强化学习解决带时间窗的随机车辆路径问题
原文中文，约400字，阅读约需1分钟。发表于：。通过强化学习方法优化随机车辆路径问题，减少货物运输中的行程成本，提出一种新的模型，用于考虑不确定的行程成本和需求，以及确定的客户时间窗口，通过基于注意力的神经网络进行训练，实现路径成本的最小化，并超越基于蚁群算法的模型，在行程成本上减少了 1.73%，该模型独特地整合了外部信息，展现了在不同环境中的稳健性，对未来随机车辆路径问题研究和产业应用具有价值。
本文研究了带时间窗的车辆路径问题（VRPTW）和随机旅行时间，并提出了上下文随机VRPTW问题。通过特征变量和历史数据驱动规定模型，解决了最小化总运输成本和预期迟到惩罚的问题。实验结果表明，基于特征的样本平均近似优于现有方法和新方法。
