一份外卖从店铺送到你手中，期间经历了什么？

谁来配送？一次要拿多少个订单？走哪个路线更快？如何不超时？

在外卖准时配送这小小的一件事上，有无数的问题需要被解决。

送外卖，是一个多人多点动态匹配问题。

如今订单量的增多，使得外卖员不得不一次处理多个订单。多人指的是区域内的外卖员，多点指的是店铺和收货人，匹配就是将新订单合理的分配给外卖员，在保证准时配送的同时，尽可能的解决更多订单。

如果有订单改派了呢？高峰期爆单了呢？再加上下雨了呢？

送外卖，真的是一个很大的问题。

拆解是解决问题的有效手段，外卖配送可以大体拆解为分析和决策。

分析指的是对现实状况描绘和预测，目标是为决策提供依据。

比如我们曾提到过的天气预测就是分析，要不要带伞就是决策。

外卖配送中的预测包括出餐时间、路径耗时、未来订单量等各个方面，这部分工作往往由机器学习承担。别忘了机器学习最重要的能力，就是通过积累的数据，对未来的状况作出预测。

接下来是决策，派出哪些订单，规划怎样的路径，这些决定全部是基于上一步的预测和现实情况做出的。除了遗传算法、模拟退火等经典的运筹优化模型，强化学习也会在现实情况的基础上，模拟出更优结果，为决策模型提供迭代依据。

但这仍然是理想中的外卖规划。别忘了外卖是要送到家门口的，社区内的道路、上下楼时间，这些信息都是收集数据再清洗后得到的，也就是外卖员一次次跑出来的。

在 30 分钟的外卖配送中，层层嵌套着许多需要不同技术解决的问题，这正是现实的魅力。