众包是依赖于大量众包参与者的贡献来完成各种任务的模式。随着移动设备的迅速普及,“空间众包”模式应运而生。近年来车辆被广泛应用于空间众包模式中,驾驶员和乘客可以借助自身的能力来完成一系列的主动任务,车辆上的传感器则可以被动的完成感知任务。在该背景下,合理的众包任务分配方式能够有效的提高众包任务的完成质量乃至降低任务的开销。此外,车辆众包的另一主要应用模式便是众包物流。由于该模式刚刚兴起,在物流路径规划方面还缺乏研究,并且伴随着中国城市拥堵现象的普遍出现,使得研究拥堵交通网络下的车辆路径规划变得尤为关键。本文提出了一个新颖的多目标蚁群优化算法解决车辆众包中的任务分配问题。本文首先考虑了一个车辆空间众包场景,在该场景中一位任务承担者可以同时完成一组基于位置的主动执行任务和借助传感器完成的被动感知任务。本文首先以众包任务成功率和传感覆盖面积为优化目标,对该场景下的任务分配模型进行建立,然后提出了一种基于车辆众包任务分配的多目标蚁群优化算法（VC-ACO）在招聘预算约束下对众包任务分配问题进行求解。本文对该算法的启发式信息以及信息素更新策略等进行了改进设计。最后本文还将该算法在真实世界的数据集Tdrive上进行验证,并与NSGA-II等算法进行比较。结果证明所提出算法能够有效的提高任务成功率和传感覆盖面积,并且能提供一组灵活优秀的任务分配方案。本文提出了一个多车辆蚁群系统算法以解决众包物流中的车辆路径规划问题。本文首先将问题定义为在拥堵交通网络中多车辆多OD对的路径规划问题,并引入动态交通速度对该交通网络模型进行定义。本文针对此问题提出了一种基于众包物流的多车辆蚁群系统算法（MVRP-ACS）,结合任务执行者（车辆）行驶的总耗时和总里程数两个目标,对算法的全局与局部信息素更新策略进行重新设计。在本算法中每只蚂蚁仅代表一位任务承担者,由整个蚁群来模拟交通网络中车辆行驶于OD对之间的状态。最后本文将该算法在Open Street Map交通网络上验证并与Dijkstra等算法进行比较,结果证明提出的算法能够有效的减少任务执行过程中的总耗时并且减少行驶总里程数。