随着市场竞争越来越激烈,科学技术的快速发展和物流的专业水平不断提高,大量企业已经把先进的物流理论技术引入到了企业管理中来,并且把物流作为提高市场竞争力与核心竞争水平的一个重要的手段。怎样对配送系统的车辆路径进行优化来降低企业物流成本是此问题主要研究内容。物流配送中的车辆路径优化问题(Vehicle Routing Problem,VRP)属于典型的NP-hard问题,其计算时间也会随着问题规模的变大而越来越长,应用传统精确算法求解该问题复杂性较大。因此,目前大部分研究学者主要用智能优化算法对车辆调度问题进行求解。分布估计算法(Estimation of Distribution Algorithm,EDA)是一种基于概率分布模型的进化算法,在近年来也得到了普遍的关注和发展,并且成功的应用于多个工业发展领域,取得了良好效果。故而本文主要针对不同约束条件的车辆路径优化问题,对其进行了三种改进,并分别采用改进算法进行仿真来验证算法的有效性。首先,针对总行驶距离指标下的车辆载重约束的经典车辆路径优化问题,设计了合适的编码机制和概率模型,将传统的二进制编码改为十进制编码方式,减少了编码之间转换的繁琐过程,根据车辆调度问题特点,将普通的二维概率矩阵改为三维矩阵,即每辆车对应一个单独的二维矩阵,最后加入了局部搜索机制,对优质个体进行更加细致的搜索,进而提出了一种解决此问题的改进分布估计算法(Improved Estimation of Distribution Algorithm,IEDA)。通过Matlab应用IEDA算法对容量约束车辆调度问题进行仿真,表明提高了算法全局搜索能力,降低了总的配送费用(路程),从而验证了该算法的有效性。其次,对随机需求的多车型车辆调度问题将随机需求问题利用时间轴转换成一系列的的静态车辆调度问题,另外对于多车型问题考虑以装载率为选择车辆的依据,建立了考虑装载率和油耗等综合成本的优化目标的车辆调度问题。针对随机需求多车型VRP问题特点,在上一章算法的基础上,将分布估计算法与并行节约算法相混合,提出了混合分布估计算法(HEDA)。然后,对考虑综合成本低碳车辆调度问题,提出一种自适应分布估计算法(Adaptive Estimation of DistributionAlgorithm,AEDA)。对初始概率模型机制进行改进,使得概率模型能够积累更多的优质信息,以便算法初期的搜索范围更加广泛,又设计了基于信息熵的自适应更新机制来更新学习速率和变异率,增强算法的搜索能力。