基于改进后蚁群算法的传统经销商最优配送路线优化系统

摘要

本申请公开了基于改进后蚁群算法的传统经销商最优配送路线优化系统。该系统包括：最优配送路线确定模块，用于确定经销商至配送商之间的最优配送路线；最优配送路线优化模块，用于基于改进的蚁群算法对最优配送路线进行优化；改进的蚁群算法中配置有逆转变异规则，逆转变异规则为：当蚁群个体所走路径满足预设的逆转变异条件时，将蚁群个体进行预设变异次数的逆转变异。该系统能够提高配送路线的优化效率，实现高效且准确地优化配送路线。

说明书

技术领域

本申请是关于路径规划，特别是关于一种基于改进后蚁群算法的传统经销商最优配送路线优化系统。

背景技术

目前，在传统经销商进行货物配送之前，通过一些算法实现配送路线的规划，按照这些规划的配送路线进行货物的配送，能够尽可能的提高配送效率，或者降低配送成本。因此，路线规划的算法选取对于经销商来说较为重要。

现有技术中，常用的路线规划算法为蚁群算法，蚁群算法是一种用来寻找优化路径的概率型算法。将蚁群算法应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。

在传统蚁群模型中群体基数大时，由于信息素搜索的初始阶段路径上信息量少，很难以较短的时间从大量的路径中检索出一条较好路径。

因此，现有的蚁群算法实现路径优化的过程中，由于蚁群的搜索机制的问题，导致搜索效率较低，从而不能实现配送路线的高效优化。

公开于该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本申请的目的在于提供一种基于改进后蚁群算法的传统经销商最优配送路线优化系统，其能够提高配送路线的优化效率，实现高效且准确地优化配送路线。

为实现上述目的，本申请的实施例提供了基于改进后蚁群算法的传统经销商最优配送路线优化系统，包括：最优配送路线确定模块，用于确定经销商至配送商之间的最优配送路线；最优配送路线优化模块，用于基于改进的蚁群算法对所述最优配送路线进行优化；所述改进的蚁群算法中，配置有逆转变异规则，所述逆转变异规则为：当蚁群个体所走路径满足预设的逆转变异条件时，将蚁群个体进行预设变异次数的逆转变异，所述预设的逆转变异条件表示为：d1+d2＜d3+d4；其中，d1为第一蚁群个体当前所走路径与第二蚁群个体当前所走路径之间的距离，d2为第三蚁群个体当前所走路径与第四蚁群个体当前所走路径之间的距离，d3为所述第一蚁群个体当前所走路径与所述第三蚁群个体当前所走路径之间的距离，d4为所述第二蚁群个体当前所走路径与所述第四蚁群个体当前所走路径之间的距离；所述第三蚁群个体为所述第一蚁群个体的下一个蚁群个体，所述第四蚁群个体为所述第二蚁群个体的下一个蚁群个体，逆转变异的蚁群个体为所述第三蚁群个体与所述第二蚁群个体。

在本申请的一个或多个实施方式中，所述改进的蚁群算法中包括：启发式因子、移动概率选择规则和信息素更新规则。

在该实施例中，通过配置启发式因子、移动概率选择规则和信息素更新素，提高改进的蚁群算法的准确性。

在本申请的一个或多个实施方式中，所述启发式因子基于配送商所需产品总质量和对应的蚁群个体所走路径的距离确定。

在该实施例中，基于配送商所需产品总质量和对应的蚁群个体所走路径的距离确定启发式因子，实现蚁群算法的启发式因子的有效确定。

在本申请的一个或多个实施方式中，所述移动概率选择规则基于蚁群个体所走路径的启发式因子、蚁群个体在所走路径留下的信息素浓度、蚁群个体的可选路径节点集合、信息素重要程度和启发式因子重要程度确定。

在该实施方式中，基于蚁群个体所走路径的启发式因子、蚁群个体在所走路径留下的信息素浓度、蚁群个体的可选路径节点集合、信息素重要程度和启发式因子重要程度，实现移动概率选择的有效确定。

在本申请的一个或多个实施方式中，所述信息素更新规则为：基于目标路径的信息素总量、所述目标路径的路径长度和信息素挥发因子更新信息素；其中，所述目标路径为：在预设的各个成本限制条件下，使得总成本最小的路径。

