1.一种混合车队动态路径规划方法，其特征在于，所述方法包括：

协同定位技术获取车辆的位置信息与车辆状态，以确定车辆的特征参数；

基于静态客户需求信息，构建总成本‑平均客户满意度双目标静态规划模型，确定混合车队初始配送方案；

获取第一位出现的动态客户新需求信息对应的时间窗，以确定第一个随机时间片；

获取其他动态客户新需求信息，将所述其他动态客户新需求信息对应的时间窗与所述第一个随机时间片进行相似度计算，将得到的相似值符合预设相似度阈值的动态客户新需求信息加入第一次动态规划中；

在到达第一个随机时间片结束时间的情况下，将未加入第一次动态规划的其他动态客户中的第一位出现的动态客户新需求信息对应的时间窗结束时间，做为第二个随机时间片的结束时间，将未加入第一次动态规划的其他动态客户新需求信息对应的时间窗与所述第二个随机时间片进行相似度计算后进行第二次动态规划，以此类推，直至服务完所有动态客户；其中，所述第一个随机时间片结束时间为所述第二个随机时间片的开始时间；

基于所述总成本‑平均客户满意度双目标静态规划模型、随机时间片，构建总成本‑平均客户满意度双目标动态规划模型；

通过多目标免疫遗传算法对所述总成本‑平均客户满意度双目标动态路径规划模型进行求解，以得到混合车队动态配送方案；

所述将所述其他动态客户新需求信息对应的时间窗与所述第一个随机时间片进行相似度计算，具体包括：在所述其他动态客户新需求信息中硬时间窗的起始时间，不小于第一个随机时间片对应的第一起始时间，且所述其他动态客户新需求信息中硬时间窗的终止时间不大于第一个随机时间片对应的第一终止时间的情况下；

或者，将所述第一个随机时间片对应的第一终止时间与所述其他动态客户新需求信息中硬时间窗的起始时间进行差值计算，得到第一差值，将所述其他动态客户新需求信息中硬时间窗的终止时间，与所述其他动态客户新需求信息中硬时间窗的起始时间进行差值计算，得到第二差值；在所述其他动态客户新需求信息中硬时间窗的起始时间不小于所述第一个随机时间片对应的第一起始时间，且所述其他动态客户新需求信息中硬时间窗的终止时间大于所述第一个随机时间片对应的第一终止时间，且所述第一差值与所述第二差值之间的比值大于所述预设相似度阈值的情况下；

或者，将所述其他动态客户新需求信息中硬时间窗的终止时间与所述第一个随机时间片对应的第一起始时间进行差值计算，得到第三差值，将所述其他动态客户新需求信息中硬时间窗的终止时间与所述其他动态客户新需求信息中硬时间窗的起始时间进行差值计算，得到第二差值；在所述其他动态客户新需求信息中硬时间窗的起始时间不大于所述第一个随机时间片对应的第一起始时间，且所述其他动态客户新需求信息中硬时间窗的终止时间不大于所述第一个随机时间片对应的第一终止时间，且所述第三差值与所述第二差值之间的比值大于所述预设相似度阈值的情况下；

或者，将所述第一个随机时间片对应的第一终止时间与所述第一个随机时间片对应的第一起始时间进行差值计算，得到第四差值，将所述其他动态客户新需求信息中硬时间窗的终止时间与所述其他动态客户新需求信息中硬时间窗的起始时间进行差值计算，得到第二差值；在所述其他动态客户新需求信息中硬时间窗的起始时间不大于所述第一个随机时间片对应的第一起始时间，且所述其他动态客户新需求信息中硬时间窗的终止时间大于所述第一个随机时间片对应的第一终止时间，且所述第四差值与所述第二差值之间的比值大于所述预设相似度阈值的情况下；

得到与所述第一个随机时间片相似的动态客户对应的硬时间窗；

在所述其他动态客户新需求信息中期望时间窗的起始时间，不小于第一个随机时间片对应的第二起始时间，且所述其他动态客户新需求信息中期望时间窗的终止时间不大于第一个随机时间片对应的第二终止时间的情况下；

或者，将所述第一个随机时间片对应的第二起始时间与所述其他动态客户新需求信息中期望时间窗的起始时间进行差值计算，得到第五差值，将所述其他动态客户新需求信息中期望时间窗的终止时间，与所述其他动态客户新需求信息中期望时间窗的起始时间进行差值计算，得到第六差值；在所述其他动态客户新需求信息中期望时间窗的起始时间，不小于第一个随机时间片对应的第二起始时间，且所述其他动态客户新需求信息中期望时间窗的终止时间大于所述第一个随机时间片对应的第二起始时间，且所述第五差值与所述第六差值之间的比值大于所述预设相似度阈值的情况下；

