CN115186905A - 一种用于城际网约车路径规划的多任务优化方法及系统 - Google Patents

Abstract

本发明涉及一种用于城际网约车路径规划的多任务优化方法及系统，将城际网约车路径规划问题定义为一个包含五个目标的多目标问题；通过基于贪婪的系列路径构造方法为当前的路径规划任务构造初始非占优的规划方案；基于问题分解策略的多任务环境构造方法将单个路径规划问题分解成多个表示不同方向的子问题，并将多个子问题组合成多个任务实现多任务化，加速生成路径规划方案过程；并提出一种知识转移策略将其他不同路径规划任务代表的解区域中得到的优秀路径规划方案解转移到目标任务，对路径规划方案进行多样性优化。最后引入基于链的自适应局部搜索对路径规划方案进行迭代优化。本发明能够高效地规划城际网约车的出行路径。

Description

一种用于城际网约车路径规划的多任务优化方法及系统

技术领域

本发明涉及智能优化计算和调度规划两大技术领域，特别是涉及一种用于城际网约车路径规划的多任务优化方法及系统。

背景技术

随着经济的快速发展，中短途城际旅游需求不断增加。旅行者通常自己开车或乘坐城际公共交通工具(如长途汽车和铁路)。近年来，城际网约车出行作为一种新型的快速交通方式在我国得到了发展，也越来越为公众所接受。城际网约车运营模式是市民日益增长的交通出行需求下的创新应用，响应了国家“互联网+”便捷交通促进智能交通发展的号召。在这种出行模式下，来自同一个城市的几名乘客将车开到另一个城市。与过渡性公共交通相比，城际网约车出行可以提供灵活、省时的门到门服务，更好地满足乘客的个性化出行需求。

不同于常见的叫车服务，城际网约车服务主要是为了解决特定城市之间的个性化出行难题。与市内出行不同，城际出行具有以下特点：出行需求低、出行频率低、出行距离长、出行选择少。这些特点使得城际旅行通常是高度计划的。因此在城际网约车服务中，路径规划问题是指在满足一定的约束条件和特定城市之间的客户出行需求的情况下，对从某个城市出发到达目的城市的一系列乘客规划合理的接送路径，从而减少车辆的空载率，缩短客户的等待时间，减少司机的绕行距离等目标的优化问题。

城际网约车路径规划问题属于车辆路径问题(Vehicle routing problem,VRP)的一种变形。车辆路径问题是经典的组合优化问题，在物流运输、供应链管理、生产调度、自动驾驶等多个领域有着广泛的应用前景。目前学术界对车辆路径问题提出了许多有效的解决方法。然而现有的针对多目标车辆路径问题的研究存在一个主要问题：忽略了不同问题以及子问题之间的信息共享和交流，因此对于大多数现有方法来说，有效地解决多个冲突目标的优化问题仍然是一个巨大的挑战。

城际网约车出行路径规划问题与车辆路径问题类似，具备五目标强约束的问题属性。目前针对城际网约车出行路径规划的大部分工作是基于单任务的，而通过单任务优化方法求解带路径平衡的车辆路径问题是低效的、忽略了问题的相似性特征。因此，如何为城际网约车出行服务提供一种高效的路径规划方法及系统，具有非常重要的现实意义和应用前景。

发明内容

本发明的目的是提供一种用于城际网约车路径规划的多任务优化方法及系统，不仅能够高效地规划城际网约车的出行路径，而且可以利用多任务多目标优化方法为城际网约车服务提供不同需求的高质量的规划方案集合。

为实现上述目的，本发明提供了如下方案：

一种用于城际网约车路径规划的多任务优化方法，包括：

S1.根据城际网约车出行路径规划的实际需求，对出行路径规划问题进行建模；建立的模型为包含五个目标的多目标优化问题min f＝{f₁,f₂,f₃,f₄,f₅}，其中f₁为网约车数量，f₂为网约车接送客的总行驶距离；f₃为网约车接送最长行驶路径的行驶时间，f₄为网约车因提前到达接送地的总等待时间，f₅为网约车因晚到而造成的总延迟时间；

S2.判断当前是否存在未处理的网约车订单，若存在，则进入步骤S3；否则，进入等待状态，直到新订单的到来，并进入步骤S3；

S3.通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到外部存档解集POP中；

S4.根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务；

S5.将K个所述任务中的第k个任务定为目标任务T^k，其中，k＝1,2,...,K,其余所述任务定为辅助任务，在各所述任务之间采用知识转移方法进行优化，得到新路径规划方案，根据所述新路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，得到第一POP；

S6.通过基于链的自适应局部搜索对所述第一POP中的所有规划方案进行第二次更新，得到第二POP；

S7.根据订单中乘客的需求，从所述第二POP的路径规划方案中为乘客选取路径并分配对应的车辆和司机，将分配好的路径从所述第二POP中删除；

S8.将POP集合设为空集，并返回步骤S2。

本发明还提供一种用于城际网约车路径规划的多任务优化系统，包括：

模型建立模块，用于根据城际网约车出行路径规划的实际需求，对出行路径规划问题进行建模；建立的模型为包含五个目标的多目标优化问题min f＝{f₁,f₂,f₃,f₄,f₅}，其中f₁为网约车数量，f₂为网约车接送客的总行驶距离；f₃为网约车接送最长行驶路径的行驶时间，f₄为网约车因提前到达接送地的总等待时间，f₅为网约车因晚到而造成的总延迟时间；

订单判断模块，用于判断当前是否存在未处理的网约车订单，若存在，则进入步骤“通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案”；否则，进入等待状态，直到新订单的到来，并进入步骤“通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案”；

初始规划模块，用于通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到外部存档解集POP中；

问题分解模块，用于根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务；

第一更新模块，用于将K个所述任务中的第k个任务定为目标任务T^k，其中，k＝1,2,...,K,其余所述任务定为辅助任务，在各所述任务之间采用知识转移方法进行优化，得到新路径规划方案，根据所述新路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，得到第一POP；

