元启发式算法在求解现实生活中遇到的复杂组合优化问题时,显示出了它的优越性,常见的算法有禁忌搜索、模拟退火、遗传算法、迭代局部搜索等。这些算法基于局部搜索采用不同的策略使算法逃出局部最优,其中局部搜索使用的邻域算子定义了算法搜索空间中各个解之间的邻接关系,不适当的邻域算子会使得搜索变得无效,因此邻域算子的调优直接影响到元启发式算法的性能。为了更好地将算子调优策略与问题的结构特征相结合,弥补现有算子调优策略的不足,本文试图基于适应度景观对元启发式算法的邻域算子进行调优。适应度景观源于理论生物学,是遗传学家在利用数学模型理解生物个体的进化机制时提出的,该模型基于优化问题解的基因型、邻域算子和适应度函数,可以形象地刻画问题的结构。本文通过度量适应度景观的特征,凭借适应度景观分析对邻域算子进行调优。主要的研究内容如下:(1)鉴于物流配送在物流系统中的重要作用,本文以车辆路径问题为例,基于反转和互换两种邻域算子分别建立了车辆路径问题的适应度景观模型。(2)结合车辆路径问题解的特点,建立了距离空间并定义了相关的熵,从平均距离、平均步长、自相关函数、崎岖度以及局部最优解的适应度等角度,更加全面地度量适应度景观的特征。(3)使用多维标度法(Multidimensional Scaling)将车辆路径问题的解降维投影到二维平面,进而利用Delaunay三角剖分对适应度景观分析结果进行了可视化。(4)分别构造仅基于反转算子或互换算子的迭代局部搜索、模拟退火、遗传算法和禁忌搜索四种基本元启发式算法,通过对比两者在给定算例上的求解性能,验证了基于适应度景观对元启发式算法的邻域算子进行调优的有效性。