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

Deep Policy Dynamic Programming 优先和限制来自深度神经网络的策略，以结合学习嵌入式启发式和动态规划 (DP) 算法的优点，以优化旅行商问题 (TSP)、车辆路径问题 (VRP) 和带时间窗口的 TSP (TSPTW) 的性能，同时胜过大多数其他解决 TSPs、VRPs 和 TSPTWs 的 ' 神经方法 '。

Feb, 2021

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

该研究提出了一种简单的激励机制公平方案，以改善运用现有 ILP 方案时可能导致的司机和乘客不公平问题，并证明了该方案显著优于其他成功案例，无需重新培训即可实现对最差的个体的度量改善。

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

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

通过引入 Socio-Aware Spatial-Temporal Graph Convolutional Network（SA-STGCN）进行需求预测，并结合匹配集成优化的车辆再平衡模型（MIVR），本研究提出一种新型车辆再平衡方法，以提高算法和乘客公平性，从而更公平地预测和再平衡打车需求，有效减少等候时间和顾客等待时间的标准差。

Dec, 2023

研究论文研究了无人机车辆路径问题，提出了一种综合考虑启发式方法和强化学习框架的解决方案，以提高解决方案的质量和计算速度。

Apr, 2024