第二更新模块，用于通过基于链的自适应局部搜索对所述第一POP中的所有规划方案进行第二次更新，得到第二POP；

方案分配模块，用于将所述第二POP中的每一路径规划方案分配给对应该路径的车辆和司机，并将分配好的路径从所述第二POP中删除；

设空模块，用于将POP集合设为空集，并返回步骤“判断当前是否存在未处理的网约车订单”。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种用于城际网约车路径规划的多任务优化方法及系统，将城际网约车路径规划问题定义为一个包含五个目标的多目标问题，更加全面真实地反映路径规划问题的本质；通过基于贪婪的系列路径构造方法为当前的路径规划任务构造初始非占优的规划方案；然后基于问题分解策略的多任务环境构造方法将单个路径规划问题分解成多个表示不同方向的子问题，并将多个子问题组合成多个任务实现多任务化，加速生成路径规划方案过程；同时为了进一步利用不同解区域之间存在的协同效应，提出一种知识转移策略将其他不同路径规划任务代表的解区域中得到的优秀路径规划方案解转移到目标任务，对路径规划方案进行多样性优化。最后引入基于链的自适应局部搜索对路径规划方案进行迭代优化。这些机制的有效结合，不仅能够高效地规划城际网约车的出行路径，而且可以利用多任务多目标优化方法为城际网约车服务提供不同需求的高质量的规划方案集合。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的用于城际网约车路径规划的多任务优化方法的流程图；

图2为本发明实施例1提供的基于顺序交叉的算子示例图；

图3为本发明实施例1提供的交换算子示例图；

图4为本发明实施例1提供的逆转算子示例图；

图5为本发明实施例1提供的优化方法流程图；

图6为本发明实施例1提供的知识转移流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所涉及的城际网约车服务主要是针对公路客运市场，将当前互联网技术与租车行业相结合，弥补过渡性公共交通在个性化出行方面的不足，优化市场资源配置和满足市民出行的高品质、个性化、多元化需求上发挥了积极作用。因此高效智能地规划城际网约车的出行路径，不仅能提前进行车辆调度，给出行客户带来舒适的出行体验，还能节约运输成本，给公司和司机带来更多收益。在城际网约车行业中，对于出行路径方案的规划是网约车服务中的关键问题之一。

本发明的目的是提供一种用于城际网约车路径规划的多任务优化方法及系统，不仅能够高效地规划城际网约车的出行路径，而且可以利用多任务多目标优化方法为城际网约车服务提供不同需求的高质量的规划方案集合。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本实施例提供一种用于城际网约车路径规划的多任务优化方法，请参阅图1，所述方法包括：

S1、根据城际网约车出行路径规划的实际需求，对出行路径规划问题进行建模；建立的模型为包含五个目标的多目标优化问题min f＝{f₁,f₂,f₃,f₄,f₅}，其中f₁为网约车数量，f₂为网约车接送客的总行驶距离；f₃为网约车接送最长行驶路径的行驶时间，f₄为网约车因提前到达接送地的总等待时间，f₅为网约车因晚到而造成的总延迟时间。

本实施例中，一个路径规划方案X是由p个路线所组成的集合O＝{o1,...,ok}来表示的，其中

是一条由包含Ni个订单，2Ni个接送点的访问序列构成的路径，

表示第i条路径的第j个客户点。由于每一个订单包含该客户在出发城市的上车点和目标城市的下车点，因此，在每一条路径中，每一个订单表示成两个接送点，即该订单在出发城市的上车点和目标城市的下车点。在一个路径规划方案中，任意一个订单的两个接送点仅会出现在一条且同一条路径中。

在城际网约车路径规划问题的多目标模型中，包含了5个不同的优化目标函数minf＝{f₁,f₂,f₃,f₄,f₅}，具体定义如下：

f₁＝|R|＝M

f₃＝maX{T_p|P＝1，...M}

其中，f₁用于计算城际网约车数量，M表示城际网约车数量，|R|表示解中的路径集合。f₂用于计算城际网约车司机接送客的总行驶距离，Dist_p表示城际网约车p的行驶距离。f₃用于计算城际网约车接送最长行驶路径的行驶时间，T_p表示城际网约车p的行驶时间。f₄用于计算城际网约车因提前到达接送地的总等待时间，W_p表示城际网约车p因提前到达的等待时间。f₅用于计算城际网约车因晚到而造成的总延迟时间，Delay_p表示城际网约车p因晚到而造成的延迟时间；

上面描述的五个目标定义中涉及到Dist_p、T_p、W_p和Delay_p的计算。下面对其进行详细说明。

1)Dist_p表示第p辆城际网约车接送乘客的总行驶距离，计算过程如下：

其中，

和

表示城际网约车p出行的第i个接送点和第i+1个接送点，

表示城际网约车p从出行的第i个接送点到第i+1个接送点的行驶距离，N_p表示所有城际网约车的集合。由于城际网约车路径规划是在网约车开始服务之前进行，实际的行驶时间受限于当时的交通状况。因此，路径规划方案的城际网约车司机接送客的总行驶距离是通过在路径规划算法执行时利用实时的交通数据计算得到的。

2)T_p表示第p辆城际网约车的行驶时间，计算过程如下：

其中，

表示城际网约车p从出行的第i个接送点到第i+1个接送点的行驶时间，

表示城际网约车p在接送点

的等待时间，

表示城际网约车p在接送点

的服务时间。由于城际网约车路径规划是在网约车开始服务之前进行，实际的行驶时间受限于当时的交通状况。因此，路径规划方案的城际网约车接送最长行驶路径是通过在路径规划算法执行时利用实时的交通数据计算得到的。

3)W_p表示城际网约车p因提前到达的等待时间，计算过程如下：

其中，每个客户都有一个需求q_i和一个服务窗口[b_i,e_i]，如果车辆在最早的服务时间b_i之前到达，则必须等待至最早的服务时间b_i才能提供服务。

表示城际网约车p在接送点

的最早服务时间，

表示城际网约车p到达接送点

的时间。由于城际网约车路径规划是在网约车开始服务之前进行，实际的行驶时间受限于当时的交通状况。因此，路径规划方案的总等待时间是通过在路径规划算法执行时利用实时的交通数据计算得到的。

4)Delay_p表示城际网约车p因晚到而造成的延迟时间，计算过程如下：

其中，每个客户都有一个需求q_i和一个服务窗口[b_i,e_i]，如果车辆在最大允许延迟时间md内，在最迟时间e_i之后到达服务客户地点将会导致延迟时间。

表示城际网约车p到达接送点

的时间，

表示城际网约车p在接送点

的最晚服务时间。由于城际网约车路径规划是在网约车开始服务之前进行，实际的行驶时间受限于当时的交通状况。因此，路径规划方案的总延迟时间是通过在路径规划算法执行时利用实时的交通数据计算得到的。

