基于灰狼优化器改进蚁群算法的物流配送路径优化算法

蚁群算法在求解多任务物流配送路径优化中，存在参数设定缺乏标准及不同情境下参数设定各不相同等问题，本文提出一种基于灰狼优化器的改进的蚁群算法的路径优化算法。针对传统蚁群算法参数设定不确定等问题，通过引入灰狼优化器，借助灰狼优化器进行全局搜索的特点以及渐进式搜索的特性，找到蚁群的最优参数，从而自动获取最优参数，解决蚁群算法的参数配置问题。最后，将改进后的算法应用于多任务物流配送路径优化中。实验结果表明，提出的算法能够自动得出更优的参数，算法具有良好的求解精度和稳健的鲁棒性。

随着我国快递行业的快速崛起，人们对快递的需求与日俱增，而此时的快递行业却仍是低效率的配送，没有专业的多任务路径规划系统，很难提升送快递的效率。最近快递行业也曝光了很多问题，比如快递员违规将快递放入快递柜里等，其根本原因都是因为效率低，追求效率的提升所做出的这些行为。

这种在快递运输速度的需求和实际快递行业运输效率不足的矛盾日益凸显，从而占用了大量的人力来配送快递，极大的提升了人力成本。此外，由于交通状况和需求的不确定性，人们每天都需要用自己的经验来做出一些判断。但是由于人的主观性以及经验的局限性导致我们的判断经常出错。在如今这个网购普及的时代下，物流配送需求急剧增加，然而由于缺乏专业的配送规划系统而增加了物流的成本，急需一个高效的解决方案来解决。

近年来，针对存在多约束条件和非线性等特点导致车辆路径难以优化的问题，国内外研究学者开展了大量的研究工作。各种智能算法应用于路径规划问题中，如典型的蚁群算法[1]，粒子群算法[2]，遗传算法[3]等。蚁群算法(Ant Colony System, ACO)的基本模型最早是由意大利学者Dorigo M.等于1991 年提出的，最先被用来求解 TSP 问题，但当时并没有立即带动其他研究者也投身于对此思想的讨论中。直到五年之后，Dorigo 发表文章并在文章内更加详细的描述了蚁群算法的工作原理和数学模型，才引起了更多学者的关注，之后又慢慢涌现出更多相关研究，最终蚁群算法才逐渐走向学术最前沿。在蚁群算法的迅速成长期，在国际上有一些极具突破性的成果有力的推动了算法发展，如Dorigo 等人提出的带精英策略的蚂蚁系统和Ant-Q 蚂蚁系统， 德国学者Stutzle 和 Hoos 提出的最大最小蚂蚁系统(MAX-MIN Ant System, MMAS)，Cordon 等人提出的最优–最差蚂蚁系统，近期外国也对蚁群算法有最新动态，比如将蚁群算法应用在机器人的路径规划和抗网络攻击方面。国内学者对蚁群算法的研究起步较晚，且因为有国外研究成果作为基础，基础领域的探索性工作偏少，大部分都是在已有研究基础上进行优化改进，提