随着经济和人口的快速发展,产业集聚效应进一步加深;用户消费水平和采购需求不断增加,物流活动急剧增加。因此,物流车辆也不可避免地增加,这些物流车辆的排放和能源消耗远远大于用于日常出行的乘用车。无可否认,高效快捷的现代物流业对促进经济发展起着关键作用。此外,还造成能源消耗、环境污染和交通问题等一系列问题。如何从物流配送系统中减少物流活动的负面影响已成为现代物流行业的重要课题之一。究其原因在于业内尚未形成优势互补和双赢的局面,而且分布简单而单调,其功能也不能满足多元化和多层次的物流配送需求。来自中投顾问的一份数据显示,不足一半的物流企业建立了物流信息管理系统和内部网络资源,其中80%的物流企业仍然处于应用的初级阶段,约15%的物流企业处于流程改造和控制的优化阶段,仅有5%的物流企业已经提升到供应链水平。云计算的发展是IT领域的一次重要过渡和标志性的转变。云是一个有效可用的虚拟化资产,是共享资产的各种服务器的互联网络。云计算通过虚拟化变得高效。因此,在云环境中有效管理和分配虚拟机变得更加重要。在本文中,我们在分配资源的同时分析和提高云计算基础架构的可靠性。把云计算引入物流行业,可以解决该行业中信息资源开发利用不足、信息化资源缺失等难题,同时也促进我国传统物流行业向智能物流转型;把云计算引入物流配送中,乃至更大范围的配送服务领域,是当下物流业亟需解决的问题。物流配送是物流服务供应链中的关键环节,也是开展电子商务活动不可或缺的重要部分。其中,车辆调度问题的研究有利于智能交通的发展,有利于构建全面的物流配送系统,更有利于电子商务的发展。该问题在现实生活中应该更为广泛,如车辆路径问题、旅行商问题、邮政投递问题、航班调度安排、码头船舶调运以及电力系统的调度问题等;电子商务和通信技术的发展更是促进了车辆调度与物流配送的结合,使其在连锁型超市、大型购物中心和快递行业等领域具有更加全面的发展平台和更为广阔的应用前景。论文的主要研究内容和创新成果如下:(1)初步探讨基于粗糙集的广义决策信息系统的理论基础,重新定义了差别矩阵的概念,规范Pawlak约简、广义决策约简以及最优决策规则;着重研究在物流配送系统中,基于云计算服务平台,分析顾客的实时需求,对海量的需求数据进行预处理。(2)从求解复杂多目标优化问题的收敛性和解集分布性入手,提出一种基于种群自适应调整的多目标差分进化算法。设计一个种群扩增策略,在决策空间生成一些新个体帮助搜索更优的非支配解;设计一个种群收缩策略,依据对非支配解集的贡献程度淘汰较差的个体以减少计算负荷,并预留一些空间给新的带有种群多样性的扰动个体,并引入精英学习策略防止算法陷入局部收敛。用6组函数优化问题验证新算法在多数情况下,收敛性和多样性方面明显优于与之比较的MOPSO算法和MODE算法,并对其性能进行分析和评价;通过一个TSP测试实例Gr17验证新算法能有效的求解MTSP问题。由此说明,基于种群自适应调整的多目标差分进化算法能很好地平衡全局搜索和局部搜索,可作为资源分配的一种有效算法。(3)分析遗传算法和粒子群算法的局限性,引入遗传算法中的交叉算子和变异算子,设计一种新型带遗传操作的粒子群优化算法。该算法先对粒子群进行随机初始化操作,在计算出每个粒子的适应度值后动态地更新局部最优解和全局最优解;再以一定概率选择交叉位,从种群中循环选择粒子,依次将粒子同种群局部最优和全局最优交叉;最后通过粒子自身的变异求出最优解。通过对5个不同城市规模的测试实例,模拟分析TSP问题的路径成本达到最优的收敛状态和收敛次数;与PSO算法相比,充分验证基于改进遗传-粒子群混合算法的可行性与有效性。(4)在对车辆成本进行详细分析的基础上,利用云计算和粗糙集的优势,得到配送网络中顾客的需求量和车载量;提出基于云计算的遗传算法。在交叉和变异的过程中,由云模型条件发生器算法产生自适应交叉概率和变异概率,进而进行了交叉和变异操作,并对性能参数进行了分析。仿真实验表明利用云计算对冷链物流配送车辆路径优化的方法是有效的,能在一定时间内提供实时优化的路径,并控制冷链物流配送的控制成本,以提高配送服务效率;求解策略能够及时地对动态需求进行响应,很好地满足动态车辆路径问题实时性的要求。(5)为了有效地提高云计算的服务性能、提高资源的利用效率,引入可信度评估机制、局部信息素更新机制和全局信息素更新机制,提出一种基于云计算的蚁群算法。与最优时间调度算法和标准蚁群算法相比,说明改进的蚁群算法在云计算资源调度应用中的正确性和有效性;通过与其他的资源调度算法相比,基于云计算的蚁群算法在单目标和多任务资源调度中都占有明显的优势,在云计算资源调度应用中的实际效果有助于用户快速地找到最优的虚拟机节点并向其分配资源。