物流业作为一个现代综合型服务业,是国民经济至关重要的组成部分,对于国民经济发展有不可或缺的作用。运输配送是物流中的重要环节,同时运输费用也是物流成本的重要构成部分,在车辆路径问题中的关键是降低配送成本,即降低物流运输费用。物流运输费用的降低意味着配送经济且有效,不仅提高了客户满意度,同时也使得企业资源配置更为灵活。现如今信息化以及数字化已成为当代物流企业的一大趋势,信息化与数字化源于计算机技术的发展,对于物流企业竞争力的强化具有重要意义,因此本篇论文考虑借助数字化以及信息化对车辆的配送路径进行安排调度。现今对于车辆路径问题求解方法的研究多集中于启发式算法,本文旨在对带时间窗的多车场车辆路径问题模型进行优化求解,该模型以配送总成本最小作为目标函数,同时基于现实情况对模型考虑了多车型配送以及尾单配送。在对前人的研究进行整理分析之下,本文通过分解法与全局优化法相结合,在第一阶段分解法中利用聚类算法与遗传算法得到初始解;在第二阶段全局优化法中,采用两种启发式算法混合对问题进行求解,在算法选择上,本文利用粒子群算法求解速度快、鲁棒性好以及遗传算法灵活、无方向性易于搜索全局最优解的特点将两者进行结合。通过使用双层编码,利用K-means聚类算法与遗传算法分别对初始解中的客户分配方案以及车辆配送路径进行优化,提高了算法的收敛速度,随后提出改进的遗传粒子群混合算法对初始解迭代,通过群体适应度方差在相邻两次迭代中变化小于某阈值时引入自适应杂交变异遗传算法,目标是分散过于聚集的粒子群跳出局部最优,增大继续搜索得到更优解的概率。通过算例测试结果以及与其他算法的对比分析发现,本文提出的算法对复杂度较高的车辆路径问题模型具有良好的全局搜索能力,优化效果较佳,同时本文利用客户的定位和订单数据以及物流企业的车场车辆数据开发出一套简单的以最小的配送成本为目标的物流配送路径模拟系统,该系统嵌入本篇论文所提出的混合算法,具有一定的理论意义与实际价值,能为物流企业的车辆调度提供一定的便利性,做出一定的贡献,符合现代物流企业对于信息化、数字化、可视化等的需求。