车辆路径问题是物流运输的关键一环,随着客户需求的日益增多,合理的安排行车路径就显得愈发重要.该问题与我们的生活息息相关,应用广泛且规模较大,如垃圾车的回收、洒水车工作、物流配送等.目前求解车辆路径问题时,多以先采用K-means聚类后采用智能优化的两阶段算法或直接采用智能优化算法为主,但K-means聚类算法存在过分依赖初始聚类中心的缺陷,以及智能优化算法未能将优化过程中个体间和种群间的竞争与协作有机地融合为一体.金字塔演化策略（Pyramid Evolution Strategy,PES）是一种新型优化算法,该算法的分层机制与晋升机制可以有效地解决上述两大缺陷.基于PES算法,本文提出了改进的金字塔演化策略（Improved Pyramid Evolution Strategy,IPES）.从带时间窗的车辆路径问题（Vehicle Routing Problem with Time Windows,VRPTW）和需求可拆分的车辆路径问题（Split Delivery Vehicle Routing Problem,SDVRP）两个角度对IPES算法进行了验证.主要研究工作和结论如下:针对VRPTW问题,由于PES算法起初应用于连续优化问题,VRPTW为离散优化问题,因此,对PES算法进行了改进.首先,对PES算法的编码、解码进行了重新定义;其次,设计了一种离散进化算子来更新个体,扩大个体的搜索空间,加快算法的寻优速率;最后,针对进化的病态个体,构造了一种病态孵化策略来指导其进化,增强个体间的协作,提高算法搜索的效率.通过仿真实验表明,IPES算法在求解VRPTW时,在全局寻优、收敛速度以及稳定性上具有一定的优越性.针对SDVRP问题,由于传统优化算法存在陷入局部最优的问题,基于PES算法,对其进行了改进.首先,提出了适应SDVRP的编码与解码方式;其次,基于PES算法金字塔结构的各层分工不同,融合遗传算法具有随机、自适应和“适者生存”的高度并行等特点,设计了一种适合SDVRP的自适应邻域算子,使得算法能够快速收敛到最优.最后,通过四个仿真实验表明,相比于所有文献中的算法求解各案例的最优路径而言,IPES算法的求解精度分别提升了0.92%、0.35%、3.07%、9.40%,验证了IPES算法具有良好的性能.通过对PES算法作用机理的分析,结合智能优化算法,将其应用于优化车辆路径问题,拓展了PES算法的应用范围,为车辆路径问题以及其他离散优化问题的求解提供了一种新思路、新方法.