在该实施方式中，基于目标路径的信息素总量、目标路径的路径长度和信息素挥发因子，实现信息素的有效更新。

在本申请的一个或多个实施方式中，所述最优配送路线优化模块还用于：分别计算所述最优配送路线和优化后的最优配送路线在不同维度下的配送成本；比较所述最优配送路线和优化后的最优配送路线在不同维度下的配送成本；若所述最优配送路线在不同维度下的配送成本均高于所述优化后的最优配送路线的配送成本，确定所述优化后的最优配送路线为最终的配送路线；若所述最优配送路线在至少一个维度下的配送成本低于所述优化后的最优配送路线的配送成本，对所述改进的蚁群算法中配置的逆转变异规则进行更新，并基于更新逆转变异规则的改进的蚁群算法再次对所述最优配送路线进行优化。

在该实施方式中，在确定优化后的最优配送路线之后，通过比较最优配送路线和优化后的最优配送路线在不同维度下的配送成本，并基于不同维度下的配送成本更新逆转变异规则，实现最优配送路线的更准确的优化。

在本申请的一个或多个实施方式中，所述最优配送路线优化模块对所述改进的蚁群算法中配置的逆转变异规则进行更新，包括：若所述最优配送路线在一个维度下的配送成本低于所述优化后的最优配送路线的配送成本，增加所述预设变异次数；若所述最优配送路线在至少两个维度下的配送成本低于所述优化后的最优配送路线的配送成本，当蚁群个体所走路径满足预设的逆转变异条件时，逆转变异的蚁群个体更新为所述第一蚁群个体与所述第四蚁群个体。

在该实施方式中，在不同的情况下，通过增加预设变异次数，以及变更逆转变异的蚁群个体，实现逆转变异规则的有效更新，使更新后的逆转变异规则能够在保证蚁群搜索效率的同时，保证蚁群搜索结果的准确性。

在本申请的一个或多个实施方式中，所述最优配送路线确定模块具体用于：通过预设的多种配送路线确定算法确定出经销商至配送商之间的多条最优配送路线，每种配送路线确定算法对应至少一条最优配送路线；分别计算所述多条最优配送路线在不同维度下的配送成本，并基于不同维度下的配送成本确定所述多条最优配送路线分别对应的总配送成本；将总配送成本最小的最优配送路线确定为最终的最优配送路线。

在该实施方式中，最初的最优配送路线可以基于多种配送路线确定，并且，该最优配送路线为从中确定出的配送成本最小的配送路线，以便于改进后的蚁群算法实现更高效的搜索。

在本申请的一个或多个实施方式中，所述最优配送路线包括：经销商分别至多个配送商之间的多条最优配送路线；所述最优配送路线优化模块具体用于基于改进的蚁群算法分别对所述多条最优配送路线进行优化，获得优化后的多条最优配送路线；所述最优配送路线优化模块还用于：基于所述改进的蚁群算法对所述多条最优配送路线进行合并，以得到合并后的至少一条优化后的最优配送路线。

在该实施方式中，针对多个配送商分别对应的优化的最优配送路线，还可以利用改进的蚁群算法实现进一步的优化，使最终得到的最优配送路线符合最优需求。

本申请的实施例还提供一种基于改进后蚁群算法的传统经销商最优配送路线优化方法，包括：确定经销商至配送商之间的最优配送路线；基于改进的蚁群算法对所述最优配送路线进行优化；所述改进的蚁群算法中，配置有逆转变异规则，所述逆转变异规则为：当蚁群个体所走路径满足预设的逆转变异条件时，将蚁群个体进行预设变异次数的逆转变异，所述预设的逆转变异条件表示为：d1+d2＜d3+d4；其中，d1为第一蚁群个体当前所走路径与第二蚁群个体当前所走路径之间的距离，d2为第三蚁群个体当前所走路径与第四蚁群个体当前所走路径之间的距离，d3为所述第一蚁群个体当前所走路径与所述第三蚁群个体当前所走路径之间的距离，d4为所述第二蚁群个体当前所走路径与所述第四蚁群个体当前所走路径之间的距离；所述第三蚁群个体为所述第一蚁群个体的下一个蚁群个体，所述第四蚁群个体为所述第二蚁群个体的下一个蚁群个体，逆转变异的蚁群个体为所述第三蚁群个体与所述第二蚁群个体。

