优化这段代码：def calDistanceMatrix(model): for i in range(len(model.demand_id_list)): from_node_id = model.demand_id_list[i] for j in range(i + 1, len(model.demand_id_list)): to_node_id = model.demand_id_list[j] dist = math.sqrt((model.demand_dict[from_node_id].x_coord - model.demand_dict[to_node_id].x_coord) ** 2 + (model.demand_dict[from_node_id].y_coord - model.demand_dict[to_node_id].y_coord) ** 2) model.distance_matrix[from_node_id, to_node_id] = dist model.distance_matrix[to_node_id, from_node_id] = dist for _, vehicle in model.vehicle_dict.items(): dist = math.sqrt((model.demand_dict[from_node_id].x_coord - vehicle.x_coord) ** 2 + (model.demand_dict[from_node_id].y_coord - vehicle.y_coord) ** 2) model.distance_matrix[from_node_id, vehicle.type] = dist model.distance_matrix[vehicle.type, from_node_id] = dist

可以进行如下优化：

1. 使用numpy库中的ndarray来存储距离矩阵，可以更高效地处理多维数组。

2. 优化距离计算公式，可以使用numpy库中的广播机制，避免使用循环计算距离。

3. 将循环嵌套改为单层循环，可以提高代码的可读性。

4. 将计算结果直接赋值给距离矩阵，避免重复计算。

优化后的代码如下：

def calDistanceMatrix(model):
    demand_coords = np.array([(d.x_coord, d.y_coord) for d in model.demand_dict.values()])
    vehicle_coords = np.array([(v.x_coord, v.y_coord) for v in model.vehicle_dict.values()])
    demand_ids = np.array(list(model.demand_dict.keys()))
    vehicle_types = np.array(list(model.vehicle_dict.keys()))

    # 计算需求点之间的距离
    demand_dists = np.sqrt(((demand_coords[:, None] - demand_coords) ** 2).sum(axis=2))
    model.distance_matrix[demand_ids[:, None], demand_ids] = demand_dists
    model.distance_matrix[demand_ids, demand_ids[:, None]] = demand_dists.T

    # 计算需求点和车辆之间的距离
    vehicle_dists = np.sqrt(((demand_coords[:, None] - vehicle_coords) ** 2).sum(axis=2))
    model.distance_matrix[demand_ids[:, None], vehicle_types] = vehicle_dists
    model.distance_matrix[vehicle_types, demand_ids[:, None]] = vehicle_dists

这样可以提高代码的效率和可读性，并且可以减少不必要的计算。