其中的且 X，yex;
[0030] (2)当j时，返回a XminXEU，yai(dist(s，x)+C(x，y，U)+dist(y，t));
[0031] (3)求出从s到t的最短路径P'；
[0032] ⑷计算以如(尸')+ (1 -r)),并赋值给best，该best为已经计 算过的最优路径的花费；
[0033] ( 5 )初始化队列 Q 和集合 D，将初始状态 i(W0)，O,lb((.v,.s',0),U/,(), 〇))和 ((认0),0,1b(认0)417,0,D))加入队列Q，其中lb〇是计算下界的操作，其结果lb是队列Q的 优先序；
[0034] (6)当队列Q不为空时重复以下步骤：
[0035] (6.1)弹出队列〇中第一个元素（（1&1^1，^父），(3 〇5^，113);
[0036] (6 · 2)将label，标记为label的相反方向；
[0037] (6.3)X，SU_X;
[0038] (6.4)当v = label，且X = U的时候，返回当前的cost;
[0039] (6·5)将状态（（labe 1，v，X)，cost)加入集合D;
[0040] (6.6)对于集合E里的所有(V，U)边循环：
[0041 ] (6·6· 1)计算cost+α Xw(v，u)并赋值给cost' ；
[0042] (6·6· 2)更新（Q，D，best，label，，X，，（label，u，X)，cost '）；
[0043] (6.7)对于集合U-X里的所有x点循环：
[0044] (6·7· 1)计算cost+(l_a) Xdist(x，v)并赋值给cost' ；
[0045] (6 · 7 · 2)更新（Q，D，best，label，，X，-{x}，（ label，v，X U {x})，cost '）；
[0046] (7)所有上述循环结束还没有找到最优解，则返回％。
[0047] 其中，所述步骤(1)中，使用全集合路径算法计算C(x，y，U)的方法为：
[0048] (A)初始化队列Q和集合D，对于所有的ueu，将初始状态（（^，{"^(^加入队列 Q〇
[0049] (B)当队列Q不为空时重复以下步骤：
[0050] (8.1)弹出队列〇中第一个元素（（、7，父），(3〇5^);
[00511 (B.2)将 cost 赋值给状态 C(x，y，X);
[0052] (B.3)将状态(x，y，X)加入集合D;
[0053] (B.4)对于集合U-X里的所有点v循环：
[0054] (B.4.1)将集合XU {v}赋值给临时变量集合X' ；
[0055] (B. 4.2)将cost的值加上点￥到点7的距离并赋值给临时变量cost'；
[0056] (B.4.3)如果新的状态(x，y，X'）存在于集合D中，则跳过本次循环继续；
[0057] (8.4.4)如果新的状态(1，7，'）不属于队列〇，则将其加入队列1
[0058] (B.4.5)如果新的cost'比原来队列Q中的相应状态的cost要小，贝lj更新队列Q中该 状态的cost值。
[0059] 其中，所述步骤(5)中，计算下界（lower bound)的操作方法为：
[0060] 当（label，，v，X，）ED时，返回cost+D. cost( (label，，v，X，））；
[0061] 当label = s时，即前向增长：
[0062] 若JT古0.,则计算minx〇(，,yQ(，{dist(v，x)+C(x，y，X'）+dist(y，t)}赋值给变量c， 并返E
;否则直接返回cost+α Xdist(v，t);
[0063] 否则，即反向增长：
[0064] 若JTV0..，则计算minx〇(' ,y〇(' {dist(s，x)+C(x，y，X'）+dist(y，v)}赋值给变量c， 并返回
；否则直接返回cost+aXdist(s，v)。
[0065] 其中，所述步骤(6.6.2)中，更新(Q，D，best，label '，X'，（label，u，X)，cost'）的方 法为：
[0066] 当状态（label，v，X)eD时，直接返回；
[0067] 计算lb((label，v，X)，label'，X'，cost，D)并赋值给lb;
[0068] 当lb 2 best时，直接返回；
