车辆路径问题(Vehicle Routing Problem，简称VRP)在物流研究领域备受关注，已成为该领域的热门问题。合理的路径安排方案不仅可以降低企业的配送成本，还可以提升企业服务的质量。随着物流的迅猛发展，VRP的研究的需求越来越大。其变化形式——带时间窗的车辆路径问题(Vehicle Routing Problem with Time Windows，简称VRPTW)考虑到顾客受时间的约束，能更接近实际而备受青睐。 本文在传统VRPTW的基础上，结合考虑实际生活由于资金周转的限制等原因而不能无限制地购置车辆的问题，对近年来提出的新模型——限定车辆数的m-VRPTW的算法进行研究，并提出了一种解m-VRPTW的新型两阶段启发式算法。该算法针对第一阶段的最大化服务的顾客数的目标，提出一种基于基本K-均值聚类算法的优化算法；第二阶段则是在第一阶段的基础上，采用改进的AMP算法(Adaptive Memory Procedure)来改进第一阶段的某些解，使它们能进一步逼近最优解。通过实验的比较，也证实了我们算法的有效性。 本文的具体工作主要是： (1)根据m-VRPTW本身的特点，我们引入了K-均值聚类算法和提出复杂度仅为O(mnlog<,2>n)的FSFS算法来得到初始解，并分析了该方法的思想由来； (2)本文创新性地提出了复杂度仅为O(n)的迁移算子，结合(1)的处理，能有效地把宽时间窗顾客和窄时间窗顾客“分离”，对于某些测试集如C类，在不超过4次的循环使用就能达到已知的最优解了； (3)本文通过引入转移概率矩阵从数学上分析了迁移算子的可行性； (4)从EP中选取顾客的标准定义中，我们充分考虑了时间和距离的影响，体现了全面性； (5)根据我们的算法特点，在第二阶段，本文通过改进AMP算法(IAMP)，发挥了IAMP算法在我们算法的性能。