算法作为当今科技高速发展时代下重要的工具，已经深刻影响了经济市场，推动着社会整体资源结构配置的优化。即时配送是互联网下先进算法与物流的结合产物。为此，结合算法研究即时配送订单匹配问题，探讨算法进行订单资源匹配的内在机理，具有重要的理论意义和现实价值。
　　本文以即时配送行业中订单匹配为研究对象，构建了智能化的订单匹配优化模型，并且提出不同的求解算法，论证了算法对于资源配置的影响。通过建立即时配送订单匹配的模型，设计了基于马尔可夫决策过程的强化学习算法，并且与贪心算法，遗传算法等进行比较。结果显示，强化学习算法作为先进的智能算法，能够随环境的变化进行学习，充分体现了机器学习算法的智能特性，但是需要大量的时间和数据进行训练；贪心算法计算速度最快，在随机环境下得到的总效益最大；遗传算法的计算速度不能够满足即时配送时效性的要求。即时配送平台企业需要根据自身情况，合理选择最佳的订单匹配方案。研究表明算法的进步不仅在于计算机制的更新，更主要体现在对信息的获取与处理。强化学习算法能针对订单匹配问题的动态环境进行训练，将数据转化为额外信息并且能学习其中规律，最终为决策提供依据。本质上，算法能够进行决策的主要原因在于，能利用数据获取更多的信息，并进行学习，最终达到资源的优化配置，成为了资源配置的一种新机制。
　　本文的创新点如下：第一，构建了即时配送中的订单匹配问题的数学模型，将订单匹配过程转化为马尔可夫决策模型，量化了动态过程和对未来的效用期望。第二，根据订单匹配动态模型创新性地设计了定制化的强化学习算法，降低了算法模型的复杂度，解决了算法学习效率不高的问题，并且通过对比不同的算法解释了算法决策的内在机理。