VRPD-DT: Vehicle Routing Problem with Drones Under Dynamically Changing Traffic Conditions

本文提出了一种新的问题称为动态交通条件下的无人机车辆路径问题（VRPD-DT），以解决现有VRP-D解决方案的局限性。在这种情况下，卡车与无人机协同工作将包裹送到客户处，需要确定卡车和无人机的最佳路线，以使总运营成本最小化。虽然已经开发了各种启发式算法来解决这个问题，但现有的解决方案是基于简单的成本模型构建的，忽略了成本的时间动态性，这些成本随着动态变化的交通条件而波动。我们设计了一个新颖的成本模型，考虑了实际行驶距离和预计行驶时间，使用机器学习驱动的旅行时间预测算法计算。通过结合旅行时间预测模型，开发了一个可变邻域下降（VND）算法，以在交通条件动态变化的情况下找到最佳的卡车-无人机路线。进行了一项模拟研究，以评估性能，与最先进的VRP-D启发式解决方案进行比较。结果表明，所提出的算法在各种交付场景中优于最先进的算法。

本论文解决的问题是车辆与无人机协同配送中的路线优化问题，考虑了交通状况的动态变化。这是一个新问题。

论文提出了一种基于机器学习驱动的旅行时间预测算法的成本模型，将实际旅行距离和预计旅行时间因素考虑进来，并开发了一个可变邻域下降算法来寻找最优的车辆-无人机路线。

论文通过模拟实验验证了算法的性能，结果表明该算法在各种交付场景中优于现有的VRP-D启发式解决方案。论文还提供了数据集和开源代码，可供进一步研究使用。

近期相关研究包括：Vehicle Routing Problem with Drones: Review and Future Directions、A Hybrid Algorithm for the Vehicle Routing Problem with Drones and Time Windows等。