人员调度规划的方法、装置和计算机存储介质

技术领域

本发明涉及路线规划领域，尤其是一种人员调度规划的方法、装置和计算机存储介质。

背景技术

随着时代的发展，上门服务的业务越来越多。目前，由于人员分配不合理、路径规划不合理，导致整体上门服务的总服务成本急剧增加。虽然可以通过采用NP-hard的解决方案进行分配以提升人员调度的效率，减缓总服务成本的增长速度。但是随着业务量的增加，NP-hard中处理的信息越来越多，而传统方法，例如人工经验法、线性规划法、动态规划法等，逐渐满足不了问题的需求。虽然可以通过节约算法对路径进行简单优化后作为遗传算法输入进行规划，可以减少遗传算法的计算量。但是，遗传算法分配的路线具有随机性，导致由于迭代次数满足条件后，获得的路线并不理想。此时，根据该路线进行调度依然会导致人员调度的效率低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，第一方面，本发明提供人员调度规划的方法，可以提升人员调度的效率；第二方面，本发明提供一种人员调度规划的装置；第三方面，本发明提供一种计算机存储介质。

在本发明第一方面的一些实施例中，所述人员调度规划的方法包括如下步骤：

获取目的地集合中任意两个目的地之间的最短路径集合；

通过节约算法对所述最短路径集合中的每一路径进行处理，并根据处理后的每一路径获得初始线路；

通过遗传算法对所述初始线路进行处理，以得到第二线路；

通过粒子群算法对所述第二线路进行处理，以得到分配线路。

根据本发明的上述实施例，至少具有如下有益效果：通过结合节约算法，可以减少遗传算法、粒子群算法中路径规划的计算量，而由于遗传算法和粒子群算法均是通过概率进行迭代求解，采用单一的算法进行多目标的规划，最终的分配线路具有随机性，误差较大。因此通过节约算法、遗传算法和粒子群算法多种算法结合获得人员的分配线路，可以减少遗传算法和粒子群算法通过概率进行路线规划导致的误差，从而总服务成本相对最低的分配路线的方案，从而提升了人员调度的效率。

在本发明第一方面的一些实施例中，所述获取目的地集合中任意两个目的地之间的最短路径集合，包括如下步骤：

根据所述目的地集合获取每一目的地的公共交通路线数据；

根据所述公共交通路线数据获取所述目的地集合中的任意两个目的地之间的公共交通路径以及路径时间，所述路径时间为所述公共交通路径所需的时间；

将所有所述公共交通路径中路径时间最短的路径设置为最短路径，并将所有最短路径的集合作为最短路径集合。

通过将路线出行方式设置为公共交通，可以获得使用公共交通情况下的人员调度的方案。

在本发明第一方面的一些实施例中，所述获取目的地集合中任意两个目的地之间的最短路径集合，还包括如下步骤：

去除所述公共交通路线数据中高峰期运行的路线。

通过去除高峰期运行的路线，可以避免由于选取的路径仅在高峰期运行，从而使得整个目的地集合的总路径花费时间变长的情况。

在本发明第一方面的一些实施例中，所述通过遗传算法对所述初始线路进行处理，以得到第二线路，包括如下步骤：

将所述初始线路进行初始化处理，获得初始线路集合，并将所述初始线路集合中各线路作为所述遗传算法的基因个体；

通过所述遗传算法对所有所述基因个体进行迭代处理，获取每次所述遗传算法迭代处理后的各所述基因个体的第一适应度值；

将所述第一适应度值、所述遗传算法的当前迭代次数与预设条件进行匹配，并根据匹配结果停止所述遗传算法的迭代处理；

获取所述遗传算法停止迭代处理后的所有所述基因个体中第一适应度值最大的目标基因个体，并将所述目标基因个体作为所述第二线路。

通过设置预设条件，可以更加灵活的控制遗传算法的迭代处理；从而可以适应不同场景下的路径规划。

在本发明第一方面的一些实施例中，所述通过粒子群算法对所述第二线路进行处理，以得到分配线路，包括如下步骤：

获取待分配人员集合中的人员信息，所述人员信息包括人员数；

根据所述人员信息，对所述第二线路进行初始化处理，以得到第二线路集合，并将所述第二线路集合作为所述粒子群算法的粒子群；

将所述粒子群的各粒子与所述待分配人员一一对应；

通过所述粒子群算法对所述粒子群进行处理，以获得所述粒子群中每一个粒子的第一位置，并根据所述第一位置获得所述待分配人员的分配路线。

因此，通过将每个分配人员分配到粒子群的每一个粒子上，并通过粒子群算法可以对所有分配人员同时进行路径规划，同时获取每次粒子群的迭代处理后的总服务成本，从而可以得到总服务成本最优时，各粒子上人员所对应的分配路线。