另外，城际网约车的路径规划问题可描述为：一组乘客(记作C＝{1,2,…,n})由网约车车辆座位规模相同的公司提供服务，每个客户都有一个乘车人数即需求q_i和一个出发时间窗口[b_i,e_i]，并只能由一辆车服务，且每辆车都属于车辆起点和目的地所在的城市。该车根据每位乘客的上下车点规划接送路线，并依次将每位乘客送至对应下车点。创建一个0-1决策变量

如果车辆p行驶经过路径(i，j)，则其等于1，否则等于0。且要求任何车辆p在接下一次的新乘客之前，需要让每次旅行的所有乘客下车。本发明采用软时间窗，即车辆在最大允许延迟时间md内，在最迟时间e_i之后到达服务客户地点将会导致延迟时间dt_i。第p辆车在第j个客户点的延迟时间则定义为

相反，如果车辆在最早的服务时间b_i之前到达，则必须等待至最早的服务时间b_i才能提供服务，这将导致等待时间的增加，第p辆车在第j个客户点的等待时间则定义为

对于每一辆车辆，其服务的客户的总需求不能超过此时空余座位即此时最大容量Q，并且在车库的服务时间窗口[0,e₀]内出发和返回车库。此外，考虑到城际出行一次行程的行驶时间相比城市内出行更久，因此要求司机需要在两次连续行程之间休息。在城际网约车路径规划问题的模型中，包含多个约束条件，具体定义如下：

1)容量约束

每一个订单的乘客数不能超过该车辆的最大载客数Q，且同一条路径上分配的所有订单的总乘客数不能超过该车辆的最大载客数Q，即满足：

其中，

表示第i条路径车辆的第p个订单

的客户数量。

2)服务约束一

为了保证网约车的服务质量，任何车辆p在接下一批的新乘客之前，需要让这次路径的所有乘客下车。即满足：

其中，

是0-1决策变量；如果车辆k行驶经过圆弧(i，j)，则

否则

3)服务约束二

在一个路径规划方案中，任意一个订单的上下车接送点仅会出现在一条且同一条路径中，并且一个订单在出发城市的上车点必须出现在该订单在目的城市的下车点之前。

4)时间约束

为了保证城际网约车的服务质量，车辆因交通、天气或个人原因造成的让客户在约定接送点的出发时间不得超过最大允许的延迟时间md(在本发明的实际应用中，md可根据城际网约车服务策略或者出行需求来设置，如设为30,45分钟)即满足：

其中，dt_i表示在最迟时间e_i之后到达服务客户地点导致的延迟时间。

表示为第p辆车在第j个接送点的延迟时间。

5)安全约束

考虑到城际出行一次行程的行驶时间相比城市内出行更久，为了保证城际网约车出行时乘客和驾驶员的安全以及保证驾驶员的出行效率，因此要求驾驶员需要在两次连续行程之间休息。即满足：

其中，

表示为车辆p开始为接送点i服务的时间，s_i表示为接送点i的服务时间，t_i,j表示为车辆从接送点i到接送点j的行驶时间。

S2、判断当前是否存在未处理的网约车订单，若存在，则进入步骤S3；否则，进入等待状态，直到新订单的到来，并进入步骤S3。

S3、通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到外部存档解集POP中。

本实施例方案中，提出了一种贪婪的序列路径构造方法来生成初始可行路径规划方案。在该方法中，提出了一种服务乘客的贪婪策略，依次构造可行的车辆路径。由于用于城际网约车出行的车辆容量非常低，可以通过枚举方法生成利润最大的可行行程。根据将本次路径中所有订单的目的地与该路径中最后一个订单的出发点对距离按照由近到远排序顺序插入接送点。具体的步骤如下：

S31、设置路径规划方案的数量i′＝1；

S32、获取当前所有订单，并组合为一个订单序列，获取当前所有所述订单的订单属性，获取一个路径规划方案P_i′；所述订单属性包括订单的人数、起点、起点服务时间以及终点；

S33、从所述订单序列中随机选择一个订单，记为第一订单，根据所述第一订单的起点和终点创建一个路径t，将所述第一订单的起点作为网约车p的起点；所述网约车p为服务时间(车辆p司机的上班时间)满足所述第一订单的起点服务时间，且距离所述第一订单的起点最近的网约车；

S34、判断所述第一订单的人数是否等于所述网约车p空载的座位数；

若是，则进入步骤S310；若否，则进入步骤S35；

S35、判断所述订单序列中是否还有未被选择过的订单，若是，则进入步骤S36，否则，进入步骤S310；

S37、从所述订单序列中随机选择一个未被选择过的订单，记为第二订单；

S38、判断所述第二订单的起点服务时间是否满足所述网约车p的服务时间，得到第一判断结果，并判断若将所述第二订单加入所述网约车p的订单中是否满足五个约束条件，得到第二判断结果；

若所述第一判断结果和所述第二判断结果均为是，则将所述第二订单加入到所述网约车p的订单中；否则，返回步骤S35；

S39、判断当前添加到所述网约车p的订单中的订单人数是否等于所述网约车p空载的座位数；

若是，则进入步骤S310；若否，则返回步骤S35；

S310、利用贪婪策略对所述网约车p的所有订单的终点以及除所述第一订单之外的其余订单的起点进行排序，根据排序结果将所述网约车p的其余订单起点和终点插入到所述路径t中，得到所述网约车p的路径规划路线，并将所述路径规划路线添加到路径规划方案P_i′中，将所述网约车p的所有订单状态设为“已处理”，并从所述订单序列中移除；

S311、将所述路径规划方案P_i′添加到初始路径规划解集POP中；

S312、判断所述订单序列中是否存在未处理的订单，若是，则返回步骤S33，否则，进入步骤S313；

S313、判断POP中路径规划方案的数量是否达到N，若是，则结束；若否，则对i′执行i′＝i′+1，并返回步骤S32。

此处需要进行说明的是，需要使得POP中的路径规划方案的数量与后续N个子问题的数量对应，从而针对不同的子问题都可以在后期对路径规划方案进行优化。因此，当POP中的路径规划方案的数量没有达到N时，需要重新返回步骤S32来规划出新的路径方案，虽然前述步骤S310中已经将处理的订单从订单序列中删除，但是当执行步骤S313中返回步骤S32时，认为步骤S32中依旧存在当前所有订单。

本实施例中的下述步骤S4-S6为本方案中采用的优化方法，包括基于问题分解策略的多任务环境构建方法、知识转移方法、基于链的自适应局部搜索方法以及存档更新策略，下面进行优化过程的详细介绍，可同时参照图5进行理解。

