本研究工作基于蚁群算法，根据车辆路径问题的实际条件，结合其他不同的启发式人工智能算法，研究求解车辆路径问题的更优(运算时间更短或求解结果更好)、更通用(适用于不同类型的车辆路径问题)的算法。研究工作主要集中在求解带运力限制的车辆路径问题(CVRP)上。 本研究对TSP蚁群算法作适当调整，提出一种简易CVRP蚁群算法，并针对信息素更新策略进行了三种的改进 。同时为了更好地求解规模更大的CVRP问题，借鉴了节省蚁群混合算法的部分思路，采用节省启发因子取代可视度启发因子，并采取了概率截取措施，减少了不必要的概率计算，节省了大量的运算成本。 另外针对大规模CVRP问题，研究采用结合HCM聚类分析的CVRP改进蚁群算法来求解，把大规模CVRP问题分解为若干个规模较小的CVRP或TSP问题，再分别求解各子问题的最好解，然后整合为原CVRP问题的最好解，运算时间大为缩短，寻优结果也比较理想。