在本发明第一方面的一些实施例中，所述人员调度规划的方法还包括如下步骤：

通过所述遗传算法对所述粒子群进行处理，以得到更新后的粒子群；

通过所述粒子群算法对更新后的所述粒子群进行处理，以得到所述待分配人员的分配路线。

通过在粒子群算法中加入遗传算法，可以扩大粒子的搜索范围，从而在更多的路径选择下选取最优的分配路线。

在本发明第一方面的一些实施例中，所述通过所述遗传算法对所述粒子群进行处理，以得到更新后的粒子群，包括如下步骤：

从所述粒子群中的随机获取第一粒子和第二粒子；

获取所述第一粒子的第一位置；

通过所述遗传算法对所述第一粒子的第一位置对应的第一路径段与所述第二粒子中随机选取的第二路径段进行交叉和变异处理，以得到更新后的第一粒子和更新后的第二粒子；

根据更新后的所述第一粒子和更新后的第二粒子，对所述粒子群进行更新。

通过第一粒子和第二粒子进行交叉和变异，从而可以获得总服务成本更低的第一位置所对应的分配路线，从而提升人员调度的效率。

在本发明第一方面的一些实施例中，所述通过遗传算法对所述粒子群进行处理，以得到更新后的粒子群，还包括如下步骤：

获取所述粒子群的第二位置；

获取所述第二位置在所述粒子群中对应的第三粒子，并在所述粒子群中随机获取第四粒子；

通过遗传算法对第三路径段和第四路径段进行交叉和变异处理，以得到更新后的所述第三粒子和更新后的所述第四粒子，其中，所述第三路径段对应所述第三粒子的所述第二位置，所述第四路径段为在所述第四粒子中随机选取的路径段；

根据更新后的所述第三粒子和更新后的所述第四粒子，对所述粒子群进行更新。

通过对第三粒子和第四粒子进行交叉和变异处理，可以扩大粒子群算法的检索范围，避免出现局部最优而全局不是最优的情况；从而使得在下一次粒子群算法中，粒子群的总服务成本最低，从而提升人员调度的效率。

根据本发明第二方面的一些实施例，所述人员调度规划的装置包括：

输入模块，所述输入模块用于获取待分配的目的地集合以及待分配的人员；地图模块，所述地图模块用于根据所述目的地集合获取最短路径集合；第一处理模块，所述第一处理模块根据所述最短路径集合进行节约算法处理，以得到初始线路；第二处理模块，所述第二处理模块用于通过所述初始线路进行遗传算法处理，获得第二线路；第三处理模块，所述第三处理模块用于通过粒子群算法对所述第二线路进行处理，以获得待分配人员的分配路线。

由于本发明实施例的一种人员调度规划的装置执行如本发明第一方面中任一项所述的用于人员调度规划的方法，因此具有本发明第一方面的所有有益效果。

根据本发明第三方面的一些实施例，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一所述的人员调度规划的方法。

由于本发明实施例的计算机存储介质执行如本发明第一方面中任一项所述的用于人员调度规划的方法，因此具有本发明第一方面的所有有益效果。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的人员调度规划的方法的步骤图；

图2为本发明实施例的人员调度规划的方法的获取最短路径集合步骤图；

图3为本发明实施例的人员调度规划的方法的粒子群算法步骤图；

图4位本发明实施例的人员调度规划的装置的结构图。

附图标记：

输入模块410、地图模块420、第一处理模块430、第二处理模块440、第三处理模块450。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

