物流作为“第三利润源泉”，对现代的经济活动影响日益明显，受到各行业的极大重视。现代物流己经成为把握竞争优势的有效方式，将为国民经济在高起点上持续发展，提供基础动力。在经济全球化和信息化的推动下，现代物流业己从为社会提供传统运输服务，扩宽到以现代科技、管理和信息技术为支柱的综合物流系统。物流配送在我国迅速兴起并发展起来，如何在提高物流配送效率的同时降低成本成为一个重要的研究课题。 本文在对物流配送系统和业务流程详细研究的基础上，针对配送运输调度中的车辆优化调度问题作深入研究。 本文首先明确了物流及物流配送的概念，配送的特点、意义、作用、类型和服务方式。通过对一些大型流通企业的配送和物流企业的配送业务的研究，分析了美国、日本以及欧美等发达国家的配送模式，提出了这些配送模式的特点和可借鉴之处。针对中国的国情和物流配送的发展，讨论了中国运行的物流配送模式。并对物流配送合理化理论进行了剖析。 考虑到配送管理工作的情况复杂，在对车辆优化调度问题的分类的基础上，以配送货运车辆为研究对象，根据任务的性质将配送运输分成满载和非满载两类问题进行分析并建立了数学模型。随后，对车辆优化调度问题的求解方法进行探讨，究其实质，将其归为精确算法和启发式算法两大类，并对算法的基本原理和对车辆优化调度问题的求解性能进行分析和比较。精确算法对该问题的求解只适合小规模的问题模型，应用范围受到了限制，因此把研究的主要精力放在了启发式算法上来。 应用遗传算法和节约算法对车辆优化调度问题进行求解。根据特定的时间窗和车辆容量等约束，对现有的基本算法进行改进，设计了可求解带有时间窗约束的VRP问题的算法。并用两种不同的算法分别对相同的实例进行求解，通过比较来分析其算法的性能。 通过对节约算法进行改进，来解决带有时间窗的VRP问题。可以看到节约算法具有在计算机上容易实现、理念朴素、方法易行、效果理想等优点。但是对于客户数较多，规模较大的优化问题其解的精度不是十分理想。其根本原因在于，它所进行搜索的停止时间并不是由解的精度决定的，而是在满足模型约束的前提下，获得一个方案就停止的，这个方案只是具有一定的全局优化性的可行解。从而得出，在问题规模增大时，节约算法的优化效果就相应的下降的结果。 遗传算法克服了节约算法的不足，它可以先生成初始种群，即使种群中没有有效的配送线路，经过一系列的交叉、变异操作后，就会产生出更优的下一代，从而淘汰较差的配送路线。可见，遗传算法适合于客户数较多，规模较大的优化问题，并且算法性能稳定、可靠。本文在基本遗传算法的基础上，对交叉算子进行了改进。由计算结果可以看出，采用改进交叉操作的算法，可以较好地的将已经具有双亲优良特性的子串复制到下一代，有效的提高了染色体的质量，有效的提高了对种群的搜索能力。遗传算法在求解带有时间窗约束VRP问题的实验中显示了良好的特性。