多倉庫車輛路徑問題（MDVRP）是物流和供應鏈管理中的一個核心優化問題，廣泛應用於配送網絡設計、貨物運輸規劃等實際場景。由於需要同時協調多個倉庫的車輛調度和路徑選擇，MDVRP的計算複雜度極高，屬於NP-hard問題。傳統的求解方法在面對大規模實例時往往效率低下，難以在合理時間內找到高質量解。
針對這一挑戰，來自計算機科學領域的研究人員Zhenyu Lei和Jin-Kao Hao提出了一種新穎的混合算法，旨在高效求解一類多倉庫車輛路徑問題。該算法融合了多種智能優化技術：首先，它採用了一種學習驅動的、具有多樣性控制機制的路徑交換交叉操作，能夠有效探索解空間並避免過早收斂。其次，算法構建了一個多倉庫支持的可行-不可行搜索框架，該框架由多罰函數評估引導，允許在搜索過程中暫時接受不可行解，從而更靈活地逃離局部最優。此外，算法還引入了兩個專門的倉庫相關局部搜索算子，專門針對多倉庫場景下的特定結構進行精細優化。
為了進一步提升計算效率和可擴展性，研究團隊開發了該算法的增強版本。該版本利用基於張量的GPU加速技術，結合新穎的多移動更新策略，使得算法的並行計算能力得到充分發揮。GPU加速不僅大幅縮短了求解時間，還使得算法能夠處理更大規模的問題實例。多移動更新策略則通過同時更新多個解的移動來減少迭代開銷，進一步提升了收斂速度。
研究團隊在三個標準的MDVRP變體基準實例集上進行了廣泛的計算實驗，包括帶時間窗的MDVRP、帶容量約束的MDVRP等。實驗結果表明，所提出的混合算法在大多數實例上均能取得與當前最優方法相當或更優的結果，尤其在大型實例上展現出顯著的競爭優勢。這一成果表明，通過巧妙結合機器學習、數學規劃和並行計算，能夠大幅拓展多倉庫路徑問題的求解邊界。
該研究於2026年2月提交至arXiv，歸屬於機器人學、分佈式並行計算和優化控制等多個領域。未來，該算法有望進一步集成到實際物流管理系統中，助力企業降低運輸成本、提高配送效率，併為自動駕駛車輛路徑規劃等新興應用提供理論支持。