随着信息技术的不断革新,电商行业的高速发展,现代物流配送已成为影响新实体经济发展的关键。在现实生活中,很多物流配送活动都可以抽象成车辆路径问题（Vehicle Routing Problem,VRP）,根据实际配送情况的不同,通过添加约束条件延伸出了多种VRP拓展问题。其中,同时取送货VRP（VRP with Simultaneous Pickup and Delivery,VRPSPD）和多中心半开放式VRP（Multi-Depot Half Open VRP,MDHOVRP）因更符合当前实际物流配送系统的运行情况而成为VRP问题研究的热点。基于实际配送背景,本文分别研究了单中心静态路网下带软时间窗约束的VRPSPD（VRPSPD with Soft Time Windows,VRPSPDSTW）和多中心动态路网下带软时间窗约束的MDHOVRP（MDHOVRP with Soft Time Windows,MDHOVRPSTW）问题。首先,为了满足VRPSPD中客户对服务时间的时效性需求,在VRPSPD中考虑了软时间窗约束条件,以最大化平均客户满意度、最短配送距离和最小配送成本为优化目标建立模型,并基于粒子群和模拟退火算法设计了混合模拟退火粒子群算法,该算法不仅增强了粒子群算法在迭代中跳出局部最优的能力,而且提升了模拟退火算法的收敛速度及求得全局最优解的机率。通过扩展Solomon标准算例进行仿真实验,并与相关文献的实验结果进行比较分析,证明了混合算法在求解VRPSPDSTW时的有效性。其次,针对MDHOVRPSTW问题,考虑到实际配送活动中客户对配送服务的时效性需求、车辆速度的时变特性以及交通状态的不确定性,将道路类型、交通拥堵等约束条件添加到MDHOVRPSTW中。并采用具有加速度的时间依赖函数来表征时变速度,以相同的优化目标,构建速度时变的MDHOVRPSTW的数学模型。最后,基于速度时变的MDHOVRPSTW数学模型的特征,设计了两阶段求解算法。第一阶段利用多目标粒子群算法的快速收敛能力同时优化多个目标以获得初始可行解,并基于自适应网格密度法和邻域拥挤密度法对外部档案进行维护,将拥挤密度和逆世代距离作为全局最优粒子的选取标准,以此来提高算法的收敛性,改善种群分布性。第二阶段,在不降低平均客户满意度的情况下使用变邻域搜索算法优化初始可行解,减小配送距离,降低配送成本。通过扩展经典MDVRPTW算例,在模型相同的情况下,与其他文献的求解结果进行对比,验证两阶段求解算法设计的有效性;然后对比速度时变和速度恒定条件下的求解结果,及分析时变路网对模型求解效果的影响,验证模型建立的合理性。