周期性车辆路径问题(Periodic Vehicle Routing Problem,PVRP)有着非常广泛的应用,如商超配送、电梯维护保养等。这类问题中,顾客对服务的时效性要求很高,而服务时间的变化对时效性的影响非常大,因此可变服务时间的路径优化研究非常有意义。本文分别从司机经验对服务时间的影响、服务时间不确定两个角度出发,研究了两类可变服务时间下的PVRP。司机经验对服务时间的影响,可以借助学习曲线来刻画。前人关于学习曲线在路径规划问题中的应用研究都是连续的单天的车辆路径优化,不需要决策哪一天服务顾客。本文首次将学习曲线和PVRP相结合,提出了考虑学习曲线的周期性车辆路径问题(Periodic Vehicle Routing Problem with Learning Curve,PVRP-LC),并采用分段线性化的方法对学习曲线进行处理,建立了PVRP-LC的线性规划模型。第二类问题中,服务时间的不确定性对成本和客户体验有很非常大的影响,用鲁棒优化降低解对不确定性的敏感程度是非常必要的。前人关于鲁棒车辆路径问题的研究大多是单天的、不考虑周期的,本文首次将鲁棒优化和PVRP结合,提出考虑不确定服务时间的鲁棒周期性车辆路径问题(Robust Periodic Vehicle Routing Problem with Uncertain Service Time,RPVRP-UST),并建立了线性鲁棒模型。PVRP-LC和RPVRP-UST都属于NP-hard问题,难以用精确算法求解,因此本文为这两类问题分别设计、实现了基于同一框架的变邻域搜索(Variable Neighborhood Search,VNS)算法。本文选取了6个带时间窗的周期性车辆路径问题(Periodic Vehicle Routing Problem with Times Windows,PVRPTW)的标杆算例进行测试,求得的最优解与已知最优解的平均差距为1.13%,充分说明了本文的VNS算法是可行的、有效的。本文也设计了6个PVRP-LC算例、6个RPVRP-UST算例,并进行测试、分析。对PVRP-LC算例的解的分析显示,考虑学习曲线之后,成本更小、休息人次更多,司机周期内的路径覆盖区域也更加集中;同时,本文也通过对学习率、最大工作时间的敏感性分析为管理者招聘员工、缩短员工工作时间提供了建议。RPVRP-UST算例的数值实验表明,总体上来说,在面对不确定服务时间波动时,鲁棒解在总成本、技术员加班人次、顾客服务延误率上的表现好于确定性问题的解;同时,本文通过对不确定参数的敏感性分析说明了采用过大的不确定参数可能导致得到的解太过保守,从而产生较高的成本。