城市物流服务于城市经济发展的需要,在城市发展建设过程中发挥着不可替代的重要作用,同时也有利于城市基础设施的进一步发展和完善。城市物流配送是物流企业将货物按照客户要求送到指定地点的业务过程,是城市物流活动的关键环节。在实际的城市物流配送过程中,要考虑配送车辆数最少、行驶的里程数最短以及配送的时间最短等,这是典型的车辆路径规划问题(VRP)。由于VRP是NP-Hard问题,VRP问题规模大,传统精确算法求解的计算量随着问题规模的增加而急剧增加,使用传统方法求解难以获得有效的最优路径。近年来,随着多目标优化算法的大量涌现,这类NP-Hard问题通过优化算法可以在短时间内获得收敛质量较高的可行解,极大地提高了求解效率。本文从多目标优化问题的角度出发,通过查阅文献资料,总结车辆路径优化问题的相关理论和基本模型,详细描述了城市物流配送系统的基本结构,并根据城市物流配送的特点分析构建满足多目标前提下的城市物流车辆路径问题数学模型;但在实际的城市物流配送过程中,车辆路径规划问题规模较大,对于大规模问题的求解需要收敛速度快且求解质量高的算法。针对此要求,对问题的求解算法进行了研究,提出基于决策变量交互识别的大规模多目标优化算法,通过识别决策变量的潜在交互结构并形成子组件,使其相互依赖性保持最小,减少适应度评价次数;同时在决策空间根据个体间角度来划分每个子组件的邻域范围,从而为每个子组件分配不同的邻域,提高解集的多样性。并使用多个大规模多目标优化问题算例,证明了算法的有效性。最后将算法运用于城市物流车辆路径规划问题中进行实例求解,验证了本文所提算法在求解大规模多目标问题上的可行性,为优化城市物流路线规划提供决策依据。