众包配送效能及其影响因素指标体系研究

Research on crowdsourcing delivery performance effectiveness and its influencing factors index system

摘要

针对当前众包配送评估维度分散、关键影响因素不明等问题，定义了用于衡量配送任务分配效率和服务质量的多维度指标——众包配送效能（Crowdsourcing Delivery Performance Effectiveness，CDPE）综合评价指标.选取近十年相关中外文献，基于关键词聚类分析，提炼出算法与技术优化、物流管理与供应链以及需求与用户行为三大类CDPE提升路径，并构建了基于层次分析（Analytic Hierarchy Process，AHP）模型的CDPE影响因素指标体系，进行权重量化分析，最后对典型众包任务调度算法进行总结和验证.结果表明，CDPE与参与者特性、配送模式选择及时空约束条件等多维因素纳入考虑密切相关，在优先级考虑上也高度一致，说明研究结果可为众包平台优化调度策略、提升资源配置效率等CDPE提升提供量化依据，也可为众包配送优质服务提供决策参考.

Abstract

Aiming at the problems of scattered evaluation dimensions and unclear key influencing factors in current crowdsourcing delivery， this paper defined a multi-dimensional index for measuring the efficiency of delivery task allocation and service quality—the comprehensive evaluation index of crowdsourcing delivery performance effectiveness （CDPE）. Based on relevant Chinese and foreign literatures in the past decade and keyword cluster analysis， three major CDPE improvement paths were extracted： algorithm and technology optimization， logistics management and supply chain， and demand and user behavior. An index system of CDPE influencing factors based on the analytic hierarchy process （AHP） model was constructed for weight quantification analysis， and typical crowdsourcing task scheduling algorithms were finally summarized and verified. The results showed that CDPE was closely related to the comprehensive consideration of multi-dimensional factors such as participant characteristics， delivery mode selection， and spatiotemporal constraints， with a high consistency in priority setting. It indicated that the research results could provide a quantitative basis for crowdsourcing platforms to optimize scheduling strategies and improve resource allocation efficiency for CDPE enhancement， as well as a decision-making reference for high-quality crowdsourcing delivery services.

Graphical abstract

关键词

众包配送 / 众包配送效能 / 任务分配算法 / 影响因素

Key words

crowdsourcing delivery / crowdsourcing delivery performance effectiveness （CDPE） / task allocation algorithm / influencing factor

随着信息通信技术的快速发展以及移动互联网应用的全民推广，传统电商、直播带货和餐饮外卖等网络平台逐渐成为大众购物的常态化渠道，催生了各种地方、区域和跨境物流企业.为进一步优化物流企业配送到户的运营成本问题，区域配送中心、菜鸟驿站、智能快递柜等第三方派送、代收和暂存等企业如雨后春笋般兴起.在这种模式下，对辐射范围相对较小的区域，客户自提模式较为方便，但对于大件物品、距离较远或不愿意自提的客户，有偿配送交付成为物流末端又一盈利点.众包配送因同时考虑了参与主体利益而被认为是解决“最后一公里”末端配送问题的有效手段之一^［1］，为实现参与主体利益最大化，相关配送模式和任务调度算法^［2］逐渐成为该领域研究热点.

Fatehi和Wagner^［3］提出基于鲁棒优化的众包配送模型，系统解决了电商背景下在需求不确定性条件下进行劳动力规划与定价的策略问题；Wang等^［4］基于传统众包交付形式提出Crowdkeeping模式，引入“邻里寄存”机制，由附近居民临时接收包裹并提供自提服务；Sopha B M^［5］通过实证分析得出消费者对“专人送货上门”的接受度显著高于“自提配送”.这些研究从策略建模、模式设计、用户认知等多个层面丰富了众包物流的研究体系，也为构建高效、可持续的末端配送系统提供了理论支持与实证依据.

