点击上方“五分钟学算法”，选择“星标”公众号
物联网时代
物流配送算法
如果一个人告诉你
13,717,421可以写成两个较小的数的乘积，你想要知道这个说法是否正确的话，必须枚举出所有的情况，挨个数字尝试。但如果他告诉你，这个数可以写成3607乘上3803，你只需要计算一次便可以知道他说的是对的。
这类问题都属于不确定问题，由此引申出一个重要的数学难题 —— NP 完全问题。
# NP 完全问题
启发式算法的思想是：在不断解决问题的过程中寻找解决问题的最优方案。启发式算法实际上是通过不断地选择调优，以寻找到近似的最优解。在物流算法中，人们也是以此来解决经典的旅行商问题。
# 旅行商问题
TSP 问题在交通运输、电路板线路设计以及物流配送等领域内有着广泛的应用，国内外学者对其进行了大量的研究。由于这类问题数据规模太大，想要用精确算法求解往往显得无能为力。因此，在后来的研究中，国内外学者重点使用启发式算法来寻找近似最优解，这类算法主要有模拟退火算法、遗传算法、蚁群算法等。
# 模拟退火算法
美中不足的是，模拟退火算法为了获得全局最优解，要求较高的初始温度，要求退火的速度足够慢，要求较低的终止温度和各种温度下足够多次的抽样，这就使得优化过程长，特别是对于规模大的实际问题。因此，优化效率不高是标准模拟退火算法的主要缺点。其次，由于模拟退火算法对初始温度很敏感，参数的选择也是应用该算法的难题之一。
# 遗传算法
但遗传算法的参数选择比较困难，在避免“早熟”收敛和提高收敛速度方面没有通用的好方法，只能针对具体问题进行具体设计。
# 蚁群算法
物流算法的未来
另外，硬件的发展也会促进物流算法的优化，当计算效率大幅提升，精确算法也将在物流算法行业一展身手。如今启发式近似算法百花齐放，机器学习、人工智能在物流优化中大放异彩。但我们深知，启发式算法仍有建模难、模拟久、成本高等缺点，物流算法的发展依旧任重而道远。好在，一代又一代的程序员前赴后继，我们有理由坚信，长路漫漫，未来可期。
本文分享自微信公众号 - 五分钟学算法（CXYxiaowu）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。