1.一种基于参数自学习的差分进化物流配送路径优化方法，其特征在于：所述路径优化方法包括以下步骤：

1)以所有配送车辆的总路程最短为目标建立如下目标函数：其中， 为配送车辆数量，qi表示第i个客户的所需货物的重量，α∈[0,1]为约束因子， 表示向下取整；rki表示客户点在第k辆车配送的客户顺序中为第i个，rk0表示配送中心，nk表示第k辆车配送的客户数量， 表示第k辆车配送的第i个客户和第i‑1个客户之间的距离， 表第k辆车配送完nk个客户后返回配送中心的路程，sign(nk)为决策变量，如果第k辆车没有进行配送任务，则取0，反之均取1；配送模型的约束条件为：每辆车配送的货物重量小于其最大载重Q，且每辆车的配送路程小于其最大可行驶路程D，每辆车的配送客户数量小于需要配送的总客户数量L，每个客户都要被配送，且每个客户只能被配送一次；

2)编码：用数字1表示配送中心，2,3,4,…,L+1表示各客户点，则配送路径编码为(1,2,

3,4,1,5,6,7,1,8,…,L+1,1)，其中1的数量为K+1，(1,2,3,4,1)表示第一辆车的配送路径为第1个客户点到第2个客户点，再到第3个客户点，以此类推；

3)通过xs＝(1,2,3,4,1,5,6,7,1,8,…,L+1,1)表示配送方案，其中xsj,j＝1,2,...,L+K+1表示xs的第j维元素；

4)种群初始化，生成NP个初始配送方案，过程如下：

4.1)对xs中的配送顺序进行NP次随机排序，每一次随机排序则生成一种配送方法，从而生成NP种新的配送方案；

4.2)判断4.1)中产生的方案是否满足步骤1)中的约束条件且互不相同，若不满足，则根据步骤4.1)重新生成配送方案，直至产生的配送方案数量达到NP个为止；

4.3)将每一种配送方案看作一个个体xm，组建初始种群P＝{x1,x2,...,xNP}，其中NP为种群规模；

5)确定每个个体的步长因子Fm和交叉概率CRm，过程如下：

5.1)如果迭代代数g≤20，则Fm＝rand(0,1)，CRm＝rand(0,1)，其中rand(0,1)表示从0到1之间的随机数；Fm表示第m个个体的步长因子，CRm表示第m个个体的交叉概率；

5.2)如果g>20，则根据如下步骤确定Fm和CRm：

5.2.1)将Fm的取值范围(0,1)平均分为10等份，即生成10个值域区间，分别记作(0，

0.1),[0.1，0.2),…,[0.9，1)；

5.2.2)获取当前代的前20代中所有测试个体um成功替换目标个体xm的Fm值及其所对应的区间；然后分别计算每个区间上成功的Fm的次数，记为Ns，s∈{1,2,...,10}，其中s为Fm的取值区间索引；

5.2.3)根据公式 分别计算10个值域区间内Fm的成功率，将10个区间的成功率依次记为p1,p2,…,p10；其中，ps表示第s个区间的成功率，W表示前20代中Fm成功的总次数；如果某一值域区间上没有成功的Fm，则将该区间上的成功率记为0.01；

5.2.4)在(0,1)内随机生成一个小数t，对ps进行累加，直到p1+p2+…+pq≥t时，选取第q个区间作为产生步长因子Fm的取值范围，并在此范围内随机生成一个小数作为Fm的值；

5.2.5)根据步骤5.2.1)‑5.2.4)同样的方法产生CRm，即将上述步骤中的Fm替换成CRm；

6)根据公式(1)计算当前种群中每个个体的目标函数值，并根据目标函数值对所有个体进行升序排序；

7)对当前种群NP中的每一个目标个体xm,m＝1,2,...,NP进行如下操作：

7.1)从排名靠前的NP/2个个体上中随机选取NP/4个个体xe,e＝1,2,...,NP/4，并根据目标函数值对这NP/4个个体重新进行降序排序，记录每个个体的排名Re,e＝1,2,...,NP/

4，其中Re表示第e个个体的排名；

7.2)计算步骤7.1)中所选择的每个个体的选择概率 e＝1,2,...,NP/4，其中Xe表示第e个个体的选择概率；

7.3)随机生成一个0和1之间的小数T，对Xe进行累加，直到X1+X2+...+XZ＞T为止，选择第Lbest

Z个个体，并记为x ；

7.4)对个体xm中不为1的元素xmj进行变异生成变异个体vm：其中Fm为步长因子，vmj表示目标个体xm的一个变异个体vm的第j维元素，a和b为从{1,

2,…,NP}中随机选取的不相同的且与m不同的数字，xaj、xbj和 分别表示种群个体xa、xbLbest

和x 的第j维元素，且xaj、xbj和 均不等于1， 表示向上取整；

7.5)对变异个体vm和目标个体xm进行交叉，过程如下：生成测试个体um：其中umj表示测试个体um的第j维元素，vmj表示变异个体vm的第j维元素，rand(0,1)表示

0到1之间的随机数，CRm表示交叉概率，jrand表示1到L+K+1之间的随机整数；

7.6)如果测试个体um的各维元素中除了1以外的元素有不在区间(1,L+1]内的元素或者有相同的元素，则从2到L+1之间随机生成一个整数进行替换，直到所有除了1以外的元素均在2和L+1之间，且互不相同为止；

8)根据公式(1)计算测试个体um所对应的路线的目标函数值，如果um的目标函数值小于目标个体xm的目标函数值，且um满足步骤1)中的约束条件，则um替换目标个体xm；

9)对种群中的每个个体都执行完步骤5)‑8)以后，迭代次数g＝g+1；

10)如果满足终止条件，则继续步骤11)，否则返回步骤5)；

11)选出当前种群中目标函数值最小的个体进行解码，其中第1个1和第2个1之间的数字表示第1辆车的配送路线，第2个1和第3个1之间的数字表示第2辆车的配送路线，以此类推，则第K个1个第K+1个1之间的数字表示第K辆车的配送路线，其中1与1之间的数字表示配送点，1表示配送中心。

2.如权利要求1所述的一种基于参数自学习的差分进化物流配送路径优化方法，其特征在于：所述步骤10)中，终止条件为迭代次数g达到预设最大迭代次数gmax。