与现有技术相比，根据本申请实施方式的基于改进后蚁群算法的传统经销商最优配送路线优化系统及方法，对传统的蚁群算法进行改进，在传统的蚁群算法中加入逆转变异规则，通过该逆转变异规则，在蚁群进行搜索时，在较短的时间即可实现相同次数的运算，减少计算耗用的时间，并且变异算子可以将新一代的性能提高，从而提高整个蚁群的性能。因此，在蚁群的性能提高的基础上，基于该改进后的蚁群算法，不仅可以提高配送路线的优化效率，还能够保证优化的配送路线的准确性，实现高效且准确地优化配送路线。

附图说明

图1是根据本申请一实施方式的基于改进后蚁群算法的传统经销商最优配送路线优化方法的流程图；

图2是根据本申请一实施方式的基于改进后蚁群算法的传统经销商最优配送路线优化系统的结构示意图；

图3是根据本申请一实施方式的电子设备的结构示意图。

200-基于改进后蚁群算法的传统经销商最优配送路线优化系统；210-最优配送路线确定模块；220-最优配送路线优化模块。

具体实施方式

下面结合附图，对本申请的具体实施方式进行详细描述，但应当理解本申请的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

本申请实施例的技术方案可以应用于各种路线规划的应用场景中，并且，规划的路线用于经销商配送商品。所配送的商品可以是各种类型的商品，例如：冷链食品，对应的配送车为冷藏车；再例如：普通货物，对应的配送车为货车等。

在不同的应用场景中，基于配送的商品的特性，或者配送车辆的特性，再或者配送环境（例如向比较偏远的地区进行物品配送），在进行配送路线的规划时，考虑的限制条件可能不相同。

例如，对于冷链食品的配送来说，需要考虑多个方面的成本，包括但不限于：货物进入冷藏库的存储成本、冷藏车配送过程中的固定成本、冷藏车配送过程中的制冷成本、冷藏车配送过程中的货损成本、碳排放成本等。

基于这些成本限制条件，在设计路线规划算法时，会将这些成本限制条件加入到算法模型中，进而，算法在运行时，会基于这些成本限制条件进行路线规划。

并且，在不同的应用场景中，各类成本的计算方式，也需要结合具体的应用场景进行配置。

在本申请实施例中，对于限制条件这一部分，并未作改进。即，蚁群算法仍然可以结合不同的应用场景，采用本领域成熟的技术中，一些限制条件的配置方式，或者不同的成本的计算方式。而在本申请实施例提供的技术方案中，主要对蚁群算法所采用的搜索策略进行改进，即，对蚁群个体的路径搜索策略进行改进，使各个蚁群个体能够更快的搜寻到符合限制条件的路径。

在蚁群算法中，蚂蚁找到最短路径要归功于信息素和环境，假设有两条路可从蚁窝通向食物，开始时两条路上的蚂蚁数量差不多：当蚂蚁到达终点之后会立即返回，距离短的路上的蚂蚁往返一次时间短，重复频率快，在单位时间里往返蚂蚁的数目就多，留下的信息素也多，会吸引更多蚂蚁过来，会留下更多信息素。而距离长的路正相反，因此越来越多的蚂蚁聚集到最短路径上来。

蚂蚁具有的智能行为得益于其简单行为规则，该规则让其具有多样性和正反馈。在觅食时，多样性使蚂蚁不会走进死胡同而无限循环，是一种创新能力；正反馈使优良信息保存下来，是一种学习强化能力。两者的巧妙结合使智能行为涌现，如果多样性过剩，系统过于活跃，会导致过多的随机运动，陷入混沌状态；如果多样性不够，正反馈过强，会导致僵化，当环境变化时蚁群不能相应调整。

因此，在设计蚁群算法时，可以对蚁群算法作各种配置，以使蚁群个体可以按照配置的规则进行路径查找。

基于上述应用场景的介绍，本申请实施例提供的技术方案的硬件运行环境可以是：经销商系统，该经销商系统的形式可以是：服务器、客户端、服务器+客户端等的形式，在此不作限定。

为了便于理解，接下来先从方法侧的角度介绍本申请实施例的技术方案。

如图1所示，为本申请实施例提供的基于改进后蚁群算法的传统经销商最优配送路线优化方法的流程图，该优化方法包括：

步骤110：确定经销商至配送商之间的最优配送路线。

结合前述的应用场景的介绍，此处的经销商可以是各种待配送物品的经销商，在不同的应用场景中，对应的待配送物品不相同，此处不作限定。

对于经销商来说，一般会给多个配送商配送物品。因此，此处的配送商可以是一个配送商，也可以是多个配送商。对应的，最优配送路线，可以是经销商至一个配送商的最优配送路线；也可以包括经销商分别至多个配送商的最优配送路线，即分别通过各个最优配送路线，实现经销商至多个配送商的物品配送；还可以是经销商至多个配送商的最优配送路线，即，通过该最优配送路线，可实现经销商至多个配送商的物品配送。