S4、根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务。

本实施例中，采用基于问题分解策略的多任务环境构建方案用于将单个问题分解成多个表示不同方向的子问题，并将多个子问题组合成多个任务实现多任务化，加速生成路径规划方案过程。

问题分解策略具体来说，对于具有m(m＝5)个目标的城际网约车出行路径规划问题，分解得到的子问题由参考点定义。参考边界交叉法，对m维的解空间Ω进行采样，得到

个在空间中均匀分布的权重向量λ＝λ₁,...,λ_N，并且

其中，H为每个目标方向上的采样个数，其采样步长为δ＝1/H。问题分解策略将该5目标优化问题分解成N个子问题，第i个子问题的定义公式1如下：

其中，minf_v和maxf_v分别表示第v个目标上的最大值和最小值。

部分表示对目标v进行归一化。

多任务环境构建具体地说，由于该城际网约车路径规划问题是一个5目标的优化问题，对于昂贵复杂的该多目标优化问题，对分解得到的多个子问题进行优化非常耗费搜索资源。通过多任务化的过程将N个子问题平均划分成K个任务，每个任务包括许多相邻的子问题。在每个任务中，中心子问题的适应值被视为该任务的代表性适应值，因为所有组成子问题的参考点方向彼此接近，因此同一个任务中的子问题具有相似性，子问题的优化就转化为任务的优化。因为这些子问题源自这一路径规划问题的分解，某些任务可以将发现的有益知识转移给其他任务，继而实现帕累托前沿的解区域之间的知识交流和共享，加速产生路径规划方案搜索进程，提升得到的路径规划方案的多样性和前沿性。

针对城际网约车路径规划问题的多目标模型和具体场景，参数设置如下：在基于问题分解策略的多任务场景中，将原问题分解成70个子问题(N＝70)，设置任务数(K)为5，也就是说1个原问题变成拥有14个子问题的5任务形式，每个子问题都有对应的权重向量解。本实施例采用的基于问题分解策略的多任务环境构建方法，具体步骤如下：

S41、采用边界交叉法将所述多目标优化问题分解为N个子问题，将N个所述子问题组成子问题集合，并根据初始路径规划方案初始化N个解，得到初始规划解集；所述N个解与所述N个子问题一一对应；

S42、从N个所述子问题中随机选择一个未被选择过的子问题，记为第一子问题，并从所述初始规划解集中选择与所述第一子问题适应值最小的解作为所述第一子问题的权重向量解，将所述权重向量解从所述初始规划解集中移除，并返回步骤“从N个所述子问题中随机选择一个未被选择过的子问题”，直到所述初始规划解集为空。

步骤S42主要是为了将子问题与初始规划方案一一对应。

S43、初始化多任务数目K，并将N个子问题平均划分成K个任务；n＝N/K表示N个子问题分配成K个任务后每个任务的子问题数。

S44、计算每一任务的中心点x，并根据所述中心点确定中心子问题，将所述中心子问题添加到对应的任务，并将所述中心子问题从所述子问题集合中移除；

其中，中心点x通过公式

计算得到。

S45、采用欧式距离计算与每一所述中心点x距离最近的n-1个点，并确定n-1个点各自对应的子问题，记为最近子问题，将所述最近子问题添加到所述中心点x对应的任务，并将所述最近子问题从所述子问题集合中移除。

S5、将K个所述任务中的第k个任务定为目标任务T^k，其中，k＝1,2,...,K,其余所述任务定为辅助任务，在各所述任务之间采用知识转移方法进行优化，得到新路径规划方案，根据所述新路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，得到第一POP。

本实施例中，采用知识转移方法用于对路径规划方案进行多样性优化。其中，编码和种群初始化过程，具体地说，本实施例根据城际网约车出行服务实际情况采用整数编码对接送点进行编码，其中一条染色体表示一条接送路径；一条染色体的基因个数表示优化区域内接送点的种数，染色体的每个基因表示一个接送点。初始化种群即初始搜索点，在规划路径优化前，对接送点进行归类排序，对接送点按照整数编码进行编号。知识转移方法中所涉及的进化操作由两种基本的算子进行定义：遗传算子和环境选择算子。本实施例中的遗传算子包括三种(Order_based crossover算子、swap算子和reverse算子)，遗传算子定义了在路径中插入接送点的最佳位置。环境选择算子用于更新更优的路径规划方案。具体定义如下：

Order_based crossover算子：(具体可参阅图2中示出的基于顺序交叉的算子示例)考虑两条路径，随机选择路径1中的几个接送点，位置可以不连续。然后找到路径2中被选中的路径1的接送点位置，再用路径2中其余的接送点生成子代，最后将路径1中被选择的接送点按顺序放入子代剩余位置中。

Swap算子：随机交换一条路径序列的两个接送点(具体可参阅图3中示出的交换算子示例)。

Reverse算子：随机选择一条路径的一段接送点片段，并将接送点片段进行逆转。如图4所示，随机选择一段从2到5的客户点片段，逆转{2,3,4,5}的序列后为{5,4,3,2}，最终得到的个体的客户序列为图4中第二行所示{1,5,4,3,2,6,7,8,9}。

环境选择算子：更新任务的所有子问题上的权重向量解。在父代和子代的联合种群中，根据公式(1)为目标任务的每一个子问题重新选择适应值最小的解作为该子问题上的权重向量解。

在出现新的解的同时，采用ε占优存档更新策略的方法更新外部存档POP(具体方法在后续方案中进行接收)。

三种遗传算子以设定的概率值交换染色体对种群中的所有个体以设定的概率进行变异。而环境选择算子保障在路径寻优的过程中保留较优化的路径，同时把不符合要求的劣质路径或者未满足约束的路径进行剔除。通过逐步遗传加之知识转移实现种群之间的信息交流和共享优化下一代新个体的适应性，使得新的近似解更能满足城际网约车出行路径规划的指标。通过以上的定义，本实施例的知识转移方法的具体步骤如下(请参阅图6)：

S51、编码和种群初始化；

在规划路径优化前，对接送点进行归类排序，对接送点按照整数编码进行编号。每条染色体看作一条出行路径，每个个体看作一个路径规划方案，所有路径规划方案看作一个种群C。

S52、设种群C为空，将所述目标任务T^k的权重向量解添加到种群C中，其中k＝1；

S53、采用NSGA-II算法将所述辅助任务T^j，j∈{1,…,K}\{k}中每一任务的权重向量解进行经典算法NSGA-II的快速非支配排序，根据排序结果得到第一前沿解Front；

S54、将所述目标任务的权重向量解和所述第一前沿解进行联合，得到联合路径规划方案，将所述联合路径规划方案作为父代种群；

S55、判断所述第一前沿解的数量是否大于N/K；若是，则进入步骤S56；若否，则将所述第一前沿解添加到所述种群C；

S56、从所述第一前沿解中随机选取N/K个解添加到所述种群C；

S57、对所述种群C随机应用遗传算子得到子代种群C^*，并根据所述子代种群C^*，采用占优存档更新策略对所述POP进行第一次更新；

其中，步骤S57中所述的遗传算子为上述提到的Order_based crossover算子、swap算子和reverse算子。

S58、联合所述父代种群C和所述子代种群C^*得到联合种群C_联，删除所述联合种群C_联中的重复路径规划方案；其中C_联＝C∪C^*.

