国家对生态文明建设的大力推进和节能减排等相关政策法律法规的出台使得低碳物流开始受到学术界、企业界的关注。物流行业作为能源消耗的大户,节能减排刻不容缓,实现低碳物流将成为未来行业发展的重要方向。在物流的各环节中,运输配送所占成本比例最大,运输所消耗的能源不仅在运输总费用中占有很大比重,而且也是二氧化碳的主要排放源之一,由此可以看出实现低碳物流的关键便是优化运输,即研究低碳约束下的物流配送车辆路径问题。在已有的解决车辆路径优化问题的文献中,研究重点放在了探讨如何使企业通过车辆运行成本最小化而取得利润最大化,一些学者在优化时习惯于将车辆运行成本最小化等同于行驶距离最短化。而距离最短等同于成本最小的前提是车辆的燃油消耗率不变。实际上车辆运行过程中的燃油消耗会受到许多因素的影响。本文从影响车辆的燃油消耗因子出发,以降低物流成本为目标,建立了低碳约束下的车辆路径问题模型,并改进现有的仿生智能算法对问题进行求解,以期实现物流成本和环境保护的双赢。本文的主要研究内容和成果包括:(1)对低碳物流的相关文献进行研究综述,发现国内定性研究较多,而用数学模型进行简化抽象并求解的定量研究较少。因此针对上述不足分析了车辆路径问题的现有衍生模型和求解算法,同时对新兴的考虑燃油消耗的车辆路径问题研究现状进行综述。(2)探讨了低碳物流的基本理论和低碳配送的实现途径,从车、环境、人三大主因入手,对影响车辆燃油消耗的影响因子进行分析,并将其量化。在兼顾成本和环境的双重影响下,建立了以最小化成本为目标的低碳CVRP和低碳VRPTW数学模型。(3)针对车辆路径问题的NP-hard特性,采用改进的仿生智能算法通过Matlab软件求解。1对基本萤火虫算法的邻居集合、移动概率、荧光素更新方式进行改进,引入2-opt局部搜索算子,提出GSO-CVRP算法求解低碳CVRP数学模型,实验结果显示总成本的大小不仅和距离有关,和车辆的油耗也有关。2借鉴最大最小蚁群算法的思想,引入局部搜索算子,对基本蚁群算法的启发式因子、选择策略和信息素更新策略进行改进,提出ACO-VRPTW算法求解低碳VRPTW数学模型,实验结果显示最小的总成本对应的并不是最小的路径长度。将改进的仿生智能算法应用在低碳约束下的车辆路径问题中,不仅扩展了仿生智能算法的应用领域,使车辆路径问题得到更科学的最优解,而且加快了低碳物流的发展步伐,为企业低碳物流配送的实际运作提供了一个参考方向。