物流行业被誉为经济发展的“加速器”、产业结构演变的“润滑剂”和现代企业的“第三利润源”。物流行业的发展程度已成为衡量一个国家现代化程度和综合实力的重要标志之一。发展现代物流对于提高市场经济运行的质量和效益、合理化资源配置、改善企业的投资环境、提高我国整体经济实力等方面都具有十分重要的意义。围绕着我国物流行业智能化含量低、配送中心拣货和配送消耗较大等难点问题,如何缩短订单货物的出入库路径,进一步提升货物出入库效率,实现配送中心拣货和配送作业距离、时间上的最优化,已成为现代物流业研究的重要课题之一。本文针对立体仓库的订单拣货环节,根据客户的订单需求,以遍历的路径长度和迭代次数作为评价指标,在MATLAB仿真平台上模拟堆垛机拣货过程,遍历客户订单所有待拣货位坐标,然后回到初始点。针对城市配送车辆路径规划环节,根据客户的配送坐标,考虑配送车辆成本,以配送的载重量、配送车辆个数、行驶距离、配送时间作为评价指标,合理安排配送车辆。本文主要从以下方面展开研究:（1）针对拣货过程,提出一种基于蚁群算法和遗传算法融合的方法GAACO,该融合算法是基于蚁群算法和遗传算法之间的融合,在算法的初始阶段,采用遗传算法,充分利用遗传算法的快速性、随机性、全局性和收敛性,其结果产生有关问题的初始信息素分布,在有一定初始信息素分布的情况下,再采用蚁群算法。这种算法以两种算法的优点,克服各自的缺陷,优势互补,在时间效率上优于蚁群算法,在求解效率上优于遗传算法。与基本群智能算法相比较,在路径长度和迭代次数上均有一定的提升,取得良好的效果。（2）针对配送过程,针对蚁群算法和遗传算法的优势和不足,提出一种基于遗传算法的改进蚁群算法IMACO,并应用于基于车载容量的车辆配送问题（CVRP）和基于时间窗的车辆配送问题（VRPTW）,本改进蚁群的思想是将遗传算法的遗传特性融入到蚁群算法,针对蚁群算法的信息素策略进行改进,并引入遗传算法的遗传算子对蚁群算法的最优解和次优解进行二次优化。以基于车载容量的车辆配送问题（CVRP）为例,本文研究的改进蚁群算法相较于基本蚁群算法,在路径长度上减少了20.7%,寻优时间降低了25.9%,取得良好的效果。