物流配送中的车辆路径问题(Vehicle Routing Problem,VRP)是组合优化和运筹学领域研究的热点问题,具有极强的实际意义。传统的研究在模型建立上比较单一,研究的热点主要集中在设计高效的优化算法以解决客户网点数更多的VRP。由于中西方国家在地理环境、人口密度和经济发展水平等方面都存在着较大的差异,传统的数学模型不能准确的反映我国实际的配送情况。因此,针对中国的配送实际,对VRP数学建模和算法研究进行了探讨。　　 首先,详细介绍了物流配送的相关概念和特点,通过对配送网络结构进行分析,结合实际问题,将研究对象界定为单级配送网络下的VRP。针对中国人口密度特点,通过对比中美两国在人口密度上的差异,分析了客户网点数和运输里程对实际配送效果的综合影响,提出了“装卸频率”的概念,并将装卸频率作为衡量VRP规模的一个重要指标。　　 其次,以最小化配送车辆数、行驶里程数和平均装卸频率为优化目标,建立多目标优化模型,利用线性加权法将模型中的多个目标函数合并成单目标函数。由于三个目标函数之间的量纲不同意且目标函数值的大小相差较大,不能够直接运用线性加权法。因此,针对存在问题,对模型中目标函数进行了处理。最后,结合企业调研实际,设定了目标函数的权系数之间的大小关系。　　 再次,为了克服传统两阶段启发式算法系统性不足的缺点,按照分解协调的思想,将C-W节约算法与遗传算法进行融合,设计了混合遗传算法(GACW)求解框架,并进一步引入考虑载重量约束的路径交叉算子和反转变异算子,通过算例对模型和算法的有效性进行了验证。　　 最后,以镇江烟草物流配送中心配送车辆路径优化问题为案例,分析了配送中心现行的配送方案,通过来自配送中心的大规模数据(206个客户网点)验证了模型和算法对于大规模车辆路径问题(LSVRP)的适用性。通过模型的优化,公司送货车辆数减少14％、行驶里程降低21％程,平均装卸频率降低了47％,达到了一个较好的水平,实现了企业配送成本和员工劳动强度之间的均衡。