此处的最优配送路线，可以理解为初始的配送路线，在该最优配送路线中，包括多个路线节点，例如：从A地到B地，中间可能经过C-F地，则C-F地均属于路线节点。

作为一种可选的实施方式，步骤110包括：通过预设的多种配送路线确定算法确定出经销商至配送商之间的多条最优配送路线；分别计算多条最优配送路线在不同维度下的配送成本，并基于不同维度下的配送成本确定多条最优配送路线分别对应的总配送成本；将总配送成本最小的最优配送路线确定为最终的最优配送路线。

在这种实施方式中，可利用一些常规的配送路线确定算法确定出经销商至配送商之间的多条最优配送路线。此处的多条最优配送路线包括：每种配送路线确定算法所确定出的最优配送路线。可以理解，由于不同的配送路线确定算法的规则不同，所以确定出的最优配送路线可能相同，也可能不同。

其中，预设的配送路线确定算法，可采用本领域成熟的配送路线的确定方式，在此不作详细介绍。

因此，针对多条最优配送路线，可以先进行去重处理。即，对于多条最优配送路线中，相同的最优配送路线，仅保留一条最优配送路线即可，其他的保留。其中，相同的最优配送路线指的是路线节点和路线行走方式均相同的路线，即，需路线节点，和路线节点之间的次序需要完全相同，如果仅是路线节点相同，但是行进的方式不同，也不属于相同的最优配送路线。

在作去重处理之后，得到多条最优配送路线，此时，分别计算这多条最优配送路线在不同维度下的配送成本。此处的不同维度，在不同的应用场景中，可以灵活配置，例如：时间成本、路费成本、其他的特殊成本等，在此不作限定。

在确定不同维度下的配送成本之后，可以基于不同维度下的配送成本确定多条最优配送路线分别对应的总配送成本。

在一些实施例中，总配送成本为不同维度下的配送成本的和。在另一些实施例中，总配送成本为不同维度下的配送成本的加权和。即，针对不同的维度的成本，对应设置一个权重值，先将各个配送成本与权重值相乘得到加权成本值，再求和。

在确定多条最优配送路线分别对应的总配送成本之后，将总配送成本最小的配送路线确定为最终的最优配送路线即可。若总配送成本最小的配送路线包括多条，则可以将其中的任意一条配送路线确定为最终的最优配送路线；也可以将其中的指定维度下配送成本最小的配送路线确定为最终的最优配送路线；或者采用其他确定方式，在此不作限定。

在该实施方式中，最初的最优配送路线可以基于多种配送路线确定，并且，该最优配送路线为从中确定出的配送成本最小的配送路线，以便于改进后的蚁群算法实现更高效的搜索。

此外，若步骤110中涉及多个经销商分别对应的最优配送路线，则对于每个经销商来说，都按照上述的实施方式确定最优配送路线。

进一步地，步骤110中所确定的最优配送路线，可能只考虑了一些成本限制条件，或者说并未进行更全面的搜索，此时，可以利用改进的蚁群算法作进一步地搜索。对于改进的蚁群算法来说，可以基于最优配送路线中的各个路线节点所构成的一些路径，重新进行路径规划，以实现路线的优化。

步骤120：基于改进的蚁群算法对最优配送路线进行优化。

改进的蚁群算法中，配置有逆转变异规则，逆转变异规则为：当蚁群个体所走路径满足预设的逆转变异条件时，将蚁群个体进行预设变异次数的逆转变异，预设的逆转变异条件表示为：d1+d2＜d3+d4；其中，d1为第一蚁群个体当前所走路径与第二蚁群个体当前所走路径之间的距离，d2为第三蚁群个体当前所走路径与第四蚁群个体当前所走路径之间的距离，d3为第一蚁群个体当前所走路径与第三蚁群个体当前所走路径之间的距离，d4为第二蚁群个体当前所走路径与第四蚁群个体当前所走路径之间的距离；第三蚁群个体为第一蚁群个体的下一个蚁群个体，第四蚁群个体为第二蚁群个体的下一个蚁群个体，逆转变异的蚁群个体为第三蚁群个体与第二蚁群个体。

