近年来，机器学习正在以惊人的速度发展，并且可以自行解决棘手的问题。 最近在组合优化领域的研究工作表明，机器学习有潜力比人类设计的传统启发式方法更好地学习和设计启发式方法。 在该项目中，开发了一种具有动态编码器-解码器架构的强化模型，该模型学习根据数据设计启发式算法，以最优地解决大规模车辆路径问题。 经过训练的模型会立即产生接近最优的解决方案，而无需重新训练模型。 与其他启发式方法（例如在 Google 运营研究工具中实现的 Savings Clarke Wright 算法）相比，这种强化模型的表现优于它们。 该模型可以轻松扩展以解决 VRP 问题的其他变体，例如多仓库和具有时间窗口的 VRP。

代码

!pip install ortools
     

import tensorflow as tf
import numpy as np

class AgentVRP