我国的物流行业发展仍处于初级阶段,物流行业整体运行效率偏低,成本费用较高,尤其交通运输成本在物流总成本中占比过高。如何合理地确定配送车辆及路径,以实现物流配送系统的高效低成本运作是学术界和实业界关注的重点。本文对基于改进蝙蝠算法的车辆路径问题进行了研究。车辆路径问题是经典的NP-hard问题,其求解难度随问题规模的扩大呈指数级增长。车辆路径问题的求解算法经历了精确算法、传统启发式算法的发展,到现如今的群智能优化算法,其进步和创新都与时俱进。蝙蝠算法是2010年剑桥学者Yang受启发于微型蝙蝠的回声定位系统而设计的一种新型群智能优化算法。因其模型简单、参数较少、易于实现等优点而受到广泛关注。本文首先对蝙蝠算法进行了改进,提出了一种基于动态惯性权重和时间因子的蝙蝠算法(DTBA)。通过引入基于高斯分布的惯性权重和时间因子,更好的控制了蝙蝠在搜索空间中的移动速度和移动步长,并实现了蝙蝠在全局搜索和局部搜索中的和谐转换,充分发挥了explorer蝙蝠和exploiter蝙蝠的作用。在针对连续函数优化问题的求解上,展示了良好的性能,并通过与粒子群算法、萤火虫算法和标准蝙蝠算法的对比,充分证明了改进后的蝙蝠算法在收敛速度和收敛精度上均有大幅度提高,是一种有效的求解算法。其次研究了带装载能力限制的车辆路径问题(CVRP),针对CVRP这样一种离散的组合优化问题,本文设计了一种新型的实数编码和映射方式,将其转化为准连续优化问题,然后直接利用蝙蝠算法的寻优机制进行求解。这样可以充分利用蝙蝠算法自身的优势,也可以充分发挥改进后的蝙蝠算法的优越性。最后运用DTBA求解了四个不同规模的CVRP算例,充分证明了运用改进后的蝙蝠算法求解车辆路径问题具有较高的理论价值和现实意义,为车辆路径问题的求解提供了一种新的方法。