现如今,随着共享经济的快速发展,共享单车逐渐走进人们的视野当中。共享单车的出现主要是解决人们出行的问题,它方便了人们生活的同时降低了汽车尾气对空气的污染程度,但随之而来的是共享单车供不应求、供大于求的问题。本文针对路径调度优化的问题,把华盛顿地区白宫附近20个租赁点作为研究对象,首先分析该地区影响租赁点共享单车数量的相关因素并获取租赁点的地理位置,然后将主要影响因素用于预测模型中进行训练,预测出未来时刻各租赁点所需共享单车的实时数量,进而根据该值计算出需要配送共享单车的数量,最后采用改进后的蚁群算法对其进行优化调度,得到配送距离较短的配送路线。主要研究工作如下:1)完成了各租赁点拥有共享单车数量与租赁点地理位置的获取。本文主要是从华盛顿特区内部分租赁点中获取其所拥有的共享单车的数量,与此同时,从Kaggle和sofasofa中获得相对应的影响租借数量的相关因素,租赁点之间的距离则通过百度地图上的经纬度得到。2)建立了预测未来时刻共享单车数量的模型。通过热力性相关分析得知影响租赁点单车数量的关键性因素,对获取到的批量数据按照关键因素进行简单的处理,得到配送调度时所需要的数据格式。本文采用了基于XGBoost的预测模型,调整了影响预测结果的相关参数,并与梯度提升决策树和神经网络模型作对比,降低了预测误差,使结果更具有准确性。3)设计了基于信息素衰减方法的蚁群算法。考虑到蚂蚁在行驶路径中影响判断的信息素浓度,将初始信息素的浓度设为一个较大数值,避免短时间内全部挥发掉,并对蚂蚁在寻觅食物的路径中释放的信息素进行一定的衰减操作。该实验缩短了调度车的配送距离,节约了配送时间,能够快速有效的完成对各租赁点所需的共享单车的配送。实验结果表明,本文提出的租赁点之间蚂蚁残留信息素浓度的计算方法可以更加高效地调度共享单车,同时得到更短的调度路线,完成对共享单车的调度。本文研究工作中存在的问题,以及未来需要研究的工作在文章最后进行了说明。