多仓库车辆路径问题（MDVRP）是物流和供应链管理中的一个核心优化问题，广泛应用于配送网络设计、货物运输规划等实际场景。由于需要同时协调多个仓库的车辆调度和路径选择，MDVRP的计算复杂度极高，属于NP-hard问题。传统的求解方法在面对大规模实例时往往效率低下，难以在合理时间内找到高质量解。
针对这一挑战，来自计算机科学领域的研究人员Zhenyu Lei和Jin-Kao Hao提出了一种新颖的混合算法，旨在高效求解一类多仓库车辆路径问题。该算法融合了多种智能优化技术：首先，它采用了一种学习驱动的、具有多样性控制机制的路径交换交叉操作，能够有效探索解空间并避免过早收敛。其次，算法构建了一个多仓库支持的可行-不可行搜索框架，该框架由多罚函数评估引导，允许在搜索过程中暂时接受不可行解，从而更灵活地逃离局部最优。此外，算法还引入了两个专门的仓库相关局部搜索算子，专门针对多仓库场景下的特定结构进行精细优化。
为了进一步提升计算效率和可扩展性，研究团队开发了该算法的增强版本。该版本利用基于张量的GPU加速技术，结合新颖的多移动更新策略，使得算法的并行计算能力得到充分发挥。GPU加速不仅大幅缩短了求解时间，还使得算法能够处理更大规模的问题实例。多移动更新策略则通过同时更新多个解的移动来减少迭代开销，进一步提升了收敛速度。
研究团队在三个标准的MDVRP变体基准实例集上进行了广泛的计算实验，包括带时间窗的MDVRP、带容量约束的MDVRP等。实验结果表明，所提出的混合算法在大多数实例上均能取得与当前最优方法相当或更优的结果，尤其在大型实例上展现出显著的竞争优势。这一成果表明，通过巧妙结合机器学习、数学规划和并行计算，能够大幅拓展多仓库路径问题的求解边界。
该研究于2026年2月提交至arXiv，归属于机器人学、分布式并行计算和优化控制等多个领域。未来，该算法有望进一步集成到实际物流管理系统中，助力企业降低运输成本、提高配送效率，并为自动驾驶车辆路径规划等新兴应用提供理论支持。