为帮助研究者快速深入理解众包配送领域相关研究现状、发展趋势和关键问题，促进跨学科研究和国际合作，近期有学者从参与者影响因素、配送平台运营模式、配送车辆路径问题等多个角度对众包配送研究现状展开了系统性综述.Ranathunga等^［6］基于电商物流背景，系统回顾了首、末端配送整合（first-mile pickup与last-mile delivery）的研究进展，分析了容量受限车辆路径问题（Capacitated Vehicle Routing Problem，CVRP）及其变体的模型特性与求解方法；Kadadha M等^［7］聚焦当前众包平台运行机制，强调末端配送面临着平台信任、任务分配公平性与配送人员声誉不透明等关键问题；赵建友等^［8］全面梳理了众包“最后一公里”配送中的参与者行为建模、任务匹配机制与路径优化策略，系统评述其对提升配送效率与平台协同运作的关键支撑作用.

为进一步分析最新众包配送领域研究态势、关键影响因素和配送任务调度算法，本文提出融合考虑配送效率和服务质量的“众包配送效能”（Crowdsourcing Delivery Performance Effectiveness，CDPE）多维度综合评价指标，选取近十年发表在高水平、高被引学术期刊的相关学术论文，基于关键词聚类分析提炼出CDPE的核心提升路径，并引入层次分析（Analytic Hierarchy Process，AHP）模型量化分析了各影响因素权重，对比分析了现有配送任务调度算法性能、适应场景及主要影响因素，以期为高校、大型社区等特殊区域性应用场景下的“最后一公里”众包配送和任务调度深入研究奠定基础.

1 研究态势分析

本文以Web of Science和CNKI（中国知网）数据库为主，以Google Scholar、IEEE Xplore、ACM Digital Library、SpringerLink为补充，将时间段设置为2015至2024年，外文文献以“（Crowd OR Crowdsourced OR Crowdsourcing）AND（Delivery OR Scheduling）”、中文文献以“众包 * （ 配送+调度）”进行关键词模式检索，对检索结果进行对比、筛选和剔除处理后共获得1 527篇有效文献.

1.1 研究趋势

基于年度的中、外文数量及分布统计如图1所示.可以看出，近十年，众包配送相关研究越来越受到学术界关注，文献数量在2017至2021年间增长迅猛，中文文献在2021年达到顶峰，这与新冠疫情期间线上购物末端配送暴发性增长需求相一致.2021年后，随着业界对众包配送模式的广泛推广，中文文献数量出现小幅下滑，而外文文献仍呈稳步增长趋势，表明全球学术界和业界对众包物流领域的关注持续不断，尤其在配送算法优化、配送资源调度等前沿学科领域.

1.2 研究热点

为全面分析众包配送与任务调度相关研究主题、热点分布及前沿动向，借助知识图谱工具VOSviewer 构建了如图2所示的研究热点可视化图谱.由图2（a）可见，中文文献重点关注众包配送在特定场景中的发展及外卖平台下的劳动权益问题，也涵盖众包物流的影响因素分析与细分应用探索；图2（b）表明，外文文献主要聚焦于模型与算法创新，涵盖应用场景建模、路径规划及调度算法等前沿方向.

1.3 学科分布

众包配送及任务调度领域学科分布图如图3所示，主要包括计算机科学与信息系统、电子电气工程、通信、运输科学技术等与众包配送物流、技术、管理、工程等密切相关的学科，并且呈现出融合交叉研究趋势.正是这些学科领域共同发力，才使得众包配送从基础设施、技术支持、系统开发、管理运营到环境保护等多个方面逐渐形成一套完善的理论与实践体系，为众包配送效能提升和创新发展提供了有力支持.

2 众包配送效能及其提升路径

2.1 “众包配送效能”综合评价指标

为了与现有众包配送效率或服务满意度等单一维度指标相区别，本文定义“众包配送效能”（Crowdsourcing Delivery Performance Effectiveness，CDPE）综合评价指标，用于多维度评价众包配送任务的分配效率和服务质量表现.鉴于关键词对文献核心内容和研究重点的表征意义，本文将其作为影响因素进行聚类分析，以进一步构建CDPE的影响因素指标体系.

