目前,我国大部分的跑运输的车辆由于货源不固定,导致运输成本过高；另外,生产制造企业的运输业务是我国物流总量的主体,企业专注于核心竞争力的研究,不得不将物流业务外包给专业的运输公司。因此,中集车辆有限公司有一个构想:基于公司在运输专用车在我国的市场份额是第一的,如果能建立一个配货平台,为生产制造企业推荐公司的运输车辆客户,将会使三方受益。但是为了预防配货平台里运输车辆无序竞争,有必要对车辆进行一定的调度分配。因此对配货平台下的车辆调度研究有一定的现实意义。　　 蚁群算法是一种新型的仿生类进化算法,是继模拟退火、遗传算法、禁忌搜索等之后的又一启发式智能算法。蚂蚁不仅仅能在没有任何提示下找到巢穴到食物源的最短路径,并且可以随环境的变化,适应性地搜索新的路径,产生新的选择。这体现了蚁群算法的正反馈和负反馈的特点。应用蚁群算法求解TSP问题、二次分配问题和车辆调度问题取得的较好的结果,已经引起了广大研究学者的高度重视。　　 本论文采用蚁群算法来解决配货车辆调度的问题,正是体现了蚁群算法在求解车辆度问题的鲁棒性,本文的研究工作主要包括以下几个方面:　　 (1)研究蚁群算法的基本原理,建立其数学模型,包括转移概率的计算、信息素的更新的各种规则等。通过应用蚁群算法来求解eip51问题,采用不同的参数组合,分析参数组合对求解最优值的影响,并且指出应用蚁群算法时,对信息素更新规则和路径期望值的定义的重要性。　　 (2)分析配货车辆的调度具体问题,建立问题的信息素的初始值、信息素的更新规则和根据车辆回程目标点的路径期望值等；建立对分配车辆调度路线的模糊评价函数。然后提出了解决问题的蚁群算法。最后用一个实例进行数值实验分析。　　 (3)针对车辆调度完毕后,还出现剩余的未被执行的运输任务,应用蚁群算法分析车辆的出发点选择,以及在其中一个集货点应该如何进行集货任务的选择问题,并提出了解决遗漏运输的蚁群算法,最后用实例来做进一步的说明。　　 (4)研究了当运输任务带有时间窗的情况下,时间窗对定义信息素的更新和路径期望值的影响,并通过一个实例进行了说明和验证。