本文提出了一种解决动态车辆路径问题（DVRP）的方法，该方法适用于时间窗口和随机旅行请求，并针对局部交通服务应用。此外，该方法利用了问题的结构设计了启发式算法以便搜索具有很好前景的行动。实验表明，该方法在性能和鲁棒性方面均优于现有最先进的方法。

Mar, 2022

本文提出一种新颖的问题：如何在空间和时间上变化的情况下放置车辆以实时满足乘客的需求。研究者使用了四个主要美国城市一千万次乘车请求的数据集，证明了这种请求具有显著的自我相似性，并提出了分布式在线学习算法用于解决实时车辆定位的问题，并且通过观察到的自相似性，确定了算法的预期性能边界。

Dec, 2017

该研究提出了两种用于基于无人机送货的多大交通问题（VRPs）解决方案，这两种方案均能够在计划中考虑电池寿命和负载重量对能耗的影响，为决策者提供优化成本和交货时间的决策依据。

Aug, 2016

本文提出了一种新的分层路由优化器，该优化器结合了优化和机器学习，通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题，并使用亚马逊的真实交付数据集证明了这种方法的重要性。

Mar, 2023

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

本研究研究了一种变体的车辆路径问题，具有分割交付、异构车队、车辆 - 商品不兼容等约束条件，将问题拆分成车队设计与路径规划两个部分，并使用混合整数规划进行求解，最后通过多个实验对其进行评估，并使用约束编程的解领衔初始化建立的模型。

Dec, 2016

本文提出了一个端到端的框架，使用强化学习来解决车辆路径问题 (VRP)，我们训练一个单一的模型，仅通过观察奖励信号和遵守可行性规则，就可以找到给定分布采样的问题实例的近最优解。通过将策略梯度算法应用于优化其参数，我们的模型在实时中以连续操作序列的形式生成解决方案，无需为每个新问题实例重新训练，我们的方法在解决负载容量 VRP 的中等规模实例时，在解决质量上优于经典的启发式算法和 Google 的 OR-Tools，同时具有可比较的计算时间，在本文中还探讨了分裂交付对解决质量的影响。我们的提出的框架可以应用于其他 VRP 变体，例如随机 VRP，并具有应用于组合优化问题的潜力。

Feb, 2018

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

我们提出了一种创新的多智能体方法，聚焦于合作车辆路径问题，通过驾驶员个体有理性约束来优化物流公司间市场平台上的订单交换，实现降低行驶距离、提高系统运营效率，并确保市场长期可持续性。

Aug, 2023

该研究提出了一种基于强化学习的方法，结合拉格朗日松弛技术和约束策略优化，用于解决软限制的车辆路径规划问题，并在旅行商问题、容量限制车辆路径问题和带时间窗口的容量限制车辆路径问题上进行了验证，表明其对解决已有方法难以解决的问题有很好的竞争力。

Jul, 2022