自2016年起,新零售概念越来越为人所熟悉,随着时代的发展,企业通过物流使得线上线下融合达到共同发展。各企业为适应新零售时代,进行一系列战略布局和合作。新零售时代的到来,消费者可通过各种渠道进行购物,而消费者的购物体验将成为重中之重,高频次、数量小的物流配送方式也成为现代末端物流常见的运输方式。如何优化末端物流配送方法,将线上线下深入融合,从而提高配送效率,提升消费者的购物体验,是一个值得深究的研究重点。本文从基于新零售下各实体店面协同合作、各实体店面具有一定的库存量可作为配送中心的情况下,从末端实体店物流配送路径角度出发,对新零售下各实体店物流配送路径优化方法进行研究。主要研究内容如下:首先从新零售时代背景出发,分别介绍新零售、末端物流、共同配送、车辆路径问题、旅行商问题(Traveling Salesman Problem,TSP)的基本概念,对新零售模式和特点、新零售市场格局、末端物流共同配送和TSP问题等方面进行研究现状综述。其次,从末端实体店物流配送路径角度出发,对遗传算法和K-means聚类算法进行研究,提出传统遗传算法和K-means聚类算法的优缺点,对解决当前新零售下末端物流的配送路径存在不足。对遗传算法和K-means聚类算法进行改进和结合,通过修改聚类规则来固定聚类中心且以遗传算法求取TSP路径距离作为簇聚合的聚类条件,同时根据簇中心的欧几里得距离作为收敛规则,通过不断重聚类后根据收敛条件而获取更优解,重聚类处理后的配送策略可以对新零售背景下的物流配送路径进行优化。另外由于具有相同或者相似库存商品且具有合作伙伴关系的实体店面都可以作为配送中心进行协同配送,本文提出的混合算法还针对了属于不同配送中心但是在同一配送目标点的订单进行合并优化,从而减少重复配送路径,适应当前的新型零售模式,为减少物流成本和提高用户体验度提出一种新的配送路径优化方法。最后,使用广州市天河区实际店面数据和订单作为真实的实验数据,通过Tensorflow平台进行算法编程和实验仿真,对提出的改进前后的两种算法进行对比验证,实验结果表明了其有效性。实验结果表明:与传统遗传算法相比,用遗传算法改进K-means聚类算法可以使得物流配送路径得到较大的优化。