循环取货是广泛应用于汽车零部件入厂物流的一种物流策略,该策略能确保车辆准时完成小批量、高频次的取送货。随着精益生产思想的发展,循环取货在第三方物流公司、汽车制造企业以及其他制造业领域都具有较大的应用需求。具有小批量、高频次特点的物流配送路径优化仍处于探索发展阶段,许多学者对该问题的研究忽略了一些实际约束,导致循环取货模式在实际应用中并未取得预期的成果,循环取货车辆路径规划算法依然无法解决车辆装载率低、物流成本高的问题。目前大多数学者对循环取货的研究都集中于车辆路径规划,而对车辆数的预测问题却很少研究。车辆数的需求预测仍是依赖人工经验进行预测,无法匹配高信息化水平的循环取货车辆路径规划。本文研究的循环取货车辆路径优化可以归约为一个NP难题,对该问题的研究不仅可以为组合优化问题提供理论基础建设,还能将理论研究成果应用于实际生活;同时对车辆数预测系统的设计和实现也能弥补当前循环取货调度系统较少的不足。针对当前物流配送仍存在车辆装载率低、物流成本居高不下的实际情况,本文引入物流配送中实际存在的多订单配送约束,对基于多订单约束的循环取货车辆路径问题进行研究。为解决该路径优化问题,本文提出了基于邻域搜索的双层搜索算法。该算法引入双层搜索结构,在内层对当前解进行大邻域搜索,并行运行三种大邻域搜索算子对当前路线进行优化,后将搜索到的解传递给外层进行小邻域搜索,最终通过内外两层不断迭代搜索获得近似最优解甚至最优解。本文分别在56组客户数为100的pdp标准数据集和改进的mopdp数据集上对本文算法、1D_LNS算法进行对比。第一组对比实验结果表明本文算法适用于多种地点分布的车辆路径规划场景,具有较强的最优值求解能力。第二组对比实验结果显示本文算法在mopdp数据集上的效果优于1D_LNS,表明本文算法在求解批量较小、频次较高的多订单方面有较好的表现,体现出循环取货在求解小批量、多频次的物流配送问题上的优越性。针对循环取货的车辆调度问题研究较少的情况,本文对循环取货前期的车辆准备问题进行了探索。本文设计并实现了一个基于LSTM算法的车辆数预测系统,该系统结合数据库、Python和Web等技术分别实现了数据管理和维护功能、后台预测模型训练功能以及相应的界面操作功能。该系统的目标是为用户提供车辆需求预测服务和预测准确率监控服务。