该逆转变异规则为遗传算法中，仿照物种进化的过程完成种群变异，使得算法拥有随机搜索能力。根据遗传算法变异算子的思想改进传统蚁群模型，将循环过程简化，将蚁群个体位于s1+1和s2处的两者颠倒，实现“变异”，在全局搜索能力的基础上增加一定的局部搜索能力，缩短搜索时间。

其中，s1可以理解为上述的第一蚁群个体，s2可以理解为第二蚁群个体，而s1+1为第三蚁群个体，s2+1为第四蚁群个体。则，当这四个蚁群个体满足d1+d2＜d3+d4该变异条件时，便可以将第三蚁群个体与第二蚁群个体的位置作预设次数的变异。

在一些实施例中，第一蚁群个体、第二蚁群个体、第三蚁群个体以及第四蚁群个体当前所走路径指的是，从路线节点i到路线节点j的路径，对应的，蚁群个体当前所走路径之间的距离，可以是路径的起点之间的距离，路径的终点之间的距离，或者当前所处位置之间的距离，又或者路径的中心位置之间的距离等，在此不作限定。

在应用时，针对每个蚁群个体，都会找到其对应的蚁群个体，然后作上述逆转变异规则的判断，若满足逆转变异规则的条件，则会对该蚁群个体的位置作逆转之后，再继续蚁群个体的路径搜索。

因此，上述的逆转变异规则，可以理解为，在蚁群个体的路径搜索过程中，对蚁群个体的逆转变异，以使逆转变异后的蚁群个体能够实现更快速的搜索。

在一些实施例中，上述的预设的变异次数，可以是随机的变异次数，也可以是指定的变异次数，在此不作限定。

在改进的蚁群算法中，除了包含上述的逆转变异规则，还包括其他蚁群算法所必需的一些规则，如前述实施例中介绍的限制条件，这些限制条件会组成蚁群算法对应的目标函数。对于这些部分，由于本申请实施例并未对这些部分作改进，可结合不同的应用场景，参照本领域成熟的技术，在此不进行详细介绍。

在本申请实施例中，除了在蚁群算法中加入逆转变异规则，还对蚁群算法的一些基本的规则作了配置。

因此，作为一种可选的实施方式，改进的蚁群算法中还包括：启发式因子、移动概率选择规则和信息素更新规则。

其中，启发式因子在移动概率选择规则和信息素更新规则中均可能用到。移动概率选择规则，采用确定性和随机性相结合的选择策略，并在路径搜索中动态调整状态转移概率，即蚁群个体在节点i选择下一个节点j的概率表达。

对于信息素更新规则，所有蚁群个体在形成它们的路径后，判断各个成本限制条件内使得总成本最小的路径，找到该路径，并依据该信息素更新规则对其上蚁群个体产生的信息素进行更新。

在该实施例中，通过配置启发式因子、移动概率选择规则和信息素更新素，提高改进的蚁群算法的准确性。

作为一种可选的实施方式，启发式因子基于配送商所需产品总质量和对应的蚁群个体所走路径的距离确定。

以冷链配送为例，在考虑碳排放的模型中，冷藏车的载重会影响油耗。因此，基于减少污染并保证较少成本的目标下，应在冷藏车辆选择前往下一个路线节点时考虑节约耗油，将配送商的货物需求量与节点间运输距离之比设为启发式因子。从而，节点间距离小、需求量大的情况被安排优先配送，以减少燃油污染，降低配送成本。

因此，在一些实施例中，启发式因子为配送商所需产品总质量和对应的蚁群个体所走路径的距离的比值。其中，对应的蚁群个体所走路径的距离可以理解为路径对应的路径节点i和路径节点j之间的距离。

在该实施例中，基于配送商所需产品总质量和对应的蚁群个体所走路径的距离确定启发式因子，实现蚁群算法的启发式因子的有效确定。

作为一种可选的实施方式，移动概率选择规则基于蚁群个体所走路径的启发式因子、蚁群个体在所走路径留下的信息素浓度、蚁群个体的可选路径节点集合、信息素重要程度和启发式因子重要程度确定。

蚁群个体通过信息素浓度和自启发量，从路径节点i采用一个概率选择机制来决定下一个路径节点j，并且在更新过程中释放一定的信息素。初始时刻，各条路径上的信息素浓度相等，设

