车辆路径问题（Vehicle Routing Problem,VRP）是一个离散型的组合优化问题,同时也是一个著名的NP-Hard问题,它在城市交通和物流配送管理等实际问题中应用十分广泛。本文提出了一个两阶段混合进化算法（TSHEA）来优化三目标带时间窗的车辆路径问题（VRPTW）。TSHEA的两阶段计算模型分为获取分类种群阶段和多目标搜索阶段。首先,在第一阶段通过改进的和声搜索算法获取分类种群的下界,通过带精英策略的非支配排序遗传算法（NSGA-Ⅱ）获取分类种群的上界。然后,在第二阶段,采用改进的NSGA-Ⅱ逐步优化第一阶段获取的分类种群。本文在优化带时间窗的车辆路径问题时,主要研究如下:（1）针对三目标带时间窗的车辆路径问题的特点和车辆数可穷举的特性。TSHEA采用了基于车辆数分类的种群结构并将NSGA-Ⅱ中的拥挤度的计算方法进行了扩展。此外,考虑到更高维目标优化问题带来的时间复杂度上的增长,本文采用的两阶段的计算框架的优势在于保证得到近似最优解的前提下使得多目标优化问题被降维,从而提高计算效率。（2）在TSHEA的两阶段计算模型中,采用改进的和声搜索算法和NSGAII混合的策略。在求解三目标带时间窗的车辆路径问题的不同阶段采用不同的算法,充分发挥了改进的和声搜索算法在求解车辆数目标和NSGA-Ⅱ求解双目标带时间窗的车辆路径问题的优势。本文采用Solomon测试集进行仿真实验,实验分为两部分:第一部分通过实验对比表明改进的和声搜索算法在第一阶段的表现能力,特别是在求解车辆数这一目标上的能力;第二部分从三个不同的评价指标来验证最优解的表现性能,实验结果表明,TSHEA优化三目标VRPTW时,所得到的最优解集的前沿面在逼近性,分布性和延展性上具有明显优势。