当今社会,从生产调度到经济分析再到生物医药,这些领域无不存在大量需要解决的优化问题。尤其是电子商务行业的兴起,现代物流业迎来了发展的高峰期,而物流配送作为其中最关键的一环,它的速度快慢直接影响客户对物流公司的服务评价。车辆路径优化问题是物流运输这一环节极其重要的内容,目前主要是通过群智能优化算法对其进行优化。人工蜂群算法作为一种极具发展前景的仿生算法,具有控制参数少、鲁棒性强和易于实现等优点,已被成功应用于组合优化、无线传感网路和图像处理等领域。但是,它仍存在局部开发能力较差、收敛速度较慢和寻优精度不高的缺点。为了进一步提高人工蜂群算法的性能,本文针对算法中存在的上述问题,分别从算法改进和应用两个方面进行了研究分析。在算法改进方面,我们把差分进化和高斯变异的思想引入到搜索策略中,设计了一种基于当前最优解的混合变异的人工蜂群算法。该算法中跟随蜂采用差分进化的搜索策略,通过引入差分变异因子实现在迭代初期进行全局搜索,以增加解的多样性,在迭代后期进行局部搜索,来加快算法的收敛速度;侦查蜂采用高斯变异的侦查策略,借助高斯变异算子对局部最优解进行扰动,使侦查蜂跳出局部最优值,然后在当前最优解附近生成一个新解,通过变异来丰富种群的多样性,并在当前最优解地引导下有效的提高了算法的收敛速度,避免其陷入局部最优值。基于6种典型测试函数的仿真实验结果表明,基于混合变异的人工蜂群算法在收敛速度和寻优精度方面都优于其他的人工蜂群算法。在算法应用方面,本文将改进后的人工蜂群算法应用到了物流配送车辆的路径优化问题中。我们首先对算法进行了离散化处理,然后利用贪心策略生成问题的初始解,再设计了3种候选解的生成策略并加以组合,扩大了邻域的搜索范围,同时,将遗传算法中交叉思想引入到了侦查策略中,通过2种交叉方式改善了侦查蜂的侦查性能,最后用两个不同规模的实例对改进后的算法做了性能验证,实验结果表明,与其他进化算法相比,本文的算法在求解车辆路径优化问题上较为有效。