本文主要研究的是三目标车辆路径优化问题的解集逼近Pareto前沿面的程度（贴近度）、分布的均匀度（分布性）和延展程度。为此提出一种基于组织膜系统的混合膜算法,该问题以车辆数、行驶距离和路径平衡为三个目标,通过不同细胞中的进化机制达到解集具有较高贴近度、延展性和均匀分布的效果,以此获得一个更高质量的解集。在解决算法上,选择具有多模态多峰值特性的蜂群算法,其单目标寻优上的优势可以帮助我们探索到三目标问题的解集边界。同时,选择多目标优化算法NSGAII,利用其在三目标问题中种群多样性高、分布均匀的特点帮助我们优化解集的贴近度和分布性。通过利用蜂群算法获得三个目标在六个维度的解集来提高解集延展性,从而构造一种基于优先级的蜂群算法。改进后的蜂群算法虽然能在六个不同维度的边缘处搜索解集,但是这样的解集还无法满足均匀分布、贴近前沿面的效果,因此我们将基于优先级的蜂群算法与NSGA-II相结合。本文利用膜系统在分布式计算上可以使结构内信息相互沟通、融合的特点,将两种算法进行有机结合,使两种算法在独立进化的过程中互相沟通,从而达到同时提高贴近度、分布性、贴近度。因此我们设计了一个度为7的组织膜系统,并将7个细胞分为两组。第一组仅包括一个细胞,该细胞旨在利用NSGA-II求解更加接近Pareto前沿面、分布均匀的解集;第二组包括六个以基于优先级ABC为运行机制的细胞,旨在搜索更加全面的解集边界。该算法的主要思想是利用组织膜系统中两组不同功能的进化细胞搜寻解集的边界优化解集的贴近度和分布性,由此得到一个解集延展性高,并且能够以均匀分布的方式贴近Pareto前沿面。最后通过仿真实验将本文算法与现存三种多目标算法进行精确度、延展性、解的支配性等方面的比较,可以验证本文提出算法在延展性上优于同类算法,同时在精确性上也有一定的竞争力。