得到与所述第一个随机时间片相似的动态客户对应的期望时间窗；

所述得到与所述第一个随机时间片相似的动态客户对应的期望时间窗之后，所述方法还包括：

在所述第一个随机时间片内，将与所述第一个随机时间片相似的动态客户对应的硬时间窗，以及与所述第一个随机时间片相似的动态客户对应的期望时间窗，进行取交集处理，以得到所述其他动态客户新需求信息对应的客户时间点。

2.根据权利要求1所述的一种混合车队动态路径规划方法，其特征在于，所述将得到的相似值符合预设相似度阈值的动态客户新需求信息加入第一次动态规划中之后，所述方法还包括：确定出随机时间片对应的关键点信息；其中，所述关键点信息至少包括即将服务的客户信息、正在服务的客户信息以及充电站信息中的一项；

在混合车队处于关键点位置的情况下，将当前关键点位置作为虚拟配送中心，以重新对当前混合车队进行路径规划。

3.根据权利要求1所述的一种混合车队动态路径规划方法，其特征在于，所述基于所述总成本‑平均客户满意度双目标静态规划模型、随机时间片，构建总成本‑平均客户满意度双目标动态规划模型，具体包括：获取所述总成本‑平均客户满意度双目标静态路径规划模型中的参考约束条件；

基于车辆第一信息数据集，构建车辆做功函数；其中，所述第一信息数据集至少包括所述随机时间片内的关键点信息、客户信息、车辆信以及道路信息中的一项；

基于车辆第二信息数据集，构建关键点出发车辆服务客户节点时承载量限制函数、新派出的车辆服务客户节点时承载量限制函数以及车辆在出发点承载量限制函数；其中，所述第二信息数据集至少包括货物重量信息、车辆任务信息以及车辆最大负载信息中的一项；

基于车辆第三信息数据集，构建关键点出发车辆服务剩余客户点时剩余配送量限制函数；其中，所述第三信息数据集至少包括车辆剩余配送量、客户需求量以及车辆任务信息中的一项；

基于所述参考约束条件、所述车辆做功函数、所述关键点出发车辆服务客户节点时承载量限制函数、所述新派出的车辆服务客户节点时承载量限制函数、所述车辆在出发点承载量限制函数以及所述关键点出发车辆服务剩余客户点时剩余配送量限制函数，构建所述总成本‑平均客户满意度双目标动态路径规划模型。

4.根据权利要求1所述的一种混合车队动态路径规划方法，其特征在于，所述通过多目标免疫遗传算法对所述总成本‑平均客户满意度双目标动态路径规划模型进行求解，以得到混合车队动态配送方案，具体包括：对物流配送网络中的多个节点进行编码，以基于所述多个节点生成初始种群；其中所述多个节点至少包括车辆出发节点、客户节点、充电站以及车辆返回节点中的一项；

随机生成sizepop个体以及存储在记忆库内的overbest个体，组合成为初始抗体群；

基于预置电动汽车最大行驶时间与充电站已知位置制定充电站插入式策略，并基于所述充电站插入式策略对需要插入充电站节点的路径重新进行编码，以对所述初始抗体群进行更新；

通过快速非支配排序计算非支配值，以得到更新后的初始抗体群的亲和度；

对解集中的个体浓度进行计算；

基于所述亲和度与所述个体浓度，计算每个个体分别对应的激励度，以基于所述激励度选取相应个体；

在达到最大迭代次数的情况下，输出当前混合车队的配送方案。

5.根据权利要求4所述的一种混合车队动态路径规划方法，其特征在于，所述基于所述亲和度与所述个体浓度，计算每个个体分别对应的激励度，以基于所述激励度选取相应个体之后，所述方法还包括：在没有达到所述最大迭代次数的情况下，根据选择的抗体构建父代种群，通过精英策略随机选取非支配排序值高的index个体，以及选取激励度符合预置条件的overbest‑index个体，以对记忆库进行更新；

对所述父代种群进行选择操作、交叉操作与变异操作，以得到参考解集；其中，所述交叉操作通过部分匹配交叉实现；

在所述记忆库提取记忆细胞，基于所述记忆细胞与所述参考解集构建新种群，以重新进行亲和度计算，直到达到所述最大迭代次数。

6.根据权利要求4所述的一种混合车队动态路径规划方法，其特征在于，所述基于预置电动汽车最大行驶时间与充电站位置制定充电站插入式策略，并基于所述充电站插入式策略对需要插入充电站节点的路径重新进行编码，以对所述初始抗体群进行更新，具体包括：在当前车辆的最大行驶时长不大于预置电动汽车最大行驶时长的情况下，确定所述当前车辆为电动汽车；

在所述电动汽车的能耗大于预置能耗阈值的情况下，向所述电动汽车下发充电通知，以使得所述电动汽车行驶至距离当前客户点最近的充电站进行充电，并在路线中插入所述充电站的位置，以更新路线；

根据充电站插入式策略对需要插入充电站节点的路径重新进行编码，以对所述初始抗体群进行更新。

7.一种混合车队动态路径规划设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行权利要求1‑6中的任一项所述的方法。