车辆路径问题(VRP)是运筹学里一个重要的研究方向,且被广泛应用在许多实际场景中。尤其在社会经济高速发展的今天,高效求解车辆路径问题对企业经济绿色健康发展具有重要意义。随着社会进步,物流运输也迎来变革。具有确定性需求的车辆路径问题无法再满足实际的市场需求。继而,具有随机需求的车辆路径问题(VRPSD)成为学者们的研究重点。同时,只考虑优化成本花费已经无法满足现今新型物流运输的要求,保证高质量服务也成为物流运输的一大准则。因此,需要通过多目标优化算法求解VRPSD,从而得到满足多个目标的较均衡的解。基于遗传算法的多目标寻优策略已经广泛在各领域,包括VRP。但传统的多目标遗传算法存在很多缺陷。其中主要缺陷为进化过程中随机性太大,种群进化方向无法调控,导致算法中大量时间花费在无意义的计算中。采用何种方法在有效地保留优良个体的同时保证种群的多样性,一直是多目标遗传算法中较难解决的问题。本文提出了一种带聚类策略的膜启发式多目标算法(MIMOA),以更高效地求解VRPSD。本文以具有随机需求的双目标车辆路径问题为应用点,研究成果包括以下几方面内容:1)在对新型物流运输要求分析后,构建了绿色经济与高质量服务两个需求相结合的物流模型,以符合当前市场发展趋势。2)设计了一种指导策略与多目标遗传算法相结合。传统的遗传算法使用单个种群,但是种群的进化方向并不总是正确的,且算法通常会早熟收敛,陷入局部最优。MIMOA包含许多子系统(种群),并使用指导策略来控制子系统的发展方向。指导策略的设计参考了皮肤膜控制策略[1]。通过指导策略,控制子系统收集操作子系统的优质解集并合理反馈回各个子系统,从而调整操作子系统的进化方向。这样,不同子系统间可以交换一部分高质量解集,同时淘汰低质量的解集。多种群协同进化使算法收敛得更快,并且可以以一定概率跳出局部最优解。3)在子系统中,设计了一种聚类策略来调控进化方向。在传统的遗传算法中,无效的交叉、突变操作花费了大量的计算力,即进化后子代的解集质量比父代差。聚类策略通过增加对交叉、变异的限制,降低了无效变异的发生概率,并加快了算法的收敛速度。本文提出的膜启发式多目标算法使用真实数据进行实验,通过实验证实了其具有现实意义。现阶段算法的研究取得了一些成果,但仍考虑开发遗传算法的并行机制的潜在能力,从而使算法的计算效率进一步提升,这一点有待研究。