自2015年起,Ofo和Mobike在中国率先开创了无桩共享单车服务。该模式极大地提升了用户的骑行体验,但也引发了一系列运营管理问题。其中一个典型的科学问题就是如何重置调度随机分布于整个区域面上的共享单车。显然,这与传统有桩公共自行车的重置优化有着显著的区别。基于此,本文以Mobike为研究对象,通过分析其出行订单数据从而把握共享单车的时空分布特征以及需求波动状况。与此同时,对区域内的共享单车按骑行频次进行模块化分析,界定使用频次高、需求大的区域为共享单车的放车点;使用频次低、需求小的区域为共享单车的收车点,并以此为基础分别建立共享单车静态情形与干扰情形下的重置调度优化模型。（1）静态情形下的共享单车调度建模与优化研究在静态情形下,本文借鉴车辆路径问题建立以利润最大化为目标的共享单车重置模型（从收车点回收闲置共享单车并合理重置于放车点）并采用遗传算法进行求解。研究发现:（1）增加重置车辆的最大载重量可以提升程序求解效率,但超过一定范围后载重量的改变对方案的收益、调度路线等影响较小;（2）重置车辆的单位距离成本主要影响其运输成本,对收益影响不大;（3）服务某些收车点所花费的运输成本超过所增加的收益,针对此类收车点,可以采用一些福利策略鼓励用户参与调度;（4）重置后的利润会随着收车点停摆的共享单车数增加而呈现先增后减的趋势;（5）适当地放宽重置车辆的里程限制,可以增加利润,在实际运营中,可以给予工作人员相应的加班工资以增加其工作时间（即扩大里程限制）。（2）干扰情形下的共享单车调度建模与优化研究在干扰情形下,考虑收车点的共享单车数量变化、收车点消失以及新增收车点这三种干扰情景,以利润最大化和干扰成本最小化为目标构建干扰情形下的多目标优化模型并设计了NSGA-II算法对其进行求解。研究发现:（1）适当考虑扰动成本并不会对其利润造成较大变动,但却可以让工作人员较大程度的行驶原计划路线,从而减少其因路线的不熟悉而带来的不适;（2）增加重置车辆最大载重量可以提升程序的运行效率,重置路线的灵活性会得到增加,抵御扰动的能力也会有一定的提升;（3）对于新增的收车点,决策者可以通过权衡服务该收车点所增加的收益与成本决定是否处理该扰动情况。