（1）首先分别采用AP聚类、K聚类以及两种结合的方式分别对订单信息进行聚类，最终使用Silhouette指标对于聚类结果进行评价。以某平台某天的订单高峰期出现的30、50、150条不同规模的订单进行聚类，结束后发现采用两种结合的聚类方式的得分是优于分别采用这两种方法中的一种进行聚类，这也同时印证了将两种方式结合进行聚类方法的可行性和有效性。
（2）本文也建立了考虑骑手异质性的外卖订单分配和路径优化的数学模型。本文采用分阶段式的对外卖配送问题进行优化。首先建立了考虑骑手异质性的前提下，以满意度最大化和配送成本最小化为原则的订单集合分配数学模型，此处将骑手分为专业老骑手、专业新骑手、众包老骑手及众包新骑手四类进行任务集合的分配。使用匈牙利算法、自适应大邻域搜索算法对不同数量订单组合后的订单集合进行指派及配送路径的规划后发现，骑手的启动成本和延迟成本随着订单规模增加在总成本中所占的比例也在不断增加，但是运输成本的比例基本保持不变，这也意味着，随着平台订单规模的不断扩大，平台应选择合理的运力配置以便于最小化骑手的启动成本。在尽可能满足客户配送时间窗的要求下选择启动成本较低的骑手，合理化不同类型骑手的运力调度去降低订单延迟比例，对于平台的运营决策有一定的借鉴意义。
参考文献（略）