2.2 影响CDPE的文献聚类分析

基于VOSviewer对文献进行关键词检索和聚类分析，得到如图4所示的众包配送效能影响因素热力图.由图可见，中、外文文献关键词均明显聚类为算法与技术优化、物流管理与供应链和需求与用户行为三大核心板块，它们相互交织、协同作用，构成影响众包配送任务完成效率与服务质量的主要途径.

2.3 CDPE提升路径解析

上述三个板块从不同维度围绕CDPE的提升展开研究，各自研究侧重点、方略和目标有所不同.

2.3.1 算法与技术优化

1）任务分配与调度.核心目的是将任务有效分配给合适的执行者，最大限度地提高资源的利用率，直接影响众包配送整体效率和服务质量，研究内容主要包括配送任务的逻辑结构、分解原则和调度方案等.

2）资源管理与优化.核心目标是充分利用人力、车辆、设备等社会资源，以提高即时配送效率.目前，以考虑了多种因素的合单模型为主要优化方向，通过建立运力调度模型，有效实现了人力与运力资源的整合优化.

3）智能技术与算法优化.智能技术的引入不断提高了众包配送执行效率，算法改进有效提升了任务匹配、路径优化等算法效率，将智能技术与算法优化相结合以提升对环境和需求动态变化的适应性是当前研究方向.

2.3.2 物流管理与供应链

1）配送模式的选择.相较其它合作点自提、智能快递柜、第三方专业末端共配等常见末端配送模式^［9］以及无人机、无人车等新兴配送模式而言，众包配送模式具有充分利用社会资源、社会个体参与配送服务、为顾客一对一定制化服务等优点，同时也存在服务质量无法保证、服务监管措施缺失及存在安全隐患问题等缺点.

2）技术创新与信息化支持.大数据分析、物联网和区块链等技术手段增强了供应链透明度，通过建立多方参与的物流信息共享平台、实时监控配送过程、优化资源调配等技术创新和信息化支持，可显著提升众包配送效能.

2.3.3 需求与用户行为因素

1）激励定价.通过优化定价机制可有效提升市场效率和对配送人员的激励效果，从而优化系统的运行，实现效率和成本之间的平衡，提升众包系统的整体表现.

2）参与者特性.基于配送人员的偏好、专业知识、感知因素等兴趣区域^［10］（Area of Interest，AOI），优化任务与配送人员之间的匹配度；通过专业知识等特性评估，自动匹配配送所需技能，以优化项目中的任务分配；基于情感因素优化，进一步提高众包任务分配效率和质量.

3）时空约束.众包配送订单通常带有严格的时间限制，但更多考虑的是顾客时间窗^［11］，配送员时间窗约束较少被关注；空间位置的约束主要涉及配送员的活动区域；在时空约束条件下，配送员的任务调度变得更加困难^［12］.研究表明，合理应对时空约束能够优化任务调度，提高配送效率，提升用户满意度.

4）合单配送与路径规划.订单整合和配送路径优化可显著减少众包配送员的总配送距离和配送时间^［13］，但合单配送的效果取决于订单组合的合理性，若合单距离较远或配送时间相差过大，效率可能不增反降.

3 基于AHP的CDPE影响因素指标体系

为进一步分析影响CDPE影响因素权重，基于层次分析法（Analytic Hierarchy Process，AHP）量化上述各影响因素权重，为众包模型优化和算法改进方向提供参考依据.

3.1 CDPE影响因素指标体系

将前述影响CDPE的三大板块主要因素加上其它未纳入的内容，构建涵盖4个一级指标^［14］和13个二级指标^［15-18］的AHP模型结构如表1.

3.2 判断矩阵构建

根据文献查阅、专家访谈与综合评审，对相关指标进行筛选与归纳，利用1~9标度法，构建一级指标相对于整体目标以及二级指标相对于一级指标判断矩阵，以确定各指标的相对重要性，判断矩阵如表2所示.