下面参考图1至图4描述根据本发明实施例的人员调度规划的方法、装置以及计算机存储介质。

如图1所示，人员调度规划的方法包括如下步骤：

步骤S100、获取目的地集合中任意两个目的地之间的最短路径集合。

应理解的是，最短路径集合表示每两个目的地之间的服务成本最低。在一些实施例中，服务成本为时间成本，即从一个目的地到另一个目的地所需花费的时间。在另一些实施例中，服务成本为距离成本，即从一个目的地到另一个目的地之间的距离。

步骤S200、通过节约算法对最短路径集合中的每一路径进行处理，并根据处理后的每一路径获得初始线路。

应理解的是，节约算法可以对路径中形成两个回路的进行合并，从而使合并后的总服务成本最低。应理解的是，由于在S100中获取的是任意两个目的地之间的最短路径，因此会出现形成回路的情况。而实际应用过程中，每个目的地仅需要进行一次服务即可，因此尽可能减少对目的地的访问可以得到服务成本更优的路径。

应理解的是，通过节约算法对最短路径集合中的每一路径进行处理后会得到多个路径，假设通过节约算法处理后的得到的每一路径为S1、S2、S3，其中，S1、S2、S3分别表示如下：S1＝(a,b,c)；S2＝(d,e,g)；S3＝(a,k,u)；则初始线路S＝(0,a,b,c,0,d,e,g,0,a,k,u)；其中0表示另一个路径的开始。需说明的是，由于节约算法为现有算法，因此此处不一一详述获取S1、S2、S3的步骤。

步骤S300、通过遗传算法对初始线路进行处理，以得到第二线路。

应理解的是，遗传算法通过概率不断对基因个体优化，以得到遗传算法中所有基因个体中价值最高的基因个体。而初始线路为已经初步优化后的路线，减少部分无效的路径。因此可以减少遗传算法迭代过程中的计算量，效率更高。

步骤S400、通过粒子群算法对第二线路进行处理，以得到分配线路。

应理解的是，由于遗传算法的局部搜索效率较低，迭代次数到达一定程度后，搜索效率变低，此时，因迭代次数的影响容易导致获取的第二线路的总服务成本并未达到最优；因此加入粒子群算法，进一步求得更优的分配线路。

因此，通过结合节约算法，可以减少遗传算法、粒子群算法中路径规划的计算量，而由于遗传算法和粒子群算法均是通过概率进行迭代求解，采用单一的算法进行多目标的规划，最终的分配线路具有随机性，误差较大。因此通过节约算法、遗传算法和粒子群算法多种算法结合获得人员的分配线路，可以减少遗传算法和粒子群算法通过概率进行路线规划导致的误差，从而总服务成本相对最低的分配路线的方案，从而提升了人员调度的效率。

在本发明第一方面的一些实施例中，如图2所示，步骤S100包括如下步骤：

步骤S101、根据目的地集合获取每一目的地的公共交通路线数据。

应理解的是，公共交通路线数据可以从公交运行官网获取或者通过在地图中输入目的地的地址信息从而获取到。应理解的是，在一些实施例中，存在一些交通路线仅在工作日运行，因此，公共交通路线数据为待分配人员工作当天实际运行的公交路线。

步骤S102、根据公共交通路线数据获取任意两个目的地之间的公共交通路径以及若干路径时间，路径时间为公共交通路径所需的时间。

步骤S103、将所有公共交通路径中路径时间最短的路径设置为最短路径，并将所有最短路径的集合作为最短路径集合。

通过将路线出行方式设置为公共交通，可以获得使用公共交通情况下的人员调度的方案。

在本发明第一方面的一些实施例中，S100、获取目的地集合中任意两个目的地之间的最短路径集合，还包括如下步骤：

去除公共交通路线数据中高峰期运行的路线。

通过去除高峰期运行的路线，可以避免由于选取的路径仅在高峰期运行，从而使得整个目的地集合的总路径花费时间变长的情况。

在本发明第一方面的一些实施例中，步骤S300包括如下步骤：

将初始线路进行初始化处理，获得初始线路集合，并将初始线路集合中各线路作为遗传算法的基因个体。

通过遗传算法对所有基因个体进行迭代处理，获取每次遗传算法迭代处理后的各基因个体的第一适应度值。

应理解的是，第一适应度值对应总服务成本，在一些实施例中，还设置有第一价值评判参数，第一价值评判参数设置为拥堵代价、距离；用于衡量在不同时段出行时，将交通堵塞引起的更多时间的损耗进行权重计算，从而获得与实际情况更加符合的总服务成本。在另一些实施例中，第一价值评判参数为距离。此时，服务成本根据第一价值评判参数获取。在另一些实施例中，服务成本设置为经过基因个体上各路径所花费的时间的总和。

