为了提高神经车辆路径问题（VRP）求解器在实际环境中的可行性，我们设计了一个辅助策略，通过学习本地可转移的拓扑特征来改善神经 VRP 求解器的表现，将其与典型的建构策略相结合，形成一个集成策略。经过联合训练，这个集成策略使得各个策略相互协作和互补，从而提高了泛化能力。实验证明，与最先进的构造方法相比，这个集成策略在两个著名的基准测试中（TSPLIB 和 CVRPLIB）表现出更好的泛化性能，并且在数千个节点的真实世界问题上也能工作得很好。

Aug, 2023

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

该论文通过属性组合的方式，建立了一个统一模型，成功解决了车辆路径问题的不同组合情况，大幅提高了解决方案的效率并在物流应用中取得了显著的性能提升。

Feb, 2024

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

本文使用学习增强的局部搜索框架来解决大规模车辆路径问题（VRP），其中使用回归来训练 Transformer 模型来选择恰当的子问题，并且在实验中表现优异。

Jul, 2021

研究人员提出了一个多任务车辆路径问题求解器，利用混合专家和分层门控机制来解决车辆路径问题，并取得了显著的泛化性能。

May, 2024

通过跨问题学习和细调不同变种目标问题的 Transformer 模型，本论文提出了一种用于改善车辆路线问题的神经启发式训练方法，展示了与从头开始训练相比较，全细调和适配器细调技术能够取得更好性能和参数效率的优势，并证明了该方法在交叉分布应用和通用性方面的有利影响。

Apr, 2024

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

本研究旨在解决在不确定条件下优化车辆路线的具有挑战性任务的随机车辆路径问题（SVRP）中，利用强化学习（RL）和机器学习（ML）技术的利用不足的问题。我们提出了一个全面解决 SVRP 中预测性关键源的全新端到端框架，采用简单而有效的架构和定制的训练方法来利用 RL agent。通过比较分析，我们的模型相较于一个广泛采用的最先进元启发式算法表现出了更好的性能，实现了显著的 3.43% 的行程成本降低。此外，该模型在不同的 SVRP 设置中表现出了鲁棒性，突出了它的适应能力和学习优化路径策略在不同环境中。我们框架的公开实现作为未来研究努力的宝贵资源，旨在推进基于 RL 的 SVRP 解决方案。

Nov, 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