随着经济的高速发展,特别是电商的迅速崛起,物流配送行业作为电商的重要组成部分,其竞争愈加激烈,车辆路径规划问题作为其中的关键问题受到广泛关注。在进行配送服务时,通常会存在配送时间的限制,并且前人针对该问题的研究只考虑了取货或者送货,会造成配送车辆运输能力的浪费。装卸一体类车辆路径规划研究能够充分发挥车辆的运输能力,提高物流企业配送效率,降低配送成本,目前方兴未艾。基于此,本文开展以下研究:1.在对国内外车辆路径规划问题的研究现状进行总结与分析的基础上,对该问题中的相关求解技术进行学习,掌握其原理和相关代码,并通过案例对相关算法进行对比分析,为最终解决带软时间窗装卸一体类车辆路径规划问题奠定基础。2.针对传统遗传算法解决带软时间窗车辆路径规划问题效率低的问题,提出一种基于K-means聚类的混合遗传算法。该算法首先根据顾客的地理位置以及时间窗特征属性对顾客群体进行K-means聚类分析产生初始可行解,以提高初始解的质量,有利于算法的收敛速度;其次,对全局寻优阶段的寻优算子进行改进,采用保留优良个体的选择策略、部分匹配交叉策略、倒位变异策略进行全局寻优以获得更优个体;同时设计基于三种邻域操作的两阶段变邻域搜索策略来提高算法的局部寻优能力;最后通过Solomon算例进行仿真实验,验证本文算法的性能。3.针对带时间窗约束的装卸一体类车辆路径规划问题,以配送车辆固定成本、行驶成本以及违反约束惩罚费用之和最小为优化目标,提出一种改进型头脑风暴优化算法。该算法将大规模邻域搜索算法引入头脑风暴优化算法的局部搜索策略中,进行两阶段寻优。全局寻优阶段,在对该算法的编码、解码及构造初始解方式进行说明的基础之上,根据适应度值选出优秀个体,以优秀个体为聚类中心对个体进行聚类分析,然后引入变异、交叉策略进行全局寻优;局部寻优阶段,将种群目标函数值升序排列,选择前60%的个体作为局部搜索对象,引入大规模领域搜索算法中的破坏和修复思想,即设计破坏算子从当前解中删除若干客户,再设计修复算子将删除客户重新插入被破坏的解中;最后用国际公开数据集对模型及算法进行仿真实验,验证该算法在求解带软时间窗装卸一体类车辆路径规划问题的有效性。4.基于上述工作,采用Flexsim仿真软件对实际案例进行仿真求解,并与本文所提算法的运行结果进行对比,结果表明了本文算法有效性。