将第一适应度值、遗传算法的当前迭代次数与预设条件进行匹配，并根据匹配结果停止遗传算法的迭代处理。

应理解的是，预设条件用于停止遗传算法的迭代处理。预设条件可以人为设定，预设条件包括迭代次数以及预期的总服务成本。

获取遗传算法停止迭代处理后的所有基因个体中第一适应度值最大的目标基因个体，并将目标基因个体作为第二线路。

应理解的是，存在遗传算法因满足迭代次数导致迭代停止，因此并未求出最优的基因个体的情况，因此，需要对所有基因个体进行第一适应度的获取，并选取最大值作为第二线路。而通过达到预期的总服务成本导致遗传算法停止迭代时，此时目标基因个体的第一适应度值最大，总服务成本最低。

通过设置预设条件，可以更加灵活的控制遗传算法的迭代处理；从而可以适应不同场景下的路径规划。

在本发明第一方面的一些实施例中，如图3所示，步骤S400包括如下步骤：

步骤S410、获取待分配人员集合中的人员信息，人员信息包括人员数。

应理解的是，在工作人员确定的情况下，需要将人员进行充分利用从而可以达到总服务成本最优。

步骤S420、根据人员信息，对第二线路进行初始化处理，以得到第二线路集合，并将第二线路集合作为粒子群算法的粒子群。

应理解的是，初始化处理包括将第二线路进行复制，得到和人员数相同的多个第二线路。

步骤S430、将粒子群的各粒子与待分配人员一一对应。

步骤S440、通过粒子群算法对粒子群进行处理，以获得粒子群中每一个粒子的第一位置以及粒子群的第二位置，并根据第一位置获得所述待分配人员的分配路线。

应理解的是，第一位置和第二位置分别对应粒子群算法中位置pbest以及全局所经历位置gbest。粒子算法中的第二适应度值为分配路线的总服务成本。

应理解的是，由于每个路径具有方向性，因此以第一位置为起始点，可以获得一个待分配人员将要行使的路径信息。需说明的是，粒子群算法中第二适应度值的判断是根据所有粒子的总服务成本进行判断。当整个粒子群的第二适应度值为历史最优时，将每个粒子当前的第一位置进行更新。并获取粒子群中所有粒子的服务成本最低时的第五粒子的第一位置，并更新当前第二位置为第五粒子的第一位置。

应理解的是，在一些实施例中，人员信息还包括分配区域信息以及代价值。由于实际应用过程中，在一个城市会进行片区划分，在每个片区固定分配一定数量的人员，以可以更高效的对业务响应。而不同片区的人员跨区处理时，存在时间成本，因此加入代价值以及分配区域信息，进行总服务成本的计算以使获得的分配路线更优。

因此，通过将每个分配人员分配到粒子群的每一个粒子上，并通过粒子群算法可以对所有分配人员同时进行路径规划，同时获取每次粒子群的迭代处理后的总服务成本，从而可以得到总服务成本相对最优时，各粒子上人员所对应的分配路线。

在本发明第一方面的一些实施例中，如图2所示，人员调度规划的方法还包括如下步骤：

步骤S450、通过遗传算法对粒子群进行处理，以得到更新后的粒子群。

应理解的是，由于第二线路中未加入人员属性对总服务成本的影响，因此存在总服务成本并未达到最优的情况。因此，加入遗传算法后，对第二线路中的路径进行重新组合，可以一定概率得到更优的总服务成本。

应理解的是，当通过遗传算法处理后，获得的粒子群的总服务成本高于原始的粒子群的总服务成本，此时，不进行粒子群的更新操作。

步骤S460、通过粒子群算法对更新后的粒子群进行处理，以得到待分配人员的分配路线。

应理解的是，遗传算法会更新第二线路中各路径的信息，因此需要对更新后的粒子群继续通过粒子群算法进行处理，更新粒子群中各粒子的第一位置和第二位置，直至可以获取到比预期的总服务成本更低的分配路线或者达到粒子群算法中预设的迭代次数。预期的总服务成本可以根据人为经验进行设定，且该预期的总服务成本与遗传算法中的预期的总服务成本可以设置成一致。

