在现实世界中,许多工程设计问题都能转化成约束优化问题。由于在约束优化问题中约束条件的存在,导致对目标函数的求解,变量空间出现不可行域与不可微性。在更大的问题规模中,难以用常规数学方法在有限时间内得到精确的解。随着启发式智能优化算法的出现与进一步发展,其在解决约束优化问题中的高效性不断得到重视。粒子群优化（PSO）算法是对鸟群觅食行为的模拟,是计算范畴中新的演化分支。由于此类算法结构简单同时对于精确快速求最优解能力突出,已经在各个领域得到了广泛的应用并取得了一定的成果。在对于求解约束优化问题的鲁棒性与稳定性方面,相比其它现有启发式算法,PSO方法表现更优。分数阶粒子群算法（FOPSO）是一种运用泰勒展开式以保存路径信息的粒子群优化算法。针对FOPSO在求解多峰约束优化问题中,过早收敛局部最优和易于受初始参数影响的局限性,提出了一种邻域自适应的约束分数阶粒子群优化方法（NAFPSO）。算法根据粒子全局与局部的动态变化信息,调整邻域拓扑以适应于特定情况,提高粒子群的逃逸局部最优能力和全局最优收敛速度;引入静态系数的罚函数方法处理约束,使得粒子快速摆脱不可行域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于4个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计问题。针对车辆路径规划的实时问题,采用基于独热编码向量的车辆路径相似度计算方法;在取货路径优化问题中,引入订单中心与批处理中心来简化订单的空间位置、计算订单之间的相似性;采用贪婪算法近似求出总的代价。编码方式和固定惩罚相结合改进了约束处理。对两个容量约束的车辆路径优化问题和不同规模的取货路径优化问题实例求解。与其它类似方法对比,实验验证了NAFPSO算法具有更好的鲁棒性与稳定性。