车辆路径问题广泛存在于生活中的诸多方面,如街道垃圾清理、物流配送、集装箱码头堆场作业等。作为求解车辆路径问题的常见方法,元启发式算法可以在合理的时间内获得一个较好的路径方案。然而,随着问题规模的增加,已有元启发式方法往往会出现效果变差、耗时变得不可接受等问题,因此如何提高元启发式算法处理大规模车辆路径问题的能力是一个具有挑战的问题。此外,由于不同的元启发式搜索策略在不同问题实例上往往具有不同的性能表现,因此,如何针对不同实例的特点,选择合适的元启发式算法也是一个具有挑战的问题。本文针对上述两个问题,提出了一种结合迁移学习的大规模分解框架,来提高元启发式算法处理大规模车辆路径问题的性能,同时设计了一种推荐算法来针对不同的问题实例选择合适的元启发式算法。本文的主要研究工作如下:（1）本文提出了一种基于迁移学习的分解算法求解大规模车辆路径问题（Tra Div）。Tra Div算法采用分而治之的思想,根据不同路径之间的相似度将大规模问题分解为多个规模较小的子问题,提高了算法在大规模问题上的性能。此外,为了提高算法求解子问题的效率,Tra Div基于迁移学习的思想,将过去已求解子问题的解迁移到当前待求解子问题中,促进当前子问题的求解,进一步提高算法在大规模问题上的性能。最终本文在两个大规模车辆路径问题基准测试集的32个测试实例上验证了Tra Div的性能。实验结果表明,在大多数的测试实例中,Tra Div在计算效率和所得解质量上均优于现有的五种算法。（2）本文提出了一种基于图像特征提取的推荐算法ARM-I来为给定车辆路径问题实例推荐合适的求解算法。为了提高推荐算法的推荐精度和泛化性能,本文设计了三类特征来刻画车辆路径问题实例特点,包括基本特征、基于局部搜索特征和图像特征。基本特征考虑那些通过对实例属性进行简单计算便可以得到的特征,基于局部搜索特征主要测试了实例对于三个局部搜索算子的敏感程度,图像特征希望能够提取出一些更深层次的特征。在本文中,ARM-I提出了一种将车辆路径问题实例转化为图像的方法。为了丰富图像中的信息,ARM-I提出了一种在图像中加边的策略并通过一种已有的图像提取特征方法获取图像特征。最终,ARM-I结合KNN分类器和所提三类特征进行算法推荐。在基准测试实例和真实问题上的实验结果表明ARM-I具有较好的预测性能以及良好的泛化能力。