1.一种基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，包括：采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型；基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案；所述根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，包括：根据待选物流中心的铁路与最近航空货运基地距离和最近港口集装箱堆场距离，获得运输距离系数，基于所述运输距离系数建立第一系数模型；获取待选物流中心的货运吞吐量等级建立多级运输环形圈，确定所述多级运输环形圈对应权重得到运输区域系数，基于所述运输区域系数建立第二系数模型；根据待选物流中心的铁路枢纽与铁路车站数量获得运输时间系数，基于所述运输时间系数建立第三系数模型；所述利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型，包括：其中， 分别代表所述多目标优化模型为一级多式联运物流中心的函数模型、二级多式联运物流中心的函数模型和三级多式联运货场的函数模型； 、 和 分别为第一系数模型、第二系数模型和第三系数模型， 为待选物流中心到最近港口的运输距离系数， 为最近航空货运基地的运输距离系数， 为待选物流中心可装卸转运集装箱的港口数量， 为待选物流中心可装卸转运集装箱的航空货运基地数量， 为全国集装箱货运量等级数， 为集装箱最大数量等级， 为集装箱最小数量等级， 为待选物流中心到最近港口的距离，其中 ， 为待选物流中心数量， 为待选物流中心到最近航空货运基地的距离，其中 ， 为待选物流中心数量且 ； 为中心城市、枢纽城市、重点城市的集装箱转运量， 为中心城市、枢纽城市、重点城市的铁路枢纽与车站数量的统计值，其中 ， 为中心城市、枢纽城市、重点城市数量， 为以中心城市建立的4层运输环形圈进行辐射全国的运输区域系数，其中 ；其中，所述多目标优化模型包括待选物流中心等级确定系数 ， 表示每个等级最大值， 表示每个等级最小值；所述多目标优化模型的约束条件包括任一待选物流中心到最近港口距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值，以及任一待选物流中心到最近航空货运基地距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值： ， 所述多目标优化模型的目标函数等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值： 。
2.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型，包括：获取所述多个目标城市的铁路站点数，基于各目标城市中最高货物吞吐量确定各目标城市货物吞吐量得分，基于各目标城市中最多人口数确定各目标城市人口密度得分，基于各目标城市中最多铁路站点数确定各目标城市铁路站点数得分；将所述各目标城市货物吞吐量得分、所述各目标城市人口密度得分和所述各目标城市铁路站点数得分相加得到各目标城市综合得分，根据所述各目标城市综合得分从高到低进行排序，分别按照预设划分比例得到中心城市、枢纽城市和重点城市。
3.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型，还包括：获取所述多个目标城市的铁路站点数，基于各目标城市中最高货物吞吐量确定各目标城市货物吞吐量得分，基于各目标城市中最多人口数确定各目标城市人口密度得分，基于各目标城市中最多铁路站点数确定各目标城市铁路站点数得分；将所述各目标城市货物吞吐量得分、所述各目标城市人口密度得分和所述各目标城市铁路站点数得分分别与货物吞吐量加权系数、人口密度加权系数和铁路站点数加权系数进行加权求和后得到各目标城市综合得分；根据所述各目标城市综合得分从高到低进行排序，分别按照预设划分比例得到所述中心城市、所述枢纽城市和所述重点城市，或者结合所述预设划分比例与铁路枢纽数量得到所述中心城市、所述枢纽城市和所述重点城市。
4.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案，包括：步骤1：确定所述目标函数与所述约束条件为免疫遗传算法中的抗原，所述多目标优化模型的解为所述免疫遗传算法中的抗体；步骤2：基于最近运输距离和最大集装箱转运量的优化初始结果原则，采用混合方法确定预设比例的初始种群，采用多次迭代随机生成剩余种群，在每次迭代中保留具有预设高亲和力的抗体，将预设低亲和力的抗体在迭代过程进行替换，直至达到预设规模种群；步骤3：计算所述抗体与所述抗原之间的欧氏距离，由所述欧氏距离得到亲和力，根据抗原亲和力、抗体亲和力、抗体总数、第一调节系数、第二调节系数确定抗体浓度，基于所述亲和力、所述抗体浓度和所述抗体总数得到抗体期望繁殖概率；步骤4：基于所述抗体期望繁殖概率进行免疫选择，采用克隆、变异和克隆抑制进行种群刷新，调整种群中的抗体浓度；步骤5：基于所述抗体的平均亲和力，将未满足预设要求的抗体进行分割和交叉变异操作；步骤6：提取刷新后种群中最优解；重复步骤4至步骤6，直至求解得到所述最优推荐布点方案。
5.根据权利要求1所述的基于遗传算法的多式联运铁路物流中心布点方法，其特征在于，所述基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案之后，还包括：若确定所述最优推荐布点方案满足预设优化目标，则通过转运设备、装卸设备和整列装卸设备执行所述最优推荐布点方案，否则继续采用所述预设遗传算法求解所述多目标优化模型。
6.一种基于遗传算法的多式联运铁路物流中心布点系统，其特征在于，包括：采集划分模块，用于采集多个目标城市的铁路物流关联数据集合，基于所述铁路物流关联数据集合划分所述多个目标城市的城市类型；获取建立模块，用于根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型；求解处理模块，用于基于预设遗传算法求解所述多目标优化模型，得到多式联运铁路物流中心的最优推荐布点方案；所述获取建立模块中的根据所述城市类型获取所述多个目标城市的多式联运货运运输数据，包括：根据待选物流中心的铁路与最近航空货运基地距离和最近港口集装箱堆场距离，获得运输距离系数，基于所述运输距离系数建立第一系数模型；获取待选物流中心的货运吞吐量等级建立多级运输环形圈，确定所述多级运输环形圈对应权重得到运输区域系数，基于所述运输区域系数建立第二系数模型；根据待选物流中心的铁路枢纽与铁路车站数量获得运输时间系数，基于所述运输时间系数建立第三系数模型；所述获取建立模块中的利用所述多式联运货运运输数据中的多个预设运输优化变量，建立多式联运铁路物流中心的多目标优化模型，包括：其中， 分别代表所述多目标优化模型为一级多式联运物流中心的函数模型、二级多式联运物流中心的函数模型和三级多式联运货场的函数模型； 、 和 分别为第一系数模型、第二系数模型和第三系数模型， 为待选物流中心到最近港口的运输距离系数， 为最近航空货运基地的运输距离系数， 为待选物流中心可装卸转运集装箱的港口数量， 为待选物流中心可装卸转运集装箱的航空货运基地数量， 为全国集装箱货运量等级数， 为集装箱最大数量等级， 为集装箱最小数量等级， 为待选物流中心到最近港口的距离，其中 ， 为待选物流中心数量， 为待选物流中心到最近航空货运基地的距离，其中 ， 为待选物流中心数量且 ； 为中心城市、枢纽城市、重点城市的集装箱转运量， 为中心城市、枢纽城市、重点城市的铁路枢纽与车站数量的统计值，其中 ， 为中心城市、枢纽城市、重点城市数量， 为以中心城市建立的4层运输环形圈进行辐射全国的运输区域系数，其中 ；其中，所述多目标优化模型包括待选物流中心等级确定系数 ， 表示每个等级最大值， 表示每个等级最小值；所述多目标优化模型的约束条件包括任一待选物流中心到最近港口距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值，以及任一待选物流中心到最近航空货运基地距离小于等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值： ， 所述多目标优化模型的目标函数等于所述第一系数模型、所述第二系数模型和所述第三系数模型的最小值： 。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于遗传算法的多式联运铁路物流中心布点方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于遗传算法的多式联运铁路物流中心布点方法。
