用于库存路径规划问题的大邻域与混合遗传搜索

库存路径规划问题（IRP）侧重于在多天内联合优化从供应商到零售商的库存与配送操作。与车辆路径规划族中的其他问题相比，库存与路径决策之间的相互关联使得 IRP 优化更具挑战性，需要先进的求解技术。少数研究致力于为该类问题开发大邻域搜索方法，但由于库存与路径决策整合相关的挑战，这仍是一个具有广阔可能性的研究领域。在本研究中，我们通过开发一种专为 IRP 量身定制的新型大邻域搜索算子来推进该研究领域。具体而言，该算子在最小化路径和库存成本的同时，最优地移除并重新插入对特定零售商的所有访问。我们提出了一种高效的定制动态规划算法，利用了预处理和加速策略。该算子用于构建有效的局部搜索例程，并包含在 state-of-the-art 路径规划算法即混合遗传搜索（HGS）中。通过广泛的计算实验，我们证明了由此产生的启发式算法带来了迄今为止无与伦比的解质量，尤其是在大规模基准实例上。