随着流配送的日益发展,为扩大企业业务,更及时地满足客户需求,许多企业都建立多个配送中心,并提供多种车型来适用各种不同类型的货物。同时,各国政府对环保日益要求越来越严格,考虑燃油消耗和碳排放等因素的低能耗车辆配送已开始受到重视^[1]。此外,日益激烈的市场竞争逼迫企业注重降低物流配送成本和提高客户满意度^[2]。在此背景下,研究带时间窗的低油耗多车场多车型车辆路径问题（low-fuel-consumption multi-depot heterogeneous-fleet vehicle routing problem with time windows,LMHFVPR＿TW）,具有十分重要的现实意义。本文针对带时间窗的低油耗多车场多车型车辆路径问题（LMHFVPR＿TW）和求解该问题的智能算法研究如下:首先,在问题的分解阶段,由于该问题具有强约束、大规模和NP-Hard等复杂性,为有效控制问题的求解规模并合理引导算法在优质解区域搜索,根据问题特点设计两种基于K-means的聚类策略,将LMHFVPR＿TW合理分解为一系列带时间窗的低能耗单车场单车型车辆路径子问题（low-energy-consumption vehicle routing problem with time windows,LVRP＿TW）。其次,在问题的求解阶段采用两阶段优化,第一阶段针对每个LVRP＿TW进行序优化。为获得每个子问题LVRP＿TW的优质解,本文提出一种增强蚁群算法（enhanced ant colony optimization,EACO）求解分解后的各子问题（LVRP＿TW）,进而获得原问题的解。EACO不仅引入信息素挥发系数控制因子进一步动态调节信息素挥发系数,从而有效控制信息素的挥发以提高算法的全局搜索能力,而且设计基于多种变邻域操作的改进两阶段变邻域局部搜索（improved two-stage variable neighborhood search,ITVNS）来增强算法的局部搜索能力。第二阶段优化在第一阶段优化的基础上进行车辆的速度优化。为使得每个子问题LVRP＿TW的油耗以及时间窗惩罚进一步降低,本文提出一种基于改进混合差分进化算法（improved hybrid differential evolution,IHDE）的速度优化算法（speed optimization argrithm,SOA）对上述每个子问题LVRP＿TW的最优解进行车辆行驶速度的优化。通过建立评价函数和迭代次数的关系式来改变自适应缩放比例因子的方法可在一定程度上抑制了DE的过早收敛的问题。此外,在算法的选择阶段加入模拟退火算法（simulated annealing,SA）以增强其全局搜索能力。通过采用IHDE对车辆速度进行优化后,从而提升各个LVRP＿TW解的质量,最终进一步获得LMHFVPR＿TW的更优解。最后,仿真实验和算法比较验证了所提EACO＿CD＿SOA是求解LMHFVRP＿TW的有效算法。