伴随着移动互联网的发展和公众线上消费的流行,电商行业的规模扩张带动了物流业务的持续增长,但订单量的增长给物流配送末端带来了压力与挑战,运输成本的下降空间见底,物流配送效率下降,而众包物流的出现为缓解当前物流运输困境提供了新路径。因此,如何应用众包配送模式,为电商物流配送的最后一公里运输环节续航加码,是一个重要的研究课题。目前,关于众包物流任务的配送优化问题已经引起部分学者的关注,并取得了丰富的研究成果,然而相关成果只针对单一状态开展研究,未形成系统的研究问题体系,较少的考虑到司机的时间窗和容量限制对整体任务分配结果的影响。基于此,对众包物流任务的静态分配优化和动态分配优化进行系统研究,并给出相应的任务指派方法,具有重要的理论意义和现实意义。本文对众包物流参与最后一公里交付的任务分派问题,构建了相应的静态和动态分派优化模型,并设计求解的智能优化算法。针对现有研究的薄弱之处,本文具体开展了以下三方面的工作:第一,考虑司机时间窗和容量限制的众包物流任务静态分派问题。在任务分派过程中,司机的初始位置是不同的,每个任务订单宣布派送的时间也不同。首先,根据司机初始点至配送中心的距离,确定可参与任务配送的司机;其次,考虑司机的时间窗、容量限制等因素,以司机绕行派送任务产生的费用及其派送任务的多寡因素计算司机的派送报酬;然后,以派送成本最小为目标构建整数规划模型;进一步地,根据优化模型的特点,对禁忌搜索算法进行改进,以自适应并行算法构造初始解,为提高寻找最优解的效率,利用多种邻域搜索方法获得候选解;最后,本文采用Solomon基准测试实例进行数值实验,实验结果表明所设计的算法对求解本文模型是有效的。小规模实验中,对比TS算法和Lingo的结果验证了算法的有效性;在大中规模实验中,所构建模型能高效的将任务分派给司机,且能得到较高的众包接受率和包裹分派率。第二,在静态分派优化模型基础上,考虑司机时间窗和容量限制的众包物流任务动态分派问题。以司机初始点至配送中心的距离,确定初始参与任务配送的司机,在每阶段分派过程中,收集系统中未被配送的任务以及确定再次参加任务派送的司机。在此基础上,考虑未来司机和任务的信息,结合了上一阶段和当前阶段的所有任务信息构建众包物流任务的动态分派模型。以最小化派送成本为目标,设计基于遗传算法的模拟退火算法,通过模拟生成的实例发现在司机数量和包裹数量相当或超过的情况下,最低的派送率也能达到55%,说明所构建模型能有效的完成任务派送。验证了分派模型能充分利用司机的剩余运力,且能高效派送任务。通过对模型性能的测度,发现当众包系统中可供选择的司机数量越多,总成本越有可能下降并稳定到最低点,越有利于众包平台达到降本增效的目的。第三,针对本文构建的两个优化模型进行应用研究,并分析模型参数对整个配送效果的影响。以YT永旺超市区域内众包任务为例,分别根据众包物流任务静态优化模型和众包物流任务动态优化模型进行求解,得出配送方案。同时探究了众包司机最大配送容量和时间窗间隙两个参数对配送结果的影响程度,研究发现,增大众包司机的配送容量可有效减少众包平台的运营成本,但下降空间有限,容量达到阈值时能达到相对较好的配送结果。较长的配送时间窗间隙可以为平台优化匹配结果、降低运营成本带来良好的效果,但作用有限,当时间窗间隙达到阈值时,所需司机数量和配送总成本趋于稳定。因此众包平台在实际应用过程中可以通过调整司机最大配送容量和配送时间窗间隙来达到更好的配送效果。