1.一种基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，具体按照以下步骤实施：步骤1，采用随机遍历插入初始化方法得到初始种群，初始种群代表时间窗约束车辆路径规划问题的初始解集合，初始解集合中的任意解的染色体代表解的决策向量；

步骤2，采用超平面构造方法生成参考向量集合，参考向量集合所包含的参考向量数量与初始种群所包含的解数量相同，用以辅助状态表征值的计算以及控制机制的实施；

步骤3，初始种群进行循环迭代进化，通过建立的康波二阶段策略模型获取当前种群的进化代数所处的进化阶段并自适应地调节搜索倾向，配置决定搜索倾向切换的时机以保障平衡分离的有效性；

步骤4，根据步骤3中得到的进化阶段选用契合阶段特点的支配关系与表征值以指示解集合的状态，通过以收敛性度量为首要选择标准、多样性度量为次要选择标准的二元锦标赛产生交配池；

步骤5，通过对步骤4中得到的交配池采用有序交叉和倒换突变算子，产生候选子代集合；

步骤6，根据步骤3中得到的进化阶段选用契合阶段特点的支配关系与表征值以指示解集合的状态，选用匹配的维护策略从当前种群与步骤5中得到的候选子代集合的并集中筛选出下一代种群；

步骤7，判断步骤6得到的下一代种群的进化代数是否达到设定的最大进化代数，若未达到最大进化代数，表示不满足终止条件，跳转至步骤3，否则输出步骤6得到的下一代种群作为最优解集合。

2.根据权利要求1所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，所述步骤3中的康波二阶段策略模型包括一套平衡分离控制机制，包含第一级、第二级和第三级；第一级中，解集合的平衡状态被分离为收敛状态与分布状态，对应的折衷搜索倾向被分离为收敛性侧重与多样性侧重，具有不同搜索倾向的阶段依据自动配置组件的切换规则实现交替执行；第二级中，具有不同搜索倾向的阶段在其支配关系、交配选择组件以及环境选择组件中对应采用不同侧重的支配规则、选择标准以及维护策略；第三级中，不同阶段的收敛状态与分布状态使用契合阶段特点的度量值进行表征。

3.根据权利要求2所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，所述步骤3中的康波二阶段策略模型的自动配置组件是基于统计实验的；通过模拟凯恩斯学派对经济的宏观调控方式并分析第一阶段进化代数与最大进化代数的比值参数μ得到切换规则，在至少前75％的搜索进程中，自动配置组件指导搜索停留在侧重收敛的第一阶段，在其后至多25％的搜索进程中，自动配置组件根据目标函数的数量与一定随机性指导两阶段交替执行。

4.根据权利要求3所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，所述步骤3中，获取目标函数的数量以及当前进化代数，通过公式(1)计算当前所处的进化阶段：其中，I表示当前进化代数所处的进化阶段，Gdone表示当前进化代数，Gmax表示最大进化代数，M表示目标函数的数量，Mmax与Mmin分别表示统计实验中的目标函数的数量的最大与最小值，rand(1)表示区间[0，1]上的随机数。

5.根据权利要求4所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，步骤4中的与阶段特点匹配的支配关系分别是混合子区域支配关系和双重网格支配关系：关于混合子区域支配关系：假设u和v是两个解，当下列条件之一成立时，u支配v，记作

1)

2)u和v在Pareto意义下等价；

a)归一化下，u和v与相同参考向量关联；

1.

2. 但标准化下，u和v与相同参考向量相关；PBI(u)＜PBI(v)，d1(u)＜d1(v)且

b)归一化下，u和v与不同参考向量关联，但标准化下，u和v与相同参考向量关联；

且PBI(u)＜PBI(v)， 且d1(u)＜d1(v)，

其中 标记表示归一化下的度量值， 标记表示Pareto支配；d1与d2表示该解在与其关联的参考向量上的投影距离与垂直距离；SD表示该解所属的子区域密度，即与该解关联相同参考向量的解的数量；PBI表示采用MOEA/D算法中使用的基于惩罚的边界交叉法与公式(2)得到的度量值：PBI(x)＝d1(x)+θd2(x)，θ＝1   (2)

关于双重网格支配关系：假设u和v是两个解，当下列条件之一成立时，u支配v，记作

1)

2)u和v在Pareto意义下等价；

a)在第一级网格体系下，

b)u和v在第一级网格体系下等价；GS(u)＜GS(v)且Level(u)＜Level(v)；

其中 标记表示GrEA算法中使用的网格支配，即第一级网格体系；GS表示解所属超盒的坐标参数之和，相同超盒内中的解共享GS度量值；Level表示超盒所在的水平层排序等级，处在同一水平层的超盒共享Level度量值。

6.根据权利要求5所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，步骤4中的双重网格支配关系通过公式(3)实现对超盒尺寸的自适应调节：其中(||·||)表示求取内部元素的数量，div表示对每个目标轴进行均匀分割的切割数量，α是与目标函数的数量M有关的阀因子，α＝2M(M‑2)，Pt表示第t代种群，PF1表示第t代种群中处于第一层Pareto前沿上的非支配解集合。

7.根据权利要求6所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，所述步骤4具体为：步骤4.1，根据步骤3中得到的进化阶段匹配当前适用的支配关系与表征值，若进化处于第一阶段，则选用混合子区域支配关系与d2距离度量，否则选用双重网格支配关系与SD密度度量；通过基于对应支配关系的非支配排序方法获取当前解集合的非支配等级并存入收敛性度量CM中，将当前解集合的度量值存入多样性度量DM中；

步骤4.2，从当前解集合中随机选取解a与解b并根据步骤4.1中得到的收敛性度量CM与多样性度量DM对二者进行比较，其中CM值小的解在比较中获胜；若二者的CM值相同，则DM值小的解在比较中获胜；否则随机选择二者之一获胜；将胜解放入交配池，重复以上比较操作直至交配池饱和。

8.根据权利要求7所述的基于多目标进化算法的时间窗约束车辆路径规划方法，其特征在于，步骤6具体为：步骤6.1，根据步骤3中得到的进化阶段匹配当前适用的支配关系、表征值以及维护策略，若进化处于第一阶段，则选用混合子区域支配关系与d2距离度量，否则选用双重网格支配关系、余弦相似度度量以及Pareto最优子空间学习策略；通过基于对应支配关系的非支配排序获取当前解集合的非支配等级并存入收敛性度量CM中，将当前解集合的度量值存入多样性度量DM中；

步骤6.2，根据步骤6.1中得到的收敛性度量CM选择下一代种群的候选解，依据CM值升序将解逐层放入下一代种群的候选解集合，直至饱和或溢出；

步骤6.3，根据步骤3中得到的进化阶段匹配当前适用的维护策略，若进化处于第一阶段，则依据步骤6.1中得到的DM值降序对下一代种群的候选解集合进行截断，被保留部分作为自然选择的结果成为下一代种群，同时将下一代种群中的非支配解存入累积存档中用作Pareto最优子空间学习策略的输入；否则依次向每个参考向量分配一个与其具有最大余弦相似度值的解，已被分配的解作为自然选择的结果成为下一代种群。