基于上述的转移概率，采用确定性和随机性相结合的选择策略，并在路径搜索中动态调整状态转移概率，则可确定蚁群个体在节点i选择下一个节点j的概率。

在该实施方式中，基于蚁群个体所走路径的启发式因子、蚁群个体在所走路径留下的信息素浓度、蚁群个体的可选路径节点集合、信息素重要程度和启发式因子重要程度，实现移动概率选择的有效确定。

作为一种可选的实施方式，信息素更新规则为：基于目标路径的信息素总量、目标路径的路径长度和信息素挥发因子更新信息素；其中，目标路径为：在预设的各个成本限制条件下，使得总成本最小的路径。

在这种实施方式中，所有蚁群个体都形成它们的路径后，判断各个成本限制条件内使得总成本最小的路径，找到该路径后，依据信息素更新规则对其上蚁群个体产生的信息素进行更新。

在更新时，可以基于目标路径的信息素总量、目标路径的路径长度和信息素挥发因子更新信息素，具体所采用的规则，可结合不同的应用场景进行灵活配置，在此不作限定。

其中，信息素挥发因子可结合具体的应用场景进行预设，在此不作限定。

在该实施方式中，基于目标路径的信息素总量、目标路径的路径长度和信息素挥发因子，实现信息素的有效更新。

通过上述的改进的蚁群算法的介绍，在步骤120中，基于上述的改进的蚁群算法中涉及的规则，对改进的蚁群算法的算法模型进行构建，然后将最优配送路线输入构建的算法模型中，算法模型便可输出对应的优化结果，即，优化后的最优配送路线。

在一些实施例中，改进的蚁群算法的算法模型可通过Matlab软件实现构建。并且，还可通过Matlab软件对其进行仿真应用，以验证算法的效果。

在一些实施例中，改进的蚁群算法所输出的优化结果，可能并不一定是符合用户需求的优化结果。因此，在步骤120之后，还可以进行进一步的优化。

作为一种可选的实施方式，该方法还包括：分别计算最优配送路线和优化后的最优配送路线在不同维度下的配送成本；比较最优配送路线和优化后的最优配送路线在不同维度下的配送成本；若最优配送路线在不同维度下的配送成本均高于所述优化后的最优配送路线的配送成本，确定优化后的最优配送路线为最终的配送路线；若最优配送路线在至少一个维度下的配送成本低于优化后的最优配送路线，对改进的蚁群算法中配置的逆转变异规则进行更新，并基于更新逆转变异规则的改进的蚁群算法再次对最优配送路线进行优化。

在这种实施方式中，不同维度下的配送成本，同样在不同的应用场景中，可以有不同的配置方式，在此不作限定。

可以理解，将优化前的最优配送路线和优化后的最优配送路线在不同维度下的配送成本进行比较，若优化前的最优配送路线在不同维度下的配送成本均高于优化后的最优配送路线的配送成本，说明优化后的最优配送路线已经达到了相应的优化效果，此时，可直接确定优化后的最优配送路线为最终的配送路线。

而，若最优配送路线在至少一个维度下的配送成本低于优化后的最优配送路线的配送成本，说明此次优化，可能并不是最好的优化，需要再次优化。为了保证再次优化的优化效果，可以先对改进的蚁群算法中配置的逆转变异规则进行更新，再基于更新逆转变异规则的改进的蚁群算法再次对最优配送路线进行优化。

在该实施方式中，在确定优化后的最优配送路线之后，通过比较最优配送路线和优化后的最优配送路线在不同维度下的配送成本，并基于不同维度下的配送成本更新逆转变异规则，实现最优配送路线的更准确的优化。

作为一种可选的实施方式，对改进的蚁群算法中配置的逆转变异规则进行更新，包括：若最优配送路线在一个维度下的配送成本低于优化后的最优配送路线的配送成本，增加预设变异次数；若最优配送路线在至少两个维度下的配送成本低于所述优化后的最优配送路线的配送成本，当蚁群个体所走路径满足预设的逆转变异条件时，逆转变异的蚁群个体更新为第一蚁群个体与第四蚁群个体。

在这种实施方式中，若最优配送路线在一个维度下的配送成本低于优化后的最优配送路线的配送成本，说明改进的蚁群算法的优化效果还是较好的，可以对其作一些简单的改进，例如：增加预设变异次数，再次进行优化。

