1.一种基于大规模多中心问题的路径规划方法，其特征在于，该方法包括如下步骤：服务车辆接收服务任务信息；其中，所述服务任务信息中包括服务区域地图信息和服务规划路径信息；

获取服务的约束条件信息；

根据未服务区域信息和服务规划路径信息计算预计条件信息；

当所述预计条件信息满足所述约束条件信息时，根据所述服务规划路径信息继续进行服务作业；

当所述预计条件信息不满足所述约束条件信息时，停止服务作业。

2.根据权利要求1所述的基于大规模多中心问题的路径规划方法，其特征在于，所述服务规划路径信息通过以下方法获得：对车辆服务对象，即街道，采用三标准问题分解方法获取初始解决方案；

利用初始解决方案，对服务车辆的路径进行规划以求得可行解；

利用上述可行解得到所述三标准问题分解方法对应的服务路线。

3.根据权利要求2所述的基于大规模多中心问题的路径规划方法，其特征在于，所述初始解决方案具体为：首先，将任务集T的任务划分至VD中的各中心点处，将任务集T中的每个任务构成的单任务路径，构成待分配路径集合RS；其中，VD为中心点集合；

然后，将待分配路径集合RS中的所有路径分配至VD各中心点处，形成子问题RCS[1]，RCS[2]，…，RCS[|VD|]；对于子问题RCS[i]，将所有分配至该子问题中的单任务路径连接在一起，形成一条长路径，然后采用2-OPT、Ulusoy Splitting方法进行处理，得到该子问题的解Si；

最后，局部优化方法对其邻域进行搜索，将所有的子问题的解Si进行汇集，形成整个问题的初始解决方案S，即

4.根据权利要求3所述的基于大规模多中心问题的路径规划方法，其特征在于，所述路径规划方法还包括采用路径切割策略SR对所述初始解决方案S进行优化分割处理，从而获得较短的路径；

由上述所有的较短的路径构成待分配集合RS’，采用所述三标准问题分解方法将待分配集合RS’中的路径分配至VD中的中心点处，再使用2-OPT、Ulusoy Splitting方法进行处理，得到该子问题的解S*i；

采用局部优化方法对其邻域进行搜索，将所有的子问题的解S*i进行汇集，获得新的解决方案S*；

若S*优于S，则以S*取代S；否则，放弃S*；如此，反复若干代后结束，最终的S即为满意的问题解。

5.根据权利要求3或4所述的基于大规模多中心问题的路径规划方法，其特征在于，所述优化分割处理的具体步骤如下：步骤1：获取所述初始解决方案

步骤2：iter←1，noimp←0，iter为迭代循环变量，noimp为记录连续没有进展的迭代数；

步骤3：improve←false；

步骤4：S’←S；

步骤5：置RS为空集，即RS←Φ；

步骤6：对于S’每个子问题的解Si’中的所有路径采用路径切割策略SR，形成较短的路径，放置RS中；

步骤7：采用所述三标准问题分解方法将RS中的路径分配至VD的相应中心点处，得到子问题RCS[1]，RCS[2]，…，RCS[|VD|]；

步骤8：将每个子问题RCS[i]中的路径连接起来，形成一条长路径LRi；

步骤9：使用2-OPT、Ulusoy Splitting方法和局部优化方法对路径LRi进行切割和优化，得到子解S*i；

步骤10：连接所有子解，得到完整解S*，即

步骤11：若S*优于S，则以S*更新S，即S←S*，并置improve←true；

步骤12：若improve＝true，则置noimp←0，否则置noimp←noimp+1；

步骤13：iter←iter+1；

步骤14：若iter≤MaxIter且noimp≤MaxNoImpIter，则转步骤2继续执行，否则输出解决方案S；

上述步骤中，MaxIter为最大迭代次数，MaxNoImpIter为最大改进迭代次数，即问题解若持续MaxNoImpIter未得到改善，则问题求解过程提前结束。

6.根据权利要求5所述的基于大规模多中心问题的路径规划方法，其特征在于，所述步骤6具体为：步骤6.1：i←1；

步骤6.2：r←1；

步骤6.3：采用路径切割策略SR对子解Si’中的路径r切割，并将所得子路径归入RS中；

步骤6.4：r←r+1；

步骤6.5：若r≤|Si’|，则转步骤6.3继续切割Si’中的路径，|Si’|为子解Si’中的路径数；

步骤6.6：i←i+1；

步骤6.7：若i≤|VD|，则转步骤6.2继续切割后续子解中的路径。

7.根据权利要求5所述的基于大规模多中心问题的路径规划方法，其特征在于，所述路径切割策略SR具体为：步骤21：依据S*以及等级矩阵Mrank，对S*中所有连接计算等级的平均值ARV；

步骤22：令k＝1；

步骤23：从S*中删除Rk；

步骤24：根据步骤21所计算ARV，将Rk的连接归类到集合goodset和badset；其中，goodset为优良连接集合，badset为劣质连接集合；

步骤2,5：从goodset和badset中分别挑选出连接goodlink，badlink：步骤26：令pr1＝rand()％1000/1000，若pr1

步骤27：令pr2＝rand()％1000/1000，若pr2

步骤28：将分割后的子路径插入到S*中；

步骤29：k＝k+1，若k<＝m，则转步骤23，继续分割路径。

步骤30：返回分割后的车辆路由方案S*。

其中，Mrank为等级矩阵，rand()表示随机产生一非负整数，pr1与pr2为由rand()函数随机产生的变量，PGsr、PBsr分别为删除优良连接和劣质连接的概率。

8.根据权利要求7所述的基于大规模多中心问题的路径规划方法，其特征在于，所述步骤25中选取goodlink，badlink的具体方法为：采用轮盘赌的方式选取goodlink，badlink。

9.根据权利要求2或4所述的基于大规模多中心问题的路径规划方法，其特征在于，所述三标准问题分解方法为：对待分配路径集合RS，构造VD由各中心点d组成的虚拟路径，并以其初始化子问题RCS[d]；并计算RS中的每条路r经到各RCS[i]的平均距离adisr,i，两条路径r1和r2的距离计算如下：其中， 分别表示路径r1和r2两端处的顶点；

标准1：对于待分配路径集合RS中路径r，计算其最小平均距离对于次小距离的提高比例ImpDisr；若RS中存在ImpDisr≥10％的路径，则选择提高比例最大的路径，将其加入到离其最近的RCS[]中，同时从RS中删除，继续分解过程；

标准2：如果标准1失败，即待分配路径集合RS中所有路径的提高比例都小于10％，则计算RS中每条路径r到各RCS[i]的方差vadisr,i，并计算最小方差对于次小方差的提高比例ImpVarr；若RS中存在ImpVarr≥40％的路径，则选择提高比例最大的路径，将其加入到离其最近的RCS[]中，同时从RS中删除，继续分解过程；

标准3：若标准1和2均失败，计算待分配路径集合RS中每条路径r到最近RCS[]中最近路径的距离minadisr，选择最小minadisr对应的路径，将其添加至最近的RCS[]中，并从RS中删除该路径；

重复标准1、2和3，直到待分配路径集合RS为空集为止。