随着能源紧缺和环境污染问题的日趋严重,近年来电动汽车得到了大力推广。受到政策推动等因素的影响,作为高耗能和高污染的物流行业,开始越来越多地使用电动汽车执行城市物流支线配送任务。而现阶段,电动物流车受到续航里程的限制,配送过程中经常需要充电,加上充电站覆盖率不足以及司机的里程焦虑等因素的影响,配送线路的选择成为难题。同时,目前的物流企业也缺少对电动车辆配送任务的统一规划。电动物流车的运营特征决定了它与一般燃油车的路径规划问题的理论与方法具有很大的不同,尤其是对充电站的选择大大增加了问题的复杂性。因此,提出有效的电动汽车路径规划模型,设计算法进行求解,并为相关企业建设应用系统平台,具有较强的理论意义和现实意义。本文的主要研究内容和成果包括:（1）考察车辆路径问题（Vehicle Routing Problem,VRP）近十年来的新分支电动车辆路径问题（Electric Vehicle Routing Problem,EVRP）的研究进展,得到问题相关理论基础;赴物流网点对货车司机进行调查采访,得到行业实际生产的现状。结合理论与实际,提出了带容量约束和单边软时间窗并考虑充电续航的问题模型CEVRPTW（Capacitated Electric Vehicle Routing Problem with Time Windows）,给出了模型的假设前提、符号表达、约束条件和求解公式。（2）CEVRPTW是一个典型的EVRP问题,因此本文首先总结了目前考虑充电问题的EVRP研究,归纳出学界使用遗传算法求解问题时最常用的两种染色体编码方式（即映射规则）:充电站直接编码算法（Directly Coding Algorithm,简称DC算法）和充电站最近邻插入算法（Nearest Neighbor Inserting Algorithm,简称NNI算法）,并分析了两者的优势与不足。在此两种算法的基础上进行改进,提出了充电站综合分析插入算法（Comprehensive Analysis Inserting Algorithm,简称CAI算法）:充电站不直接参与染色体编码,而是到解码时,在每一个备选弧段上分别考虑前最近邻、后最近邻以及总和最优等三种方案,再选出最优的插入位置和充电站。然后从理论上给出了CAI算法优于前两者的数学证明。使用Python语言,基于Geatpy计算框架实现了三种算法,设计多组模拟算例,对三者进行测试实验,结果表明,CAI算法的可行解率和可优化上限皆为最佳,在所有测试中的平均求解结果均比其它算法更优,目标函数值可以节省5%-20%,但执行效率也为三者中最慢,程序耗时是其它算法的2倍以上。（3）以物流企业管理者为用户对象,开发了一套B/S架构的基于WebGIS技术的物流配送路径规划系统。以CAI作为系统的算法模块,并加入本文提出的一种回路缓存策略,在实验测试中程序执行时间可以节省95%左右,较好地解决了CAI算法执行效率较低的问题;节点算路和地图交互功能通过百度地图开放平台实现,使得算路结果精确,地图交互友好;前后端系统分别使用Vue.js和Spring Boot进行开发,实现了前后端的完全分离,减少了系统的耦合度,增强了易维护性和可扩展性。用户可以在浏览器上查看和操作地图,并在后台管理节点和车辆等信息数据,可视化清晰,且操作简便。本文提出的CEVRPTW问题模型和CAI算法,丰富了EVRP领域的相关理论;开发的物流配送路径规划系统,为物流企业降低配送运营成本提供了技术支撑。