1.一种基于禁忌搜索的超启发式算法的车辆路径优化方法，其特征在于，所述方法包括以下步骤：步骤1车辆路径问题分析，采用Augerat’s instances数据集，车辆路径问题的成本矩阵的元素是欧几里得距离；

假定配送中心最多可以用K(k＝1,2,…,K)辆车对L(i＝1,2,…,L)个客户进行运输配送，i＝0表示仓库，每个车辆载重为Qk(k＝1,2,…,K)，每个客户的需求为q(i＝1,2,…,L)，客户i到客户j的运输成本为cij，优化的目标是行驶距离最短，一个完整的解表示了全部路径的集合；

步骤2初始化种群，第G代，G＝0，生成初始可行解组G

计算种群适应度f ， 以及整体最优目标函数值 整体最优个体当代最优解目标函数值 当代最优个体 当代目标函数值的平均值步骤3初始化算子得分，算子初始得分为S0＝[S1,S2,…,S20]；

不同种类算子的初始得分不同，计算算则的评价分数SA0＝[SA1,SA2,…,SA20]；

根据评价分数初始禁忌表，算子分为被禁算子与未被禁算子；

利用轮盘赌规则从未被禁算子中产生初始的hG；

步骤4产生并选择变异解，利用底层算子hG构造新的路径，G＝G+1，计算

步骤5计算算子得分。根据 与 计算调整参数RC；

RC是一个小于1的小数，根据第G代子代解的改进率计算各个底层启发式算子的得分SG，将得分低的算子放入禁忌表，调整在生成hG时算子被选择的概率；

在hG算子i的解取得的进步较大时，当代i算子的RC值较大，反之，当代的解取得的进步较小时，当代算子i的RC值较小，调整每个对解进行有效改进的算子加分分值；

在第G代中，若算子取得改进进效果，算子i的加分为其中，ZC为常数；

若算子未取得改进进效果，则算子i扣分，则步骤6保留候选解，若fiG'＜fiG，则保留fiG＝fiG'，x1G＝x1G'；

若fiG'＞fiG时，按概率P接收，接收fiG＝fiG'，x1G＝x1G'，k＝k+1，Tk+1＝Tk·β；否则，fiG＝fiG-1，x1G＝x1G-1。[XCG，FCG]＝minfG；

P＝exp(ΔE/Tk)                                     (6)因此，每代保留的个体数量是变化的，保证了多样性；

步骤7保留最优解，若FCG＜FBG，则，XBG＝XCG，FBG＝FCG，G＝G+1；

步骤8更新禁忌表，根据算子得分 计算评价分数根据评价得分，更新算子禁忌表；

根据未被禁算子的得分，使用轮盘赌策略选择算子hG；

步骤9退出迭代，若G>Gmax，算法结束，输出最优解，否则转向步骤4；

步骤10输出最优个体即最优路径。

2.如权利要求1所述的一种基于禁忌搜索的超启发式算法的车辆路径优化方法，其特征在于，所述步骤2中，生成初始种群组的过程如下：

2.1)以配送中心为起点构造初始路径；

2.2)判断最近的客户点是否符合时间窗以及车辆容量约束，若不满足则隔离该客户点并选择下一个最近的客户点，若满足则将其纳入当前路径，并将所有隔离客户点解除隔离，重复此步骤直至所有客户点都不满足约束，关闭该路径并开启新的路径；

2.3)当所有客户点都被安排到路径内时，关闭最后一条路径；

2.4)最后，对产生的可行解执行若干次变异，得到丰富多样的种群，再选择较优的解作为初始解组；

2.5)计算种群适应度fG, 以及整体最优目标函数值 整体最优个体 当代最优解目标函数值 当代最优个体 当代目标函数值的平均值