若最优配送路线在至少两个维度下的配送成本低于优化后的最优配送路线的配送成本，说明改进的蚁群算法的优化效果存在较大的问题，可以直接改变一下对应的逆转变异规则，例如：将逆转变异的蚁群个体更新为第一蚁群个体与第四蚁群个体，然后再次尝试进行优化。

可以理解，上述的一些改进方式，也可以采用其他的改进方式替代。例如：在优化效果较好的前提下，也可以不改变预设变异次数，而是对算法中的其他规则作改变，例如：限制成本规则等。再例如：在优化效果较差的前提下，也可以不改变逆转变异规则，而是改变其他的概率转移规则、信息素更新规则，或者其他的成本限制条件等，在此不作限定。

在另一些实施例中，也可以结合上述的不同改进方式，即，先随机采用一种改进方式进行改进，若改进之后，优化效果达到预期的优化效果，则不必再改进。若改进之后，优化效果仍然没有达到预期的优化效果，则再采用其他的优化方式进行优化，以此类推，直至优化效果达到预期的优化效果，不再对蚁群算法进行改进。

在该实施方式中，在不同的情况下，通过增加预设变异次数，以及变更逆转变异的蚁群个体，实现逆转变异规则的有效更新，使更新后的逆转变异规则能够在保证蚁群搜索效率的同时，保证蚁群搜索结果的准确性。

在前述实施例中提到，最优配送路线可能是对应多个配送商的配送路线，即，最优配送路线包括：经销商分别至多个配送商之间的多条最优配送路线。

则，在步骤120中，最终确定的优化后的最优配送路线应当也是多个配送商分别对应的优化后的最优配送路线。即，基于改进的蚁群算法分别对多条最优配送路线进行优化，获得优化后的多条最优配送路线。

此时，该方法还可以包括：基于改进的蚁群算法对多条最优配送路线进行合并，以得到合并后的至少一条优化后的最优配送路线。

在这种实施方式中，多条最优配送路线，可作为改进的蚁群算法的输入，该算法模型可基于这多条最优配送路线，进行整合，确定出一条优化的最优配送路线，此时，优化后的最优配送路线对多条最优配送路线进行合并，并且还能起到合并的优化效果。

当然，在一些实施例中，多条最优配送路线可能并不能完美的合并。因此，在合并之后，针对合并的配送路线，还可以与合并前的成本进行比较，若合并的配送路线的成本远大于合并前的成本，则，此次合并无效，仍保留未合并前的多条优化后的最优配送路线。

此外，在基于改进的蚁群算法对多条最优配送路线进行合并时，还可以对蚁群算法涉及到的一些限制条件进行调整，例如：不同维度下的成本限制条件，此时可能需要结合合并后的成本进行考虑。

在该实施方式中，针对多个配送商分别对应的优化的最优配送路线，还可以利用改进的蚁群算法实现进一步的优化，使最终得到的最优配送路线符合最优需求。

通过上述实施例的介绍，与现有技术相比，根据本申请实施方式的技术方案，对传统的蚁群算法进行改进，在传统的蚁群算法中加入逆转变异规则，通过该逆转变异规则，在蚁群进行搜索时，在较短的时间即可实现相同次数的运算，减少计算耗用的时间，并且变异算子可以将新一代的性能提高，从而提高整个蚁群的性能。则，在蚁群的性能提高的基础上，基于该改进后的蚁群算法，不仅可以提高配送路线的优化效率，还能够保证优化的配送路线的准确性，实现高效且准确地优化配送路线。

基于同一发明构思，如图2所示，本申请的实施例还提供一种基于改进后蚁群算法的传统经销商最优配送路线优化系统200，包括：最优配送路线确定模块210和最优配送路线优化模块220。

最优配送路线确定模块210，用于确定经销商至配送商之间的最优配送路线；最优配送路线优化模块220，用于基于改进的蚁群算法对所述最优配送路线进行优化；所述改进的蚁群算法中，配置有逆转变异规则，所述逆转变异规则为：当蚁群个体所走路径满足预设的逆转变异条件时，将蚁群个体进行预设变异次数的逆转变异，所述预设的逆转变异条件表示为：d1+d2＜d3+d4；其中，d1为第一蚁群个体当前所走路径与第二蚁群个体当前所走路径之间的距离，d2为第三蚁群个体当前所走路径与第四蚁群个体当前所走路径之间的距离，d3为所述第一蚁群个体当前所走路径与所述第三蚁群个体当前所走路径之间的距离，d4为所述第二蚁群个体当前所走路径与所述第四蚁群个体当前所走路径之间的距离；所述第三蚁群个体为所述第一蚁群个体的下一个蚁群个体，所述第四蚁群个体为所述第二蚁群个体的下一个蚁群个体，逆转变异的蚁群个体为所述第三蚁群个体与所述第二蚁群个体。

