1.一种垃圾车辆低碳调度方法，其特征在于，包括：

获取输入信息，包括：垃圾车辆需要服务的垃圾投放点数量N、垃圾投放点的坐标信息、车场坐标信息、垃圾中转站坐标信息、每个垃圾投放点的垃圾量、垃圾车辆容量Q以及司机的最大工作时长Tmax；

将输入信息输入到预先构建的基于自适应粒子群算法的垃圾车辆低碳调度优化模型，确定最优调度方案；

所述基于自适应粒子群算法的垃圾车辆低碳调度优化模型的优化目标为所规划的调度方案中车辆总的运输成本最少，基于自适应粒子群算法的垃圾车辆低碳调度优化模型的约束条件为所有车辆均从车场出发且仅出发一次、每个垃圾投放点只允许一辆车服务一次、每个垃圾投放点被服务时、一定会有一辆车从某个地点行驶到该垃圾投放点并从该点离开、所有车辆在垃圾中转站将垃圾全部排空、车辆在一次行程中的垃圾装载量不大于其容量限制以及每辆车的司机的工作时间不能超过规定的最大工作时长限制。

2.根据权利要求1所述的垃圾车辆低碳调度方法，其特征在于，所述将输入信息输入到预先构建的基于自适应粒子群算法的垃圾车辆低碳调度优化模型，确定最优调度方案，包括：步骤1，设置自适应粒子群算法进化种群规模为n、邻域搜索最大规模Y；最大评价次数为Evamax、评价次数计数器Eva＝0；

步骤2，采用整数编码，随机生成n个个体，每个个体的编码均为一串由3～N之间整数组成的序列：X＝{x3,x4,xi,…,xN}

其中，xi表示垃圾投放点的标号，i＝3,4,…,N，车场编号为1，垃圾中转站编号为2，垃圾投放点编号为3～N；

计算每个个体的目标值f(X)：

f(X)＝Cfixed+Cfuel+Ccarbon

其中，Cfixed为固定成本，Cfuel为燃油成本，Ccarbon为碳排放成本；

其中，Cf为每辆车的固定使用成本，Uk表示第k辆车是否被使用，K表示车辆总数，其中，Cm为车辆行驶单位距离所花费的燃油成本，B表示一辆车所有的行程集合，dij为垃圾投放点i与垃圾投放点j之间的距离, 表示第k辆车在第b次行程中是否经过路径ECij＝FE·FCij其中，ECij表示车辆从垃圾投放点i行驶到j的碳排放量，FE为燃油排放参数，Ce为碳税，表示第k辆车在第b次行程中是否服务垃圾投放点i，FCij为车辆从垃圾投放点i行驶到垃圾投放点j消耗的燃油量，具体计算方式如下：2

FCij＝[αij(z+lij)+βv]dij

其中，z表示车辆自重，lij表示车辆从垃圾投放点i行驶到j的载重，v表示车辆的行驶速度，αij和β分别是与路况和车型相关的参数，计算方式如下：αij＝a+gsinθij+gCrcosθij

β＝0.5CdAρ

其中，a为车辆行驶加速度，g为重力加速度常量，θij为从垃圾投放点i到垃圾投放点j这一路段的路面坡度，Cr为滚动阻力系数，Cd为牵引力系数，A为车辆正面表面积，ρ表示空气密度；

个体的适应度为F(X)：

步骤3，采用增强型局部搜索策略对解码后的个体进行精细搜索，组成新的个体；

步骤4，对新的个体采用基于贡献度的自适应学习策略，自适应选择最符合粒子自身阶段的学习方式，生成子代粒子：步骤5，根据优胜劣汰的规则在每次迭代中更新个体极值和全局极值；

步骤6，若Eva>Evamax则终止迭代，输出适应度最优的个体，该个体为规划好车辆调度方案，否则，Eva相应增加，转步骤3。

3.根据权利要求2所述的垃圾车辆低碳调度方法，其特征在于，所述采用增强型局部搜索策略对解码后的个体进行精细搜索，组成新的个体，包括：步骤31，通过消除时间和容量约束的解码方式对个体进行解码，得到垃圾车辆的调度方案；

步骤32，找出包含垃圾投放点数最多的行程所对应的车辆索引和行程索引；

步骤33，对包含垃圾投放点数最多的行程进行2‑opt优化，有效打开在行程中的交叉路线；

步骤34，将优化后的行程与其余未被选择的行程按照顺序重新拼接，组成新的个体；在拼接过程中，根据车辆行程的终点分成两种情况：当行程的终点为中转站点，表明车辆在该行程中不会再前往车场，此时仅需去除行程中的出发点和垃圾中转站；当行程的终点为车场，则该车是前往垃圾中转站卸货继而再回到车场，此时需要去除该行程中的出发点、垃圾中转站以车场；

步骤35，输出实施增强型局部搜索策略后的新的个体。

4.根据权利要求2所述的垃圾车辆低碳调度方法，其特征在于，所述对新的个体采用基于贡献度的自适应学习策略，自适应选择最符合粒子自身阶段的学习方式，生成子代粒子，包括：步骤41，设置m种学习策略；

步骤42，令每种学习策略的贡献度Ckk＝0，kk＝1,2,…,m；

步骤43，对种群中各个新的个体ii分别通过轮盘赌选择确定学习策略learn(ii)，根据learn(ii)生成新粒子Npop(ii)并计算Npop(ii)的目标值；

