随着经济全球化的快速扩张以及信息化产业的扶摇直上,物流作为新兴服务业,广阔的前景和增值功能有目共睹,正在全球范围内有着飞跃性的进步。在物流诸多环节中,降低运输成本、提高运输效率有助于加速物流业的发展。因此,作为运输的核心问题的车辆路径问题得到了充足的研究,并取得了丰富的研究成果。它通过组织、优化货物的运输线路,在满足一定的约束前提下,以最低的运输费用、最短的运输距离、最少的运输时间等为目标,将货物送达目的地。本文基于对车辆路径问题的数学模型,结合之前学者采用各种算法进行的丰富研究,设计了改进的粒子群算法应用于车辆路径问题,以及用遗传算法求解同时供货和取货任务的随机车辆路径问题。本文所做工作如下：(1)简要介绍了车辆路径问题的研究进程与现状,以及研究意义,介绍了车辆路径问题的数学模型、精确算法、启发式算法和智能优化算法等。(2)概要介绍了遗传算法优胜劣汰、粒子群算法群体趋优的基本思想、算法步骤流程以及在各领域的应用。(3)主要研究用粒子群算法求解有能力约束的车辆路径问题,由于粒子速度受到前一次速度的影响,进而影响算法的搜索能力,本文针对粒子群算法中惯性权重的选择,采用线性与非线性结合的取值方式。实验结果表明,改进后,搜索最优解的成功率得到提高,全局搜索能力有所进步,并且计算精度也得到改善。而对于较大规模的车辆路径问题,采用粒子群算法与遗传算法相结合的方案,引入遗传算法特有的交叉算子的思想。实验结果显示,改进后,较好的避免了早熟收敛,同时提高了收敛速度与精度。(4)针对同时供货和取货任务的随机车辆路径问题,由于信息的不确定性,考虑到使用不依赖于具体的问题的遗传算法进行求解,结合问题采用自然数编码的方式,并对算法中选择算子进行改进,保证保存最优个体,并对基本案例进行了测试,得到良好的结果。