求解车队规模与车型混合车辆路径问题的深度强化学习方法
人工智能
2026-01-01 v1 机器学习
最优化与控制
摘要
车队规模与车型混合车辆路径问题（FSMVRP）是车辆路径问题（VRP）的一个重要变体，在运筹学与计算科学领域得到广泛研究。FSMVRP 要求同时就车队组成与路径规划做出决策，使其高度适用于短期车辆租赁和按需物流等现实场景。然而，这些要求也增加了FSMVRP的复杂性，带来了显著挑战，尤其是在大规模和时间受限的环境中。本文提出一种基于深度强化学习（DRL）的方法来求解FSMVRP，能够在数秒内生成近优解。具体而言，我们将该问题建模为马尔可夫决策过程（MDP），并开发了一种新颖的策略网络FRIPN，该网络无缝集成了车队组成与路径决策。我们的方法采用了为不同决策目标设计的专用输入嵌入，包括一种用于促进有效车辆使用决策的剩余图嵌入。我们在随机生成的实例和基准数据集上进行了全面实验。实验结果表明，我们的方法在计算效率和可扩展性方面表现出显著优势，尤其是在大规模和时间受限的场景中。这些优势凸显了该方法在实际应用中的潜力，并为将基于DRL的技术扩展到VRP的其他变体提供了有价值的启发。
引用
@article{arxiv.2512.24251,
title = {Deep Reinforcement Learning for Solving the Fleet Size and Mix Vehicle Routing Problem},
author = {Pengfu Wan and Jiawei Chen and Gangyan Xu},
journal= {arXiv preprint arXiv:2512.24251},
year = {2026}
}