随着我国经济的高速发展,物流业已经成为了我国国民经济的重要产业。其中,物流车辆的路径优化是整个物流优化系统中至关重要的一部分。合理地规划物流车辆行驶路线能够降低物流企业的运营成本,提高物流企业的经济效益。蚁群算法是由M.Dorigo等人提出的一类新生智能优化算法。自提出以来便受到了人们的广泛关注,在发现其存在一定的缺陷后提出了一些改进性的措施,改进后算法的性能与原算法相比有一定的提高,但或多或少仍会出现收敛速度慢、易陷入局部最优的问题。本文研究的主题在于提出一类混合的蚁群算法,使其能够快速、有效地求解带容量约束的车辆路径问题(Capacitated Vehicle Routing Problem,CVRP)。本文的研究工作主要包括以下几个方面：(1)通过对车辆路径问题以及蚁群算法的学习,简单地介绍了车辆路径问题的研究背景以及解决该问题的一些方法,并以第三方物流配送中心的角度构建了CVRP的数学模型。(2)在对蚁群算法进行改进的过程中,首先集成了节约法的思想,在蚁群算法的状态转移公式中引入节约因子并以此来提高蚂蚁的搜索效率。然后通过对MASS算法的分析及实验的测试,给出了一种新的信息素更新方式,与MMAS算法相比,这种更新方式能够扩大信息素的更新范围,降低“早熟”现象发生的概率。(3)利用2-opt法对路径进行支路部分的改善,并以此来提高解的整体质量。同时将遗传算法中的操作加入到蚁群算法的迭代过程中,解决了蚁群算法迭代前期收敛速度慢的问题。(4)给出了整个算法的流程并选取solomon’s instances中的案例进行了仿真测试,测试结果验证了该算法的有效性。本文提出的混合算法,为求解带容量约束的车辆路径问题提供了一种新的工具,能够有效地提高物流配送的效率,对电子商务和物流配送发展有一定的理论意义与应用价值。