快速学习求解车辆路径问题：一种针对有限车队时间约束车辆路径问题的神经优化方法

找到车辆路径问题（VRP）的可行且快速的解是高效货运运输、无缝物流和可持续出行的前提条件。面对涉及众多约束和目标的真实世界 VRP 复杂性时，传统优化方法已达到其极限。最近，生成式人工智能（AI）解决组合任务的能力——即神经组合优化（NCO）——展示了有前景的结果，提供了新的视角。在本研究中，我们提出了一种 NCO 方法，用于求解具有有限车队规模的时间约束容量 VRP。该方法基于编码器-解码器架构，按照多最优策略优化（POMO）协议构建，并通过近端策略优化（PPO）算法进行训练。我们成功训练了该策略以同时优化多个目标（最小化总距离同时最大化车辆利用率），并在中等和大型实例上进行了评估，将其与最先进的启发式方法进行基准比较。该方法能够找到适当且成本高效的解，展现出灵活性和稳健的泛化能力。最后，我们对 NCO 生成的解进行了批判性分析，并讨论了优化科学中这一新兴智能学习算法分支面临的挑战与机遇，重点聚焦于货运运输。