随着经济的快速发展,人们对物流的需求日益增长。导致收货方的分布更加分散,并且多数收货方货量较少,单个收货方的货量难以达到整车运输所需要的量。物流企业如何通过甩箱运输和科学的路径优化,降本提效,为客户提供更好的服务和用户体验,是物流企业急需解决的问题之一。H公司作为物流企业,甩箱运输业务是它的主要业务之一。由于甩箱运输货量统计存在时滞性,为了优化H公司内埠倒运站点与分拨中心之间的甩箱运输路径。本文先找出合适的预测方式,对H公司的各站点货量进行预测。再以各站点的货量预测值作为路径优化模型的初始值,进行运输路径规划,进而得到初始的运输方案。最后,根据各站点的实际货量对初始运输方案进行动态调整,从而达成H公司整体运输路径最短的目标。由于甩箱运输货量的统计单位为箱,为了尽可能缩小向上取整求和导致的累加误差,本文提出了一种各站点货量的两段式预测模型。第一阶段:总货量预测模型。为了找到拟合效果相对更好的拟合方式对总货量进行预测。本文从21个站点中随机抽取2个站点作为样本,对这2个样本分别都采用了:一阶线性拟合,二阶线性拟合以及BP神经网络滚动预测3种方式进行预测,通过对比3种方式的拟合优度,得出BP神经网络滚动预测为相对更好的预测方式。因此,采用该方式对21个站点的总货量进行了预测。第二阶段,基于0-1背包的各站点货量预测模型。将各站点视为物品,各站点11天的货量在所有站点11天总货量中的占比系数视为物品的价值系数,各站点货量单天最大值在所有站点最大值总和中的占比系数视为物品的体积系数。以0-1背包的方式将总货量预测值分配到各站点,从而得到各站点货量预测值。本文将H公司运输路径优化问题转为CVRP问题,并提出了一种改进SA算法求解此问题。将生成新解的方式设置为通过轮盘规则来选择用互换,逆序,和随机插入三种方式之一来产生新解,对H公司的甩箱运输路径进行了优化。最后,本文给出了H公司甩箱运输优化的相关建议。