粒子群算法是基于群体智能自行搜索的优化算法，其原理简单，算法易理解，不依赖于实际问题，通用性强，算法易实现。该算法一经提出，就吸引了许多学者的关注，逐渐成为一个新的研究热点。本文对粒子群算法的原理、主要步骤、特点进行了详细介绍，分析了算法的两种搜索模式，指出了每种模式的优缺点，从不同角度总结了算法的改进措施。惯性权重是粒子群算法速度更新公式中的重要参数，它的出现平衡了前一代速度对当代速度的影响，又平衡了算法的全局搜索能力和局部搜索能力。本文给出线性和非线性相结合的惯性权重自适应粒子群算法，即将惯性权重的取值随迭代次数变化而变化，前一阶段，随迭代次数线性递减，有利于群体的全局搜索；后一阶段，随迭代次数非线性变化，有利于群体的局部搜索。同时，为了避免群体陷入局部最优，将“多种群”思想和惯性权重自适应相结合，给出了线性和非线性相结合的惯性权重自适应多种群粒子群算法。将种群平均分成若干子种群，每个子种群按照惯性权重自适应策略，独立的进行搜索，直到每个子种群都搜到最优位置，将各个子种群的最优位置保留，组成新的初始种群。新的初始种群再按照惯性权重自适应进行搜索，直到搜索到最优位置为止。为了验证改进算法的有效性，本文通过几个测试函数对改进策略进行验证，实验结果表明了算法具有较好的性能。对一般车辆路径问题进行描述，在此基础上给出了一种定配送车辆数的车辆路径问题模型，并采用本文给出的改进算法来解决这一车辆路径问题。应用改进算法来解决一个典型的车辆路径问题案例，并将运行结果和采用遗传算法、改进粒子群算法的运行结果进行了比较，表明本文改进算法更有效。