周期性车辆路径问题（Periodic Vehicle Routing Problem,PVRP）是传统车辆路径问题的一个重要拓展,主要是为了满足客户多次配送服务的要求,优化配送周期内的客户组合和配送路径。目前,环境与能源问题的日益严峻,每个国家对环保的要求越来越严格。因此,考虑燃油消耗和碳排放等因素的绿色周期性车辆路径问题（Green Periodic Vehicle Routing Problem,GPVRP）具有十分重要的理论价值与现实意义。本文对复杂绿色周期性车辆路径问题以及解决相关问题的求解方法进行研究,主要内容如下:（1）在经典PVRP问题的基础上,进一步考虑绿色能耗指标,并选用综合油耗计算模型,建立以最小化总费用为优化目标的GPVRP数学模型。同时,提出一种混合蚁群算法（Hybrid Ant Colony Optimization,HACO）进行求解,为提升算法的搜索效率,HACO在信息素更新阶段引入挥发因子的自适应更新策略,且融合了变邻域局部搜索。最后,仿真分析证实了HACO是求解GPVRP的有效算法。（2）在GPVRP的基础上,进一步考虑时间窗的约束,建立多目标带时间窗的绿色周期性车辆路径问题（Green Periodic Vehicle Routing Problem with Time Windows,GPVRPTW）数学模型,以同时最小化总运输时间和总费用为优化目标,并提出改进蚁群算法（Improved Ant Colony Optimization,IACO）进行求解。首先,IACO采用三维概率矩阵记录不同配送日期的车辆路径子问题的优质解信息,并设计基于信息熵（Information Entropy,IE）的信息素更新机制进行合理地学习和积累,从而增强算法全局搜索的引导性。其次,为了让IACO更深入地搜索解空间,在局部搜索部分加入包括5种邻域操作的变邻域搜索（Variable Neighborhood Search,VNS）。最后,各种规模算例的仿真实验下,证明了IACO的有效性。（3）在GPVRPTW的基础上,进一步考虑多车场约束,建立多目标带时间窗的绿色多车场周期性车辆路径问题（Green Multi-Depot Periodic Vehicle Routing Problem,GMDPVRP）数学模型,以同时最小化总运输时间和总费用为优化目标,并提出一种结合聚类分解策略的改进蚁群算法（Improved Ant Colony Optimization combined with Clustering Decomposition,IACO＿CD）进行求解。首先,IACO＿CD采用二进制编码解码规则与改进K-means聚类方法将GMDPVRP分解为一系列GVRPTWs子问题,可较好实现问题的分解优化。其次,提出IACO＿CD对各个GVRPTW子问题进行求解,进而获得原问题的解。IACO＿CD设计分目标方法与模拟退火机制控制Pareto解集的更新,并运用莱维飞行公式动态控制挥发因子,从而使信息素自适应更新以增强算法全局搜索能力。局部搜索阶段,设计了融合5种邻域操作的三阶段变邻域搜索。最后,算法仿真与实验分析验证了IACO＿CD的可靠性。