1.一种不确定性条件下多式联运路径优化方法，其特征在于，该方法包括以下步骤：S1，对不确定运输时间进行分析处理，建立双目标不确定性随机规划模型，通过样本平均近似法对双目标不确定性随机规划模型进行转换，得到双目标确定性优化模型；

S2，建立一个独立测试样本，测试最优样本数量，利用样本平均近似法为双目标确定性优化模型的运输时间生成样本情景集合；样本情景集合生成后，目标函数以样本平均函数来估计期望成本值，通过对双目标确定性优化模型的多次独立运行，得到非支配解集合；基于所有样本得到的非支配解集合汇总成一个总的非支配解集合，通过理想点法近似最优解，获取最优路径方案；

S3，对碳税率和时间窗进行灵敏度分析，通过设置不同的碳税率和时间窗，分析碳税率和时间窗波动对构建的最优路径方案的影响；

在步骤S1中，建立双目标不确定性随机规划模型，包括：在量化运输时间不确定的基础上，考虑运量、时间窗、碳排放约束，以运营成本和客户满意度及环境友好度的偏好函数为目标，构建双目标不确定性随机规划模型；

双目标不确定性随机规划模型表达式为公式(5)‑公式(36)；

式中，F1为所有OD对最优路径的总运营成本，F2为所有OD对最优路径的客户满意度和环境友好度的偏好函数， 为场景ρ下的单位惩罚成本，O为起点，D为终点，r为运输路径，k为运输方式，Ω为样本情景集合；Rod为以O为起点，D为终点的路径集合；M为运输方式集合；

为场景ρ下的OD对中第r条路径的路段s上采用运输方式k的运输成本，为场景ρ下的OD对中第r条路径上从路段s中转至路段s+1时，运输方式由k转变ρ

成l的中转成本；π为场景ρ下运输时间对应的概率， 为场景ρ下的OD对中第r条路径的客户满意度，xod,r为0‑1决策变量，若选择OD对的第r条路径，则取1，反之则取0； 为路径r在场景ρ下的延迟时间； 为某个OD对中第r条路径的环境友好度，污染物排放量越少，环境友好度越高；ai为第i个客户满意度敏感度等级，βi为第i个环境友好度敏感度等级。

2.根据权利要求1所述的不确定性条件下多式联运路径优化方法，其特征在于，在步骤S1中，对不确定运输时间进行分析处理，包括：对于具有起点O和目的地D的多式联运路径，出发时间为Tdep，目的地的到达时间为Tdue；

该路径先使用公路运输将货物从地点A运到地点B，在地点B转运；然后采用铁路运输，从地点B到地点C，运输时间为tBC；在地点C进行转运，最后采用铁路运输方式到达地点D；

该路径的运输时间服从下面条件：

Tdep+tAB+tB+tBC+tC+tCD≤Tdue (1)

式中，tAB为从地点A运到地点B的运输时间，tB为在地点B的转运时间，tC为在地点C的转运时间，tCD为从地点C运到地点D的运输时间；

地点B到地点C之间的铁路运输有一个固定的出发时间tBC，地点C到地点D之间的卡车运输有一个出发时间窗口，即货物必须及时到达地点B才能进行铁路运输，而路段CD的出发时间是根据到达地点C的时间生成的；则有以下路径可行性约束；

Tdep+tAB+tB≤TBC (2)

TBC+tBC+tC+tCD≤Tdue (3)

通过使用样本平均近似法SAA考虑运输时间的不确定性，生成多个样本并在这些样本上进行优化，随着样本数量的增加，样本平均近似法SAA提供接近真实最优解的结果，表达式为：式中，[T1，T2]为运输时间区间，s为路段， 为OD对中路段的集合，dod，r，s为OD对中第r条路径上的路段s的距离， 分别为运输方式k的最大速度和最小速度；

xod，r，s，s+1，k，l为0‑1变量，在OD对中第r条路径上从路段s中转至路段s+1时，运输方式由k转变成l，则取1，否则为0；tk，l为运输方式k与运输方式l之间的中转时间，qod为OD对的实际运量。

