使用深度学习注意力模型解决带时间窗口的车辆路径问题和提货配送问题
本文提出一种基于注意力机制、可同时开展多个路径，并能在路径和客户之间进行艰难的权衡的政策模型 ——JAMPR，通过对三个不同工具路由问题的全面实验，表明该模型对不同问题规模均有效，并且优于现有的基于构造算法方法，对于其中两个问题类型，甚至优于相应比较方法。
Jun, 2020
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
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
提出了一种基于深度学习模型的单一解决方案，用于求解蒙特利尔容量约束车辆路径问题（MCVRP），该模型利用自然语言处理技术以及大型语言模型框架的 Transformer 架构来训练和生成更好的 MCVRP 解决方案。
Feb, 2024
利用新颖的神经网络与异构关注机制解决了深度强化学习中无法应对的拣货和送货问题，实验结果证明了其在不同分布和问题规模下优于最先进的启发式策略和深度学习模型。
Oct, 2021
本文提出了一种基于深度神经网络和注意力机制的学习启发式算法的大邻域搜索框架，用于解决车辆路径问题，该方法在性能方面优于现有的机器学习方法，也接近于现有优化方法的性能。
Nov, 2019
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
本研究论文通过整合注意力和循环机制的先进机器学习技术，提出了一种精确算法来解决具有二维装载约束和后进先出规则的车辆路径问题。该算法在各个问题实例中平均加速了 29.79%，并成功解决了标准测试环境中的一个开放问题，表明了机器学习模型的结合带来的显著改进。
Jun, 2024