步骤44，将新种群中的新粒子依据目标值排序，得到粒子的排名向量r(ii)；

步骤45，按照下式为第ii个新粒子分配权重wii，粒子排名越靠前，分配得到的权重便越大；

其中，wii为第ii个粒子应该被分配的权重，r(ii)为第ii个粒子的排名；

步骤46，第kk种学习策略的贡献度按下式进行更新,

其中，sfii为赏罚因子，如果第ii个粒子通过第kk种学习策略适应度值有所提升，则sfii＝1，否则sfii＝0；

步骤47，更新并归一化第kk种学习策略选择概率的方法如下式所示pkk＝Ckk+ε kk＝1,2,...,m

其中，pkk为第kk种学习策略选择概率，jj表示学习策略的下标，jj＝1,2,...，m，ε＝

0.01为最小选择概率，用于保证每种学习策略都能有机会被选择；

步骤48，种群中的粒子通过选择不同的学习方式进行学习后，输出新生成的所有子代粒子Npop、新粒子的目标值Npopobj、学习策略的贡献度向量C和选择概率向量P。

5.根据权利要求4所述的垃圾车辆低碳调度方法，其特征在于，所述m种学习策略包括：贪婪式学习策略、多元式学习策略、探索式学习策略和利用式学习策略，所述贪婪式学习策略为：将新的个体通过逆转变异产生变异个体，变异个体与个体极值通过贪婪交叉算子产生交叉个体一，将交叉个体一与全局极值再进行贪婪交叉，生成贪婪学习后的新个体；

所述多元式学习策略为：将新的个体通过多元变异算子产生变异个体，将产生的变异个体与个体极值进行部分映射交叉得到交叉个体一，将交叉个体1与全局极值进行部分映射交叉，生成多元学习后的新个体；

所述探索式学习策略为，将新的个体通过多元变异算子产生变异个体，将产生的变异个体与种群中适应度优于自身的任一粒子的个体极值进行部分映射交叉，生成探索学习后的新个体；

所述利用式学习策略为，将新的个体通过多元变异算子产生变异个体，将产生的变异个体与个体极值进行部分映射交叉，生成利用学习后的新个体。

6.根据权利要求5所述的垃圾车辆低碳调度方法，其特征在于，所述贪婪式学习策略，包括：步骤411，确定需要交叉的个体X、个体极值Xpbest以及全局极值Xgbest；

步骤412，从非车场和非中转站的点中随机选择一点作为车辆服务的第一个垃圾投放点S，选择第一个垃圾投放点S在Xpbest中的左侧垃圾投放点SLp和右侧垃圾投放点SRp,在X中左侧垃圾投放点SLX和右侧垃圾投放点SRX作为下个访问的候选集；

步骤413，在候选集{SLp,SRp,SLX,SRX}中选择一个垃圾投放点S’，使得S’与S构成运输成本最少的路径段；

步骤414，如果S’∈{SLp,SLX}，执行步骤415，否则执行步骤416；

步骤415，从个体极值Xpbest和个体X中删除S，将S’设为下一个出发点S，在S的左候选集{SLp,SLX}中选择新的S’作为下一个前往服务的垃圾投放点，使得S’与S构成运输成本最少的路径段，重复执行S515，直至即生成新解Xnew；

步骤416，从个体极值Xpbest和个体X中删除S，将S’设为下一个出发点S，在S的右候选集{SRp,SRX}中选择新的S’作为下一个前往服务的垃圾投放点，使得S’与S构成运输成本最少的路径段，重复执行S516，直至即生成新解Xnew；

步骤417，以X和Xpbest的贪婪交叉为例，将新解Xnew与全局极值Xgbest再一次进行贪婪交叉，生成新解；

步骤418，输出通过贪婪交叉算子的新个体。

7.根据权利要求5所述的垃圾车辆低碳调度方法，其特征在于，所述多元式学习策略包括：步骤421，计算逆转变异、交换变异和插入变异的选择概率；

步骤422，基于轮盘赌方式选择变异方式的序号；

步骤423，如果选择逆转变异的序号，则对个体进行交换变异；

步骤424，如果选择交换变异的序号，则对个体进行逆转变异；

步骤425，如果插入变异的序号，则对个体进行插入变异；

步骤426，根据变异结果输出通过多元变异算子后的新个体。

8.一种垃圾车辆低碳调度系统，其特征在于，包括：

获取模块，用于获取输入信息，包括：垃圾车辆需要服务的垃圾投放点数量N、垃圾投放点的坐标信息、车场坐标信息、垃圾中转站坐标信息、每个垃圾投放点的垃圾量、垃圾车辆容量Q以及司机的最大工作时长Tmax；

确定模块，用于将输入信息输入到预先构建的基于自适应粒子群算法的垃圾车辆低碳调度优化模型，确定最优调度方案；

所述基于自适应粒子群算法的垃圾车辆低碳调度优化模型的优化目标为所规划的调度方案中车辆总的运输成本最少，基于自适应粒子群算法的垃圾车辆低碳调度优化模型的约束条件为所有车辆均从车场出发且仅出发一次、每个垃圾投放点只允许一辆车服务一次、每个垃圾投放点被服务时、一定会有一辆车从某个地点行驶到该垃圾投放点并从该点离开、所有车辆在垃圾中转站将垃圾全部排空、车辆在一次行程中的垃圾装载量不大于其容量限制以及每辆车的司机的工作时间不能超过规定的最大工作时长限制。

9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。

10.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。