3.3 计算权重与一致性检验

依据判断矩阵计算特征值，并计算各层因素的权重，具体公式如下：

{\lambda }_m=\frac{\mathrm{1}}{n}{\sum }_{i=\mathrm{1}}^n\frac{{\left(B\omega \right)}_i}{{\omega }_i}. （\mathrm{1}）

通过阶数n和最大特征值{\lambda }_m求出一致性指标CI：

CI=\frac{{\lambda }_m-n}{n-\mathrm{1}}. （\mathrm{2}）

计算一致性检验比例CR：

CR=\frac{CI}{RI}. （\mathrm{3}）

RI取值标准见表3.

若，则判断矩阵通过一致性检验，确保分析结果的可靠性.经过计算，目标层与各级指标矩阵的一致性比例值CR均低于0.1，皆符合一致性检验，结果可信，结果见表4.

3.4 综合权重计算

在一级指标权重{\omega }_i计算完毕后，假设每个一级指标下二级指标的权重为{\omega }_{ij}，则二级指标对整体目标的综合权重{\omega }_{total}计算公式为：

{\omega }_{total}={\omega }_i\times {\omega }_{ij} . （\mathrm{4}）

通过计算可得各影响因素综合权重见表5.

综合分析可得，在该模型一级指标中，需求与用户行为{\mathrm{B}}_{\mathrm{3}}以权重0.530 6占据主导地位，应作为众包调度优化的优先考量；在二级指标中，参与者特性{\mathrm{C}}_{\mathrm{7}}、配送模式的选择{\mathrm{C}}_{\mathrm{4}}、时空约束{\mathrm{C}}_{\mathrm{8}}构成影响CDPE的核心因素，在优化众包调度方案中，应围绕上述关键指标制定改进策略.同时，AHP一致性检验结果证明判断矩阵具备良好一致性，为模型构建与策略优化提供了理论支持.

4 任务分配算法及效能分析

在众包配送与任务调度中，任务分配算法作为核心决策模块，是衔接平台指令与执行行为的关键环节，直接影响资源利用效率与服务响应质量.任务分配（Task Allocation）是指将特定任务分配给可用资源（如人员、车辆等）以实现高效运作的过程.

任务分配算法决定了资源调度的策略路径，而效能分析则衡量这一策略在实际场景中的运行效果与优化价值.为系统评估不同任务分配策略的优劣，本文围绕上述CDPE指标体系，对现有文献中的典型任务分配算法进行归纳分析，重点关注其在上述各维度的表现差异与优化潜力.

4.1 典型任务分配算法

随着应用场景的复杂性不断提升，任务分配问题呈现出多目标、强约束、非线性和动态变化等特征，为应对这一挑战，已有研究提出多类任务分配算法，主要包括精确算法、启发式算法、元启发式算法、学习驱动方法等.

4.1.1 精确算法

通过数学建模与系统性搜索策略，寻求任务分配的最优解.如整数线性规划（Integer Linear Programming，ILP）、动态规划（Dynamic Programming）、分支定界法、匈牙利算法（Hungarian Algorithm）等.精确算法通常要求问题具有明确的数学模型与有限规模的约束条件，在小规模任务调度问题中表现优异，但对于复杂动态环境的适应性较弱.

4.1.2 启发式算法

启发式算法（Heuristic Algorithms）依赖经验性规则构造近似解，如贪婪法（Greedy Algorithms）、局部搜索（Local Search）、优先级调度策略，适合对实时性与计算效率要求较高的场景.尽管启发式算法能显著提高调度效率，但其缺乏全局最优保证，可能陷入局部最优解.

4.1.3 元启发式算法

通过模拟自然或社会系统的机制进行搜索，能有效应对大规模、高复杂度、非线性任务分配问题，包括遗传算法（Genetic Algorithm，GA）、蚁群算法（Ant Colony Optimization，ACO）、粒子群优化（Particle Swarm Optimization，PSO）、模拟退火（Simulated Annealing，SA）等.其优势在于全局搜索能力，尤其适用于动态、多变的调度场景.

