随着信息技术和互联网技术的普及、中国电子商务得到蓬勃发展并日益成熟，网络购物逐渐成了消费者的重要购物方式。与此同时，与网络购物紧密相联的快递行业呈现飞速发展，全国快递业务量持续快速增长，市场规模逐渐扩大。快递物流在电子商务体系中具有非常重要的地位，但中国的快递物流仍存在一系列的问题，服务水平不能满足电子商务的需要，成为网络购物用户差评的主要原因之一。主要体现在国内快递行业整体发展水平不高，监管技术手段不足，尤其是快递运输网络布局不合理，运输配送时间不能满足客户的要求。　　一方面快递货运需求地域空间分布不均衡，物流方向相对集中统一、快递网络两极分化，快递公司进出件的业务量不平衡，直接导致部分中转网点快件积压严重，快递主干网络负载不均衡，部分主干线运力过载而其他主干线空闲造成部分中转网点快件积压。此外，快递配送不同于普通物流配送，要求提供送货上门的服务，而且对配送的时效性要求高。快递“最后一公里”配送直接与终端客户打交道，是影响客户满意度的至关重要环节。在“最后一公里”配送过程中，快递员在完成派件的同时还需要完成取件，如何在最少成本基础上，满足客户送件、取件需求，提高配送时效是快递公司急需解决的问题。　　鉴于此，本文对快递物流运输与配送的关键性问题进行了研究，试图解决快递运输和配送中的主要问题。论文围绕快递运输主干网络设计与“最后一公里”配送路径规划展开研究，灵活运用运筹学建模和智能优化算法解决快递物流公司在运输和配送中的关键问题，是基础研究与应用研究的结合，论文为运筹学建模和智能优化算法在快递物流中的应用作出了有益的尝试。　　本学位论文从实际调研中发现快递物流运输和配送中的主要问题，主要从两方面展开研究试图解决快递运输和配送中的主要问题。　　1)设计基于拥堵控制的快递运输主干网络，有效解决网络空间需求不均衡、运输网络拥堵和“快递爆仓”等问题。　　2)以最小化配送成本、最快配送时效和快递员配送任务均衡为目标，满足客户服务时间窗要求的基础上进行配送路径优化，提高快递配送“最后一公里”服务质量和配送时效。　　以上问题可以归结为轴辐式网络设计和车辆路径问题的科学问题，它们都属于NP难组合优化问题，具有规模大，约束复杂等特征，问题的求解富有挑战性，成为学术研究的又一难点和热点。本文采用最优化建模与智能优化相结合的方法求解上述两问题，分别采用IGALS算法和CO_GAFSA算法对模型求解。本学位论文的主要工作如下:　　1)提出具有拥堵控制的快递轴辐式运输主干网络规划模型。根据快递运输主干网的设计特性，建立具有拥堵控制，同时考虑OD货运流配送时间限制的轴辐式快递运输主干网设计数学模型，通过实验比较引入拥堵控制前后各枢纽点的利用率方差来评价其拥堵控制效果。　　2)配送时效是影响快递服务质量的关键因素，论文以最快配送时效、最小化配送成本为主要目标，考虑客户服务时间窗的个性化需求，研究快递配送车辆路径的优化。论文为快递公司提供两种配送模式下的车辆路径优化方案，分别研究了派件和取件任务分离的带时间窗车辆路径优化问题，以及将派件取件任务协同考虑的带时间窗同时送取件车辆路径优化问题。　　3)提出了一种组合优化版本改进全局人工鱼群算法(CO_GAFSA)。算法加入了全局最优信息以引导人工鱼向更优的位置和状态演化，并增加了跳跃和吞食行为。论文采用小规模算例与CPLEX软件运行结果比较，标准算例与最新启发式算法P-SA(Wang等，2015)运行结果比较，验证了CO_GAFSA算法的正确性和有效性。论文将CO_GAFSA算法分别用于求解快递轴辐式运输主干网络设计问题以及带时间窗的同时送取货车辆路径规划问题（VRPSPDTW），充分验证算法的有效性和适用性。　　4)针对问题优化目标的特殊性和经典遗传算法的缺陷，设计了IGALS算法。经典遗传算法收敛速度比较慢，为改善这一缺陷，借鉴精英保留策略，设计了一种新的交叉算子，该算子采用段交叉算子与点交叉算子结合，加快算法收敛速度;提出路段允许延迟时间概念，以此为依据使用局部搜索策略进一步提高解的质量，克服遗传算法早熟的缺点。通过Solomon标准算例测试验证了IGALS算法的有效性，与经典遗传算法相比，具有更好的全局寻优能力。论文分别用CO_GAFSA和IGALS算法求解VRPSPDTW问题模型，对两算法的寻优性能进行比较，实验结果显示IGALS算法可广泛用于带时间窗的调度问题，能够缩短等待时间，提高时效。而CO_GAFSA在其他优化目标上表现出了良好的寻优性能，其优化效果整体优于IGALS算法，在算法选取时可根据具体优化目标做出选择。　　综上所述，论文针对快递物流的关键性问题，围绕快递运输主干网规划和“最后一公里”配送问题展开创新性研究工作。论文使用科学的优化方法将问题建立数学模型，借鉴轴辐式网络理论、车辆路径规划理论并采用IGALS算法和CO_GAFSA算法求解。本论文的研究促进了智能优化算法与快递物流问题的融合，是智能优化算法在快递物流应用的一次有益尝试，对后续相关研究具有重要的参考价值。