在本申请的一个或多个实施方式中，所述改进的蚁群算法中包括：启发式因子、移动概率选择规则和信息素更新规则。

在本申请的一个或多个实施方式中，所述启发式因子基于配送商所需产品总质量和对应的蚁群个体所走路径的距离确定。

在本申请的一个或多个实施方式中，所述移动概率选择规则基于蚁群个体所走路径的启发式因子、蚁群个体在所走路径留下的信息素浓度、蚁群个体的可选路径节点集合、信息素重要程度和启发式因子重要程度确定。

在本申请的一个或多个实施方式中，所述信息素更新规则为：基于目标路径的信息素总量、所述目标路径的路径长度和信息素挥发因子更新信息素；其中，所述目标路径为：在预设的各个成本限制条件下，使得总成本最小的路径。

在本申请的一个或多个实施方式中，最优配送路线优化模块220还用于：分别计算所述最优配送路线和优化后的最优配送路线在不同维度下的配送成本；比较所述最优配送路线和优化后的最优配送路线在不同维度下的配送成本；若所述最优配送路线在不同维度下的配送成本均高于所述优化后的最优配送路线的配送成本，确定所述优化后的最优配送路线为最终的配送路线；若所述最优配送路线在至少一个维度下的配送成本低于所述优化后的最优配送路线，对所述改进的蚁群算法中配置的逆转变异规则进行更新，并基于更新逆转变异规则的改进的蚁群算法再次对所述最优配送路线进行优化。

在本申请的一个或多个实施方式中，最优配送路线优化模块220对所述改进的蚁群算法中配置的逆转变异规则进行更新，包括：若所述最优配送路线在一个维度下的配送成本低于所述优化后的最优配送路线的配送成本，增加所述预设变异次数；若所述最优配送路线在至少两个维度下的配送成本低于所述优化后的最优配送路线的配送成本，当蚁群个体所走路径满足预设的逆转变异条件时，逆转变异的蚁群个体更新为所述第一蚁群个体与所述第四蚁群个体。

在本申请的一个或多个实施方式中，最优配送路线确定模块210具体用于：通过预设的多种配送路线确定算法确定出经销商至配送商之间的多条最优配送路线；分别计算所述多条最优配送路线在不同维度下的配送成本，并基于不同维度下的配送成本确定所述多条最优配送路线分别对应的总配送成本；将总配送成本最小的最优配送路线确定为最终的最优配送路线。

在本申请的一个或多个实施方式中，所述最优配送路线包括：经销商分别至多个配送商之间的多条最优配送路线；最优配送路线优化模块220具体用于基于改进的蚁群算法分别对所述多条最优配送路线进行优化，获得优化后的多条最优配送路线；最优配送路线优化模块220还用于：基于所述改进的蚁群算法对所述多条最优配送路线进行合并，以得到合并后的至少一条优化后的最优配送路线。

基于改进后蚁群算法的传统经销商最优配送路线优化系统200与前述的基于改进后蚁群算法的传统经销商最优配送路线优化方法对应，各个功能模块与前述的方法的各个步骤也对应，因此，各个功能模块的实施方式参照前述的方法的各个步骤的实施方式，在此不作重复介绍。

请参照图3，本申请实施例还提供一种电子设备300，包括：处理器310和存储器320，处理器310和存储器320通信连接。该电子设备300可作为前述的基于改进后蚁群算法的传统经销商最优配送路线优化方法的执行主体。

其中，存储器320中存储有可被处理器310执行的指令，所述指令被处理器310执行，以使处理器310能够执行前述实施例中所述的基于改进后蚁群算法的传统经销商最优配送路线优化方法。

在一些实施例中，处理器310和存储器320之间通过通信总线实现通信连接。

可以理解，电子设备300还可以包括更多所需的通用模块，在本申请实施例不作一一介绍。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。本申请的范围意在由权利要求书及其等同形式所限定。