随着电子商务与新媒体平台的迅速发展,线上购物已融入进千家万户,成为人们生产生活密不可分的一部分。而与之相关的物流与配送体系问题也越来越被人们所重视,拥有一个良好的物流配送系统,既是企业也是客户的追求。通过对国内外文献进行归纳总结发现,现有的对物流配送路径的优化大多集中于VRP（Vehicle Routing Problem）,而对于“最后一公里”这一面向客户的交互环节,更多地是利用SWOT分析法对其进行的理论层面优化与畅想。基于此,本文将“最后一公里”配送问题抽象为多旅行商问题（Multiple Traveling Salesman Problem,MTSP）,将蚁群与粒子群两种智能算法融合求解末端物流配送问题,研究的目标是多快递员的总路线最短。由于多旅行商模型自身具有复杂的约束,再加之也没有可供测试算法性能的公开数据集,所以本文的研究首先从旅行商问题（Traveling Salesman Problem,TSP）入手,选择利用蚁群算法在K-means聚类思想下进行基础TSP的求解。引入K-means算法是受到多旅行商问题中多个旅行商分担同一任务的启发,大规模TSP中目标点过多,为避免线路的过度交叉因此将整体TSP利用K-means算法将其拆分为若干子TSP,这样使得复杂的大规模TSP得以被拆分为多个任务,采用分而治之的思想对每一个单独的子任务进行路线规划,通过在旅行商提供的公开数据集上测试,算法的运行效率得以提升,为多旅行商模型中多任务分配的可行性提供了有力支持。其次,考虑到真实场景下优化快递员的配送路线时,其模型的复杂度更大约束更多,蚁群算法由于其自身局限性无法更好地对其求解,因此选择在蚁群算法中融入粒子群算法来提升单一算法性能,将两种智能算法优势互补。通过公开数据集的验证,混合算法在运算效率和求解精度上较两种单一算法都得到了较大提升,为最终的末端物流配送模型优化提供了更好的求解方法。最后是混合算法求解末端物流配送模型的实验,该实验延续了K-means聚类算法解决TSP所采用的化大为小的思路。将末端物流配送问题建模为MTSP,在多旅行商问题中不再需要K-means算法划分任务,由M个旅行商分担N个目标点就可以实现多任务分配。而在模型中加入时效性约束,思路也与K-means聚类的目的相同,拆分任务的同时也均衡了目标点数量。利用融合算法对本模型进行优化,通过合理约束时效性,在快递员数量不同的情况下均能够保证任务量均衡,同时最大程度的减小了M个快递员的总行程,提升了配送效率。