近年来,随着科技水平的不断进步,冷链产业也飞速的发展,从上世纪90年代开始,冷链物流就已经进入我国,冷链食品成为人民在日常生活中的一部分,而随着冷链物流行业的发展,其本身也产生了一些需要解决的问题,一方面,冷链食品自身具有易腐性,其品质会随着时间的推移而逐渐下降,因此在物流过程中,如何能够快速有效的将产品送往销售点或客户的手中成为需要思考的问题。另一方面,冷链物流运输的过程中,由于需要用到众多制冷设备,会产生大量的消耗,自身碳排放会大量增加,设备的能源消耗也产生了大量的成本。这些问题困扰着冷链物流工作的有序进行在物流管理的过程中,物流配送问题是运输货物的过程中必须面对的问题,对于冷链物流配送这一问题来说,要想在运输过程中降低成本,提高收益,在合理规划路线的同时,也要根据实际情况考虑多方面的因素。蚁群算法作为常用的启发式算法之一,经常用于解决旅行商问题或车辆路径规划问题,并能够取得不错的效果,但其算法本身在前期具有一定的盲目性,导致收敛速度过慢,后期容易陷入局部最优解的问题。故针对这些问题,需要进行相应的优化和改进。针对以上问题本文的研究工作和创造性成果总结如下:本文首先结合冷链物流配送问题的实际情况,考虑到配送过程中的各项成本指标,针对于企业进行冷链物流配送这一问题构建相应的模型,并且在目标函数中考虑多个维度,即本身的运输固定成本,制冷所产生的成本,碳排放成本等。据此建立相应的模型来进行车辆路径问题的求解。在此基础上,对蚁群算法自身从两方面进行优化,一方面结合遗传算法本身的优点,实现遗传算法和蚁群算法的优势互补,另一方面纳入自适应邻域搜索机制进行优化,从而提高算法收敛速度和求解精度,解决蚁群算法自身存在的缺陷。通过TSP算例库和其他传统算法进行比对,从理论层面上证明优化算法的有效性和泛用性,为以后算法的优化提供新的思路。然后模拟现实中的案例,通过使用新的优化算法解决现实中的冷链物流配送问题,并与传统的算法进行比对,证明新算法能够节省更多的成本,从而证明该算法在求解这类实际的问题也能够具有良好的表现,为企业进行冷链物流配送的工作提供了参考。