本论文提出了一种基于模型的派遣算法、基于高性能模型无关的强化学习算法和将自顶向下方法和模型无关强化学习的优点结合的新型混合算法，以路线优化策略的形式为车队提供路线规划，研究了面对实时、随机需求的情况下，在小到中型的道路网络中，对街道叫车服务的路线进行优化；使用基于代理的大规模微观仿真平台，评估了提出的算法在人工道路网络和社区基础新加坡道路网络中的表现，结果显示出基于模型的派遣算法、基于高性能模型无关的强化学习算法和混合算法在性能上均表现出色，并且混合算法可以显著加速模型无关学习者的学习过程。

Oct, 2020

利用深度强化学习的编码器 - 解码器模型，并借助于复杂的张量需求结构，可以解决多车辆多节点的物流配送问题，从而实现对汽车配送业务的优化。

Nov, 2022

我们提出了一种面向决策的基于学习的方法来解决实际的库存路径规划问题，该方法直接整合了库存预测和路径优化于一个端到端的系统中，可能确保一个稳健的供应链策略。

Nov, 2023

本文提出了一种多智能体坐标线路图的图神经网络模型，利用学习价值迭代在稀疏相互连接图中执行坐标线路图，并通过通信模块使智能体在线协调并更有效地适应变化，可以应用于自主车辆中实现实时映射和车队管理等。

Jul, 2020

使用强化学习模型解决三维装备车辆路径问题，使得物流优化向大规模应用迈出有希望的第一步。

Jul, 2023

本篇论文提出了一种基于多智能体强化学习的新型协作机制以及一种创新的状态和奖励设计，对复杂交通网络中的资源平衡问题进行优化，实验结果表明，该方法能够更好地激励代理之间的合作，相比于传统的基于组合优化的方法，可以显著提高交通服务的效果和稳定性。

Mar, 2019

仓库操作管理中的拣货路径规划是一个关键问题。由于问题的复杂性和快速解决的需求，实践中经常使用次优算法。然而，强化学习提供了传统启发式方法的一个有吸引力的替代方案，潜在地在速度和准确性方面优于现有方法。我们介绍了一种基于注意力机制的神经网络模型来建模拣货路线，该模型使用强化学习进行训练。我们的方法在一系列问题参数上与现有启发式方法进行了评估，以展示其效力。我们提出的方法的一个关键优势是可以降低路径的感知复杂性。

Feb, 2024

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

通过深度多智能体强化学习，我们将合作车辆路径规划问题建模为一个联盟博弈，并在没有对于特征函数的访问权限的情况下解决了路线分配问题和利润分配问题，取得了运行时间减少 88% 的成果。

Oct, 2023

提出了一个通过自适应路由策略降低等待时间、考虑未来需求以及能够适应不同需求分布的自主汽车调度和接送框架，该框架通过线上游戏算法和线下逼近方案相结合，在美国旧金山的实际出租车需求中得到了验证。

Nov, 2022