车辆路径优化问题在连接生产者、销售者和消费者三个方面上起了很重要的作用。良好的配送路径一方面能提高企业的客户服务满意度,另一方面也减少了企业的物流成本。如何合理、有效的优化配送路线,具有重大的理论价值和应用价值,又由于在组合优化这个领域内,车辆路径优化问题属于求解有一定的难度,由于其难度特点,使用精确优化方法有一定的局限性,获得满意的结果不容易,虽然在优化实际问题的解决过程中已经应用了很多种启发式算法,但普遍来说传统算法全局搜索能力不够强,容易导致过早收敛。遗传算法是一种模拟生物进化的高度并行的全局优化搜索算法,它具有随机性以及自适应性,但遗传算法的方法与理论还没有成熟,算法本身的缺陷也有待慢慢改进。而生物免疫系统本身具有抗原识别、免疫记忆、抗体浓度的调节以及多样性的保持等特性,在某种程度上可以弥补遗传算法的不足。将生物免疫原理与遗传算法相结合的优化算法,可某种程度上解决遗传算法本身的搜索速度不足以及过早收敛的缺点,基于此,本文将遗传算法与免疫思想结合,提出了免疫遗传算法的概念,用来解决车辆路径优化问题,该算法在评估与选择后代优秀抗体群时依据抗体与抗原间的亲和度,同时兼顾考虑了抗体与抗体间的亲和度,并且将免疫概念中的抗体间促进与抑制作用的原理加入其中,保证了个体的多样性。同时,通过免疫记忆算子建立记忆库来保留群体中的优秀抗体,从而避免了算法搜索的收敛速度过快,提升算法的收敛效率。针对基本免疫遗传算法在解决VRP问题时存在的缺陷,在计算抗体间亲和力时用信息熵方法计算过程过于复杂繁琐,计算量大从而易导致算法的收敛速度减慢的情况,本文从两个角度提出了两种改进思路:分别是基于矢量距的亲和力计算方法以及基于相邻编码数组合比较的亲和力计算方法,该两种方法都有计算简便,通俗易懂,而且能够有效地保证种群内抗体的多样性的特征。最后将两种改进的免疫遗传算法应用到车辆路径优化的数学模型中,并在MATLAB环境中使用改进算法来求解仿真路径优化问题。经过仿真测试,通过与基本免疫遗传算法比较,结果表明改进免疫遗传算法能有效地扩大搜索空间,加快搜索速度寻到更优解,为车辆路径优化问题提出了新思路。