4.1.4 博弈论算法

适用于多智能体自利行为场景，尤其在多个参与者之间的利益博弈中，能够帮助找到纳什均衡或优化匹配策略.常用方法包括纳什均衡（Nash Equilibrium，NE）、博弈学习、拍卖机制（Auction Mechanism）等.该算法能有效处理参与者之间的互动与竞争，但其计算过程复杂，在参与者较多时可能存在收敛性问题.

4.1.5 混合算法

为进一步提升算法性能，混合方法将精确算法与启发式/元启发式结合，常见的混合算法包括遗传算法与局部搜索结合（GA-Local Search）、蚁群算法与匈牙利算法结合、模拟退火与动态规划结合等.该类算法兼顾解的质量与计算效率，不仅适用于大规模、多约束的众包调度问题，也在保持求解稳定性的同时，显著降低计算时间成本.

4.1.6 学习驱动方法

随着人工智能的发展，学习驱动方法（Learning-Based Methods）成为研究热点，通过强化学习（Reinforcement Learning，RL）、模仿学习或图神经网络（Graph Neural Network，GNN）等技术，从数据中学习任务分配策略，具有良好的泛化能力和动态适应性.

4.2 任务分配算法分类分析

众包配送场景中任务特征与资源属性存在高度异质性，为系统梳理现有研究路径，将众包配送及调度中任务分配方法按照算法类型进行归类，从典型方法、优势及近年来的应用趋势等维度进行整理归纳，如表6所示.

4.3 任务分配算法应用场景和CDPE分析

不同类型的任务分配算法在求解策略、计算复杂度以及应用适应性方面存在显著差异，仅从计算复杂度或运行效率出发尚不足以全面评估其适用性.为了更具针对性地揭示不同算法在实际场景中的表现，结合前文构建的CDPE多维度指标体系，对各类算法在“算法与技术优化”“物流管理与供应链”“需求与用户行为”等关键因素上的侧重点进行进一步归纳.基于此，表7从算法类型出发，综合整理了典型任务分配策略在关键影响因素、典型应用场景与时间复杂度等方面的表现特征.

综合表7中各类任务分配算法的对比结果可得，尽管算法类型各异、应用场景分布不同，但其涉及的关键影响因素在多个维度上呈现出一定的集中性特征.具体而言，多数算法的考虑因素与优化设计高度聚焦于以下几个方面：参与者特性C_{\mathrm{7}}（如工人能力、响应行为等）、配送模式的选择{\mathrm{C}}_{\mathrm{4}}（如静态分配、动态分配、抢派单模式等）、时空约束C_{\mathrm{8}}（如路径规划、时间窗限制等），以及其他影响因素，如激励定价C_{\mathrm{6}}、智能技术与调度优化C_{\mathrm{1}}等.

在任务调度算法改进方面，基于参与者特性、配送模式选择与时空约束三大核心因素，进一步引入智能调度机制可有效提升任务分配的响应效率，而融合激励定价策略则有助于增强工人参与意愿与履约稳定性，从而实现任务分配策略的整体优化.值得指出的是，这些影响因素与前文通过 AHP 层次分析法所构建的评价指标体系高度契合，进一步验证了“算法与技术优化”“物流管理与供应链”“需求与用户行为”等核心维度在众包配送任务分配研究中的重要性.

AHP模型为众包配送任务调度中的关键影响因素赋予了不同权重，使得我们能够在多维度的分析中量化每个因素对任务分配效能的具体贡献，这不仅增强了评价模型的理论支撑力，也为后续算法适用性评估与优化路径选择提供了可靠依据.通过该一致性，研究能够确保任务调度优化过程中，算法改进与评价模型的协同进展，为未来的研究提供了更加科学的理论框架与应用指导.

