车辆路径问题(Vehicle Routing Problem,VRP)是一种典型的组合优化问题,其具有广泛的应用背景。为了应对实际的需求,对VRP基本模型进行扩展,并提出有效算法是目前关于该问题的研究热点。本文就两类复杂的VRP扩展模型展开探索,(1)中心点的扩展,由单一中心扩展为多中心;(2)服务对象的需求由静态扩展为动态。结合实际问题,本文先分析了一种生活中复杂的垃圾收运问题——多回收站垃圾收运问题(Multi-station Refuse Collection Problem,MSRCP),并将其映射为多中心车辆调度问题。建立了以最小车辆运输费用为目标的多回收站垃圾收运问题模型,设计了一种基于协同进化(Cooperative Co-evolutionary,CC)作为外部框架的问题求解方法。首先利用本文的聚类算法,对每个垃圾回收站进行垃圾收集点的分配操作,将多回收站的垃圾收运问题分解为多个单回收站的垃圾收运问题。再采用一种混合遗传算法对每个单回收站进行路径规划处理。最后,以安庆市大观区生活垃圾收运为例进行了上述模型及算法的验证,结果表明本文所提算法在降低复杂垃圾收运问题时,具有良好的性能。由于实际问题中很多因素具有不确定性,所以进一步考虑动态因素对车辆路径问题产生的影响。针对特殊环境下的动态车辆路径问题(Dynamic vehicle routing problem,DVRP),考虑实际需求不确定可能会造成配送成本增加的情况,建立了一个目标为配送成本最低的预测型物资配送模型。其中预测以泊松分布模拟需求变化情况,并设计了一种预测需求可调节的遗传算法(Genetic Algorithm with Adjustable Forecasting Demand,GAAFD)对该模型进行求解。由于特殊环境的影响,需求的变动存在一定的规律,该算法在局部搜索中加入需求调节算子,减少前期需求预测偏差产生的影响,同时在动态环境下进行车辆间的顾客调整,增大车载容量的利用率同时减少配送成本。在10个数据测试样例上对比经典的最近邻算法(Nearest Neighbor,NN)和遗传算法(Genetic Algorithm,GA),从总成本、运输成本和车辆成本三个不同指标进行分析,实验结果表明GAADF算法结果更优。