主动仓库发现：面向灵活址-路问题的生成框架

址-路问题(LRP)将设施(仓库)选址与车辆路径规划结合起来，受限于依赖预定义仓库候选人，从而限制了解的空间并可能导致次优解。当前 literature 中缺乏针对无预定义仓库候选人的 LRP 研究，且主要依赖迭代式试探性算法在平面区域中尝试仓库布局。此类方法缺乏基于特定地理需求主动生成仓库位置的能力，暴露出当前研究空白。为弥合此差距，本文提出一种数据驱动的生成式深度强化学习框架，旨在基于客户请求数据（包括地理信息和需求信息）主动生成 LRP 用仓库。该框架可以两种模式运行：直接生成确切的仓库位置，或创建多变量高斯分布以实现灵活的仓库抽样。通过从客户请求数据中提取仓库的地理模式，本方法能够动态响应物流需求，识别出进一步降低总体路径成本的高质量仓库位置。广泛的实验表明，对于相同的客户请求组，与通过随机尝试识别的仓库相比，本框架可主动生成导致更优解路径、降低路径成本的仓库。该框架的意义可能延伸至实际应用，尤其是在紧急医疗救援和灾难撤离物流中，快速建立和调整仓库位置至关重要，展示了其在应对动态和不可预测环境的 LRP 方面的潜力。