S59、采用环境选择操作为联合种群C_联中所述目标任务对应的子问题重新选择适应值最小的解作为权重向量解；

S510、判断k是否等于K，若否，则对k执行k＝k+1操作，并返回步骤S53；若是，则结束。

其中，环境选择操作为依次检查当前目标任务的所有子问题的权重向量解联合辅助任务的所有子问题的权重向量解。在父代和子代的联合种群中，根据公式(1)为目标任务的每一个子问题重新选择适应值最小的解作为该子问题上的权重向量解。

的权重向量解

被C_index更新，从C移除解C_index，并将种群C的size减去1。

其中，Order_based crossover算子表示考虑两条路径，随机选择路径1中的几个接送点，位置可以不连续。然后找到路径2中被选中的路径1的接送点位置，再用路径2中其余的接送点生成子代，最后将路径1中被选择的接送点按顺序放入子代剩余位置中。Swap算子表示随机交换一条路径序列的两个接送点。Reverse算子表示随机选择一条路径的一段接送点片段，并将接送点片段进行逆转。

作为一种可选的实施方式，步骤S5中所述的根据所述子代种群C^*，采用占优存档更新策略对所述POP进行第一次更新，具体包括：

判断所述POP是否为空，得到第三判断结果；

若第三判断结果为是，则将新产生的路径规划方案X_new加入到所述POP中；所述新产生的路径规划方案为所述子代种群中的个体；

若第三判断结果为否，则将新产生的路径规划方案X_new与已有的路径规划方案进行占优比较；

若存在已有路径规划方案Y占优X_new或已有路径规划方案Y与X_new相同，则将X_new丢弃；若X_new占优已有路径规划方案Y，则将被占优路径规划方案删除，并将X_new加入到所述POP中；若X_new与已有路径规划方案Y互不占优，则将X_new加入到所述POP中，并对所述POP中的互不占优的路径规划方案，采用ε占优方法进行筛选，得到均匀分布的路径规划方案。

上述方法中所提到占优存档更新策略，下面对这一更新策略进行介绍：

在多目标城际网约车路径规划问题中，路径规划方案之间的比较是通过多目标占优关系来进行的。本实施例所涉及的占优关系的定义如下：对于路径规划方案X和Y，如果

1)对于所有的目标值，f_j(X)≤f_j(Y)，j＝1,2；

2)至少存在一个j，使得f_j(X)<f_j(Y)。

同时满足以上两个条件，则称X占优Y；否则，则称X和Y互不占优，X和Y是非占优解。

此外，本实施例在多目标占优关系的基础上，加入ε占优策略，用于限定搜索过程中外部存档的规模。在ε占优的存档中，存档中每个非占优解对应一个关联向量B＝{B₁,B₂,B₃,B₄,B₅}，其中，B_i＝log(f_i+1)/log(1+ε)，每个超立方体中存储一个非占优的解。因此，基于ε占优的存档不仅使非占优解均匀分布，而且限定了搜索过程中外部存档的规模。

S6、通过基于链的自适应局部搜索对所述第一POP中的所有规划方案进行第二次更新，得到第二POP。

本实施例中，采用基于链的自适应局部搜索用于产生新的路径规划方案。局部搜索所涉及的自适应操作由3个操作算子进行定义，其定义了如何更新优化路径规划方案。同时，根据轮盘赌策略选择出当前最有潜力的任务，轮盘赌策略选择当前搜索进程中最有潜力的一个任务来进行局部搜索，指导最优搜索以避免资源浪费。自适应局部搜索链的机制则选择有潜力的解实现自适应地深度搜索。在自适应局部搜索链的机制中，重点在于如何利用多方向局部搜索操作来构造自适应的局部搜索链以及如何选择局部搜索链过程中的解，以通过局部搜索算子对知识转移获得的优秀候选解区域进行进一步搜索，提升解的质量。

本发明提供的一种用于城际网约车路径规划的多任务优化方法，将城际网约车路径规划问题定义为一个包含五个目标的多目标问题，更加全面真实地反映路径规划问题的本质；通过基于贪婪的系列路径构造方法为当前的路径规划任务构造初始非占优的规划方案；然后基于问题分解策略的多任务环境构造方法将单个路径规划问题分解成多个表示不同方向的子问题，并将多个子问题组合成多个任务实现多任务化，加速生成路径规划方案过程；同时为了进一步利用不同解区域之间存在的协同效应，提出一种知识转移策略将其他不同路径规划任务代表的解区域中得到的优秀路径规划方案解转移到目标任务，对路径规划方案进行多样性优化。最后引入基于链的自适应局部搜索对路径规划方案进行迭代优化。这些机制的有效结合，不仅能够高效地规划城际网约车的出行路径，而且可以利用多任务多目标优化方法为城际网约车服务提供不同需求的高质量的规划方案集合。

根据城际网约车出行服务的实际情况，所采用基于链的自适应局部搜索如下：

第一局部搜索：从一个路径规划方案选择的两条路径中各随机删除一个订单，然后将这两个订单重新插入到该路径规划方案的最佳位置；

第二局部搜索：将一个路径规划方案选择的两条路径的所有订单全部删除，然后将它们重新插入到该路径规划方案的最佳位置；

第三局部搜索：针对当前的路径规划方案，从外部存档中随机选择一个不同于自身的路径规划方案，从这两个方案中各选择一条路径进行交换，然后将当前方案中重复出现在为交换路径上的订单删除，并将未出现在该方案中的订单重新插入到最佳的位置；

