在过去几年中,特别是在应对环境保护的回收问题时,带回程取货的车辆路径问题(Vehicle Routing Problem with Backhauls,VRPB)引起了很多关注。回程带货的出现,不仅使物流运输的成本降低,也使社会资源得到了充分的利用。在实际问题中,企业为了提高服务质量,会满足客户要求特定的服务时间,由于服务时间的减少,会使物流运输的效率提升,进而更加节省成本。因此本文研究的是带回程取货的车辆路径问题(VRPB)和考虑时间窗约束的带回程取货的车辆路径问题(Vehicle Routing Problem with Backhauls,with Time Windows,VRPBTW),其主要内容概括如下:第一:构建模型。在传统的物流配送模式中引入了预售模式的理念,预售模式是在数据预处理阶段,在短时间内快速聚集单个分散的客户需求订单,使订单更加集中,在设计配送方案时,能够避免更多的重复劳动,达到节约资源的目的,不仅有利于可持续发展,也能降低物流成本。在此基础上,分别建立了最小化车辆行驶成本与车辆固定成本之和的单目标函数、以及最小化车辆总行驶成本与时间惩罚总成本之和的单目标模型,考虑到时间成本和顾客服务满意度,本文建立了带有软时间窗约束的模型。第二:算法设计。本文采用k-均值聚类算法(k-means)和禁忌搜索算法(Tabu Search Algorithm,TS)的混合启发式算法来进行求解。禁忌搜索算法的原理是从一个初始可行解出发,通过禁忌及特赦准则来对全局最优解及当前最优解进行改进,从而达到求出满意可行解的目的,禁忌搜索算法対初始解有一定的依赖性,一个高质量的初始解能够在解空间中找到一个最终的高质量的解决方案,提升禁忌搜索算法的收敛速度,所以本文采用k-means算法得到了有效的初始解。通过遗传算法(Genetic Algorithm,GA)和禁忌搜索算法所求的解相比,证明禁忌搜索算法具有简单、易行、改进效率高的特点,因此选择该算法进行模型求解。第三:仿真实验。给出相关的数据案例,根据建立的数学模型以及设计的算法,通过Python软件编程,获的高质量的解决方案,给出较好的运输路线方案,并由实验结果可知,算法运行效率较好;在此基础上,分析不同参数的设置,如迭代次数、聚类中心、禁忌表长度等,选择合适的参数值对算法和模型进行验证,仿真结果表明算法的可行性与高效性,能够减少更多的车辆运输成本和时间成本。