通过在粒子群算法中加入遗传算法，可以扩大粒子的搜索范围，从而在更多的路径选择下选取相对最优的分配路线。

在本发明第一方面的一些实施例中，步骤S450、通过遗传算法对粒子群进行处理，以得到更新后的粒子群包括如下步骤：

从粒子群中的随机获取第一粒子和第二粒子。

获取第一粒子的第一位置。

通过遗传算法对第一粒子的第一位置对应的第一路径段与第二粒子中随机选取的第二路径段进行交叉和变异处理，以得到更新后的第一粒子和更新后的第二粒子。

根据更新后的第一粒子和更新后的第二粒子，对粒子群进行更新。

通过第一粒子和第二粒子进行交叉和变异，从而可以获得总服务成本更低的第一位置所对应的分配路线，从而提升人员调度的效率。

在本发明第一方面的一些实施例中，S460、通过遗传算法对粒子群进行处理，以得到更新后的粒子群还包括如下步骤：

获取粒子群的第二位置。

获取第二位置在粒子群中对应的第三粒子，并在粒子群中随机获取第四粒子。

通过遗传算法对第三路径段和第四路径段进行交叉和变异处理，以得到更新后的第三粒子和更新后的第四粒子，其中，第三路径段对应第三粒子的第二位置，第四路径段为在第四粒子中随机选取的路径段。

根据更新后的第三粒子和更新后的第四粒子，对粒子群进行更新。

通过对第三粒子和第四粒子进行交叉和变异处理，可以扩大粒子群算法的检索范围，避免出现局部最优而全局不是最优的情况；从而使得在下一次粒子群算法中，粒子群的总服务成本最低，从而提升人员调度的效率。

需说明的是，交叉和变异为遗传算法中现有的执行步骤，因此此处不一一详述。

根据本发明第二方面的一些实施例，如图4所示，人员调度规划的装置包括：

输入模块410，输入模块410用于获取待分配的目的地集合以及待分配的人员；

地图模块420，地图模块420用于根据目的地集合获取最短路径集合；

第一处理模块430，第一处理模块430根据最短路径集合进行节约算法处理，以得到初始线路；

第二处理模块440，第二处理模块440用于通过初始线路进行遗传算法处理，获得第二线路；

第三处理模块450，第三处理模450块用于通过粒子群算法对第二线路进行处理，以获得待分配人员的分配路线。

由于本发明实施例的一种人员调度规划的装置执行如本发明第一方面中任一项的用于人员调度规划的方法，因此具有本发明第一方面的所有有益效果。

应理解的是，输入模块可以是终端设备、手机、网页等；第一处理模块、第二处理模块、第三处理模块可以是单独的处理器，或者是一个处理其中的各执行单元。

根据本发明第三方面的一些实施例，计算机存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面任一项的人员调度规划的方法。

由于本发明实施例的计算机存储介质执行如本发明第一方面中任一项的用于人员调度规划的方法，因此具有本发明第一方面的所有有益效果。

应理解的是，存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

下面参考图1至图4对本发明实施例中通过人员调度规划的装置进行人员分配的方法进行详细说明，值得理解的是，下述描述仅是示例性说明，而不是对发明的具体限制。

如图1所示，步骤S100、获取目的地集合中任意两个目的地之间的最短路径集合。

具体的，将100个目的地以及业务人员输入到人员调度规划的装置中，输入模块410将目的地信息发送给地图模块420。地图模块420接收到对应的目的地后进行如图2所示的操作：

