近些年,许多群体智能优化算法被陆续提出用来解决复杂的优化问题。鲸鱼优化算法因具有易于理解、编程简单、参数少等优点被广泛应用于求解工程问题和实际研究应用当中。针对基本鲸鱼优化算法（whale optimization algorithm,WOA）存在稳定性差、求解精度低、收敛速度慢等问题,本文提出一种融合精英反向学习和反馈机制的鲸鱼优化算法（Whale optimization algorithm based on elite reverse learning and feedback mechanism,EFWOA）.所提出的算法首先加入精英反向学习策略,对种群解空间进行优化,提高种群的多样性,然后将精英个体与反向解进行比较与择优,提高种群的质量;同时加入反馈机制,通过鲸鱼之间的互反馈和个体的自反馈,防止算法陷入局部最优,加快算法收敛速度。将改进后的算法与多种前沿的优化算法在基准函数上面进行实验比较,测试结果表明该算法在对测试函数求解的过程中,稳定性、求解精度及收敛速度等性能上都有了极大的提升,获得了更优的性能。随着各种购物平台、互联网电商的积极变革,物流业作为一种复合型产业,在推动电子商务等相关产业发展中的作用不言而喻。物流配送是物流业当中最关键的一部分,有效的物流配送路径不仅可以为企业节约成本、提高企业效率、树立好的口碑,还可以为企业降低很多不必要的支出。高效的物流配送路径也成为了物流企业的追求目标。本文以物流配送为背景,以优化为目标,采用改进的鲸鱼优化算法对物流配送路径进行研究。车辆路径问题（Vehicle Routing Problem,VRP）可以利用现有的一些启发式智能算法来进行优化研究。用基本鲸鱼优化算法和改进后的鲸鱼优化算法在路径规划问题中分别求解,证明了经过改进后的鲸鱼优化算法可以使物流路径更高效、物流配送成本更低廉。可以为物流行业提供新的高效可行方案。