5 结论

基于众包配送领域最新研究态势，该领域研究方向日益聚焦，学科融合交叉特征显著，国内外研究重点有所区别.围绕众包配送效能的提升路径，本文提炼并解析影响众包配送效能的关键维度，构建了基于AHP的多层级指标体系，量化分析各因素的相对重要性.同时，引入任务分配算法分类对比，开展效率、稳定性与关键影响因素等多维度综合评价，本文提出的结构化指标体系与调度评价维度为算法适配性选择提供参考路径.结果表明，参与者特性、配送模式选择与时空约束在各评价维度权重占比显著，分别为0.247 2、0.183 4、0.147，构成影响众包配送效能的核心变量.通过任务分配算法的分析对比可得，各类算法的关键影响因素与构建CDPE影响因素指标体系中的核心维度高度一致，为优化平台决策机制与调度策略提供了理论支撑，也为后续实证研究与模型构建提供了指标基础与方法参考.

随着智慧物流体系的加速演进和众包配送模式的持续拓展，众包配送正面临新的机遇与挑战，本文从以下三个方面进行展望：第一，基于数据驱动的需求响应与用户行为的精细化建模.基于实际平台运行数据与用户行为数据，进一步开展参与者精细化建模，实现个性化调度与资源配置效率的协同优化；第二，多维评价体系与模拟环境构建.以关键影响因素为支点，聚焦参与者建模、时空调度机制与智能优化策略的协同融合，建立涵盖效率、稳定性与适应性的综合评价框架，提升调度方案在不同物流场景下的适用性与可迁移性；第三，推进算法融合与工程落地.探索深度学习与启发式/元启发式算法融合的智能调度架构，推动其在众包平台与城市配送网络的实际部署，强化理论研究成果的工程转化能力.

参考文献

[1] 蒋慧. 基于双边市场理论的众包配送平台定价决策模型研究［D］. 武汉： 武汉理工大学， 2020.

[2] 余海燕， 李红梅， 王姝翔. O2O外卖众包即时配送平台的激励机制适用性［J］. 系统工程， 2022， 40（4）： 89-99.

[3] FATEHI S， WAGNER M R. Crowdsourcing last-mile deliveries［J］. Manufacturing & Service Operations Management， 2022， 24（2）： 791-809.

[4] WANG X， ARSLAN O， DELAGE E.Crowdkeeping in last-mile delivery［J］. Transportation Science， 2024， 58（2）： 474-498.

[5] SOPHA B M.Attended home delivery or self-collecting delivery： A comparison analysis of consumer attitudes［C］//Proceedings of the 2024 IEEE International Conference on Industrial Engineering and Engineering Management （IEEM）. Bangkok： IEEE， 2025： 298-302.

[6] RANATHUNGA M I D， WIJAYANAYAKE A N， NIWUNHELLA D H H.Solution approaches for combining first-mile pickup and last-mile delivery in an e-commerce logistic network： A systematic literature review［C］//Proceedings of the 2021 International Research Conference on Smart Computing and Systems Engineering （SCSE）. Colombo， Sri Lanka： IEEE， 2021： 267-275.

[7] KADADHA M， MIZOUNI R， SINGH S， et al. Blockchain-based reputation management framework for crowdsourced last-mile delivery［C］//2023 International Wireless Communications and Mobile Computing （IWCMC）. Marrakesh， Morocco：IEEE， 2023： 1244-1249.

[8] 赵建有， 李玥， 田浩， 等. 众包配送研究综述［J］. 交通运输工程学报， 2023， 23（5）： 62-84.

[9] 欧阳玉子. 城市末端共同配送网点布局规划研究［D］. 北京： 北京交通大学， 2019.

[10] ZHANG J L， SHAN E G， WU L X， et al. An end-to-end predict-then-optimize clustering method for intelligent assignment problems in express systems［EB/OL］. 2022： arXiv： 2202.10937.

[11] 严磊. 混合云环境下众包任务调度算法的研究与应用［D］. 南京： 南京理工大学， 2021.

[12] 徐静如. 时空众包任务分配方法的研究［D］. 哈尔滨： 哈尔滨工程大学， 2023.