步骤S101、根据目的地集合获取每一目的地的公共交通路线数据。

具体的，从地图中获取到达每一目的地的公共交通路线数据，并去除公共交通路线数据中高峰期运行的路线。

进一步，步骤S102、根据公告交通路线数据获取目的地集合中任意两个目的地之间的公共交通路径以及路径时间，路径时间为公共交通路径所需的时间。

进一步，步骤S103、将所有公共交通路径中路径时间最短的路径设置为最短路径，并将所有最短路径的集合作为最短路径集合。

此时，地图模块420输出最短路径集合、公共交通路线数据给第一处理模块430，第一处理模块430接收最短路径集合、公共交通路线数据，并继续执行如图1所示的步骤：

步骤S200、通过节约算法对最短路径集合中的每一路径进行处理，并根据处理后的每一路径获得初始线路。

此时，通过节约算法处理后的得到的每一路径为S1、S2、S3...Sn，其中，S1、S2、S3分别表示如下：S1＝(a,b,c)；S2＝(d,e,g)；S3＝(a,k,u)....S

此时，第一处理模块430将初始路线发送给第二处理模块440，第二处理模块440处理如下：

步骤S300、通过遗传算法对初始线路进行处理，以得到第二线路。

具体的，第二线路的获取包括如下步骤：

首先，将初始线路进行初始化处理，获得初始线路集合，并将初始线路集合中各线路作为遗传算法的基因个体。

具体的，第二处理模块440接收第一处理模块430获得的初始路线，并将初始线路进行复制，得到多个一样的初始路线。

其次，通过遗传算法对所有基因个体进行迭代处理，获取每次遗传算法迭代处理后的各基因个体的第一适应度值。

具体的，第一适应度值对应的总服务成本为经过基因个体上各路径所花费的时间的总和。

进一步，将第一适应度值、遗传算法的当前迭代次数与预设条件进行匹配，并根据匹配结果停止遗传算法的迭代。

具体的，预设条件用于停止遗传算法的迭代处理。预设条件包括遗传算法停止条件，具体为迭代次数达500次或者第一适应度值满足A。其中A为期望的总服务成本。总服务成本在输入模块进行输入。

此时，第二处理模块440获取遗传算法停止迭代处理后的基因个体中第一适应度值最大的目标基因个体，并将目标基因个体为第二线路。

进一步，第二处理模块440将第二线路发送给第三处理模块450，第三处理模块450执行如下如图1所述的步骤获得分配路线：

S400、通过粒子群算法对第二线路进行处理，以得到分配线路。

具体的，如图3所示，S410、获取待分配人员集合中的人员信息，人员信息包括人员数。

具体的，第三处理模块450获取输入模块410中的人员信息。

S420、根据人员信息，对第二线路进行初始化处理，以得到第二线路集合，将第二线路集合作为粒子群算法的粒子群。

具体的，第三处理模块450将第二线路进行复制，从而获得与人员数数量相同的多个第二线路，所有第二线路的集合为第二线路集合。

S430、将粒子群的各粒子与待分配人员一一对应。

具体的，将待分配人员进行编号，并将其编号与粒子群各粒子的索引保持一致。

S440、通过粒子群算法对粒子群进行处理，以获得粒子群中每一个粒子的第一位置，并根据第一位置获得所述待分配人员的分配路线。

进一步，如图1所示，第三处理模块450还处理如下步骤：

S450、通过遗传算法对粒子群进行处理，以得到更新后的粒子群。

具体的，从粒子群中的随机获取第一粒子和第二粒子。

进一步，获取第一粒子的第一位置。

进一步，通过遗传算法对第一粒子的第一位置对应的第一路径段与第二粒子中随机选取的第二路径段进行交叉和变异处理，以得到更新后的第一粒子和更新后的第二粒子。

需说明的是，由于路径具有方向性，因此，以第一位置为分配线路的起始点，可以获得待分配人员的分配线路，其中，分配线路为第一路径段。

进一步，根据更新后的第一粒子和更新后的第二粒子，对粒子群进行更新。

进一步，获取粒子群的第二位置。

进一步，获取第二位置在粒子群中对应的第三粒子，并在粒子群中随机获取第四粒子。

进一步，通过遗传算法对第三路径段和第四路径段进行交叉和变异处理，以得到更新后的第三粒子和更新后的第四粒子；其中，第三路径段对应第三粒子的第二位置，第四路径段为在第四粒子中随机选取的路径段。

进一步，根据更新后的第三粒子和更新后的第四粒子，对粒子群进行更新。

S460、对更新后的粒子群通过粒子群算法进行处理，以得到待分配人员的分配路线。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。