车辆路径问题(VRP)可广泛应用于交通规划、物流运输、道路救援、军事调度等实际应用中。在社会经济的快速发展下,高效求解车辆路径问题成为新型产业物流运输的必要条件。由于VRP问题是经典的NP-Hard问题,利用精确穷举的方法暴力搜索最优路径,计算量会随着问题规模的增大而呈指数规模增加。近年来,涌现出模拟退火、遗传算法、人工神经网络、粒子群等各种智能算法,模仿自然界的各种演化过程,可在较短的时间收敛于质量较高的可行解,极大的提高了VRP问题的求解效率,获得广泛的应用和发展。传统的VRP问题通常限定了车辆的数量,求解通过指定顾客点的最短路径。然而,在实际生活中,无论是交通运输,物资运输,道路救援等,车辆的数量,总的成本消耗通常也需要被优化,使得总行车路程最短、运输时间最短、使用车辆数最少,人工和汽油成本消耗最小。同时优化最短总运输路线、最少车辆数和单辆车最短运输距离,显然是典型的多目标优化问题。传统的VRP问题算法,无法求解出较均衡的满足多个目标的解,给用户提供决策和帮助。本文首先在NSGA-II算法的基础上,集成基于理想化最小值点多目标决策算法,提出基于Knee point的多目标决策算法,并通过多个多目标优化问题算例,证明了算法的有效性,可以高效求解出满足对多目标均衡的可行解。在此基础上,将算法运用于车辆路径规划问题中,在该问题中通过设置总路程最短,车辆数最少以及单辆车行驶的最大路程最短作为三个目标。在NSGA-II的基础上设计新的染色体编码方式以及交叉变异算子,实现以多目标的方式规划多辆车的行驶路径。实验证明,本文提出的算法可以求解这类车辆路径问题,同时优化单辆车行驶时间,所有车行驶总路程和车辆数,找到在派出尽可能少的车,且每辆车行驶的路程尽可能少的可行解。