由于社会的发展和人类生活质量的提升,生活垃圾和二氧化碳排放量也随之增加。如何管理日益暴增的固体废弃物和城市垃圾是迫在眉睫的社会问题。垃圾清运是垃圾管理中的重要环节,需要对清运车辆的运输路线进行合理规划,以降低运输成本,同时减少对环境的负面影响。粒子群算法作为一种典型的元启发式算法,具有结构简单、全局求解性能好的特点,适用于求解垃圾清运车辆路径规划等NP-hard问题。基于上述背景,本文对粒子群算法及其在垃圾清运车辆低碳路径规划中的应用进行研究,研究内容如下:首先,建立低碳旅行商问题的数学模型,并验证模型的有效性。基于低碳旅行商问题的特征,提出一种引入启发信息的粒子群算法。该算法设计了一种新型个体生成算子,它包含维持粒子“惯性”的多元变异算子和保持种群“交流”的贪婪交叉算子。此外,分别给出考虑优先卸货的个体极值局部搜索策略和考虑同化程度的全局极值精细化搜索策略,以增加种群多样性,提高算法求解精度。在公开数据集TSBLIB中的一组测试实例上验证了改进策略和所提算法的有效性,同时,相较于6种已应用于旅行商问题的元启发式算法,所提算法的求解精度更高。其次,建立垃圾清运低碳多行程车辆路径问题的数学模型,该模型以固定成本、燃油成本和碳排放成本之和为最小化目标,并考虑了容量限制、最大工作时间和车辆多行程等实际因素。为了求解该模型,提出一种基于贡献度的自适应粒子群算法。它采用贪心解码、基于贡献度自适应为粒子选择学习算子的策略和增强型局部搜索算子,以分别达到消除约束、实现算法搜索效率最大化和提高算法收敛精度的目的。通过一个实际垃圾清运实例和9个不同规模的人工合成算例验证了改进策略的有效性,同时,与5种已有算法相比,所提算法能够搜索到垃圾清运总成本最低的解。最后,以垃圾清运低碳多行程车辆路径问题为基础,考虑车辆故障、新增垃圾投放点等动态因素,建立垃圾清运低碳动态车辆路径问题的数学模型,并提出一种基于Q学习的超启发式粒子群动态调度算法。该算法在初始种群的生成中引入快速响应动态事件的机制,为后续搜索提供了良好起点。同时,基于Q学习的高层策略为不同进化状态下的种群选择适当的低层启发式搜索算子,避免了算法的盲目搜索。实验结果表明所提算法相较于已有的求解动态车辆路径问题的算法具有更加优越的收敛性。