[13] LYU W J， ZHANG K X， GUO B S， et al. Towards fair workload assessment via homogeneous order grouping in last-mile delivery［C］//Proceedings of the 31st ACM International Conference on Information & Knowledge Management. USA：ACM， 2022： 3361-3370.

[14] 张心如. “互联网+”背景下众包物流规制的法律框架［J］. 物流科技， 2024， 47（22）： 12-14.

[15] 杜子超， 卢福强， 王素欣， 等. 众包物流配送车辆调度模型及优化［J］. 东北大学学报（自然科学版）， 2021， 42（8）： 1210-1216.

[16] 周航. 考虑订单合并的外卖配送路径优化模型及应用研究［D］. 沈阳： 东北大学， 2021.

[17] 马千雅. 公众参与生鲜产品众包配送接单意愿影响因素研究——基于UTAUT模型［J］. 物流工程与管理， 2022， 44（4）：124-126+129.

[18] 戴雪. 考虑取送餐时间窗的众包外卖配送路径优化研究［D］. 福州： 福州大学， 2022.

[19] VÁSCONEZ J P， SCHOTBORGH E， VÁSCONEZ I N， et al. Smart delivery assignment through machine learning and the Hungarian algorithm［J］. Smart Cities， 2024， 7（3）： 1109-1125.

[20] 刘潇潇. 移动众包任务分配与定价关键技术研究［D］. 扬州： 扬州大学， 2019.

[21] 陈天一， 高丽萍. 空间众包下面向任务需求的在线三类分配策略［J］. 软件导刊， 2023， 22（1）：165-170.

[22] CORREA O， TANIN E， RAMAMOHANARAO K， et al. Optimizing crowdsourced delivery routes through concurrent selection of pickup stores and drivers［C］//Proceedings of the 15th ACM SIGSPATIAL International Workshop on Computational Transportation Science. Seattle Washington. ACM， 2022： 1-10.

[23] 李之尧. 众包平台效益最优化任务调度算法研究［D］. 上海： 上海交通大学， 2022.

[24] 何飞佳， 沈立炜， 宋育臣， 等. 面向设备与人力资源协作任务的优化调度方法［J］. 软件学报， 2024， 35（11）： 5319-5340.

[25] 刘文娇. 众包物流任务分配优化方法及应用研究［D］. 烟台： 山东工商学院， 2022.

[26] MAHMOUDINAZLOU S， ALIZADEH A， NOBLE J， et al. An improved hybrid ICA-SA metaheuristic for order acceptance and scheduling with time windows and sequence-dependent setup times［J］. Neural Computing and Applications， 2024， 36（2）： 599-617.

[27] 李祖伟. 基于众包模式的农村电商物流管理系统的设计与实现［D］. 金华： 浙江师范大学， 2023.

[28] 张文松. 众包物流模式下司机与任务动态分派问题研究［D］. 沈阳： 辽宁大学， 2021.

[29] 李欣豪. 移动群智感知中基于时空动态规划的双向选择任务分配研究［D］. 烟台： 烟台大学， 2024.

[30] ABOUOUF M， SINGH S， OTROK H， et al. Gale-shapley matching game selection—a framework for user satisfaction［J］. IEEE Access， 2019， 7： 3694-3703.

[31] FENG M， YANG S H， YANG L. Intelligent logistics scheduling model based on Q-learning［C］//Proceedings of the International Conference on Internet of Things， Communication and Intelligent Technology. Singapore： Springer， 2023： 564-570.

[32] XIA K W， LIN L， WANG S， et al. A predict-then-optimize couriers allocation framework for emergency last-mile logistics［C］//Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. USA： ACM， 2023： 5237-5248.

[33] 张明伟， 李波， 屈晓龙， 等. 基于混合蚁群算法的异质车队低碳 VRP 研究［J］. 计算机工程与应用， 2020， 56（14） ： 240-249.

[34] 赵天鸿. 动态环境下众包物流任务规划方法［D］. 深圳： 深圳大学， 2019.

基金资助

西南民族大学研究生创新型科研项目