配送问题是物流学科的核心科学问题之一,是物流管理和服务的关键问题。随着市场竞争加剧、经济增长放缓,配送业务量和配送利润均呈现下降趋势,促使配送企业引进先进的车辆调度和配送管理的新技术,以提高企业运营效率,提高客户满意度,增强企业竞争力。动态车辆路径问题(Dynamic Vehicle Routing Problem,DVRP)是近十多年来一直受到关注的研究领域,在实际配送过程中,需求量、行程时间和服务时间等信息均有可能是不确定的。随着计算机技术和信息技术的发展,尝试在通过数据挖掘对动态信息进行优先预测的基础上,建立相应的车辆路径问题的数学模型。本文针对DVRP中常见的因素,分别对动态交通网络和动态需求的VRP进行研究。首先,通过对行程时间采集技术及手机时空数据结构的研究,设计了利用手机时空数据挖掘获取路网行程速度的方法,采用BP神经网络对路网行程速度进行预测,使用路网行程速度依赖函数对路网状态进行刻画。利用GY市4天的手机时空数据挖掘获得的数据进行模型训练得到预测的路网行程速度,实现路网行程速度依赖函数对路网状态的拟合,为后面的时变路网的路径优化问题研究奠定基础,同时为时变路网车辆行程速度的获取提供一种新的思路。其次,时变路网的最短路径问题是求解VRP问题的基础和关键,因此构建时变路网的最短路径模型,综合考虑路网的复杂程度和计算时间,使用改进A*算法实现两点之间的最短行程时间路径的求解。在GY市共有369个节点、549个路段的时变路网上,选取5对OD对获取在不同出发时刻下时变路网最短行程时间。由于实际的VRP问题需要大量计算两点之间的最短路径,高效的时变路网最短路径算法将为加快问题的计算速度提供良好的基础。再次,建立在路网性能不确定性条件下,即路网的路段行程速度是随时间变化的,各路段上的行程时间也相应地变化,带时间窗的时变路网的车辆路径优化模型。根据京东配送服务的基本情况,采用8个时段函数,使用30个粒子进行1000次迭代对33个站点的配送路线采用粒子群算法进行配送路径的优化求解。再对求解结果在不同需求总量下的路径优化效果从目标函数、使用的车辆数目、总配送时间以及单位成本进行分析和比较。最后,考虑配送站点需求量的不确定性和路网通行性能的不确定性,建立动态需求下时变路网车辆路径优化模型,通过行程速度依赖函数和时间分段预计需求量将未来的不确定性静态化处理,同时将粒子群算法的更新策略引入混合蛙跳算法中,采用改进混合蛙跳算法实现33个站点、需求在8个时间段动态变化条件下问题的求解。同时,研究不同未完成需求量单位惩罚成本下的优化效果,结果表明当单位惩罚成本越高时,模型趋向于满足更多的需求量来降低惩罚成本,需求量增加也导致配送车辆的增加。该模型与求解算法能够解决实际问题,指导企业运营提升工作效率。