本研究提出了一种基于Q学习的自适应大邻域搜索算法（Q-ALNS），用于解决混合服务模式码头的卡车分配与调度问题。该模型有效集成了码头模式决策与卡车调度，显著降低了平均延误和周转时间，能够适应需求变化。

本文探讨了基于深度强化学习的算子选择方法，以提升自适应大邻域搜索（ALNS）算法的解题质量。研究表明，该方法在小型和大型问题上均能有效提高解决效率，优于传统自适应算子选择方法。同时，分析了运算符组合和选择尺度的影响，并提出了一种结合注意力机制的强化学习方法，解决作业车间调度问题，表现优于现有启发式规则。