《Engineering Science and Technology, an International Journal》：Hybrid AI models for multi-depot vehicle routing with split deliveries and multiple trips
编辑推荐：
本研究针对城市最后一公里物流中多站点、分割配送、多行程的复杂优化问题，提出了一种结合列表调度启发式算法与Transformer网络、深度强化学习(DRL)、增强拓扑神经进化(NEAT)和元学习(MAML)的混合人工智能框架。通过真实案例和标准基准测试验证，LST-Former模型在路径精度、资源利用和动态需求适应性方面表现最优，为实时物流决策提供了硬件兼容的创新解决方案。
随着电子商务的快速发展，城市最后一公里物流运营面临着前所未有的挑战。分散的客户需求、多个配送中心的协调、车辆容量限制以及需要跨多个行程进行分割配送等现实问题，使得传统的优化方法往往难以应对。经典算法如遗传算法(GA)、蚁群优化(ACO)等虽然在小规模问题上表现良好，但在处理动态、多约束的实际场景时，往往存在计算时间长、适应性差等局限性。
特别是在多站点车辆路径问题(MDVRP)中，如何有效协调不同配送中心的车辆资源，同时考虑分割配送和多行程操作，成为提升物流效率的关键难点。现有研究大多关注单一配送中心或简单场景，缺乏能够同时处理这些复杂因素的集成解决方案。正是为了填补这一空白，Ebru Erdem等人开展了一项创新性研究，成果发表在《Engineering Science and Technology, an International Journal》上。
该研究的核心创新在于提出了七种混合人工智能模型，将传统的调度启发式算法与现代学习技术相结合。这些模型包括ASAP+Transformer(AST-Former)、ALAP+Transformer(ALT-Former)、List Scheduling+Transformer(LST-Former)等变体，以及结合元学习的DRL版本。研究人员特别设计了硬件高层综合(HLS)兼容架构，为未来在低延迟、高能效硬件平台上的部署奠定了基础。
为了验证模型的有效性，研究采用了真实世界的数据和标准基准测试相结合的方法。一方面，利用土耳其伊斯坦布尔一家配送公司的实际运营数据，包括Micro V15企业资源规划系统和Mobiliz车辆跟踪平台提供的GPS轨迹信息；另一方面，采用Cordeau MDVRP基准实例(p01、p07、p11、p17、p22)进行评估比较。
在技术方法上，研究团队构建了完整的处理流程：从GPS/OSRM(开源路由机器)混合时间-距离矩阵生成，到客户需求排序和车辆分配，再到基于Transformer的编码器-解码器架构训练。模型评估采用了K折交叉验证和多种性能指标，包括均方误差(MSE)、平均绝对误差(MAE)、动态时间规整(DTW)等，确保结果的可靠性和泛化能力。
2.2.1. AST-Former模型
该模型采用ASAP(尽可能早)调度策略，优先处理高需求量的客户订单。Transformer架构通过多头注意力机制捕捉时空依赖关系，在紧急配送场景中表现优异，特别适合医药、生鲜等时效性要求高的物流场景。
2.2.3. ALT-Former模型
与ASAP相反，ALT-Former采用ALAP(尽可能晚)策略，将非紧急订单延后处理。这种设计增强了时间调度的灵活性，在软时间窗约束的场景中能更好地平衡车辆负载和配送时间。
2.2.4. LST-Former模型
作为表现最优的模型，LST-Former结合列表调度(LS)启发式与Transformer架构。首先按需求降序排列客户订单，再进行车辆分配，最后通过Transformer优化配送序列。该模型在路径精度和资源利用方面达到了最佳平衡。
2.2.5. LST-MetaDRL模型
该模型将列表调度与深度强化学习和元学习相结合，通过MAML实现快速适应能力。在动态变化的环境中，模型能够通过少量更新即可调整策略，展现出强大的泛化性能。
2.2.6. ALT-MetaDRL模型
类似地，该版本结合ALAP调度与元学习框架，在需求波动明显的场景中表现出色，特别是在需要灵活调整配送时间的情况下。
2.2.7. AST-MetaDRL模型
该配置针对高紧急度场景优化，通过元学习增强了对突发需求的响应能力，在时间敏感的配送任务中展现了竞争优势。
2.2.8. NRL模型
该模型采用神经进化(NEAT)来演化DRL代理的神经网络拓扑和权重，提供了一种轻量级且自适应的解决方案，在计算资源有限的环境中具有应用价值。
在基准测试中，所有提出的模型都与传统算法进行了对比。结果显示，特别是LST-Former模型在多个指标上均优于传统的列表调度、最近邻、遗传算法和蚁群优化方法。在Cordeau基准数据集上，虽然与最佳已知解(BKS)相比仍存在一定差距，但模型能够快速生成可行解，且在大规模实例中保持稳定性能。
值得注意的是，研究还发现不同模型各有优势：Transformer基础的模型在预测准确性方面表现更好，而DRL-MAML混合模型在适应性和鲁棒性方面更胜一筹。这种差异为不同应用场景下的模型选择提供了指导。
通过综合分析，研究得出几个重要结论：首先，混合AI方法在解决复杂MDVRP问题方面明显优于传统方法；其次，硬件兼容设计为实时物流优化提供了新的可能性；最后，不同模型的性能特征表明，需要根据具体的运营需求选择合适的算法组合。
这项研究的实际意义不仅在于算法创新，更在于为物流行业提供了可落地的解决方案。对于物流企业而言，这意味着能够更高效地规划配送路线，降低运营成本，提高客户满意度。特别是在当前电商快速发展、配送需求日益复杂的背景下，这种智能化的路径优化技术具有重要的应用价值。
从更广阔的视角看，该研究为人工智能在运筹学领域的应用开辟了新的方向。将学习技术与优化问题相结合，不仅解决了具体的物流挑战，也为处理其他复杂的组合优化问题提供了借鉴。硬件兼容的设计思路更是将软件算法与硬件加速相结合，为未来边缘计算在物流领域的应用奠定了基础。
尽管研究取得了显著成果，作者也指出了若干未来改进方向。例如，可以进一步整合局部搜索策略来提升解决方案质量，探索更精细的成本函数设计，以及在实际硬件平台上验证HLS兼容性的效果。这些方向为后续研究提供了有价值的参考框架。
总的来说，这项研究通过创新性地结合多种人工智能技术，为复杂的物流优化问题提供了有效的解决方案，不仅推动了学术研究的发展，也为产业应用提供了实用的技术工具。随着物流行业的持续数字化和智能化，这类研究将发挥越来越重要的作用。
