随着科学技术的发展,物流的专业水平不断提高,客户对于服务质量和实效性的要求越来越高,越来越多的企业将物流作为提高市场竞争力与核心竞争水平的一个重要手段。随着时间的变化,车辆调度问题中会出现客户需求的变化,新客户的增加,原有客户的减少,原有客户需求的修改等多种动态事件。这就需要制定实时的调度方案,设计合适的算法,从而使系统目标更优。物流配送中的车辆调度问题属于典型的NP-hard问题,一般的精确算法求解动态车辆调度问题时难度较为复杂,当前,智能优化算法越来越受到各界学者的关注与青睐。Memetic算法是进化算法和某些局域搜索算法的灵活结合体。主要结构是由进化模块和局部搜索模块组成,这也是Memetic算法的核心组成部分。Memetic算法提出的是一种灵活的框架,可根据不同的问题模型,选择合适的搜索策略,从而构成不同的Memetic算法。由于它有很好的自适应能力、灵活性、高效性、可移植性等特点,近些年来得到了广泛的关注和发展,成功的应用于各个领域,并取得了很好的效果。鉴于此算法有很大的发展空间,所以论文采用此算法针对动态车辆调度问题的三个不同问题模型,进行了改进,并分别采用改进的算法进行仿真来验证算法的有效性。论文的工作内容主要包括以下几部分:首先,对于带容量约束的动态车辆调度问题(Capacitated Dynamic Vehicle Routing Problem,DVRP),构造了两阶段的数学模型。根据模型特点,设计了一种用于最小化运输总费用的Memetic算法。所采用Memetic算法的全局搜索为改进量子遗传算法,局部搜索为2-opt法和swap法。其次,对于多车型动态车辆调度问题(Heterogenous Fleet Dynamic Vehicle Rounting Problem,HFDVRP),将最小车辆数和最少运输费用作为优化目标,并将问题分为两个阶段来进行求解。针对其模型特点,设计了一种新的Memetic算法。该算法中全局搜索的第一个阶段采用改进分布估计算法,第二个阶段采用改进量子遗传算法。局部搜索采用客户节点重置和2-opt法。通过两个仿真实验来表明所提算法的有效性和优越性。最后,针对有客户需求和时间窗变化的动态需求车辆调度问题,采用了一种基于Memetic算法的干扰管理的扰动恢复策略,所选用Memetic算法在上一部分改进分布估计算法基础上,根据问题模型特点,将车辆的时间窗因素引入采样概率选择函数中,最后通过仿真实验来验证了算法的有效性。