近年来电子商务飞速发展,作为其行业核心的物流已经不知不觉间在人们生活中扮演着不可或缺的角色,而配送中心是维系该系统能够正常运转的重要组成部分,起着承上启下的作用,科学有效地建立物流配送中心能大幅降低供应链成本,保障企业和相关用户双方共同的利益[1]。因此,物流配送中心选址对提高物流整体效率和效益具有十分重要的意义。对于汽车零部件集配中心选址问题,传统算法拥有众多的局限性,遗传算法利用计算机可以很好的计算出最优的选址策略,然而该算法尚处于起步阶段,很多参数还有待于进一步优化,以解决现实问题。传统遗传算法适用于解空间较小,解的数量有限且离散的情况。而对于解空间较大,解数量无限,解的分布为连续时,算法计算量大幅飙升的同时,更为不容易搜索出最优解。在解空间较大时,国内外众多学者提出了众多的改进策略,在借鉴了前人的研究成果的基础上,本文开展了以下研究:首先,对汽车零部件集配中心选址问题进行了分析和建模,用鲍摩-瓦尔夫法求解选址问题,通过案例分析,解析了中国北方某大型汽车制造厂五年的物流编组数据,建立了两种不同的数学模型,在备选的三个集配中心中选出一个或多个集配中心,利用遗传算法找到最佳的集配中心选址策略以确保供应链总成本最低。其次,本文介绍了传统的鲍摩法,然后针对鲍摩法难以找出最优解的缺陷,针对市场调查中实际遇到的汽车零部件集配中心选址问题,提出了货物不可拆分模型和货物可拆分模型。为了解决实际问题,提出了基于货物不可拆分模型解空间有限时的遗传算法。而对于货物可拆分模型,针对其解空间庞大的特点,引入惩罚函数,对遗传算法解空间的搜索进行了限制。在此基础上,本文针对汽车零部件集配中心选址这个具体问题,对该算法进行了一系列的改进,如改善初始种群,引入最优个体保送策略,陷入局部最优值时的变异跳出机制等,得到了较为满意的计算结果。但上述惩罚函数遗传算法依然不够理想,本文又提出了约束条件代入法,进一步限定了搜索空间,得到了满意的计算结果,同时,讨论了遗传算法众多参数如变异率,交叉率等在实际编程中的作用和如何选择这些参数才能得到更优的结果,提高编程和调试能力。最后,本文对两种遗传算法(不可拆分算法和可拆分算法)的试用条件、准确度、结果精确度等进行了比较分析,并对遗传算法在不同情况下的使用和改进进行了探讨,为今后的研究提供了详实的理论依据。