本研究提出了一种插入式构建学习方法（L2C-Insert），旨在解决现有神经组合优化在车辆路径问题中的次优解问题。该方法通过在部分解中有效位置插入节点，提升了解的灵活性和质量，实验结果显示其在多个问题规模上表现优越。

本研究提出了一种新方法SED2AM，利用深度强化学习解决多趟时变车辆路径问题。该方法通过引入时间局部性归纳偏置，有效处理旅行距离或时间的变化。实验结果表明，SED2AM在实际数据集上优于现有方法，具有解决更大规模问题的潜力。

该研究提出了一种基于学习的搜索空间减少方法，解决了现有神经组合优化方法在大规模问题上的推广能力不足。通过动态选择有前景的候选节点，显著降低搜索空间，同时保持解决方案质量。实验表明，该方法在100节点实例上训练后，成功推广至100万节点的旅行商问题及其他车辆路径问题。

本文研究了带时间窗的车辆路径问题（VRPTW）及其随机旅行时间，提出了上下文随机VRPTW模型，并通过历史数据提供近似解。开发了分枝-定价割算法，实验结果表明基于特征的样本平均近似在大多数情况下优于其他方法。

本研究提出了一种主动不适应性预防（PIP）框架，旨在解决车辆路径问题中的复杂约束，降低不可行解比例，提高神经网络方法的解质量。

本文介绍了使用Google OR-Tools和SCIP解决车辆路径问题（VRP）的实现。通过数学模型和代码示例，展示了时间窗、流量守恒、容量限制等约束。OR-Tools速度快但精度略低，适合快速原型；SCIP解更优但复杂度高，适合生产部署，因其文档完善和长期支持。

本研究使用深度强化学习和编码器-解码器注意模型解决车辆路径问题，并在实际供应链环境中测试，结果优于现有解决方案。

本文提出了一个使用强化学习解决车辆路径问题的端到端框架，通过策略梯度算法优化参数，实时生成解决方案，解决负载容量 VRP 的中等规模实例时，在解决质量上优于经典的启发式算法和 Google 的 OR-Tools，同时具有可比较的计算时间。

本文提出了一个使用强化学习解决车辆路径问题的端到端框架。通过训练一个单一模型，模型能够实时生成近最优解决方案，无需重新训练。方法在解决负载容量VRP中优于启发式算法和Google的OR-Tools，同时计算时间可比。框架适用于其他VRP变体和组合优化问题。