根据当前构建的多任务环境，轮盘赌策略定义如下：

初始化每个任务的选择概率prob为1，prob^m＝1,m∈{1,…,K}。通过轮盘赌策略选择一个任务，实时清零当前被选择的任务的选择概率参数。其中count^m表示任务T^m所有子问题上的解在局部搜索链中进入外部存档的次数，invoke^m表示任务T^m所有子问题上的解进行局部搜索的次数。根据搜索过程中当前各个任务的状态来选择最有潜力的任务，这个状态是是指任务所有子问题上的解在局部搜索链中进入外部存档的次数与局部搜索次数之比，比值越大则表示该任务在下一轮轮盘赌是被选择的概率越大。

由于基于贪婪的序列路径构造方法、基于问题分解策略的多任务环境构建方法和知识转移方法过程优先保证了车辆的上座率，所以，以上的局部搜索不会改变原有路径规划方案的路径数量。第一局部搜索和第二局部搜索主要通过对原有路径规划方案进行变异操作来产生新的路径规划方案，而第三局部搜索则是通过不同路径规划方案之间的交叉操作产生新的路径规划方案。通过以上的定义，本实施例的基于链的自适应局部搜索具体步骤如下：

作为一种可选的实施方式，所述步骤S6中通过基于链的自适应局部搜索对所述第一POP中的所有路径规划方案进行第二次更新，具体包括：

S61、设置自适应局部搜索的次数Time为0；

S62、通过轮盘赌策略选择出当前潜力最大的任务T^m；所述潜力最大的任务为潜力最大的子问题对应的任务，所述潜力最大的子问题为在局部搜索链中进入POP中的次数与局部搜索次数之比最大的解对应的子问题；

S63、随机采用一种局部搜索策略对所述任务T^m的每一子问题的解进行局部搜索操作，得到搜索解；

S64、判断所述搜索解相对于所述子问题的解是否更优，若是，则在所述POP中利用所述搜索解替换所述权重向量解，并继续随机采用一种局部搜索策略对子问题的解进行局部搜索操作；若否，则返回当前子问题的局部搜索之前的解；

其中判断解是否更优是指判断面向当前子问题的局部搜索之后得到的搜索解x*是否在对应的子问题表示的方向上有所进步(fob_j(x*)优于fob_j(x)，解x则会被x*替换)。

S65、将自适应局部搜索的次数Time执行+1操作，判断Time是否等于100，若等于，则结束，否则，返回步骤“通过轮盘赌策略选择出当前潜力最大的任务T^m”。

S7、根据订单中乘客的需求，从所述第二POP的路径规划方案中为乘客选取路径并分配对应的车辆和司机，将分配好的路径从所述第二POP中删除。

需要进行说明的是，步骤S7中将路径规划方案分配给车辆和司机时，需要根据常客偏好需求进行分配，例如当乘客在订单中备注希望从出发点到终端行驶的路径最短，则在为该订单的乘客分配车辆和司机时，应当分配使得目标优化问题中f2最小的路径规划方案对应的车辆和司机。

S8、将POP集合设为空集，并返回步骤S2。

本实施例所涉及的城际网约车服务主要是针对公路客运市场，将当前互联网技术与租车行业相结合，弥补过渡性公共交通在个性化出行方面的不足，优化市场资源配置和满足市民出行的高品质、个性化、多元化需求上发挥了积极作用。因此高效智能地规划城际网约车的出行路径，不仅能提前进行车辆调度，给出行客户带来舒适的出行体验，还能节约运输成本，给公司和司机带来更多收益。

为了测试提出路径规划方法的有效性，使用了某城际网约车平台的真实订单数据进行测试。

测试数据库中的订单情况如下：某天从A城市到B城市的1520个订单，4种不同的订单乘客人数需求和2种时间窗类型。其中乘客人数需求为：1,2,3,4。2种时间窗类型：[6:30,22:30]和[22:30,6:30]。第一种时间窗类型表示从凌晨6点半至深夜22点半，这个时间窗内的订单由于时间居多是白天，较为安全，根据偏好设置权重系数更加偏好目目标2和目标3的优化。第二种时间窗类型表示为从深夜22点半到凌晨6点半，处于该类型时间窗内的订单将更加注重安全，缩短等待时间和延迟时间，以及待命网约车车辆数，因此根据偏好设置权重系数更加偏好目标1、目标4和目标5的优化。

通过对1520个订单进行动态地模拟，并与该公司专业调度客服进行人工挑战的路径规划方案进行对比，本发明提出的一种基于问题分解策略多任务多目标优化算法的城际网约车出行路径规划方法在5个目标方面均有明显下降，并且在上座率方面和乘客评价反馈方面也有显著的提升。

除此之外，为了进一步验证提出的方法的有效性，将所提出的方法与LSMOVRPTW算法的对比实验结果进行统计分析。并采用了多目标优化算法广泛使用的两个指标，即：IGD和HV。它们被用来从不同的角度表明算法的收敛性与多样性，其中IGD和HV是一元指标，结果表明，本发明方法在IGD和HV指标方面都明显优于LSMOVRPTW算法。具体来说，在IGD指标方面，根据Wilcoxon检验的单问题分析，本发明方法在40个算例中显著优于LSMOVRPTW算法，1个算例中劣于LSMOVRPTW算法。在HV指标方面，本发明方法在37个算例中显著优于LSMOVRPTW算法，在3个算例中则较差一些。基于Wilcoxon检验的多问题分析，本发明方法在IGD和HV指标方面均获得高于R-的R+值。说明在所有rwMOVRPTW算例中，本发明方法总体上优于对比算法。同时为了直观地展示本发明方法和LSMOVRPTW算法的收敛性和多样性，在几个代表性算例中得到的非支配解在第二个目标与第三个目标(f₂-f₃)、第二个目标与第四个目标(f₂-f₄)上的映射。相较于对比算法，本发明方法的非支配解分布更加广泛，并且也更接近帕累托前沿。综上所述，本发明提出的方法能够高效智能地处理城际网约车出行的路径规划问题。

实施例2

本实施例提供一种用于城际网约车路径规划的多任务优化系统，包括：

模型建立模块M1，用于根据城际网约车出行路径规划的实际需求，对出行路径规划问题进行建模；建立的模型为包含五个目标的多目标优化问题minf＝{f₁,f₂,f₃,f₄,f₅}，其中f₁为网约车数量，f₂为网约车接送客的总行驶距离；f₃为网约车接送最长行驶路径的行驶时间，f₄为网约车因提前到达接送地的总等待时间，f₅为网约车因晚到而造成的总延迟时间。

