路径优化问题已经有很久的研究历史,早期问题复杂程度低,通过数学建模的精确式算法就可以解决。后来,随着问题规模的增大,精确式算法计算量庞大,运算时间过长。人们把进化算法引入了路径优化,在路径求解中称之为启发式算法,启发式算法属于经验式算法,不能保证得到最优解,但是可以在较短时间内得到可接受的解。路径优化在物流配送中是一个很有意义的问题,虽然这方面的研究很多,但是很多研究还处于仿真理论阶段,并且启发式算法对实际的物流配送路径优化的效果不好评价。随着我国物流业的蓬勃发展,物流业迫切需要相关理论和技术上的支持。最近几年,我国城市的交通拥堵问题非常严重,物流配送路径优化已经不是一个简单的组合优化问题。因为路况的复杂多变对物流配送路径优化有很大的影响,路线通行时间在不同的时间段内有较大的起伏,对物流配送路径优化问题的研究要更多的考虑路况变化的问题。为了解决传统启发式算法在实际物流配送中应用性不强和复杂路况中求解质量差的问题,本文提出了基于深度信念网络模型的DBNTF (Deep belief network traffic forecast)路况预测算法。首先构建路况预测模型DBNTF,模型的构建采用了五层的DBN (Deep Belief Network)结构和softmax分类器相结合。然后对交通数据进行预处理,将预处理后的交通数据集作为DBNTF模型的输入层,人工设置交通等级值标签,从而完成模型的训练。最后在模型中输入时间天气等特征数据,求解出预测的路况(交通等级值)。在此基础上,将交通等级值转化为分时路段权重,由分时路段权重和交通网络构建分时带权交通网络。依据城市物流配送的特点和算法的需求,对蚂蚁算法的求解过程进行改进,结合改进蚂蚁算法和分时带权交通网络,提出了 DBNTFPO(Deep belief network traffic forecast path optimization)算法。并分别对本文提出的两个算法和其他算法进行对比分析,验证了本文算法在物流配送路径优化中的优越性和应用价值。在实际的物流配送中,对路径优化问题的解决提供了可行、有效的思路和方法。本文所做的主要研究工作如下:1)对常见的进化算法在物流配送路径优化中的原理做研究、分析,总结出优点和不足之处,针对不足之处引入了深度学习技术。2)构建路况预测模型,依据路况预测模型提出了路况预测算法-DBNTF算法,并验证了该算法在复杂环境中路况预测的准确性。3)构建物流配送路径优化模型,依据模型提出了物流配送路径优化算法-DBNTFPO算法,并验证了算法在复杂路况中的物流配送路径优化问题的优越性。