单向式共享电动汽车系统（OECS）作为目前城市公共交通的一个重要组成部分,是共享经济时代下的低碳可持续交通出行方式的代表产物。但由于系统用户需求的不确定性以及单向式共享汽车的运营特性,系统中存在供需不平衡的现象,进而使得整体用户满意度下降,同时系统中的车辆资源也得不到最大化利用。因此,如何高效低成本地完成OECS中的车辆重平衡是目前共享汽车企业亟需解决的一个现实运营问题,共享汽车的重平衡不仅有利于提升企业的服务质量,对城市综合交通治理也意义深远。基于OECS中的车辆重平衡问题,本文的主要研究内容和成果如下:本文研究了单向式共享电动汽车的重平衡问题（OECRP）,将传统单目标共享汽车重平衡问题的研究拓展至多目标优化之中。本文首先经过分析OECS中的重平衡问题的调度特性,构建了两阶段混合整数规划模型:第一阶段为多目标需求匹配模型,同时考虑最大化系统中的需求匹配成功数和最小化总的重平衡成本;第二阶段为多目标重平衡模型,同时考虑最小化未满足的重平衡需求数和最小化总的重平衡成本,模型输入为第一阶段多目标需求匹配模型的计算结果。为了对本文所构建的多目标OECRP模型进行求解,本文根据问题模型设计了改进的多目标粒子群算法（IMOPSO）。IMOPSO引入了多启动策略,并混合了遗传算法（GA）中的染色体交叉变异思想,借鉴变邻域搜索算法（VNS）中的多种邻域结构来构造变异算子以增强算法的全局寻优能力。为了对IMOPSO的求解性能做出横向对比评价,本文还设计了Epsilon约束法和多目标遗传算法（NSGA-II）。在完成了多目标OECRP数学模型的构建和相应求解算法的设计之后,本文进而构造了多种不同规模的求解算例对所研究问题进行了仿真测试。首先应用Epsilon约束法对多目标需求匹配模型进行求解,结果显示:系统中总的重平衡成本与需求匹配成功数之间大致呈现对数增长趋势。然后,对各个算例再抽取其中多个需求匹配结果作为后续重平衡模型的输入,进而对重平衡计算结果中的多个需求匹配场景进行了纵向对比分析和不同算法进行了横向对比分析。场景分析结果表明,不同需求匹配场景下的最优帕累托前沿存在明显差异,决策者需根据实际情况在帕累托解集中灵活选取最适合的决策方案。算法对比分析表明,IMOPSO相对于MOPSO和NSGA-II在帕累托解集的收敛性、多样性和分布性上存在着明显的优势。最后,本文还对不同规模算例中的调度员数量进行了灵敏度分析,以获取不同规模算例中的最为经济合理的人力资源配置。