车辆路径调度问题广泛存在于现实生活中的诸多方面,如街道垃圾清理、物流配送等。本文针对车辆路径问题的两个变体,大规模车辆路径问题(简称LSCVRP)以及带时间窗约束的多目标车辆路径问题(简称MO-VRPTW)进行研究。LSCVRP和MO-VRPTW都是十分复杂的优化问题,该问题的求解非常困难。虽然目前有部分算法可以很好的求解小规模CVRP,但随着CVRP规模的增大,大部分算法都难以获得较为理想的解,因此本文提出了基于进化多目标优化的路径分组算法求解大规模带车辆路径问题。对于MO-VRPTW来说,目前已有算法难以高效地处理硬时间窗约束,因此,本文提出了基于协同进化框架的算法求解带时间窗的多目标车辆路径问题。本文的主要研究工作如下:(1)提出了求解大规模车辆路径问题的基于进化多目优化的路径分组混合算法(EMRG-HA)。该算法的主要思想是采用分而治之的思想,将大规模CVRP分解为多个小规模的CVRP求解。为此,提出了一种基于进化多目标优化的路径分组算法(EMRG)将大规模CVRP分解成多个小规模CVRP。EMRG通过同时优化组内距离、组间距离以及组间平衡三个目标,可以得到一组非支配的路径分组方案。在EMRG的基础上,本文还提出了一种局部搜索方法来提高组内路径的质量,该方法根据每一个非支配的分组方案内的每组路径的平均服务成本来确定优化哪一组路径分组,而不是优化所有的路径分组。在两个LSCVRP基准测试集的32个测试实例上验证了EMRG-HA的性能。实验结果表明,在大多数的测试实例中,该算法的计算效率和所得解的质量都优于现有的五种算法。(2)提出了求解带时间窗的多目标车辆路径问题的基于协同进化框架的多目标复杂约束优化算法(CCMO)。CCMO采用了双种群协同进化的框架,一个种群求解原始问题,一个种群处理简化后的问题,进化过程中进行信息交互,利用简单问题种群的信息辅助求解原始问题。原问题是带时间窗的多目标车辆路径问题,所选取的简单问题是去除时间窗的车辆路径问题。实验结果表明,CCMO在带时间窗约束的多目标车辆路径问题上拥有良好的性能,并且在基准多目标复杂约束测试问题上也拥有良好的性能。