物流配送是运输行业的重要环节,车辆路径问题是物流配送中最基础的问题。随着社会的日渐发展,只考虑单一目标优化的车辆路径问题已不能满足实际的市场需求,因此,考虑多目标的车辆路径优化问题渐渐成为物流配送的重点。在对使用车辆数、行驶距离优化的基础之上,同时保证对顾客高质量的服务,降低运输过程中对环境的污染等因素也成为物流运输的准则。因此,本文考虑物流配送过程中车辆载重、运行时间、车辆到达时刻等多个现实条件,对车辆运输过程中碳排放量、客户满意度、行驶距离及使用车辆数多个优化目标进行研究,实现车辆路径问题的多目标优化。针对多目标车辆路径问题的建模,包括:（1）考虑客户满意度的多目标车辆路径优化问题,建立以最小化车辆使用数与车辆行驶距离,以及最大化客户满意度为目标的多目标数学模型,考虑最大运输时间限制,时间窗及车载量为约束条件;（2）考虑碳排放量及客户满意度的多目标车辆路径优化问题,建立以碳排放量最小、顾客满意度最大、使用车辆数最少为目标的多目标数学模型,考虑最大运输距离,车载量及时间窗为约束条件。针对求解多目标车辆路径问题的算法设计,提出一种与变邻域局部搜索相结合的混合差分进化算法。算法采用车辆随机配载的方法产生初始种群并引入擂台法则使种群中的染色体逐一进行比较和判断从而初步构造Pareto非支配解集;进一步,设计一种互换的变异算子来增加不同解的个数从而保证种群的多样性;其次,为避免交叉的父代个体相同而不能产生新的子代,构造了以随机的交叉点进行自定义交叉的交叉算子;最后,针对传统的差分进化算法易过早收敛并陷入局部最优这一问题,结合变邻域的局部搜索策略并提出了两种邻域结构来平衡算法的局部寻优能力。用实例进行分析,并与常用于求解多目标车辆路径问题的NSGA-Ⅱ多目标算法进行对比。本文算法得到的Pareto解前沿具有较好的分布性且最优解更多,平均路径顾客满意度提高了3.1%,平均行驶距离及车辆数分别减少了6.8%和5.4%。对于基于顾客满意度的多目标车辆路径问题,所提出算法能迅速找到顾客满意度最大,车辆数最小且路程最短的行驶路线,并与各目标平均值进行比较找到一条最优折衷路线;对于考虑碳排放量、客户满意度及使用车辆数的多目标车辆路径问题,本文算法依然能够找到碳排放量最小,客户满意度最大,使用车辆数最少的行驶路线,有较好的优化结果。