随着移动互联网的普及和公众购物习惯的变化,近年来快递行业得到了飞速发展,但也出现了运营成本居高不下、业务量分布不均匀等问题。这些问题对物流企业的运营带来了压力与挑战,而众包物流的出现为当前快递业的压力和挑战带来了机会。因此,如何利用众包物流配送货物,使物流和快递配送取得最佳效果,解决“最后一公里交付”,是一个重要的研究课题。目前可以看到一些相关研究成果,但已有的研究中较少考虑对司机进行任务追加的情形,且任务分派时较少考虑未来可能会参与分派的司机和任务的情形。因此,在考虑上述情形的前提下,对于众包物流模式下司机与任务的动态分派问题进行研究,具有重要的理论意义和现实意义。本文探究众包物流模式下司机与任务的动态分派问题,在物流派送过程中考虑绕路路程、货物数量、货物体积,时间窗等因素,在考虑任务追加和未来司机信息和未来任务信息的基础上,提炼出两类众包物流任务分派问题,构建相应的动态分派的优化模型,并设计了求解模型的启发式算法。针对众包物流司机与任务动态分派问题,本文构建了两个优化模型,开展了以下研究工作:（1）考虑任务追加的众包物流司机与任务动态分派模型。在考虑追加的众包物流司机与任务动态分派模型中,待分派的任务是不断增加的,参与众包的司机也不断变化。首先,依据众包物流司机与各仓库的距离,确定针对各仓库的可供分派司机集合;其次,依据绕路距离、任务数量和包裹体积等因素计算司机的配送报酬;然后,以成本最小化为目标构建众包物流任务分派的优化模型;进一步地,考虑到所构建的模型为NP难问题,针对模型特征设计了模拟退火算法进行求解;最后,通过小规模和大规模的数值实验验证了所提出算法的可行性与有效性。（2）多阶段两层众包物流司机与任务动态分派模型。本文提出了一种多阶段两层动态分派模型（MS-2E-DAM）。该模型将众包司机和任务的各个阶段的信息结合在一起,以获得最佳的任务分配结果。在每个阶段,任务分配首先确定当天所有阶段中当前已知的可分配司机,然后根据绕行距离,任务（包裹）数量和数量等多个因素来计算司机的报酬任务（包裹）。我们将该问题表述为成本最小化问题,并使用遗传算法和禁忌搜索（GA-TS）构造了一种混合启发式算法。最后,通过小规模和大规模的数值实验验证了所提出算法的可行性与有效性。本文提炼的两类众包物流问题,能够有效地降低众包物流任务分派的成本,充分利用众包物流司机的剩余能力,为众包物流动态任务分配问题提供有效的解决方案,进一步丰富和拓展了众包物流的研究。