随着气候变暖，环境问题对于人类的影响越发严重，发展“低碳经济”成为大势所趋。物流行业作为二氧化碳排放大户，产生的二氧化碳占人类活动的5%，其中车辆运输配送过程产生的二氧化碳占总量的87%。所以研究配送中心选址、车辆运输配送路径的优化问题，不仅对节能减排具有重要意义，而且对于物流企业提升自身效益也具有重要价值。
　　本文以物流配送选址-路径问题（Location-RoutingProblem，LRP）为研究对象，综合考虑配送中心选址、配送成本以及低碳等各个因素，构建了低碳物流配送选址-路径问题的数学模型，并采用了基于改进高层策略的超启发算法对模型进行优化求解，取得了满意的结果。
　　本文主要工作如下：
　　（1）构建了低碳物流配送选址-路径问题的数学模型。在分析LRP基本理论的基础上，结合配送中心选址、车辆运输配送和低碳等因素，综合考虑配送中心开放成本、运输过程中的成本和碳排放量，构建了成本最小化、碳排放量最小化的低碳LRP模型。
　　（2）提出了基于粒子群优化的选择式超启发算法，并用于求解单目标低碳物流配送选址-路径优化问题。将基本粒子群算法与超启发算法的选择策略相结合，综合考虑算子改进解的性能和未被选择的时间来选择算子；并引入自适应参数，前期注重优化效果，主要考虑算子性能，后期注重解的多样性，主要考虑算子未被选择的时间。通过以最小化碳排放量为目标，求解LRP问题算例，测试了所提选择策略与不同接受准则组合的算法性能，结果表明所提选择策略与最优值接受准则组合具有一定优势；然后将最优组合与粒子群算法进行对比，实验显示基于粒子群优化的超启发算法在寻优能力和收敛性上与粒子群算法相比具有一定的优势。
　　（3）提出了基于全局边缘排序的选择式超启发算法，并用于求解多目标低碳物流配送选址-路径优化问题。在超启发算法的接受准则中引入了全局边缘排序机制，进行多目标问题的求解。全局边缘排序是一种基于排名的新型主导机制，简化并加速了优势关系评估的过程，解决了基于帕累托主导框架的传统多目标算法排序效率较低的问题。全局边缘排序机制使用整个种群中所有个体的全局信息，其中不仅包含每个个体的信息，而且还考虑了种群分布情况，优化了算法性能。通过以最小化综合成本和最小化碳排放量为目标，求解多目标LRP问题算例，进行对比实验测试了算法性能，结果表明改进算法在求得解的质量、解的分布性等方面与NSGA-II算法和基于RC-GDA策略的超启发算法相比具有一定优势。
　　（4）使用基于全局边缘排序的选择式超启发算法、NSGA-II算法和RC-GDA超启发算法分别优化求解最小化综合成本和最小化碳排放量为目标的长江三角洲区域低碳物流配送选址-路径问题。实验仿真结果表明所提算法在实际应用中，求得配送方案与配送路线均优于其他算法。