午晚高峰时段，本地生活服务的订单密度在30分钟内可激增4倍。对平易客跑腿系统而言，调度算法要解决的核心问题不是"能不能派单"，而是"如何在骑手运力有限的前提下，让全局履约成本最低"。

调度引擎的三个决策层次

平易客的调度引擎采用分层架构，将决策拆解为三个时间尺度：

• 秒级匹配：基于改进型匈牙利算法，在骑手与订单之间求解最大权匹配，权重因子包含取送距离、骑手当前负载、历史准时率等7个维度。
• 分钟级路径重排：当骑手已携带多单时，系统动态调整配送顺序，利用2-opt局部搜索在200ms内完成路径优化。
• 小时级运力预测：结合历史单量与天气数据，提前30分钟向运力池推送激励策略。

合单率与超时率的平衡

合单是提升人效的关键，但盲目合单会导致末端超时。我们的策略是设置动态合单阈值：当骑手当前订单的预估剩余时间充裕度大于15%时，才允许追加新单。这套逻辑已嵌入微信外卖订餐小程序的商家端调度面板，商家可实时查看骑手负载状态。

实测数据对比

以某二线城市核心商圈为例，优化前后对比：

1. 平均配送时长从38分钟降至29分钟
2. 骑手单次携带订单数从2.1单提升至3.4单
3. 超时率由6.7%下降至2.3%

这一优化策略同样适用于外卖系统的商家自配送场景，通过跑腿系统的开放接口即可快速接入。

调度算法的价值最终体现在每一单的履约确定性上。平易客持续迭代的核心逻辑，是让算法适应场景，而非让场景迁就算法。