Page 149 - 《软件学报》2026年第5期

2028 软件学报 2026 年第 37 卷第 5 期

升, 显著提高了物流系统的运营效率.

1 相关工作

运单分配问题需要在满足时间约束的前提下平衡平台匹配率与司机满意度. 现有研究在运单分配算法优化与
司机偏好建模方面已取得重要进展, 然而这些研究成果并不能直接应用在运单分配场景. 具体而言, 其面临的困难
包含两个方面: 忽视了针对不同司机个体对运输时间约束下运输可行性的判断, 以及在匹配率与司机满意度的多
目标优化时忽略了运单分配场景的时序决策属性.
1.1 运单分配与司机偏好建模
物流平台中的订单分配作为经典的组合优化问题, 其研究方法已从静态匹配发展为动态优化. 静态匹配算法
(如贪心匹配、匈牙利算法、拍卖算法和局部搜索启发式) 假设所有订单和司机信息在分配时完全已知且保持不
变, 虽能保证理论最优性却难以适应实际物流场景的动态性需求 [4−8] . 为应对订单和司机状态的实时变化, 在线匹
配算法 (如竞争比分析框架和动态规划方法) [9,10] 以及强化学习技术 [11] 被引入该领域, 显著提升了系统对动态环境
的适应能力. 然而, 这些方法仍存在关键局限性: 一方面, 它们未能有效建模和预测司机的拒单行为, 导致分配策略
的实际效果受限; 另一方面, 现有动态优化方法多聚焦于即时收益最大化, 缺乏对长期累积收益的系统性优化 [12,13] .
司机偏好建模作为提升订单接受率的关键技术, 其研究范式经历了从静态规则到动态学习的演进. 早期基于
规则的方法通过分析历史接单记录构建静态司机画像, 虽能识别基本偏好模式却无法捕捉偏好的时空动态性 [1] .
近年来, 图神经网络通过建模空间关联关系捕捉地理场景差异 [14,15] , 序列模型 (如 LSTM 和 Transformer) 则专注于
学习偏好的时序演化规律, 结合注意力机制进一步提升了模型对时空动态特征的捕捉能力 [3,16] . 然而, 当前偏好建
模研究存在两个显著不足: 在建模维度上, 现有工作过度关注订单基本属性 (如货物类型、距离等) 的偏好分析,
而忽视了时间约束压力下司机决策机制的研究; 在优化目标上, 多数方法片面追求接单率最大化, 未能将偏好建模
与平台整体效率提升有机结合, 导致部分运单长期滞留的系统性问题.
1.2 运输时间约束建模
当前时间约束建模研究面临的核心挑战在于准确评估司机在给定时间限制内完成运输任务的可能性. 主流方
法采用基于阈值的二元判断机制, 将装货时间窗口和最晚到达时间等约束视为刚性边界, 通过比较预计运输时间
与约束条件的数值关系进行可行性判定 (如直接排除超时匹配) [2,9,10,17] . 虽然这种方法计算高效, 但其固有缺陷在
于: 一方面, 它忽略了不同司机在相同时间约束下可能表现出的执行能力差异; 另一方面, 它无法反映运输过程中
固有的时间波动性.
为应对时间不确定性, 近期研究主要沿着两个技术路径发展: 一是基于蒙特卡洛仿真和鲁棒优化的外部环境
因素建模, 重点处理交通状况等随机扰动对运输时间的影响 [17] ; 二是采用贝叶斯方法的动态预测框架, 通过持续
更新时间估计来适应环境变化 [3,15] . 这些概率模型虽然提升了时间预测的鲁棒性, 但其建模视角仍存在本质局限——
将时间波动完全归因于外部环境因素, 而未能充分考虑司机个体在面对时间压力时的差异化决策行为. 这种对司机
主观能动性的建模缺失, 导致现有方法难以准确预测司机的实际接单意愿, 从而制约了运单分配系统的整体效能.
物流运单分配本质上是一个多目标优化问题, 旨在同时优化匹配效率与司机满意度等相互冲突的关键指
标 [9,10,17] . 现有研究主要沿着两条技术路径展开: 一方面, 基于权重聚合的单目标转化方法通过线性加权的方式将
多个目标合并为一个综合目标函数, 从而利用成熟的单目标优化算法进行求解, 此类方法实现简单、计算高效, 但
其预设的固定权重难以适应物流市场中随时间动态变化的需求特征, 尤其在对系统目标优先级的不同要求下, 表
现出明显的适应性局限 [1,10,14,15,17] ; 另一方面, 帕累托优化方法则通过构建非支配解集, 提供了一种无需预先设定权
重的多目标决策框架, 能够在不牺牲某一目标的前提下探索不同目标之间的折中关系 [18,19] . NSGA-II 和 MOEA/D
等典型帕累托优化算法已被应用于运单分配场景中, 能够生成反映匹配率与司机满意度之间权衡关系的解集. 然
而, 这些方法在实际应用中仍面临显著挑战: 但其计算复杂度随规模指数增长, 难以满足大规模实时分配的秒级响
应需求, 虽然部分研究 [20−23] 利用 MOEA/D 分解与 SMS-EMOA 超体积指标简化搜索过程降低计算开销, 但是仍存