近年来,全球不断发生各种自然灾害,尤其是频繁发生大规模自然灾害,由此带来了巨大的人员伤亡和经济损失。应急物资是应急救援的物质基础,为了确保应急救援活动的顺利进行,相关职能部门必须快速制定有效且合理的应急物资调度方案,为受灾点提供应急救援物资,满足受灾点的物资需求,这样才能较大程度地提高应急救援的效果。因此,如何构建科学、有效的应急物资调度模型来快速、高效、经济地保障物资调配将成为应急调度的关键问题。应急物资调度问题往往具有多个相互制约的目标,是典型的多目标优化问题,但以往解决多目标优化问题时,采用简单的线性加权方式,将多目标问题转化为单目标问题,这样很难反映出多目标问题的实质与特点,所以本文在求解过程中不引入偏好,同等的考虑模型中的求解目标,能够获得一组Pareto最优解集,有利于应急物资调度决策者根据应急物资调度的实际需求选择不同的应急物资调度方案,并从多目标优化角度对应急物资调度问题的模型和算法进行研究。本文主要内容如下:首先,根据实际大规模自然灾害发生时的特点,建立了非线性连续供给与消耗应急物资调度模型,为更加贴近实际,在前人研究的基础上,将一层出救点模型转化为双层出救点模型,根据判断分配中心实时库存量与其临界库存量的关系,实现双层出救点之间的联动,同时为解决多受灾点、多出救点、多层级的应急物资调度模型中多受灾点物资竞争和费用偏高问题,根据受灾点消耗曲线将整个救援过程划分为多个阶段,然后以物资调度总费用最小化和整体最早反应时间最小为优化目标,构建了非线性连续供给与消耗双层应急物资调度模型。然后,针对多目标、多层级之间联动的应急物资调度模型的特点,在标准人工蜂群算法(ABC)的基础上,提出了一种与广泛学习策略和反向学习策略相结合的多目标人工蜂群算法(MOABC),对基于Pareto最优解的多目标问题进行求解,在标准反向学习策略的基础上重新定义反向数,并根据新解所产生的随机数大小进行选择学习,使算法的收敛速度和求解精度上有了很大的提高。最后,根据不同规模大小的应急调度模型进行仿真实验,通过MOABC算法与标准ABC算法的对比,仿真结果表明,该模型与算法在实现整体反应时间与应急物资调度费用两个目标优化的同时,获得了一组Pareto最优解集。并对反向学习概率、广泛学习概率和种群取值对实验结果的影响的分析、讨论,同时分析了 Pareto前沿解集中解的个数与解的均匀性测度,验证了上述模型的合理性与算法的有效性。