3.根据权利要求1所述的不确定性条件下多式联运路径优化方法，其特征在于，在步骤S1中，通过样本平均近似法对双目标不确定性随机规划模型进行转换，得到双目标确定性优化模型，包括：蒙特卡洛模拟将基于随机变量的概率分布情况生成样本大小为G的独立样本集合来模拟出真实的随机变量分布，且生成的每个样本的概率都是相等的，为1/G；此时原模型的上ρ标ρ被替换为g，代表已生成的随机样本；每种情景ρ下的概率π同时也被替换为1/G；将上述模型转换为双目标确定性优化模型。

4.根据权利要求3所述的不确定性条件下多式联运路径优化方法，其特征在于，双目标确定性优化模型包括：约束公式(37)‑约束公式(46)；

式中，g为已生成的样本，G为g的集合；

s.t.

约束公式(10)‑公式(31)，则有：

约束公式(39)表示已生成的随机样本中在每个情景下每个路径方案都有相关联的出发时间、运输时间和到达时间； 为在样本情景ρ下的路段s的出发时间， 为在样本情景ρ下的路段s的运输时间， 为在样本情景ρ下的路段s的到达时间；

约束公式(40)表示已生成的随机样本中前一个路段s运输结束的时间加上中转时间必须在下一路段s+1运输出发时间之前完成；Ds+1为路段s+1的出发时间， 为在样本情景ρ下的路段s与s+1之间的时间延迟；

约束公式(41)‑约束公式(43)表示已生成的随机样本中在该路径方案不可行的情况下，确保xod，r，s，k＝0；

约束公式(44)‑约束(45)表示已生成的随机样本中每个路径方案的时间框架，下限的最早提货时间是固定的，而上限的到期日是变动的， 为样本情景g下路段s各个运输阶段的延迟时间， 为路径r最早达到时间；

约束(46)表示已生成的随机样本中路段s的出发时间窗。

5.根据权利要求1所述的不确定性条件下多式联运路径优化方法，其特征在于，在步骤S2中，获取最优路径方案，包括：S201，利用样本平均近似法生成非支配解，并通过最优性差估计检验最优样本数量；

S202，对于每个样本g，将其中的运输时间参数代入双目标不确定性随机规划模型，得到G个双目标确定性优化模型；蒙特卡罗模拟依随机变量概率分布生成样本集以模拟真实分布，样本含B个元素，且各元素权重均为1/B；在样本生成后，第g个样本中的目标函数将以样本平均函数来估计期望成本值；

S203，针对每个双目标确定性优化模型，使用NSGA‑Ⅱ算法求解，得到对应的非支配解集合{x1，x2…xB}和目标函数值 和S204，基于所有样本得到的非支配解集合汇总成一个总的非支配解集合，通过理想点法近似最优解，获取最优路径方案。

6.根据权利要求5所述的不确定性条件下多式联运路径优化方法，其特征在于，在步骤S201中，利用样本平均近似法生成非支配解，并通过最优性差估计检验最优样本数量，包括：ρ

S2011，通过蒙特卡罗模拟方法根据运输时间概率分布π生成G个独立样本{T1，T2…TG}，每个样本Tg＝{t1，t2…tB}，tb表示第g(g＝1，2…G)个样本中的第b个运输时间参数(b＝1，

2…B)；生成一个大小为G的独立测试样本来评估每个候选解，检查是否满足所有约束条件，*若是，则为可行解；选择成本最小的候选可行解为最优解x；对于任意可行解，任意独立样*本下的目标函数值是真实目标值的上界；因此x 对应的上界计算为公式(40)；将不同样本对应的G个最优值进行排序以获得g＝1，2…G的阶统计量F[G]，第L阶统计量F[L]对应于置信水平λ的下界LB；

