- RouteFinder：面向车辆路径问题的基础模型
该研究介绍了一种用于解决车辆路径问题的 RouteFinder 框架，通过并行化环境、高效的采样方法和全球特征嵌入等技术，实现了对多种 VRP 变体的统一建模和解决，取得了竞争性的实验结果。
- 通过模型架构提升神经车辆路径问题求解器的泛化能力
提出了一种新的模型架构，包括熵增缩放因子（ESF）和分布特定解码器（DS），用于增强神经模型在解决不同规模和分布的车辆路径问题方面的泛化能力，并证明了它们的有效性和适用性。
- 神经组合优化算法用于解决车辆路径问题：综述与展望
基于对相关出版物和预印本的全面审查，我们将所有神经组合优化求解器分为四个不同的类别，并提出了克服当前最先进求解器不足之处的有希望和可行的方向，并对来自强化、监督和无监督学习范例的代表性神经组合优化求解器在小规模和大规模车辆路径问题上的性能进 - GASE: 图注意力取样与边融合用于解决车辆路径问题
我们提出了一种自适应图注意力采样与边融合框架（GASE），通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入，进一步融合采样网络中的消息传递和节点嵌入，在学习导向的 VRP 任务上表现出色，并在随机生成实例和真实世界数据集上展现出超 - 通用车辆路径规划的提示学习
本文探讨了神经组合优化中高效的提示学习方法，以便将预训练模型快速适应解决来自不同分布的路径问题实例。实验表明，该方法不仅在分布内预测上表现良好，还能零样本泛化到多样的新任务，胜过现有的广义模型。
- ICMLMVMoE：多任务车辆路由求解器与专家混合
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。
- 从词语到路线：应用大型语言模型于车辆路径规划
LLMs 在车辆路径问题的自然语言任务描述中显示出令人印象深刻的进展，在这项工作中，我们通过构建数据集、评估 LLMs 的性能以及提出自反思的框架，研究了 LLMs 解决车辆路径问题的能力和敏感性。
- 容量覆盖业务员问题的精确算法和启发式算法
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 - 用于路由问题的多任务学习及问题间的零样本泛化
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。
- 多卡车多腿需求路线的深度强化学习
基于深度强化学习，使用编码器 - 解码器的注意机制生成的策略在某些车辆路径问题上表现出有效性，但在某些复杂车辆路径问题上，仍缺乏有效的强化学习方法。本研究针对一种包含多辆卡车和多段路径要求的车辆路径问题变体，扩展现有的编码器 - 解码器注意 - AAAI利用蒸馏自回归模型获得高性能的非自回归车辆路径问题求解器，以提高推理速度
本文提出了一种通用的引导式非自回归知识蒸馏（GNARKD）方法，通过知识蒸馏从自回归模型中获取低推理延迟的高性能非自回归模型，通过将 GNARKD 应用于三种广泛采用的自回归模型，我们得到了在合成和真实实例中的 NAR VRP 求解器，实验 - 在多个分辨率下解决路由问题的保持对称性的图注意力网络
通过多分辨率和对称性保持，我们提出了一种新的数据驱动方法来解决旅行推销员问题和车辆路径问题。实验证明，我们的模型超过了现有的基准线，并证明了对称性保持和多分辨率对于解决组合问题的重要性。
- 太大，所以失败吗？- 使神经构建方法能够解决大规模路由问题
通过系统的扩大规模研究，我们展示了即使是最先进的神经构建方法也被简单的启发式算法超越，而我们提出的神经毁坏重构方法在多个实验中表现优于其他改进构建方法。
- 通过可传递的本地策略集成实现面向可广泛应用的神经求解器车辆路径问题
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 - 圆容量不等式的神经分离算法
设计了一种基于图嵌入的知识学习方法，将其应用于割平面算法来解决带约束车辆路径问题，与传统求解器相比，一定规模上有更好的上界。
- ICML面向全方位可推广的神经网络方法解决车辆路径问题
本文提出了一种元学习框架，通过元学习可以有效地训练出初始化的模型，并具有快速适应新任务的能力，在旅行商问题和车辆路径问题的综合实验中，证明了方法的有效性。
- 面向偏好的末端物流配送规划
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。
- 多车辆路径问题的强化学习
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。
- 通过知识蒸馏学习可推广的车辆路径问题模型
本文提出了一种自适应多分布知识蒸馏（AMDKD）方案，通过利用来自多个已训练教师模型的知识来生成轻量级且更广义的学生模型，从而解决了现有神经方法在车辆路径问题上交叉分布泛化的问题，并展示了其优异的性能。
- 使用 Lagrangian Relaxation 学习解决软约束车辆路径问题
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。