路径优化是为车队安排站点顺序与车辆分配，让作业以最少的时间、距离或成本完成的实践。同样一辆车、同样一组站点，决定司机是 4 点收工还是 7 点收工的，就是它。每个物流应用里那个「优化路线」按钮背后，都有一个求解器刚刚在数百万种排列里挑了一个出来。
本文讲解路径优化到底是什么、求解器如何处理它、它在现实里出现在哪里，以及哪些约束和坑能把演示和生产区分开。
路径优化的本质
在计算机科学中，路径优化属于两个经典问题。旅行商问题（TSP）问：给定一组城市和它们之间的距离，访问每座城市恰好一次再回到起点的最短路径是什么？这是单车问题。车辆路径问题（VRP）把它推广到车队：给定仓库、一组客户和若干辆车，客户应如何分给各辆车，每辆车应按什么顺序访问？
两者都是 NP 难问题。可能的排列数随站点数阶乘增长。20 个站点就已超过 10 的 18 次方种路线。任何精确算法都无法实时搜索这样的空间。所以生产环境中的优化不是寻找完美答案，而是足够快地找出一个非常好的答案。
求解器如何处理问题
由于搜索空间巨大，真实求解器混合多种技术。
对于小规模问题（约 15 个站点以内），分支定界或整数规划等精确方法可在数秒内返回可证明最优解。超出这个规模，精确方法不再实用，业界转向启发式。
典型流程从构造性启发式开始，例如最近邻或 Clarke-Wright 节省算法，生成初始路径。该路径随后交给元启发式，通过交换站点、反转子路线、在车辆间转移站点等方式迭代改进目标。模拟退火、禁忌搜索、大邻域搜索和遗传算法是最常见的选择。它们的形态相同：尝试一次改动，决定是否接受，在固定时间预算内重复。
另一个关键输入是距离矩阵：站点两两之间通行时间与距离的预计算表。优化器在搜索过程中会查询矩阵数百万次，因此矩阵由路径引擎一次性构建，并在求解期间常驻内存。
路径优化出现在哪里
路径优化默默支撑着一长串运营业务。
- 最后一公里配送：包裹快递、生鲜配送、电商履约都按车辆每天排定数十到数百个站点
- 现场服务：暖通技师、电信安装、家庭健康人员，跨区域走访客户，附带预约时间窗和技能要求
- 移动作业：水电班组、抄表员、检查员覆盖混合任务的辖区
- 餐饮配送：当地理位置匹配时，餐饮聚合平台把多个订单合并到一名骑手的一次行程中
- 垃圾收运：市政车辆按固定周轮转，小幅度重排就能省下实打实的油耗
- 销售拜访：每位代表每天访问 8 至 12 家客户，顺序对驾车时间和会面密度都很关键
每个场景里，用户看到的是按正确顺序排列的站点列表。所有工作都发生在它背后的优化器中。
关键约束
只最小化距离的求解器是玩具。生产路径规划由其约束定义。
- 车容：每辆车都有重量、体积或托盘上限，所分配的站点不能超过
- 时间窗：客户期望在比如 9 至 11 点之间送达，11 点 05 分到就是失败
- 司机班次：最长工时、强制休息、在指定仓库起止
- 技能或车型匹配：冰箱安装需要两人小组，冷链配送需要冷藏车
- 多仓：大型车队从多个仓库出发，求解器决定哪个仓库处理哪个站点
- 是否回站：有些路线是开口的（司机回家），有些是闭合的（司机回仓库）
每条约束都会缩小可行路径集合，把求解器推向纸面上稍差但实际可执行的方案。
生产环境中的坑
路径优化是「演示总能跑通、上线常常翻车」的典型领域。
优化错了目标。 默认是最小化距离，但许多车队更关心收入或服务等级合规，而不是省下的公里数。多送一个包裹哪怕多走 2 公里，往往是赚的。
自由流速 vs 交通感知时长。 用原始道路速度构建的矩阵会告诉你一条路线 4 小时，但高峰期实际要 6 小时。要使用能在路线运行时段提供交通感知通行时间的路径引擎。
没有实时重规划。 司机一遇到突发拥堵、客户取消订单、新增工单，计划就会偏离。运营团队需要在不丢弃上午成果的前提下，在白天对剩余站点重新优化。
冻结计划过期。 一份周固定路线在 1 月看上去最优，到现在可能已经差出 20%，因为客户搬了、运量变了、出现了新的单行道。要定期重跑优化，并把新计划与现行计划对比之后，再决定是否强制变更。
MapAtlas 中的路径优化
MapAtlas Optimize Route API 解决单车与车队路径问题，覆盖运营团队真正需要的约束：车容、时间窗、班次、技能、多仓配置。它返回每辆车的有序计划，并附带每个站点的预计到达与出发时间。
它与 MapAtlas 栈中另外两个接口自然搭配。Distance Matrix API 构建求解器消费的通行时间表，并提供交通感知时长，让计划在高峰期也站得住脚。Directions API 在顺序确定后，绘制相邻站点之间真实的逐步道路路径，让司机端 App 能展示真实的折线，而不是直线。
路径优化不会在演示里大放异彩。它只是一个求解器、一份矩阵和一组约束。但正是这一层决定了车队当天能不能按时按预算完成作业，把这件事做对，是「能上线的路径功能」与「悄悄被关闭的路径功能」的分水岭。
常见问题
什么是路径优化？
路径优化是决定一组站点访问顺序的过程；当涉及多辆车时，还要决定每辆车负责哪些站点。目标是最小化某个指标，比如总驾车时间、距离、油耗或成本，同时满足现实约束，例如车容、司机班次、客户时间窗。在计算机科学中，它属于两个经典问题：单车的旅行商问题（TSP）和车队的车辆路径问题（VRP）。
路径规划和路径优化有什么区别？
路径规划回答「如何从 A 到 B」。它返回两点之间的一条路径，通常带逐步导航。路径优化回答「这 80 个站点应该用这 6 辆面包车按什么顺序访问，每辆车走哪些站点」。优化位于规划之上一层：先决定顺序与分配，再调用路径引擎在每对站点之间画出真实道路。
路径优化使用哪些算法？
对于小规模问题（约 15 个站点以内），分支定界或整数规划等精确方法可以找到可证明的最优解。规模更大时搜索空间会爆炸，生产系统使用启发式与元启发式：先用最近邻或节省算法生成初始解，再用局部搜索、模拟退火、禁忌搜索或遗传算法迭代改进。大多数商用求解器组合多种方法，并以固定时间预算运行，而不是追求可证明最优。
路径优化 API 需要哪些输入？
至少需要：带坐标的站点列表、车辆及其起止位置，以及任意两个站点之间的距离或时间矩阵。实践中还要传入车容、客户时间窗、各站点服务时长、司机班次时长、各站点所需技能或车型、仓库位置等。矩阵是最重的输入，通常由独立的距离矩阵 API 在优化器运行前生成。
