物流配送作为现代企业物流运作的重要组成部分，在企业的物流整合中配送网络优化越来越重要。随着企业规模的不断扩大，更多的企业选择在原材料资源丰富或客户较集中的地区组织生产或组建多个配送中心，以方便资源的供应或产品配送，同时客户分布在不同的区域范围，这样就形成了多车场（配送中心）服务多客户的大规模物流配送网络。根据实际调查分析，在多对多大规模物流配送网络中，企业通常面临着中小客户需求量少、需求频次高、零担运输多的问题，不仅造成物流资源的严重浪费，而且带来了较高的物流配送成本。因此，如何快速响应客户订单，实现物流资源的优化整合，不断提高客户配送服务水平成为企业面临的主要难题之一。针对该问题背景，本文分别分析了单周期和多周期下的多车场车辆路径问题。针对单周期下的多车场车辆路径问题，本文提出了双层模糊聚类框架，上层静态聚类根据客户的地理位置分布，利用k-means聚类方法形成静态客户群，下层模糊聚类是基于客户订单的多属性特征，采用模糊聚类技术产生配送客户群。最后利用遗传算法对配送客户群的车辆路径进行优化。进一步，通过考虑连续实时到达的波动客户订单，研究了多周期多车场的车辆路径问题，并在双层模糊聚类方法的基础上，提出三阶段求解框架：第一阶段进行上层静态聚类产生静态客户群，并根据车场到静态客户群的距离，产生车场服务静态客户群的优先级排序；第二阶段首先对连续到达的客户订单进行处理，生成不同周期T内的客户订单数据，在各个周期T内通过下层模糊聚类产生动态客户群，并根据动态客户群中订单的时间属性特征，确定动态客户群的服务优先级；第三阶段通过改进遗传算法的选择算子和交叉算子，提高算法的求解性能和效率。随机算例仿真和案例分析验证了本文所提出方法框架的有效性。