本文介绍了容量限制的覆盖旅行商问题（CCSP），通过容量车辆路径问题中的服务覆盖概念。通过提供车辆可以过渡的位置，其中一些位置有需求的客户，旨在通过一批车辆为客户提供服务，并在车辆行驶的总距离最小化。本文提出了基于整数线性规划（ILP）和偏向随机键遗传算法（BRKGA）元启发式的 CCSP 优化方法。计算实验评估了这些方法在 CCSP 基准实例上与原始界限的性能，并扩展了 ILP 公式以创建多车场覆盖回旋（MDCTVRP）的混合整数线性规划（MILP）。计算实验表明，扩展的 MILP 公式在优化空隙方面优于先前的最优方法，特别是对于一些以前未解决的实例获得了最优解。

Mar, 2024

研究基于竞争市场背景下的设施选址问题，采用随机实用选择模型预测客户需求。引入了路由约束，确保所选择的位置存在一个符合指定上界的旅行访问所有选定位置的路径。通过外估计近似法、子模割平面法和子回路消除法解决非线性目标函数和复杂路由约束问题，并开发了两种精确解法。同时，基于局部搜索的元启发式方法用于解决大规模实例，并与精确方法进行比较，实验证明了我们方法在解决方案质量和计算时间方面的优越性。

Mar, 2024

通过将 Capacitated Vehicle Routing Problem（CVRP）转化为 Constrained Centroid-Based Clustering（CCBC），本文提出了一个基于 CCBC 的近似解决方法，该方法利用常见的聚类算法（如 K-means）将一个指数复杂度的问题转化为多项式复杂度的问题，并在实验中展示了该方法在解决车辆路径问题（VRP）方面的优越性。

Mar, 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

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

通过聚类的数据驱动方法，将车辆路径问题分解成子问题以降低复杂性，并应用剪枝和局部搜索来优化解决方案。结果表明，该方法在解决大规模车辆路径问题时优于传统基于空间信息的方法，并能够适应不同情景的路由问题。

Jan, 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

该研究提出了一种新颖的方法来解决多目标车辆路径规划问题，通过视觉吸引力路线规划和历史驾驶员行为数据挖掘的评估，证明了数据挖掘历史模式比文献中的视觉吸引力评估更加有效。同时提出了一个双目标问题来平衡路径相似性和最小化路径成本，并通过启发式箱分割的两阶段 GRASP 算法解决该问题。结果表明该方法能够生成少量非支配解，帮助决策者在路径成本和驾驶员偏好之间进行权衡，从而提升物流公司的最后一英里配送运营。

May, 2024

本研究提出了一个两层框架来促进在线车队管理，具体而言，上层框架提出了一种新的多主体封建强化学习模型，以协同分配空闲车辆到不同的城际线路，而下层利用自适应大邻域搜索启发式不断更新车辆的路线。

Jul, 2023

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