式中，UB为真实目标值的上界，FG为目标函数值， 为标准正态分布的 分位数，σU为测试样本内目标值的标准差；

式中，λ为置信水平，L为无限大的数， 为在G次独立试验中最多有 成功的概率，i为试验次数，G为样本集合，B为时间参数集合；

*

S2022，用最优性差估计 来评估解x的质量，选择样本量以确保合理的最优性差距；

在步骤S202中，设目标函数F1和F2的期望成本值为 和 则有：

式中， 为目标函数F1的期望成本值， 为目标函数F2的期望成本值， 为样本b中第r条路径的客户满意度， 为每个样本中路径r在各个运输阶段的延迟时间；

步骤S203具体步骤如下：

S2031，对备选方案集中的路径进行编码得到初始种群，即初始方案备选集；路段采用

0‑1编码，即0表示不经过该路段，1表示经过该路段；路段采用的运输方式采取1‑2‑3方式编码，其中1表示铁路运输，2表示公路运输，3表示水路运输；假设托运人有m个OD对运输需求，每个OD对上各路径选择的编码为Mod；

S2032，计算初始种群中所有个体的运营成本和偏好函数值，执行非支配排序，划分为不同的帕累托前沿层级，然后计算每个帕累托前沿层级中个体之间的拥挤度，最后采用锦标赛选择策略从种群中选择下一代个体；

S2033，利用非均匀算数交叉算子和非均匀变异算子，对选出的个体进行交叉和变异操作，生成新的个体；

S2034，将新生成的方案集与上一代方案集合并得到新的种群，重复步骤S2032、步骤S2033；

S2035，终止条件判断，根据设定的终止条件，如达到最大迭代次数，判断是否结束算法；如果满足终止条件，则输出帕累托前沿解集；否则，返回到步骤S2022继续迭代；

步骤S204包括：将解集进行正向化和标准化；记正向化和标准化后的矩阵为A，见公式+ ‑(45)，确定正理想点A 和负理想点A ，根据公式(46)和公式(47)计算每个帕累托解i与最优解距离 和最劣解距离 最后根据公式(48)计算第i个帕累托解的评分Si并进行排序，选择Si最大的为近似最优解：式中，A为正向化和标准化后的矩阵，aij为矩阵值；

式中， 为每个帕累托解i与最优解距离， 为每个帕累托解i与最劣解距离，Si为第i个帕累托解的评分， 为在目标Fj下的理想点值 为在目标Fj下的负理想点值，aij为是帕累托解i在目标j下的取值，j表示运营成本、偏好函数值2个评价指标索引。

7.根据权利要求1所述的不确定性条件下多式联运路径优化方法，其特征在于，在步骤S3中，碳税率灵敏度分析包括：设置4个碳税率区间等级为Ⅰ[0.00,0.00,0.00,0.00]、Ⅱ[0.01,0.02,0.03,0.04]、Ⅲ[0.05,0.10,0.15,0.20]和Ⅳ[0.10,0.20,0.30,0.40]，对应的碳排放量设定为(Z1,Z2,Z3,Z4)＝(10000,15000,20000,25000)并根据最优路径方案的计算帕累托最优解中运输方式占比、运营成本和碳排放量的结果；

时间窗灵敏度分析包括：通过不同的时间窗约束设置获得最优路径的运输方式占比、运营成本和偏好函数值的变化结果。

8.一种不确定性条件下多式联运路径优化系统，其特征在于，该系统实施如权利要求

1‑7任意一项所述不确定性条件下多式联运路径优化方法，该系统包括：双目标确定性优化模型得到模块(1)，用于对不确定运输时间进行分析处理，建立双目标不确定性随机规划模型，通过样本平均近似法对双目标不确定性随机规划模型进行转换，得到双目标确定性优化模型；

最优路径方案获得模块(2)，用于建立一个独立测试样本，测试最优样本数量，利用样本平均近似法为双目标确定性优化模型的运输时间生成样本情景集合；样本情景集合生成后，目标函数以样本平均函数来估计期望成本值，通过对双目标确定性优化模型的多次独立运行，得到非支配解集合；基于所有样本得到的非支配解集合汇总成一个总的非支配解集合，通过理想点法近似最优解，获取最优路径方案；

灵敏度分析模块(3)，用于对碳税率和时间窗进行灵敏度分析，通过设置不同的碳税率和时间窗，分析碳税率和时间窗波动对构建的最优路径方案的影响。