随着经济的发展和科学的不断进步,企业日常生产运作的重心正在由如何降本增效,提高企业效益向如何提高用户体验、增强用户忠诚度和黏性、培养企业文化树立企业形象的方向转变。本文在确定并量化影响员工、客户满意度的关键因素后,建立以客户及员工满意度达到最小阈值、最小配送成本为目标函数的多目标模型,并应用于实际场景解决车辆路径问题。本文以大规模车辆路径问题为研究对象。通过梳理关于车辆路径问题、区域划分问题、客户及员工满意度理论问题研究等四个部分的国内外相关文献,分析现有研究的短板,发现目前在车辆路径问题的研究成果中,对员工和客户这类主观因素的研究较少,而对“人”这一主体的研究又对车辆路径问题存在较大的实际意义,从而确定本文的研究内容,建立考虑员工和客户双重满意度的配送路径优化问题数学模型。后设计遗传粒子群混合优化算法,并结合实际案例证明混合算法和模型有效。首先介绍数学建模部分。针对大规模车辆路径问题,确定先划分配送区域,后分别求解各小规模车辆路径模型的研究思路;然后分别使用模糊隶属度的方法确定了影响客户和员工满意度的关键因素;接着将客户和员工满意度的影响因素量化为数学函数,并综合考虑配送成本最小的优化目标,构建考虑员工与客户双重满意度的配送路径优化模型。借助Sigmoid函数对考虑客户及员工双重满意度、最小配送成本的多目标进行统一数量级操作,接着使用线性加权和法将多目标优化问题转化为单目标优化问题并确定各目标函数的权重。其次介绍算法设计部分。在划分配送区域阶段,先针对K-means聚类算法的缺点给出改进措施,后结合实际应用场景,考虑了配送车辆有装载限制的实际约束,给出解决方法,得到的新配送区域较现配送区域更加合理、实用;在求解车辆路径问题阶段,针对粒子群算法局部搜索能力较强但易发生“早熟”现象的情况,设计遗传粒子群算法求解车辆路径问题的模型。最后以实际案例进行验证。通过分析M市卷烟配送中心（后文用M中心代替）现有的配送体系,发现问题并给出优化思路;模型求解和结果分析阶段,从不同算法间的性能分析、配送区域划分前后相关数据对比、配送成本和满意度关系等几个角度分析算法的求解结果并得出相关结论,验证了算法的可行性以及有效性。