城市交通问题已经成为当前国内外各大城市共同面临的一大挑战,这其中以交通堵塞问题最为突出,由此也造成了一系列社会、环境和经济上的问题。与此同时,随着科技的迅速发展,拼车模式由于其在缓解交通堵塞问题和低碳环保等方面的优势而受到越来越多的关注。然而对于在线拼车调度平台而言,车辆与乘客之间的匹配问题仍然是其面临的主要挑战。本文针对动态情况下拼车调度平台在算法调用的时间截面遇到的动态拼车问题进行研究。与其它文献不同,本文考虑车辆具有不同的初始位置、车载乘客和被安排的乘客以及对应的之前被安排的路径信息,同时引入重新安排比例用于衡量可重新安排的订单占已被安排的订单中的比例。对于该动态拼车问题,本文首先对其建立混合整数模型,然后设计了分支定价算法和拉格朗日松弛算法这两种基于数学规划的算法对其进行求解。对这两种算法分解得到的子问题进行统一,设计动态规划算法对子问题并行地进行求解,加快算法求解的速度。由于基于数学规划的算法不能保证在有限的时间内得到可行解,同时耗时随着问题规模的增大而急剧上升,因此本文设计了自适应大规模邻域搜索启发式算法(An adaptive large neighborhood search heuristic,ALNS)进行求解,并提出了修改的Shaw移除算子、随机插入算子和最佳插入算子这三种新的算子用于求解动态拼车问题。本文设计算例对提出的算法进行测试对比,其中在启发式算法对比时引入业界常用的最近车辆调度启发式算法(Nearest vehicle dispatch,NVD)和最佳插入启发式算法(Best insertion heuristic,BIS)进行对比。结果显示分支定价算法和拉格朗日松弛算法在求解质量、规模和时间上均明显优于求解器(Gurobi)直接求解,分支定价算法在所有的算例下均得到质量最佳的解。ALNS算法得到解的质量均优于NVD和BIS,该优势在大规模的算例下更为显著。与基于数学规划的算法相比,ALNS具有明显的时间优势,得到解的平均gap在9%以内。之后,本文设计动态仿真框架模拟实际应用,进一步验证了各算法在实际应用中的有效性。最后,对重新安排比例因素进行灵敏度分析,为拼车调度平台提供建议平衡系统总收益与用户体验之间的关系。