A Bi-Objective Approach to Last-Mile Delivery Routing Considering Driver Preferences

本文提出了一种新的方法来解决多目标车辆路径问题（MOVRP），该问题是运输和物流行业中的复杂优化问题。该方法旨在创建考虑司机和运营商决策和偏好的路径。我们评估了两种方法来解决这个问题：视觉吸引力路径规划和数据挖掘历史司机行为来规划类似的路径。使用亚马逊提供的真实数据集，我们证明了数据挖掘历史模式比文献中找到的视觉吸引力指标更有效。此外，我们提出了一个双目标问题来平衡路径与历史路径的相似性和最小化路径成本。我们提出了一个两阶段GRASP算法，采用启发式盒子分割来解决这个问题。所提出的算法旨在近似帕累托前沿，并呈现覆盖目标函数空间广泛的路径。结果表明，我们的方法可以为每个实例生成少量的非支配解，这可以帮助决策者确定路径成本和司机偏好之间的权衡。我们的方法有潜力通过平衡这些冲突的目标来增强物流公司的最后一公里交付运营。

本论文旨在解决多目标车辆路径问题（MOVRP）中的司机和运营商决策和偏好的考虑问题。作者提出了两种方法来解决这个问题：视觉吸引力路径规划和数据挖掘历史司机行为以规划类似的路径。

论文的关键思路是使用历史数据挖掘方法来规划路径，以考虑司机和运营商的偏好和决策，并提出了一个双目标问题来平衡路径的相似性和最小化路径成本。

作者使用了亚马逊提供的真实数据集进行实验，并提出了一个两阶段GRASP算法来解决双目标问题，该算法旨在近似帕累托前沿并呈现覆盖目标函数空间范围的路径。结果表明，该方法可以为每个实例生成少量的非支配解，有助于决策者在路径成本和司机偏好之间进行权衡。

最近在这个领域中，还有一些相关研究，如“Multi-objective vehicle routing problem with time windows and multiple objectives”和“Multi-objective vehicle routing problem with simultaneous delivery and pickup and time windows”。