随着国家经济的快速发展和生活水平的提高,人们对产品品质和物流配送速度的要求越来越严格,这对物流运输行业提出了更高要求。为进一步扩大业务,更快速、及时地满足不同客户的各种需求,越来越多的企业建立了多个物流配送中心,并应用多种车型来对各种不同类型的货物进行配送服务。同时,随着当今世界各地政府部门对绿色环保的要求提高,物流运输行业特别是公路运输中的节能减排引起人们的重视。本文对具有多个配送中心、多种车型配送的物流车辆路径优化问题进行了研究。本文主要工作如下:（1）构建考虑碳排放的单目标车辆路径优化模型。通过对多车场多车型车辆路径问题的总成本构成,可以分为三个部分:固定成本、绿色成本和时间惩罚成本,以这三者之和最小为目的,在模型中进行了对碳排放量的测算和利用碳税实现碳成本的计算。模型还考虑了时间窗的约束条件,在对客户进行配送时,车辆如果没有在客户规定的时间内到达,机动车早到或者机动车晚到都会产生相应的惩罚,并结合客户权重计算时间窗惩罚费用,从而构建了以总成本最小为目标函数的考虑碳排放的、带时间窗的多车场多车型车辆路径问题模型。（2）提出并行基因表达式编程（Parallel Gene Expression Programming,PGEP）算法对模型进行求解。PGEP在基因表达式编程（Gene Expression Programming,GEP）的基础上,设计了并行计算和分布式学习机制,为了增加种群的多样性,避免种群过早陷入局部最优,还设计了基于渗透理论的迁移机制。（3）通过实例数据的仿真实验,验证PGEP算法的有效性。根据获取的相关配送数据,对数据进行了补充和扩展,做了以下几个对比实验:1)PGEP与单循环结构综合学习细菌觅食优化算法（Single loop structure comprehensive learning bacterial foraging optimization algorithm,SRCLBFO）的比较,实验结果表明,PGEP得到的调度方案优于SRCLBFO;2)PGEP与GEP的对比实验验证了本文提出的并行计算模式以及迁移机制是有效的,加快了求解速度与改善了求解结果的质量;3)离线训练、在线决策模式的PGEP与直接求解模式的PGEP比较,发现直接求解模式的结果优于离线模式的结果,并进行了分析。