随着近年来全球经济增速的放缓、保护主义和逆全球化趋势的抬头,物流运输业的发展也趋于缓和甚至下降,所以降本增效成为我国物流运输业面临的一个关键问题。同时,随着“2025中国制造”提出,我国制造业的转型升级也变得迫在眉睫,物流运输作为制造业中供应链的重要一环,有关制造业供应链中的调度优化问题在近年来受到业界和学术界广泛的关注与研究。动态取送货问题（Dynamic Pickup and Delivery Problem,DPDP）作为车辆路径问题的一个重要分支,受到各方越来越多的关注。但目前对动态取送货问题的研究主要基于人工数据集,而这无法真实地反映现实世界的复杂性和难度。本文以华为在实际生产制造活动的场景为对象展开研究。作为全球领先的信息和通信技术（ICT）基础设施和智能设备供应商,华为每年在数百家工厂/仓库生产加工数以亿计的产品,由于运输需求量大,且运输需求是动态生成的,即使物流效率的小幅度提升也能带来显著的经济和服务收益。因此,开发一种高效的动态调度算法具有重要的意义。本文首先对问题进行数学抽象,建立了一个混合整数规划模型,对于大规模算例的动态取送货问题,由于该问题是一个经典的NP-hard问题,都很难在多项式时间内通过精确算法进行求解,同时研究的是企业实际的生产活动的场景,需要算法能够根据实时状态的变化,在较短时间内输出车辆调度方案。因此本文设计了一套高效的动态调度算法。对于动态取送货问题,大多数学者都是采用固定周期调度的算法策略进行优化,即将整个优化过程划分为若干个固定的时间切片进行调度,但这种调度策略并没有考虑订单动态性的影响,本文将订单动态性与周期性调度相结合,创新性的提出一种基于柔性周期调度（Flexible Periodic Scheduling,FPS）的优化方法,将全天的调度时域按照不同时间段的订单出现的动态性分成多个大小不同的调度子间隔。其次,根据不同调度子间隔的特性,本文提出了适应性算法的求解思路,首先设计贪心插入算法、自适应大邻域算法、并行局部搜索算法等多个元子算法,然后在不同调度场景中通过适配最优的算法策略组合来对问题进行求解,最终使得全天的调度成本最优。最后,通过建立数值仿真实验,对算法进行算例测试以及结果分析,验证了算法的效果。本文的工作对物流企业运营和学术研究均有一定意义,所提出的算法能够有效解决实际问题。