随着社会对物流需求数量与质量的不断增加和提高,物流对环境的影响也变得日趋严峻。物流运输业已然成为全世界主要的二氧化碳等温室气体的排放源之一。目前车辆配送问题规模越来越庞大,传统优化方法已难以对其进行有效求解,而在面对这类问题时,智能算法的求解效果较优。因而,广大学者非常重视智能算法的研究。JAYA算法是2016年由R.Venkata Rao提出的智能算法,该算法已被应用于旅行商、柔性车间调度等诸多领域。然而,JAYA算法也存在求解不太稳定、易陷入局部极值等不足。为此,本文提出两种新的改进算法,并将这两种改进算法分别应用于求解绿色物流配送问题的两个不同方面子问题中,取得很好优化效果。本文主要研究工作和创新点有:（1）为了更好求解复杂函数优化问题,将算法很好应用于解空间较为复杂的带时间窗和同时取送货且含充电站的电动汽车路径规划问题,提出一种面向全局优化的混合进化JAYA算法。首先在计算当前最优和最差个体时引入反向学习机制;然后在个体位置更新中引入并融合正弦余弦算子和差分扰动机制;最后在算法结构上采用奇偶不同的混合进化策略。之后给出了算法伪代码,理论分析证明了H-JAYA（Hybrid evolutionary JAYA algorithm）的时间复杂度与基本JAYA相同。而通过6种算法在CEC2017测试套件上进行的多维度函数极值优化测试表明,H-JAYA的收敛性能和鲁棒性均有显著提升。（2）为了更进一步求解不同类型复杂函数优化和工程约束优化问题,将JAYA算法更好应用于约束条件更为复杂的多目标低碳环境下带时间窗和同时取送货的燃油汽车路径规划问题,提出一种基于多角色差异进化的改进JAYA算法。首先引入余弦相似度策略,更新与最优个体位置余弦相似度高的个体,将其中适应度值较差的个体位置融合旋转变换算子,而对适应度值较好的个体位置则融合非均匀变异算子;然后在个体位置更新中采用多角色策略,并引入共生策略和柯西变异机制;最后引入小孔成像反向学习策略。随后给出了算法伪代码,理论分析证明了M-JAYA（Modified JAYA Algorithm）的时间复杂度与基本JAYA相同。通过对12个复杂标准测试函数进行的多维度、多算法函数极值优化对比测试表明,M-JAYA的收敛性能和鲁棒性均有显著提升,求解效果相当出色。进而又通过对IEEE CEC2020中6个更具挑战性的工程约束优化问题的求解,充分验证和显示了M-JAYA算法在处理不同类型工程约束优化设计问题时有着明显的优越性和适应性。（3）将上述两种改进算法分别应用于绿色物流配送问题的两个不同方面子问题中—带时间窗和同时取送货且含充电站的电动汽车路径规划问题（EVRPTW）、低碳环境下带时间窗和同时取送货的燃油汽车路径规划问题（GVRPTW）。分别构建了EVRPTW和GVRPTW的数学模型,定义了算法中相应的个体编码与解码方式,并分别以两个应用所包含的多个不同约束条件建立的目标配送成本作为目标函数进行求解。通过不同规模测试算例的求解结果表明,本文模型和算法在处理不同规模绿色物流配送路径优化问题时,具有较好求解能力,能够有效实现在降低总成本的同时促进物流配送环节的节能减排。本文所研究的绿色物流配送问题,在理论范畴上,进一步拓宽了物流配送问题相关理论和方法。在应用范畴上,为物流公司在实际营运中,实现绿色物流愿景以及经济和环境效益的统一提供了管理启示和方法借鉴。