社会经济的高速发展对现代物流行业提出了更高的要求。在现实生活中存在这样一种情况,不同客户需要多种零件商品,并且这些零件商品是成品的组成部分,而零件商品由于特征、性质和用途的差异,商品彼此之间具有货物性质的关联性,通常情况下,客户为了保证其需求不受影响而将所有的零件商品的供货业务交付给一个物流运输公司,让该物流运输公司来为其服务,所有客户需要的货物可能存在某种关联性,配送时不仅可以兼容,而且将关联的货物配套运输更有利于后期的运作或经营,基于这种情况,提出关联运输调度问题(Incident Vehicle Routing Problem, IVRP),建立几类IVRP扩展问题的数学模型,并提出相应的算法求解。本文所做的主要工作如下：(1)提出了单车场单车型关联运输调度问题的混沌遗传算法。对适应度较差的基因加混沌扰动,缩小混沌遗传算法的搜索空间,提高了寻优速度,仿真结果证明了提出算法对求解该问题是有效性。(2)提出了单车场多车型关联运输调度问题的混合禁忌搜索算法。融合了禁忌搜索算法和遗传算法的优点,并引入了核心路径、自适应交叉及混沌变异等策略考虑了道路路况对运输的影响,采用提出的算法对20客户规模的问题模型求解,通过收敛时间、进化代数和全局搜索概率的比较,验证了所提出算法的可行性。(3)提出了带多种类型时间窗的多车场多车型关联运输调度问题的混合蚁群算法。建立了带客户硬时间窗、车场硬时间窗、多车场多车型等约束的关联运输调度问题的数学模型。通过聚类算法和节约算法构造初始解,提高求解速度；自适应地改变启发式因子和期望启发式因子,提高算法收敛速度；引入遗传操作算子,自适应改变交叉概率和变异概率,提高算法的全局搜索能力；提取核心路径便于进行后期优化；通过3-opt与车场交换,提高算法的局部搜索能力。最后对40客户规模的问题模型进行仿真,证明了所提出算法的优越性。(4)提出了时变路网条件下关联运输调度问题的自适应蚁群算法。考虑实际生活中道路路况影响运输成本及油耗率与运载量相关的因素,处理跨多时段的问题,建立时变路网条件下的关联运输调度问题数学模型。通过聚类算法和节约算法构造初始解,自适应地改变启发式因子和期望启发式因子,结合油耗率,将油耗率转化成信息素挥发因子,自适应更新信息素,保证其收敛速度,通过3-opt策略进行局部搜索。最后对3个时段中8个客户的问题模型进行仿真,表明提出算法的可行性。(5)提出了领域关联运输调度问题的混合蚁群协同算法。呈现了两种面向领域应用的问题,即高校校车协同运输调度问题和农村公交协同运输调度问题,基于遗传算法和蚁群优化算法,构造一种混合蚁群协同算法,混沌搜索产生初始种群的方式克服了生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制通过增加选择有低强度信息素解元素的概率以提高探索新解的能力,分别对两类模型进行仿真,证明该方法提高了算法的寻优能力。(6)提出了关联运输调度问题的并行混合蚁群算法。在深入分析问题的基础上,采用并行混合蚁群算法来对所建立的数学模型求解。给出不同规模的问题模型,仿真结果证明并行混合蚁群算法在处理较大规模的问题模型时,优于蚁群优化算法。最后对本论文进行总结与展望,归纳了本文的收获与成果,对需要更深层次探讨的问题进行说明。