1.一种瓶装液化气车辆配送路径优化方法，其特征在于，包括：

步骤一、根据液化气配送车辆路径问题的描述，建立数学模型：定义完整图G＝(N,A)，N＝{0,1,2,…,n}为配送中心和客户点集，A＝{arc(i,j)|i,j∈N,i≠j}是路径的集合，节点

0为配送中心节点，C为不包含配送中心节点0的客户点集，已知每个客户点i的位置,其需求量及配送时间窗要求分别为gi和[Tai,Tbi]，配送中心最多用K辆车从配送中心到达所有的客户点，每辆车从配送中心出发，最后返回到配送中心，每辆车的最大载货量为Q，Tik为车辆k到客户i的时刻，wik为车辆k在客户i的等待时间，A＝{arc(i,j)|i,j∈N,i≠j}是边的集合，定义dij为arc(i,j)的距离，即客户点i到客户点j的距离，且dij＝dji，tij为客户点i到客户点j的运输时间，车辆k从客户i到客户j的实时装载量为alijk，路径事故率为pij以及与其相关的暴露人口为 液化气配送共包含三个目标，风险低、成本低以及车辆冗余度低，建立目标函数如下：决策变量：

该问题的可行解必须满足的约束条件有：

其中k是运输液化气的车辆，CV是单辆运输车的发车成本，CL是单位路程燃油成本，CT是驾驶员单位时间费用，Dij表示客户i到客户j路段的实际距离或运输时间；约束(4)表示每个客户点只有一辆车为其服务；约束(5)表示每位客户被访问一次，并返回到配送中心；约束(6)表示每辆车出发时最多只能访问一位客户；约束(7)表示每辆车到达时最多只能配送一位客户；约束(8)表示车辆载货量约束；约束(9)表示确保车辆到达某客户节点完成配送后，必须离开该客户前往下一个客户；约束(10)表示车辆服务某客户后所减少的载重必须等于该客户的需求；约束(11)表示车辆到达客户的时间；约束(12)对每个客户施加硬时间窗约束，虽然要求车辆必须在客户时间窗内开始配送，但允许较早到达的车辆等待客户时间窗的开始；

步骤二、利用混合协同进化优化方法对上述模型进行求解，得出的最优解即为最优路线；

所述步骤二中利用混合协同进化优化方法对步骤一中的模型进行求解的方法为：

(1)使F1表示步骤一中的模型，F2表示步骤一中除去(3)、(11)和(12)的模型；

(2)编码；

步骤2.1、设置参数：客户点数目N，车辆最大载重量Q，客户点的需求量列表T，交叉概率PC，变异概率PM，种群规模NP，迭代次数G；

步骤2.2、编码：采用整数编码的形式对染色体进行编码，用数字0表示配送中心，1,2,

3,…,N表示客户点，则配送路径可以编码为(0,1,2,3,0,4,5,6,7,0,…,N,0)；

(3)初始化种群P1和P2：

步骤3.1、分别使用前向插入启发式算法构造F1和F2的两个可行个体；

步骤3.2、在步骤3.1中个体的邻域内选择部分个体，同随机产生的其他个体一起形成规模均为初始种群P1和P2；

(4)基于序列交叉操作：

步骤4.1、分别从子代种群Off1和Off2中选择一个染色体作为父代染色体，记为chrom1和chrom2，产生一个在[0,1]区间的随机数r'，若r'＜PC，进行步骤4.2‑步骤4.6的交叉操作，否则直接保留这两条染色体至下一代；

步骤4.2、分别从父代染色体chrom1和chrom2中随机选择一条路径，记为L1和L2；

步骤4.3、从每条路径中随机选取一个断点，记为Node1和Node2；

步骤4.4、将L1中Node1之前的部分与L2中Node2之后的部分链接为一条新的路径，如果出现两个重复的客户，删除其中一个，并检查该条新路径是否满足约束，若满足约束，则进行步骤4.5，如不满足则返回步骤4.3，若返回步骤4.3次数达到L1与L2中客户数的乘积，则放弃交叉进行步骤(5)；

步骤4.5、将步骤4.4中新路径添加到chrom1中，如果有客户在新路径中出现一次，在其他旧路径中出现一次，则删除旧路径中的重复客户；

步骤4.6、如果L1中后半部分有客户没有被分配路径，则将该客户插入到chrom1中其他路径的可行插入位置，如果没有可行插入位置，则放弃交叉进行步骤(5)，如果全部可行，则chrom1更新为chrom1'，可以通过颠倒父母角色来生成第二个后代chrom2'；

(5)变异操作：在Off1和Off2分别产生一个在[0,1]区间的随机数r”，若r”＜PM，随机选择染色体中的两个客户点编码，进行位置互换；否则，直接保留当前染色体至下一代；遍历完所有染色体更新子代种群Off1和Off2；

(6)从更新后的Off2中选择能够解决原始液化气配送问题即满足时间窗约束的可行解形成Off2_feasible；

(7)种群合并：合并种群P1，Off2_feasible和更新后的子代种群Off1成为新的P1；合并种群P2，更新后的子代种群Off1和Off2成为新的P2；

(8)计算适应度值：分别计算种群P1和P2中各个染色体在各维目标的适应度；

(9)非支配排序：将种群P1中所有个体对于各维适应度值按支配关系分为若干层，第一层为R0的非支配个体集合F1，第二层为在R0中去掉第一层个体后所求得的非支配个体集合F2，依此类推，产生所有分类排序子集F＝(F1,F2,…)，种群P2同理；

(10)计算P1个体的拥挤距离：设P[x]distance为个体x的拥挤距离，P[x].m为个体x在子目标m上的函数值fk，则计算种群P1中所有个体的拥挤距离： 种群P2同理；

(11)计算P2个体的违反约束值：对于P2的每个个体x计算其违反原始液化气配送问题的时间窗约束值，即CV(x)；

(12)对P1和P2进行精英选择操作：定义每个个体的的分类序号xrank，xrank＝k当且仅当x∈Fk；当两个个体属于不同的分类排序子集时，优先选取序号xrank小的个体进入Pt+1；在P1中，当xrank相同时，则优先选取聚集距离P[x]distance大的个体进入Pt+1；在P2中，当xrank相同时，则优先选取违反约束值CV(x)小的个体进入Pt+1；直至Pt+1的规模为N；

(13)迭代步骤4至步骤11，最大迭代次数G，得到种群P1的一组最优解，根据决策者对各目标的优先考虑度选择其中的一个解进行决策，即得到瓶装液化气车辆配送最优路线。