订单判断模块M2，用于判断当前是否存在未处理的网约车订单，若存在，则进入步骤“通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案”；否则，进入等待状态，直到新订单的到来，并进入步骤“通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案”。

初始规划模块M3，用于通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到外部存档解集POP中。

问题分解模块M4，用于根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务。

第一更新模块M5，用于将K个所述任务中的第k个任务定为目标任务T^k，其中，k＝1,2,...,K,其余所述任务定为辅助任务，在各所述任务之间采用知识转移方法进行优化，得到新路径规划方案，根据所述新路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，得到第一POP。

第二更新模块M6，用于通过基于链的自适应局部搜索对所述第一POP中的所有规划方案进行第二次更新，得到第二POP。

方案分配模块M7，用于将所述第二POP中的每一路径规划方案分配给对应该路径的车辆和司机，并将分配好的路径从所述第二POP中删除。

设空模块M8，用于将POP集合设为空集，并返回步骤“判断当前是否存在未处理的网约车订单”。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种用于城际网约车路径规划的多任务优化方法，其特征在于，包括：

S1.根据城际网约车出行路径规划的实际需求，对出行路径规划问题进行建模；建立的模型为包含五个目标的多目标优化问题min f＝{f₁,f₂,f₃,f₄,f₅}，其中f₁为网约车数量，f₂为网约车接送客的总行驶距离；f₃为网约车接送最长行驶路径的行驶时间，f₄为网约车因提前到达接送地的总等待时间，f₅为网约车因晚到而造成的总延迟时间；

S2.判断当前是否存在未处理的网约车订单，若存在，则进入步骤S3；否则，进入等待状态，直到新订单的到来，并进入步骤S3；

S3.通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到外部存档解集POP中；

S4.根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务；

S5.将K个所述任务中的第k个任务定为目标任务T^k，其中，k＝1,2,...,K,其余所述任务定为辅助任务，在各所述任务之间采用知识转移方法进行优化，得到新路径规划方案，根据所述新路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，得到第一POP；

S6.通过基于链的自适应局部搜索对所述第一POP中的所有规划方案进行第二次更新，得到第二POP；

S7.根据订单中乘客的需求，从所述第二POP的路径规划方案中为乘客选取路径并分配对应的车辆和司机，将分配好的路径从所述第二POP中删除；

S8.将POP集合设为空集，并返回步骤S2。

2.根据权利要求1所述的方法，其特征在于，所述通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到初始路径规划解集POP中，具体包括：

S31、设置路径规划方案的数量i′＝1；

S32、获取当前所有订单，并组合为一个订单序列，获取当前所有所述订单的订单属性，获取一个路径规划方案P_i′；所述订单属性包括订单的人数、起点、起点服务时间以及终点；

S33、从所述订单序列中随机选择一个订单，记为第一订单，根据所述第一订单的起点和终点创建一条路径t，将所述第一订单的起点作为网约车p的起点；所述网约车p为服务时间满足所述第一订单的起点服务时间，且距离所述第一订单的起点最近的网约车；

S34、判断所述第一订单的人数是否等于所述网约车p空载的座位数；

若是，则进入步骤S310；若否，则进入步骤S35；

S35、判断所述订单序列中是否还有未被选择过的订单，若是，则进入步骤S36，否则，进入步骤S310；

S37、从所述订单序列中随机选择一个未被选择过的订单，记为第二订单；

S38、判断所述第二订单的起点服务时间是否满足所述网约车p的服务时间，得到第一判断结果，并判断若将所述第二订单加入所述网约车p的订单中是否满足五个约束条件，得到第二判断结果；所述五个约束条件包括：容量约束、时间约束、安全约束、第一服务约束和第二服务约束；所述容量约束为每一个订单的乘客数不能超过网约车的最大载客数，且同一条路径上分配的所有订单的总乘客数不能超过网约车的最大载客数；所述安全约束为网约车驾驶员在两次连续行程之间需要休息一次；所述第一服务约束为网约车在接下一批乘客之前，需要让本次路径的所有乘客下车；所述第二服务约束为在一个路径规划方案中，任意一个订单的上下车接送点仅会出现在一条且同一条路径中，并且每一订单的上车点必须出现在该条路径的下车点之前；

若所述第一判断结果和所述第二判断结果均为是，则将所述第二订单加入到所述网约车p的订单中；否则，返回步骤S35；

S39、判断当前添加到所述网约车p的订单中的订单人数是否等于所述网约车p空载的座位数；

若是，则进入步骤S310；若否，则返回步骤S35；

S310、利用贪婪策略对所述网约车p的所有订单的终点以及除所述第一订单之外的其余订单的起点进行排序，根据排序结果将所述网约车p的其余订单起点和终点插入到所述路径t中，得到所述网约车p的路径规划路线，并将所述路径规划路线添加到路径规划方案P_i′中，将所述网约车p的所有订单状态设为“已处理”，并从所述订单序列中移除；

S311、将所述路径规划方案P_i′添加到初始路径规划解集POP中；

S312、判断所述订单序列中是否存在未处理的订单，若是，则返回步骤S33，否则，进入步骤S313；

S313、判断POP中路径规划方案的数量是否达到N，若是，则结束；若否，则对i′执行i′＝i′+1，并返回步骤S32。

3.根据权利要求1所述的方法，其特征在于，所述根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务，具体包括：

采用边界交叉法将所述多目标优化问题分解为N个子问题，将N个所述子问题组成子问题集合，并根据初始路径规划方案初始化N个解，得到初始规划解集；所述N个解与所述N个子问题一一对应；

从N个所述子问题中随机选择一个未被选择过的子问题，记为第一子问题，并从所述初始规划解集中选择与所述第一子问题适应值最小的解作为所述第一子问题的权重向量解，将所述权重向量解从所述初始规划解集中移除，并返回步骤“从N个所述子问题中随机选择一个未被选择过的子问题”，直到所述初始规划解集为空；

初始化多任务数目K，并将N个子问题平均划分成K个任务；

计算每一任务的中心点x，并根据所述中心点确定中心子问题，将所述中心子问题添加到对应的任务，并将所述中心子问题从所述子问题集合中移除；

采用欧式距离计算与每一所述中心点x距离最近的n-1个点，并确定n-1个点各自对应的子问题，记为最近子问题，将所述最近子问题添加到所述中心点x对应的任务，并将所述最近子问题从所述子问题集合中移除。

