基于自适应模拟退火与强化学习的超启发式方法求解带容量电动车辆路径问题

由于货运车辆数量增加，电动汽车（EV）已在城市地区被采用以减少环境污染与全球变暖。然而，末端物流轨迹路由方面仍存在不足，持续影响社会与经济可持续性。为此，本文提出一种称为基于强化学习的超启发式自适应模拟退火（HHASA$_{RL}$）的超启发式（HH）方法。它由多臂老虎机方法与自适应性模拟退火（SA）元启发式算法组成，用于求解称为带容量电动车辆路径问题（CEVRP）的问题。由于充电站数量有限且 EV 行驶范围受限，EV 必须提前进行电池充电并减少行驶时间与成本。所实现的 HH 改进了多个最小已知最优解，并在 IEEE WCCI2020 竞赛所提基准的一些高维实例上取得最佳均值。