配送环节中车辆调度是极其重要的一环[2]，也在电子商务中拥有不可或缺的地位。对车辆调度进行合理的分配，可以降低了运输成本，从而提高物流公司经济效益。

1。2车辆调度的研究成果及发展

在面对车辆调度时不少人会与车辆路径相混淆，其实这两者是相互包含的关系，在研究车辆调度问题的最优化时，相当于在研究车辆路径的问题，至少目前国内外在研究车辆调度时基本都在研究车辆的路径。

1959年，Dantzig和Ramer[3]首次创立车辆调度问题的模型，表明了车辆调度问题的首次提出。随着研究的更加深入出现了各式的算法，从而使车辆调度问题得到更加完善的解决。现在，该问题也逐渐发展到其他方面，比如航空乘务员之间的换班制度，轮船经过各个港口的时货物的最优化设计。目前国内的车辆调度问题的研究处于初步阶段，学者们通过启发式算法、遗传算法、粒子群算法等不同的算法得到车辆调度的最优化，虽然算法不同不过最后问题殊途同归。对于说国内的研究还在初步有是其一定的原因，因为其研究问题都是确定性的且手段比较单一，很少有学者将各式算法综合起来对车辆调度进行研究，该领域的研究人员所研究的范围相对于物流行业的发展的需求还远远不行。

车辆调度在研究领域还是属于一个NP难题，不少学者针对这个问题做了多种解决方法[4]，如：

（1）遗传算法和模糊数学的结合

这种算法的相结合可以有效地提高运行效率，大大低节省了RAM。它可以解决目标多样的研究问题，因为它的每一个个体都能够解决且表达多种信息出来。在研究的领域还有其不确定的因素比如客户是否满意，交通是否顺畅等，这些无法控制的因素正好运用模糊数学的计算。

（2）蚁群算法和模糊数学的结合

运用自然界中蚂蚁在觅食时通过的不同路径优化从而得出的蚁群算法。由此可以知道蚁群算法比较适合于分布广的计算问题。同上由于一些不确定的因素采用模糊数学的方式相结合。

1。3车辆调度研究方法

本文主要运用遗传算法对车辆调度进行研究，遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型。经过对当前群体添加一系列的操作，比如选择、交叉、变异，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态。其有以下几步：文献综述

   （1）染色体编码方法

遗传算法最基本的都是使用二进制来表示群体中的单个体，它的等位基因是由二进制符号集 所组合而成的。举个例可知染色体的长度是 那么其公式可写为：

               (1-1)

其中 代表此次的任务是第 项，从公式中可以看出0相当于一个车场，从车场先出发，经过各项任务如 ,   等再回到车场，将此过程作为路径1。然后再从车场出发经过 …等再回到车场，将此过程作为路径2。以此循环下去直到完成了所有任务为止。在路径中任意两项的任务相交换代表路径的改变，同时它的函数目标也相应的改变。便于下面计算时函数目标变小，从而达到最佳路径。

自设定随机产生 个城市的排列，将车场穿插其中，从而形成染色体。以此循环往复直到条件满足群体数（一般20以上）。

   （2）个体适应度的评价

在原始群体的基础上产生新一代的群体，那么需要在原始群体中看个体本身的适应度的大小，从而能够确定原始群体中的个体遗传到下一代的机率，两者之间的关系成一个正比。由此可知个体的适应度越大，其遗传到下一代的概率就越大；反之其遗传的概率就越小。通过上述所描述的情况可以选择比例选择算子，并且需要知道的是其中的个体适应度必须要大于或等于零，不可出现小于零。