面向多目标的带软时间窗车辆路径规划问题研究.pdfVIP

摘要

在移动互联网技术推动下的物流行业变革浪潮中，医药仓储物流作为一个特

殊且关键的分支，面临着更为复杂和挑战性的问题。医药产品的存储和运输不仅需

要符合严格的温度、湿度等环境条件，以确保药品的有效性和安全性。而且在多方

参与的医药三方物流中，对于配送时间的限制也保持相对宽松的态度，以保证运输

的公平性和效率。特别是，医药物流中的车辆路径问题作为组合优化的研究领域，

呈现出其重要性。它涉及如何有效的规划运输路线，同时还要确保尽可能降低成本。

这一问题的核心在于平衡药品配送的质量和效率，优化资源利用，并减少物流开销。

因此，寻找有效的车辆路径解决方案，成为医药仓储物流领域亟待解决的关键问题。

本文针对面向多目标的带软时间窗车辆路径规划问题进行研究，主要工作和

研究内容如下：

（1）提出了一种基于卷积和注意力的网络模型（ConvolutionalandAttention

NetworkModel，CANM），用于解决带软时间窗的车辆路径问题。其中，采用了一

种深度强化学习方法，并设计了一个基于编码器-解码器的框架。这个框架能够有

效地处理静态和动态信息，从而提升了模型在不同场景下的适应性。通过采取并行

解码策略，并结合特定的掩码方案，使得提出的策略网络不仅确保了解码过程的可

行性，还增强了模型在不同问题规模下的处理能力。实验结果表明，提出的CANM

方法在效率和可靠性方面均优于现有的基线方法，尤其是在处理大规模问题时表

现出了卓越的性能。

（2）提出了一种并行卷积Transformer模型（ParallelConvolutionalTransformer

Model，PCTM），用于解决带软时间窗的车辆路径问题。其中，提出了一种改进的

深度强化学习方法，通过结合卷积神经网络与Transformer模型，设计出的神经网

络架构不仅提升了注意力机制的性能，同时优化了解码器的结构，从而实现了更为

经济的路由规划方法。此外，通过在不同规模的问题实例上进行一系列的实验，结

果表明所提出的模型不仅展现出了优于现有基线方法的卓越性能，同时还证明了

其在处理大规模问题时的高效性和可靠性。

（3）提出了一种多尺度并行卷积注意力模型（Multi-scaleParallelConvolutional

AttentionModel，MSPCAM），用于解决面向多车路径均衡的多目标车辆路径问题。

其中，该方法在考虑行驶成本、时间窗约束以及路径均衡性的基础上，应用了深度

强化学习方法来优化决策过程。通过编码器-解码器架构捕捉数据的多尺度特征，

并集成了通道注意力机制与双向门控循环单元，显著提升了模型在特征提取和序

列学习方面的能力。实验结果表明，MSPCAM显示出卓越的性能，验证了该方法

在解决复杂路径规划问题中的实用性和有效性。

关键词：车辆路径问题；多目标优化；深度强化学习；软时间窗；组合优化

Abstract

InthewaveofchangeinthelogisticsindustrydrivenbymobileInternettechnology,

pharmaceuticalwarehousingandlogistics,asaspecialandcriticalbranch,facesmore

complexandchallengingproblems.Thestorageandtransportationofpharmaceutical

productsnotonlyneedtocomplywithstrictenvironmentalconditionssuchas

temperatureandhumiditytoensuretheeffectivenessandsafetyofdrugs.Moreover,in

themulti-partypharmaceuticalthree-waylogistics,therestrictionsondeliverytimeare

keptrelativelyloosetoensurethefairnessandeffic