4‑1、根据所有蚂蚁团队所构建的求解方案的适应值，计算每个求解方案执行局部搜索的概率，公式如下：；

k

其中，fit(R)为第k个求解方案的适应值，max(fit)和min(fit)为所有蚂蚁团队中的最大和最小适应值；

为每个求解方案随机生成一个随机数，与对应的概率进行比较，判断其是否会执行局部搜索操作；

步骤4‑2、对每个需要执行局部搜索操作的求解方案，列举求解方案内两条不同的物流车服务路径；

步骤4‑3、为这两条路径各随机选择一个断点，将两条路径在断点处连接在一起，并对合并后的路径进行2‑opt优化；

2‑opt优化具体包括以下步骤：

步骤4‑3‑1、列举合并路径中的任意两个客户，对调这两个客户及两个客户之间的客户序列，计算产生的服务成本减少量，若减少量为正，则应用此次对调；设合并路径中客户i的前一个客户为t，客户j的后一个客户为l，对调客户i和客户j以及两个客户间的客户序列，总路径减少量的计算公式为：；

其中，Δreduce_expensei,j表示对调客户i, j及客户i, j之间的客户序列所产生的服务成本减少量，et,i表示客户t,i之间的服务成本，ej,l表示客户j,l之间的服务成本，et,j表示客户t,j之间的服务成本，ei,l表示客户i,l之间的服务成本；

Δreduce_expensei,j为正，则应用此次对调，而后更新合并路径的总服务成本，计算公式如下所示：；

其中，Emerge表示合并后路径的总服务成本；

步骤4‑3‑2、重复步骤4‑3‑1，直到对调合并路径中的任意两个客户及两个客户之间的客户序列都不会使服务成本减少；

步骤4‑4、在优化后的路径上寻找最优分割点，使得分割后的两条路径服务成本最大值最小；若分割后的最大路径服务成本小于原两条路径的最大服务成本，则表示局部搜索成功，因此，采用局部搜索后的两条路径替换原两条路径，否则局部搜索不成功，放弃该优化，不予替换；

步骤4‑5、重复4‑2到4‑4，直至该方案内的任意两条路径均无法继续优化，此时当前规划方案优化完毕；

步骤4‑6、重复4‑1到4‑5，直至所有需要执行局部搜索的调度方案均执行完所设计的局部搜索策略。

7.根据权利要求1所述的一种基于自适应邻域蚁群系统的多仓库多物流车路径规划方法，其特征在于，步骤5具体包括如下步骤：步骤5‑1、比较所有蚂蚁团队的多物流车路径规划方案的适应值，找到迭代中最优求解方案；

步骤5‑2、将所找到的迭代最优求解方案的适应值与全局最优求解方案的适应值进行比较；若迭代最优求解方案更优，则用该方案替换全局最优求解方案；

在信息素更新阶段，采用全局最优求解方案对信息素进行更新，其信息素浓度更新公式为：；

best

其中，ρ为全局信息素挥发系数， R 为全局最优求解方案， 为从客户 i到客户j的信息素浓度；

在步骤5中，仓库权重向量更新公式为：

；

wi表示仓库权重向量中客户i作为仓库的权重。

8.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1所述方法的步骤。