使用注意力编码解码结构和一种新颖的插入启发式算法，我们以构造迭代深度学习算法解决带时间窗口的车辆路径问题，并比最佳已知学习解决方案更好地解决了该问题。

Dec, 2022

这篇论文提出了一种基于强化学习的名为 “Multi-Agent Attention Model” 的算法，能够利用较长的离线训练时间快速解决城市物流配送中必不可少的 “多车辆路径问题（MVRPSTW）”，该算法以车辆旅游生成过程为基础，提出了一种具有注意力层的编码器 - 解码器框架来迭代地生成多辆车的路径，通过对不同规模的合成网络进行评估，证明该算法的效果优于谷歌 OR-Tools 和传统方法，并验证了模型的稳健性。

Feb, 2020

通过强化学习方法优化随机车辆路径问题，减少货物运输中的行程成本，提出一种新的模型，用于考虑不确定的行程成本和需求，以及确定的客户时间窗口，通过基于注意力的神经网络进行训练，实现路径成本的最小化，并超越基于蚁群算法的模型，在行程成本上减少了 1.73%，该模型独特地整合了外部信息，展现了在不同环境中的稳健性，对未来随机车辆路径问题研究和产业应用具有价值。

Feb, 2024

本文提出一种混合方法，将强化学习、策略推进和可满足性求解器相结合，以实现计算时间和解决方案质量之间的可调节权衡，该方法可以解决任意规模的问题，且无需额外训练，在解决车辆路由问题中的效果优于现有的基于学习的方法和元启发式算法，更具有泛化性。

Jun, 2022

我们提出了一种基于注意力层的模型来解决组合优化问题，并使用基于确定性贪心策略的简单基线进行训练，在解决旅行商问题（TSP）和车辆路径问题（VRP）方面取得了很好的结果。

Mar, 2018

本文研究了带有时间窗约束的异构电动车路径问题，并提出了一种基于深度强化学习的方法（Edge-DIRECT），通过增强的图表示和双注意力解码器来有效解决该问题。实验结果表明，Edge-DIRECT 在解决质量和执行时间方面优于现有的方法，并展现了与其他主要启发式方法相比具有竞争性的性能。

Jun, 2024

我们研究了带时间窗的车辆路径问题（VRPTW）和随机旅行时间，在做出路径决策之前，决策者观察相关的上下文信息，表示为特征变量。尽管有大量有关随机 VRP 的文献，但在此情境中对特征变量的整合受到了限制的关注。我们介绍了上下文随机 VRPTW，该问题在观察到的特征条件下最小化总运输成本和预期迟到惩罚。由于旅行时间和特征的联合分布是未知的，我们提出了使用历史数据提供问题的近似解的新型数据驱动规定模型。我们区分了基于点的近似、样本平均近似和惩罚近似这些规定模型，并从不同角度处理随机旅行时间和特征问题。我们开发了专门的分枝 - 定价割算法来解决这些数据驱动的规定模型。在我们的计算实验中，我们比较了不同方法在多达一百个客户的实例上的样本外成本性能。我们的结果表明，令人惊讶的是，一个基于特征的样本平均近似在大多数设置中优于现有方法和新方法。

Feb, 2024

基于时间窗口的车辆路径规划问题中，本研究提出了一种解决方案，该方案考虑了计划延迟并且被证明是最优的。

Jan, 2024

利用动态编码器 - 解码器结构的动态关注模型来更好地解决车辆路径问题，并显示出良好的泛化性能。

Feb, 2020

本文旨在通过改善现有的模型，提高机器学习在车辆路径规划中的泛化能力，首先通过改进注意力机制模型及其损失函数，接着采用混合实例训练方法和推理级数据增强技术解决了问题固有差异和模型架构弱点的问题，最终达到了提高性能的效果。

Jul, 2022