4.根据权利要求3所述的方法，其特征在于，所述在各所述任务之间采用知识转移方法进行优化，得到新的路径规划方案，根据所述新的路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，具体包括：

S51、编码和种群初始化；

S52、设种群C为空，将所述目标任务T^k的权重向量解添加到种群C中，其中k＝1；

S53、采用NSGA-II算法将所述辅助任务中每一任务的权重向量解进行快速非支配排序，根据排序结果得到第一前沿解；

S54、将所述目标任务的权重向量解和所述第一前沿解进行联合，得到联合路径规划方案，将所述联合路径规划方案作为父代种群；

S55、判断所述第一前沿解的数量是否大于N/K；若是，则进入步骤S56；若否，则将所述第一前沿解添加到所述种群C；

S56、从所述第一前沿解中随机选取N/K个解添加到所述种群C；

S57、对所述种群C随机应用遗传算子得到子代种群C^*，并根据所述子代种群C^*，采用占优存档更新策略对所述POP进行第一次更新；

S58、联合所述父代种群C和所述子代种群C^*得到联合种群C_联，删除所述联合种群C_联中的重复路径规划方案；

S59、采用环境选择操作为联合种群C_联中所述目标任务对应的子问题重新选择适应值最小的解作为权重向量解；

S510、判断k是否等于K，若否，则对k执行k＝k+1操作，并返回步骤S53；若是，则结束。

5.根据权利要求4所述的方法，其特征在于，所述根据所述子代种群C^*，采用占优存档更新策略对所述POP进行第一次更新，具体包括：

判断所述POP是否为空，得到第三判断结果；

若第三判断结果为是，则将新产生的路径规划方案X_new加入到所述POP中；所述新产生的路径规划方案为所述子代种群中的个体；

若第三判断结果为否，则将新产生的路径规划方案X_new与已有的路径规划方案进行占优比较；

若存在已有路径规划方案Y占优X_new或已有路径规划方案Y与X_new相同，则将X_new丢弃；若X_new占优已有路径规划方案Y，则将被占优路径规划方案删除，并将X_new加入到所述POP中；若X_new与已有路径规划方案Y互不占优，则将X_new加入到所述POP中，并对所述POP中的互不占优的路径规划方案，采用ε占优方法进行筛选，得到均匀分布的路径规划方案。

6.根据权利要求5所述的方法，其特征在于，所述占优比较为：

判断路径规划方案X_new和Y的占优关系：判断路径规划方案X_new和Y是否同时满足条件1和条件2；所述条件1为对于所有的目标值f_j(X_new)≤f_j(Y)，j＝1,2；所述条件2为至少存在一个j，使得f_j(X_new)<f_j(Y)；

若是，则称X_new占优Y；

若否，则称X_new和Y互不占优。

7.根据权利要求4所述的方法，其特征在于，所述通过基于链的自适应局部搜索对所述第一POP中的所有路径规划方案进行第二次更新，具体包括：

设置自适应局部搜索的次数Time为0；

通过轮盘赌策略选择出当前潜力最大的任务T^m；所述潜力最大的任务为潜力最大的子问题对应的任务，所述潜力最大的子问题为在局部搜索链中进入POP中的次数与局部搜索次数之比最大的解对应的子问题；

随机采用一种局部搜索策略对所述任务T^m的每一子问题的解进行局部搜索操作，得到搜索解；所述局部搜索操作包括第一局部搜索、第二局部搜索和第三局部搜索；所述第一局部搜索为从一个路径规划方案选择的两条路径中各随机删除一个订单，然后将删除的两个订单插入到所述路径规划方案的最佳位置；所述最佳位置由所述遗传算子定义；所述第二局部搜索为将一个路径规划方案选择的两条路径的所有订单全部删除，然后将所述所有订单重新插入到所述路径规划方案的最佳位置；所述第三局部搜索为针对当前的路径规划方案，从所述第一POP中随机选择另一个路径规划方案，将从所述当前的路径规划方案中选取的一条路径与从所述另一个路径规划方案选取的一条路径进行交换，得到交叉路径规划方案，将所述当前的路径规划方案中重复出现在交叉路径规划方案中的订单删除，并将未出现在所述交叉路径规划方案中的订单重新插入到最佳位置；

判断所述搜索解相对于所述子问题的解是否更优，若是，则在所述POP中利用所述搜索解替换所述权重向量解，并继续随机采用一种局部搜索策略对子问题的解进行局部搜索操作；若否，则返回当前子问题的局部搜索之前的解；

将自适应局部搜索的次数Time执行+1操作，判断Time是否等于100，若等于，则结束，否则，返回步骤“通过轮盘赌策略选择出当前潜力最大的任务T^m”。

8.一种用于城际网约车路径规划的多任务优化系统，其特征在于，包括：

模型建立模块，用于根据城际网约车出行路径规划的实际需求，对出行路径规划问题进行建模；建立的模型为包含五个目标的多目标优化问题minf＝{f₁,f₂,f₃,f₄,f₅}，其中f₁为网约车数量，f₂为网约车接送客的总行驶距离；f₃为网约车接送最长行驶路径的行驶时间，f₄为网约车因提前到达接送地的总等待时间，f₅为网约车因晚到而造成的总延迟时间；

订单判断模块，用于判断当前是否存在未处理的网约车订单，若存在，则进入步骤“通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案”；否则，进入等待状态，直到新订单的到来，并进入步骤“通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案”；

初始规划模块，用于通过基于贪婪的路径构造方法，生成订单出行路径的初始规划方案，并将所述初始规划方案保存到外部存档解集POP中；

问题分解模块，用于根据所述初始规划方案，采用问题分解策略将所述多目标优化问题分解为N个单目标的子问题，并将N个所述子问题组合成K个任务；

第一更新模块，用于将K个所述任务中的第k个任务定为目标任务T^k，其中，k＝1,2,...,K,其余所述任务定为辅助任务，在各所述任务之间采用知识转移方法进行优化，得到新路径规划方案，根据所述新路径规划方案利用ε占优存档更新策略对所述POP进行第一次更新，得到第一POP；

第二更新模块，用于通过基于链的自适应局部搜索对所述第一POP中的所有规划方案进行第二次更新，得到第二POP；

方案分配模块，用于将所述第二POP中的每一路径规划方案分配给对应该路径的车辆和司机，并将分配好的路径从所述第二POP中删除；

设空模块，用于将POP集合设为空集，并返回步骤“判断当前是否存在未处理的网约车订单”。

Images