在车辆调度中常见的目标为运费最小，所花费的时间最短，完成任务的车辆数量最小等。以总运费来探讨，其目标函数为：

                           (1-2)

式中 从起点 到终点 每辆车单位所用的费用， 为从起点 到终点 每辆车的载数量， 、 为起点和终点的数量。

   （3）约束条件及其处理

在平常的生活中总会遇到一系列的优化问题，由于这些问题一般情况下都含有一些约束，这些约束也有它们本身的表达方式，而研究人员就要首先考虑如何解决这些约束条件。本文运用遗传算法就这些约束条件进行处理，不过截至目前为止还没有找到一种方法来解决优化问题中的所有约束条件，所以在解决约束问题时，就需要考虑问题本身的情况及其使用遗传算法时的运行效果，从而来选择不同的解决方法。经过科研人员的慢慢探索从而出现了三种惯用的方法来处理约束：

搜索空间限定法

其主要是对遗传算法的搜索空间加以限制，让搜索空间中表示一个个体的点与解空间中表示一个可行解的点有一一对应的关系，其示意图如下1-2可知

使用搜索空间限定法虽然能够提高遗传算法的搜索效率，不过需要注意的是在保证经过交叉、变异的作用下产生的新个体也必须有对应的解而不会产生无效解。

可行解变换法

其处理方法为寻找出一种个体基因型和个体表现型之间的多对一的变换关系，让其进化过程中所产生的个体通过一系列的变换而转化成解空间的一个可行解。这种处理方法会使得遗传算法的运行效率下降。其示意图如下1-3所示来*自-优=尔,论:文+网www.youerw.com

罚函数法

其处理方法是当在计算解空间中没有对用的可行解的个体的适应度时，处以一个罚函数，降低该个体的适应度，使其在遗传到下一代群体中的机率大大降低。可从下面的公式中对适应度进行调整：

在此式中， 为原适应度， 是罚函数以后的适应度， 为罚函数

用罚函数的难点在于既要考虑度量解对约束条件的不满足程度，又要考虑遗传算法在计算效率上的要求。