[0069] 当状态(/"&/, v，，.ΛΧ_)时，将状态（（label，v，X)，cost，lb)压入队列Q;
[0070] 当lb小于队列Q中状态（label，v，X)的下界〇.让（（1&1^1^，乂））时，同时更新该状 态的cost和lb，Q.update( (label，v，X)，cost，lb);
[0071 ]当（1&匕〇1，，￥，父，）￡0且0.(3〇81：((1&匕61，，￥，父，））+(3〇81：<^681：时，计算0.(3〇8七 ((label '，v，X'）)+cost并赋值给best。
[0072] -种基于A星策略的最优多会合点路径搜索装置，适用于移动终端，包括：
[0073] 搜索信息输入单元：用于获取路径搜索预设信息，包括：图G=(V，E，W)，点集U，a， 出发点s，目的点t;其中，V、Ε和W分别为点集、边集和权值的集合；?/ ?Ξ F为顶点的子集;参 数a e (〇，1 )，用于平衡路径Pst和U中的点到Pst之间的距离和的比重；
[0074]路径搜索单元:用于根据所述路径搜索预设信息，通过如上任一所述方法，搜索在 所述图G中从出发点s到目的点t的最优路径；
[0075] 搜索结果输出单元:用于输出显示所述路径搜索单元所搜索到的最优路径。
[0076] 其中，所述移动终端包括:移动电话、智能电话、笔记本电脑、个人数字助理、平板 电脑。
[0077] 本发明实施例与现有技术相比，本发明具有以下优点：
[0078] 本发明提出的基于A星策略的最优多会合点路径搜索方法相比之前的方法，能够 更加高效地解决实时合乘应用中技术难点2,即，在匹配好了驾驶者和乘客之后，如何快速 地确定最优的路径让驾驶者可以接上所有的匹配的乘客。大大提升了该算法的高效性与实 用性。
【附图说明】
[0079]图1是一个公路网络的示意图；
[0080]图2是对状态(v，X)采用边增长的扩展方式示意图；
[0081]图3是对状态(v，X)采用点增长的扩展方式示意图。
【具体实施方式】
[0082]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0083] 为了解决所述【背景技术】的缺陷，本发明采用的技术方案是使用双向搜索和A星策 略优化0MMPR算法。
[0084] 首先我们考虑双向搜索优化。在0MMPR算法中，我们从出发点s起始，向着目的点t 做增长操作。事实上我们也可以从目的点t出发，向着出发点s做增长操作。由此受到双向搜 索算法的启发，我们对0MMPR算法进行双向搜索优化。
[0085]我们将双向搜索优化过后的算法称为双向增长算法(bidirectional grow)，它由 两部分组成，分别为前向增长(forward grow)和反向增长(backward grow)。在改算法中， 前向增长从s点出发，反向增长从t点出发，两者交互进行。在算法扩展状态的过程中，我们 维持一个已经计算过的最优路径的花费，记为best。算法开始，我们将best设为+~，并且将 0，0)和(?,0)压入优先队列Q。随后算法从优先队列中选取最前面的状态( V，X)作为当前状 态，并且应用0MMPR算法中的方法来扩展当前状态。假设前向增长和反向增长的当前最优花 费的状态分别为(v，X)和(u，U-X)。当前向增长扫描边(v，u)时，我们可以获得一条候选路 径，它的花费为c = f (V，X)+f (11，1]-?〇+€[\?(>，11)。当匕681：>(3的时候，表明我们得到了一条 更优的路径，此时，将best更新为c。对于反向增长，我们进行相类似的操作。双向增长算法 的终止条件是：当一个方向弹出状态(v，X)的时候，状态（v，U-X)的最优花费已经在另一个 方向被计算过了。
[0086]双向增长算法的正确性可以由双向搜索理论来证明，参阅文献[5 ] (I. Pohl，Bi-directional search.IBM TJ Watson Research Center，1970.)、文献[6](A.V.Goldberg and C.Harrelson, -Computing the shortest path:A search meets graph theory, || in Proceedings of the sixteenth annual ACM-SIAM symposium on Discret