在经济全球化和信息化的大背景下,物流技术的价值及其战略地位越来越受到各国政府和企业的重视。其中的配送环节是指依据客户的要求,对物品进行拣选、加工、包装、分割、组配等作业,并按时送达指定地点,在物流系统中有着突出的地位。在满足所有限制条件的前提下,如何合理的安排车场车辆的出行计划,制定最为经济的行驶路线,已成为组合优化和运筹学研究的热点问题之一。车辆路径问题(Vehicle Routing Problem,VRP)正是为解决以上问题而提出来的,主要是研究满足约束条件的最优车辆使用方案以及最优的车辆路径方案。对于该问题的研究在降低运作成本和提高生产经营管理水平方面具有极为重要的理论意义和现实价值。基本粒子群算法是一种基于群智能的现代启发式算法,具有算法简单、易于实现、只含有初始参数、精确度高和收敛速度快等优点。但同时,该算法也具有易于收敛,即陷入局部最优,出现“早熟”等缺点。为克服算法的“早熟”现象,保持解的多样性,将协同进化算法的思想融入到粒子群算法中,对基本的粒子群算法进行改进,进而提出了协同粒子群算法(Cooperative Particle Swarm Optimization,CPSO)。本文利用协同粒子群算法来解决车辆路径问题的一个扩展分支——多车场车辆路径问题(Multi-Depot Vehicle Routing problem,MDVRP)。CPSO算法的基本思想是把一个大的粒子群体分为多个子群体,多个子群体之间通过信息的共享,达到共同进化的目的。本文采用三粒子群体模式,在速度进化的过程中每个子群体都将使用全局最优值作为自己子群体的“全局最优”。这样通过真正的全局最优值来更新个体速度,同时每个子群体又采用不同的速度进化方式来保持解得多样性,避免陷入局部最优。三个子群体采用的进化方式分别是：基于粒子群的聚散度对粒子进行变异的变异PSO算法；在速度进化公式中增加种群全局最优项的全局学习PSO算法；基于进化中优胜劣汰的竞争PSO算法。其中前两者用于增加种群的多样性,后者用于增加搜索速度。